CN107481228A - 基于计算机视觉的人体背部脊柱侧弯角度测量方法 - Google Patents

基于计算机视觉的人体背部脊柱侧弯角度测量方法 Download PDF

Info

Publication number
CN107481228A
CN107481228A CN201710629432.2A CN201710629432A CN107481228A CN 107481228 A CN107481228 A CN 107481228A CN 201710629432 A CN201710629432 A CN 201710629432A CN 107481228 A CN107481228 A CN 107481228A
Authority
CN
China
Prior art keywords
human body
depth
point
image
depth image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710629432.2A
Other languages
English (en)
Other versions
CN107481228B (zh
Inventor
许真达
吕洋
任旭升
陈俊儒
曲义杰
陈少为
张会雄
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201710629432.2A priority Critical patent/CN107481228B/zh
Publication of CN107481228A publication Critical patent/CN107481228A/zh
Application granted granted Critical
Publication of CN107481228B publication Critical patent/CN107481228B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
    • A61B5/1071—Measuring physical dimensions, e.g. size of the entire body or parts thereof measuring angles, e.g. using goniometers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30008—Bone
    • G06T2207/30012—Spine; Backbone
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30172—Centreline of tubular or elongated structure

Abstract

本发明公开了一种基于计算机视觉的人体背部脊柱侧弯角度测量方法。其采用深度相机获取人体背部深度图像并对人体背部深度图像进行预处理，再采用Lawson算法进行三角剖分处理，得到人体背部三维重构模型，通过构建人体背部表面曲貌的等高线图，结合等高线相关特征找到了人体背部中线，对背部中线进行整数插值获取背部中线上各点曲率，利用解剖学标志点求得脊柱躯干长度并获得脊椎主体长度表达式，最后代入相关性模型重构脊柱中线三维曲线，大大提高了重建精度，重建效果优良。

