CN113409398A - 基于图像识别进行数据映射的方法及系统 - Google Patents

基于图像识别进行数据映射的方法及系统 Download PDF

Info

Publication number
CN113409398A
CN113409398A CN202110623792.8A CN202110623792A CN113409398A CN 113409398 A CN113409398 A CN 113409398A CN 202110623792 A CN202110623792 A CN 202110623792A CN 113409398 A CN113409398 A CN 113409398A
Authority
CN
China
Prior art keywords
data
target object
image
feature points
file
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
CN202110623792.8A
Other languages
English (en)
Inventor
张硕
张惠斌
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.)
Beijing Plural Health Technology Co ltd
Original Assignee
Beijing Plural Health Technology Co ltd
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 Beijing Plural Health Technology Co ltd filed Critical Beijing Plural Health Technology Co ltd
Priority to CN202110623792.8A priority Critical patent/CN113409398A/zh
Publication of CN113409398A publication Critical patent/CN113409398A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/30176—Document
    • 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
    • G06T2207/30241—Trajectory
    • 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
    • G06T2207/30244—Camera pose

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于图像识别进行数据映射的方法和系统，方法包括：利用多个图像获取设备分别获取多个数据文件；对每个数据文件中的特征点进行图像识别，从而为每个数据文件获得多个特征点，基于所获得的多个特征点为每个数据文件进行特征点标注；将多个数据文件各自的第一类型的特征点进行相同特征点的合并，从而将多个数据文件融合为与目标对象相关联的目标文件；对目标文件中的多个特征点进行归一化处理，以获取多个通用特征点，并基于至少一个通用特征点在目标文件中的变化角度和/或移动数据确定目标对象的运动属性；以及根据预先定义的数据映射规则将目标对象的运行属性映射为预定格式的数据文件。

