CN117253259A - 一种人体红外图像的处理方法 - Google Patents
一种人体红外图像的处理方法 Download PDFInfo
- Publication number
- CN117253259A CN117253259A CN202311255692.XA CN202311255692A CN117253259A CN 117253259 A CN117253259 A CN 117253259A CN 202311255692 A CN202311255692 A CN 202311255692A CN 117253259 A CN117253259 A CN 117253259A
- Authority
- CN
- China
- Prior art keywords
- pixel point
- coordinate
- tem
- human body
- obtaining
- 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.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 6
- 210000001364 upper extremity Anatomy 0.000 claims abstract description 77
- 238000000034 method Methods 0.000 claims abstract description 46
- 210000003141 lower extremity Anatomy 0.000 description 20
- 238000003062 neural network model Methods 0.000 description 8
- 210000003127 knee Anatomy 0.000 description 5
- 238000001931 thermography Methods 0.000 description 5
- 239000003814 drug Substances 0.000 description 3
- 210000003414 extremity Anatomy 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- 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
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Human Computer Interaction (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Transforming Light Signals Into Electric Signals (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及图像识别技术领域,特别是涉及一种人体红外图像的处理方法。该方法包括以下步骤:获取目标人体红外图像P;获取a1包括的像素点E1;获取a1的目标像素点Z1;获取a1的边缘像素点F1;获取a1的第一子区域边缘像素点C1,1;获取a1的第二子区域边缘像素点C1,2;获取a1的第二轨迹的像素点L1,L1=(l1,1,l1,2,…,l1,i,…,l1,u),l1,i为e1,i中属于a1的第二轨迹的像素点,l1,i=(l1 1,i,l2 1,i,…,lm 1,i,…,lM 1,i),lm 1,i为e1,i中x坐标属于[ki,3,ki,4]区间的第m个像素点。本发明实现了对第一上肢区域的第二轨迹的定位。
Description
技术领域
本发明涉及图像识别技术领域,特别是涉及一种人体红外图像的处理方法。
背景技术
红外热成像技术可以将人体散发出的不可见的红外辐射转化为可见的热成像图,人体红外图像就是利用红外热成像技术得到的人体的热成像图像。因采集人体红外图像的过程是一种无损伤的、非介入的过程,人体红外图像在医学上得到了越来越多的关注。经络在中医理论中占有重要的地位,人体红外图像中上肢的经络循行区域(即轨迹)的热成像情况在医学上具有重要的参考意义,如何对人体红外图像中上肢的经络循行区域进行定位,是亟待解决的问题。
发明内容
本发明目的在于,提供一种人体红外图像的处理方法,以对人体红外图像的上肢经络循行区域进行定位。
根据本发明,提供了一种人体红外图像的处理方法,包括以下步骤:
S100,获取目标人体红外图像P,P包括第一上肢区域a1,P为人体正面图像。
S200,获取a1包括的像素点E1,E1=(e1,1,e1,2,…,e1,i,…,e1,u),e1,i为a1包括的第i行像素点,i的取值范围为1到u,u为a1包括的像素点行数。
S300,获取a1的目标像素点Z1;Z1=(z1,1,z1,2,…,z1,i,…,z1,u),z1,i为e1,i中对应温度值最高的像素点。
S400,获取a1的边缘像素点F1,F1=(f1,1,f1,2,…,f1,i,…,f1,u),f1,i为e1,i中a1的边缘像素点,f1,i=(f1 1,i,f2 1,i),f1 1,i为e1,i中x坐标较小的a1的边缘像素点,f2 1,i为e1,i中x坐标较大的a1的边缘像素点。
S500,获取a1的第一子区域边缘像素点C1,1,C1,1=(c1 1,1,c2 1,1,…,ci 1,1,…,cu 1,1),ci 1,1为e1,i中x坐标与xf1 1,i+2×(xz1,i-xf1 1,i)/3差异最小的像素点,xz1,i为z1,i的x坐标,xf1 1,i为f1 1,i的x坐标。
