CN112365972A - 一种基于人体模型识别的医疗辅助系统 - Google Patents
一种基于人体模型识别的医疗辅助系统 Download PDFInfo
- Publication number
- CN112365972A CN112365972A CN202011083643.9A CN202011083643A CN112365972A CN 112365972 A CN112365972 A CN 112365972A CN 202011083643 A CN202011083643 A CN 202011083643A CN 112365972 A CN112365972 A CN 112365972A
- Authority
- CN
- China
- Prior art keywords
- joint
- human body
- module
- skeleton
- model
- 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
Links
- 238000000034 method Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 75
- 230000009471 action Effects 0.000 claims description 34
- 238000005452 bending Methods 0.000 claims description 12
- 210000002414 leg Anatomy 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 210000001503 joint Anatomy 0.000 claims description 9
- 210000002310 elbow joint Anatomy 0.000 claims description 8
- 201000010099 disease Diseases 0.000 claims description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 7
- 210000000988 bone and bone Anatomy 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 210000004247 hand Anatomy 0.000 claims description 6
- 210000000323 shoulder joint Anatomy 0.000 claims description 6
- 210000003857 wrist joint Anatomy 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 210000001624 hip Anatomy 0.000 claims description 3
- 210000004394 hip joint Anatomy 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 210000003127 knee Anatomy 0.000 claims description 3
- 210000000629 knee joint Anatomy 0.000 claims description 3
- 210000000689 upper leg Anatomy 0.000 claims description 3
- 210000000707 wrist Anatomy 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 230000033001 locomotion Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Human Computer Interaction (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Multimedia (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于人体模型识别的医疗辅助系统,包括影像采集模块、影像接收模块、模型生成模块、总控模块与辅助模块;所述影像采集模块用于采集病患人体影像信息,所述影像接收模块用于接收病患人体影像信息,并将病患人体影像信息发送到模型生成骨架模块,所述骨架模型生成后总控模块控制辅助模块生成医疗辅助数据;所述影像采集模块采集病患人体影像信息时进行了骨骼跟踪,骨骼跟踪要经历获取深度图像、发现人体、识别人体部位、识别人体关节四个阶段最终才能形成骨架模型,完成骨骼识别过程,所述深度图像包括站在机器前的人物及其场景。本发明能够通过进行人体模型识别减少医生在医疗诊断中的工作量,更加值得推广使用。
Description
技术领域
本发明涉及医疗辅助领域,具体涉及一种基于人体模型识别的医疗辅助系统。
背景技术
人体识别是近些年来的研究热点,被广泛运用在人机智能交互、虚拟现实和智能监控等领域。在医疗康复领域,使用现有的机器人辅助康复成本高、代价大且需要指定康复地点,而传统的人工康复又出现供不应求的现象。利用动作识别技术的进行医疗辅助成为大势所趋,它通过患者完成指定动作进行病情信息获取,在进行该医生镜进行医疗诊断时即使用到医疗辅助系统件辅助数据采集。
现有的医疗辅助统,在使用过程中起到的辅助作用较小,没有有效减少医生工作量,给该系统的使用带来了一定影响,因此,提出一种基于人体模型识别的医疗辅助系统。
发明内容
本发明所要解决的技术问题在于:如何解决现有的医疗辅助统,在使用过程中起到的辅助作用较小,没有有效减少医生工作量,给该系统的使用带来了一定影响的问题,提供了一种基于人体模型识别的医疗辅助系统。
本发明是通过以下技术方案解决上述技术问题的,本发明包括影像采集模块、影像接收模块、模型生成模块、总控模块与辅助模块;
所述影像采集模块用于采集病患人体影像信息,所述影像接收模块用于接收病患人体影像信息,并将病患人体影像信息发送到模型生成骨架模块,所述骨架模型生成后总控模块控制辅助模块生成医疗辅助数据;
所述影像采集模块采集病患人体影像信息时进行了骨骼跟踪,骨骼跟踪要经历获取深度图像、发现人体、识别人体部位、识别人体关节四个阶段最终才能形成骨架模型,完成骨骼识别过程,所述深度图像包括站在机器前的人物及其场景,通过人物与环境的分割发现人物,用“像素级”的分析推测出人体的每个部位,再识别每个部位的关节,先局部再整体,最终形成人体骨骼模型。
优选的,所述辅助模块在进行病情信息获取时需要进行动作识别,识别出两个动作是否是同一动作,比较这两个动作的特征表示,利用得到的人体骨骼模型的预设数量的关节点,常用的动作表示有关节点角度、关节点向量方向角度和骨骼节点位置差。
优选的,所述关节点角度位置差的具体处理过程如下:选取人体骨骼模型中的左肩关节p4、肘关节p6和腕关节p8,设三个关节点在三维坐标中的坐标为 p4(x4,y4,z4),p6(x6,y6,z6),p8(x8,y8,z8),那么,关节点p4、p6、p8的角度θ可表示为其中,p6p4=(x4-x6,y4-y6,z4-z6),p6p8= (x8-x6,y8-y6,z8-z6),得到关节角度后,可通过比较每个关节的最大角度确定关节的可动性,进而进行动作的相似性分析,以关节点角度为特征表示,通过比较肩关节、肘关节、髋关节、膝关节等设定的最大(小)角度和实验中最大(小)角度,来判定病患疾病程度,设置了关节点角度的判断条件,包括两个关节点的名称、关节点角度、关节点角度阈值和权重,同时一个动作可赋予多组条件进行确定。
优选的,所述关节点角度的具体处理过程如下:选定肘关节p6和腕关节p8做关节点向量p8p6,该向量会与X轴、Y轴、Z轴产生夹角α、β、γ,用此角度可确定这段关节的空间位置,该关节点向量可表示为p8p6=(x6-x8)i+ (y6-y8)j+(z6-z8)k,向量方向角度可表示为:
通过关节点角度的变化来对病患进行数据获取。
优选的,所述骨骼节点位置差的具体处理过程如下:建立归一化坐标体系的第一步是找参考关节点,将参考关节点作为坐标原点,然后对选定某一关节作为归一化关节参考,对全身关节进行归一化,若选定关节点p11作为参考关节点,关节点p2到p11的这段关节长度作为归一化参考,则其余关节点可表示为
x′i=xi-x11 1≤i≤20
y′j=yj-y11 1≤j≤20
z′k=zk-z11 1≤k≤20
由此可得20个关节点的新的位置坐标(x′,y′,z′),关节点空间位置差为 D=(x′1,y′1,z′1,…,x′20,y′20,z′20),关节点p2到p11的这段关节长度可表示为
优选的,所述模型生成模块在生产模型时同时得到关节点,所述关节点中有预设数量的特征点,关节点从人体骨骼的头部到脚的编号为,特征向量分为上身部分的结构特征向量、下身部分的结构特征向量和躯干部分的结构特征向量。
优选的,所述上身部分的结构具体如下:
上身部分的结构特征向量主要指胳膊手臂的向量,以手臂延伸的方向做向量,共得预设数量个向量,人体上身的结构可完成由手臂伸屈的动作,如手臂弯曲、手臂上举、手臂前后摆动、双手叉腰、耸肩等,主要依靠左右肩膀、左右肘、左右腕、左右手的关节点来实现的,以下是上身部分的特征向量:
Shoulder_Left=P2P3 Shoulder_Right=P2P4;
Upper Arm_Left=P3P5 Upper Arm_Right=P4P6;
Lower Arm_Left=P5P7 Lower Arm_Right=P6P8;
Hand_Left=P7P9 Han_Right=P8P10。
优选的,所述下身部分的结构特征向量具体入下:
下身部分的结构特征向量主要指腿脚的向量,以腿延伸的方向做向量,共得8个向量,人体下身的结构可完成由腿脚弯曲的动作,如大腿上抬、腿的前后伸展、左右伸展等,主要依靠左右跨部、左右膝盖、左右脚的关节点来实现,以下是下身部分的特征向量:
Hip_Left=P12P13 Hip_Right=P12P14;
Upper Leg_Left=P13P15 Upper Leg_Right=P14P16;
Lower Leg_Left=P15P17 Lower Leg_Right=P16P18;
Foot_Left=P17P19 Foot_Right=P18P20。
优选的,躯干部分的特征向量主要是由头、脖子、尾巴骨的关节点实现的,主要可以完成头部左右摆动,弯腰等动作,使用躯干部分的特征向量可以进一步划分人体的空间结构,以下是下身部分的特征向量:
Neck=P1P2 Upper Trunk=P2P11;
Lower Trunk=P11P12。
优选的,所述辅助模块在进行辅助数据获取时提取出标准动作后,将实时生成的人体模型与标准动作进行比对进行病情信息获取。
本发明相比现有技术具有以下优点:该基于人体模型识别的医疗辅助系统,通过从人体影像中实时获取到病患的人体骨骼模型,并对人体骨骼模型进行处理与预设模型进行比对处理,可以减少医生对病人病情的分析处理,并且通过一个动作赋予多组条件能够确保该系统进行辅助医生工作判定的精确性,并且多种判定方式的设置,更有效的减少了医生误判病情的状况发生,让该系统提供的辅助数据更加准确,让该系统更加值得推广使用。
附图说明
图1是本发明的系统框图图;
图2是本发明的骨架模型结构图。
具体实施方式
下面对本发明的实施例作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
如图1~2所示,本实施例提供一种技术方案:一种基于人体模型识别的医疗辅助系统,包括影像采集模块、影像接收模块、模型生成模块、总控模块与辅助模块;
所述影像采集模块用于采集病患人体影像信息,所述影像接收模块用于接收病患人体影像信息,并将病患人体影像信息发送到模型生成骨架模块,所述骨架模型生成后总控模块控制辅助模块生成医疗辅助数据;
所述影像采集模块采集病患人体影像信息时进行了骨骼跟踪,骨骼跟踪要经历获取深度图像、发现人体、识别人体部位、识别人体关节四个阶段最终才能形成骨架模型,完成骨骼识别过程,所述深度图像包括站在机器前的人物及其场景,通过人物与环境的分割发现人物,用“像素级”的分析推测出人体的每个部位,再识别每个部位的关节,先局部再整体,最终形成人体骨骼模型。
所述辅助模块在进行病情信息获取时需要进行动作识别,识别出两个动作是否是同一动作,比较这两个动作的特征表示,利用得到的人体骨骼模型的预设数量的关节点,常用的动作表示有关节点角度、关节点向量方向角度和骨骼节点位置差。
所述关节点角度位置差的具体处理过程如下:选取人体骨骼模型中的左肩关节p4、肘关节p6和腕关节p8,设三个关节点在三维坐标中的坐标为 p4(x4,y4,z4),p6(x6,y6,z6),p8(x8,y8,z8),那么,关节点p4、p6、p8的角度θ可表示为其中,p6p4=(x4-x6,y4-y6,z4-z6),p6p8= (x8-x6,y8-y6,z8-z6),得到关节角度后,可通过比较每个关节的最大角度确定关节的可动性,进而进行动作的相似性分析,以关节点角度为特征表示,通过比较肩关节、肘关节、髋关节、膝关节等设定的最大(小)角度和实验中最大(小)角度,来判定病患疾病程度,设置了关节点角度的判断条件,包括两个关节点的名称、关节点角度、关节点角度阈值和权重,同时一个动作可赋予多组条件进行确定。
所述关节点角度的具体处理过程如下:选定肘关节p6和腕关节p8做关节点向量p8p6,该向量会与X轴、Y轴、Z轴产生夹角α、β、γ,用此角度可确定这段关节的空间位置,该关节点向量可表示为p8p6=(x6-x8)i+(y6-y8)j+ (z6-z8)k,向量方向角度可表示为:
通过关节点角度的变化来对病患进行数据获取。
所述骨骼节点位置差的具体处理过程如下:建立归一化坐标体系的第一步是找参考关节点,将参考关节点作为坐标原点,然后对选定某一关节作为归一化关节参考,对全身关节进行归一化,若选定关节点p11作为参考关节点,关节点p2到p11的这段关节长度作为归一化参考,则其余关节点可表示为
x′i=xi-x11 1≤i≤20
y′j=yj-y11 1≤j≤20
z′k=zk-z11 1≤k≤20
由此可得20个关节点的新的位置坐标(x′,y′,z′),关节点空间位置差为 D=(x′1,y′1,z′1,…,x′20,y′20,z′20),关节点p2到p11的这段关节长度可表示为
所述模型生成模块在生产模型时同时得到关节点,所述关节点中有预设数量的特征点,关节点从人体骨骼的头部到脚的编号为,特征向量分为上身部分的结构特征向量、下身部分的结构特征向量和躯干部分的结构特征向量。
所述上身部分的结构具体如下:
上身部分的结构特征向量主要指胳膊手臂的向量,以手臂延伸的方向做向量,共得预设数量个向量,人体上身的结构可完成由手臂伸屈的动作,如手臂弯曲、手臂上举、手臂前后摆动、双手叉腰、耸肩等,主要依靠左右肩膀、左右肘、左右腕、左右手的关节点来实现的,以下是上身部分的特征向量:
Shoulder_Left=P2P3 Shoulder_Right=P2P4;
Upper Arm_Left=P3P5 Upper Arm_Right=P4P6;
Lower Arm_Left=P5P7 Lower Arm_Right=P6P8;
Hand_Left=P7P9 Han_Right=P8P10。
所述下身部分的结构特征向量具体入下:
下身部分的结构特征向量主要指腿脚的向量,以腿延伸的方向做向量,共得8个向量,人体下身的结构可完成由腿脚弯曲的动作,如大腿上抬、腿的前后伸展、左右伸展等,主要依靠左右跨部、左右膝盖、左右脚的关节点来实现,以下是下身部分的特征向量:
Hip_Left=P12P13 Hip_Right=P12P14;
Upper Leg_Left=P13P15 Upper Leg_Right=P14P16;
Lower Leg_Left=P15P17 Lower Leg_Right=P16P18;
Foot_Left=P17P19 Foot_Right=P18P20。
躯干部分的特征向量主要是由头、脖子、尾巴骨的关节点实现的,主要可以完成头部左右摆动,弯腰等动作,使用躯干部分的特征向量可以进一步划分人体的空间结构,以下是下身部分的特征向量:
Neck=P1P2 Upper Trunk=P2P11;
Lower Trunk=P11P12。
所述辅助模块在进行辅助数据获取时提取出标准动作后,将实时生成的人体模型与标准动作进行比对进行病情信息获取。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于人体模型识别的医疗辅助系统,其特征在于,包括影像采集模块、影像接收模块、模型生成模块、总控模块与辅助模块;
所述影像采集模块用于采集病患人体影像信息,所述影像接收模块用于接收病患人体影像信息,并将病患人体影像信息发送到模型生成骨架模块,所述骨架模型生成后总控模块控制辅助模块生成医疗辅助数据;
所述影像采集模块采集病患人体影像信息时进行了骨骼跟踪,骨骼跟踪要经历获取深度图像、发现人体、识别人体部位、识别人体关节四个阶段最终才能形成骨架模型,完成骨骼识别过程,所述深度图像包括站在机器前的人物及其场景,通过人物与环境的分割发现人物,用“像素级”的分析推测出人体的每个部位,再识别每个部位的关节,先局部再整体,最终形成人体骨骼模型。
2.根据权利要求1所述的一种基于人体模型识别的医疗辅助系统,其特征在于:所述辅助模块在进行病情信息获取时需要进行动作识别,识别出两个动作是否是同一动作,比较这两个动作的特征表示,利用得到的人体骨骼模型的预设数量的关节点,常用的动作表示有关节点角度、关节点向量方向角度和骨骼节点位置差。
3.根据权利要求1所述的一种基于人体模型识别的医疗辅助系统,其特征在于:所述关节点角度位置差的具体处理过程如下:选取人体骨骼模型中的左肩关节p4、肘关节p6和腕关节p8,设三个关节点在三维坐标中的坐标为p4(x4,y4,z4),p6(x6,y6,z6),p8(x8,y8,z8),那么,关节点p4、p6、p8的角度θ可表示为其中,p6p4=(x4-x6,y4-y6,z4-z6),p6p8=(x8-x6,y8-y6,z8-z6),得到关节角度后,可通过比较每个关节的最大角度确定关节的可动性,进而进行动作的相似性分析,以关节点角度为特征表示,通过比较肩关节、肘关节、髋关节、膝关节等设定的最大(小)角度和实验中最大小角度,来判定病患疾病程度,设置了关节点角度的判断条件,包括两个关节点的名称、关节点角度、关节点角度阈值和权重,同时一个动作可赋予多组条件进行确定。
5.根据权利要求1所述的一种基于人体模型识别的医疗辅助系统,其特征在于:所述骨骼节点位置差的具体处理过程如下:建立归一化坐标体系的第一步是找参考关节点,将参考关节点作为坐标原点,然后对选定某一关节作为归一化关节参考,对全身关节进行归一化,若选定关节点p11作为参考关节点,关节点p2到p11的这段关节长度作为归一化参考,则其余关节点可表示为
x′i=xi-x11 1≤i≤20
y′j=yj-y11 1≤j≤20
z′k=zk-z11 1≤k≤20
由此可得20个关节点的新的位置坐标(x′,y′,z′),关节点空间位置差为D=(x′1,y′1,z′1,...,x′20,y′20,z′20),关节点p2到p11的这段关节长度可表示为
6.根据权利要求1所述的一种基于人体模型识别的医疗辅助系统,其特征在于:所述模型生成模块在生产模型时同时得到关节点,所述关节点中有预设数量的特征点,关节点从人体骨骼的头部到脚的编号为,特征向量分为上身部分的结构特征向量、下身部分的结构特征向量和躯干部分的结构特征向量。
7.根据权利要求6述的一种基于人体模型识别的医疗辅助系统,其特征在于:所述上身部分的结构具体如下:
上身部分的结构特征向量主要指胳膊手臂的向量,以手臂延伸的方向做向量,共得预设数量个向量,人体上身的结构可完成由手臂伸屈的动作,如手臂弯曲、手臂上举、手臂前后摆动、双手叉腰、耸肩等,主要依靠左右肩膀、左右肘、左右腕、左右手的关节点来实现的,以下是上身部分的特征向量:
Shoulder_Left=P2P3 Shoulder_Right=P2P4;
Upper Arm_Left=P3P5 Upper Arm_Right=P4P6;
Lower Arm_Left=P5P7 Lower Arm_Right=P6P8;
Hand_Left=P7P9 Han_Right=P8P10。
8.根据权利要求6所述的一种基于人体模型识别的医疗辅助系统,其特征在于:所述下身部分的结构特征向量具体入下:
下身部分的结构特征向量主要指腿脚的向量,以腿延伸的方向做向量,共得8个向量,人体下身的结构可完成由腿脚弯曲的动作,如大腿上抬、腿的前后伸展、左右伸展等,主要依靠左右跨部、左右膝盖、左右脚的关节点来实现,以下是下身部分的特征向量:
Hip_Left=P12P13 Hip_Right=P12P14;
Upper Leg_Left=P13P15 Upper Leg_Right=P14P16;
Lower Leg_Left=P15P17 Lower Leg_Right=P16P18;
Foot_Left=P17P19 Foot_Right=P18P20。
9.根据权利要求6所述的一种基于人体模型识别的医疗辅助系统,其特征在于:躯干部分的特征向量主要是由头、脖子、尾巴骨的关节点实现的,主要可以完成头部左右摆动,弯腰等动作,使用躯干部分的特征向量可以进一步划分人体的空间结构,以下是下身部分的特征向量:
Neck=P1P2 Upper Trunk=P2P11;
Lower Trunk=P11P12。
10.根据权利要求6所述的一种基于人体模型识别的医疗辅助系统,其特征在于:所述辅助模块在进行辅助数据获取时提取出标准动作后,将实时生成的人体模型与标准动作进行比对进行病情信息获取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011083643.9A CN112365972A (zh) | 2020-10-12 | 2020-10-12 | 一种基于人体模型识别的医疗辅助系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011083643.9A CN112365972A (zh) | 2020-10-12 | 2020-10-12 | 一种基于人体模型识别的医疗辅助系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112365972A true CN112365972A (zh) | 2021-02-12 |
Family
ID=74506666
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011083643.9A Pending CN112365972A (zh) | 2020-10-12 | 2020-10-12 | 一种基于人体模型识别的医疗辅助系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112365972A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113627369A (zh) * | 2021-08-16 | 2021-11-09 | 南通大学 | 一种竞拍场景下的动作识别与跟踪方法 |
CN116719417A (zh) * | 2023-08-07 | 2023-09-08 | 海马云(天津)信息技术有限公司 | 虚拟数字人的运动约束方法和装置、电子设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103399637A (zh) * | 2013-07-31 | 2013-11-20 | 西北师范大学 | 基于kinect人体骨骼跟踪控制的智能机器人人机交互方法 |
CN107993720A (zh) * | 2017-12-19 | 2018-05-04 | 中国科学院自动化研究所 | 基于深度相机和虚拟现实技术的康复功能评定装置及方法 |
-
2020
- 2020-10-12 CN CN202011083643.9A patent/CN112365972A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103399637A (zh) * | 2013-07-31 | 2013-11-20 | 西北师范大学 | 基于kinect人体骨骼跟踪控制的智能机器人人机交互方法 |
CN107993720A (zh) * | 2017-12-19 | 2018-05-04 | 中国科学院自动化研究所 | 基于深度相机和虚拟现实技术的康复功能评定装置及方法 |
Non-Patent Citations (4)
Title |
---|
张龙飞: "基于Kinect的康复训练平台研究与设计", 中国优秀硕士学位论文全文数据库 信息科技辑, no. 01, pages 27 - 28 * |
朱国刚 等: "基于Kinect传感器骨骼信息的人体动作识别", 计算机仿真, vol. 31, no. 12, pages 329 - 333 * |
杜鹏霄 等: "基于Kinect运动康复训练系统及临床效果评价", 国外医学卫生经济分册, vol. 33, no. 02, pages 84 - 87 * |
赵中杨: "基于Kinect的康复训练平台研究与设计", 中国优秀硕士学位论文全文数据库 医药卫生科技辑, no. 07, pages 12 - 16 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113627369A (zh) * | 2021-08-16 | 2021-11-09 | 南通大学 | 一种竞拍场景下的动作识别与跟踪方法 |
CN116719417A (zh) * | 2023-08-07 | 2023-09-08 | 海马云(天津)信息技术有限公司 | 虚拟数字人的运动约束方法和装置、电子设备及存储介质 |
CN116719417B (zh) * | 2023-08-07 | 2024-01-26 | 海马云(天津)信息技术有限公司 | 虚拟数字人的运动约束方法和装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109953761B (zh) | 一种下肢康复机器人运动意图推理方法 | |
Romilly et al. | A functional task analysis and motion simulation for the development of a powered upper-limb orthosis | |
Nolker et al. | Visual recognition of continuous hand postures | |
Ren et al. | Human posture recognition using a hybrid of fuzzy logic and machine learning approaches | |
CN112069933A (zh) | 基于体态识别和人体生物力学的骨骼肌肉受力估计方法 | |
CN112365972A (zh) | 一种基于人体模型识别的医疗辅助系统 | |
CN107953331A (zh) | 一种应用于人形机器人动作模仿的人体姿态映射方法 | |
CN112435731B (zh) | 一种判断实时姿势是否满足预设规则的方法 | |
AU2022335276A1 (en) | Recognition, autonomous positioning and scanning method for visual image and medical image fusion | |
CN113146634A (zh) | 机器人姿态的控制方法、机器人及存储介质 | |
CN102156994B (zh) | 一种单视角无标记人体运动跟踪的关节定位方法 | |
Ong et al. | Investigation of feature extraction for unsupervised learning in human activity detection | |
Li et al. | A dexterous hand-arm teleoperation system based on hand pose estimation and active vision | |
CN114469079B (zh) | 一种利用LightHouse的身体关节测量方法 | |
CN115937969A (zh) | 仰卧起坐考核中目标人物的确定方法、装置、设备及介质 | |
WO2019152566A1 (en) | Systems and methods for subject specific kinematic mapping | |
Pan et al. | A Study of Intelligent Rehabilitation Robot Imitation of Human Behavior Based on Kinect | |
Tustison et al. | Biventricular myocardial kinematics based on tagged MRI from anatomical NURBS models | |
Heidari et al. | A New Algorithm to Estimate Glenohumeral Joint Location Based on Scapula Rhythm | |
Ayusawa et al. | Interspecies retargeting of homologous body posture based on skeletal morphing | |
CN109470263B (zh) | 动作捕捉方法、电子设备以及计算机存储介质 | |
CN115310484A (zh) | 姿态拓展状态语义处理方法及系统 | |
CN113345603A (zh) | 一种六轴动作捕捉系统及动作捕捉方法 | |
Qin et al. | Kinematics analysis of biped robot based on toddler's natural gait extraction | |
Bian | An inertial sensor-based Motion capture pipeline for movement analysis |
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 |