Description

基于图像识别进行数据映射的方法及系统
技术领域
本发明涉及图像识别技术领域，并且更具体地涉及一种基于图像识别 进行数据映射的方法及系统、计算机可读存储介质以及电子设备。
背景技术
世界大多数国家正在快速步入老龄化社会。从老年人慢性疾病患病率 来看，老年人的患病率高达64.5％，而且多数疾病疗程长，预后差，费用 大。众所周知，康复治疗可有效降低慢性疾病复发概率，提高治愈效果。 以“高发病率、高死亡率、高致残率、高复发率”著称的脑血管疾病为例， 积极康复治疗可使90％患者重新获得行走和生活自理能力，30％患者恢复工 作。若不进行康复治疗上述两方面恢复的百分比仅为6％和5％。康复评定是对过程客观、定性和/或定量的描述，并对结果有效影响因子加以解释，对 之后是否继续进行康复过程，是否可以重返家庭和社会或进一步康复治疗， 是否修改原定康复计划等提出有效的科学依据。。
然而在养老照护、康复护理等领域，大多数情形是医师人员手动记录 数据并进行主观的分析，容易出现人工失误，且工作效率低，结果不精确。 在现有技术中，还没有针对照护、康复与护理过程进行基于图像识别的主 动连续数据采集、基于所采集的数据进行特征分析并基于特征分析进行结 果展示的相关技术。
发明内容
为了解决现有技术中的问题，本发明提供了一种基于图像识别进行数 据映射的方法及系统、计算机可读存储介质以及电子设备。本发明能够对 动态图像或静态图像进行图像识别处理，从而基于图像识别处理的结果来 确定动态图像或静态图像中的特征点。本发明技术方案能够提高图像识别 的效率和准确性。
根据本发明的一个方面，提供一种基于图像识别进行数据映射的方法， 所述方法包括：
利用多个图像获取设备分别获取目标对象的动态图像数据，并分别将 每个图像获取设备所获取的动态图像数据转换为数据文件，从而得到与目 标对象相关联的多个数据文件；
对每个数据文件中的特征点进行图像识别，从而为每个数据文件获得 多个特征点，基于所获得的多个特征点为每个数据文件进行特征点标注；
将每个数据文件中所标注的多个特征点划分为第一类型的特征点和第 二类型的特征点，将多个数据文件各自的第一类型的特征点进行相同特征 点的合并，从而将多个数据文件融合为与目标对象相关联的目标文件；
对目标文件中的多个特征点进行归一化处理，以获取多个通用特征点， 并基于至少一个通用特征点在目标文件中的变化角度和/或移动数据确定 目标对象的运动属性；以及
根据预先定义的数据映射规则将目标对象的运行属性映射为预定格式 的数据文件。
所述利用多个图像获取设备分别获取目标对象的动态图像数据包括： 预先将所述多个图像获取设备分别放置在不同的位置，使得多个图像获取 设备能够在不同的位置分别获取所述目标对象的动态图像数据。
所述利用多个图像获取设备分别获取目标对象的动态图像数据包括： 所述多个图像获取设备分别在不同的位置并且从不同的角度获取所述目标 对象的动态图像数据。所述多个图像获取设备中的每个图像获取设备是可 移动的。所述数据文件为视频文件。
所述对每个数据文件中的特征点进行图像识别，从而为每个数据文件 获得多个特征点包括：确定每个数据文件中的目标对象和辅助对象；
基于姿态识别网络对目标对象和辅助对象进行图像识别，确定与目标 对象和辅助对象相关联的多个特征点，从而为每个数据文件获得多个特征 点。
每个图像获取设备还具有红外热成像功能；还包括，通过红外热成像 功能确定多个特征点中每个特征点是否属于目标对象和/或辅助对象、保护 目标对象的隐私数据以及对目标对象的体征参数进行识别和融合。
通过下面的公式来确定每个图像获取设备的世界坐标系的坐标和图像 坐标：
Figure BDA0003100264200000031
其中，Zc为光心到像平面距离；u，v为像素点的坐标系坐标；dx，dy 为像素对应的物理长度；u0，v0为图像中心的像素坐标；f为镜头焦距；R， T为像平面在世界坐标系下旋转和平移矩阵；Xw，Yw，Zw为物体在世界 坐标系的坐标；K，M分别为图像获取设备的内参矩阵和外参矩阵。
还包括，对每个图像获取设备的内参矩阵K和外参矩阵M进行标定。
所述第一类型的特征点是与目标对象相关联的特征点，并且将多个第 一类型的特征点中不满足预设规则的特征点删除。所述第二类型的特征点 是与辅助对象相关联的特征点，并且所述第二类型的特征点用于对第一类 型的特征点进行校正。将多个数据文件各自的第一类型的特征点进行相同 特征点的合并包括：基于时间一致性和特征点属性将多个数据文件各自的 第一类型的特征点进行相同特征点的合并。将多个数据文件各自的第一类 型的特征点进行相同特征点的合并，从而将多个数据文件融合为与目标对 象相关联的目标文件包括：确定多个数据文件各自的第一类型的特征点中 的相同特征点；以相同特征点作为重合的公共特征点，将多个数据文件各 自的第一类型的特征点进行合并；
基于经过合并的第一类型的特征点将多个数据文件融合为与目标对象 相关联的目标文件。
在对目标文件中的多个特征点进行归一化处理之前还包括：
根据以下公式为目标文件中的每个特征点确定三维坐标：
Figure BDA0003100264200000041
其中，Zc1和Zc2为光心到像平面距离；u1，v1，u2，v2为像素点的坐标 系坐标；K1和M1为第一图像获取设备的内参矩阵和外参矩阵；K2和M2为第二图像获取设备的内参矩阵和外参矩阵；Xw，Yw，Zw为特征点的三维 坐标。
所述对目标文件中的多个特征点进行归一化处理，以获取多个通用特 征点包括：基于多个特征点中的至少三个特征点计算节点角度特征：
Figure BDA0003100264200000042
其中，jat(j1，j2，j3)为角度特征；j1，j2，j3为特征点，Pt(j1，j2) 表示包括特征点j1和j2的向量；Pt(j2，j3)表示包括特征点j2和j3的向 量；
其中
Pt(j1，j2)＝(pt(j1，x)-pt(j2，x))+(pt(j1，y)-pt(j2，y)) +(pt(j1，z)-pt(j2，z))
其中pt代表节点坐标；
对相对轨迹进行归一化处理，包括：确定两个特征点之间的相对距离：
Figure BDA0003100264200000043
其中nrtt(b，s)是两个特征点之间的相对距离；b和s为特征点；rtt(b，s) 是第t帧时特征点b和s的相对轨迹，t为帧索引；rt1(b，s)是视频第一帧 的特征点相对轨迹；
其中：
Figure BDA0003100264200000051
其中pt代表节点坐标；b，s和c为特征点；
对速度进行归一化处理，包括：
Figure BDA0003100264200000052
其中，nspt(j)为特征点j在时间0-t内的归一化速度；其中
Figure BDA0003100264200000053
为 0～t时间区间的平均速度，
Figure BDA0003100264200000054
为0～t时间区间内的最大速度；
其中spt(j)为特征点移动速度，计算公式如下：
spt(j)＝F*(rtt(b，j)-rt(t-1)(b，j))，ift＞1.
＝0otherwise
其中rtt(b，j)为时间帧t处特征点b和j相对轨迹；rtt-1(b，j)为时 间帧t-1处特征点b和j相对轨迹；F是采样率；
对加速度进行归一化处理，包括：用0～t时刻的平均加加速度除以最 大加加速度
Figure BDA0003100264200000055
其中，njkt(j)为t帧时特征点j的归一化的加加速度；其中
Figure BDA0003100264200000056
为 0～t时间区间的平均加加速度，
Figure BDA0003100264200000057
为0～t时间区间内的最大加加速度； jkt(j)为特征点j处的加加速度；
其中：
jkt(j)＝F*(act(b，j)-act-1(b，j))，ift＞1.
＝0otherwise
其中act为时间t的加速度：
act(j)＝F*(spt(j)-sp(t-1)(j))，ift＞1.
＝0otherwise
所述基于时间一致性和特征点属性将多个数据文件各自的第一类型的 特征点进行相同特征点的合并包括：
在多个数据文件中，按照时间一致性的帧同步方式，以相同特征点为 归并点的方式，将每个数据文件各自的第一类型的特征点进行归并。
所述基于至少一个通用特征点在目标文件中的变化角度和/或移动数 据确定目标对象的运动属性包括：基于通用特征点的位置，从所述多个通 用特征点中选择与属性识别相关联的至少一个通用特征点；基于与属性识 别相关联的至少一个通用特征点在目标文件中的变化角度和/或移动数据 确定目标对象的运动属性。所述变化角度用于表征至少一个通用特征点的 动作完成程度。所述移动数据用于表征至少一个通用特征点的动作流畅度。
在利用多个图像获取设备分别获取目标对象的动态图像数据之前还包 括，预先定义用于将运行属性映射为预定格式的数据文件的数据映射规则；
所述数据映射规则包括多个映射项，每个映射项包括<运动属性、动作 结果>。
根据本发明的另一方面，提供一种基于图像识别进行数据映射的方法， 所述方法包括：利用图像获取设备获取目标对象的多个静态图像；对每个 静态图像进行图像识别，以获取每个静态图像中的多个特征点；基于多个 特征点计算每个静态图像中目标对象的参数值，从而获得目标对象的多个 参数值；基于多个参数值确定目标对象的属性值；以及根据预先定义的数 据映射规则将目标对象的属性值映射为预定格式的数据文件。根据本发明 的另一方面，提供一种基于图像识别进行数据映射的系统，所述系统包括：
获取装置，用于利用多个图像获取设备分别获取目标对象的动态图像 数据，并分别将每个图像获取设备所获取的动态图像数据转换为数据文件， 从而得到与目标对象相关联的多个数据文件；
识别装置，用于对每个数据文件中的特征点进行图像识别，从而为每 个数据文件获得多个特征点，基于所获得的多个特征点为每个数据文件进 行特征点标注；
融合装置，用于将每个数据文件中所标注的多个特征点划分为第一类 型的特征点和第二类型的特征点，将多个数据文件各自的第一类型的特征 点进行相同特征点的合并，从而将多个数据文件融合为与目标对象相关联 的目标文件；
处理装置，用于对目标文件中的多个特征点进行归一化处理，以获取 多个通用特征点，并基于至少一个通用特征点在目标文件中的变化角度和/ 或移动数据确定目标对象的运动属性；以及
映射装置，用于根据预先定义的数据映射规则将目标对象的运行属性 映射为预定格式的数据文件。
还包括初始化装置，用于预先将所述多个图像获取设备分别放置在不 同的位置，使得多个图像获取设备能够在不同的位置分别获取所述目标对 象的动态图像数据。
所述多个图像获取设备分别在不同的位置并且从不同的角度获取所述 目标对象的动态图像数据。所述多个图像获取设备中的每个图像获取设备 是可移动的。所述数据文件为视频文件。所述识别装置具体用于：确定每 个数据文件中的目标对象和辅助对象；基于姿态识别网络对目标对象和辅 助对象进行图像识别，确定与目标对象和辅助对象相关联的多个特征点， 从而为每个数据文件获得多个特征点。每个图像获取设备还具有红外热成 像功能；还包括去除装置，用于通过热红外成像功能确定多个特征点中每 个特征点是否属于目标对象和/或辅助对象、保护目标对象的隐私数据以及 对目标对象的体征参数进行识别和融合。
还包括计算装置，用于通过下面的公式来确定每个图像获取设备的世 界坐标系的坐标和图像坐标：
Figure BDA0003100264200000071
其中，Zc为光心到像平面距离；u，v为像素点的坐标系坐标；dx，dy 为像素对应的物理长度；u0，v0为图像中心的像素坐标；f为镜头焦距；R， T为像平面在世界坐标系下旋转和平移矩阵；Xw，Yw，Zw为物体在世界 坐标系的坐标；K，M分别为图像获取设备的内参矩阵和外参矩阵。
还包括，对每个图像获取设备的内参矩阵K和外参矩阵M进行标定。
所述第一类型的特征点是与目标对象相关联的特征点，并且将多个第 一类型的特征点中不满足预设规则的特征点删除。所述第二类型的特征点 是与辅助对象相关联的特征点，并且所述第二类型的特征点用于对第一类 型的特征点进行校正。
所述融合装置具体用于：基于时间一致性和特征点属性将多个数据文 件各自的第一类型的特征点进行相同特征点的合并。
所述融合装置具体用于：确定多个数据文件各自的第一类型的特征点 中的相同特征点；以相同特征点作为重合的公共特征点，将多个数据文件 各自的第一类型的特征点进行合并；基于经过合并的第一类型的特征点将 多个数据文件融合为与目标对象相关联的目标文件。
还包括计算装置，用于根据以下公式为目标文件中的每个特征点确定 三维坐标：
Figure BDA0003100264200000081
其中，Zc1和Zc2为光心到像平面距离；u1，v1，u2，v2为像素点的坐标 系坐标；K1和M1为第一图像获取设备的内参矩阵和外参矩阵；K2和M2为第二图像获取设备的内参矩阵和外参矩阵；Xw，Yw，Zw为特征点的三维 坐标。
所述处理装置具体用于：基于多个特征点中的至少三个特征点计算节 点角度特征：
Figure BDA0003100264200000082
其中，jat(j1，j2，j3)为角度特征；j1，j2，j3为特征点，Pt(j1，j2) 表示包括特征点j1和j2的向量；Pt(j2，j3)表示包括特征点j2和j3的向 量；
其中
Pt(j1，j2)＝(pt(j1，x)-pt(j2，x))+(pt(j1，y)-pt(j2，y)) +(pt(j1，z)-pt(j2，z))
其中pt代表节点坐标；
对相对轨迹进行归一化处理，包括：确定两个特征点之间的相对距离：
Figure BDA0003100264200000091
其中nrtt(b，s)是两个特征点之间的相对距离；b和s为特征点；rtt(b，s) 是第t帧时特征点b和s的相对轨迹，t为帧索引；rt1(b，s)是视频第一帧 的特征点相对轨迹；
其中：
Figure BDA0003100264200000092
其中pt代表节点坐标；b，s和c为特征点；
对速度进行归一化处理，包括：
Figure BDA0003100264200000093
其中，nspt(j)为特征点j在时间0-t内的归一化速度；其中
Figure BDA0003100264200000094
为 0～t时间区间的平均速度，
Figure BDA0003100264200000095
为0～t时间区间内的最大速度；
其中spt(j)为特征点移动速度，计算公式如下：
spt(j)＝F*(rtt(b，j)-rt(t-1)(b，j))，ift＞1.
＝0otherwise
其中rtt(b，j)为时间帧t处特征点b和j相对轨迹；rtt-1(b，j)为时 间帧t-1处特征点b和j相对轨迹；F是采样率；
对加速度进行归一化处理，包括：用0～t时刻的平均加加速度除以最 大加加速度
Figure BDA0003100264200000101
其中，njkt(j)为t帧时特征点j的归一化的加加速度；其中
Figure BDA0003100264200000102
为 0～t时间区间的平均加加速度，
Figure BDA0003100264200000103
为0～t时间区间内的最大加加速度； jkt(j)为特征点j处的加加速度；
其中：
jkt(j)＝F*(act(b，j)-act-1(b，j))，ift＞1.
＝0otherwise
其中act为时间t的加速度：
act(j)＝F*(spt(j)-sp(t-1)(j))，ift＞1.
＝0otherwise
所述处理装置具体用于：在多个数据文件中，按照时间一致性的帧同 步方式，以相同特征点为归并点的方式，将每个数据文件各自的第一类型 的特征点进行归并。
所述处理装置具体用于：基于通用特征点的位置，从所述多个通用特 征点中选择与属性识别相关联的至少一个通用特征点；基于与属性识别相 关联的至少一个通用特征点在目标文件中的变化角度和/或移动数据确定 目标对象的运动属性。所述变化角度用于表征至少一个通用特征点的动作 完成程度。所述移动数据用于表征至少一个通用特征点的动作流畅度。
还包括初始化装置，用于预先定义用于将运行属性映射为预定格式的 数据文件的数据映射规则；所述数据映射规则包括多个映射项，每个映射 项包括＜运动属性、动作结果＞。
