【技术实现步骤摘要】
本专利技术涉及中医与计算机视觉领域，尤其涉及一种基于人体三维重建的中医体质辨识方法。
技术介绍
1、在中医理论中，中医体质是客观存在于人体的一种生命现象，中医体质分为平和质、阴虚质、阳虚质、气虚质、瘀血质、痰湿质、湿热质、气郁质和特禀质。传统中医的体质辨识主要依赖于医生的经验和直观判断，这种方法主观性较强，容易受到医生个人经验和技能的影响，缺乏客观性和标准化。此外，传统方法难以实现对大规模人群的快速筛查和监测。
2、目前对于全身状态检测类研究多数采用身体质量指数(body mass index,bmi)等作为人体形态指标，难以全面地反映人体形态特征。在中医理论中，中医体质决定了疾病预防及治疗方法的差异，与多种慢性疾病的发生和发展密切相关，也影响着疾病诊断的结果。
3、近年来，随着计算机视觉和三维重建技术的发展，基于图像和视频的自动化健康监测和诊断系统逐渐成为研究热点。
4、这些技术通过提取人体外形三维信息，可以为中医体质辨识提供更加客观、精确的参考数据。
5、然而，目前仍缺乏一种有效结合中医理论和现代计算机视觉技术的系统，能够自动、准确地辨识中医体质。
技术实现思路
1、本专利技术所要解决的技术问题是针对
技术介绍
的不足提供一种基于人体三维重建的中医体质辨识方法，通过计算机视觉技术获取参数化人体模型，实现对中医体质的客观、标准化的自动识别。
2、本专利技术为解决上述技术问题采用以下技术方案：
3、一种基于参数化人
4、步骤s1，构建基于smpl的人体三维形态参数特征提取器，包括但不限于神经网络优化方法、几何形状重建方法、参数化形状模型；
5、通过超参数控制选择具体使用的算法：
6、使用神经网络优化方法时，常用的算法包括卷积神经网络；超参数包括学习率、正则化参数、迭代次数；
7、几何形状重建方法中，使用基于点云数据的表面重建技术，包含poisson表面重建算法；
8、步骤s2，加载骨干网络与三维重建网络预训练模型权重，预训练模型包括但不限vgg、resnet、mobilenet、vision transformer视觉注意力大模型网络；
9、下载网络预训练好的模型权重，使用预训练权重对骨架网络进行初始化，其步骤可表示为winit＝wpretrained，其中，wpretrained表示预训练权重，winit表示待加载网络的权重；
10、步骤s3，对输入图像x使用回归器预测人体骨骼点，并将其输入人体三维参数回归器即多层感知器回归网络mlpshape与mlppose，分别回归出人体骨骼点参数与形态参数，过程如下式所示：
11、
12、输出人体骨骼点参数ppose和形态参数pshape，并通过下式重建出三维人体：
13、v＝m(pshape，ppose)#(2)
14、其中m表示三维渲染函数，v为所有渲染后的网格点；
15、步骤s4，根据s3中得出的人体骨骼点和形态参数，建立映射到中医体质的机器学习模型；从三维形态参数中提取特征向量f，使用训练数据集(f，y)，其中y为中医体质标签，训练映射模型，映射模型类型包括但不限于随机森林、贝叶斯分类器、k近邻算法、人工神经网络，以决策树为例，其计算过程如下式所示：
16、
17、其中，为预测结果，t为决策树数量，dt为第t棵决策树；
18、步骤s5，将训练好的体质辨识模型嵌入开发板和摄像头等移动设备中，通过pyqt图形用户界面工具实现实时体质辨识功能。
19、作为本专利技术一种基于参数化人体模型的体质辨识方法的进一步优选方案，在步骤s1中，构建基于smpl的人体三维形态参数特征提取器，包括但不限于神经网络优化方法、几何形状重建方法、参数化形状模型。
20、作为本专利技术一种基于参数化人体模型的体质辨识方法的进一步优选方案，在步骤s1中，通过超参数控制选择具体使用的算法，使用神经网络优化方法时，常用的算法包括卷积神经网络cnn；超参数包括学习率、正则化参数、迭代次数；几何形状重建方法中，使用基于点云数据的表面重建技术，poisson表面重建算法。
21、作为本专利技术一种基于参数化人体模型的体质辨识方法的进一步优选方案，在步骤s4中，建立的映射到中医体质的机器学习模型，包括但不限于随机森林、贝叶斯、k近邻传统机器学习算法以及人工神经网络等深度学习算法；其中构建的映射到中医体质的机器学习模型包括但不限于决策树；随机森林random forest，rf；贝叶斯分类器bayesianclassifier；k近邻算法k-nearest neighbors,knn；人工神经网络artificial neuralnetwork,ann。
22、作为本专利技术一种基于参数化人体模型的体质辨识方法的进一步优选方案，在步骤s5中，所述图形用户界面工具包括但不限于pyqt，也可使用基于c#、c++、wpf、delphi桌面开发工具以及vue、bootstrapweb开发工具，pyqt版本包括但不限于为pyqt5，包括界面布局、信号和槽机制、事件处理；通过使用qt designer设计界面布局，将界面元素与模型函数进行连接，实现用户交互，并编译部署到目标设备，包含开发板、摄像头。
23、本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：
24、本专利技术一种基于人体三维重建的中医体质辨识方法，实现了基于光学镜头的中医体质辨识的自动化，通过三维重建技术和机器学习算法，可以快速处理和分析大量人体数据，显著提高工作效率；这对于需要进行大规模体质辨识和健康监测的场景，如社区健康管理和公司体检，提供了高效的解决方案；采用非侵入性的三维数据采集方法，避免了传统中医诊断中可能涉及的复杂程序和不适体验；被测试者只需在嵌入本专利技术算法的摄像头设备前站立或稍作移动，即可完成数据采集，过程简便快捷，适用性强；该方法不仅适用于中医临床诊断，还可以在健康管理、康复指导和体质研究等多领域应用；通过对体质的精确辨识，可以为个性化的健康干预方案提供科学依据，有助于提高整体健康水平；将中医体质辨识理论与现代计算机视觉和三维重建技术相结合，是中医现代化和国际化的重要尝试；通过这一结合，可以推动中医理论的科学化和普及应用，为传统中医注入新的活力和技术支持；提供的客观数据和分析结果，可以为中医体质研究提供大量的基础数据，有助于深化对中医体质的理解，促进中医理论的科研发展，为中医与现代科学的交叉研究提供新路径。
本文档来自技高网...【技术保护点】
1.一种基于参数化人体模型的体质辨识方法，其特征在于：具体包含如下步骤：
2.根据权利要求1所述的一种基于参数化人体模型的体质辨识方法，其特征在于：在步骤S1中，构建基于SMPL的人体三维形态参数特征提取器，包括但不限于神经网络优化方法、几何形状重建方法、参数化形状模型。
3.根据权利要求1所述的一种基于参数化人体模型的体质辨识方法，其特征在于：
4.根据权利要求1所述的一种基于参数化人体模型的体质辨识方法，其特征在于：
5.根据权利要求1所述的一种基于参数化人体模型的体质辨识方法，其特征在于：
【技术特征摘要】
1.一种基于参数化人体模型的体质辨识方法，其特征在于：具体包含如下步骤：
2.根据权利要求1所述的一种基于参数化人体模型的体质辨识方法，其特征在于：在步骤s1中，构建基于smpl的人体三维形态参数特征提取器，包括但不限于神经网络优化方法、几何形状重建方法、参数化...
【专利技术属性】
技术研发人员：胡孔法，杨涛，王天舒，王子琰，丁有伟，郎许峰，
申请(专利权)人：南京中医药大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。