[发明专利]一种基于级联深度神经网络的穴位精准定位方法

说明书

本发明公开了一种基于级联深度神经网络的穴位精准定位方法。现有深度学习技术对于小目标检测，会出现识别精度低、识别速度慢、识别出现频闪等问题。本发明步骤：对获取的手部图像利用手部位置检测和手部关键点检测结合的级联神经网络，输出手部区域及手部21个关键点信息；最后根据手部21个关键点与“寸”之间的几何关系，计算得到穴位点坐标并映射到手部区域中。本发明在保证检测过程实时性与检测速度要求的前提下，使检测手部穴位的准确率与鲁棒性均有所提升。

技术领域

本发明属于医疗图像处理领域，具体涉及一种级联深度神经网络的穴位精准定位方法。

背景技术

在传统医学中，手部穴位是中医的重要组成部分，通过针灸、艾灸、推拿刺激穴位能起到活血化瘀、美容养颜、治疗疾病的功效。由于手部上穴位分布密集以及存在相邻穴位距离较近的情况，“无经验”或“无专业设备”人员往往会造成无法精准定位穴位的问题，降低按摩穴位的效果。随着人工智能的发展，利用深度学习技术迸行医疗辅助成为近几年热门研究方向，尤其是在医学图像上的检测和分类任务。但是对于手部穴位这类小目标检测，会出现识别精度低、识别速度慢、识别出现频闪等问题。

发明内容

针对上述问题，本发明提供一种级联深度神经网络的穴位精准定位方法，其目的在于保证检测过程的实时性与检测速度要求的前提下，搭建深度学习算法框架使检测手部穴位的准确率与鲁棒性均有所提升。

本发明一种基于级联深度神经网络的穴位精准定位方法，包括以下步骤：

S1：采集不同光照程度以及不同肤色下的手部数据，得到I类样本；

S2：采集不同手势下的手部数据，得到Ⅱ类样本；

S3：对I类样本进行数据前处理，并按比例进行训练集和验证集的划分；

S4：对Ⅱ类样本进行数据前处理，并按比例进行训练集和验证集的划分；

S5：采取目标检测算法构建I类模型，采用基于I类样本得到的训练集和验证集对I类模型进行训练和验证，得到I类优化模型；

S6：采取关键点检测算法构建Ⅱ类模型，采用基于Ⅱ类样本得到的训练集和验证集对Ⅱ类模型进行训练和验证，得到Ⅱ类优化模型；

S7：通过摄像头获取手部实时画面，将检测到的画面通过I类优化模型定位到手部区域，然后将手部区域输入Ⅱ类优化模型获取手部21个关键点的信息；根据获取的手部21个关键点的信息，确定手心或手背；

S8：根据获取的手部21个关键点的信息，结合中指同身寸法定位手部穴位，然后将穴位信息映射至手部区域中。

优选的，在步骤S1和S2中，采取Ha-GRID开源手部数据集和11k Hands开源手掌数据集作为初始样本，其包含不同手势、不同光照程度以及不同肤色的手部数据，但不包含生理缺陷类型的手部数据。

优选的，对I类样本的数据前处理为：使用标注软件将I类样本中含手部的位置进行标注，其中左手标签设为“L-Hand”，右手标签设为“R-Hand”；