Description

基于计算机视觉的人体背部脊柱侧弯角度测量方法
技术领域
本发明属于图像处理技术领域，尤其涉及一种基于计算机视觉的人体背部脊柱侧弯角度测量方法。
背景技术
脊柱是人体的中轴，一旦发生侧弯，不仅使人出现畸形外观，而且还会使儿童精神受到严重创伤。早年发生的脊柱畸形，还将影响儿童心肺的发育和成熟，有的还可能影响脊髓和神经。脊柱侧弯在人口中发生率约为1％，很多时候在早期对生活影响较小，很多家长忽视，体检也不是常规项目。导致很多青少年错过了容易矫正的时机，造成影响一生生活质量的健康问题。
脊柱侧弯又称脊柱侧凸，是由于人体冠状面上脊柱节段对背部中心线形成偏离，并向侧方弯曲造成的。一般还伴有脊柱旋转以及矢状面上的后凸或前凸等症状。造成脊柱侧弯的因素很多，其中原因不明确的称为特发性脊柱侧弯，刘尚礼等在脊柱侧弯的普查中发现特发性患者占96.9％。对于脊柱侧弯的衡量标准不完全相同，部分学者将在冠状面所测得的Cobb角大于5°的患者判断为脊柱侧弯，而一般是将Cobb角大于10°的患者判断为脊柱侧弯。
刘尚礼等2002年对广东87546名青少年进行了脊柱侧弯普查，患病率为0.7500。周惠清等2009年对福建省惠安县32280名中小学生脊柱侧弯进行了普查，患病率为0.73％。脊柱侧弯除了引起背部的不对称，造成体形瑕疵，严重时会导致继发性胸廓畸形，进而引起内脏功能障碍，尤其对生长发育阶段青少年的身心造成严重伤害。从上述普查的结果可知，脊柱侧弯在青少年中有一定的患病比例，如果不能尽早发现并治疗，会给很多青少年的身心发育造成危害。
传统脊柱侧弯检测用的X光线具有强放射性，对青少年生长发育不利。国外新开发的无害检测系统价格高昂，很难让普通医院一般患者用的起，因为目前只是北京市有几台，西南地区华西医院尚且没有，更不用说其他医院了。因而研究简单易行的脊柱侧弯检查方法具有十分重要的社会价值和意义。
对脊柱侧弯进行检查的方法有很多，大致可分为物理测量方法及图像测量方法两类。物理测量方法是指在对脊柱侧弯进行测量时与人体背部有直接接触的方法，主要有Adams向前弯腰试验、应用脊柱侧凸尺测量躯干旋转角度、测量肋骨隆凸等方法；图像测量方法是指在检查时不与人体背部进行直接接触的方法，主要有莫尔(Moire)图像测量法、X光片测量法、结构光测量法、激光扫描仪测量法等。在普查中除了观察如双肩是否等高特征外，都使用了Adams向前弯腰试验，并对可疑患者进一步利用X光片测量法进行检查。Patias等对Adams向前弯腰试验、光学测量技术等多种测试方法的测量参数做出了说明及比较。熊龙等自制脊柱侧弯测量仪用于脊柱侧弯筛查。
目前图像处理技术己经作为一种有效的视觉检测工具引入医学界，其中X光片、莫尔图像用于脊柱侧弯的检测中相对较多。由于X光的辐射性对人体健康会造成潜在危害，X光片测量法一般不用于普查，而是用于对普查筛选出来的病例进行进一步精确的检查。另外，邱勇指出X光测量法只侧重冠状面上的Cobb角，而对于脊柱旋转引起的脊柱侧弯的检测不明显。莫尔图像为基于周期性光栅所获得的图像，对于物体细小的转动和变形比较敏感。在医学上莫尔图像又称云纹图。利用莫尔图像对脊柱侧弯进行检查开始较早，1979年Willner建立起莫尔图像的非对称性与Cobb角之间的关系，以此来判断脊柱侧弯，作者也指出在凹的部位莫尔条纹变形严重，而在凸的部位显得清晰。1983年Kamal给出了用莫尔图像中莫尔条纹上的一对非对称点信息计算Cobb角的公式。2008年郭伟等介绍了云纹图在脊柱健康普查以及矫形手术等方面的作用。在2001年一2008年期间，Kim等在利用人体背部的莫尔图像对称性特征进行脊柱侧弯判断方面做了一系列的工作。2010年Gaal等利用Kamal所提公式，对同一患者选择莫尔图像中7对非对称点，计算出7个Cobb角，将其统计平均后作为最终的Cobb角，以此对脊柱侧弯进行判断。
前两种图像测量方法都是从二维图像中提取特征信息来判断脊柱侧弯，为提高判断的准确度，人们提出了从背部的三维信息中提取特征来判断脊柱侧弯。Berryman等利用矩形结构光重建出人体背部，并提取其三维对称性特征来判断脊柱侧弯。Ramirez等利用Minolta VIVID 700激光扫描仪获取背部的三维精确数据，根据其对称性特征和支持向量机方法判断脊柱侧弯，辨别率为85％。Chong等提出一种用于户外脊柱侧弯的影像测量技术。
由于物理测量方法是基于人工的检测，在对大量的人群进行普查时，人工检测变得相当繁琐，效率较低，而且医师会由于疲劳造成错判和误判。为减少人工的参与，提高效率，避免医师主观因素带来的误差，在对脊柱侧弯进行检测问题上，图像测量方法是比较好的方法。
发明内容
本发明的发明目的是：为了解决现有技术中存在的以上问题，本发明提出了一种基于计算机视觉的人体背部脊柱侧弯角度测量方法。
本发明的技术方案是：一种基于计算机视觉的人体背部脊柱侧弯角度测量方法，包括以下步骤：
A、采用深度相机获取人体背部深度图像，对人体背部深度图像进行预处理；
B、采用Lawson算法对步骤A中预处理后的人体背部深度图像进行三角剖分处理，得到人体背部三维重构模型；
C、对步骤B中的人体背部三维重构模型作等高线处理，得到人体背部等高线图；再计算人体背部等高线图中人体背部脊柱区域等高线的极值点，得到棘突线上各点的三维坐标；
D、计算步骤C中棘突线上各点法线与水平方向的夹角，得到棘突线上各点的表面曲率；
E、根据步骤B中的人体背部三维重构模型计算人体背部解剖学标志的三维坐标；
F、建立人体背部与脊柱中线的相关性模型，根据步骤C中棘突线上各点的三维坐标、步骤D中棘突线上各点的表面曲率及步骤E中解剖学标注的三维坐标对人体脊柱中线进行三维重构；
G、根据步骤F中的人体脊柱中线三维重构图计算人体背部脊柱侧弯角度。
进一步地，所述步骤A采用深度相机获取人体背部深度图像，对人体背部深度图像进行预处理，具体包括以下分步骤：
A1、采用深度相机获取人体模型的深度图像；
A2、采用深度双阈值方法提取步骤A1中深度图像的对象；
A3、对步骤A2中提取后的深度图像进行联合双边滤波处理；
A4、对步骤A1中的深度相机进行标定，将步骤A3中滤波后的深度图像转化为三维点云，得到人体点云重构图；
A5、采用基于点云距离平均值的阈值滤波方法对步骤A4中的人体点云重构图进行滤波处理，完成人体背部深度图像预处理。
进一步地，所述步骤A1采用深度相机获取人体模型的深度图像具体包括以下分步骤：
A11、利用深度相机的Kinect传感器获取人体模型的深度信息；
A12、利用深度帧读取器读取步骤A11中的深度信息，得到距离当前时刻最近的一帧深度信息；
A13、将步骤A12中得到的深度信息转换为MAT格式，并利用opencv的imshow进行显示；
A14、回收并释放内存，得到人体模型的深度图像。
进一步地，所述步骤A2采用深度双阈值方法提取步骤A1中深度图像的对象具体包括以下分步骤：
A21、读取步骤A1中深度图像的深度帧，并进行位操作得到深度数据；
A22、设定两个深度阈值；
A23、判断步骤A21中的深度数据是否处于两个深度阈值之间；
