CN112102951B - 一种基于人体体态估计算法的健康监测方法和装置 - Google Patents
一种基于人体体态估计算法的健康监测方法和装置 Download PDFInfo
- Publication number
- CN112102951B CN112102951B CN202011258833.XA CN202011258833A CN112102951B CN 112102951 B CN112102951 B CN 112102951B CN 202011258833 A CN202011258833 A CN 202011258833A CN 112102951 B CN112102951 B CN 112102951B
- Authority
- CN
- China
- Prior art keywords
- human body
- determining
- feature
- key point
- detected
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
Landscapes
- Public Health (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及一种基于人体体态估计算法的健康监测方法和装置,该方法包括:获取待识别图像;对待识别图像进行特征提取,确定待识别图像中待测人体的关键点信息;其中,关键点信息包括关键点所在的位置坐标;根据关键点信息,确定待测人体的人体体态;对人体体态进行识别,确定待测人体的健康状况。本方案能够便捷地实现人体健康的监测管理。
Description
技术领域
本发明涉及健康管理技术领域,尤其涉及一种基于人体体态估计算法的健康监测方法和装置。
背景技术
健康管理是通过一定的技术手段对人体进行监测,实现对人体危险因素进行全面管理的过程。随着人们对生活质量要求的不断地提高,通过健康管理来预防疾病和危险的发生,或对疾病和危险的发展进行有效地控制具有重要的意义。
目前,对人体进行健康管理的方式主要是由医疗机构的专业人士进行诊断。然而,这需要人们到指定医疗机构进行体检才能获知自身的健康状况。但是如果体检不够及时,或患者没有意识到身体健康存在问题,往往会造成严重的健康问题。因此,目前的人为健康监测管理方式不够便捷。
因此,需要提供一种人体健康监测管理的方法,以解决上述健康管理方式不够便捷的问题。
发明内容
本发明要解决的技术问题在于通过医疗机构进行人体健康管理不够便捷的问题。针对上述技术问题,本发明提供了一种基于人体体态估计算法的健康监测方法,该方法包括:
获取待识别图像;
对所述待识别图像进行特征提取,确定所述待识别图像中待测人体的关键点信息;其中,所述关键点信息包括关键点所在的位置坐标;
根据所述关键点信息,确定所述待测人体的人体体态;
对所述人体体态进行识别,确定所述待测人体的健康状况。
可选地,所述对所述人体体态进行识别,确定所述待测人体的健康状况,包括:
根据所述人体体态,确定至少一种目标研究对象;其中,所述目标研究对象包括高低肩,圆肩,驼背,骨盆前倾,骨盆后倾,O型腿,X型腿,胸部过挺;
针对每一种所述目标研究对象,均执行:
在所述人体体态上标注与该目标研究对象对应的特征线;其中,所述特征线为与所述目标研究对象对应的各关键点最为拟合的直线;
判断所述特征线与标准线之间的偏差值;其中,所述标准线为人体在该目标研究对象中表现健康的特征线;
根据所述偏差值,确定所述待测人体对应该目标研究对象的健康状况。
可选地,所述对所述待识别图像进行特征提取,确定所述待测人体的关键点信息,包括:
对所述待识别图像进行多尺度特征提取,得到至少两个多尺度特征;其中,所述至少两个多尺度特征的特征分辨率按照特征提取的顺序依次降低;
在所述至少两个多尺度特征中确定特征分辨率最低的全局特征;
将除所述全局特征之外的各个多尺度特征经可变形卷积层进行处理,得到与当前多尺度特征对应的初级多尺度特征;
将所述全局特征与各个所述初级多尺度特征进行融合,得到融合特征;
将所述融合特征输入预先训练的关键点识别模型中,确定所述待测人体的关键点信息;其中,所述关键点识别模型用于从至少两种尺度对所述待识别图像中待测人体的关键点进行识别。
可选地,所述将所述全局特征与各个所述初级多尺度特征进行融合,得到融合特征,包括:
根据所述全局特征和各个所述初级多尺度特征,确定融合维度;其中,所述融合维度大于或等于所述全局特征对应的矩阵和各个所述初级多尺度特征对应的矩阵中的最大值;
将所述全局特征对应的矩阵和各个所述初级多尺度特征对应的矩阵按照所述融合维度进行对齐;
将对齐后的全局特征对应的矩阵和各个所述初级多尺度特征对应的矩阵进行融合计算。
可选地,所述根据所述关键点信息,确定所述待测人体的人体体态,包括:
