CN110638461A - 一种在电动病床上人体姿态识别方法及系统 - Google Patents

一种在电动病床上人体姿态识别方法及系统 Download PDF

Info

Publication number
CN110638461A
CN110638461A CN201910876708.6A CN201910876708A CN110638461A CN 110638461 A CN110638461 A CN 110638461A CN 201910876708 A CN201910876708 A CN 201910876708A CN 110638461 A CN110638461 A CN 110638461A
Authority
CN
China
Prior art keywords
human body
posture
electric
sickbed
electric sickbed
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.)
Pending
Application number
CN201910876708.6A
Other languages
English (en)
Inventor
袁双虎
曹怡
李玮
刘宁
董印军
张本武
胡旭东
侯文红
祝守慧
于金明
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.)
Shandong University
Shandong Institute of Cancer Prevention and Treatment
Original Assignee
Shandong University
Shandong Institute of Cancer Prevention and Treatment
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 Shandong University, Shandong Institute of Cancer Prevention and Treatment filed Critical Shandong University
Priority to CN201910876708.6A priority Critical patent/CN110638461A/zh
Publication of CN110638461A publication Critical patent/CN110638461A/zh
Priority to NL2025724A priority patent/NL2025724B1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1116—Determining posture transitions
    • 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
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
    • A61B5/1128—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique using image analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Physiology (AREA)
  • Public Health (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Dentistry (AREA)
  • Artificial Intelligence (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Radiology & Medical Imaging (AREA)
  • Human Computer Interaction (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Invalid Beds And Related Equipment (AREA)

Abstract

本公开提供了一种在电动病床上人体姿态识别方法及系统，通过获取电动病床上的人体的实时图像信息，并定位电动病床的位置，根据电动病床的位置初步定位人体大概范围，利用RMPE姿态识别框架识别人体边界框；基于人体边界框，对人体进行姿态识别，同时在图像获取前可以通过利用床体固定摄像机滑动的特点，保证得到一个较好的人体边界框，从而使电动病床的人体姿态识别定位准确，准确度较高。