A24、若深度数据处于两个深度阈值之间，则保持深度数据不变；
A25、显示并获取提取后的深度图像；
A26、若深度数据不处于两个深度阈值之间，则进行步骤A25。
进一步地，所述步骤A3对步骤A2中提取后的深度图像进行联合双边滤波处理的公式具体为：
g(i,j)＝∑k,jf(i,j)·w(i,j,k,l)/∑k,jw(i,j,k,l)
其中，f(i,j)和g(i,j)分别为滤波前、后深度图像中的(i,j)处值，w(i,j,k,l)为(i,j)周围(k,j)处权重，表示为
其中为参考图像。
进一步地，所述步骤A4中将步骤A3中滤波后的深度图像转化为三维点云的公式具体为：
其中，d(x,y)＝z为深度图像上任意一像素点(x,y)的深度值，(X,Y,Z)为像素点(x,y)在三维深度坐标系下坐标，(cx,cy)为深度相机的标定中心，f为深度相机的理想焦距。
进一步地，所述步骤A5采用基于点云距离平均值的阈值滤波方法对步骤A4中的人体点云重构图进行滤波处理具体包括以下分步骤：
A51、对步骤A4中的人体点云空间中的点云进行遍历，设定空间中的任意一点为d(x,y,z)，搜索距离该点最近的k个点，计算k个点中每个点到该点的距离；
A52、计算步骤E1中k个点到点d(x,y,z)的距离的平均值dave，从而得到空间中每个点对应的平均值dave，计算所有点对应平均值dave的平均值得到所有点对应的平均值Dave；
A53、设定常数阈值H，判断空间中每个点对应的平均值dave与的所有点对应的平均值Dave差值是否大于常数阈值H；若是则删除该点，若否则保留该点。
进一步地，所述步骤F中人体背部与脊柱中线的相关性模型表示为：
xm＝xs+L·sinθ
ym＝ys
zm＝zs+L·cosθ
其中，(xm,ym,zm)为脊柱中线上的点坐标，(xs,ys,zs)为人体背部对称中线上的点坐标，L为脊柱主体长度，θ为脊柱侧弯角度。
进一步地，所述人体背部与脊柱中线的相关性模型中脊柱主体长度的计算公式具体为：
L(ys)＝0.132·T-0.035·ys
其中，T为脊柱躯干长度。
本发明的有益效果是：本发明采用深度相机获取人体背部深度图像并对人体背部深度图像进行预处理，再采用Lawson算法进行三角剖分处理，得到人体背部三维重构模型，通过构建人体背部表面曲貌的等高线图，结合等高线相关特征找到了人体背部中线，对背部中线进行整数插值获取背部中线上各点曲率，利用解剖学标志点求得脊柱躯干长度并获得脊椎主体长度表达式，最后代入相关性模型重构脊柱中线三维曲线，大大提高了重建精度，重建效果优良。
附图说明
图1是本发明的基于计算机视觉的人体背部脊柱侧弯角度测量方法流程示意图。
图2是本发明实施例中采用深度相机获取人体模型的深度图像示意图。
图3是本发明实施例中采用深度双阈值方法提取后的深度图像示意图。
图4是本发明实施例中采用联合双边滤波处理后的深度图像示意图。
图5是本发明实施例中人体点云重构图的正视图。
图6是本发明实施例中人体点云重构图的侧视图。
图7是本发明实施例中人体点云重构图的仰视图。
图8是本发明实施例中采用基于点云距离平均值的阈值滤波方法处理后的点云正视图。
图9是本发明实施例中采用基于点云距离平均值的阈值滤波方法处理后的点云侧视图。
图10是本发明实施例中采用基于点云距离平均值的阈值滤波方法处理后的点云仰视图。
图11是本发明实施例中人体背部三维重构模型示意图。
图12是本发明实施例中人体背部等高线示意图。
图13是本发明实施例中人体背部棘突线示意图。
图14是本发明实施例中人体背部表面对称点曲率示意图。
图15是本发明实施例中人体背部解剖学标志示意图。
图16是本发明实施例中人体背部脊柱中线点示意图。
图17是本发明实施例中人体背部脊柱中线三维重构正视图。
图18是本发明实施例中人体背部脊柱中线三维重构侧视图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，为本发明的基于计算机视觉的人体背部脊柱侧弯角度测量方法流程示意图。一种基于计算机视觉的人体背部脊柱侧弯角度测量方法，包括以下步骤：
A、采用深度相机获取人体背部深度图像，对人体背部深度图像进行预处理；
B、采用Lawson算法对步骤A中预处理后的人体背部深度图像进行三角剖分处理，得到人体背部三维重构模型；
C、对步骤B中的人体背部三维重构模型作等高线处理，得到人体背部等高线图；再计算人体背部等高线图中人体背部脊柱区域等高线的极值点，得到棘突线上各点的三维坐标；
D、计算步骤C中棘突线上各点法线与水平方向的夹角，得到棘突线上各点的表面曲率；
E、根据步骤B中的人体背部三维重构模型计算人体背部解剖学标志的三维坐标；
F、建立人体背部与脊柱中线的相关性模型，根据步骤C中棘突线上各点的三维坐标、步骤D中棘突线上各点的表面曲率及步骤E中解剖学标注的三维坐标对人体脊柱中线进行三维重构；
G、根据步骤F中的人体脊柱中线三维重构图计算人体背部脊柱侧弯角度。
在步骤A中，本发明采用深度相机获取人体背部深度图像，对人体背部深度图像进行预处理，具体包括以下分步骤：
A1、采用深度相机获取人体模型的深度图像；
A2、采用深度双阈值方法提取步骤A1中深度图像的对象；
A3、对步骤A2中提取后的深度图像进行联合双边滤波处理；
A4、对步骤A1中的深度相机进行标定，将步骤A3中滤波后的深度图像转化为三维点云，得到人体点云重构图；
A5、采用基于点云距离平均值的阈值滤波方法对步骤A4中的人体点云重构图进行滤波处理，完成人体背部深度图像预处理。
在步骤A1中，本发明采用Mircosoft Kinect 2深度相机来获取人体模型的深度图像，Microsoft Kinect是美国微软公司于2010年11月4日推出的XBOX-360游戏机体感周边外设的正式名称，Kinect能够即时的捕捉人体动作，通过影像对动作进行识别；同时也能通过麦克风的输入，完成语音的识别。Kinect 2深度相机首先发射出激光阵列到待测量目标上，通过激光传输的时间获取传感器到待测量目标的距离的空间二维阵列。Kinect 2深度相机上的每个像素都可以接受测量信号，从而获得Kinect 2所在的平面到目标物的距离。一般比较常用的方法是基于相位差的测量方法，假设发射光与接受光的相位差其对应的飞行时间为Δt，f为激光的频率，c为光传播的速度，那么可以得到对应的测量距离d表示为：
由于Kienct 2(Xbox360)是游戏体感设备，所以使用Kinect 2所获取的深度帧数据并不完全是深度信息，它具有着特有的数据结构。在一个深度帧数据中，每个像素占用2个字节(16位)，其中深度值数据占用16位中的前13位，后三维是游戏索引。因此，在获取深度数据后想要获取待测物到Kinect 2平面的距离还需要对深度帧数据进行位操作。深度值存储在第3至15位中，若需要获取能够直接使用的深度帧数据，需要将游戏索引位移除。
采用深度相机获取人体模型的深度图像具体包括以下分步骤：
A11、利用深度相机的Kinect传感器获取人体模型的深度信息；
A12、利用深度帧读取器读取步骤A11中的深度信息，得到距离当前时刻最近的一帧深度信息；