根据预先设定的各个关键点之间的连接关系以及所述关键点信息,将各个所述关键点进行连接;
根据所述关键点连接后得到的网络线图确定所述待测人体的人体体态。
本发明实施例还提供了一种基于人体体态估计算法的健康监测装置,包括:获取模块、提取模块和确定模块;
所述获取模块,用于获取待识别图像;
所述提取模块,用于对所述获取模块获取到的所述待识别图像进行特征提取,确定所述待识别图像中待测人体的关键点信息;其中,所述关键点信息包括关键点所在的位置坐标;
所述确定模块,用于根据所述提取模块提取到的所述关键点信息,确定所述待测人体的人体体态;对所述人体体态进行识别,确定所述待测人体的健康状况。
可选地,所述确定模块,还用于执行如下操作:
根据所述人体体态,确定至少一种目标研究对象;其中,所述目标研究对象包括高低肩,圆肩,驼背,骨盆前倾,骨盆后倾,O型腿,X型腿,胸部过挺;
针对每一种所述目标研究对象,均执行:
在所述人体体态上标注与该目标研究对象对应的特征线;其中,所述特征线为与所述目标研究对象对应的各关键点最为拟合的直线;
判断所述特征线与标准线之间的偏差值;其中,所述标准线为人体在该目标研究对象中表现健康的特征线;
根据所述偏差值,确定所述待测人体对应该目标研究对象的健康状况。
可选地,所述提取模块,还用于执行如下操作:
对所述待识别图像进行多尺度特征提取,得到至少两个多尺度特征;其中,所述至少两个多尺度特征的特征分辨率按照特征提取的顺序依次降低;
在所述至少两个多尺度特征中确定特征分辨率最低的全局特征;
将除所述全局特征之外的各个多尺度特征经可变形卷积层进行处理,得到与当前多尺度特征对应的初级多尺度特征;
将所述全局特征与各个所述初级多尺度特征进行融合,得到融合特征;
将所述融合特征输入预先训练的关键点识别模型中,确定所述待测人体的关键点信息;其中,所述关键点识别模型用于从至少两种尺度对所述待识别图像中待测人体的关键点进行识别。
本发明另一个实施例还提供了一种基于人体体态估计算法的健康监测装置,包括:至少一个存储器和至少一个处理器;
所述至少一个存储器,用于存储机器可读程序;
所述至少一个处理器,用于调用所述机器可读程序,执行如上任一所述的基于人体体态估计算法的健康监测方法。
可选地,本发明一个实施例还提供了一种计算机可读介质,所述计算机可读介质上存储有计算机指令,所述计算机指令在被处理器执行时,使所述处理器执行如上任一所述的基于人体体态估计算法的健康监测方法。
实施本发明的一种基于人体体态估计算法的健康监测方法和装置,具有以下有益效果:
在对人体健康监测时,本方案基于人体体态估计算法,通过图像识别来确定人体的体态,进而根据得到的人体体态对待测人体的健康状况进行分析。如此在进行人体的健康管理时,不需要患者频繁到医疗机构进行检测诊断,通过该健康监测方法可以通过体态识别的方式,便捷地实现人体健康的监测管理,极大的为用户提供了方便。
附图说明
图1是本发明一个实施例提供的一种基于人体体态估计算法的健康监测方法的流程图;
图2是本发明一个实施例提供的另一种基于人体体态估计算法的健康监测方法的流程图;
图3是本发明一个实施例提供的一种基于人体体态估计算法的健康监测装置所在设备的示意图;
图4是本发明一个实施例提供的一种基于人体体态估计算法的健康监测装置的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明实施例提供了一种基于人体体态估计算法的健康监测方法,该方法可以包括以下步骤:
步骤101:获取待识别图像;
步骤102:对待识别图像进行特征提取,确定待识别图像中待测人体的关键点信息;其中,关键点信息包括关键点所在的位置坐标;
步骤103:根据关键点信息,确定待测人体的人体体态;
步骤104:对人体体态进行识别,确定待测人体的健康状况。
在本发明实施例中,对人体健康监测时,本方案基于人体体态估计算法,通过图像识别来确定人体的体态,进而根据得到的人体体态对待测人体的健康状况进行分析。如此在进行人体的健康管理时,不需要患者频繁到医疗机构进行检测诊断,通过该健康监测方法可以通过体态识别的方式,便捷地实现人体健康的监测管理,极大的为用户提供了方便。
可选地,在对人体体态进行识别,确定待测人体的健康状况时,具体可以通过如下方式实现:
根据人体体态,确定至少一种目标研究对象;其中,目标研究对象包括高低肩,圆肩,驼背,骨盆前倾,骨盆后倾,O型腿,X型腿,胸部过挺;
针对每一种目标研究对象,均执行:
在人体体态上标注与该目标研究对象对应的特征线;其中,特征线为与目标研究对象对应的各关键点最为拟合的直线;
判断特征线与标准线之间的偏差值;其中,标准线为人体在该目标研究对象中表现健康的特征线;
根据偏差值,确定待测人体对应该目标研究对象的健康状况。