S600,获取a1的第二子区域边缘像素点C1,2,C1,2=(c1 1,2,c2 1,2,…,ci 1,2,…,cu 1,2),ci 1,2为e1,i中x坐标与xf2 1,i-2×(xf2 1,i-xz1,i)/3差异最小的像素点,xf2 1,i为f2 1,i的x坐标。
S700,获取a1的第二轨迹的像素点L1,L1=(l1,1,l1,2,…,l1,i,…,l1,u),l1,i为e1,i中属于a1的第二轨迹的像素点,l1,i=(l1 1,i,l2 1,i,…,lm 1,i,…,lM 1,i),lm 1,i为e1,i中x坐标属于[ki,3,ki,4]区间的第m个像素点,m的取值范围为1到M,M为e1,i中x坐标属于[ki,3,ki,4]区间的像素点数量;ki,3为e1,i对应的第三阈值,ki,3=(xci 1,2+xci 1,1)/2-gi,2×(xci 1,2-xci 1,1)/2;ki,4为e1,i对应的第四阈值,ki,4=(xci 1,2+xci 1,1)/2+gi,2×(xci 1,2-xci 1,1)/2;xci 1,1为ci 1,1的x坐标,xci 1,2为ci 1,2的x坐标,gi,2为预设的e1,i的第二系数,0<gi,2<1。。
本发明与现有技术相比,其至少具有以下有益效果:
本发明对于目标人体红外图像,先获取了该图像中第一上肢区域对应的像素点(即E1),该第一上肢区域为人体的左上肢区域或右上肢区域;对于第一上肢区域对应的每一行像素点(即e1,i),先获取该行像素点中对应温度值最高的像素点(即z1,i),再获取该行对应的2个边缘像素点(即f1 1,i和f2 1,i,其为第一上肢区域的边缘像素点中第i行对应的边缘像素点),基于该行对应的3个像素点(即z1,i、f1 1,i和f2 1,i),本发明将该行划分为3份,用于划分该行的第一个像素点根据z1,i和f1 1,i的x坐标得到,用于划分该行的第二个像素点根据z1,i和f2 1,i的x坐标得到;基于用于划分该行的第一像素点和第二像素点的x坐标以及该行对应的第二缩放比例,本发明得到了第一上肢区域对应于该行的像素点中哪些像素点为第二轨迹的像素点;同理,也得到了第一上肢区域对应于其他行的像素点中哪些像素点为第二轨迹的像素点;由此,本发明得到了目标人体红外图像中属于第一上肢区域的第二轨迹的全部像素点,实现了对第一上肢区域的第二轨迹(也即第二经络循行区域)的定位。而且,本发明的第二轨迹是根据人体红外图像中第一上肢区域中各行的温度值最高的像素点的位置得到的,对第二轨迹定位的准确性也较高。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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为本发明实施例提供的人体红外图像的处理方法的流程图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,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,都属于本发明保护的范围。
根据本发明,提供了一种人体红外图像的处理方法,包括以下步骤,如图1所示:
S100,获取目标人体红外图像P,P包括第一上肢区域a1,P为人体正面图像。
本领域技术人员知悉,现有技术中任何的获取人体红外图像的方法均落入本发明的保护范围。本实施例中的第一上肢区域a1为人体的左上肢区域或右上肢区域。
S200,获取a1包括的像素点E1,E1=(e1,1,e1,2,…,e1,i,…,e1,u),e1,i为a1包括的第i行像素点,i的取值范围为1到u,u为a1包括的像素点行数。
本领域技术人员知悉,现有技术中任何获取图像中特定区域的像素点的方法均落入本发明的保护范围。可选的,利用经训练的第一神经网络模型识别人体红外图像中的第一上肢区域,由此可以得到人体红外图像中的第一上肢区域包括的像素点;获取经训练的第一神经网络模型的过程包括:获取大量的人体红外图像样本,对每一人体红外图像样本的第一上肢区域进行标注,利用所有的人体红外图像样本和对应的标注结果对第一神经网络模型进行训练,进而得到经训练的第一神经网络模型。
S300,获取a1的目标像素点Z1;Z1=(z1,1,z1,2,…,z1,i,…,z1,u),z1,i为e1,i中对应温度值最高的像素点。
具体的,z1,i的获取过程包括:
S310,获取e1,i对应的温度值序列wen1,i,wen1,i=(wen1 1,i,wen2 1,i,…,wenβ 1,i,…,wenη 1,i),wenβ 1,i为a1包括的第i行的第β个像素点,β的取值范围为1到η,η为a1包括的第i行的像素点数量。
S320,获取max(wen1,i),max()为取最大值。
S330,将max(wen1,i)对应的像素点确定为z1,i。
S400,获取a1的边缘像素点F1,F1=(f1,1,f1,2,…,f1,i,…,f1,u),f1,i为e1,i中a1的边缘像素点,f1,i=(f1 1,i,f2 1,i),f1 1,i为e1,i中x坐标较小的a1的边缘像素点,f2 1,i为e1,i中x坐标较大的a1的边缘像素点。
本领域技术人员知悉,现有技术中任何的获取边缘像素点的方法均落入本发明的保护范围。
可选的,以人体红外图像中最左上方的像素点为原点,以水平向右的方向为人体红外图像的X轴正方向,以水平向下的方向为人体红外图像的Y轴正方向。
S500,获取a1的第一子区域边缘像素点C1,1,C1,1=(c1 1,1,c2 1,1,…,ci 1,1,…,cu 1,1),ci 1,1为e1,i中x坐标与xf1 1,i+2×(xz1,i-xf1 1,i)/3差异最小的像素点,xz1,i为z1,i的x坐标,xf1 1,i为f1 1,i的x坐标。
