CN116897012A - 中医体质识别方法、装置、电子设备、存储介质及程序 - Google Patents
中医体质识别方法、装置、电子设备、存储介质及程序 Download PDFInfo
- Publication number
- CN116897012A CN116897012A CN202180001970.1A CN202180001970A CN116897012A CN 116897012 A CN116897012 A CN 116897012A CN 202180001970 A CN202180001970 A CN 202180001970A CN 116897012 A CN116897012 A CN 116897012A
- Authority
- CN
- China
- Prior art keywords
- human body
- traditional chinese
- infrared
- chinese medicine
- key point
- 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
- 239000003814 drug Substances 0.000 title claims abstract description 159
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000000605 extraction Methods 0.000 claims description 43
- 238000012549 training Methods 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 17
- 238000013526 transfer learning Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 210000001015 abdomen Anatomy 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 238000013508 migration Methods 0.000 claims description 5
- 230000005012 migration Effects 0.000 claims description 5
- 230000007306 turnover Effects 0.000 claims description 5
- 230000036760 body temperature Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 210000003739 neck Anatomy 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000002372 labelling Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 210000002784 stomach Anatomy 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 206010005908 Body temperature conditions Diseases 0.000 description 1
- 208000031975 Yang Deficiency Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000502 dialysis Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 210000002683 foot Anatomy 0.000 description 1
- 210000004247 hand Anatomy 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
-
- 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
- G06T2207/10048—Infrared 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
- G06T2207/20—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
- G06T2207/30004—Biomedical image processing
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Radiation Pyrometers (AREA)
- Image Analysis (AREA)
Abstract
本公开提供的中医体质识别方法、装置、电子设备、存储介质及程序,属于计算机技术领域。所述方法包括:获取目标用户的红外人体图像;将所述红外人体图像输入至红外关键点识别模型,得到所述红外人体图像中的中医人体关键点;根据红外人体图像中温度分布情况,确定所述中医人体关键点在所述红外人体图像中的温度类型;根据所述温度类型识别所述目标用户的中医体质。
Description
本公开属于计算机技术领域,特别涉及一种中医体质识别方法、装置、电子设备、存储介质及程序。
红外成像作为中医“望闻问切”中的望的延伸,中医红外图像分析多为中医大夫在培训后手动使用彩色层析对红外人体图像进行处理后,通过观看处理后的红外人体图像来分析身体部位寒热体征,根据手、脚、头、颈、腹部、胃部等多个关键部位的寒热体征综合分析得出寒郁、热瘀等中医体质分类,对于未经培训或者经验较浅的中医医生无法地准确判断病人体征。
概述
本公开提供的一种中医体质识别方法、装置、电子设备、存储介质及程序。
本公开一些实施方式提供一种中医体质识别方法,所述方法包括:
获取目标用户的红外人体图像;
将所述红外人体图像输入至红外关键点识别模型,得到所述红外人体图像中的中医人体关键点;
