CN117745978B - 一种基于人体三维重建算法的仿真质控方法、设备和介质 - Google Patents
一种基于人体三维重建算法的仿真质控方法、设备和介质 Download PDFInfo
- Publication number
- CN117745978B CN117745978B CN202410186449.5A CN202410186449A CN117745978B CN 117745978 B CN117745978 B CN 117745978B CN 202410186449 A CN202410186449 A CN 202410186449A CN 117745978 B CN117745978 B CN 117745978B
- Authority
- CN
- China
- Prior art keywords
- human body
- camera
- smpl
- rgb
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003908 quality control method Methods 0.000 title claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 32
- 238000004088 simulation Methods 0.000 title claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims abstract description 24
- 230000000877 morphologic effect Effects 0.000 claims abstract description 24
- 238000001727 in vivo Methods 0.000 claims abstract description 15
- 238000011156 evaluation Methods 0.000 claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 7
- 230000008921 facial expression Effects 0.000 description 5
- 239000000203 mixture Substances 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000003414 extremity Anatomy 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 210000001503 joint Anatomy 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000037237 body shape Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 210000002310 elbow joint Anatomy 0.000 description 1
- 210000001145 finger joint Anatomy 0.000 description 1
- 210000000245 forearm Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000000265 homogenisation 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
- 230000007935 neutral effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000000323 shoulder joint Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于人体三维重建算法的仿真质控方法、设备和介质，涉及图像处理技术领域，根据标定的双目相机和工业相机，获取RGB图像和双目相机内外参矩阵；根据RGB图像和双目相机内外参矩阵，确定探测器位姿；根据RGB图像构建深度神经网络，确定3D关节点信息；获取SMPL‑X形态参数和SMPL‑X姿态参数，结合3D关节点信息，确定体内关节点信息；基于体内关节点信息，进行DR摆位指标评估。通过采集的RGB图像和参数，结合三维重建算法和AprilTag的空间定位，重建出基于受检者本人的人体三维模型，并将其进行空间定位，通过对三维模型的姿态、位置进行评估，就完全可以实现DR的前瞻性质控。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于人体三维重建算法的仿真质控方法、设备和介质。
背景技术
数字化X线摄影（digitalradiography，DR）是最常用的影像学检查技术之一。DR检查的图像质量对疾病诊治相当关键，其主要取决于医学影像技师对受检者的摆位是否标准。然而，不同技师的临床经验、摆位水平及操作规范性存在差异，所以DR图像的质量往往参差不齐。此现象在基层医院尤为明显，这可能导致疾病的误诊、漏诊，使各医院检查结果无法互认，加重患者的就医负担。目前，DR图像质量控制方案均在曝光后对图像进行质量评价及控制，具有一定的滞后性且交互性较差。当图像质量无法满足诊断需求时，必然会导致重新拍摄，这会降低检查效率，浪费医疗资源，也增加患者辐射剂量，增大受检者的健康风险。
