[发明专利]多场景多姿态的人体穴位自动识别方法、装置及系统

权利要求书

1.一种多场景多姿态的人体穴位自动识别方法，其特征在于，所述方法包括：

获取人体图像；

将所述人体图像输入预先训练的多场景多姿态人体穴位识别模型，识别得到所述人体图像中的穴位；

所述多场景多姿态人体穴位识别模型包括用于检测目标身体区域的目标检测网络及识别所述目标身体区域中指定穴位的关键点检测网络；所述多场景多姿态人体穴位识别模型由经过人体穴位标注的多场景、多姿态的人体图像训练得到。

2.根据权利要求1所述的方法，其特征在于，所述多场景多姿态人体穴位识别模型的训练过程包括：

获取多场景、多姿态的多张人体图像；所述多张人体图像在以下至少一个方面不同：背景、光照条件、拍摄距离、上肢与身体躯干的夹角、上臂与前臂的夹角、身体左侧或者身体右侧、性别、年龄；

对所述多张人体图像进行穴位标注及身体区域矩形框标注；所述穴位标注包括穴位类别标注及穴位位置标注；

对标注后的所述多张人体图像进行预处理；所述预处理包括以下至少一项：旋转、反转、增加高斯噪声、部分遮挡；

根据预处理后的所述多张人体图像对所述目标检测网络及所述关键点检测网络分别进行训练至收敛。

3.根据权利要求2所述的方法，其特征在于，所述多场景多姿态人体穴位识别模型的训练过程包括：

根据预处理后的所述多张人体图像对预训练模型进行微调，待所述预训练模型收敛后得到训练完成的目标检测网络。

4.根据权利要求2所述的方法，其特征在于，所述多场景多姿态人体穴位识别模型的训练过程包括：

将关键点检测网络最后的输出维度修改为穴位类别的总数量；

对所述关键点检测网络的模型参数进行随机初始化；

根据预处理后的所述多张人体图像对预训练模型对随机初始化后的所述关键点检测网络进行训练。

5.根据权利要求4所述的方法，其特征在于，所述关键点检测网络为Glasshour网络，训练过程采用优化算法为随机梯度下降，代价函数为Wingloss，函数表达式如下：

式中限制非线性部分的范围区间[-w,w]，x表示预测值与标注值之间的差值，∈为一个很小的数，C为一个常数。

6.根据权利要求2所述的方法，其特征在于，所述识别得到所述人体图像中的穴位包括：

在所述人体图像中标注出穴位类别及穴位位置，以及将标注后的所述人体图像输出。

7.根据权利要求2所述的方法，其特征在于，所述身体区域矩形框包括：上臂侧面矩形框、前臂侧面矩形框、上肢侧面整臂矩形框、上臂内侧矩形框、前臂内侧矩形框、上肢内侧矩形框。

8.一种多场景多姿态的人体穴位自动识别装置，其特征在于，所述装置包括：

图像获取模块，用于获取人体图像；

穴位识别模块，用于将所述人体图像输入预先训练的多场景多姿态人体穴位识别模型，识别得到所述人体图像中的穴位；

所述多场景多姿态人体穴位识别模型包括用于检测目标身体区域的目标检测网络及识别所述目标身体区域中指定穴位的关键点检测网络；所述多场景多姿态人体穴位识别模型由经过人体穴位标注的多场景、多姿态的人体图像训练得到。

9.根据权利要求8所述的装置，其特征在于，还包括模型训练模块，用于：

获取多场景、多姿态的多张人体图像；所述多张人体图像在以下至少一个方面不同：背景、光照条件、拍摄距离、上肢与身体躯干的夹角、上臂与前臂的夹角、身体左侧或者身体右侧、性别、年龄；

对所述多张人体图像进行穴位标注及身体区域矩形框标注；所述穴位标注包括穴位类别标注及穴位位置标注；

对标注后的所述多张人体图像进行预处理；所述预处理包括以下至少一项：旋转、反转、增加高斯噪声、部分遮挡；

根据预处理后的所述多张人体图像对所述目标检测网络及所述关键点检测网络分别进行训练至收敛。

10.一种多场景多姿态的人体穴位自动识别系统，其特征在于，所述多场景多姿态的人体穴位自动识别系统用于执行权利要求1-7任一项所述的多场景多姿态的人体穴位自动识别方法。