根据红外人体图像中温度分布情况,确定所述中医人体关键点在所述红外人体图像中的温度类型;
根据所述温度类型识别所述目标用户的中医体质。
可选地,所述红外关键点识别模型通过以下步骤得到:
获取自然光关键点识别模型和样本红外人体图像;
在所述样本红外人体图像中标注中医人体关键点;
利用标注后的样本红外人体图像对所述自然光关键点识别模型进行迁移学习,得到红外关键点识别模型。
可选地,所述利用标注后的样本红外人体图像对所述自然光关键点识别模型进行迁移学习,得到红外关键点识别模型,包括:
基于所述中医人体关键点对所述自然光关键点识别模型的全连接层节点进行调整;
在保持特征提取层的模型参数不变的情况下,利用所述标注后的样本红外人体图像对调整节点后的自然光关键点识别模型进行训练,得到红外关键点识别模型。
可选地,所述自然光关键点识别模型的原有人体关键点包含所述中医人体关键点,且所述原有人体关键点数量大于所述中医人体关键点的数量;
所述基于所述中医人体关键点对所述自然光关键点识别模型的全连接层节点进行调整,包括:
在所述自然光关键点识别模型的全连接层节点中,删除节点标签相对应的人体关键点不是所述中医人体关键点的全连接层节点。
可选地,所述利用标注后的样本红外人体图像对所述自然光关键点识别模型进行迁移学习,得到红外关键点识别模型,包括:
基于所述中医人体关键点对所述自然光关键点识别模型的全连接层节点进行调整;
利用所述标注后的样本红外人体图像对调整节点后的自然光关键点识别模型进行训练,得到红外关键点识别模型。
可选地,所述自然光关键点识别模型中的特征提取网络为轻量级特征提取网络,所述轻量级特征提取网络的参数数据量小于所述自然光关键点识别模型的原有特征提取网络的参数数据量。
可选地,所述中医人体关键点至少包括:头部关键点、颈部关键点、肩部关键点、手肘部关键点、手部关键点、腹部关键点、胯部关键点、腿肘关键点、脚部关键点其中至少之一。
可选地,所述温度类型包括:高温类型和低温类型的其中至少一种;
所述根据红外人体图像中温度分布情况,确定所述中医人体关键点在所述红外人体图像中的温度类型,包括:
确定所述红外人体图像中的,第一数量的温度极大值位置和/或第二数量的温度极小值位置;
将所述温度极大值位置所在图像区域相对应的中医人体关键点的温度类型,确定为高温类型,和/或将所述温度极小值位置所在图像区域相对应的中医人体关键点的温度类型,确定为低温类型。
可选地,所述确定所述红外人体图像中的,第一数量的温度极大 值位置和/或第二数量的温度极小值位置,包括:
通过最大值滤波器获取所述红外人体图像中,第一数量的温度极大值所在图像位置作为温度极大值位置;
和/或以所述红外人体图像中的温度最大值和温度最小值的均值作为翻转平面,对所述红外人体图像中的温度取值进行反转;
通过所述最大值滤波器获取反转后的红外人体图像中,第二数量的温度极大值所在位置作为作为温度极小值位置。
可选地,所述根据所述温度类型识别所述目标用户的中医体质,包括:
在中医体质映射关系中查询与各所述中医人体关键点的温度类型相匹配的中医体质。
可选地,所述获取目标用户的红外人体图像,包括:
获取对用户采用红外摄像头进行拍摄得到的初始红外图像;
通过人体温度范围阈值对所述初始红外图像进行全局阈值搜索,以将所述初始红外图像中在所述人体温度范围阈值之内的像素点取值为1,将在所述人体温度范围阈值之外的像素点取值为0,得到二值化的初始红外图像;
将所述初始红外图像和所述二值化的初始红外图像相乘,得到红外人体图像。
可选地,所述利用标注后的样本红外人体图像对所述自然光关键点识别模型进行迁移学习,得到红外关键点识别模型,包括:
基于所述中医人体关键点对所述自然光关键点识别模型的全连接层节点进行调整;
在保持特征提取层的部分预设模型参数不变的情况下,利用所述标注后的样本红外人体图像对调整节点后的自然光关键点识别模型进行训练,得到红外关键点识别模型。
可选地,所述中医人体关键点至少包括:头部关键点、颈部关键点、肩部关键点、手肘部关键点、手部关键点、腹部关键点、胯部关键点、腿肘关键点、脚部关键点其中至少之一。
本公开一些实施例提供一种中医体质识别装置,所述装置包括:
接收模块,被配置为获取目标用户的红外人体图像;
模型预测模块,被配置为将所述红外人体图像输入至红外关键点 识别模型,得到所述红外人体图像中的中医人体关键点;
识别模块,被配置为根据红外人体图像中温度分布情况,确定所述中医人体关键点在所述红外人体图像中的温度类型;
根据所述温度类型识别所述目标用户的中医体质。
可选地,所述装置还包括:训练模块,被配置为:
获取自然光关键点识别模型和样本红外人体图像;
在所述样本红外人体图像中标注中医人体关键点;
利用标注后的样本红外人体图像对所述自然光关键点识别模型进行迁移学习,得到红外关键点识别模型。
可选地,所述训练模块,还被配置为:
基于所述中医人体关键点对所述自然光关键点识别模型的全连接层节点进行调整;
在保持特征提取层的模型参数不变的情况下,利用所述标注后的样本红外人体图像对调整节点后的自然光关键点识别模型进行训练,得到红外关键点识别模型。
可选地,所述自然光关键点识别模型的原有人体关键点包含所述中医人体关键点,且所述原有人体关键点数量大于所述中医人体关键点的数量;
可选地,所述训练模块,还被配置为:
在所述自然光关键点识别模型的全连接层节点中,删除节点标签相对应的人体关键点不是所述中医人体关键点的全连接层节点。
可选地,所述自然光关键点识别模型中的特征提取网络为轻量级特征提取网络,所述轻量级特征提取网络的参数数据量小于所述自然光关键点识别模型的原有特征提取网络的参数数据量。
可选地,所述温度类型包括:高温类型和低温类型的其中至少一种;
所述识别模块,还被配置为:
确定所述红外人体图像中的,第一数量的温度极大值位置和/或第二数量的温度极小值位置;
将所述温度极大值位置所在图像区域相对应的中医人体关键点的温度类型,确定为高温类型,和/或将所述温度极小值位置所在图像区域相对应的中医人体关键点的温度类型,确定为低温类型
可选地,所述识别模块,还被配置为:
通过最大值滤波器获取所述红外人体图像中,第一数量的温度极大值所在图像位置作为温度极大值位置;
和/或以所述红外人体图像中的温度最大值和温度最小值的均值作为翻转平面,对所述红外人体图像中的温度取值进行反转;
通过所述最大值滤波器获取反转后的红外人体图像中,第二数量的温度极大值所在位置作为作为温度极小值位置。
可选地,所述识别模块,还被配置为:
在中医体质映射关系中查询与各所述中医人体关键点的温度类型相匹配的中医体质。
可选地,所述接收模块,还被配置为:
获取对用户采用红外摄像头进行拍摄得到的初始红外图像;
通过人体温度范围阈值对所述初始红外图像进行全局阈值搜索,以将所述初始红外图像中在所述人体温度范围阈值之内的像素点取值为1,将在所述人体温度范围阈值之外的像素点取值为0,得到二值化的初始红外图像;
将所述初始红外图像和所述二值化的初始红外图像相乘,得到红外人体图像。
可选地,训练模块,还被配置为:
基于所述中医人体关键点对所述自然光关键点识别模型的全连接层节点进行调整;
在保持特征提取层的部分预设模型参数不变的情况下,利用所述标注后的样本红外人体图像对调整节点后的自然光关键点识别模型进行训练,得到红外关键点识别模型。
可选地,所述中医人体关键点至少包括:头部关键点、颈部关键点、肩部关键点、手肘部关键点、手部关键点、腹部关键点、胯部关键点、腿肘关键点、脚部关键点其中至少之一。
本公开一些实施例提供一种计算处理设备,包括:
存储器,其中存储有计算机可读代码;
一个或多个处理器,当所述计算机可读代码被所述一个或多个处理器执行时,所述计算处理设备执行如上述的中医体质识别方法。
本公开一些实施例提供一种计算机程序,包括计算机可读代码,当所 述计算机可读代码在计算处理设备上运行时,导致所述计算处理设备执行如上述的中医体质识别方法。
本公开一些实施例提供一种计算机可读介质,其中存储了如上述的中医体质识别方法。
上述说明仅是本公开技术方案的概述,为了能够更清楚了解本公开的技术手段,而可依照说明书的内容予以实施,并且为了让本公开的上述和其它目的、特征和优点能够更明显易懂,以下特举本公开的具体实施方式。
附图简述
为了更清楚地说明本公开实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示意性地示出了本公开一些实施例提供的一种中医体质识别方法的流程示意图之一;
图2示意性地示出了本公开一些实施例提供的一种模型训练方法的流程示意图;
图3示意性地示出了本公开一些实施例提供的一种样本标注方法的效果示意图之一;
图4示意性地示出了本公开一些实施例提供的一种模型训练方法的流程示意图之二;
图5示意性地示出了本公开一些实施例提供的一种中医体质识别方法的流程示意图之二;
图6示意性地示出了本公开一些实施例提供的一种中医体质识别方法的流程示意图之三;
图7示意性地示出了本公开一些实施例提供的一种人体红外图像的效果示意图;
图8示意性地示出了本公开一些实施例提供的另一种人体红外图像的效果示意图;
图9示意性地示出了本公开一些实施例提供的一种中医体质识别方法的流程示意图之四;
图10示意性地示出了本公开一些实施例提供的一种中医体质识别方法 的原理示意图;
图11示意性地示出了本公开一些实施例提供的一种中医体质识别装置的结构示意图;
图12示意性地示出了用于执行根据本公开一些实施例的方法的计算处理设备的框图;
图13示意性地示出了用于保持或者携带实现根据本公开一些实施例的方法的程序代码的存储单元。
详细描述
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中的附图,对本公开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公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
图1示意性地示出了本公开提供的一种中医体质识别方法的流程示意图,该方法的执行主体可以为任一电子设备,例如可以应用于具有信息显示、信息传输和数据处理等功能的应用程序中,该方法可以由该应用程序的服务器或者终端设备执行,可选地,该方法可以由终端设备执行,所述方法包括:
步骤101,获取目标用户的红外人体图像。
在本公开实施例中,目标用户是本次需要进行中医体质识别的用户,红外人体图像是对目标用户采用红外摄像头或搭载有红外摄像头的图像采集设备进行拍摄而得到的红外图像,因此该红外人体图像中各像素点的取值可以反映用户的各人体部位的体温情况。可以在用户每次需要进行中医体质识别时,进行图像的拍摄,在一些实施方式中,也可以通过获取存储器中已存储的红外人体图像或由其它设备发送红外人体图像等方式来获取目标用户的红外人体图像,在此不做限定。例如,将红外摄像头或搭载有红外摄像头的图像采集设备所拍摄得到的红外图像进行存储,以供后续调用。
在本公开的一些实施例中,可采用搭载有红外摄像头的终端设备,例如连接有红外摄像机的计算机来对目标用户进行拍摄以得到红外人体图像,也可以是通过红外摄像机对目标用户进行拍摄得到红外人体 图像后通过发送至用户手机、个人计算机或者是平板电脑等终端设备以通过终端设备以供执行后续步骤来识别中医体质使用。
在本公开的一些实施例中,可以从人体的正面进行拍摄,或者从其它的角度拍摄也可以,在此不做限定。
步骤102,将所述红外人体图像输入至红外关键点识别模型,得到所述红外人体图像中的中医人体关键点。
在本公开实施例中,中医人体关键点是指中医体质识别中所需参考的人体位置,例如可以包括头部关键点、颈部关键点、肩部关键点、手肘部关键点、手部关键点、腹部关键点、胯部关键点、腿肘关键点、脚部关键点中的至少一种,也可以舍弃一些部位的关键点,例如眼部关键点、鼻部关键点等,对于中医体质识别作用不明显的关键点,可以舍弃,以减少计算量,而对于中医体质识别作用较明显的关键点,例如头部关键点等,可以保留,以保证识别结果的精确性。可以理解,其他人体部位关键点也可作为中医人体关键点,具体可以参照实际需求确定,此处不做限定。红外关键点识别模型是用于对红外人体图像中用户身体上的中医人体关键点进行识别的机器模型。
在本公开的一些实施例中,终端设备中安装部署有红外关键点识别模型的应用程序的客户端,从而在接收需要进行中医体质识别的人体红外图像后,调用红外关键点识别模型对该红外人体图像中的中医人体关键点进行识别。当然,该红外关键点识别模型还可以部署在服务器中,从而客户端可以将红外人体图像交由服务器进行中医体质识别后再返回给客户端进行显示以供用户查看。