在本发明实施例中,首先需要根据确定出的人体体态,确定所需要研究的目标研究对象,比如研究待测人体的高低肩问题。然后根据确定的研究对象,在人体体态上标注该目标研究对象所对应的特征线,通过判断该特征线与表征健康的标准线之间的偏差值,来确定该待测人体是否存在与该目标研究对象对应的健康状况。由此可见,本方案通过进行特征线标注,对不同的特征线与各自对应的标准线之间偏差进行分析,可以对多种健康状况进行诊断,极大的提升了该健康监测方法的实用性。
可选地,在对待识别图像进行特征提取,确定待测人体的关键点信息时,具体可以包括以下步骤:
对待识别图像进行多尺度特征提取,得到至少两个多尺度特征;其中,至少两个多尺度特征的特征分辨率按照特征提取的顺序依次降低;
在至少两个多尺度特征中确定特征分辨率最低的全局特征;
将除全局特征之外的各个多尺度特征经可变形卷积层进行处理,得到与当前多尺度特征对应的初级多尺度特征;
将全局特征与各个初级多尺度特征进行融合,得到融合特征;
将融合特征输入预先训练的关键点识别模型中,确定待测人体的关键点信息;其中,关键点识别模型用于从至少两种尺度对待识别图像中待测人体的关键点进行识别。
在本发明实施例中,在对图像进行特征提取时,可以考虑进行多尺度的特征提取,如此在将除特征分辨率最低的全局特征之外的各个多尺度特征经可变形卷积层进行处理后,可以对各个特征进行筛选,以获得对图像识别更加有效的初级多尺度特征。进而将包含全局信息的全局特征与各个初级多尺度特征进行融合,并将融合后的融合特征利用关键点识别模型输出待测人体的关键点信息。如此通过从至少两种尺度对关键点进行识别,以及利用包含全局特征信息的融合特征进行识别,能够提升关键点识别的准确性,以进一步保证了对人体进行健康判断的准确性。
可选地,在对全局特征与各个初级多尺度特征进行融合时,由于其各自所对应的矩阵的维度存在差异,因而无法进行矩阵融合计算,因此需要对各个特征对应的矩阵进行对齐处理。具体地可以包括:
根据全局特征和各个初级多尺度特征,确定融合维度;其中,融合维度大于或等于全局特征对应的矩阵和各个初级多尺度特征对应的矩阵中的最大值;
将全局特征对应的矩阵和各个初级多尺度特征对应的矩阵按照融合维度进行对齐;
将对齐后的全局特征对应的矩阵和各个初级多尺度特征对应的矩阵进行融合计算。
在本发明实施例中,由于全局特征和各个初级多尺度特征之间存在维度不同的情况,如此会导致在进行融合时,矩阵之间无法进行融合计算。本方案通过将全局特征和各个初级多尺度特征所对应的矩阵进行对齐,保证各个矩阵处于同一融合维度下,如此各个矩阵之间即可实现融合计算,以提升人体体态识别的准确性。
可选地,在根据关键点信息,确定待测人体的人体体态时,具体可以包括:
根据预先设定的各个关键点之间的连接关系以及关键点信息,将各个关键点进行连接;
根据关键点连接后得到的网络线图确定待测人体的人体体态。
在本发明实施例中,由于各关键点信息包含关键点所在的位置信息,通过预先设定的各个关键点之间的标准连接关系,将各关键点信息所对应的各个关键点按照标准连接关系进行连接,如此,即可构建出人体的关键点网络图。进而通过得到的该关键点网络图即可以准确地确定出该待测用户的人体体态。
如图2所示,本发明另一个实施例还提供了一种基于人体体态估计算法的健康监测装置,该方法可以包括:
步骤201:获取待识别图像。
在本发明实施例中,在对待测人体进行健康监测时,通过对待测人体在一段时间内进行实时监测。对实时监测得到的视频流进行图像截取,获得对人体体态分析有价值的待识别图像。当然获得的图像可以考虑进行诸如降噪和二值化等步骤的图像预处理,以提升后续对图像进行识别的精度。
步骤202:进行多尺度特征提取,并确定全局特征。
在本发明实施例中,考虑利用神经网络对图像进行多尺度的特征提取,提取后得到的多尺度特征的特征分辨率按照特征提取的顺序依次降低,进一步确定出全局特征,其中全局特征即为特征分辨率最低的多尺度特征,但该全局特征具有该图像中待测人体最全的信息。
例如,通过主干网络HRNet对图像进行特征提取,得到了多尺度特征1到4,该四个多尺度特征的分辨率是逐渐降低的,特征表达也逐渐抽象,故而特征4为最接近语义信息的特征,但该特征4具有全局信息。进一步可以确定出该特征4即为全局特征。利用神经网络进行图像特征提取时,可以考虑采用卷积神经网络。对于获取到的任意待识别图像,两个距离较近的像素相比于距离较远的像素更为相似,普通的神经网络中,每个像素都和一个神经元相连,如此附加的计算负荷会使得网络不够精确。而卷积神经网络通过消除大量类似的不重要的连接来解决该问题,也就是说,卷积神经网络是通过对神经元之间的连接,根据相似性进行过滤,使得图像处理在计算层面可控。因此,通过卷积神经网络可以准确有效的获得到多尺度特征。
步骤203:对全局特征和多尺度特征进行融合,确定关键点信息,并根据得到的关键点信息确定人体体态。
在本发明实施例中,考虑将各个多尺度特征与具有全局信息的全局特征进行融合,以最大程度的保证最终识别出的图像不会因为丢失特征信息而导致识别的精度降低。