Description

一种在电动病床上人体姿态识别方法及系统
技术领域
本公开属于人体姿态识别技术领域，具体涉及一种在电动病床上人体姿态识别方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
近年来，随着医疗健康技术和计算机技术的发展，为减少医务人员或者家庭环境中家属的工作量，电动病床日益兴起。而在电动病床的移动过程中，通过智能终端实时监测床上人体并识别人体姿态对于病程记录和病人安全是非常重要的。
目前，人体姿态识别在动作跟踪、安全生产、智慧监所、影视娱乐、司法分析、旅游景区等领域有很大发展。人体姿态识别有基于视觉和非视觉两种处理方法。基于视觉的人体姿态识别方法是指通过对摄像机采集的图像数据进行分析和处理，非视觉的人体姿态识别是指通过加速度测量或传感器等方法进行姿态识别。针对电动病床的姿态识别的即时性需求，需要大量计算的非视觉人体姿态识别方法是不适用的。
针对电动病床上的病患需要佩戴治疗仪器或药物袋的现状，基于佩戴单一或多个传感器的非视觉人体姿态识别方法是不适用的，这是因为对位于电动病床上的人体姿态识别实时性要求极高，在满足准确率的同时，检测速度也需要达到实时性的要求；
且现有的基于视觉的姿态识别方法受人体边界框质量影响大，需要定位出高质量边界框，且受到摄像头固定位置限制，同时，定位经常发生错误，以及具有多余的检测结果。
发明内容
本公开为了解决上述问题，提出了一种在电动病床上人体姿态识别方法及系统，本公开能够得到一个较好的人体边界框，从而使电动病床的人体姿态识别定位准确，准确度较高。
根据一些实施例，本公开采用如下技术方案：
一种在电动病床上人体姿态识别方法，包括以下步骤：
获取电动病床上的人体的实时图像信息，并定位电动病床的位置；
根据电动病床的位置初步定位人体大概范围，利用RMPE姿态识别框架识别人体边界框；
基于人体边界框，对人体进行姿态识别。
作为进一步的限定，所述电动病床上可滑动设置有可转动的摄像装置，利用摄像装置采集图像信息。
作为进一步的限定，通过滑动、转动和调焦距方法，对摄像装置进行视野大小和范围的调整，进行识别的过程中摄像机实时采集人体图像。
作为进一步的限定，图像信息的采集过程包括：
利用摄像装置框定画面中电动病床的位置；
实时检查摄像画面并操控滑动摄像装置，避免除电动病床以外的背景出现。
作为进一步的限定，定位人体边界框的过程包括：
基于已存储的电动病床尺寸参数代表人体的大概范围；
通过RMPE姿态识别框架进行识别；
取大概范围框架和RMPE姿态识别框架得出两个框架并集中的交集，获得人体边界框。
作为进一步的限定，进行人体姿态识别的过程包括：
进行对称空间变换网络SSTN变换，利用STN接收人体候选框，SDTN产生候选姿态；
使用Stacked Hourglass算法网络对边界框中的人体进行姿态识别；
识别完成后逆SSTN变换返回原图像；
使用姿态非最大抑制方法NMS消除姿势冗余，从多余的候选框中选择置信度最高的作为参考，得到姿态向量。
一种在电动病床上人体姿态识别系统，包括电动病床和处理器，其中：
所述电动病床上可滑动设置有可转动的摄像装置，利用摄像装置采集图像信息；
所述处理器接收采集图像信息，并依此定位电动病床的位置，根据电动病床的位置初步定位人体大概范围，利用RMPE姿态识别框架识别人体边界框，基于人体边界框，对人体进行姿态识别。
作为进一步的限定，所述电动病床上设置有滑杆，所述滑杆上可滑动连接有滑块，所述滑块上连接有云台，所述云台上设置摄像装置。
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种在电动病床上人体姿态识别方法。
一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种在电动病床上人体姿态识别方法。
与现有技术相比，本公开的有益效果为：
本公开结合电动病床床体大小固定且可知、人体姿态识别对象是位于床上的单独病患的特点，采用了滑动摄像头，满足准确性与实时性的要求，避免了视觉人体姿态识别摄像头固定视野有限的弊端。
本公开考虑到病床上不同个体间的差异，如果不事先规定一个较标准的预定义人体边界，由于个体高矮胖瘦差异，需要进行大量的神经网络训练增加大量算法，采用了直接锁定床板的界面可以减少工作量，提高速度。
本公开运用RMPE的方法组合到SPPE单人检测中，同时在图像获取前可以通过利用床体固定摄像机滑动的特点，保证得到一个较好的人体边界框，从而使电动病床的人体姿态识别定位准确，准确度较高。
本公开为了避免多余的检测结果，运用NMS消除姿态冗余，确保得到置信度最高的姿态向量。姿态识别框架与Stacked Hourglass算法网络结合，能较好地实现姿态识别任务。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为电动病床的人体姿态识别方法流程图；
图2为摄像机摆放位置以及实现可移动调整视野组件图；
图3解释电动病床的人体姿态识别中对姿态冗余的处理流程；
图4为电动病床的人体姿态识别过程示意图；
图5为电动病床的人体姿态识别结果图。
具体实施方式：
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
电动病床的人体姿态识别方法，包括步骤：
A.通过可滑动摄像头采集电动病床上的人体的实时图像信息；
B.定位人体边界框；
C.使用人体图像进行姿态识别；
步骤A利用可滑动摄像头采集图像信息的方法包括：
A1.通过电动病床上的滑动摄像头框定好画面中电动病床的位置；
A2.实时检查摄像画面并操控滑动摄像头，尽量避免除电动病床以外的背景出现。
步骤B定位人体边界框的方法包括：
B1.由于电动病床的特殊性人体边界不会超出电动病床，在存储器中存储电动病床参数，包括二维平面内的长宽高等要素，即通过框定床的范围来代表人体的大概范围；
B2.再通过RMPE姿态识别框架进行识别；
B3.应用IoU，取大概范围框架和RMPE得出框架并集中的交集，从而确保获得高质量的人体边界框。
步骤C进行人体姿态识别的方法包括：
C1.进行SSTN变换，由STN，SDTN两部分组成，STN负责接收人体候选框，SDTN产生候选姿态；
C2.使用Stacked Hourglass算法网络对边界框中的人体进行姿态识别；
C3.识别完成后逆SSTN变换返回原图像；
C4.使用NMS消除姿势冗余，从多余的候选框中选择参考，置信度最高的作为参考，得到姿态向量。
具体的，实施例一：
如图1所示，电动病床的人体姿态识别方法，包括以下步骤：
步骤S100、摄像装置进行视野调整；
步骤S200、采集电动病床人体实时图像；
步骤S300、提取存储器中的床体信息，生成预定义人体框架，再进行RMPE姿态识别框架生成，进行IoU处理，如图4所示，得出两个框架并集中的交集，获得人体边界框；
步骤S400、运用Stacked Hourglass算法网络与RMPE方法进行姿态识别，得到如图5所示的最终结果。
下面将对各个步骤进行详细描述和说明。
在步骤S100和S200中，通过滑动、转动和调焦距等方法，对本发明所采用的摄像装置进行视野大小和范围的调整，进行识别的过程中摄像机可以实时采集人体图像，同时该步骤可以让后续IoU大小提高。
下面结合图2进行说明
②滑杆和滑块，保证摄像机可在图示平面中左右滑动；
②为摄像机自身的转动关节，可保证摄像机在图示平面内上下转动从而调整视野；
下面结合图3进行说明，一开始未调整好的视野，范围过大，床体只检测一半，壁画台灯均可见，在此范围内摄像头可捕捉到床体之外的人体姿态，因此需要通过移动滑块和转动关节，调整摄像头视野，检测全部床体且范围内图像中直到难以看到其他人体。
在步骤S300中，通过存储器的预定义人体框架，在预定义的人体框架下进行算法处理。
下面对提取人体边界框的处理进行说明：
首先，使用STN来提取高质量的人工提案。在数学上，STN执行二维自由度变换。公式定义于式(1)：
Figure BDA0002204532650000071
其中θ1，θ2和θ3是矢量。
Figure BDA0002204532650000072
分别是转换之前和之后的坐标。
单人姿态识别完成后，需要使用SDTN来将人体姿态重新映射回原始图像坐标。SDTN计算用于解除变换的γ并基于γ生成网格。公式定义于式(2)：
Figure BDA0002204532650000081
其中γ1、γ2，γ3为反变换矢量，公式定义如式(3)、(4)所示。
[γ1γ2]＝[θ1θ2]-1 (3)
Figure BDA0002204532650000082
实施例二：
一种在电动病床上人体姿态识别系统，包括电动病床和处理器，其中：
所述电动病床上设置有滑杆，所述滑杆上可滑动连接有滑块，所述滑块上连接有云台，所述云台上设置摄像装置，利用摄像装置采集图像信息；
所述处理器接收采集图像信息，并依此定位电动病床的位置，根据电动病床的位置初步定位人体大概范围，利用RMPE姿态识别框架识别人体边界框，基于人体边界框，对人体进行姿态识别。
实施例三：
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种在电动病床上人体姿态识别方法。
实施例四：
一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种在电动病床上人体姿态识别方法。
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims (10)