步骤103,根据红外人体图像中温度分布情况,确定所述中医人体关键点在所述红外人体图像中的温度类型。
在本公开实施例中,温度类型可以是用于描述中医学术理论中的人体寒热情况的类型,由于中医理论中人体部位是寒或热,是基于人体各部位的温度相较而言的,并不能基于某一标准的温度阈值来衡量,例如某目标用户的大部分身体部位的温度是36.9°,而脚部的温度是36.5°,则该用户的脚部就属于温度较低的寒,头部的温度是37.1°,则该用户的头部属于温度较高的热,因此在识别用户的中医体质时,需要基于红外人体图像中温度分布情况来衡量各中医人体关键点所属于的温度类型。
在本公开的一些实施例中,可以基于红外人体图像中各像素点的温度极值来衡量各中医人体关键点的所在图像区域的温度类型,例如:极大值所在图像区域中的中医人体关键点为热,极小值所在图像区域中的中医人体关键点为寒;当然也可以基于各像素点的整体温度均值来衡量温度类型,例如所在图像区域的温度均值大于该整体温度均值的中医人体关键点为热,小于该整体温度均值的中医人体关键点为寒,该整体温度均值可以是单一值,也可以是范围取值,具体可以根据实际需求设置,此处不做限定。
步骤104,根据所述温度类型识别所述目标用户的中医体质。
在一些实施方式中,根据关键点所在身体部位的温度类型来确定用户的中医体质,例如,胃部的关键点温度类型为寒,则确定其中医体质为胃寒。
在本公开实施例中,可以采用中医学术理论中的中医体质的判别方式设置知识库,从而依据各中医人体关键点的温度类型来查询知识库以获取目标用户的中医体质。例如:头部部位关键点为热,四肢部位关键点为寒,则可以确定目标用户的中医体质为阳虚体质,或者是各中医关键点不寒不热,则可以确定目标用户的中医体质为平和体质等等,具体可以根据实际需求设置,此处不做限定。
终端设备可将所识别出的中医体现通过显示屏幕进行显示,以供用户进行查看。例如,也可以通过语音播报等方式提供给用户,具体形式在此不做限定。
本公开实施例通过红外关键点识别模型来对用户身体各部位的温度类型进行识别以判别用户的中医体质,避免了人为疏忽对于温度类型进行辨别造成的误差,提高了中医体质识别的准确性。
可选地,参照图2,所述红外关键点识别模型通过以下步骤得到:
步骤201,获取自然光关键点识别模型和样本红外人体图像。
在本公开实施例中,样本红外人体图像可以为对样本用户采用红外摄像机等进行拍摄得到的红外人体图像,自然光关键点识别模型是已训练好的图像识别模型,可对自然光图像中的人体关键点进行识别,具体可以参照相关技术中的人体关键点识别模型,此处不再赘述。
步骤202,在所述样本红外人体图像中标注中医人体关键点。
在本公开实施例中,参照图3,中医人体关键点可以仅选用头部关 键点、颈部关键点、肩部关键点、手肘部关键点、手部关键点、腹部关键点、胯部关键点、腿肘关键点、脚部关键点中的至少之一,其中肩部关键点、手肘部关键点、手部关键点、胯部关键点、腿肘关键点、脚部关键点均按照人体左右对称布局包括左右关键点,因此总共可以设置15个中医人体关键点。进一步的,弃用眼部关键点、鼻部关键点等中医学术理论中并不关注的人体关键点。由于自然光人体关键点在相关技术中存在大规模的标注数据集,因此延用自然光人体关键点中的部分,可以克服相关技术中红外人体图像中关键点标注数据集极少的弊端,仅需按关键点类型对相关技术中的人体关键点进行筛选即可,减少了样本标注所需的资源。
可选地,所述自然光关键点识别模型中的特征提取网络为轻量级特征提取网络,所述轻量级特征提取网络的参数数据量小于所述自然光关键点识别模型的原有特征提取网络的参数数据量。
在一些实施方式中,可将所述自然光关键点识别模型的原有特征提取网络替换为轻量级特征提取网络,所述轻量级特征提取网络的参数数据量小于所述原有特征提取网络的参数数据量。
在本公开一些实施例中,自然光关键点识别模型可以是采用Open Pose人体关键点检测模型,原始模型的特征提取网络的模型参数约为200M,数据量和计算量较大,因此为了降低参数量和计算量,可以使用Mobilennet(一种轻量级特征提取网络)来对原始模型的原有特征提取网络进行替换,从而使得模型参数下降到7M,并且大大减少了模型训练所需的计算量,将设置轻量级特征提取网络的自然光关键点识别模型作为预训练模块,并将预训练模型的模型参数作为参数初始化,初始学习率3e-3,训练300个epoch(训练数据集完成一轮叫一个epoch),每100个epoch下降1/10进行训练。
步骤203,利用标注后的样本红外人体图像对所述自然光关键点识别模型进行迁移学习,得到红外关键点识别模型。
在本公开实施例中,自然光关键点识别模型是用于对自然光人体图像中的人体关键点进行识别的机器模型,其与红外关键点识别模型的区别不仅在于模型的输入不同,还在于自然光关键点识别模型是基于自然光人体图像进行模型训练得到的,因此自然光关键点识别模型中的分类器仅能对自然光人体图像中的人体关键点进行识别,无法对 红外人体图像中的中医人体关键点进行识别,但是得益于自然光人体图像中边界清晰的特点,自然光关键点识别模型中的特征提取层可以准确地对人体图像中的图像特征进行提取,因此公开实施例采用延用已训练好的自然光关键点识别模型中的特征提取层的模型参数,以标注有中医人体关键点的样本红外人体图像对自然光关键点识别模型进行重新训练。通过将自然光关键点识别模型的输入替换为标注后的样本红外人体图像,将训练目标从原有关键点替换为中医人体关键点来对自然光关键点识别模型中的分类器进行迁移学习,得到红外关键点识别模型。可以通过迁移学习获得红外关键点识别模型,对于图像纹理的良好识别能力,提高了中医关键点识别的准确性。
可选地,参照图4,所述步骤203,可以包括:
步骤2031,基于所述中医人体关键点对所述自然光关键点识别模型的全连接层节点进行调整。
步骤2032,在保持特征提取层的模型参数不变的情况下,利用所述标注后的样本红外人体图像对调整节点后的自然光关键点识别模型进行训练,得到红外关键点识别模型。
在本公开的一些实施例中,该迁移学习具体是对于以自然光关键点识别模型中的特征提取层的模型参数作为初始训练参数。在一些实施方式中,特征提取层的参数可以变,也可以不变,依据训练效果决定,而其他层的参数会在训练的过程中不断调整,例如全连接层等,直至训练结束。在一些实施方式中,不改变特征提取层的参数,会取得更好的效果。