当然,在进行特征融合之前,需要将全局特征对应的矩阵和各个多尺度特征对应的矩阵进行维度对齐,如此才能保证各个矩阵之间能够进行融合计算。具体地,首先需要根据各矩阵确定出一个融合维度,该融合维度要大于或等于待处理的各矩阵中的维度最大值,然后将所有的矩阵都按照该融合维度进行对齐,使所有的矩阵的维度都统一为该融合维度。比如,图像特征中有三个多尺度特征,其所对应的矩阵维度分别为50*50、40*40和30*30,那么即可确定该融合维度应不小于50*50,此处以50*50为例。如此应保证图像特征中的三个多尺度特征所对应的各矩阵的维度都为50*50,即需要对各矩阵进行等值扩维(通常采用补0的方式),这样保证了各矩阵能在同一维度下进行融合计算。当然需要指出的是,在确定融合维度的时候,可以将融合维度确定为小于各矩阵中的维度最大值。然而,当融合维度小于各矩阵中的维度最大值时,矩阵维度大于该融合维度的矩阵势必需要进行降维,而在降维的过程中,可能会存在信息丢失的情况,如此会降低待识别图像的识别精度,进而会影响对待测人体的人体体态进行识别的结果。
需要指出的是,在图像特征进行融合计算之前,可以考虑将除全局特征之外的各个多尺度特征经可变形卷积层DCN进行处理,如此可以对多尺度特征进行筛选,以确定出对关键点信息识别最有效的多尺度特征。例如,在融合时,将经可变形卷积层DCN处理过的初级多尺度特征与全局特征共同加入空洞空间卷积池化金字塔ASPP进行融合,以得到融合特征。
人体关键点信息至少包括头、颈、左肩、左肘、左腕、右肩、右肘、右腕、左髋、左膝、左踝、右髋、右膝和右踝等14个关键点的位置信息。通过对上述融合特征的识别,以确定出该待识别图像中该待测人体的各个关键点的关键点信息。当确定出各个关键点信息后,根据预先设定的各个关键点之间的连接关系,对待识别图像中识别出的各个关键点进行连接,构建出人体的关键点网络图。从而根据构建出的关键点网络图确定该待测人体的人体体态。
步骤204:在人体体态图中根据目标研究对象进行特征线标注。
在本发明实施例中,当根据关键点信息确定出了人体的人体体态后,需要根据所要研究的目标研究对象,在待测人体的人体体态图上进行特征线标注。例如,当研究待测人体是否有高低肩时,根据两个肩部的各个关键点,构建一条特征线,该特征线要与识别出的两个肩部的各个关键点最为拟合。再例如,当研究待测人体是否有O型腿时,分别根据识别出的腿部的各个关键点分别构建左腿特征线和右腿特征线,其中左腿特征线要与识别出的左腿的各个关键点最为拟合,右腿特征线要与识别出的右腿的各个关键点最为拟合。该拟合方式可以采用常用线性拟合方式,比如:最小二乘法和梯度下降法等。
步骤205:根据目标研究对象对应的特征线与该研究对象对应的标准线之间的偏差,确定该待测人体对应该研究对象的健康状况。
在本发明实施例中,每一个研究对象均有一条标准线,该标准线为人体在该目标研究对象中表现健康时的特征线,通过比较该特征线与标准线之间的偏差值,以确定该待测人体是否具有该研究对象所描述的问题。
需要指出的是,该偏差可以包括特征线与标准线之间的斜率差、间隔距离以及角度等。比如,在判断待测人体是否具有高低肩时,通过判断标注出的特征线是否与该高低肩特征对应的标准线平行,即判断特征线与标准线之间的夹角是否为0,以确定该待测人体是否具有高低肩的问题。当然,为了提高健康状况的监测精度,可以设定夹角阈值,即判断特征线与标准线之间的夹角是否超过了该阈值范围,以精确判断该待测人体高低肩的严重程度。
如图3和图4所示,本发明实施例提供了一种基于人体体态估计算法的健康监测装置所在的设备和一种基于人体体态估计算法的健康监测装置。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言,如图3所示,为本发明实施例提供了一种基于人体体态估计算法的健康监测装置所在设备的一种硬件结构图,除了图3所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的设备通常还可以包括其他硬件,如负责处理报文的转发芯片等等。以软件实现为例,如图4所示,作为一个逻辑意义上的装置,是通过其所在设备的CPU将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。如图4所示,本发明实施例提供了一种基于人体体态估计算法的健康监测装置,包括:获取模块401、提取模块402和确定模块403;
获取模块401,用于获取待识别图像;
提取模块402,用于对获取模块401获取到的待识别图像进行特征提取,确定待识别图像中待测人体的关键点信息;其中,关键点信息包括关键点所在的位置坐标;
确定模块403,用于根据提取模块402提取到的关键点信息,确定待测人体的人体体态;对人体体态进行识别,确定待测人体的健康状况。
