[发明专利]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

说明书

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。

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：