1.一种在电动病床上人体姿态识别方法，其特征是：包括以下步骤：
获取电动病床上的人体的实时图像信息，并定位电动病床的位置；
根据电动病床的位置初步定位人体大概范围，利用RMPE姿态识别框架识别人体边界框；
基于人体边界框，对人体进行姿态识别。
2.如权利要求1所述的一种在电动病床上人体姿态识别方法，其特征是：所述电动病床上可滑动设置有可转动的摄像装置，利用摄像装置采集图像信息。
3.如权利要求1所述的一种在电动病床上人体姿态识别方法，其特征是：通过滑动、转动和调焦距方法，对摄像装置进行视野大小和范围的调整，进行识别的过程中摄像机实时采集人体图像。
4.如权利要求1所述的一种在电动病床上人体姿态识别方法，其特征是：图像信息的采集过程包括：
利用摄像装置框定画面中电动病床的位置；
实时检查摄像画面并操控滑动摄像装置，避免除电动病床以外的背景出现。
5.如权利要求1所述的一种在电动病床上人体姿态识别方法，其特征是：定位人体边界框的过程包括：
基于已存储的电动病床尺寸参数代表人体的大概范围；
通过RMPE姿态识别框架进行识别；
取大概范围框架和RMPE姿态识别框架得出两个框架并集中的交集，获得人体边界框。
6.如权利要求1所述的一种在电动病床上人体姿态识别方法，其特征是：进行人体姿态识别的过程包括：
进行对称空间变换网络SSTN变换，利用STN接收人体候选框，SDTN产生候选姿态；
使用Stacked Hourglass算法网络对边界框中的人体进行姿态识别；
识别完成后逆SSTN变换返回原图像；
使用NMS消除姿势冗余，从多余的候选框中选择置信度最高的作为参考，得到姿态向量。
7.一种在电动病床上人体姿态识别系统，其特征是：包括电动病床和处理器，其中：
所述电动病床上可滑动设置有可转动的摄像装置，利用摄像装置采集图像信息；
所述处理器接收采集图像信息，并依此定位电动病床的位置，根据电动病床的位置初步定位人体大概范围，利用RMPE姿态识别框架识别人体边界框，基于人体边界框，对人体进行姿态识别。
8.如权利要求7所述的一种在电动病床上人体姿态识别系统，其特征是：所述电动病床上设置有滑杆，所述滑杆上可滑动连接有滑块，所述滑块上连接有云台，所述云台上设置摄像装置。
9.一种计算机可读存储介质，其特征是：其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行权利要求1-6中任一项所述的一种在电动病床上人体姿态识别方法。
10.一种终端设备，其特征是：包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行权利要求1-6中任一项所述的一种在电动病床上人体姿态识别方法。
CN201910876708.6A 2019-09-17 2019-09-17 一种在电动病床上人体姿态识别方法及系统 Pending CN110638461A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910876708.6A CN110638461A (zh) 2019-09-17 2019-09-17 一种在电动病床上人体姿态识别方法及系统
NL2025724A NL2025724B1 (en) 2019-09-17 2020-06-02 Method and system for recognizing human posture on electric bed