人体三维重建算法即3D人体表面重建技术，是计算机视觉领域的一条研究分支，已有多年历史。随着传感器、计算机处理器与显卡、深度学习算法等相关技术发展，3D人体表面重建越来越精准实时，逐渐满足在其他领域中的应用要求。
发明内容
本发明所要解决的技术问题是DR图像质量控制方案均在曝光后对图像进行质量评价及控制，具有一定的滞后性且交互性较差，目的在于提供一种基于人体三维重建算法的仿真质控方法、设备和介质，通过工业相机和深度相机采集的RGB图像和参数，结合三维重建算法和AprilTag的空间定位，重建出基于受检者本人的人体三维模型，并将其进行空间定位，通过对三维模型的姿态、位置进行评估，能够实现DR的前瞻性质控，提高评估精度。
本发明通过下述技术方案实现：
本发明第一方面提供一种基于人体三维重建算法的仿真质控方法，包括以下具体步骤：
根据标定的双目相机和工业相机，获取RGB图像和双目相机内外参矩阵；
根据RGB图像和双目相机内外参矩阵，使用Apriltag模块确定探测器位姿；
根据RGB图像构建深度神经网络，结合深度图像和相机内外参数确定3D关节点信息；
获取SMPL-X形态参数，结合3D关节点信息、关节扭曲角度，生成SMPL-X姿态参数；
根据SMPL-X形态参数和SMPL-X姿态参数，生成线性混合蒙皮；
根据线性混合蒙皮，使用线性回归器获取人体内关节点；
构建不同摄影体位下的3D评估指标，进行DR摆位指标评估。
本发明通过工业相机和深度相机采集的RGB图像和参数，结合三维重建算法和AprilTag的空间定位，重建出基于受检者本人的人体三维模型，并将其进行空间定位，通过对三维模型的姿态、位置进行评估，能够实现DR的前瞻性质控，提高评估精度。
进一步的，所述获取RGB图像和双目相机内外参矩阵具体包括：
根据RGB相机和深度相机的焦距、RGB相机和深度相机xy方向上实际物距与像素距离的比值、RGB相机和深度相机坐标原点到图像坐标原点的平移向量，得到RGB相机的内参和深度相机的内参。
进一步的，所述RGB图像和双目相机内外参矩阵具体包括：RGB图像、深度图像、RGB相机的内参和畸变参数、深度相机的内参、RGB相机到深度相机的外参。
进一步的，所述根据RGB图像和双目相机内外参矩阵，确定探测器位姿，具体包括：
通过AprilTag的检测组件、Tag位姿计算组件和编码识别组件，对RGB图像和和双目相机内外参矩阵进行处理，得到图像中标签所在区域的图像坐标，确定探测器位姿。
进一步的，所述根据RGB图像构建深度神经网络，确定3D关节点信息，具体包括：
将每一个包含人体的RGB图像IRGB都将首先输入到一个基于深度学习的目标检测网络Detector中，确定包含人体的目标框；
将包含人体的目标框图像输入到特征提取网络中，得到图像特征；
将图像特征作为人体形态估计器、关节扭曲角度估计器和2.5D关节点估计器，得到人体SMPL-X形态参数、人体关节扭曲角度和人体2.5D关节信息；
获取相机输出的深度图像、深度相机内参、RGB相机到深度相机的转移矩阵，基于3D信息提取算法对关节点深度进行优化，得到3D关节点信息。
进一步的，所述获取SMPL-X形态参数和SMPL-X姿态参数具体包括：
构建SMPL-X模型，构建SMPL-X模型，对SMPL-X模型施加形态线性混合蒙皮，基于人体SMPL-X形态参数，生成符合对象人体形态和身材比例的人体模板；
综合人体模板、3D关节点信息和人体关节扭曲角度，基于逆运动学过程得到当前人体的SMPL-X姿态参数。
进一步的，所述确定体内关节点信息具体包括：
根据SMPL-X形态参数和SMPL-X姿态参数，生成对应的人体模板，进行人体表面3D重建；
构建线性回归器，得到体内关节点信息。
进一步的，所述DR摆位指标包括：
对目标关节角度、目标身体部位长度和目标身体部位轴线与环境的夹角进行评估；
所述目标关节角度评估包括：通过体内关节点信息计算目标关节角度；
所述目标身体部位长度评估包括：对目标肢体长度进行计算；
所述目标身体部位轴线与环境的夹角评估包括：通过相邻关节的夹角阈值判断。
本发明第二方面提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现一种基于人体三维重建算法的仿真质控方法。
本发明第三方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现一种基于人体三维重建算法的仿真质控方法。
本发明与现有技术相比，具有如下的优点和有益效果：
通过工业相机和深度相机采集的RGB图像和参数，结合三维重建算法和AprilTag的空间定位，重建出基于受检者本人的人体三维模型，并将其进行空间定位，通过对三维模型的姿态、位置进行评估，能够实现DR的前瞻性质控，提高评估精度，同时能够避免让受检者接受不必要的辐射，通过实时指导影像技师规范化摆位，在曝光前对DR检查进行前瞻性质控，以提高影像同质化水平，促进影像检查结果互认。
附图说明
为了更清楚地说明本发明示例性实施方式的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。在附图中：