可选地,如图4所示的一种基于人体体态估计算法的健康监测装置,确定模块403,还用于执行如下操作:
根据人体体态,确定至少一种目标研究对象;其中,目标研究对象包括高低肩,圆肩,驼背,骨盆前倾,骨盆后倾,O型腿,X型腿,胸部过挺;
针对每一种目标研究对象,均执行:
在人体体态上标注与该目标研究对象对应的特征线;其中,特征线为与目标研究对象对应的各关键点最为拟合的直线;
判断特征线与标准线之间的偏差值;其中,标准线为人体在该目标研究对象中表现健康的特征线;
根据偏差值,确定待测人体对应该目标研究对象的健康状况。
可选地,如图4所示的一种基于人体体态估计算法的健康监测装置,提取模块402,还用于执行如下操作:
对待识别图像进行多尺度特征提取,得到至少两个多尺度特征;其中,至少两个多尺度特征的特征分辨率按照特征提取的顺序依次降低;
在至少两个多尺度特征中确定特征分辨率最低的全局特征;
将除全局特征之外的各个多尺度特征经可变形卷积层进行处理,得到与当前多尺度特征对应的初级多尺度特征;
将全局特征与各个初级多尺度特征进行融合,得到融合特征;
将融合特征输入预先训练的关键点识别模型中,确定待测人体的关键点信息;其中,关键点识别模型用于从至少两种尺度对待识别图像中待测人体的关键点进行识别。
可选地,如图4所示的一种基于人体体态估计算法的健康监测装置,提取模块402,还用于执行如下操作:
根据全局特征和各个初级多尺度特征,确定融合维度;其中,融合维度大于或等于全局特征对应的矩阵和各个初级多尺度特征对应的矩阵中的最大值;
将全局特征对应的矩阵和各个初级多尺度特征对应的矩阵按照融合维度进行对齐;
将对齐后的全局特征对应的矩阵和各个初级多尺度特征对应的矩阵进行融合计算。
可选地,如图4所示的一种基于人体体态估计算法的健康监测装置,确定模块403,还用于执行如下操作:
根据预先设定的各个关键点之间的连接关系以及关键点信息,将各个关键点进行连接;
根据关键点连接后得到的网络线图确定待测人体的人体体态。
在本发明实施例中,在执行上述的基于人体体态估计算法的健康监测方法时,还可以考虑采用下列一种人体体态测试及健康监测管理系统来实现,所述系统包括多个体态传感器、数据综合模块和数据分析服务器;
所述多个体态传感器分布在人体的可活动部位;
所述数据综合模块同步收集多个体态传感器的数据,并将数据发送给数据分析服务器;
所述数据分析服务器接收数据综合模块发来的数据,实时解算并记录人体各个活动部位的体态。
所述多个体态传感器内埋于衣服中或粘贴在人体皮肤表面。
所述数据综合模块同步收集多个体态传感器的数据的过程为,数据综合模块发送广播指令,命令所有体态传感器采集当前时刻体态数据,所有体态传感器采集完成后,数据综合模块再以轮询的方式逐个收取体态传感器的数据。
所述体态传感器布置在人体的脚部、小腿中间位置、大腿中间位置、臀部、背部中间位置、脖子、头顶、上臂中间位置、下臂中间位置和手部。
所述数据分析服务器解算人体体态的方法如下:
S1:运动前,通过测量得到被测人各个部位的长度、尺寸及被测人身高和体重信息;
S2:在人体相应位置设置体态传感器;同时被测人携带一个数据综合模块;
S3:数据分析服务器实时接收解算并储存数据综合模块发来的体态传感器信息,从脚部传感器开始解算,结合脚部已测得尺寸及脚部体态信息解算出脚部相对人体的位置和体态,再根据脚部的体态结合小腿的尺寸及小腿的体态信息解算出小腿相对人体的位置和体态,以此类推,得到身体所有部位相对人体的位置和状态,实现人体体态的解算。
所述体态传感器型号为MPU6050。
所述数据综合模块为所有体态传感器供电,并通过总线与每个体态传感器通信。
所述数据综合模块通过互联网将数据发送给数据分析服务器。
在具体实行上述一种人体体态测试及健康监测管理系统时,可以包括:
一种人体体态测试及健康监测管理系统,所述系统包括多个体态传感器、数据综合模块和数据分析服务器;
所述多个体态传感器分布在人体的可活动部位;
所述数据综合模块同步收集多个体态传感器的数据,并将数据发送给数据分析服务器;
所述数据分析服务器接收数据综合模块发来的数据,实时解算并记录人体各个活动部位的体态。
具体实施时,上述多个体态传感器内埋于衣服中或粘贴在人体皮肤表面。
具体实施时,上述数据综合模块同步收集多个体态传感器的数据的过程为,数据综合模块发送广播指令,命令所有体态传感器采集当前时刻体态数据,所有体态传感器采集完成后,数据综合模块再以轮询的方式逐个收取体态传感器的数据。
具体实施时,上述体态传感器布置在人体的脚部、小腿中间位置、大腿中间位置、臀部、背部中间位置、脖子、头顶、上臂中间位置、下臂中间位置和手部。
具体实施时,上述数据分析服务器解算人体体态的方法如下:
S1:运动前,通过测量得到被测人各个部位的长度、尺寸及被测人身高和体重信息;
S2:在人体相应位置设置体态传感器;同时被测人携带一个数据综合模块;