可选地,所述步骤2032可以替换为:在保持特征提取层的部分预设模型参数不变的情况下,利用所述标注后的样本红外人体图像对调整节点后的自然光关键点识别模型进行训练,得到红外关键点识别模型。
在本公开的一些实施例中,在迁移学习的过程中,可以误差整个网络或者部分特征提取网络对参数进行调整,特征提取网络的参数可以整体改变也可以部分改变,而其他层的参数会在训练的过程中不断调整,具体可以根据实际需求要求进行设置,此处不做限定。
可选地,所述自然光关键点识别模型的原有人体关键点包含所述中医人体关键点,且所述原有人体关键点数量大于所述中医人体关键 点的数量,所述步骤2031可以包括:在所述自然光关键点识别模型的全连接层节点中,删除节点标签相对应的人体关键点不是所述中医人体关键点的全连接层节点。
在一些实施方式中,对于中医体质识别,基于自然光图像需要的提取关键点数量和基于红外图像提取关键点的数量是不同的,因此对于重新训练,需要对关键点的个数进行调整,这也就意味着需要调整自然光关键点识别模型的全连接层的节点数,一般情况下,根据实际需要对全连接层的节点数进行调整和增删,例如,对于自然光图像来说眼部关键点比较重要,而对于红外图像来说眼部关键点不重要,则在全连接层删除该节点的标签,其中,标签包括各个关键节点的坐标和所在身体部位的名称。以延用至少部分模型参数的迁移学习来得到可以识别红外人体图像中中医人体关键点的红外关键点识别模型,从而使得该模型可以兼顾自然光关键点识别模型对于图像特征的准确提取能力的情况下,还可以对红外人体图像中的中医人体关键点进行识别。
可选地,所述温度类型至少包括:高温类型和低温类型的其中一种,参照图5,所述步骤103,可以包括:
步骤1031,确定所述红外人体图像中的,第一数量的温度极大值位置和/或第二数量的温度极小值位置。
在本公开实施例中,可对红外人体图像中的各局部极值进行排序,例如,将按照降序排序的局部极值中排序次序前第一数量的局部极值所在图像位置作为温度极大值位置,将升序排序的局部极值中排序次序前第二数量的局部极值所在图像位置作为温度极小值位置。升序还是降序,可根据实际情况做出调整,这里只是示例性说明,不做限定。第一数量和第二数量是分别需要选取温度极小值位置和温度极大值位置的数量,该第一数量和第二数量小于红外人体图像中中医人体关键点的总数量,且第一数量和第二数量可以是相同的也可以是不同的,例如第一数量和第二数量可以均是3个,或者第一数量可以是3个,第二数量可以是2个,具体可以根据实际需求进行设置,此处不做限定。
步骤1032,将所述温度极大值位置所在图像区域相对应的中医人体关键点的温度类型,确定为高温类型,和/或将所述温度极小值位置 所在图像区域相对应的中医人体关键点的温度类型,确定为低温类型。
在本公开实施例中,由于中医学术理论中通常是依据温度最高和温度最低的数个身体部位来判别中体体质,通过红外人体图像中的温度极小值和温度极大值汇总后按照大小排序,即可识别出寒热表现偏重的位置。
可选地,参照图6,所述步骤1031,可以包括:
步骤10311,通过最大值滤波器获取所述红外人体图像中,第一数量的温度极大值所在图像位置作为温度极大值位置。
在本公开的一些实施例中,最大值滤波器可以选用是Opencv中Skimage库中的Peak_local_max局部极大值算法,当然还可以是其他具有最大值筛选过程的滤波器以对各中医人体关键点所在局部图像区域的温度极大值进行提取。例如,将该算法的步长设置为10。
图7为人体红外图像进行色彩透析得到的正面图,其中通过不同颜色来表征温度,而参照图8为通过Peak_local_max局部极大值算法对图7处理过后的人体红外图像的侧面温度图,纵坐标是红外图像像素值,即温度,值越大,温度越高。而由于红外图像具有边界纹理不清晰的特点,因此所得到的正面图无法准确表征人体寒热情况,而通过Peak_local_max局部极大值算法处理得到的侧面图仅需考虑人体红外图像中的像素点取值,避免了红外图像边界纹理不清晰对温度极大值位置和温度极小值位置识别的准确性的影响。
步骤10312,以所述红外人体图像中的温度最大值和温度最小值的均值作为翻转平面,对所述红外人体图像中的温度取值进行反转。
在本公开实施例中,由于中医学术理论中的人体部位寒热评判方法是依据人体的整体温度分布情况,并且为了保证数据空间不发生偏移,因此可以使用红外人体图像的像素值的温度最大值和温度最小值的均值作为反转平面来对红外人体图像的温度取值进行反转,从而避免由于数据空间的偏移导致反转后温度取值出现负值的情况出现。例如:温度最大值为x,温度最小值为y,则反转平面为(x+y)/2,此时对于红外人体图像中任一温度n,反转后的温度为(x+y)/2*2-n。
步骤10313,通过所述最大值滤波器获取反转后的红外人体图像中,第二数量的温度极大值所在位置作为作为温度极小值位置。
在本公开实施例中,由于反转后的红外人体图像中的温度取值大 小颠倒,因此可通过最大值滤波器重新提取极大值,用该极大值即可表征红外人体图像中的温度极小值。
可选地,所述步骤104,可以包括:在中医体质映射关系中查询与各所述中医人体关键点的温度类型相匹配的中医体质。
在本公开实施例中,可参照中医学术理论设置中医体质映射关系,该中医体质映射关系中包括有各中医人体关键点的为各种温度类型下相对应的中医体质,从而便捷地对目标用户的中医体质进行识别。
可选地,所述步骤101,参照图9,可以包括:
步骤1011,获取对用户采用红外摄像头进行拍摄得到的初始红外图像。
在本公开实施例中,由于医用红外图像采集场景较为单一,用户通常是在医院的专用拍摄空间中进行红外拍摄,因此无关的人员干扰较少,但是仍存在部分无关的背景干扰内容,需要在拍摄得到初始红外图像进行去背景操作。
步骤1012,通过人体温度范围阈值对所述初始红外图像进行全局阈值搜索,以将所述初始红外图像中在所述人体温度范围阈值之内的像素点取值为1,将在所述人体温度范围阈值之外的像素点取值为0,得到二值化的初始红外图像。
在本公开实施例中,采用人体温度范围阈值对初始红外图像进行二值化处理,示例性的,参照图10,对于初始红外图像的直方图中显示有明显的“双峰”,可以使用OTSU(大津算法)进行全局阈值搜索。最后使用得到的阈值进行阈值分割,获得保留人体图像区域的像素点的取值为1,背景图像区域的像素点的取值为0的掩膜图像。使用掩膜图像与初始红外图像相乘即可获得去除背景的红外人体图像。
步骤1013,将所述初始红外图像和所述二值化的初始红外图像相乘,得到红外人体图像。
本公开实施例通过将初始红外图像进行二值化处理后,将初始红外图像中的无关背景图像区域进行去除,较少了无关图像内容对于后续中医关键点识别的干扰,提高了中医关键点识别的准确性。
图11示意性地示出了本公开提供的一种中医体质识别装置30的结构示意图,所述装置包括:
接收模块301,被配置为获取目标用户的红外人体图像;
模型预测模块302,被配置为将所述红外人体图像输入至红外关键点识别模型,得到所述红外人体图像中的中医人体关键点;
识别模块303,被配置为根据红外人体图像中温度分布情况,确定所述中医人体关键点在所述红外人体图像中的温度类型;
根据所述温度类型识别所述目标用户的中医体质。
可选地,所述装置还包括:训练模块,被配置为:
获取自然光关键点识别模型和样本红外人体图像;
在所述样本红外人体图像中标注中医人体关键点;
利用标注后的样本红外人体图像对所述自然光关键点识别模型进行迁移学习,得到红外关键点识别模型。
可选地,所述训练模块,还被配置为:
基于所述中医人体关键点对所述自然光关键点识别模型的全连接层节点进行调整;
在保持特征提取层的模型参数不变的情况下,利用所述标注后的样本红外人体图像对调整节点后的自然光关键点识别模型进行训练,得到红外关键点识别模型。
可选地,所述自然光关键点识别模型的原有人体关键点包含所述中医人体关键点,且所述原有人体关键点数量大于所述中医人体关键点的数量;
可选地,所述训练模块,还被配置为:
在所述自然光关键点识别模型的全连接层节点中,删除节点标签相对应的人体关键点不是所述中医人体关键点的全连接层节点。
可选地,所述自然光关键点识别模型中的特征提取网络为轻量级特征提取网络,所述轻量级特征提取网络的参数数据量小于所述自然光关键点识别模型的原有特征提取网络的参数数据量。
可选地,所述温度类型包括:高温类型和低温类型的其中至少一种;
所述识别模块303,还被配置为:
确定所述红外人体图像中的,第一数量的温度极大值位置和/或第二数量的温度极小值位置;
将所述温度极大值位置所在图像区域相对应的中医人体关键点的温度类型,确定为高温类型,和/或将所述温度极小值位置所在图像区 域相对应的中医人体关键点的温度类型,确定为低温类型
可选地,所述识别模块303,还被配置为:
通过最大值滤波器获取所述红外人体图像中,第一数量的温度极大值所在图像位置作为温度极大值位置;
和/或以所述红外人体图像中的温度最大值和温度最小值的均值作为翻转平面,对所述红外人体图像中的温度取值进行反转;
通过所述最大值滤波器获取反转后的红外人体图像中,第二数量的温度极大值所在位置作为作为温度极小值位置。
可选地,所述识别模块303,还被配置为:
在中医体质映射关系中查询与各所述中医人体关键点的温度类型相匹配的中医体质。
可选地,所述接收模块301,还被配置为:
获取对用户采用红外摄像头进行拍摄得到的初始红外图像;
通过人体温度范围阈值对所述初始红外图像进行全局阈值搜索,以将所述初始红外图像中在所述人体温度范围阈值之内的像素点取值为1,将在所述人体温度范围阈值之外的像素点取值为0,得到二值化的初始红外图像;
将所述初始红外图像和所述二值化的初始红外图像相乘,得到红外人体图像。
可选地,训练模块,还被配置为:
基于所述中医人体关键点对所述自然光关键点识别模型的全连接层节点进行调整;
在保持特征提取层的部分预设模型参数不变的情况下,利用所述标注后的样本红外人体图像对调整节点后的自然光关键点识别模型进行训练,得到红外关键点识别模型。
可选地,所述中医人体关键点至少包括:头部关键点、颈部关键点、肩部关键点、手肘部关键点、手部关键点、腹部关键点、胯部关键点、腿肘关键点、脚部关键点其中至少之一。
本公开实施例通过红外关键点识别模型来对用户身体各部位的温度类型进行识别以判别用户的中医体质,避免了人为疏忽对于温度类型进行辨别造成的误差,提高了中医体质识别的准确性。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明 的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
本公开的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本公开实施例的计算处理设备中的一些或者全部部件的一些或者全部功能。本公开还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本公开的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
例如,图12示出了可以实现根据本公开的方法的计算处理设备。该计算处理设备传统上包括处理器410和以存储器420形式的计算机程序产品或者计算机可读介质。存储器420可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器420具有用于执行上述方法中的任何方法步骤的程序代码431的存储空间430。例如,用于程序代码的存储空间430可以包括分别用于实现上面的方法中的各种步骤的各个程序代码431。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘,紧致盘(CD)、存储卡或者软盘之类的程序代码载体。这样的计算机程序产品通常为如参考图13所述的便携式或者固定存储单元。该存储单元可以具有与图12的计算处理设备中的存储器420类似布置的存储段、存储空间等。程序代码可以例如以适当形式进行压缩。通常,存储单元包括计算机可读代码431’,即可以由例如诸如410之类的处理器读取的代码,这些代码当由计算处理设备运行时,导致该计算处理设备执行上面所描述的方法中的各个步骤。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显 示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本文中所称的“一个实施例”、“实施例”或者“一个或者多个实施例”意味着,结合实施例描述的特定特征、结构或者特性包括在本公开的至少一个实施例中。此外,请注意,这里“在一个实施例中”的词语例子不一定全指同一个实施例。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本公开的实施例可以在没有这些具体细节的情况下被实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
最后应说明的是:以上实施例仅用以说明本公开的技术方案,而非对其限制;尽管参照前述实施例对本公开进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本公开各实施例技术方案的精神和范围。
Claims (14)
- 一种中医体质识别方法,其特征在于,所述方法包括:获取目标用户的红外人体图像;将所述红外人体图像输入至红外关键点识别模型,得到所述红外人体图像中的中医人体关键点;根据红外人体图像中温度分布情况,确定所述中医人体关键点在所述红外人体图像中的温度类型;根据所述温度类型识别所述目标用户的中医体质。
- 根据权利要求1所述的方法,其特征在于,所述红外关键点识别模型通过以下步骤得到:获取自然光关键点识别模型和样本红外人体图像;在所述样本红外人体图像中标注中医人体关键点;利用标注后的样本红外人体图像对所述自然光关键点识别模型进行迁移学习,得到红外关键点识别模型。
- 根据权利要求2所述的方法,其特征在于,所述利用标注后的样本红外人体图像对所述自然光关键点识别模型进行迁移学习,得到红外关键点识别模型,包括:基于所述中医人体关键点对所述自然光关键点识别模型的全连接层节点进行调整;在保持特征提取层的模型参数不变的情况下,利用所述标注后的样本红外人体图像对调整节点后的自然光关键点识别模型进行训练,得到红外关键点识别模型。
- 根据权利要求3所述的方法,其特征在于,所述自然光关键点识别模型的原有人体关键点包含所述中医人体关键点,且所述原有人体关键点数量大于所述中医人体关键点的数量;所述基于所述中医人体关键点对所述自然光关键点识别模型的全连接层节点进行调整,包括:在所述自然光关键点识别模型的全连接层节点中,删除节点标签相对应的人体关键点不是所述中医人体关键点的全连接层节点。
- 根据权利要求2所述的方法,其特征在于,所述利用标注后的样本红外人体图像对所述自然光关键点识别模型进行迁移学习,得到红外关键点识别模型,包括:基于所述中医人体关键点对所述自然光关键点识别模型的全连接层节点进行调整;利用所述标注后的样本红外人体图像对调整节点后的自然光关键点识别模型进行训练,得到红外关键点识别模型。
- 根据权利要求2所述的方法,其特征在于,所述自然光关键点识别模型中的特征提取网络为轻量级特征提取网络,所述轻量级特征提取网络的参数数据量小于所述自然光关键点识别模型的原有特征提取网络的参数数据量。
- 根据权利要求2所述的方法,其特征在于,所述中医人体关键点至少包括:头部关键点、颈部关键点、肩部关键点、手肘部关键点、手部关键点、腹部关键点、胯部关键点、腿肘关键点、脚部关键点其中至少之一。
- 根据权利要求1所述的方法,其特征在于,所述温度类型包括:高温类型和低温类型的其中至少一种;所述根据红外人体图像中温度分布情况,确定所述中医人体关键点在所述红外人体图像中的温度类型,包括:确定所述红外人体图像中的,第一数量的温度极大值位置和/或第二数量的温度极小值位置;将所述温度极大值位置所在图像区域相对应的中医人体关键点的温度类型,确定为高温类型,和/或将所述温度极小值位置所在图像区域相对应的中医人体关键点的温度类型,确定为低温类型。
- 根据权利要求8所述的方法,其特征在于,所述确定所述红外人体图像中的,第一数量的温度极大值位置和/或第二数量的温度极小值位置,包括:通过最大值滤波器获取所述红外人体图像中,第一数量的温度极大值所在图像位置作为温度极大值位置;以所述红外人体图像中的温度最大值和温度最小值的均值作为翻转平面,对所述红外人体图像中的温度取值进行反转;通过所述最大值滤波器获取反转后的红外人体图像中,第二数量的温度极大值所在位置作为作为温度极小值位置。
- 根据权利要求1-9任一项所述的方法,其特征在于,所述根据所述温度类型识别所述目标用户的中医体质,包括:在中医体质映射关系中查询与各所述中医人体关键点的温度类型相匹配的中医体质。
- 一种中医体质识别装置,其特征在于,所述装置包括:接收模块,被配置为获取目标用户的红外人体图像;模型预测模块,被配置为将所述红外人体图像输入至红外关键点识别模型,得到所述红外人体图像中的中医人体关键点;识别模块,被配置为根据红外人体图像中温度分布情况,确定所述中医人体关键点在所述红外人体图像中的温度类型;根据所述温度类型识别所述目标用户的中医体质。
- 一种计算处理设备,其特征在于,包括:存储器,其中存储有计算机可读代码;一个或多个处理器,当所述计算机可读代码被所述一个或多个处理器执行时,所述计算处理设备执行如权利要求1-9中任一项所述的中医体质识别方法。
- 一种计算机程序,其特征在于,包括计算机可读代码,当所述计算机可读代码在计算处理设备上运行时,导致所述计算处理设备执行如权利要求1-10中任一项所述的中医体质识别方法。
- 一种计算机可读介质,其特征在于,其中存储了如权利要求1-10中任一项所述的中医体质识别方法的计算机程序。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2021/108470 WO2023004546A1 (zh) | 2021-07-26 | 2021-07-26 | 中医体质识别方法、装置、电子设备、存储介质及程序 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116897012A true CN116897012A (zh) | 2023-10-17 |
Family
ID=85086152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180001970.1A Pending CN116897012A (zh) | 2021-07-26 | 2021-07-26 | 中医体质识别方法、装置、电子设备、存储介质及程序 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20240169518A1 (zh) |
CN (1) | CN116897012A (zh) |
WO (1) | WO2023004546A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116077024B (zh) * | 2023-02-20 | 2023-07-07 | 北京鹰之眼智能健康科技有限公司 | 基于头部红外图像的数据处理方法、电子设备和存储介质 |
CN116313057B (zh) * | 2023-03-23 | 2023-09-08 | 北京鹰之眼智能健康科技有限公司 | 基于红外图像的异常区域检测系统 |
CN116309501B (zh) * | 2023-03-27 | 2024-02-02 | 北京鹰之眼智能健康科技有限公司 | 一种疮面类型预测方法、电子设备和存储介质 |
CN117292142B (zh) * | 2023-09-26 | 2024-05-10 | 北京鹰之眼智能健康科技有限公司 | 一种图像的匹配方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101015448A (zh) * | 2007-03-12 | 2007-08-15 | 张文芳 | 一种体质分型智能诊断技术及其应用 |
CN107133967B (zh) * | 2017-05-05 | 2019-06-28 | 杭州远舟医疗科技有限公司 | 提取目标图像的方法及装置 |
CN108065915B (zh) * | 2017-11-01 | 2021-06-08 | 杭州远舟医疗科技有限公司 | 基于红外的体质辨识方法、电子设备、存储介质及系统 |
JP7194410B2 (ja) * | 2017-12-08 | 2022-12-22 | 国立大学法人金沢大学 | 診断方法、プログラム、および診断装置 |
-
2021
- 2021-07-26 CN CN202180001970.1A patent/CN116897012A/zh active Pending
- 2021-07-26 US US17/772,742 patent/US20240169518A1/en active Pending
- 2021-07-26 WO PCT/CN2021/108470 patent/WO2023004546A1/zh active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2023004546A1 (zh) | 2023-02-02 |
US20240169518A1 (en) | 2024-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109670532B (zh) | 生物体器官组织图像的异常识别方法、装置及系统 | |
CN116897012A (zh) | 中医体质识别方法、装置、电子设备、存储介质及程序 | |
CN111783576B (zh) | 基于改进型YOLOv3网络和特征融合的行人重识别方法 | |
CN109284729B (zh) | 基于视频获取人脸识别模型训练数据的方法、装置和介质 | |
WO2020107847A1 (zh) | 基于骨骼点的跌倒检测方法及其跌倒检测装置 | |
CN110689025B (zh) | 图像识别方法、装置、系统及内窥镜图像识别方法、装置 | |
CN110276366A (zh) | 使用弱监督模型来检测对象 | |
CN107506793B (zh) | 基于弱标注图像的服装识别方法及系统 | |
Faraji et al. | Face recognition under varying illuminations using logarithmic fractal dimension-based complete eight local directional patterns | |
CN109410168A (zh) | 用于确定图像中的子图块的类别的卷积神经网络模型的建模方法 | |
WO2021051547A1 (zh) | 暴力行为检测方法及系统 | |
CN111445459A (zh) | 一种基于深度孪生网络的图像缺陷检测方法及系统 | |
WO2019033568A1 (zh) | 嘴唇动作捕捉方法、装置及存储介质 | |
CN112419326B (zh) | 图像分割数据处理方法、装置、设备及存储介质 | |
CN113011253B (zh) | 基于ResNeXt网络的人脸表情识别方法、装置、设备及存储介质 | |
CN112287802A (zh) | 人脸图像检测方法、系统、存储介质及设备 | |
CN110796659A (zh) | 一种目标检测结果的鉴别方法、装置、设备及存储介质 | |
CN113780145A (zh) | 精子形态检测方法、装置、计算机设备和存储介质 | |
Yu et al. | Key point detection by max pooling for tracking | |
CN112613471A (zh) | 人脸活体检测方法、装置及计算机可读存储介质 | |
EP3647997A1 (en) | Person searching method and apparatus and image processing device | |
CN110956157A (zh) | 基于候选框选择的深度学习遥感影像目标检测方法及装置 | |
CN113557546B (zh) | 图像中关联对象的检测方法、装置、设备和存储介质 | |
CN116778533A (zh) | 一种掌纹全感兴趣区域图像提取方法、装置、设备及介质 | |
CN109359543B (zh) | 一种基于骨骼化的人像检索方法及装置 |
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 |