图1为本发明实施例中的仿真质控评估流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
作为一种可能的实施例，如图1所示，本实施例第一方面提供一种基于人体三维重建算法的仿真质控方法，包括以下具体步骤：
根据标定的双目相机和工业相机，获取RGB图像和双目相机内外参矩阵；
根据RGB图像和双目相机内外参矩阵，确定探测器位姿；
根据RGB图像构建深度神经网络，确定3D关节点信息；
获取SMPL-X形态参数和SMPL--X姿态参数，结合3D关节点信息，确定体内关节点信息；
基于体内关节点信息，进行DR摆位指标评估。
本实施例通过工业相机和深度相机采集的RGB图像和参数，结合三维重建算法和AprilTag的空间定位，重建出基于受检者本人的人体三维模型，并将其进行空间定位，通过对三维模型的姿态、位置进行评估，能够实现DR的前瞻性质控，提高评估精度。本实施例能够基于人体三维重建算法的数字化X线摄影实景交互数字孪生仿真质控系统来实时指导影像技师规范化摆位，在曝光前对DR检查进行前瞻性质控，以期推动影像同质化，促进全国影像检查结果互认。
在一些可能的实施例中，获取RGB图像和双目相机内外参矩阵具体包括：标定的双目相机和RGB工业相机组输出多种数据，包括：RGB图像、深度图像、RGB相机的内参和畸变参数、深度相机的内参、RGB相机到深度相机的外参,
RGB相机的畸变系数用于矫正RGB图像，或是应用于逆过程，RGB相机的内参和深度相机的内参以齐次矩阵的形式分别表示为：
其中，和/>分别表示RGB相机和深度相机的焦距，/>、/>、/>和/>分别是RGB相机和深度相机xy方向上实际物距与像素距离的比值，/>和/>分别是RGB相机和深度相机坐标原点到图像坐标原点的平移向量。
RGB图像以及RGB相机的内参将被送入AprilTag模块，该模块包含三个主要：AprilTag检测组件、Tag位姿计算组件、编码识别组件。通过这些组件，模块将输出：图像中标签所在区域的图像坐标，以区域四边形的四个顶点表示，世界坐标系下，标签相对于相机的位姿[R∣t]，其中R是是旋转矩阵，t是平移向量；以及标签对应的编号。
实际使用时，标签可以固定放置在探测器片盒表面上，因此可以得出探测器片盒表面相对于相机的位姿。该位姿将用于后续评估/计算重建后的3D数字人与探测器片盒的夹角、距离、偏移等指标。
在一些可能的实施例中，根据RGB图像构建深度神经网络，确定3D关节点信息，具体包括：
将每一个包含人体的RGB图像IRGB都将首先输入到一个基于深度学习的目标检测网络Detector中，确定包含人体的目标框；
将包含人体的目标框图像输入到特征提取网络中，得到图像特征；
将图像特征作为人体形态估计器、关节扭曲角度估计器和2.5D关节点估计器，得到人体SMPL-X形态参数、人体关节扭曲角度和人体2.5D关节信息；
获取相机输出的深度图像、深度相机内参、RGB相机到深度相机的转移矩阵，基于3D信息提取算法对关节点深度进行优化，得到3D关节点信息。
通过对SMPL-X模型施加形态线性混合蒙皮，基于人体SMPL-X形态参数，生成符合对象人体形态和身材比例的人体模板；
综合人体模板、3D关节点信息和人体关节扭曲角度，基于逆运动学过程得到当前人体的SMPL-X姿态参数；
构建SMPL-X模型，通过对SMPL-X模型施加形态线性混合蒙皮，基于人体SMPL-X形态参数，生成符合对象人体形态和身材比例的人体模板，进行人体表面3D重建；
构建线性回归器，得到体内关节点信息。
构建SMPL-X模型的具体步骤如下：人体全身网格建模应用了现成的SMPL-X模型；
在本实施例中，SMPL-X模型使用N=10475个顶点的标准模板和K=54个关节点的姿态混合形状、学习到的形态混合形状和表情混合形状来表示人体三维表面。SMPL-X模型定义为如下函数：，其中，姿态参数/>，K+1表示关节点个数和一个表示全局身体旋转的关节姿态参数/>又进一步分为：下领关节参数/>、指关节参数/>和剩余身体关节参数/>；身体、面部和手部的统一形态参数；面部表情参数/>，更明确的形式是：；
其中，是形态混合形状函数，/>是线性形状系数，是它们的数量，/>是由于不同个体形态变化引起的顶点移位的正交主成分，是所有这些移位构成的矩阵。
是姿态混合形状函数，向模板网格/>添加由于不同个体姿态变化引起的矫正顶点移位，其形式如下：；
其中是/>的第n个分量，而/>是通过罗德里格斯公式(Rodrigues's Formula)将姿态向量转换为局部相对旋转矩阵的函数，/>表示模板网格/>的初始姿态，/>是顶点位移的正交主成分，是所有姿态混合形状构成的矩阵。
是面部表情混合形状函数，其中/>是不同个体面部表情变化的主成分，/>是相应的主成分系数。因为三维关节位置]又会因为不同的身体形态而发生变化，所以它们也是身体形态的一个函数：/>；其中/>是一个稀疏的线性回归器，将网格顶点回归到三维关节位置。
权重参数都是通过训练学习获得的，其中/>是将原始的特征通过主成分分析(PCA)降维得到的；
最终，SMPL-X模型有共415个参数(其中姿态参数0有553=165个表征全局身体旋转和关节旋转，形态参数/>有200个表征主体和手部形态，表情参数/>有50个表征面部表情)，可以通过修改这415个控制参数来任意变换SMPL-X模型的身体姿态、手部姿态、主体形态和面部表情。此外还提供男性、女性、中性模板网格模型，分别用于性别为男性、女性和未知的情况。
3D人体表面重建算法的主体是一系列深度神经网络。其中，每一个包含人体的RGB图像IRGB都将首先输入到一个基于深度学习的目标检测网络Detector中，获取包含人体的目标框Ibboxes：；
紧接着，人体目标框图像将输入到特征提取网络Encoder，获取图像特征F：，人体形态估计器/>、关节扭曲角度估计器、2.5D关节点估计器/>都以图像特征F作为输入，分别输出图像中人体的SMPL-X形态参数/>、人体关节扭曲角度/>以及人体2.5D关节信息P2.5D(关节点的图像坐标及关节点深度)：/>，仅用RGB图像IRGB对人体关节点深度的估计是有歧义的,我们进一步利用相机输出的深度图像IDepth、深度相机内参IntrDepth、RGB相机到深度相机的转移矩阵ExtrRGB2Depth，在3D关节点优化环节通过前述的3D信息提取算法对关节点深度进行优化，同时得出3D关节点信息P3D：，与此同时，估计出的人体SMPL-X形态参数用于生成符合对象人体形态和身材比例的人体模板T，该过程可以通过仅对SMPL-X标准模板/>施加形态线性混合蒙皮来完成：/>，其中，综合模板人体模板/>、估计出的3D关节点信息P3D和关节扭曲角度/>，通过逆运动学过程即可得出当前人体的SMPL-X姿态参数/>：；
有了当前人体的SMPL-X形态参数和姿态参数/>，可以直接生成对应的人体表面，也可以通过线性混合蒙皮将姿态融合到前述生成的模板人体表面上以提升效率，如此即完成了3D人体表面Tp重建：/>；
最后，通过相对简单的线性回归器Regressor，可以获取体内关节点信息P：。
在一些可能的实施例中，DR摆位指标包括：对目标关节角度、目标身体部位长度和目标身体部位轴线与环境的夹角进行评估；由于DR摆位指标因不同检查项目的要求而异，归纳起来主要有如下类型：
目标关节角度的计算，有时DR摆位对目标关节角度有要求，可以通过体内关节点信息P为基准来计算目标关节角度，如计算肘部关节夹角；
目标身体部位长度有时需要知道目标肢体的长度，如小臂长度；
目标身体部位轴线与环境的夹角计算常用锁骨和肩关节的连线与水平线的夹角是否大于30°来判断是否耸肩。
本实施例第二方面提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现一种基于人体三维重建算法的仿真质控方法。
本实施例第三方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现一种基于人体三维重建算法的仿真质控方法。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于人体三维重建算法的仿真质控方法，其特征在于，包括以下具体步骤：
根据标定的双目相机和工业相机，获取RGB图像和双目相机内外参矩阵；
根据RGB图像和双目相机内外参矩阵，确定探测器位姿；
根据RGB图像构建深度神经网络，确定3D关节点信息；
所述根据RGB图像构建深度神经网络，确定3D关节点信息，具体包括：
将每一个包含人体的RGB图像IRGB都将首先输入到一个基于深度学习的目标检测网络Detector中，确定包含人体的目标框；
将包含人体的目标框图像输入到特征提取网络中，得到图像特征；
将图像特征作为人体形态估计器、关节扭曲角度估计器和2.5D关节点估计器，得到人体SMPL-X形态参数、人体关节扭曲角度和人体2.5D关节信息；
获取相机输出的深度图像、深度相机内参、RGB相机到深度相机的转移矩阵，基于3D信息提取算法对关节点深度进行优化，得到3D关节点信息；
获取SMPL-X形态参数和SMPL-X姿态参数，结合3D关节点信息，确定体内关节点信息；
所述获取SMPL-X形态参数和SMPL-X姿态参数具体包括：
构建SMPL-X模型，对SMPL-X模型施加形态线性混合蒙皮，基于人体SMPL-X形态参数，生成符合对象人体形态和身材比例的人体模板；
综合人体模板、3D关节点信息和人体关节扭曲角度，基于逆运动学过程得到当前人体的SMPL-X姿态参数；
所述确定体内关节点信息具体包括：
根据SMPL-X形态参数和SMPL-X姿态参数，生成对应的人体模板，进行人体表面3D重建；
构建线性回归器，得到体内关节点信息；
基于体内关节点信息，进行DR摆位指标评估。
2.根据权利要求1所述的基于人体三维重建算法的仿真质控方法，其特征在于，所述获取RGB图像和双目相机内外参矩阵具体包括：
根据RGB相机和深度相机的焦距、RGB相机和深度相机xy方向上实际物距与像素距离的比值、RGB相机和深度相机坐标原点到图像坐标原点的平移向量，得到RGB相机的内参和深度相机的内参。
3.根据权利要求2所述的基于人体三维重建算法的仿真质控方法，其特征在于，所述RGB图像和双目相机内外参矩阵具体包括：RGB图像、深度图像、RGB相机的内参和畸变参数、深度相机的内参、RGB相机到深度相机的外参。
4.根据权利要求3所述的基于人体三维重建算法的仿真质控方法，其特征在于，所述根据RGB图像和双目相机内外参矩阵，确定探测器位姿，具体包括：
通过AprilTag的检测组件、Tag位姿计算组件和编码识别组件，对RGB图像和和双目相机内外参矩阵进行处理，得到图像中标签所在区域的图像坐标，确定探测器位姿。
5.根据权利要求1所述的基于人体三维重建算法的仿真质控方法，其特征在于，所述DR摆位指标包括：
对目标关节角度、目标身体部位长度和目标身体部位轴线与环境的夹角进行评估；
所述摆位指标评估包括：通过体内关节点信息计算目标关节角度；
所述目标身体部位长度评估包括：对目标肢体长度进行计算；
所述目标身体部位轴线与环境的夹角评估包括：通过相邻关节的夹角阈值判断。
6.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述的基于人体三维重建算法的仿真质控方法。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至5任一项所述的基于人体三维重建算法的仿真质控方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410186449.5A CN117745978B (zh) | 2024-02-20 | 2024-02-20 | 一种基于人体三维重建算法的仿真质控方法、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410186449.5A CN117745978B (zh) | 2024-02-20 | 2024-02-20 | 一种基于人体三维重建算法的仿真质控方法、设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117745978A CN117745978A (zh) | 2024-03-22 |
| CN117745978B true CN117745978B (zh) | 2024-04-30 |
Family
ID=90281732
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410186449.5A Active CN117745978B (zh) | 2024-02-20 | 2024-02-20 | 一种基于人体三维重建算法的仿真质控方法、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117745978B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110599540A (zh) * | 2019-08-05 | 2019-12-20 | 清华大学 | 多视点相机下的实时三维人体体型与姿态重建方法及装置 |
| CN113041516A (zh) * | 2021-03-25 | 2021-06-29 | 中国科学院近代物理研究所 | 三维图像引导摆位的方法、系统及存储介质 |
| CN113229836A (zh) * | 2021-06-18 | 2021-08-10 | 上海联影医疗科技股份有限公司 | 一种医学扫描方法和系统 |
| WO2021190321A1 (zh) * | 2020-03-27 | 2021-09-30 | 虹软科技股份有限公司 | 图像处理方法和装置 |
| CN116580148A (zh) * | 2023-04-23 | 2023-08-11 | 华南理工大学 | 一种基于人体点云与测量参数的参数化人体模型拟合方法 |
| CN116958443A (zh) * | 2023-07-31 | 2023-10-27 | 晓智未来(成都)科技有限公司 | 基于smplx重建数字人可量化检测模型、方法及应用 |
| WO2023214093A1 (en) * | 2022-05-06 | 2023-11-09 | MAX-PLANCK-Gesellschaft zur Förderung der Wissenschaften e.V. | Accurate 3d body shape regression using metric and/or semantic attributes |
-
2024
- 2024-02-20 CN CN202410186449.5A patent/CN117745978B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110599540A (zh) * | 2019-08-05 | 2019-12-20 | 清华大学 | 多视点相机下的实时三维人体体型与姿态重建方法及装置 |
| WO2021190321A1 (zh) * | 2020-03-27 | 2021-09-30 | 虹软科技股份有限公司 | 图像处理方法和装置 |
| CN113041516A (zh) * | 2021-03-25 | 2021-06-29 | 中国科学院近代物理研究所 | 三维图像引导摆位的方法、系统及存储介质 |
| CN113229836A (zh) * | 2021-06-18 | 2021-08-10 | 上海联影医疗科技股份有限公司 | 一种医学扫描方法和系统 |
| WO2023214093A1 (en) * | 2022-05-06 | 2023-11-09 | MAX-PLANCK-Gesellschaft zur Förderung der Wissenschaften e.V. | Accurate 3d body shape regression using metric and/or semantic attributes |
| CN116580148A (zh) * | 2023-04-23 | 2023-08-11 | 华南理工大学 | 一种基于人体点云与测量参数的参数化人体模型拟合方法 |
| CN116958443A (zh) * | 2023-07-31 | 2023-10-27 | 晓智未来(成都)科技有限公司 | 基于smplx重建数字人可量化检测模型、方法及应用 |
Non-Patent Citations (2)
| Title |
|---|
| Resolving 3D Human Pose Ambiguities With 3D Scene Constraints;Kratimenos, A等;《2021 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING (ICASSP 2021)》;20211124;4270-4274 * |
| 医用数字化X射线摄影机器人系统的研究;张鑫海;《中国优秀硕士学位论文全文数据库》;20200215(第2期);1-84 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117745978A (zh) | 2024-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200268339A1 (en) | System and method for patient positioning | |
| US10507002B2 (en) | X-ray system and method for standing subject | |
| CN107403463B (zh) | 在成像系统中具有非刚性部分的人体表示 | |
| US7929745B2 (en) | Method and system for characterization of knee joint morphology | |
| US11576578B2 (en) | Systems and methods for scanning a patient in an imaging system | |
| CN111724904A (zh) | 用于针对医学扫描的患者建模的多任务渐进式网络 | |
| WO2019180745A1 (en) | Systems and methods for obtaining 3-d images from x-ray information for deformed elongate bones | |
| Tian et al. | Predicting 3D body shape and body composition from conventional 2D photography | |
| CN112270993B (zh) | 一种以诊断结果为反馈的超声机器人在线决策方法及系统 | |
| CN112151169B (zh) | 一种仿人操作的超声机器人自主扫描方法及系统 | |
| CN112598649B (zh) | 基于生成对抗网络的2d/3d脊椎ct非刚性配准方法 | |
| CN111275762B (zh) | 病人定位的系统和方法 | |
| CN111568456B (zh) | 基于特征点三维重建的膝关节姿态测量方法 | |
| CN114842154B (zh) | 一种基于二维x射线图像重建三维影像的方法和系统 | |
| CN112132805A (zh) | 一种基于人体特征的超声机器人状态归一化方法及系统 | |
| WO2022127533A1 (zh) | 胶囊内窥镜图像三维重建方法、电子设备及可读存储介质 | |
| CN113870331A (zh) | 一种基于深度学习的胸部ct与x光实时配准算法 | |
| CN117745978B (zh) | 一种基于人体三维重建算法的仿真质控方法、设备和介质 | |
| CN116958443A (zh) | 基于smplx重建数字人可量化检测模型、方法及应用 | |
| CN109903264B (zh) | 数字人图像与ct图像的配准方法及系统 | |
| KR20160057024A (ko) | 마커리스 ３차원 객체추적 장치 및 그 방법 | |
| CN114298986A (zh) | 一种基于多视点无序x光片的胸腔骨骼三维构建方法及系统 | |
| Dai et al. | PatientHandNet: 3D Open-palm Hand Reconstruction from Sparse Multi-view Depth Images | |
| Ju et al. | Multi-view stereophotogrammetry for post-mastectomy breast reconstruction | |
| CN113539444B (zh) | 医学图像重建方法、装置、电子设备和存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |