一种基于模块化特征增强制造技术

本发明专利技术一种基于模块化特征增强

【技术实现步骤摘要】
一种基于模块化特征增强GAN的眼部穴位定位方法


[0001]本专利技术属于眼部穴位定位
，特别涉及一种基于模块化特征增强
GAN
的眼部穴位定位方法
。

技术介绍

[0002]当今社会生活节奏加快和工作压力加大，导致慢性疾病和亚健康问题屡见不鲜，为了不影响工作效率，人们倾向于寻求西医的快速帮助，但对于慢性疾病，毫无疑问，中医针灸更加有效
。
针灸主要依靠针刺穴位促进气血循环然后通过经络输送到体表的特殊部位，以达到治疗的目的
。
针灸是我国卫生健康事业的重要组成部分和人类非物质文化遗产的代表之一，并且在疾病治疗
、
日常保健和美容按摩等领域得到广泛运用
。
然而，针灸的关键在于快速准确的找到人体穴位，这需要高成本的人才培养以及长时间的经验积累，由于病人的个体差异和临床中常用的穴位定位方法的主观性还会导致穴位定位偏差，这会使针灸治疗无法达到预期效果，甚至对人体造成伤害
。
因此，一种简单高效的穴位自动定位技术的提出显得格外有意义
。
由于穴位定位的复杂度和技术手段的限制以及穴位自动定位需要兼顾到各种人体因素，而现有穴位自动定位方法泛化能力较弱，不能适应不同人群和不同环境下的穴位定位需求，同时穴位自动定位方法操作复杂，需要专业知识和技能的支持，限制了其在临床应用中的推广和应用范围
。
针对这些问题，为实现穴位定位现代化，越来越多的学者开始将现代信息技术
、
大数据r/>、
人工智能等应用于穴位定位中，以改善现有穴位自动定位方法的缺陷
。
[0003]近年来，深度学习
(DL
，
Deep Learning)
迎来了跨越式的发展，广泛应用在计算机视觉
、
目标检测
、
图像生成等诸多领域，并取得了良好的效果
。
然而，这些模型的用户控制能力较差且图片的分辨率和质量有待提高
。
例如，杨向萍等人设计了一种基于粒子群算法优化神经网络
(PSO
‑
BP)
的穴位相对坐标预测模型，并与
ARM
结合构成一个可以用于人体穴位定位的系统
。
但是，由于浮点数的使用对精度的影响以及传递函数的泰勒展开造成损失叠加，最终穴位定位的准确性不高；张化凯等人通过人工标记，分别提出了基于快速相关灰度归一化图像匹配和基于
SFT
特征匹配的穴位定位新方法，并对实际图像进行了实验分析
。
虽然这些方法可以设计出穴位定位方法，但结果输出较为缓慢；常梦龙利用
ASM
算法进行人脸关键点定位，通过边缘提取算法和特征三角形法对采集信息进行准确化，提出了人脸骨度分寸计算方法和人脸图像穴位定位方法，然后通过神经网络对没有明显图形特征的穴位进行了定位
。
但是，这些算法对样本限制较为严格，不利于研究推广应用，且
BP
网络算法部分优化较少
。
因此，我们需要更好的方法来实现穴位定位的准确性与便捷性
。
目前，生产图像质量更好且模型更为简洁的模型是
Goodfellow
等人提出的基于深度学习的生成对抗网络
(Generative Adversarial Networks
，
GAN)。
在
GAN
的基础上，
Isola
等人提出了
Pix2pix
，由于它是一对一映射，其中给定输入的输出始终相同当将噪声添加到生成器的输入时，网络会忽略噪声，并且在输出图像中不会产生变化，这不利于我们进行不同人脸穴位定位的标记
。
为了解决这一问题，我们需要寻找一种方法，强制生成器不得忽略噪声，而是使用噪声
来生成多样化的图像
。
这就
J.Y.Zhu
等人提出的
BicycleGAN
，该模型可利用中医面部取穴与人脸与面部器官的位置来设计生成器的结构，生成器首先生成穴位定位的图像，通过判别器判别图像的真假，通过这样的对抗就会不断地更新生成器中的权重参数，最终实现穴位的准确
、
快速定位
。
这种方法不仅能提高穴位定位的准确性和便捷性，还能为中医药的数字化转型和现代化发展提供有力支持
。
[0004]综上所述，基于
GAN
框架的降噪网络仍存在网络训练过程不稳定
、
泛化能力较差和特征提取不补充的问题
。
在训练数据集中，穴位定位准确率常受所采集人脸图像的规范性影响，为更好测试我们所设计的穴位定位网络，本专利技术的研究旨在利用现有的拍照设备
(
如手机
、
电脑
、
平板等
)
，通过对人脸图像的分析和检测，识别出目标人物的面部特征，进而自动定位穴位；在训练过程中，采用多种损失函数对各个子网络的输出结果进行针对性的约束，保障网络训练的稳定性；在框架优化中，提出了一种基于模块化特征增强生成对抗网络的眼部穴位定位网络，其中，双回路生成策略更在于能够利用生成器和判别器的对抗性优势
。

技术实现思路

[0005]本专利技术的目的在于提供一种基于模块化特征增强
GAN
的眼部穴位定位方法，自动根据眼部图像标定穴位，降低穴位标定难度，提高穴位标定准确度
。
[0006]为实现上述目的，本专利技术所采用的技术方案为：一种基于模块化特征增强
GAN
的眼部穴位定位方法，按照以下步骤进行：
[0007]步骤
1)
选择有监督的训练策略，构建成对眼部穴位图像数据集；
[0008]步骤
2)
将成对图像数据输入到模块化特征增强生成对抗网络中，通过输入训练数据对网络模型进行训练
、
以达到收敛状态，模块化特征增强生成对抗网络包括
I2I
‑
GAN
模型和
Z2Z
‑
GAN
模型两个支路，
I2I
‑
GAN
模型由一个生成器
、
一个编码器和判别器
D1
构成，
Z2Z
‑
GAN
模型由一个生成器
、
一个编码器和判别器
D2
构成，两个支路对应不同的训练方法；
[0009]I2I
‑
GAN
模型，先从有穴位标定的图像
B
编码出噪声
z1
，随后将噪声
z1
和没有穴位标定的图像
A
输入带有特征增强模块的生成器中进行穴位定位，最后输出有穴位点的图像
...

【技术保护点】

【技术特征摘要】
1.
一种基于模块化特征增强
GAN
的眼部穴位定位方法，其特征在于，按照以下步骤进行：步骤
1)
选择有监督的训练策略，构建成对眼部穴位图像数据集；步骤
2)
将成对图像数据输入到模块化特征增强生成对抗网络中，通过输入训练数据对网络模型进行训练
、
以达到收敛状态，模块化特征增强生成对抗网络包括
I2I
‑
GAN
模型和
Z2Z
‑
GAN
模型两个支路，
I2I
‑
GAN
模型由一个生成器
、
一个编码器和判别器
D1
构成，
Z2Z
‑
GAN
模型由一个生成器
、
一个编码器和判别器
D2
构成，两个支路对应不同的训练方法；
I2I
‑
GAN
模型，先从有穴位标定的图像
B
编码出噪声
z1
，随后将噪声
z1
和没有穴位标定的图像
A
输入带有特征增强模块的生成器中进行穴位定位，最后输出有穴位点的图像
Z2Z
‑
GAN
模型，将没有穴位标定的图像
A
与随机噪声
N(z)
输入带有特征增强模块的生成器中进行穴位定位，输出有穴位点的图像最后从图像中编码出噪声
z2
；判别器
D1
判定
I2I
‑
GAN
模型生成器输出的有穴位点的图像真假，判别器
D2
判定
Z2Z
‑
GAN
模型生成器输出的有穴位点的图像真假；最后，利用梯度优化算法迭代优化；步骤
3)
穴位自动定位
、
输出：输入的没有穴位标定图像，通过迭代训练后的模块化特征增强生成对抗网络模型转化为对应有穴位标定图像，而后将图像进行输出
。2.
根据权利要求1所述的一种基于模块化特征增强
GAN
的眼部穴位定位方法，其特征在于：步骤
2)
中迭代优化的具体函数为：判别器
D1
的损失函数为：判别器
D2
的损失函数为：其中
A
表示没有穴位标定的图像，表示
I2I
‑
GAN
模型输出的有穴位标定的图像...

【专利技术属性】
技术研发人员：上官宏，孙悦，杨婕，高阳，张雄，贺文彬，刘昕，
申请(专利权)人：山西中医药大学，
类型：发明
国别省市：