S3:数据分析服务器实时接收解算并储存数据综合模块发来的体态传感器信息,从脚部传感器开始解算,结合脚部已测得尺寸及脚部体态信息解算出脚部相对人体的位置和体态,再根据脚部的体态结合小腿的尺寸及小腿的体态信息解算出小腿相对人体的位置和体态,以此类推,得到身体所有部位相对人体的位置和状态,实现人体体态的解算。
具体实施时,上述人体体态解算后可以通过人工智能模块实现智能分析,反馈用户体态是否标准以及纠正方法。
具体实施时,上述体态传感器型号为MPU6050。
具体实施时,上述数据综合模块为所有体态传感器供电,并通过总线与每个体态传感器通信。
具体实施时,上述数据综合模块通过互联网将数据发送给数据分析服务器。
本发明一种人体体态测试及健康监测管理系统,通过对人体各个部位的体态检测结合被测人各个部位的尺寸信息,实时解算出人体体态,反馈给被测人或者其他人员,实现对被测人运动的动态过程的监控,使得被测人的运动过程得以复现,辅助进行运动姿势的纠正或身体机能的康复,提高了运动的意义和安全性,进一步提高了群众健康水平。
本发明实施例还提供了一种基于人体体态估计算法的健康监测装置,包括:至少一个存储器和至少一个处理器;
所述至少一个存储器,用于存储机器可读程序;
所述至少一个处理器,用于调用所述机器可读程序,执行本发明任一实施例中的基于人体体态估计算法的健康监测方法。
本发明实施例还提供了一种计算机可读介质,该计算机可读介质存储有计算机指令,计算机指令在被处理器执行时,使处理器执行本发明任一实施例中的基于人体体态估计算法的健康监测方法。具体地,可以提供配有计算机可读介质的方法或者装置,在该计算机可读介质上存储着实现上述实施例中任一实施例的功能的软件程序代码,且使该方法或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下,从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能,因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地,可以由通信网络从服务器计算机上下载程序代码。
此外,应该清楚的是,不仅可以通过执行计算机所读出的程序代码,而且可以通过基于程序代码的指令使计算机上操作的操作方法等来完成部分或者全部的实际操作,从而实现上述实施例中任意一项实施例的功能。
需要说明的是,上述装置内的各单元之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,具体内容可参见本发明方法实施例中的叙述,此处不再赘述。
Claims (6)
1.一种基于人体体态估计算法的健康监测方法,其特征在于,包括:
获取待识别图像;
对所述待识别图像进行特征提取,确定所述待识别图像中待测人体的关键点信息;其中,所述关键点信息包括关键点所在的位置坐标;
根据所述关键点信息,确定所述待测人体的人体体态;
对所述人体体态进行识别,确定所述待测人体的健康状况;
所述对所述人体体态进行识别,确定所述待测人体的健康状况,包括:
根据所述人体体态,确定至少一种目标研究对象;其中,所述目标研究对象包括高低肩,圆肩,驼背,骨盆前倾,骨盆后倾,O型腿,X型腿,胸部过挺;
针对每一种所述目标研究对象,均执行:
在所述人体体态上标注与该目标研究对象对应的特征线;其中,所述特征线为与所述目标研究对象对应的各关键点最为拟合的直线;
判断所述特征线与标准线之间的偏差值;其中,所述标准线为人体在该目标研究对象中表现健康的特征线;
根据所述偏差值,确定所述待测人体对应该目标研究对象的健康状况;
所述对所述待识别图像进行特征提取,确定所述待测人体的关键点信息,包括:
对所述待识别图像进行多尺度特征提取,得到至少两个多尺度特征;其中,所述至少两个多尺度特征的特征分辨率按照特征提取的顺序依次降低;
在所述至少两个多尺度特征中确定特征分辨率最低的全局特征;
将除所述全局特征之外的各个多尺度特征经可变形卷积层进行处理,得到与当前多尺度特征对应的初级多尺度特征;
将所述全局特征与各个所述初级多尺度特征进行融合,得到融合特征;
将所述融合特征输入预先训练的关键点识别模型中,确定所述待测人体的关键点信息;其中,所述关键点识别模型用于从至少两种尺度对所述待识别图像中待测人体的关键点进行识别。
2.根据权利要求1所述的方法,其特征在于,所述将所述全局特征与各个所述初级多尺度特征进行融合,得到融合特征,包括:
根据所述全局特征和各个所述初级多尺度特征,确定融合维度;其中,所述融合维度大于或等于所述全局特征对应的矩阵和各个所述初级多尺度特征对应的矩阵中的最大值;
将所述全局特征对应的矩阵和各个所述初级多尺度特征对应的矩阵按照所述融合维度进行对齐;
将对齐后的全局特征对应的矩阵和各个所述初级多尺度特征对应的矩阵进行融合计算。
3.根据权利要求1所述的方法,其特征在于,所述根据所述关键点信息,确定所述待测人体的人体体态,包括:
