[go: up one dir, main page]

CN111724901A - 一种基于视觉的结构体参数预测方法、系统、装置及存储介质 - Google Patents

一种基于视觉的结构体参数预测方法、系统、装置及存储介质 Download PDF

Info

Publication number
CN111724901A
CN111724901A CN202010563212.6A CN202010563212A CN111724901A CN 111724901 A CN111724901 A CN 111724901A CN 202010563212 A CN202010563212 A CN 202010563212A CN 111724901 A CN111724901 A CN 111724901A
Authority
CN
China
Prior art keywords
input image
human body
characteristic parameters
vision
contour
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
Application number
CN202010563212.6A
Other languages
English (en)
Other versions
CN111724901B (zh
Inventor
金枝
韩瑜
庞雨贤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN202010563212.6A priority Critical patent/CN111724901B/zh
Publication of CN111724901A publication Critical patent/CN111724901A/zh
Application granted granted Critical
Publication of CN111724901B publication Critical patent/CN111724901B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Human Computer Interaction (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于视觉的结构体参数预测方法，包括：获取输入图像；对输入图像进行关键点检测和轮廓检测，并计算得到结构体特征参数；基于人工神经网络提取输入图像的深度特征参数；通过Kernel Ridge Regression算法对深度特征参数和结构体特征参数进行回归拟合，得到预测值。该系统包括：获取模块、人体特征模块、深度特征模块和输出模块。该装置包括存储器以及用于执行上述基于视觉的结构体参数预测方法的处理器。通过使用本发明，能够更加方便快捷的得到待测者的BMI值。本发明作为一种基于视觉的结构体参数预测方法，可广泛应用于参数预测领域。

Description

一种基于视觉的结构体参数预测方法、系统、装置及存储介质
技术领域
本发明涉及参数预测领域，尤其涉及一种基于视觉的结构体参数预测方法、系统、装置及存储介质。
背景技术
BMI(身体质量指数)是国际上常用的衡量人体胖瘦程度以及是否健康的一个标准，比单纯的以体重来认定，更具准确性，传统的BMI获取方式，需要首先测量待测者的身高和体重信息，这些信息需要利用身高体重测试仪或人工使用其他测量传感器进行，再进行数值计算，得出最终的BMI指标，不仅需要特定的仪器(通常这类仪器不便于携带)进行测量，而且使用程序繁琐耗时耗力，对于行动不便无法移动的病人，无法进行测量；对于需要及时测量身高体重的快速发育的青少年儿童，和需要降低BMI的减肥人群，无法做到实时快捷方便地有效测量和大规模群体测量。
发明内容
为了解决上述技术问题，本发明的目的是提供一种基于视觉的结构体参数预测方法、系统、装置及存储介质，能够更加方便快捷的得到待测者的BMI值。
本发明所采用的第一技术方案是：一种基于视觉的结构体参数预测方法，包括以下步骤：
获取输入图像；
对输入图像进行关键点检测和轮廓检测，并计算得到结构体特征参数；
基于人工神经网络提取输入图像的深度特征参数；
通过Kernel Ridge Regression算法对深度特征参数和结构体特征参数进行回归拟合，得到预测值。
进一步，所述对输入图像进行关键点检测和轮廓检测，并计算得到结构体特征参数这一步骤，其具体包括：
通过深度卷积网络对输入图像进行关键点检测，得到人体关键点信息；
对输入图像进行轮廓检测得到最终轮廓；
根据人体关键点信息和最终轮廓计算得到人体特征参数。
进一步，所述对输入图像进行轮廓检测得到最终轮廓这一步骤，其具体包括：
基于Pose2Seg算法对输入图像进行处理得到人体轮廓；
基于Human Parse算法对输入图像进行处理得到人体各部位轮廓；
将人体轮廓减去人体手臂部位轮廓得到最终轮廓。
进一步，所述根据人体关键点信息和最终轮廓计算得到人体特征参数这一步骤，其具体包括：
根据人体关键点信息和最终轮廓对输入图像进行像素标记，得到身体区域和背景区域；
根据身体区域的像素计算得到输入图片的人体特征参数。
进一步，所述人体特征参数包括腰宽与大腿宽之比、腰宽与臀宽之比、腰宽与头宽之比、臀宽与头宽之比、腰部与臀部之间区域的单位面积的像素数、鼻子到膝盖的距离与腰部宽度之比和腰宽与肩宽之比。
进一步，所述人工神经网络采用101层残差网络构建，并且将101层残差网络的最后一层全连接层改为4层全连接层。
进一步，所述基于人工神经网络提取输入图像的深度特征参数这一步骤，其具体包括：
通过构建图像集训练人工神经网络；
将图像输入到人工神经网络后提取网络输出，得到深度特征参数。
本发明所采用的第二技术方案是：一种基于视觉的结构体参数预测系统，包括：
获取模块，用于获取输入图像；
人体特征模块，用于对输入图像进行关键点检测和轮廓检测，并计算得到结构体特征参数；
深度特征模块，用于基于人工神经网络提取输入图像的深度特征参数；
输出模块，用于通过Kernel Ridge Regression算法对深度特征参数和结构体特征参数进行回归拟合，得到预测值。
本发明所采用的第三技术方案是：一种基于视觉的结构体参数预测装置，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如上所述所述一种基于视觉的结构体参数预测方法。
本发明所采用的第四技术方案是：一种存储介质，其中存储有处理器可执行的指令，其特征在于：所述处理器可执行的指令在由处理器执行时用于实现如上所述一种结构体参数预测方法。
本发明方法、系统、装置及存储介质的有益效果是：本发明根据待测者的人体图像，对该图像进行处理得到人体特征参数和深度特征参数后，通过回归拟合得到预测BMI值，无需接触即可得出待测者的BMI值并且无需携带笨重的仪器和复杂的测量设备，使得BMI值测量更加方便快捷。
附图说明
图1是本发明一种基于视觉的结构体参数预测方法的步骤流程图；
图2是本发明一种基于视觉的结构体参数预测系统的结构框图；
图3是本发明一种基于视觉的结构体参数预测方法处理后的图片；
图4是本发明具体实施例网络流程框图；
图5是本发明具体实施例的装置图。
附图说明：1、图像采集单元；2、结果显示单元。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
BMI指数是一个与身高体重有关的能反映身体质量指数/肥胖指数的参数，目前，BMI值的测量方式包括以体重值认定、测量身高体重再计算和基于权重的人脸图像分析这三种方法，单纯以体重值认定BMI指数的方法准确性不高，测量身高体重再计算BMI指数的方法需要特定仪器，对于使用者来说比较不方便，基于权重的人脸图像分析BMI值方法预测误差大，对人体身材变化不敏感，本发明通过对输入图像进行处理，获取待测者的人体特征参数和深度特征参数后计算BMI值，人体特征参数能够体现出待测者身材信息，本发明具备方便、准确、快速的测量特点。
如图1所示，本发明提供了一种基于视觉的结构体参数预测方法，该方法包括以下步骤：
S101、获取输入图像。
具体地，所述输入图像为二维正面直立人体图像，需要包含人体的头部至膝盖部分，所述输入图像可以包含有多个待测者。
S102、对输入图像进行关键点检测和轮廓检测，并计算得到结构体特征参数；
S103、基于人工神经网络提取输入图像的深度特征参数。
S104、通过Kernel Ridge Regression算法对深度特征参数和结构体特征参数进行回归拟合，得到预测值。
具体地，将图片进行处理，提取人体特征参数和残差网络的深度特征参数。
进一步作为本方法的优选实施例，所述对输入图像进行关键点检测和轮廓检测，并计算得到结构体特征参数这一步骤，其具体包括：
通过深度卷积网络对输入图像进行关键点检测，得到人体关键点信息；
对输入图像进行轮廓检测得到最终轮廓；
根据人体关键点信息和最终轮廓计算得到人体特征参数。
具体地，深度卷积网络可以采用Mask R-CNN网络，所述Mask R-CNN网络是一种概念简单、灵活和通用的对象实例分割框架。
进一步作为本方法的优选实施例，所述对输入图像进行轮廓检测得到最终轮廓这一步骤，其具体包括：
基于Pose2Seg算法对输入图像进行处理得到人体轮廓；
基于Human Parse算法对输入图像进行处理得到人体各部位轮廓；
将人体轮廓减去人体手臂部位轮廓得到最终轮廓。
具体地，所述人体各部位轮廓包括人体手臂部位轮廓，所述Pose2Seg算法在基于经过Mask R-CNN网络处理的照片上，检测出人体轮廓，所述Human Parse不仅可以检测轮廓，还可以按不同的语义进行分割，可以单独检测出人体的手臂部分，由于手臂的姿势对关键点检测以及后期特征值计算有着较大的影响，所以在得到人体轮廓和关键点的同时，以人体轮廓为完整的轮廓减去手臂部分。
进一步作为本方法的优选实施例，所述根据人体关键点信息和最终轮廓计算得到人体特征参数这一步骤，其具体包括：
根据人体关键点信息和最终轮廓对输入图像进行像素标记，得到身体区域和背景区域；
根据身体区域的像素计算得到输入图片的人体特征参数。
具体地，对于最终处理好的图像，我们将身体区域标记出来，图像中的所有其他区域都标记为背景。将人体区域像素都标记为b，背景区域都标记为g。我们设定集合B包含所有标记为人体的像素，参照图3，人体示意图中的黑色部分像素，集合G包含标记为背景的所有像素，即除人体以外的像素。lx,y意味着(x,y)处像素的标签值，x和y代表着像素在图片上的横坐标和纵坐标。当像素位于人体区域，lx,y＝b，否则lx,y＝g。那么B＝{(x,y)：lx,y＝b}，G＝{(x,y)：lx,y＝g}。
进一步作为本方法的优选实施例，所述人体特征参数包括腰宽与大腿宽之比、腰宽与臀宽之比、腰宽与头宽之比、臀宽与头宽之比、腰部与臀部之间区域的单位面积的像素数、鼻子到膝盖的距离与腰部宽度之比和腰宽与肩宽之比。
具体地，将鼻子标为n，左耳朵标为le，右耳朵标为re，左肩标为ls，右肩标为rs，肩膀中点标为cs，腰标为w，左腰边界标为lwb，右腰边界标为rwb，膝盖标为k，左膝盖标为lk，右膝盖标为rk，臀部标为h，左臀标为lh，右臀标为rh，左臀边界标为lhb，右臀边界标为rhb，大腿标为t，左大腿边界标为ltb，右大腿边界标为rtb，左大腿标为lt，右大腿标为rt。
分别计算上述人体特征参数：
腰的纵坐标：
Figure BDA0002546877210000051
具体地，
Figure BDA0002546877210000052
腰宽：
Figure BDA0002546877210000053
具体地，所述yls和yrs分别表示左肩的纵坐标和右肩的纵坐标，所述ylh和yrh分别表示为左臀的纵坐标和右臀的纵坐标，同理可得到其他参数的含义，所述xcw表示中心腰部的x轴坐标，所述M是照片的宽度，同样，我们取左大腿边界到左大腿中心的距离加上右大腿边界到右大腿中心的距离作为大腿宽度。
左右大腿的中心坐标是：
Figure BDA0002546877210000061
大腿宽度为：
Figure BDA0002546877210000062
计算腰宽与大腿宽之比：
Figure BDA0002546877210000063
计算腰宽与臀宽之比：
Figure BDA0002546877210000064
具体地，给定左、右臀部关节的坐标，可以用与(1)相同的方法计算臀部的宽度Dhp。
计算腰宽与头宽之比：
Figure BDA0002546877210000065
具体地，腰部宽度与头部宽度之比。给定左右耳骨架关节ple和pre，头部宽度可以用ple和pre之间的欧氏距离近似：
Dhd＝||ple-pre||2
其中‖x‖2表示两个像素之间的欧氏距离。
计算臀部与头宽之比：
Figure BDA0002546877210000066
计算腰部与臀部之间的区域：
Figure BDA0002546877210000067
具体地，腰部和臀部之间单位面积的像素数。由于腰部和臀部之间的区域可以作为瘦和肥胖者的指标，当尺度信息未知时，特征区域可以用来表示这些信息。
区域间的像素数计算公式：
Figure BDA0002546877210000068
其中α[·]是一个指示函数，假设腰部和臀部之间的封闭面积类似于梯形。
计算从鼻子到膝盖的距离和腰部宽度之比：
Figure BDA0002546877210000069
其中，pn是鼻子的坐标点，pk是膝盖中心点的坐标：
Figure BDA0002546877210000071
计算腰宽与肩宽之比：
Figure BDA0002546877210000072
同理可推导出其他参数的含义，所述坐标与像素相关，最终得到7个人体特征参数。
进一步作为本方法的优选实施例，所述人工神经网络采用101层残差网络构建，并且将101层残差网络的最后一层全连接层改为4层全连接层。
进一步作为本方法的优选实施例，所述基于人工神经网络提取输入图像的深度特征参数这一步骤，其具体包括：
通过构建图像集训练人工神经网络；
将图像输入到人工神经网络后提取网络输出，得到深度特征参数。
具体地，预先输入训练集图像，输出BMI值，以此人工神经网络，所述图像为输入图像，提取网络输出即获得人工深网络中最后一层全连接层Fc20中的参数。
本发明的有益效果还包括：可以一次性测量图片中多位人物的BMI值和体重，效率高，速度快，另外，现有的通过神经网络预测BMI值方法精确度不高，我们的方法是将图片通过残差网络获取的深度特征值与图像的七个人体特征参数结合，通过回归得到BMI值，并且对人体身材比例的变化敏感，能够很好地反映在最终的BMI预测值上，解决了现有技术精确度不够的问题。
本发明提供另一种具体实施例，一种基于视觉的结构体参数预测系统，包括以下模块：
获取模块，用于获取输入图像；
人体特征模块，用于对输入图像进行关键点检测和轮廓检测，并计算得到结构体特征参数；
深度特征模块，用于基于人工神经网络提取输入图像的深度特征参数；
输出模块，用于通过Kernel Ridge Regression算法对深度特征参数和结构体特征参数进行回归拟合，得到预测值。
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
本发明提供另一种具体实施例，一种基于视觉的结构体参数预测装置：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得至少一个处理器实现如上所述一种基于视觉的结构体参数预测方法。
具体地，包括图像采集单元1、结果显示单元2和处理单元，所述处理单元安装在结果显示单元2内，所述图像采集单元1可采用摄像头，所述结果显示单元2可采用智慧屏。
上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
本发明还提供另一种具体实施例，一种存储介质，其中存储有处理器可执行的指令，其特征在于：所述处理器可执行的指令在由处理器执行时用于实现如上所述一种基于视觉的结构体参数预测方法。
上述方法实施例中的内容均适用于本存储介质实施例中，本存储介质实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种基于视觉的结构体参数预测方法，其特征在于，包括以下步骤：
获取输入图像；
对输入图像进行关键点检测和轮廓检测，并计算得到结构体特征参数；
基于人工神经网络提取输入图像的深度特征参数；
通过Kernel Ridge Regression算法对深度特征参数和结构体特征参数进行回归拟合，得到预测值。
2.根据权利要求1所述一种基于视觉的结构体参数预测方法，其特征在于，所述对输入图像进行关键点检测和轮廓检测，并计算得到结构体特征参数这一步骤，其具体包括：
通过深度卷积网络对输入图像进行关键点检测，得到人体关键点信息；
对输入图像进行轮廓检测得到最终轮廓；
根据人体关键点信息和最终轮廓计算得到人体特征参数。
3.根据权利要求2所述一种基于视觉的结构体参数预测方法，其特征在于，所述对输入图像进行轮廓检测得到最终轮廓这一步骤，其具体包括：
基于Pose2Seg算法对输入图像进行处理得到人体轮廓；
基于Human Parse算法对输入图像进行处理得到人体各部位轮廓；
将人体轮廓减去人体手臂部位轮廓得到最终轮廓。
4.根据权利要求3所述一种基于视觉的结构体参数预测方法，其特征在于，所述根据人体关键点信息和最终轮廓计算得到人体特征参数这一步骤，其具体包括：
根据人体关键点信息和最终轮廓对输入图像进行像素标记，得到身体区域和背景区域；
根据身体区域的像素计算得到输入图片的人体特征参数。
5.根据权利要求4所述一种基于视觉的结构体参数预测方法，其特征在于，所述人体特征参数包括腰宽与大腿宽之比、腰宽与臀宽之比、腰宽与头宽之比、臀宽与头宽之比、腰部与臀部之间区域的单位面积的像素数、鼻子到膝盖的距离与腰部宽度之比和腰宽与肩宽之比。
6.根据权利要求1所述一种基于视觉的结构体参数预测方法，其特征在于，所述人工神经网络采用101层残差网络构建，并且将101层残差网络的最后一层全连接层改为4层全连接层。
7.根据权利要求2所述一种基于视觉的结构体参数预测方法，其特征在于，所述基于人工神经网络提取输入图像的深度特征参数这一步骤，其具体包括：
通过构建图像集训练人工神经网络；
将图像输入到人工神经网络后提取网络输出，得到深度特征参数。
8.一种基于视觉的结构体参数预测系统，其特征在于，包括以下模块：
获取模块，用于获取输入图像；
人体特征模块，用于对输入图像进行关键点检测和轮廓检测，并计算得到结构体特征参数；
深度特征模块，用于基于人工神经网络提取输入图像的深度特征参数；
输出模块，用于通过Kernel Ridge Regression算法对深度特征参数和结构体特征参数进行回归拟合，得到预测值。
9.一种基于视觉的结构体参数预测装置，其特征在于，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-7任一项所述一种基于视觉的结构体参数预测方法。
10.一种存储介质，其中存储有处理器可执行的指令，其特征在于，所述处理器可执行的指令在由处理器执行时用于实现如权利要求1-7任一项所述一种基于视觉的结构体参数预测方法。
CN202010563212.6A 2020-06-19 2020-06-19 一种基于视觉的结构体参数预测方法、系统、装置及存储介质 Active CN111724901B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010563212.6A CN111724901B (zh) 2020-06-19 2020-06-19 一种基于视觉的结构体参数预测方法、系统、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010563212.6A CN111724901B (zh) 2020-06-19 2020-06-19 一种基于视觉的结构体参数预测方法、系统、装置及存储介质

Publications (2)

Publication Number Publication Date
CN111724901A true CN111724901A (zh) 2020-09-29
CN111724901B CN111724901B (zh) 2024-07-19

Family

ID=72567645

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010563212.6A Active CN111724901B (zh) 2020-06-19 2020-06-19 一种基于视觉的结构体参数预测方法、系统、装置及存储介质

Country Status (1)

Country Link
CN (1) CN111724901B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113488163A (zh) * 2021-07-07 2021-10-08 四川大学华西医院 一种基于机器视觉的肌少症识别方法、装置、设备及介质
CN116704582A (zh) * 2023-06-19 2023-09-05 吉林大学 一种基于人脸和人体测量特征的体重指数预测方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015050929A1 (en) * 2013-10-01 2015-04-09 The Children's Hospital Of Philadelphia Image analysis for predicting body weight in humans
CN105054936A (zh) * 2015-07-16 2015-11-18 河海大学常州校区 基于Kinect景深图像的快速身高和体重测量方法
CN109033946A (zh) * 2018-06-08 2018-12-18 东南大学 融合方向图的人体姿态估计方法
CN109448850A (zh) * 2018-10-17 2019-03-08 北京邮电大学 一种身体质量指数预测方法、装置、电子设备及存储介质
CN109522886A (zh) * 2019-01-15 2019-03-26 广州唯品会研究院有限公司 形体数据的测量方法、装置以及计算机可读存储介质
CN110059522A (zh) * 2018-01-19 2019-07-26 北京市商汤科技开发有限公司 人体轮廓关键点检测方法、图像处理方法、装置及设备
CN110151186A (zh) * 2019-05-28 2019-08-23 北京智形天下科技有限责任公司 一种基于网络化智能终端的人体测量方法
CN110619316A (zh) * 2019-09-26 2019-12-27 联想(北京)有限公司 人体关键点检测方法、装置和电子设备
CN110909665A (zh) * 2019-11-20 2020-03-24 北京奇艺世纪科技有限公司 一种多任务的图像处理方法、装置、电子设备及存储介质
CN111008562A (zh) * 2019-10-31 2020-04-14 北京城建设计发展集团股份有限公司 一种特征图深度融合的人车目标检测方法
CN111160085A (zh) * 2019-11-19 2020-05-15 天津中科智能识别产业技术研究院有限公司 一种人体图像关键点姿态估计方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015050929A1 (en) * 2013-10-01 2015-04-09 The Children's Hospital Of Philadelphia Image analysis for predicting body weight in humans
CN105054936A (zh) * 2015-07-16 2015-11-18 河海大学常州校区 基于Kinect景深图像的快速身高和体重测量方法
CN110059522A (zh) * 2018-01-19 2019-07-26 北京市商汤科技开发有限公司 人体轮廓关键点检测方法、图像处理方法、装置及设备
CN109033946A (zh) * 2018-06-08 2018-12-18 东南大学 融合方向图的人体姿态估计方法
CN109448850A (zh) * 2018-10-17 2019-03-08 北京邮电大学 一种身体质量指数预测方法、装置、电子设备及存储介质
CN109522886A (zh) * 2019-01-15 2019-03-26 广州唯品会研究院有限公司 形体数据的测量方法、装置以及计算机可读存储介质
CN110151186A (zh) * 2019-05-28 2019-08-23 北京智形天下科技有限责任公司 一种基于网络化智能终端的人体测量方法
CN110619316A (zh) * 2019-09-26 2019-12-27 联想(北京)有限公司 人体关键点检测方法、装置和电子设备
CN111008562A (zh) * 2019-10-31 2020-04-14 北京城建设计发展集团股份有限公司 一种特征图深度融合的人车目标检测方法
CN111160085A (zh) * 2019-11-19 2020-05-15 天津中科智能识别产业技术研究院有限公司 一种人体图像关键点姿态估计方法
CN110909665A (zh) * 2019-11-20 2020-03-24 北京奇艺世纪科技有限公司 一种多任务的图像处理方法、装置、电子设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MIN JIANG等: "Body Weight Analysis from Human Body Images", IEEE TRANSACTIONS ON INFORMATION FORENSICS AND SECURITY, vol. 14, no. 10, pages 133 - 134 *
TAM V. NGUYEN1等: "Seeing Human Weight from a Single RGB-D Image", JOURNAL OF COMPUTER SCIENCE AND TECHNOLOGY, vol. 29, no. 05 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113488163A (zh) * 2021-07-07 2021-10-08 四川大学华西医院 一种基于机器视觉的肌少症识别方法、装置、设备及介质
CN116704582A (zh) * 2023-06-19 2023-09-05 吉林大学 一种基于人脸和人体测量特征的体重指数预测方法

Also Published As

Publication number Publication date
CN111724901B (zh) 2024-07-19

Similar Documents

Publication Publication Date Title
US11017547B2 (en) Method and system for postural analysis and measuring anatomical dimensions from a digital image using machine learning
CN114081471B (zh) 一种基于三维图像与多层感知的脊柱侧弯cobb角测量方法
CN113139962B (zh) 用于脊柱侧凸概率评估的系统和方法
CN112033545B (zh) 人体温度红外测量方法、装置及计算机设备
CN111507306A (zh) 一种基于ai人脸距离检测的温度误差补偿方法
CN108151670A (zh) 一种后背三维对称度评价装置及方法
WO2020211255A1 (zh) 人体形体及体质数据采集方法、装置及存储介质
US11759151B2 (en) Body composition assessment using two-dimensional digital image analysis
CN112434639B (zh) 动作匹配方法、装置、设备及存储介质
CN109101983A (zh) 一种基于深度学习的鞋样及足迹关键点检测方法
CN115578789A (zh) 脊柱侧弯检测装置、系统及计算机可读存储介质
CN111724901B (zh) 一种基于视觉的结构体参数预测方法、系统、装置及存储介质
CN112836904A (zh) 基于人脸特征点的身体质量指数预测方法
CN116469174A (zh) 一种基于单目摄像头的深度学习坐姿测量检测方法
TWI542320B (zh) 以深度圖影像與骨架特徵點進行人體重量估測之方法
CN115240247A (zh) 一种用于进行动作和姿态检测的识别方法及系统
CN117115922A (zh) 坐位体前屈评测方法、系统、电子设备和存储介质
CN114092862A (zh) 一种基于最优帧选取的动作评估方法
CN115147364B (zh) 一种适用于测量人眼睫状肌和巩膜结构多指标的方法
CN114255507A (zh) 一种基于计算机视觉的学生姿势识别分析方法
CN107256390A (zh) 基于手各个部位在三维空间位置变化的手功能评价装置及方法
CN114870385A (zh) 一种基于优化的OpenPose模型的立定跳远测试方法
CN110151186A (zh) 一种基于网络化智能终端的人体测量方法
CN109064511A (zh) 一种人体重心高度测量方法、装置及相关设备
CN120304811A (zh) 人体扫描系统和健康评估方法

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