A13、将步骤A12中得到的深度信息转换为MAT格式，并利用opencv的imshow进行显示；
A14、回收并释放内存，得到人体模型的深度图像。
如图2所示，为本发明实施例中采用深度相机获取人体模型的深度图像示意图。Kinect2深度数据与图像的对应关系为：距离Kinect越近，颜色越深；反之，则颜色越浅；纯黑色为无定义，其深度数据默认为0。
在步骤A2中，由于步骤A1中获取的深度图像除了人体背部的深度图像外，还有周围其他物体的深度图像；为了仅得到模型的深度信息，同时减少运算量，本发明采用深度双阈值方法去除其他物体深度信息的干扰。本发明采用深度双阈值方法提取步骤A1中深度图像的对象具体包括以下分步骤：
A21、读取步骤A1中深度图像的深度帧，并进行位操作得到深度数据；
A22、设定两个深度阈值；
A23、判断步骤A21中的深度数据是否处于两个深度阈值之间；
A24、若深度数据处于两个深度阈值之间，则保持深度数据不变；
A25、显示并获取提取后的深度图像；
A26、若深度数据不处于两个深度阈值之间，则进行步骤A25。
这里的深度双阈值方法采用模型的深度值作为阈值选取的对象，而不是图像灰度值。图像深度阈值化的目的是要按照深度级，对像素集合进行一个划分，得到的每个子集形成一个与现实景物相对应的区域，各个区域内部具有一致的属性，而相邻区域不具有这种一致属性。在确定深度阈值时，如果深度阈值定得过高，则会将背景点认作为模型点，如果深度阈值定得过低，模型点的采集将不会完全。因此，本发明采用多阂值的方法来解决这个问题，优选地采用两个深度阈值。
本发明在判断步骤A21中的深度数据是否处于设定两个深度阈值之间时，设图像为f(x,y)，对于输入图像的各个深度值，确定两个深度阈值δ1、δ2，δ1＞δ2，当像素深度值D大于δ1或者小于δ2，则f(x,y)＝0，否则f(x,y)＝D，表示为
本发明对步骤A1中深度图像的对象进行提取，深度图像中每一个像素点代表的是在深度感应器的视野中，该特定的坐标(x,y)处物体到离摄像头平面最近的物体到该平面的距离(以毫米为单位)；通过获取的深度图像，读取深度图像个点的像坐标以及对应的深度值。在实施例中，人体距离Kienct 2大约在900mm左右，人体上半身侧面厚度大约为180mm，根据实验场景可大致获取δ1、δ2的数值，设δ1＝1100mm，δ2＝800mm，利用双深度阈值法对步骤A1中获取的深度图像进行处理，得到如图3所示的本发明实施例中采用深度双阈值方法提取后的深度图像示意图。。
在步骤A3中，由于Kinect 2同时提供了深度和RGB两路数据，因此本发明采用联合双边滤波在增强深度信息的时候可以利用到更加完整和精确的RGB图像，通过结合相似的RGB图像，对缺失的深度信息进行补全。
本发明对步骤A2中提取后的深度图像进行联合双边滤波处理的公式具体为：
g(i,j)＝∑k,jf(i,j)·w(i,j,k,l)/Σk,jw(i,j,k,l)
其中，f(i,j)和g(i,j)分别为滤波前、后深度图像中的(i,j)处值，w(i,j,k,l)为(i,j)周围(k,j)处权重，表示为
其中为参考图像。
如图4所示，为本发明实施例中采用联合双边滤波处理后的深度图像示意图。本发明对提取的深度图像进行联合双边滤(滤波参数σd＝σr＝1.6)，不仅在对图像进行了平滑处理的基础上保留了深度图像的边缘信息，并且把人体的头部以及左下角手臂任然会出现噪声以及缺失的像素所形成的空洞修复了，与处理效果良好。在不断调试的情况下，选取最优的滤波参数，可以获得处理效果更加效果好的图像。
在步骤A4中，本发明首先对步骤A1中的深度相机进行标定，Kinect 2的深度摄像头相当与在普通摄像头上安装了一个特殊的滤波片，只能够获取红外线成像。因此，本发明采用红外光源照射标定板对Kinect 2的深度摄像头进行标定。
对Kinect 2深度相机标定时，使用LED红外光源照射标定板，同时使用Kienct 2深度相机拍摄红外照片。此处要注意在使用深度相机拍摄红外照片的时候要使用黑胶带或者类似物体将Kinect 2的红外线发射器完全挡住，否则其发出的红外射线会在棋盘格标定板上产生一些散乱的红外亮点，不利于对棋盘格标定板进行检测。由此获取12张深度标定数据，利用matlab采用张正友标定发进行标定，得到对相机外部参数立体视觉的显示，从而完成对深度相机的标定。
深度相机内参矩阵为：
深度相机畸变参数为：
D＝[0.0409633 0.0000000 -0.004536 -0.001314]
本发明再将步骤A3中滤波后的深度图像转化为三维点云，由于已经对Kinect 2设备内部RGB摄像头以及深度摄像头进行了标定，同时由于Kinect 2的RGB摄像头和深度摄像头之间存在一定的距离，当使用Kinect 2设备获取人体背部信息时，RGB相机与深度相机获取的数据之间会存在一定的偏差。因此为了包含颜色信息得到三维点云，需要将深度图像通过一定的变换，对应到RGB图像中，然后计算出空间中地点X、Y、Z坐标。经过标定后的RGB摄像头和深度摄像头可以等同为理想的针孔成像模型，获取人体背部在坐标系中的真实坐标X、Y、Z的坐标计算方法，将步骤A3中滤波后的深度图像转化为三维点云的公式具体为：
其中，d(x,y)＝z为深度图像上任意一像素点(x,y)的深度值，(X,Y,Z)为像素点(x,y)在三维深度坐标系下坐标，(cx,cy)为深度相机的标定中心，f为深度相机的理想焦距。
由深度相机内参矩阵可得Kienct 2深度相机的fx＝360.1mm，fy＝360.5mm，cx＝250.3，cy＝206.3，再根据上式进行计算可以得到点云数据，根据得到的点云数据画出经过深度图像提取后的人体点云重构图。如图5-7所示，分别为本发明实施例中人体点云重构图的正视图、侧视图和仰视图。
在步骤A5中，由于存在除人体背部以外环境影响和设备参数的影响，在测量过程中会存在异常点误差以及随机误差，这会导致在点云数据上出现不同程度的噪点，本发明采用基于点云距离平均值的阈值滤波方法对步骤D中的人体点云重构图进行滤波处理，具体包括以下分步骤：
A51、对步骤A4中的人体点云空间中的点云进行遍历，设定空间中的任意一点为d(x,y,z)，搜索距离该点最近的k个点，计算k个点中每个点到该点的距离；
A52、计算步骤E1中k个点到点d(x,y,z)的距离的平均值dave，从而得到空间中每个点对应的平均值dave，计算所有点对应平均值dave的平均值得到所有点对应的平均值Dave；
A53、设定常数阈值H，判断空间中每个点对应的平均值dave与的所有点对应的平均值Dave差值是否大于常数阈值H；若是则删除该点，若否则保留该点。
在步骤A51中，本发明设定搜索距离该点最近的5个点，计算5个点中每个点到该点的距离d1，d2，d3，d4，d5。
在步骤A52中，本发明计算步骤A51中5个点到点d(x,y,z)的距离的平均值dave，再通过上述方法依次计算空间中每个点对应的平均值dave，计算所有点对应平均值dave的平均值得到所有点对应的平均值Dave；Dave用于估计所有点的相邻平均距离的平均值，降低此值会使滤波器对噪声更敏感，若增加此值会增加计算次数。
在步骤A53中，本发明设定一个常数阈值H，常数阈值H是与所有点的平均距离平均值Dave的一个标准偏差。判断空间中每个点对应的平均值dave与的所有点对应的平均值Dave差值是否大于常数阈值H；若是则认定该点为离群值，删除该点；若否则保留该点；表示为：
如图8-10所示，分别为本发明实施例中采用基于点云距离平均值的阈值滤波方法处理后的点云正视图、侧视图和仰视图。
在步骤B中，本发明基于Delaunay三角剖分准则对步骤A中处理后的人体点云重构图中的点云数据采用Lawson算法进行三角化，通过matlab软件进行仿真得到人体背部三维重构模型。如图11所示，为本发明实施例中人体背部三维重构模型示意图。
通过采用3D-builder软件，将人体背部三维重构模型模型导入，对人体模型的肩部进行测量，得到人体三维模型肩距为411.66mm；
在步骤C中，棘突线是在人体背部正中线上从颈部到臀部的脊柱，在体表能摸到的凸起的尖端部分。本发明根据人体背部的对称线估计得到棘突线；对称线是由对称点组成的，对称点指的是把背部水平切面分成两半，使得两半之间具有最小的横向不对称性。
本发明通过获取人体背部三维图像，对人体背部三维图像作等高线处理，如图12所示为本发明实施例中人体背部等高线示意图；由背部等高线图可以得到，在背部脊柱所在区域的等高线会出现局部的极值点；根据人体背部形貌和等高线相关理论，可以得知在地貌中山顶对应着人体肩胛骨峰点(肩峰外侧缘上向外最突出的点)，两肩胛骨中间形成了和鞍部相似的形貌结构，山谷对应着脊柱所在的区域(当人体站直后，脊柱所在的区域相对人体背部两侧要下凹)，脊柱所在区域等高线顶点或其周围的点为人体背部的对称点(棘突点)。因此，本发明通过计算人体背部等高线图中人体背部脊柱区域等高线的极值点得到棘突线上各点的三维坐标。如图13所示为本发明实施例中人体背部棘突线示意图。
在步骤D中，本发明中棘突线上各点的表面曲率通过测量表面法线与其在水平方向(z轴)上的夹角来表示；根据人体背部网格图可以分析求的对称中线上的点所在网格的法线，根据定义的水平方向(即垂直于人体背部z轴方向)求得对称中线上各点法线与水平方向得夹角。由于得到的人体背部对称线是散点图，在求得的对称线上各散点的表面曲率之后，根据脊柱变化的平滑性，对对称线上散点表面曲率进行插值，得到更加精细的背部对称线表面曲率值。如图14所示，为本发明实施例中人体背部表面对称点曲率示意图。
由于人体背部对称线各散点在寻找过程中会存在一定的误差(人体背部存在一些遮挡，噪点等因素)，因此本发明通过对对称线上散点进行一次滤波处理，将棘突线上一个点的法线与该点相邻八个点的法线进行矢量叠加，再将矢量叠加后的法向值作为该点的法向值，从而得到更加准确的棘突线上各点的表面曲率。
在步骤E中，本发明的解剖学标志指的是在人体背部下的骨骼结构，分别是：隆骨、两侧的髂后上棘。在解剖学标志中，隆骨的标志用来当作建立脊柱三维体坐标的原点，同时也当作脊柱测量的起点；本发明通过在解剖学标志上贴上相应的标志来获取它们的三维坐标位置，在模型建立中需要的一些测量数值，通过这些标志来进行测量，例如躯干长度(从隆骨到两侧髂后上棘中点的垂直距离)。如图15所示，为本发明实施例中人体背部解剖学标志示意图。
在步骤F中，本发明设定Sx＝(xs,ys,zs)为人体背部对称中线上的点，M＝(xm,ym,zm)为脊柱中线上对应的点，建立人体背部与脊柱中线的相关性模型，表示为：
xm＝xs+L·sinθ
ym＝ys
zm＝zs+L·cosθ
其中，(xm,ym,zm)为脊柱中线上的点坐标，(xs,ys,zs)为人体背部对称中线上的点坐标，L为脊柱主体长度，θ为脊柱侧弯角度。这里的脊柱主体长度L可以用比例因子和脊柱躯干长度以及纵向的坐标来计算得到，表示为
L(ys)＝0.132·T-0.035·ys
其中，T为脊柱躯干长度，即从隆骨到两侧髂后上骨中点的投影距离，对于一个特定的样本，它相当于是一个常量。
本发明将测得的T＝494.0mm代入上式中，得到人体背部对称中线和脊柱中线的关系式，表示为：
xm＝xs+(65.2-0.035·ys)·sinθ
ym＝ys
zm＝zs+(65.2-0.035·ys)·cosθ
将步骤C中棘突线上各点的三维坐标、步骤D中棘突线上各点的表面曲率代入上式即可得到人体背部脊柱中线三维点。如图16所示，为本发明实施例中人体背部脊柱中线点示意图。
以隆骨点坐标为原点，进行坐标进行平移变换，把经过坐标变换后的人体背部对称点(棘突点)三维坐标以及对应的表面曲率代入上式，得到人体背部脊柱中线点相对于对称中线的三维坐标。如图17所示，为本发明实施例中人体背部脊柱中线三维重构正视图。如图18所示，为本发明实施例中人体背部脊柱中线三维重构侧视图。
在步骤G中，本发明通过对人体背部脊柱侧弯角度进行测量评估脊柱侧弯的严重程度；脊柱侧弯是儿童常见的脊柱畸形，当Cobb角<10°时为阴性；当Cobb角介于10°～20°时为阳性；当Cobb角>20°时为明显阳性；当Cobb角介于20°～25°时，患者应当严密观察；若每年Cobb角度数加深超过5°，且cobb角介于25°～40°时应进行支具治疗；若Cobb角介于40°～50°之间时，脊柱侧凸。
本发明根据步骤F中的人体脊柱中线三维重构图计算人体背部脊柱侧弯角度，具体包括以下分步骤：
G1、根据脊柱中线三维曲线正视图，在脊柱凹陷两侧找到脊柱中线向脊柱侧弯凹侧倾斜度最大的两点，该点切线与y轴夹角变化率最大；
G2、求出该两点的法线，使其相交与一点，求出法线之间的夹角；
G3、求出离脊柱中线两端点最近的三组点的法线夹角；
G4、采用一个权重式子计算四组夹角的加权均值，设四组角度分别为α1，α2，α3，α4，表示为：
αCobb＝0.4·α1+0.3·α2+0.2·α3+0.1·α4
其中，αCobb为人体背部脊柱侧弯角度。
本发明的实验样本为脊柱健康、年龄约为23岁的青年，Cobb角数值为阴性，由于测量误差等因素的影响，Cobb角的测量结果具有3～5°的测量误差。使用本文方法测得的Cobb角为4.59°，也在阴性数值范围内，定性上分析本文方法在误差精度范围内。
本发明利用Kinect 2对人体背部进行三维重构，得到人体背部三维模型；根据人体背部表面特征，从棘突线(人体背部对称线)、人体背部表面曲率(法线偏转角)以及三大解剖学标志(隆骨，髂后上棘，骶骨点)入手，通过建立单个脊椎模型，建立人体背部表面曲率与脊柱中线相关模型。接着从仿真的角度对模型进行定性分析，通过重构人体背部三维模型得到人体背部等高线图，依据等高线特征得到人体背部对称线；对对称线上的点求法线偏转角度，最后进行插值计算获取单个脊椎旋转角度；依据获取的数据代入到相关性模型，对脊柱中线进行三维重构。最后通过获取的脊柱三维图像，使用脊柱三维曲线在正面的投影图结合Cobb角理论以及图像处理方法计算样本Cobb角为4.59°，并进行对比分析，发现测量误差在合理区间内(3～5°)。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (9)