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910876708.6A CN110638461A (zh) 2019-09-17 2019-09-17 一种在电动病床上人体姿态识别方法及系统

Publications (1)

Publication Number Publication Date
CN110638461A true CN110638461A (zh) 2020-01-03

Family

ID=69010624

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910876708.6A Pending CN110638461A (zh) 2019-09-17 2019-09-17 一种在电动病床上人体姿态识别方法及系统

Country Status (2)

Country Link
CN (1) CN110638461A (zh)
NL (1) NL2025724B1 (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101279503B1 (ko) * 2011-12-23 2013-06-28 김종진 척추 및 몸 자세 교정장치
CN205434140U (zh) * 2015-12-25 2016-08-10 深圳市第二人民医院 一种胰腺移植术后护理病床
WO2016181837A1 (ja) * 2015-05-08 2016-11-17 コニカミノルタ株式会社 画像処理システム、画像処理装置、画像処理方法、および画像処理プログラム
CN106413545A (zh) * 2014-05-13 2017-02-15 欧姆龙株式会社 姿势估计装置、姿势估计系统、姿势估计方法、姿势估计程序和记录该程序的计算机介质
CN106464844A (zh) * 2014-04-08 2017-02-22 琼和欧文·雅各布斯以色列理工学院-康奈尔研究所 用于配置婴儿监控器摄像机以提供用于分析的统一数据集的系统和方法
US20170316578A1 (en) * 2016-04-29 2017-11-02 Ecole Polytechnique Federale De Lausanne (Epfl) Method, System and Device for Direct Prediction of 3D Body Poses from Motion Compensated Sequence
US20180146889A1 (en) * 2015-07-30 2018-05-31 Minebea Mitsumi Inc. Body state detecting apparatus, body state detecting method and bed system
CN108764190A (zh) * 2018-06-04 2018-11-06 山东财经大学 老年人离床与在床状态的视频监测方法
CN108969242A (zh) * 2018-05-24 2018-12-11 大连亿斯德环境科技有限公司 智能病床
CN109124166A (zh) * 2018-07-24 2019-01-04 深圳市赛亿科技开发有限公司 智能床垫及其管控方法、电子设备和存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10482321B2 (en) * 2017-12-29 2019-11-19 Cerner Innovation, Inc. Methods and systems for identifying the crossing of a virtual barrier