S600,获取a1的第二子区域边缘像素点C1,2,C1,2=(c1 1,2,c2 1,2,…,ci 1,2,…,cu 1,2),ci 1,2为e1,i中x坐标与xf2 1,i-2×(xf2 1,i-xz1,i)/3差异最小的像素点,xf2 1,i为f2 1,i的x坐标。
S700,获取a1的第二轨迹的像素点L1,L1=(l1,1,l1,2,…,l1,i,…,l1,u),l1,i为e1,i中属于a1的第二轨迹的像素点,l1,i=(l1 1,i,l2 1,i,…,lm 1,i,…,lM 1,i),lm 1,i为e1,i中x坐标属于[ki,3,ki,4]区间的第m个像素点,m的取值范围为1到M,M为e1,i中x坐标属于[ki,3,ki,4]区间的像素点数量;ki,3为e1,i对应的第三阈值,ki,3=(xci 1,2+xci 1,1)/2-gi,2×(xci 1,2-xci 1,1)/2;ki,4为e1,i对应的第四阈值,ki,4=(xci 1,2+xci 1,1)/2+gi,2×(xci 1,2-xci 1,1)/2;xci 1,1为ci 1,1的x坐标,xci 1,2为ci 1,2的x坐标,gi,2为预设的e1,i的第二系数,0<gi,2<1。
本实施例对于目标人体红外图像,先获取了该图像中第一上肢区域对应的像素点(即E1),该第一上肢区域为人体的左上肢区域或右上肢区域;对于第一上肢区域对应的每一行像素点(即e1,i),先获取该行像素点中对应温度值最高的像素点(即z1,i),再获取该行对应的2个边缘像素点(即f1 1,i和f2 1,i,其为第一上肢区域的边缘像素点中第i行对应的边缘像素点),基于该行对应的3个像素点(即z1,i、f1 1,i和f2 1,i),本实施例将该行划分为3份,用于划分该行的第一个像素点(即ci 1,1)根据z1,i和f1 1,i的x坐标得到,用于划分该行的第二个像素点(即ci 1,2)根据z1,i和f2 1,i的x坐标得到;基于用于划分该行的第一像素点和第二像素点的x坐标以及该行对应的第二缩放比例,本实施例得到了第一上肢区域对应于该行的像素点中哪些像素点为第二轨迹的像素点;同理,也得到了第一上肢区域对应于其他行的像素点中哪些像素点为第二轨迹的像素点;由此,本实施例得到了目标人体红外图像中属于第一上肢区域的第二轨迹的全部像素点,实现了对第一上肢区域的第二轨迹(也即第二经络循行区域)的定位。而且,本发明的第二轨迹是根据人体红外图像中第一上肢区域中各行的温度值最高的像素点的位置得到的,对第二轨迹定位的准确性也较高。
本实施例的人体红外图像的处理方法还包括:
S800,获取a1的第一轨迹的像素点H1,H1=(h1,1,h1,2,…,h1,i,…,h1,u),h1,i为e1,i中属于a1的第一轨迹的像素点,h1,i=(h1 1,i,h2 1,i,…,hj 1,i,…,hv 1,i),hj 1,i为e1,i中x坐标属于[ki,1,ki,2]区间的第j个像素点,j的取值范围为1到v,v为e1,i中x坐标属于[ki,1,ki,2]区间的像素点数量;ki,1为e1,i对应的第一阈值,ki,1=(xf1 1,i+xci 1,1)/2-gi,1×(xci 1,1-xf1 1,i)/2;ki,2为e1,i对应的第二阈值,ki,2=(xf1 1,i+xci 1,1)/2+gi,1×(xci 1,1-xf1 1,i)/2;gi,1为预设的e1,i的第一系数,0<gi,1<1。
基于用于划分第i行的第一像素点(即ci 1,1)和第二像素点(即ci 1,2)的x坐标以及该行对应的第一缩放比例,本实施例得到了第一上肢区域对应于该行的像素点中哪些像素点为第一轨迹的像素点;同理,也得到了第一上肢区域对应于其他行的像素点中哪些像素点为第一轨迹的像素点;由此,本实施例得到了目标人体红外图像中属于第一上肢区域的第一轨迹的全部像素点,实现了对第一上肢区域的第一轨迹(也即第一经络循行区域)的定位。
本实施例的人体红外图像的处理方法还包括:
S900,获取a1的第三轨迹的像素点R1,R1=(r1,1,r1,2,…,r1,i,…,r1,u),r1,i为e1,i中属于a1的第三轨迹的像素点,r1,i=(r1 1,i,r2 1,i,…,rt 1,i,…,rT 1,i),rt 1,i为e1,i中x坐标属于[ki,5,ki,6]区间的第t个像素点,t的取值范围为1到T,T为e1,i中x坐标属于[ki,5,ki,6]区间的像素点数量;ki,5为e1,i对应的第五阈值,ki,5=(xf2 1,i+xci 1,2)/2-gi,3×(xf2 1,i-xci 1,2)/2;ki,6为e1,i对应的第六阈值,ki,6=(xf2 1,i+xci 1,2)/2+gi,3×(xf2 1,i-xci 1,2)/2;gi,3为预设的e1,i的第三系数,0<gi,3<1。
基于用于划分第i行的第一像素点(即ci 1,1)和第二像素点(即ci 1,2)的x坐标以及该行对应的第三缩放比例,本实施例得到了第一上肢区域对应于该行的像素点中哪些像素点为第三轨迹的像素点;同理,也得到了第一上肢区域对应于其他行的像素点中哪些像素点为第三轨迹的像素点;由此,本实施例得到了目标人体红外图像中属于第一上肢区域的第三轨迹的全部像素点,实现了对第一上肢区域的第三轨迹(也即第三经络循行区域)的定位。
作为一种可选的实施例,gi,1、gi,2和gi,3为经验值。
作为一种优选的实施例,gi,1、gi,2和gi,3的获取过程包括:
S010,获取e1,i对应的目标序列D1,i,D1,i=(xci 1,1-xf1 1,i,xci 1,2-xci 1,1,xf2 1,i-xci 1,2)。
S020,获取待匹配的目标列表B,B=(b1,b2,…,bγ,…,bδ),bγ为B包括的第γ条记录,γ的取值范围为1到δ,δ为B包括的记录的数量;bγ=(bγ,1,bγ,2,bγ,3,g1 γ,g2 γ,g3 γ),bγ,1为bγ对应的第一距离,bγ,2为bγ对应的第二距离,bγ,3为bγ对应的第三距离,g1 γ为bγ对应的第一系数,g2 γ为bγ对应的第二系数,g3 γ为bγ对应的第三系数。
本实施例中B为预先构建的列表,每一bγ用于表征:当人体红外图像样本中上肢区域的某一行的x坐标较小的边缘像素点距离对应的第一子区域边缘像素点的距离为bγ,1,该行对应的第一子区域边缘像素点与对应的第二子区域边缘像素点的距离为bγ,2,且该行对应的第二子区域边缘像素点与该行的x坐标较大的边缘像素点的距离为bγ,3时,人工标注的上肢区域中第一轨迹的宽度与bγ,1之比为g1 γ,人工标注的上肢区域中第二轨迹的宽度与bγ,2之比为g2 γ,人工标注的上肢区域中第三轨迹的宽度与bγ,3之比为g3 γ。本实施例中人体红外图像样本为人体正面图像,人工标注的准确性较高。
S030,遍历B,获取(bγ,1,bγ,2,bγ,3)与D1,i的相似度SIMγ,并将SIMγ追加至预设的第一集合J1,J1的初始化为空集。
本领域技术人员知悉,现有技术中任何的获取两向量之间相似度的方法均落入本发明的保护范围。
S040,将max(J1)对应的(bγ,1,bγ,2,bγ,3)对应的g1 γ确定为gi,1,max()为取最大值。
S050,将max(J1)对应的(bγ,1,bγ,2,bγ,3)对应的g2 γ确定为gi,2。
S060,将max(J1)对应的(bγ,1,bγ,2,bγ,3)对应的g3 γ确定为gi,3。
该优选的实施例通过将D1,i与B中每一记录进行匹配的方式可以自动为P分配较为匹配的缩放系数,由此获取的第一轨迹、第二轨迹和第三轨迹的位置的准确度较高。
基于上述步骤S100-S900,本实施例实现了对目标人体红外图像中第一上肢区域中3条轨迹的定位,当上述第一上肢区域为人体左上肢区域时,可采用与上述步骤S100-S900相同的方法实现对目标人体红外图像中人体右上肢中3条轨迹的定位。
需要说明的是,上述目标人体红外图像是人体正面图像,S700中的第二轨迹、S800中的第一轨迹和S900中的第三轨迹均属于人体上肢正面的轨迹,上述S100-S900实现的是人体上肢正面轨迹的定位。对人体上肢背面轨迹的定位过程与上述S100-S900的过程相似,区别主要在于:对人体上肢背面轨迹的定位过程中,获取的不是温度值最高的像素点,而是温度值最低的像素点。具体的,对人体上肢背面轨迹的定位过程包括以下步骤:
S1,获取第一人体红外图像P’,P’包括第二上肢区域a2,P’为人体背面图像。
S2,获取a2包括的像素点E2,E2=(e2,1,e2,2,…,e2,ε,…,e2,θ),e2,ε为a2包括的第ε行像素点,ε的取值范围为1到θ,θ为a2包括的像素点行数。
S3,获取a2的目标像素点Z2;Z2=(z2,1,z2,2,…,z2,ε,…,z2,θ),z2,ε为e2,ε中对应温度值最低的像素点。
S4,获取a2的边缘像素点F2,F2=(f2,1,f2,2,…,f2,ε,…,f2,θ),f2,ε为e2,ε中a2的边缘像素点,f2,ε=(f1 2,ε,f2 2,ε),f1 2,ε为e2,ε中x坐标较小的a2的边缘像素点,f2 2,ε为e2,ε中x坐标较大的a2的边缘像素点。
S5,获取a2的第一子区域边缘像素点C2,1,C2,1=(c1 2,1,c2 2,1,…,cε 2,1,…,cθ 2,1),cε 2,1为e2,ε中x坐标与xf1 2,ε+2×(xz2,ε-xf1 2,ε)/3差异最小的像素点,xz2,ε为z2,ε的x坐标,xf1 2,ε为f1 2,ε的x坐标。
S6,获取a2的第二子区域边缘像素点C2,2,C2,2=(c1 2,2,c2 2,2,…,cε 2,2,…,cθ 2,2),cε 2,2为e2,ε中x坐标与xf2 2,ε-2×(xf2 2,ε-xz2,ε)/3差异最小的像素点,xf2 2,ε为f2 2,ε的x坐标。
S7,获取a2的第二轨迹的像素点L2,L2=(l2,1,l2,2,…,l2,ε,…,l2,θ),l2,ε为e2,ε中属于a2的第二轨迹的像素点,l2,ε=(l1 2,ε,l2 2,ε,…,lξ 2,ε,…,lw 2,ε),lξ 2,ε为e2,ε中x坐标属于[k’ε,3,k’ε,4]区间的第ξ个像素点,ξ的取值范围为1到w,w为e2,ε中x坐标属于[k’ε,3,k’ε,4]区间的像素点数量;k’ε,3为e2,ε对应的第三阈值,k’ε,3=(xcε 2,2+xcε 2,1)/2-g’ε,2×(xcε 2,2-xcε 2,1)/2;k’ε,4为e2,ε对应的第四阈值,k’ε,4=(xcε 2,2+xcε 2,1)/2+g’ε,2×(xcε 2,2-xcε 2,1)/2;xcε 2,1为cε 2,1的x坐标,xcε 2,2为cε 2,2的x坐标,g’ε,2为预设的e2,ε的第二缩放系数,0<g’ε,2<1。
S8,获取a2的第一轨迹的像素点H2,H2=(h2,1,h2,2,…,h2,ε,…,h2,θ),h2,ε为e2,ε中属于a2的第一轨迹的像素点,h2,ε=(h1 2,ε,h2 2,ε,…,hσ 2,ε,…,hφ 2,ε),hσ 2,ε为e2,ε中x坐标属于[k’ε,1,k’ε,2]区间的第σ个像素点,σ的取值范围为1到φ,φ为e2,ε中x坐标属于[k’ε,1,k’ε,2]区间的像素点数量;k’ε,1为e2,ε对应的第一阈值,k’ε,1=(xf1 2,ε+xcε 2,1)/2-g’ε,1×(xcε 2,1-xf1 2,ε)/2;k’ε,2为e2,ε对应的第二阈值,k’ε,2=(xf1 2,ε+xcε 2,1)/2+g’ε,1×(xcε 2,1-xf1 2,ε)/2;g’ε,1为预设的e2,ε的第一缩放系数,0<g’ε,1<1。
S9,获取a2的第三轨迹的像素点R2,R2=(r2,1,r2,2,…,r2,ε,…,r2,θ),r2,ε为e2,ε中属于a2的第三轨迹的像素点,r2,ε=(r1 2,ε,r2 2,ε,…,rρ 2,ε,…,rα 2,ε),rρ 2,ε为e2,ε中x坐标属于[k’ε,5,k’ε,6]区间的第ρ个像素点,ρ的取值范围为1到α,α为e2,ε中x坐标属于[k’ε,5,k’ε,6]区间的像素点数量;k’ε,5为e2,ε对应的第五阈值,k’ε,5=(xf2 2,ε+xcε 2,2)/2-gi,3×(xf2 2,ε-xcε 2,2)/2;k’ε,6为e2,ε对应的第六阈值,k’ε,6=(xf2 2,ε+xcε 2,2)/2+g’ε,3×(xf2 2,ε-xcε 2,2)/2;g’ε,3为预设的e2,ε的第三缩放系数,0<g’ε,3<1。
本实施例对于第一人体红外图像,先获取了该图像中第二上肢区域对应的像素点(即E2),该第二上肢区域为人体的左上肢区域或右上肢区域;对于第二上肢区域对应的每一行像素点(即e2,ε),先获取该行像素点中对应温度值最低的像素点(即z2,ε),再获取该行对应的2个边缘像素点(即f1 2,ε和f2 2,ε,其为第二上肢区域的边缘像素点中第ε行对应的边缘像素点),基于该行对应的3个像素点(即z2,ε、f1 2,ε和f2 2,ε),本实施例将该行划分为3份,用于划分该行的第一个像素点(即cε 2,1)根据z2,ε和f1 2,ε的x坐标得到,用于划分该行的第二个像素点(即cε 2,2)根据z2,ε和f2 2,ε的x坐标得到;基于用于划分该行的第一像素点和第二像素点的x坐标以及该行对应的第二缩放比例,本实施例得到了第一人体红外图像中属于第二上肢区域的第二轨迹的全部像素点,实现了对第二上肢区域的第二轨迹的定位;基于用于划分该行的第一像素点和f1 2,ε的x坐标以及该行对应的第一缩放比例,本实施例得到了第一人体红外图像中属于第二上肢区域的第一轨迹的全部像素点,实现了对第二上肢区域的第一轨迹的定位;基于用于划分该行的第二像素点和f2 2,ε的x坐标以及该行对应的第三缩放比例,本实施例得到了第一人体红外图像中属于第二上肢区域的第三轨迹的全部像素点,实现了对第二上肢区域的第三轨迹的定位。
本实施例的人体红外图像的处理方法还包括:
S710,对L1进行划分,得到Q个像素点集合构成的序列cla1,cla1=(cla1,1,cla1,2,…,cla1,q,…,cla1,Q),cla1,q为对L1进行划分得到的第q个像素点集合,q的取值范围为1到Q,Q为预设的对L1划分的数量;cla1,q中每一像素点的y坐标小于cla1,q+1中每一像素点的y坐标。
可选的,Q=10。
S720,获取a1的第二轨迹的温度序列tem1,2,tem1,2=(tem1 1,2,tem2 1,2,…,temq 1,2,…,temQ 1,2),temq 1,2为cla1,q中所有像素点对应的温度的均值。
S730,获取人体第一上肢区域的第二轨迹的标准温度序列tem’1,2,tem’1,2=(tem’1,tem’2,…,tem’q,…,tem’Q),tem’q为人体第一上肢区域的第二轨迹的第q个子区域的标准温度。
本实施例中tem’q为经验值。
S740,获取tem1,2与tem’1,2的温度相似度SIM’1,2。
可选的,SIM’1,2=cos(tem1,2,tem’1,2),cos()为取余弦相似度。
本实施例的S710-S740还获取了P中第二轨迹的温度序列与标准温度序列之间的相似度,可选的,在用户界面上输出该相似度SIM’1,2,由此,用户可以获取该相似度SIM’1,2。
按照S100-S700类似的方法可以获取P中除第一上肢区域以外的另一上肢区域的第二轨迹的像素点;在此基础上,按照S710-S740类似的方法,也可以获取该另一上肢区域的第二轨迹的温度序列与对应的标准温度序列之间的相似度。作为一种可选的具体实施方式,在输出上述相似度SIM’1,2的基础上,还在用户界面上输出该另一上肢区域的第二轨迹的温度序列与对应的标准温度序列之间的相似度;作为另一种可选的具体实施方式,在用户界面上输出该另一上肢区域的第二轨迹的温度序列与对应的标准温度序列之间的相似度与SIM’1,2中的较小值。
可选的,本实施例的人体红外图像的处理方法还包括对P中第一下肢区域中第一轨迹和第二轨迹的定位过程,第一下肢区域为人体左下肢区域或人体右下肢区域。具体的,对P中第一下肢区域中第一轨迹和第二轨迹的定位过程包括:
(1)利用经训练的第二神经网络模型得到P中第一下肢区域的第一分割线、第二分割线和目标膝盖框,所述第一分割线用于分割人体躯干和第一下肢,所述第二分割线用于分割第一下肢和对应的足,所述目标膝盖框用于框选第一下肢中的膝盖。对第二神经网络模型的训练过程包括:获取大量的人体红外图像样本,对每一人体红外图像样本的第一下肢区域的第一分割线、第二分割线和目标膝盖框进行标注,利用所有的人体红外图像样本和对应的标注结果对第二神经网络模型进行训练,进而得到经训练的第二神经网络模型。
(2)获取第一分割线与第一下肢区域的轮廓的两个交点,连接这两个交点,得到第一线段;获取目标膝盖框的水平中心轴线与第一下肢区域的轮廓的两个交点,连接这两个交点,得到第二线段;获取第二分割线与第一下肢区域的轮廓的两个交点,连接这两个交点,得到第三线段。
(3)获取第一线段的三等分点,其中x坐标较小的三等分点为po1,1,x坐标较大的三等分点为po1,2;获取第二线段的三等分点,其中x坐标较小的三等分点为po2,1,x坐标较大的三等分点为po2,2;获取第三线段的三等分点,其中x坐标较小的三等分点为po3,1,x坐标较大的三等分点为po3,2。
(4)获取第一子区域,第一子区域为po1,1与po2,1的连线、po2,1与po3,1的连线、第一下肢区域的左侧轮廓线、第一分割线和第二分割线围城的区域;获取第二子区域,第二子区域为po1,2与po2,2的连线、po2,2与po3,2的连线、第一下肢区域的右侧轮廓线、第一分割线和第二分割线围城的区域。
(5)获取第一子区域中第d行像素点中温度最低的像素点pix1 d,min,将第一子区域中第d行像素点中距离pix1 d,min最近的φ1个像素点作为第一下肢区域中第一轨迹对应于第d行的像素点;获取第二子区域中第d行像素点中温度最低的像素点pix2 d,min,将第二子区域中第d行像素点中距离pix2 d,min最近的φ2个像素点作为第一下肢区域中第二轨迹对应于第d行的像素点;φ1为预设的第一像素点数量阈值,φ2为预设的第一像素点数量阈值,φ1和φ2均为经验值,d的取值范围为1到d’,d’为第一子区域包括的行数。
基于上述(1)-(5),本实施例实现了对P中第一下肢区域中第一轨迹(第一经络循行区域)和第二轨迹(第二经络循行区域)的定位。本实施例对P’中下肢区域中第一轨迹和第二轨迹的定位方法与上述(1)-(5)的方法类似,区别主要是获取的不再是温度最低的像素点,而是温度最高的像素点;此处不再赘述对P’中下肢区域中第一轨迹和第二轨迹的定位方法。
虽然已经通过示例对本发明的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上示例仅是为了进行说明,而不是为了限制本发明的范围。本领域的技术人员还应理解,可以对实施例进行多种修改而不脱离本发明的范围和精神。本发明的范围由所附权利要求来限定。
Claims (7)
1.一种人体红外图像的处理方法,其特征在于,包括以下步骤:
S100,获取目标人体红外图像P,P包括第一上肢区域a1,P为人体正面图像;
S200,获取a1包括的像素点E1,E1=(e1,1,e1,2,…,e1,i,…,e1,u),e1,i为a1包括的第i行像素点,i的取值范围为1到u,u为a1包括的像素点行数;
S300,获取a1的目标像素点Z1;Z1=(z1,1,z1,2,…,z1,i,…,z1,u),z1,i为e1,i中对应温度值最高的像素点;
S400,获取a1的边缘像素点F1,F1=(f1,1,f1,2,…,f1,i,…,f1,u),f1,i为e1,i中a1的边缘像素点,f1,i=(f1 1,i,f2 1,i),f1 1,i为e1,i中x坐标较小的a1的边缘像素点,f2 1,i为e1,i中x坐标较大的a1的边缘像素点;
S500,获取a1的第一子区域边缘像素点C1,1,C1,1=(c1 1,1,c2 1,1,…,ci 1,1,…,cu 1,1),ci 1,1为e1,i中x坐标与xf1 1,i+2×(xz1,i-xf1 1,i)/3差异最小的像素点,xz1,i为z1,i的x坐标,xf1 1,i为f1 1,i的x坐标;
S600,获取a1的第二子区域边缘像素点C1,2,C1,2=(c1 1,2,c2 1,2,…,ci 1,2,…,cu 1,2),ci 1,2为e1,i中x坐标与xf2 1,i-2×(xf2 1,i-xz1,i)/3差异最小的像素点,xf2 1,i为f2 1,i的x坐标;
S700,获取a1的第二轨迹的像素点L1,L1=(l1,1,l1,2,…,l1,i,…,l1,u),l1,i为e1,i中属于a1的第二轨迹的像素点,l1,i=(l1 1,i,l2 1,i,…,lm 1,i,…,lM 1,i),lm 1,i为e1,i中x坐标属于[ki,3,ki,4]区间的第m个像素点,m的取值范围为1到M,M为e1,i中x坐标属于[ki,3,ki,4]区间的像素点数量;ki,3为e1,i对应的第三阈值,ki,3=(xci 1,2+xci 1,1)/2-gi,2×(xci 1,2-xci 1,1)/2;ki,4为e1,i对应的第四阈值,ki,4=(xci 1,2+xci 1,1)/2+gi,2×(xci 1,2-xci 1,1)/2;xci 1,1为ci 1,1的x坐标,xci 1,2为ci 1,2的x坐标,gi,2为预设的e1,i的第二缩放系数,0<gi,2<1。
2.根据权利要求1所述的人体红外图像的处理方法,其特征在于,所述方法还包括:
S800,获取a1的第一轨迹的像素点H1,H1=(h1,1,h1,2,…,h1,i,…,h1,u),h1,i为e1,i中属于a1的第一轨迹的像素点,h1,i=(h1 1,i,h2 1,i,…,hj 1,i,…,hv 1,i),hj 1,i为e1,i中x坐标属于[ki,1,ki,2]区间的第j个像素点,j的取值范围为1到v,v为e1,i中x坐标属于[ki,1,ki,2]区间的像素点数量;ki,1为e1,i对应的第一阈值,ki,1=(xf1 1,i+xci 1,1)/2-gi,1×(xci 1,1-xf1 1,i)/2;ki,2为e1,i对应的第二阈值,ki,2=(xf1 1,i+xci 1,1)/2+gi,1×(xci 1,1-xf1 1,i)/2;gi,1为预设的e1,i的第一缩放系数,0<gi,1<1;
S900,获取a1的第三轨迹的像素点R1,R1=(r1,1,r1,2,…,r1,i,…,r1,u),r1,i为e1,i中属于a1的第三轨迹的像素点,r1,i=(r1 1,i,r2 1,i,…,rt 1,i,…,rT 1,i),rt 1,i为e1,i中x坐标属于[ki,5,ki,6]区间的第t个像素点,t的取值范围为1到T,T为e1,i中x坐标属于[ki,5,ki,6]区间的像素点数量;ki,5为e1,i对应的第五阈值,ki,5=(xf2 1,i+xci 1,2)/2-gi,3×(xf2 1,i-xci 1,2)/2;ki,6为e1,i对应的第六阈值,ki,6=(xf2 1,i+xci 1,2)/2+gi,3×(xf2 1,i-xci 1,2)/2;gi,3为预设的e1,i的第三缩放系数,0<gi,3<1。
3.根据权利要求2所述的人体红外图像的处理方法,其特征在于,gi,1、gi,2和gi,3的获取过程包括:
S010,获取e1,i对应的目标序列D1,i,D1,i=(xci 1,1-xf1 1,i,xci 1,2-xci 1,1,xf2 1,i-xci 1,2);
S020,获取待匹配的目标列表B,B=(b1,b2,…,bγ,…,bδ),bγ为B包括的第γ条记录,γ的取值范围为1到δ,δ为B包括的记录的数量;bγ=(bγ,1,bγ,2,bγ,3,g1 γ,g2 γ,g3 γ),bγ,1为bγ对应的第一距离,bγ,2为bγ对应的第二距离,bγ,3为bγ对应的第三距离,g1 γ为bγ对应的第一缩放系数,g2 γ为bγ对应的第二缩放系数,g3 γ为bγ对应的第三缩放系数;
S030,遍历B,获取(bγ,1,bγ,2,bγ,3)与D1,i的相似度SIMγ,并将SIMγ追加至预设的第一集合J1,J1的初始化为空集;
S040,将max(J1)对应的(bγ,1,bγ,2,bγ,3)对应的g1 γ确定为gi,1,max()为取最大值;
S050,将max(J1)对应的(bγ,1,bγ,2,bγ,3)对应的g2 γ确定为gi,2;
S060,将max(J1)对应的(bγ,1,bγ,2,bγ,3)对应的g3 γ确定为gi,3。
4.根据权利要求1所述的人体红外图像的处理方法,其特征在于,所述方法还包括:
S710,对L1进行划分,得到Q个像素点集合构成的序列cla1,cla1=(cla1,1,cla1,2,…,cla1,q,…,cla1,Q),cla1,q为对L1进行划分得到的第q个像素点集合,q的取值范围为1到Q,Q为预设的对L1划分的数量;cla1,q中每一像素点的y坐标小于cla1,q+1中每一像素点的y坐标;
S720,获取a1的第二轨迹的温度序列tem1,2,tem1,2=(tem1 1,2,tem2 1,2,…,temq 1,2,…,temQ 1,2),temq 1,2为cla1,q中所有像素点对应的温度的均值;
S730,获取人体第一上肢区域的第二轨迹的标准温度序列tem’1,2,tem’1,2=(tem’1,tem’2,…,tem’q,…,tem’Q),tem’q为人体第一上肢区域的第二轨迹的第q个子区域的标准温度;
S740,获取tem1,2与tem’1,2的温度相似度SIM’1,2。
5.根据权利要求1所述的人体红外图像的处理方法,其特征在于,S300包括:
S310,获取e1,i对应的温度值序列wen1,i,wen1,i=(wen1 1,i,wen2 1,i,…,wenβ 1,i,…,wenη 1,i),wenβ 1,i为a1包括的第i行的第β个像素点,β的取值范围为1到η,η为a1包括的第i行的像素点数量;
S320,获取max(wen1,i),max()为取最大值;
S330,将max(wen1,i)对应的像素点确定为z1,i。
6.根据权利要求4所述的人体红外图像的处理方法,其特征在于,SIM’1,2=cos(tem1,2,tem’1,2),cos()为取余弦相似度。
7.根据权利要求4所述的人体红外图像的处理方法,其特征在于,Q=10。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311255692.XA CN117253259B (zh) | 2023-09-26 | 2023-09-26 | 一种人体红外图像的处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311255692.XA CN117253259B (zh) | 2023-09-26 | 2023-09-26 | 一种人体红外图像的处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117253259A true CN117253259A (zh) | 2023-12-19 |
CN117253259B CN117253259B (zh) | 2024-03-29 |
Family
ID=89134618
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311255692.XA Active CN117253259B (zh) | 2023-09-26 | 2023-09-26 | 一种人体红外图像的处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117253259B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106037679A (zh) * | 2016-06-29 | 2016-10-26 | 广西全民药业有限责任公司 | 一种皮温穴位定位方法 |
CN111444896A (zh) * | 2020-05-09 | 2020-07-24 | 北京碧拓科技有限公司 | 一种远红外热成像人体经络关键点定位方法 |
CN113842116A (zh) * | 2021-10-14 | 2021-12-28 | 北京鹰之眼智能健康科技有限公司 | 一种人体穴位的自动定位方法、装置和电子设备 |
CN114098636A (zh) * | 2021-11-05 | 2022-03-01 | 北京鹰之眼智能健康科技有限公司 | 一种人体健康状态管理方法、系统和电子设备 |
CN115619756A (zh) * | 2022-10-31 | 2023-01-17 | 北京鹰之眼智能健康科技有限公司 | 一种人体红外图像的心脏区域识别方法 |
CN116469519A (zh) * | 2023-03-23 | 2023-07-21 | 北京鹰之眼智能健康科技有限公司 | 基于红外图像的人体穴位获取方法 |
-
2023
- 2023-09-26 CN CN202311255692.XA patent/CN117253259B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106037679A (zh) * | 2016-06-29 | 2016-10-26 | 广西全民药业有限责任公司 | 一种皮温穴位定位方法 |
CN111444896A (zh) * | 2020-05-09 | 2020-07-24 | 北京碧拓科技有限公司 | 一种远红外热成像人体经络关键点定位方法 |
CN113842116A (zh) * | 2021-10-14 | 2021-12-28 | 北京鹰之眼智能健康科技有限公司 | 一种人体穴位的自动定位方法、装置和电子设备 |
CN114098636A (zh) * | 2021-11-05 | 2022-03-01 | 北京鹰之眼智能健康科技有限公司 | 一种人体健康状态管理方法、系统和电子设备 |
CN115619756A (zh) * | 2022-10-31 | 2023-01-17 | 北京鹰之眼智能健康科技有限公司 | 一种人体红外图像的心脏区域识别方法 |
CN116469519A (zh) * | 2023-03-23 | 2023-07-21 | 北京鹰之眼智能健康科技有限公司 | 基于红外图像的人体穴位获取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117253259B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108549873B (zh) | 三维人脸识别方法和三维人脸识别系统 | |
CN111127441B (zh) | 一种基于图节点嵌入的多模态脑影像抑郁识别方法和系统 | |
Gupta et al. | Texas 3D face recognition database | |
Li et al. | Expression-robust 3D face recognition via weighted sparse representation of multi-scale and multi-component local normal patterns | |
CN103761519A (zh) | 一种基于自适应校准的非接触式视线追踪方法 | |
CN111291701B (zh) | 一种基于图像梯度和椭圆拟合算法的视线追踪方法 | |
CN110782428B (zh) | 一种用于构建临床脑部ct图像roi模板的方法及系统 | |
CN109308462B (zh) | 一种指静脉和指节纹感兴趣区域定位方法 | |
Alasadi et al. | Early detection and classification of melanoma skin cancer | |
CN112232128B (zh) | 基于视线追踪的老年残障人士照护需求识别方法 | |
CN115953824A (zh) | 一种人脸皮肤图像处理方法及系统 | |
CN117253259B (zh) | 一种人体红外图像的处理方法 | |
CN108898601A (zh) | 基于随机森林的股骨头图像分割装置及分割方法 | |
CN115619756B (zh) | 一种人体红外图像的心脏区域识别方法 | |
CN112396600A (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 | |
Rohani et al. | Lip processing and modeling based on spatial fuzzy clustering in color images | |
CN116052209B (zh) | 一种红外图像和标准3d人体模型的处理方法及存储介质 | |
CN107729863A (zh) | 人体指静脉识别方法 | |
WO2020140380A1 (zh) | 一种光学相干断层扫描图像的快速分割方法及装置 | |
CN114627136B (zh) | 一种基于特征金字塔网络的舌象分割与对齐方法 | |
CN115393578A (zh) | 一种获取代谢状态的复合区域数据处理系统 | |
Kumar et al. | Performance improvement using an automation system for segmentation of multiple parametric features based on human footprint | |
CN113344823B (zh) | 一种银线型触头烧蚀区域形貌三维粗糙度表征方法 | |
CN115633939A (zh) | 一种基于红外图像获取代谢状态复合区域的方法 | |
Wang et al. | Image registration method using representative feature detection and iterative coherent spatial mapping for infrared medical images with flat regions |
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 |