1.一种基于计算机视觉的人体背部脊柱侧弯角度测量方法，其特征在于，包括以下步骤：
A、采用深度相机获取人体背部深度图像，对人体背部深度图像进行预处理；
B、采用Lawson算法对步骤A中预处理后的人体背部深度图像进行三角剖分处理，得到人体背部三维重构模型；
C、对步骤B中的人体背部三维重构模型作等高线处理，得到人体背部等高线图；再计算人体背部等高线图中人体背部脊柱区域等高线的极值点，得到棘突线上各点的三维坐标；
D、计算步骤C中棘突线上各点法线与水平方向的夹角，得到棘突线上各点的表面曲率；
E、根据步骤B中的人体背部三维重构模型计算人体背部解剖学标志的三维坐标；
F、建立人体背部与脊柱中线的相关性模型，根据步骤C中棘突线上各点的三维坐标、步骤D中棘突线上各点的表面曲率及步骤E中解剖学标注的三维坐标对人体脊柱中线进行三维重构；
G、根据步骤F中的人体脊柱中线三维重构图计算人体背部脊柱侧弯角度。
2.如权利要求1所述的基于计算机视觉的人体背部脊柱侧弯角度测量方法，其特征在于，所述步骤A采用深度相机获取人体背部深度图像，对人体背部深度图像进行预处理，具体包括以下分步骤：
A1、采用深度相机获取人体模型的深度图像；
A2、采用深度双阈值方法提取步骤A1中深度图像的对象；
A3、对步骤A2中提取后的深度图像进行联合双边滤波处理；
A4、对步骤A1中的深度相机进行标定，将步骤A3中滤波后的深度图像转化为三维点云，得到人体点云重构图；
A5、采用基于点云距离平均值的阈值滤波方法对步骤A4中的人体点云重构图进行滤波处理，完成人体背部深度图像预处理。
3.如权利要求2所述的基于计算机视觉的人体背部脊柱侧弯角度测量方法，其特征在于，所述步骤A1采用深度相机获取人体模型的深度图像具体包括以下分步骤：
A11、利用深度相机的Kinect传感器获取人体模型的深度信息；
A12、利用深度帧读取器读取步骤A11中的深度信息，得到距离当前时刻最近的一帧深度信息；
A13、将步骤A12中得到的深度信息转换为MAT格式，并利用opencv的imshow进行显示；
A14、回收并释放内存，得到人体模型的深度图像。
4.如权利要求2所述的基于计算机视觉的人体背部脊柱侧弯角度测量方法，其特征在于，所述步骤A2采用深度双阈值方法提取步骤A1中深度图像的对象具体包括以下分步骤：
A21、读取步骤A1中深度图像的深度帧，并进行位操作得到深度数据；
A22、设定两个深度阈值；
A23、判断步骤A21中的深度数据是否处于两个深度阈值之间；
A24、若深度数据处于两个深度阈值之间，则保持深度数据不变；
A25、显示并获取提取后的深度图像；
A26、若深度数据不处于两个深度阈值之间，则进行步骤A25。
5.如权利要求2所述的基于计算机视觉的人体背部脊柱侧弯角度测量方法，其特征在于，所述步骤A3对步骤A2中提取后的深度图像进行联合双边滤波处理的公式具体为：
g(i,j)＝∑k,jf(i,j)·w(i,j,k,l)/∑k,jw(i,j,k,l)
其中，f(i,j)和g(i,j)分别为滤波前、后深度图像中的(i,j)处值，w(i,j,k,l)为(i,j)周围(k,j)处权重，表示为
<mrow> <mi>w</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>,</mo> <mi>k</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <mfrac> <mrow> <msup> <mrow> <mo>(</mo> <mi>i</mi> <mo>-</mo> <mi>k</mi> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>+</mo> <msup> <mrow> <mo>(</mo> <mi>j</mi> <mo>-</mo> <mi>l</mi> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> <mrow> <mn>2</mn> <msup> <msub> <mi>&amp;sigma;</mi> <mi>d</mi> </msub> <mn>2</mn> </msup> </mrow> </mfrac> <mo>-</mo> <mfrac> <mrow> <mo>|</mo> <mo>|</mo> <mover> <mi>f</mi> <mo>^</mo> </mover> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>-</mo> <mover> <mi>f</mi> <mo>^</mo> </mover> <mrow> <mo>(</mo> <mi>k</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> <mo>|</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> </mrow> <mrow> <mn>2</mn> <msup> <msub> <mi>&amp;sigma;</mi> <mi>r</mi> </msub> <mn>2</mn> </msup> </mrow> </mfrac> <mo>)</mo> </mrow> </mrow>
其中为参考图像。
6.如权利要求2所述的基于计算机视觉的人体背部脊柱侧弯角度测量方法，其特征在于，所述步骤A4中将步骤A3中滤波后的深度图像转化为三维点云的公式具体为：
<mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mi>X</mi> <mo>=</mo> <mo>(</mo> <mi>x</mi> <mo>-</mo> <msub> <mi>c</mi> <mi>x</mi> </msub> <mo>)</mo> <mo>&amp;times;</mo> <mi>d</mi> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> <mo>&amp;times;</mo> <mn>1</mn> <mo>/</mo> <mi>f</mi> </mtd> </mtr> <mtr> <mtd> <mi>Y</mi> <mo>=</mo> <mo>(</mo> <mi>y</mi> <mo>-</mo> <msub> <mi>c</mi> <mi>y</mi> </msub> <mo>)</mo> <mo>&amp;times;</mo> <mi>d</mi> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> <mo>&amp;times;</mo> <mn>1</mn> <mo>/</mo> <mi>f</mi> </mtd> </mtr> <mtr> <mtd> <mi>Z</mi> <mo>=</mo> <mi>d</mi> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mtd> </mtr> </mtable> </mfenced>
其中，d(x,y)＝z为深度图像上任意一像素点(x,y)的深度值，(X,Y,Z)为像素点(x,y)在三维深度坐标系下坐标，(cx,cy)为深度相机的标定中心，f为深度相机的理想焦距。
7.如权利要求2所述的基于计算机视觉的人体背部脊柱侧弯角度测量方法，其特征在于，所述步骤A5采用基于点云距离平均值的阈值滤波方法对步骤A4中的人体点云重构图进行滤波处理具体包括以下分步骤：
A51、对步骤A4中的人体点云空间中的点云进行遍历，设定空间中的任意一点为d(x,y,z)，搜索距离该点最近的k个点，计算k个点中每个点到该点的距离；
A52、计算步骤E1中k个点到点d(x,y,z)的距离的平均值dave，从而得到空间中每个点对应的平均值dave，计算所有点对应平均值dave的平均值得到所有点对应的平均值Dave；
A53、设定常数阈值H，判断空间中每个点对应的平均值dave与的所有点对应的平均值Dave差值是否大于常数阈值H；若是则删除该点，若否则保留该点。
8.如权利要求1所述的基于计算机视觉的人体背部脊柱侧弯角度测量方法，其特征在于，所述步骤F中人体背部与脊柱中线的相关性模型表示为：
xm＝xs+L·sinθ
ym＝ys
zm＝zs+L·cosθ
其中，(xm,ym,zm)为脊柱中线上的点坐标，(xs,ys,zs)为人体背部对称中线上的点坐标，L为脊柱主体长度，θ为脊柱侧弯角度。
9.如权利要求8所述的基于计算机视觉的人体背部脊柱侧弯角度测量方法，其特征在于，所述人体背部与脊柱中线的相关性模型中脊柱主体长度的计算公式具体为：
L(ys)＝0.132·T-0.035·ys
其中，T为脊柱躯干长度。
CN201710629432.2A 2017-07-28 2017-07-28 基于计算机视觉的人体背部脊柱侧弯角度测量方法 Active CN107481228B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710629432.2A CN107481228B (zh) 2017-07-28 2017-07-28 基于计算机视觉的人体背部脊柱侧弯角度测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710629432.2A CN107481228B (zh) 2017-07-28 2017-07-28 基于计算机视觉的人体背部脊柱侧弯角度测量方法