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101279503B1 (ko) * 2011-12-23 2013-06-28 김종진 척추 및 몸 자세 교정장치
CN106464844A (zh) * 2014-04-08 2017-02-22 琼和欧文·雅各布斯以色列理工学院-康奈尔研究所 用于配置婴儿监控器摄像机以提供用于分析的统一数据集的系统和方法
CN106413545A (zh) * 2014-05-13 2017-02-15 欧姆龙株式会社 姿势估计装置、姿势估计系统、姿势估计方法、姿势估计程序和记录该程序的计算机介质
WO2016181837A1 (ja) * 2015-05-08 2016-11-17 コニカミノルタ株式会社 画像処理システム、画像処理装置、画像処理方法、および画像処理プログラム
US20180146889A1 (en) * 2015-07-30 2018-05-31 Minebea Mitsumi Inc. Body state detecting apparatus, body state detecting method and bed system
CN205434140U (zh) * 2015-12-25 2016-08-10 深圳市第二人民医院 一种胰腺移植术后护理病床
US20170316578A1 (en) * 2016-04-29 2017-11-02 Ecole Polytechnique Federale De Lausanne (Epfl) Method, System and Device for Direct Prediction of 3D Body Poses from Motion Compensated Sequence
CN108969242A (zh) * 2018-05-24 2018-12-11 大连亿斯德环境科技有限公司 智能病床
CN108764190A (zh) * 2018-06-04 2018-11-06 山东财经大学 老年人离床与在床状态的视频监测方法
CN109124166A (zh) * 2018-07-24 2019-01-04 深圳市赛亿科技开发有限公司 智能床垫及其管控方法、电子设备和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
H. FANG, S. XIE: "RMPE: Regional Multi-person Pose Estimation", 《2017 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION (ICCV)》 *
NEWELL, A., YANG, K., & DENG, J: "Stacked Hourglass Networks for Human Pose Estimation", 《LECTURE NOTES IN COMPUTER SCIENCE》 *

Also Published As

Publication number Publication date
NL2025724B1 (en) 2021-12-14
NL2025724A (en) 2021-05-28

Similar Documents

Publication Publication Date Title
CN102106758B (zh) 立体定向神经外科手术中病人头部标记的自动视觉定位装置及方法
KR20190028422A (ko) 해부학적 대상들의 자동 검출, 국부화, 및 의미론적 세그먼트화를 위한 시스템 및 방법
CN110544301A (zh) 一种三维人体动作重建系统、方法和动作训练系统
TWI758714B (zh) 一種圖像處理方法和裝置、電子設備
de San Roman et al. Saliency driven object recognition in egocentric videos with deep CNN: toward application in assistance to neuroprostheses
CN101071473A (zh) 检测特征点的设备及检测特征点的方法
US20220319236A1 (en) Scoring metric for physical activity performance and tracking
CN110742631B (zh) 一种医学图像的成像方法和装置
JP2022527007A (ja) 運動障害疾患分析用の補助撮影装置、制御方法及び装置
CN113856186B (zh) 一种引体向上动作判定与计数的方法、系统及装置
Singh et al. Estimating a patient surface model for optimizing the medical scanning workflow
Zhang et al. Comparison of OpenPose and HyperPose artificial intelligence models for analysis of hand-held smartphone videos
CN110910449A (zh) 识别物体三维位置的方法和系统
CN106461982B (zh) 用于确定至少一个行为参数的方法
JP4682372B2 (ja) 視線方向の検出装置、視線方向の検出方法およびコンピュータに当該視線方向の検出方法を実行させるためのプログラム
CN112562070A (zh) 基于模板匹配的颅缝早闭手术切割坐标生成系统
CN110638461A (zh) 一种在电动病床上人体姿态识别方法及系统
Jayawardena et al. Automated filtering of eye gaze metrics from dynamic areas of interest
Schiphorst et al. Video2report: A video database for automatic reporting of medical consultancy sessions
Lan A novel deep learning architecture by integrating visual simultaneous localization and mapping (VSLAM) into CNN for real-time surgical video analysis
Calvache et al. Automatic estimation of pose and falls in videos using computer vision model
CN115019388A (zh) 一种利用单目摄像头拍摄步态视频全自动步态分析方法
CN107221009B (zh) 一种腹主动脉分叉处的定位方法、装置、医学成像系统及存储介质
Benenaula et al. Classification of Gait Anomalies By Using Space-Time Parameters Obtained With Pose Estimation
CN117315792B (zh) 一种基于卧姿人体测量的实时调控系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200103

RJ01 Rejection of invention patent application after publication