根据预先设定的各个关键点之间的连接关系以及所述关键点信息,将各个所述关键点进行连接;
根据所述关键点连接后得到的网络线图确定所述待测人体的人体体态。
4.一种基于人体体态估计算法的健康监测装置,其特征在于,包括:获取模块、提取模块和确定模块;
所述获取模块,用于获取待识别图像;
所述提取模块,用于对所述获取模块获取到的所述待识别图像进行特征提取,确定所述待识别图像中待测人体的关键点信息;其中,所述关键点信息包括关键点所在的位置坐标;
所述确定模块,用于根据所述提取模块提取到的所述关键点信息,确定所述待测人体的人体体态;对所述人体体态进行识别,确定所述待测人体的健康状况;
所述确定模块,还用于执行如下操作:
根据所述人体体态,确定至少一种目标研究对象;其中,所述目标研究对象包括高低肩,圆肩,驼背,骨盆前倾,骨盆后倾,O型腿,X型腿,胸部过挺;
针对每一种所述目标研究对象,均执行:
在所述人体体态上标注与该目标研究对象对应的特征线;其中,所述特征线为与所述目标研究对象对应的各关键点最为拟合的直线;
判断所述特征线与标准线之间的偏差值;其中,所述标准线为人体在该目标研究对象中表现健康的特征线;
根据所述偏差值,确定所述待测人体对应该目标研究对象的健康状况;
所述提取模块,还用于执行如下操作:
对所述待识别图像进行多尺度特征提取,得到至少两个多尺度特征;其中,所述至少两个多尺度特征的特征分辨率按照特征提取的顺序依次降低;
在所述至少两个多尺度特征中确定特征分辨率最低的全局特征;
将除所述全局特征之外的各个多尺度特征经可变形卷积层进行处理,得到与当前多尺度特征对应的初级多尺度特征;
将所述全局特征与各个所述初级多尺度特征进行融合,得到融合特征;
将所述融合特征输入预先训练的关键点识别模型中,确定所述待测人体的关键点信息;其中,所述关键点识别模型用于从至少两种尺度对所述待识别图像中待测人体的关键点进行识别。
5.基于人体体态估计算法的健康监测装置,其特征在于,包括:至少一个存储器和至少一个处理器;
所述至少一个存储器,用于存储机器可读程序;
所述至少一个处理器,用于调用所述机器可读程序,执行权利要求1-3中任一项所述的方法。
6.计算机可读介质,其特征在于,所述计算机可读介质上存储有计算机指令,所述计算机指令在被处理器执行时,使所述处理器执行权利要求1-3中任一项所述的方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2019111440385 | 2019-11-21 | ||
CN201911144038.5A CN110880371A (zh) | 2019-11-21 | 2019-11-21 | 一种人体姿态测试及健康监测管理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112102951A CN112102951A (zh) | 2020-12-18 |
CN112102951B true CN112102951B (zh) | 2021-03-09 |
Family
ID=69729932
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911144038.5A Pending CN110880371A (zh) | 2019-11-21 | 2019-11-21 | 一种人体姿态测试及健康监测管理系统 |
CN202011258833.XA Active CN112102951B (zh) | 2019-11-21 | 2020-11-12 | 一种基于人体体态估计算法的健康监测方法和装置 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911144038.5A Pending CN110880371A (zh) | 2019-11-21 | 2019-11-21 | 一种人体姿态测试及健康监测管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN110880371A (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113362324B (zh) * | 2021-07-21 | 2023-02-24 | 上海脊合医疗科技有限公司 | 一种基于视频图像的骨骼健康检测方法及系统 |
CN117766148A (zh) * | 2024-02-22 | 2024-03-26 | 泉州医学高等专科学校 | 一种基于多元数据的体态健康分析系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8442927B2 (en) * | 2009-07-30 | 2013-05-14 | Nec Laboratories America, Inc. | Dynamically configurable, multi-ported co-processor for convolutional neural networks |
CN107480651B (zh) * | 2017-08-25 | 2019-12-17 | 清华大学深圳研究生院 | 异常步态检测方法及异常步态检测系统 |
CN109934111B (zh) * | 2019-02-12 | 2020-11-24 | 清华大学深圳研究生院 | 一种基于关键点的健身姿态估计方法及系统 |
CN110781765B (zh) * | 2019-09-30 | 2024-02-09 | 腾讯科技(深圳)有限公司 | 一种人体姿态识别方法、装置、设备及存储介质 |
CN111639533A (zh) * | 2020-04-28 | 2020-09-08 | 深圳壹账通智能科技有限公司 | 基于步态特征的体态检测方法、装置、设备及存储介质 |
-
2019
- 2019-11-21 CN CN201911144038.5A patent/CN110880371A/zh active Pending
-
2020
- 2020-11-12 CN CN202011258833.XA patent/CN112102951B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112102951A (zh) | 2020-12-18 |
CN110880371A (zh) | 2020-03-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108256433B (zh) | 一种运动姿态评估方法及系统 | |
KR101977174B1 (ko) | 영상 분석 방법, 장치 및 컴퓨터 프로그램 | |
JP4860749B2 (ja) | 画像中の人物における位置決め指示との適合性を判定する機器、システム、及び方法 | |
CN112102951B (zh) | 一种基于人体体态估计算法的健康监测方法和装置 | |
JP2017016593A (ja) | 画像処理装置、画像処理方法、及びプログラム | |
CN113496216A (zh) | 一种基于骨骼关键点的多角度跌倒高危识别方法及系统 | |
CN109949280B (zh) | 图像处理方法、装置、设备存储介质及生长发育评估系统 | |
CN113658211A (zh) | 一种用户姿态的评估方法、装置以及处理设备 | |
WO2021217906A1 (zh) | 基于步态特征的体态检测方法、装置、设备及存储介质 | |
CN113435236A (zh) | 居家老人姿态检测方法、系统、存储介质、设备及应用 | |
US11980491B2 (en) | Automatic recognition method for measurement point in cephalo image | |
CN113197558B (zh) | 心率与呼吸率检测方法、系统及计算机存储介质 | |
CN114359787A (zh) | 目标属性识别方法、装置、计算机设备及存储介质 | |
KR20220106026A (ko) | 질병 진단 장치 및 방법 | |
CN112102946B (zh) | 一种基于深度学习的睡眠质量检测方法和装置 | |
CN113283373A (zh) | 一种用于增强深度相机检测肢体运动参数的方法 | |
CN113488163A (zh) | 一种基于机器视觉的肌少症识别方法、装置、设备及介质 | |
CN113221815A (zh) | 一种基于骨骼关键点自动检测技术的步态鉴定方法 | |
KR20160035497A (ko) | 스켈레톤 추출정보를 이용한 동작분석 기반의 체형분석 시스템 | |
CN117333932A (zh) | 基于机器视觉识别肌少症的方法、装备、设备以及介质 | |
CN113537407B (zh) | 基于机器学习的图像数据评价处理方法及装置 | |
CN113627255B (zh) | 一种小鼠行为量化分析方法、装置、设备及可读存储介质 | |
CN115035601A (zh) | 跳跃动作识别方法、装置、计算机设备及存储介质 | |
CN113255462A (zh) | 步态评分方法、系统、计算机程序产品及可读存储介质 | |
CN111460864A (zh) | 一种基于图像识别的动物疾病检测方法 |
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 |