根据本发明的另一方面，提供一种基于图像识别进行数据映射的系统， 所述系统包括：获取装置，用于利用图像获取设备获取目标对象的多个静 态图像；识别装置，用于对每个静态图像进行图像识别，以获取每个静态 图像中的多个特征点；计算装置，用于基于多个特征点计算每个静态图像 中目标对象的参数值，从而获得目标对象的多个参数值；确定装置，用于 基于多个参数值确定目标对象的属性值；以及映射装置，用于根据预先定 义的数据映射规则将目标对象的属性值映射为预定格式的数据文件。
根据本发明的另一方面，提供一种计算机可读存储介质，其特征在于， 所述存储介质存储有计算机程序，计算机程序用于执行上述所述的方法。
根据本发明的另一方面，提供一种电子设备，其特征在于，所述电子 设备包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述 指令以实现上述任一所述的方法。
附图说明
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
图1为根据本发明实施方式的基于图像识别进行数据映射的方法的流 程图；
图2为根据本发明另一实施方式的基于图像识别进行数据映射的方法 的流程图；
图3为根据本发明另一实施方式的获取特征点的示意图；
图4为根据本发明实施方式的获得的二维人体特征点的示意图；
图5为根据本发明另一实施方式的获得的二维人体特征点的示意图；
图6为根据本发明实施方式的特征点的三维坐标示意图；
图7为根据本发明实施方式的基于图像识别进行数据映射的系统的结 构示意图；
图8为根据本发明另一实施方式的基于图像识别进行数据映射的系统 的结构示意图。
具体实施方式
图1为根据本发明实施方式的基于图像识别进行数据映射的方法100 的流程图。方法100从步骤101处开始。
在步骤101，利用多个图像获取设备分别获取目标对象的动态图像数 据，并分别将每个图像获取设备所获取的动态图像数据转换为数据文件， 从而得到与目标对象相关联的多个数据文件。
所述利用多个图像获取设备分别获取目标对象的动态图像数据包括： 预先将所述多个图像获取设备分别放置在不同的位置，使得多个图像获取 设备能够在不同的位置分别获取所述目标对象的动态图像数据。
利用多个图像获取设备分别获取目标对象的动态图像数据包括：所述 多个图像获取设备分别在不同的位置并且从不同的角度获取所述目标对象 的动态图像数据。优选地，所述多个图像获取设备中的每个图像获取设备 是可移动的。所述数据文件为视频文件。
此外，为了使得每个图像获取设备能够准确地采集图像数据或动态图 像数据，通过下面的公式来确定每个图像获取设备的世界坐标系的坐标和 图像坐标：
Figure BDA0003100264200000121
其中，Zc为光心到像平面距离；u，v为像素点的坐标系坐标；dx，dy 为像素对应的物理长度；u0，v0为图像中心的像素坐标；f为镜头焦距；R， T为像平面在世界坐标系下旋转和平移矩阵；Xw，Yw，Zw为物体在世界 坐标系的坐标；K，M分别为图像获取设备的内参矩阵和外参矩阵。此外， 还包括，对每个图像获取设备的内参矩阵K和外参矩阵M进行标定。
图3为根据本发明实施方式的获取特征点的示意图。如图3所示，举 例来说，本发明同时利用两个固定/可移动的摄像机采集患者实时训练图 像。例如两个固定/可移动的摄像机包括摄像头1和摄像头2。其中，摄像 头1和摄像头2分别获取图像1和图像2。随后，借助姿态识别网络分别 对两幅图像进行人体关键点的识别，得到两幅同一时刻的二维人体特征点。 例如，二维如图特征点1和二维人体特征点2。根据每个图像获取设备(例 如摄像机或摄像头)的世界坐标系的坐标和图像坐标对二维如图特征点1 和二维人体特征点2标定内外参数，并且随后，获取三维特征点示意图， 并最后提取待康复者(人或目标对象)的特征点。
具体实例参见图4和图5。图4为根据本发明另一实施方式的获取特 征点的示意图。其中图4中为摄像头1得到二维人体特征点。图5为根据 本发明实施方式的获得的二维人体特征点的示意图。其中图5中为摄像头 2得到二维人体特征点。由于人是有体温的，所以通过红外热成像判断特 征点是否在人体上。如果特征点不在人体上的话，则认为异常图像，不进 行后续计算。
在步骤102，对每个数据文件中的特征点进行图像识别，从而为每个 数据文件获得多个特征点，基于所获得的多个特征点为每个数据文件进行 特征点标注。
对每个数据文件中的特征点进行图像识别，从而为每个数据文件获得 多个特征点包括：确定每个数据文件中的目标对象和辅助对象；基于姿态 识别网络对目标对象和辅助对象进行图像识别，确定与目标对象和辅助对 象相关联的多个特征点，从而为每个数据文件获得多个特征点。
每个图像获取设备还具有红外热成像功能；此外，还包括，通过红外 热成像功能确定多个特征点中每个特征点是否属于目标对象和/或辅助对 象、保护目标对象的隐私数据以及对目标对象的体征参数进行识别和融合。
在步骤103，将每个数据文件中所标注的多个特征点划分为第一类型 的特征点和第二类型的特征点，将多个数据文件各自的第一类型的特征点 进行相同特征点的合并，从而将多个数据文件融合为与目标对象相关联的 目标文件。
所述第一类型的特征点是与目标对象相关联的特征点，并且将多个第 一类型的特征点中不满足预设规则的特征点删除。所述第二类型的特征点 是与辅助对象相关联的特征点，并且所述第二类型的特征点用于对第一类 型的特征点进行校正。
将多个数据文件各自的第一类型的特征点进行相同特征点的合并包 括：基于时间一致性和特征点属性将多个数据文件各自的第一类型的特征 点进行相同特征点的合并。
将多个数据文件各自的第一类型的特征点进行相同特征点的合并，从 而将多个数据文件融合为与目标对象相关联的目标文件包括：确定多个数 据文件各自的第一类型的特征点中的相同特征点；以相同特征点作为重合 的公共特征点，将多个数据文件各自的第一类型的特征点进行合并；
基于经过合并的第一类型的特征点将多个数据文件融合为与目标对象 相关联的目标文件。
在步骤104，对目标文件中的多个特征点进行归一化处理，以获取多 个通用特征点，并基于至少一个通用特征点在目标文件中的变化角度和/ 或移动数据确定目标对象的运动属性。
图6为根据本发明实施方式的特征点的三维坐标示意图。如图6所示
在对目标文件中的多个特征点进行归一化处理之前还包括：根据以下 公式为目标文件中的每个特征点确定三维坐标：
Figure BDA0003100264200000141
其中，Zc1和Zc2为光心到像平面距离；u1，v1，u2，v2为像素点的坐标 系坐标；K1和M1为第一图像获取设备的内参矩阵和外参矩阵；K2和M2为第二图像获取设备的内参矩阵和外参矩阵；Xw，Yw，Zw为特征点的三维 坐标。
所述对目标文件中的多个特征点进行归一化处理，以获取多个通用特 征点包括：
基于多个特征点中的至少三个特征点计算节点角度特征：
Figure BDA0003100264200000151
其中，jat(j1，j2，j3)为角度特征；j1，j2，j3为特征点，Pt(j1，j2) 表示包括特征点j1和j2的向量；Pt(j2，j3)表示包括特征点j2和j3的向 量；
其中
Pt(j1，j2)＝(pt(j1，x)-pt(j2，x))+(pt(j1，y)-pt(j2，y)) +(pt(j1，z)-pt(j2，z))
其中pt代表节点坐标；
对相对轨迹进行归一化处理，包括：确定两个特征点之间的相对距离：
Figure BDA0003100264200000152
其中nrtt(b，s)是两个特征点之间的相对距离；b和s为特征点；rtt(b，s) 是第t帧时特征点b和s的相对轨迹，t为帧索引；rt1(b，s)是视频第一帧 的特征点相对轨迹；
其中：
Figure BDA0003100264200000153
其中pt代表节点坐标；b，s和c为特征点；
对速度进行归一化处理，包括：
Figure BDA0003100264200000154
其中，nspt(j)为特征点j在时间0-t内的归一化速度；其中
Figure BDA0003100264200000155
为 0～t时间区间的平均速度，
Figure BDA0003100264200000156
为0～t时间区间内的最大速度；
其中spt(j)为特征点移动速度，计算公式如下：