Publications (2)

Publication Number Publication Date
CN107481228A true CN107481228A (zh) 2017-12-15
CN107481228B CN107481228B (zh) 2021-02-09

Family

ID=60597306

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710629432.2A Active CN107481228B (zh) 2017-07-28 2017-07-28 基于计算机视觉的人体背部脊柱侧弯角度测量方法

Country Status (1)

Country Link
CN (1) CN107481228B (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108151670A (zh) * 2017-12-30 2018-06-12 北京工业大学 一种后背三维对称度评价装置及方法
CN108510584A (zh) * 2018-04-04 2018-09-07 四川效率未来科技有限公司 脊椎骨旋转角度计算方法
CN108573502A (zh) * 2018-03-06 2018-09-25 安徽大学 一种自动测量Cobb角的方法
CN108648229A (zh) * 2018-05-18 2018-10-12 四川效率未来科技有限公司 基于Kinect相机的人体背部特征点提取方法
CN108764089A (zh) * 2018-05-18 2018-11-06 四川效率未来科技有限公司 基于深度相机的人体背部脊柱中线识别方法
CN110648329A (zh) * 2019-03-29 2020-01-03 中国科学院深圳先进技术研究院 一种目标图像提取方法、系统及终端设备
CN110731817A (zh) * 2019-10-11 2020-01-31 浙江大学 一种基于光学扫描自动化轮廓分割匹配的无辐射经皮脊柱定位方法
CN112535489A (zh) * 2020-12-25 2021-03-23 四川大学华西医院 一种利用波形图测量脊柱侧弯Cobb角的方法及其系统
CN113069076A (zh) * 2021-02-25 2021-07-06 芙索特(上海)医疗科技有限公司 基于三维建模的脊柱侧弯测量方法
CN113240730A (zh) * 2021-05-20 2021-08-10 推想医疗科技股份有限公司 提取椎体中线的方法及装置
CN113628740A (zh) * 2021-06-22 2021-11-09 四川大学 一种基于3d照相技术的儿童脊柱形态快速分析方法
CN113951874A (zh) * 2021-10-25 2022-01-21 中国科学院长春光学精密机械与物理研究所 一种脊柱侧弯风险评估系统
CN114092447A (zh) * 2021-11-23 2022-02-25 北京阿尔法三维科技有限公司 一种基于人体三维图像测量脊柱侧弯的方法、装置和设备
CN114081471A (zh) * 2021-11-11 2022-02-25 宜宾显微智能科技有限公司 一种基于三维图像与多层感知的脊柱侧弯cobb角测量方法
CN114173642A (zh) * 2019-06-24 2022-03-11 香港科洛华医疗科技有限公司 用于诊断和跟踪人的脊柱排列的发展的设备、方法和系统
CN114224322A (zh) * 2021-10-25 2022-03-25 上海工程技术大学 一种基于人体骨骼关键点的脊柱侧弯评估方法
US11423574B2 (en) 2019-12-17 2022-08-23 Emma Ruccio Method and apparatus for detecting scoliosis
US11877717B2 (en) 2019-12-17 2024-01-23 Emma Ruccio Method and apparatus for detecting scoliosis

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08289888A (ja) * 1995-04-24 1996-11-05 Ge Yokogawa Medical Syst Ltd 断層撮影計画方法及び断層撮影装置
CN102314711A (zh) * 2010-07-01 2012-01-11 中国地质科学院矿产资源研究所 矿产资源评价信息的三维可视化方法及其装置
CN104794722A (zh) * 2015-04-30 2015-07-22 浙江大学 利用单个Kinect计算着装人体三维净体模型的方法
US20150287184A1 (en) * 2012-10-12 2015-10-08 École De Technologie Supérieure System and method for predicting scoliosis progression
US20150379719A1 (en) * 2011-06-06 2015-12-31 Microsoft Technology Licensing, Llc Object digitization
US20160191887A1 (en) * 2014-12-30 2016-06-30 Carlos Quiles Casas Image-guided surgery with surface reconstruction and augmented reality visualization
CN106846272A (zh) * 2017-01-18 2017-06-13 西安工程大学 一种点云模型的去噪精简方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08289888A (ja) * 1995-04-24 1996-11-05 Ge Yokogawa Medical Syst Ltd 断層撮影計画方法及び断層撮影装置
CN102314711A (zh) * 2010-07-01 2012-01-11 中国地质科学院矿产资源研究所 矿产资源评价信息的三维可视化方法及其装置
US20150379719A1 (en) * 2011-06-06 2015-12-31 Microsoft Technology Licensing, Llc Object digitization
US20150287184A1 (en) * 2012-10-12 2015-10-08 École De Technologie Supérieure System and method for predicting scoliosis progression
US20160191887A1 (en) * 2014-12-30 2016-06-30 Carlos Quiles Casas Image-guided surgery with surface reconstruction and augmented reality visualization
CN104794722A (zh) * 2015-04-30 2015-07-22 浙江大学 利用单个Kinect计算着装人体三维净体模型的方法
CN106846272A (zh) * 2017-01-18 2017-06-13 西安工程大学 一种点云模型的去噪精简方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
B DRERUP,ET AL: "Back shape measurement using video rasterstereography and three-dimensional reconstruction of spinal shape", 《CLINICAL BIOMECHANICS》 *
VINCENT BONNET 等: "Automatic Estimate of Back Anatomical Landmarks and 3D spine curve From a Kinect Sensor", 《6TH IEEE RAS/EMBS INTERNATIONAL CONFERENCE ON BIOMEDICAL ROBOTICS AND BIOMECHATRONICS》 *
冯传汉 等: "《骨科诊查手册》", 31 July 1992, 北京医科大学，中国协和医科大学联合出版社 *
宋诗超: "基于Kinect的三维人体建模与测量的研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
杨福俊 等: "《现代光测力学与图像处理》", 31 December 2015, 东南大学出版社 *
陈晓明 等: "基于Kinect 深度信息的实时三维重建和滤波算法研究", 《计算机应用研究》 *

Cited By (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108151670A (zh) * 2017-12-30 2018-06-12 北京工业大学 一种后背三维对称度评价装置及方法
CN108151670B (zh) * 2017-12-30 2020-02-11 北京工业大学 一种后背三维对称度评价装置及方法
CN108573502A (zh) * 2018-03-06 2018-09-25 安徽大学 一种自动测量Cobb角的方法
CN108573502B (zh) * 2018-03-06 2021-07-06 安徽大学 一种自动测量Cobb角的方法
CN108510584A (zh) * 2018-04-04 2018-09-07 四川效率未来科技有限公司 脊椎骨旋转角度计算方法
CN108510584B (zh) * 2018-04-04 2022-02-18 深圳零动医疗科技有限公司 脊椎骨旋转角度计算方法
CN108764089B (zh) * 2018-05-18 2021-04-13 四川效率未来科技有限公司 基于深度相机的人体背部脊柱中线识别方法
CN108648229A (zh) * 2018-05-18 2018-10-12 四川效率未来科技有限公司 基于Kinect相机的人体背部特征点提取方法
CN108764089A (zh) * 2018-05-18 2018-11-06 四川效率未来科技有限公司 基于深度相机的人体背部脊柱中线识别方法
CN108648229B (zh) * 2018-05-18 2020-07-28 四川效率未来科技有限公司 基于Kinect相机的人体背部特征点提取方法
CN110648329B (zh) * 2019-03-29 2023-12-26 中国科学院深圳先进技术研究院 一种目标图像提取方法、系统及终端设备
CN110648329A (zh) * 2019-03-29 2020-01-03 中国科学院深圳先进技术研究院 一种目标图像提取方法、系统及终端设备
CN114173642A (zh) * 2019-06-24 2022-03-11 香港科洛华医疗科技有限公司 用于诊断和跟踪人的脊柱排列的发展的设备、方法和系统
CN110731817B (zh) * 2019-10-11 2021-04-13 浙江大学 一种基于光学扫描自动化轮廓分割匹配的无辐射经皮脊柱定位方法
CN110731817A (zh) * 2019-10-11 2020-01-31 浙江大学 一种基于光学扫描自动化轮廓分割匹配的无辐射经皮脊柱定位方法
US11423574B2 (en) 2019-12-17 2022-08-23 Emma Ruccio Method and apparatus for detecting scoliosis
US11877717B2 (en) 2019-12-17 2024-01-23 Emma Ruccio Method and apparatus for detecting scoliosis
CN112535489B (zh) * 2020-12-25 2023-12-05 四川大学华西医院 一种利用波形图测量脊柱侧弯Cobb角的方法及其系统
CN112535489A (zh) * 2020-12-25 2021-03-23 四川大学华西医院 一种利用波形图测量脊柱侧弯Cobb角的方法及其系统
CN113069076A (zh) * 2021-02-25 2021-07-06 芙索特(上海)医疗科技有限公司 基于三维建模的脊柱侧弯测量方法
CN113069076B (zh) * 2021-02-25 2023-09-29 芙索特(上海)医疗科技有限公司 基于三维建模的脊柱侧弯测量方法
CN113240730A (zh) * 2021-05-20 2021-08-10 推想医疗科技股份有限公司 提取椎体中线的方法及装置
CN113240730B (zh) * 2021-05-20 2022-02-08 推想医疗科技股份有限公司 提取椎体中线的方法及装置
CN113628740B (zh) * 2021-06-22 2023-05-02 四川大学 一种基于3d照相技术的儿童脊柱形态快速分析方法
CN113628740A (zh) * 2021-06-22 2021-11-09 四川大学 一种基于3d照相技术的儿童脊柱形态快速分析方法
CN113951874B (zh) * 2021-10-25 2023-12-26 中国科学院长春光学精密机械与物理研究所 一种脊柱侧弯风险评估系统
CN114224322B (zh) * 2021-10-25 2023-06-02 上海工程技术大学 一种基于人体骨骼关键点的脊柱侧弯评估方法
CN113951874A (zh) * 2021-10-25 2022-01-21 中国科学院长春光学精密机械与物理研究所 一种脊柱侧弯风险评估系统
CN114224322A (zh) * 2021-10-25 2022-03-25 上海工程技术大学 一种基于人体骨骼关键点的脊柱侧弯评估方法
CN114081471A (zh) * 2021-11-11 2022-02-25 宜宾显微智能科技有限公司 一种基于三维图像与多层感知的脊柱侧弯cobb角测量方法
CN114081471B (zh) * 2021-11-11 2024-02-09 宜宾显微智能科技有限公司 一种基于三维图像与多层感知的脊柱侧弯cobb角测量方法
CN114092447A (zh) * 2021-11-23 2022-02-25 北京阿尔法三维科技有限公司 一种基于人体三维图像测量脊柱侧弯的方法、装置和设备
CN114092447B (zh) * 2021-11-23 2022-07-22 北京阿尔法三维科技有限公司 一种基于人体三维图像测量脊柱侧弯的方法、装置和设备

Also Published As

Publication number Publication date
CN107481228B (zh) 2021-02-09

Similar Documents

Publication Publication Date Title
CN107481228B (zh) 基于计算机视觉的人体背部脊柱侧弯角度测量方法
US11331039B2 (en) Spinal-column arrangement estimation-apparatus, spinal-column arrangement estimation method, and spinal-column arrangement estimation program
Douglas Image processing for craniofacial landmark identification and measurement: a review of photogrammetry and cephalometry
JP5849048B2 (ja) 側弯症評価のための三次元（３ｄ）超音波撮像システム
Huang et al. Anatomical prior based vertebra modelling for reappearance of human spines
Munn et al. Changes in face topography from supine-to-upright position—and soft tissue correction values for craniofacial identification
CN112258516B (zh) 一种脊柱侧弯图像检测模型的生成方法
CN103971409A (zh) 一种利用rgb-d摄像机测量足部三维脚型信息及三维重建模型的方法
CN110772255A (zh) 基于姿态与位置传感器的人体脊柱侧弯角度的测量方法
AU2018301578A1 (en) Method for detecting spinal deformity using three-dimensional ultrasonic imaging
CN107464275A (zh) 人体脊柱中线三维重构方法
CN108151670A (zh) 一种后背三维对称度评价装置及方法
US20210110580A1 (en) Three-dimensional ultrasound image display method
CN111105385A (zh) 一种对基于断层成像技术提供的人体关节数据进行处理的方法
CN106960461A (zh) 基于可变形模型的婴儿头颅三维测量方法
CN113870098A (zh) 一种基于脊柱分层重建的Cobb角自动测量方法
CN108510584B (zh) 脊椎骨旋转角度计算方法
Bonnet et al. Automatic estimate of back anatomical landmarks and 3D spine curve from a Kinect sensor
CN106447729A (zh) 一种基于坐标变换的二维数字图像相关补偿方法及二维光学数字图像相关引伸计
CN201996540U (zh) 一种人体体表参数采集测量装置
CN114092447B (zh) 一种基于人体三维图像测量脊柱侧弯的方法、装置和设备
Liu et al. Research of Scoliosis Detection Method Based on Kinect
Suter et al. Macro-optical color assessment of the pulmonary airways with subsequent three-dimensional multidetector-x-ray-computed-tomography<? xpp qa?> assisted display
CN106485650A (zh) 确定匹配点对的方法及图像获取方法
Katashev et al. Application of 3D Scanner for Estimation of Chest Movement in Scoliotic Patients

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant