[发明专利]基于近红外摄像与深度学习的人手腕脉口位置精准定位方法

说明书

本发明属于计算机图像处理技术领域，具体为基于近红外摄像与深度学习的人手腕脉口位置精准定位方法。本发明的基本步骤为：首先通过近红外相机对多人进行手部图像采样，由专业医生进行脉口位置的标记，作为深度学习脉口定位网络模型的训练数据；然后构建深度学习网络模型，网络模型包括特征提取网络和回归网络，特征提取网络对训练集进行腕部轮廓纹理颜色等特征提取，将提取到的腕部特征通过回归网络进行脉口位置预测，得到泛化能力较强的深度学习脉口定位网络模型；最后将拍摄到的手部图像作为预先训练好的深度学习脉口定位网络模型的输入，预测得到手腕脉口在图像上的位置。本发明方法能以较高的精度找到人手腕的脉口位置，为机器人进行中医脉诊提供实时的视觉定位。

技术领域

本发明属于计算机图像处理技术领域，具体涉及人手腕脉口精准定位的方法。

背景技术

脉诊即切脉，医生在切脉诊断过程中,将食指、中指和无名指轻压于患者左手或右手腕部桡动脉浅露肤表的一段长度上,感知脉搏的变化模式,通过临床经验分析出患者的健康情况。脉诊是中医临床诊断的重要依据,随着传感器技术和电子信息技术的发展,脉诊数字化成为重要的研究领域,尤其是近年来人工智能的迅速崛起,为传统中医脉诊提供了新的发展方向。

机器人能够通过摄像头和脉口定位算法来实现脉口位置的定位，能够通过机械臂以及压力传感器来获取相应的脉象信息。此外随着硬件的更新换代和算法的优化，物体检测的速度也越来越快，物体的检测精度越来越高，物体检测算法的实现达到了实时水平。因此，脉口的精确定位可以用红外摄像机采集数据和深度学习方法来完成。

发明内容

本发明的目的在于提供一种能够对人手腕脉口位置进行精准定位的方法。

本发明提供的人手腕脉口位置精准定位方法，是基于近红外相机与深度学习技术的；基本步骤为：首先通过近红外相机对多人进行手部图像采样，由专业医生进行脉口位置的标记，作为深度学习脉口定位网络模型的训练数据；然后构建深度学习网络模型，网络模型包括特征提取网络和回归网络，特征提取网络对训练集进行腕部特征提取，并通过回归网络进行脉口位置预测，得到泛化能力较强的深度学习脉口定位网络模型；最后将拍摄到的手部图像作为预先训练好的深度学习脉口定位网络模型的输入，预测得到手腕脉口在图像上的位置。

本发明提出的基于深度学习的人手腕脉口位置精准定位方法，具体步骤如下：

（1）获取深度学习的训练数据；

（2）构建深度学习网络模型；对采集的腕部图像进行划分；训练网络模型；

该网络模型结构由特征提取网络和回归网络组成；其中，所述特征提取网络的基本卷积块有两种，第一种卷积块包括卷积层、批归一化层、激活层、最大池化层和辍学层；第二种卷积块只包括卷积层、批归一化层、激活层和辍学层，没有最大池化层；所述卷积层在不同的卷积块中是不相同的，它们具有不同的卷积核和步长；其中，卷积层用于提取腕部特征；批归一化层用于加快模型的收敛速度，使得训练深层网络模型更加容易和稳定；激活层用于增加网络的非线性表达能力；最大池化层用于特征降维、压缩数据和参数的数量、减小过拟合，同时提高模型的容错性；辍学层用于消除减弱神经元节点间的联合适应性，增强泛化能力；所述回归网络由一个全连接层组成,全连接层用于整合之前的卷积层和池化层提取的局部特征进行脉口位置定位；

（3）利用经过训练的网络模型，对采集的手部图像预测脉口位置。

进一步地，步骤（1）中所述 获取深度学习的训练数据，具体过程如下：

（11）通过红外相机对多个人进行手部图像采样；所述红外相机是在摄像机前加上了一个红外滤波片组成，能够采集到红外图像；根据深度学习模型对输入图像的形状要求，对采集的红外图像进行裁剪和放缩；每个人采样的图像数量不低于20张；采集时，一般固定拍摄高度为20cm，手腕变换为各种不同的位姿（也即手腕朝向不同），并保确整个手及手腕包含在图像内；

（12）由专业医生对脉口位置进行有效标记；