spt(j)＝F*(rtt(b，j)-rt(t-1)(b，j))，ift＞1.
＝0otherwise
其中rtt(b，j)为时间帧t处特征点b和j相对轨迹；rtt-1(b，j)为时 间帧t-1处特征点b和j相对轨迹；F是采样率；
对加速度进行归一化处理，包括：用0～t时刻的平均加加速度除以最 大加加速度
Figure BDA0003100264200000161
其中，njkt(j)为t帧时特征点j的归一化的加加速度；其中
Figure BDA0003100264200000162
为 0～t时间区间的平均加加速度，
Figure BDA0003100264200000163
为0～t时间区间内的最大加加速度； jkt(j)为特征点j处的加加速度；
其中：
jkt(j)＝F*(act(b，j)-act-1(b，j))，ift＞1.
＝0otherwise
其中act为时间t的加速度：
act(j)＝F*(spt(j)-sp(t-1)(j))，ift＞1.
＝0otherwise
所述基于时间一致性和特征点属性将多个数据文件各自的第一类型的 特征点进行相同特征点的合并包括：在多个数据文件中，按照时间一致性 的帧同步方式，以相同特征点为归并点的方式，将每个数据文件各自的第 一类型的特征点进行归并。
在步骤105，根据预先定义的数据映射规则将目标对象的运行属性映 射为预定格式的数据文件。所述基于至少一个通用特征点在目标文件中的 变化角度和/或移动数据确定目标对象的运动属性包括：基于通用特征点的 位置，从所述多个通用特征点中选择与属性识别相关联的至少一个通用特 征点；基于与属性识别相关联的至少一个通用特征点在目标文件中的变化 角度和/或移动数据确定目标对象的运动属性。
所述变化角度用于表征至少一个通用特征点的动作完成程度。所述移 动数据用于表征至少一个通用特征点的动作流畅度。在利用多个图像获取 设备分别获取目标对象的动态图像数据之前还包括，预先定义用于将运行 属性映射为预定格式的数据文件的数据映射规则；所述数据映射规则包括 多个映射项，每个映射项包括<运动属性、动作结果>。
举例来说，实例流程可以包括如下步骤：
步骤一，通过双目视觉和先验知识提取待康复者姿势特征点。
1、同时利用两个固定的摄像机采集患者实时训练图像，借助姿态识别 网络分别对两幅图像进行人体关键点的识别，得到两幅同一时刻的二维人 体特征点。
2、人是有体温的，所以通过红外热成像判断特征点是否在人体上。如 果特征点不在人体的话，认为异常图像，不进行后续计算。
3、得到人体特征点的三维坐标需要三个步骤，1摄像机标定，2特征 点匹配，3立体重建。
3.1、摄像机的标定：
对于每台相机，其在世界坐标系下坐标和图像坐标可由下面公式表示。
Figure BDA0003100264200000171
式中，Zc为光心到像平面距离；f为镜头焦距；u，v为像素坐标系坐 标；R，T为像平面在世界坐标系下旋转和平移矩阵；dx，dy为像素对应 物理长度；Xw，Yw，Zw为物体在世界坐标系坐标；u0，v0为图像中心的像 素坐标；K，M分别为相机内参矩阵和外参矩阵。
为了由图像信息最终获得准确的三维位置信息，需要对相机内外矩阵 K，M进行标定。两相机拍摄多张不同姿态的标准黑白标定棋盘，应用张正 友相机标定法可以获得以上这些参数。
3.2、特征点匹配
上一步得到了两图像上特征点，可直接使用其作为特征点，相对于常 用的算法更加准确稳定。
3.3、立体重建
重建方法选用最小二乘法求解。
Figure BDA0003100264200000181
公式中K1M1，K2M2两摄像机内外参数矩阵；u1，v1，u2，v2像素点 坐标；剩余Zc1，Zc2，Xw，Yw，Zw 5个未知参数。6个方程求解5个未 知数，可采用最小二乘法求得最优解，(Xw，Yw，Zw)即为三维点坐标。 对每个关键点进行三维重建，即可得到人体特征点的三维坐标。
4、先验知识包含两方面，一方面待康复者，教练，物体所在相对位置 是固定的，所以可以把教练，物体的特征点删除。另一个是人体特征点必 须满足人体的结构特征，如果不满足，认为是异常图像，不进行后续计算。
步骤2，人体特征点转为通用特征。
目的：直接用人体特征点预测待康复患者的活动是不准确的，因为每 个人的身高，四肢长度都不同。所以要归一化特征，去除人个体差异，转 为通用特征。
步骤：1归一化特征：
关节角度特征：关节角度是需要3个特征点计算，公式如下：
Figure BDA0003100264200000182
j1,j2,j3代表特征点，Pt(j1，j2)表示两个关节的向量，公式如下：
Pt(j1，j2)＝(pt(j1，x)-pt(j2，x))+(pt(j1，y)-pt(j2，y)) +(pt(j1，z)-pt(j2，z))
其中pt代表某一个关节点坐标。
1.1归一化相对轨迹：两个特征点之间的相对距离
Figure BDA0003100264200000191
其中rt(b，s)是相对轨迹，公式如下：
Figure BDA0003100264200000192
其中pt代表某一个关节点坐标。
1.2归一化速度：用0～t时刻的平均速度除以最大速度
Figure BDA0003100264200000193
其中sp为速度，公式如下：
spt(j)＝F*(rtt(b，j)-rt(t-1)(b，j))，ift＞1.
＝0otherwise
rt为1.2中的轨迹，速度就是当前帧与上一帧的差，F是采样率，这 里用30。
1.3归一化加加速度：用0～t时刻的平均加加速度除以最大加加速度
Figure BDA0003100264200000194
jk为加加速度，公式如下：
jkt(j)＝F*(act(b，j)-act-1(b，j))，ift＞1.
＝0otherwise
ac为加速度，公式如下
act(j)＝F*(spt(j)-sp(t-1)(j))，ift＞1.
＝0otherwise
步骤3，通用特征转为量表描述特征
通过不同量表的描述，我们把这些描述抽象成两类，一类是动作完成 度，一类是动作的流畅性。
1、动作完成度
1.1、程度
分为(不能，部分，完全)三种程度，我们用关节角度特征来计算三 种状态，如果和标准视频误差大于80％，认为不能，误差10％～80％认为部分， 小于10％认为完全。
1.2、具体动作描述
比如膝关节能从微伸位屈曲，但不超过90°，在髋关节伸展位不能屈 膝，这些具体动作描述也是需要关节角度特征来计算。
Figure BDA0003100264200000201
2、动作的流畅性
包含无停顿完成，反射亢进，震颤。这些主观的描述需要把归一化特 征组合来表示。
2.1、无停顿完成
无停顿完成＝归一化速度*0.7+归一化加加速度*0.3
Figure BDA0003100264200000202
2.2、反射亢进
反射亢进＝归一化速度*0.3+归一化相对轨迹*0.7
Figure BDA0003100264200000211
2.3、震颤
震颤＝归一化加加速度*0.8+归一化相对轨迹*0.2
Figure BDA0003100264200000212
图2为根据本发明另一实施方式的基于图像识别进行数据映射的方法 200的流程图。方法200从步骤201处开始。
在步骤201，利用图像获取设备获取目标对象的多个静态图像。在步 骤202，对每个静态图像进行图像识别，以获取每个静态图像中的多个特 征点。在步骤203，基于多个特征点计算每个静态图像中目标对象的参数 值，从而获得目标对象的多个参数值。在步骤204，基于多个参数值确定 目标对象的属性值。在步骤205，根据预先定义的数据映射规则将目标对 象的属性值映射为预定格式的数据文件。举例来说，本发明可以根据后背 图片测量角度。根据测量，可以计算出Cobb角(是脊柱侧弯通常衡量的 标准角)。本申请通过获取两张静态图片来确定脊柱侧弯。
第一步：基于已有数据样本库，训练pix2pix增强的GAN网络，实现 通过RGB数据自动学习生成X光片数据。(目前，每月采集大概100～300 例，并且已经进行过预处理，诸如图像裁剪，对比度调整、旋转增强等)
第二步：通过在X光片上标记，进行监督学习，训练LabelMarker标 记网络，自动监测上一步骤中的弯曲最大角度点。
第三步：连线，计算Cobb角。本发明还可以根据正面弯腰图片测量 角度。测量垂直线的角度，该角度用于测量侧面的凸起程度(因为人体的 脊柱是三维空间的双S结构)。由相似三角形可以得到两个角度是一致的， 即通过测算水平倾斜角可以直接获得垂直的倾斜角，也就是FK，flank prominence角度。具体地，首先获取静态图像，然后继续背景去除，对去 除了背景的图像进行二值化处理，随后，进行Hough变换，最后计算斜率 从而得到FK角度。
图7为根据本发明实施方式的基于图像识别进行数据映射的系统700 的结构示意图。系统700包括：获取装置701、识别装置702、融合装置 703、处理装置704、映射装置705、计算装置706以及初始化装置707。
获取装置701，用于利用多个图像获取设备分别获取目标对象的动态 图像数据，并分别将每个图像获取设备所获取的动态图像数据转换为数据 文件，从而得到与目标对象相关联的多个数据文件。所述多个图像获取设 备分别在不同的位置并且从不同的角度获取所述目标对象的动态图像数 据。所述多个图像获取设备中的每个图像获取设备是可移动的。所述数据 文件为视频文件。
识别装置702，用于对每个数据文件中的特征点进行图像识别，从而 为每个数据文件获得多个特征点，基于所获得的多个特征点为每个数据文 件进行特征点标注。识别装置702具体用于：确定每个数据文件中的目标 对象和辅助对象；基于姿态识别网络对目标对象和辅助对象进行图像识别， 确定与目标对象和辅助对象相关联的多个特征点，从而为每个数据文件获 得多个特征点。
融合装置703，用于将每个数据文件中所标注的多个特征点划分为第 一类型的特征点和第二类型的特征点，将多个数据文件各自的第一类型的 特征点进行相同特征点的合并，从而将多个数据文件融合为与目标对象相 关联的目标文件。所述第一类型的特征点是与目标对象相关联的特征点， 并且将多个第一类型的特征点中不满足预设规则的特征点删除。所述第二 类型的特征点是与辅助对象相关联的特征点，并且所述第二类型的特征点 用于对第一类型的特征点进行校正。
融合装置703具体用于：基于时间一致性和特征点属性将多个数据文 件各自的第一类型的特征点进行相同特征点的合并。融合装置703具体用 于：确定多个数据文件各自的第一类型的特征点中的相同特征点；以相同 特征点作为重合的公共特征点，将多个数据文件各自的第一类型的特征点 进行合并；基于经过合并的第一类型的特征点将多个数据文件融合为与目 标对象相关联的目标文件。
处理装置704，用于对目标文件中的多个特征点进行归一化处理，以 获取多个通用特征点，并基于至少一个通用特征点在目标文件中的变化角 度和/或移动数据确定目标对象的运动属性。
映射装置705，用于根据预先定义的数据映射规则将目标对象的运行 属性映射为预定格式的数据文件。处理装置704具体用于：
基于多个特征点中的至少三个特征点计算节点角度特征：
Figure BDA0003100264200000231
其中，jat(j1，j2，j3)为角度特征；j1，j2，j3为特征点，Pt(j1，j2) 表示包括特征点j1和j2的向量；Pt(j2，j3)表示包括特征点j2和j3的向 量；
其中
Pt(j1，j2)＝(pt(j1,x)-pt(j2，x))+(pt(j1，y)-pt(j2，y)) +(pt(j1，z)-pt(j2，z))
其中pt代表节点坐标；
对相对轨迹进行归一化处理，包括：确定两个特征点之间的相对距离：
Figure BDA0003100264200000232
其中nrtt(b,s)是两个特征点之间的相对距离；b和s为特征点；rtt(b,s) 是第t帧时特征点b和s的相对轨迹，t为帧索引；rt1(b,s)是视频第一帧 的特征点相对轨迹；
其中：
Figure BDA0003100264200000233
其中pt代表节点坐标；b，s和c为特征点；
对速度进行归一化处理，包括：
Figure BDA0003100264200000241
其中，nspt(j)为特征点j在时间0-t内的归一化速度；其中
Figure BDA0003100264200000242
为 0～t时间区间的平均速度，
Figure BDA0003100264200000243
为0～t时间区间内的最大速度；
其中spt(j)为特征点移动速度，计算公式如下：
spt(j)＝F*(rtt(b，j)-rt(t-1)(b，j))，ift＞1.
＝0otherwise
其中rtt(b，j)为时间帧t处特征点b和j相对轨迹；rtt-1(b，j)为时 间帧t-1处特征点b和j相对轨迹；F是采样率；
对加速度进行归一化处理，包括：用0～t时刻的平均加加速度除以最 大加加速度
Figure BDA0003100264200000244
其中，njkt(j)为t帧时特征点j的归一化的加加速度；其中
Figure BDA0003100264200000245
为 0～t时间区间的平均加加速度，
Figure BDA0003100264200000246
为0～t时间区间内的最大加加速度； jkt(j)为特征点j处的加加速度；
其中：
jkt(j)＝F*(act(b，j)-act-1(b，j))，ift＞1.
＝0otherwise
其中act为时间t的加速度：
act(j)＝F*(spt(j)-sp(t-1)(j))，ift＞1.
＝0otherwise
处理装置704具体用于：在多个数据文件中，按照时间一致性的帧同 步方式，以相同特征点为归并点的方式，将每个数据文件各自的第一类型 的特征点进行归并。处理装置704具体用于：基于通用特征点的位置，从 所述多个通用特征点中选择与属性识别相关联的至少一个通用特征点；基 于与属性识别相关联的至少一个通用特征点在目标文件中的变化角度和/ 或移动数据确定目标对象的运动属性。所述变化角度用于表征至少一个通用特征点的动作完成程度。所述移动数据用于表征至少一个通用特征点的 动作流畅度。
计算装置706，用于通过下面的公式来确定每个图像获取设备的世界 坐标系的坐标和图像坐标：
Figure BDA0003100264200000251
其中，Zc为光心到像平面距离；u，v为像素点的坐标系坐标；dx，dy 为像素对应的物理长度；u0，v0为图像中心的像素坐标；f为镜头焦距；R， T为像平面在世界坐标系下旋转和平移矩阵；Xw，Yw，Zw为物体在世界 坐标系的坐标；K，M分别为图像获取设备的内参矩阵和外参矩阵。
对每个图像获取设备的内参矩阵K和外参矩阵M进行标定。
计算装置706，用于根据以下公式为目标文件中的每个特征点确定三 维坐标：
Figure BDA0003100264200000252
其中，Zc1和Zc2为光心到像平面距离；u1，v1，u2，v2为像素点的坐标 系坐标；K1和M1为第一图像获取设备的内参矩阵和外参矩阵；K2和M2为第二图像获取设备的内参矩阵和外参矩阵；Xw，Yw，Zw为特征点的三维 坐标。
初始化装置707，用于预先将所述多个图像获取设备分别放置在不同 的位置，使得多个图像获取设备能够在不同的位置分别获取所述目标对象 的动态图像数据。每个图像获取设备还具有红外热成像功能；所述初始化 装置706用于通过热红外成像功能确定多个特征点中每个特征点是否属于 目标对象和/或辅助对象、保护目标对象的隐私数据以及对目标对象的体征 参数进行识别和融合。
初始化装置707，用于预先定义用于将运行属性映射为预定格式的数 据文件的数据映射规则；所述数据映射规则包括多个映射项，每个映射项 包括<运动属性、动作结果>。
图8为根据本发明另一实施方式的基于图像识别进行数据映射的系统 800的结构示意图。系统800包括：
获取装置801，用于利用图像获取设备获取目标对象的多个静态图像；
识别装置802，用于对每个静态图像进行图像识别，以获取每个静态 图像中的多个特征点；
计算装置803，用于基于多个特征点计算每个静态图像中目标对象的 参数值，从而获得目标对象的多个参数值；
确定装置804，用于基于多个参数值确定目标对象的属性值；以及
映射装置805，用于根据预先定义的数据映射规则将目标对象的属性 值映射为预定格式的数据文件。

Claims (10)

1.一种基于图像识别进行数据映射的方法，所述方法包括：
利用多个图像获取设备分别获取目标对象的动态图像数据，并分别将每个图像获取设备所获取的动态图像数据转换为数据文件，从而得到与目标对象相关联的多个数据文件；
对每个数据文件中的特征点进行图像识别，从而为每个数据文件获得多个特征点，基于所获得的多个特征点为每个数据文件进行特征点标注；
将每个数据文件中所标注的多个特征点划分为第一类型的特征点和第二类型的特征点，将多个数据文件各自的第一类型的特征点进行相同特征点的合并，从而将多个数据文件融合为与目标对象相关联的目标文件；
对目标文件中的多个特征点进行归一化处理，以获取多个通用特征点，并基于至少一个通用特征点在目标文件中的变化角度和/或移动数据确定目标对象的运动属性；以及
根据预先定义的数据映射规则将目标对象的运行属性映射为预定格式的数据文件。
2.根据权利要求1所述的方法，所述利用多个图像获取设备分别获取目标对象的动态图像数据包括：
预先将所述多个图像获取设备分别放置在不同的位置，使得多个图像获取设备能够在不同的位置分别获取所述目标对象的动态图像数据。
3.根据权利要求1所述的方法，所述利用多个图像获取设备分别获取目标对象的动态图像数据包括：
所述多个图像获取设备分别在不同的位置并且从不同的角度获取所述目标对象的动态图像数据。
4.根据权利要求1-3中任意一项所述的方法，所述多个图像获取设备中的每个图像获取设备是可移动的。
5.根据权利要求1所述的方法，所述对每个数据文件中的特征点进行图像识别，从而为每个数据文件获得多个特征点包括：
确定每个数据文件中的目标对象和辅助对象；
基于姿态识别网络对目标对象和辅助对象进行图像识别，确定与目标对象和辅助对象相关联的多个特征点，从而为每个数据文件获得多个特征点。
6.一种基于图像识别进行数据映射的方法，所述方法包括：
利用图像获取设备获取目标对象的多个静态图像；
对每个静态图像进行图像识别，以获取每个静态图像中的多个特征点；
基于多个特征点计算每个静态图像中目标对象的参数值，从而获得目标对象的多个参数值；
基于多个参数值确定目标对象的属性值；以及
根据预先定义的数据映射规则将目标对象的属性值映射为预定格式的数据文件。
7.一种基于图像识别进行数据映射的系统，所述系统包括：
获取装置，用于利用多个图像获取设备分别获取目标对象的动态图像数据，并分别将每个图像获取设备所获取的动态图像数据转换为数据文件，从而得到与目标对象相关联的多个数据文件；
识别装置，用于对每个数据文件中的特征点进行图像识别，从而为每个数据文件获得多个特征点，基于所获得的多个特征点为每个数据文件进行特征点标注；
融合装置，用于将每个数据文件中所标注的多个特征点划分为第一类型的特征点和第二类型的特征点，将多个数据文件各自的第一类型的特征点进行相同特征点的合并，从而将多个数据文件融合为与目标对象相关联的目标文件；
处理装置，用于对目标文件中的多个特征点进行归一化处理，以获取多个通用特征点，并基于至少一个通用特征点在目标文件中的变化角度和/或移动数据确定目标对象的运动属性；以及
映射装置，用于根据预先定义的数据映射规则将目标对象的运行属性映射为预定格式的数据文件。
8.一种基于图像识别进行数据映射的系统，所述系统包括：
获取装置，用于利用图像获取设备获取目标对象的多个静态图像；
识别装置，用于对每个静态图像进行图像识别，以获取每个静态图像中的多个特征点；
计算装置，用于基于多个特征点计算每个静态图像中目标对象的参数值，从而获得目标对象的多个参数值；
确定装置，用于基于多个参数值确定目标对象的属性值；以及
映射装置，用于根据预先定义的数据映射规则将目标对象的属性值映射为预定格式的数据文件。
9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-6任一所述的方法。
10.一种电子设备，其特征在于，所述电子设备包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述权利要求1-6任一所述的方法。
CN202110623792.8A 2021-06-04 2021-06-04 基于图像识别进行数据映射的方法及系统 Pending CN113409398A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110623792.8A CN113409398A (zh) 2021-06-04 2021-06-04 基于图像识别进行数据映射的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110623792.8A CN113409398A (zh) 2021-06-04 2021-06-04 基于图像识别进行数据映射的方法及系统

Publications (1)

Publication Number Publication Date
CN113409398A true CN113409398A (zh) 2021-09-17

Family

ID=77676268

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110623792.8A Pending CN113409398A (zh) 2021-06-04 2021-06-04 基于图像识别进行数据映射的方法及系统

Country Status (1)

Country Link
CN (1) CN113409398A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109508688A (zh) * 2018-11-26 2019-03-22 平安科技（深圳）有限公司 基于骨架的行为检测方法、终端设备及计算机存储介质
CN110222625A (zh) * 2019-06-03 2019-09-10 上海眼控科技股份有限公司 一种在视频监控图像中识别行人属性的方法及系统
WO2020054442A1 (ja) * 2018-09-10 2020-03-19 国立大学法人東京大学 関節位置の取得方法及び装置、動作の取得方法及び装置
CN111881887A (zh) * 2020-08-21 2020-11-03 董秀园 基于多摄像头的运动姿态监测和指导方法及装置
CN112185514A (zh) * 2020-10-12 2021-01-05 安徽动感智能科技有限公司 一种基于动作识别的康复训练效果评估系统
CN112237730A (zh) * 2019-07-17 2021-01-19 腾讯科技（深圳）有限公司 健身动作纠正方法及电子设备
CN112287867A (zh) * 2020-11-10 2021-01-29 上海依图网络科技有限公司 一种多摄像头的人体动作识别方法及装置
CN112434679A (zh) * 2021-01-27 2021-03-02 萱闱(北京)生物科技有限公司 康复运动的评估方法及装置、设备、存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020054442A1 (ja) * 2018-09-10 2020-03-19 国立大学法人東京大学 関節位置の取得方法及び装置、動作の取得方法及び装置
CN109508688A (zh) * 2018-11-26 2019-03-22 平安科技（深圳）有限公司 基于骨架的行为检测方法、终端设备及计算机存储介质
CN110222625A (zh) * 2019-06-03 2019-09-10 上海眼控科技股份有限公司 一种在视频监控图像中识别行人属性的方法及系统
CN112237730A (zh) * 2019-07-17 2021-01-19 腾讯科技（深圳）有限公司 健身动作纠正方法及电子设备
CN111881887A (zh) * 2020-08-21 2020-11-03 董秀园 基于多摄像头的运动姿态监测和指导方法及装置
CN112185514A (zh) * 2020-10-12 2021-01-05 安徽动感智能科技有限公司 一种基于动作识别的康复训练效果评估系统
CN112287867A (zh) * 2020-11-10 2021-01-29 上海依图网络科技有限公司 一种多摄像头的人体动作识别方法及装置
CN112434679A (zh) * 2021-01-27 2021-03-02 萱闱(北京)生物科技有限公司 康复运动的评估方法及装置、设备、存储介质

Similar Documents

Publication Publication Date Title
CN108629946B (zh) 一种基于rgbd传感器的人体跌倒检测方法
WO2020172783A1 (zh) 一种用于经颅磁刺激诊疗的人头姿态跟踪系统
CN108509908B (zh) 一种基于双目立体视觉的瞳孔直径实时测量方法
US20180182091A1 (en) Method and system for imaging and analysis of anatomical features
CN110991266A (zh) 一种双目人脸活体检测方法及装置
CN111488775B (zh) 注视度判断装置及方法
CN105913013A (zh) 双目视觉人脸识别算法
CN113139962B (zh) 用于脊柱侧凸概率评估的系统和方法
CN107122754A (zh) 姿势识别方法和装置
CN114894337B (zh) 一种用于室外人脸识别测温方法及装置
CN110742631A (zh) 一种医学图像的成像方法和装置
CN110120013A (zh) 一种点云拼接方法及装置
CN111486798B (zh) 图像测距方法、图像测距系统及终端设备
CN105180802B (zh) 一种物体尺寸信息识别方法和装置
CN115035546A (zh) 三维人体姿态检测方法、装置及电子设备
CN112396600B (zh) 基于热成像和深度图的脱敏状态下面部神经麻痹检测系统
CN113008380B (zh) 一种智慧ai体温预警方法、系统及存储介质
CN112686865B (zh) 一种3d视图辅助检测方法、系统、装置及存储介质
CN111833379B (zh) 用单目摄像头追踪移动物体中目标位置的方法
CN112907571A (zh) 基于多光谱图像融合识别的目标判定方法
KR100930594B1 (ko) 안면 영상 촬영장치 및 그의 안면 특징점 검출 방법
CN109740458B (zh) 一种基于视频处理的体貌特征测量方法及系统
CN113409398A (zh) 基于图像识别进行数据映射的方法及系统
CN113808256B (zh) 一种结合身份识别的高精度全息人体重建方法
CN115984203A (zh) 一种眼球突出度测量方法、系统、终端及介质

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