【技术实现步骤摘要】
本专利技术属于图像识别，尤其涉及一种体位动作识别方法及系统。
技术介绍
1、胶囊内窥镜进入人体内后，通过调整人体体位可以使得胶囊内窥镜更容易到达目标区域，以便胶囊内窥镜采集所需图像，比如通过调整人体体位使得胶囊内窥镜通过胃幽门等，因此，判断人体体位动作是否标准尤为重要。
2、目前，主要是通过深度学习算法对图像进行识别获得人体体位动作分类，适用于具有明显特征和简单背景的场景，比如适用于站立人体以及处于简单背景环境中人体的体位动作识别，而在胶囊内窥镜使用场景下人体处于卧姿、家庭卧室的床上等存在被褥或其他遮挡物遮挡人体场景时，现有的深度学习识别人体体位动作的算法无法准确识别出人体的体位动作。
技术实现思路
1、本专利技术实施例的目的在于提供一种体位动作识别方法及系统，旨在解决现有深度学习算法在胶囊内窥镜使用场景下，无法准确识别人体处于卧姿以及人体受阻挡时的人体体位动作的问题。
2、为实现上述目的，本专利技术实施例提供如下技术方案：
3、本专利技术提实施例供一种体位动作识别方法，具体包括以下步骤：
4、获取包含人体姿势的待识别图像；
5、将所述待识别图像输入预先训练好的体位动作识别模型中，得到所述待识别图像中人体姿势的第一体位动作数据；
6、其中，所述体位动作识别模型包括骨干网络和头部网络，所述骨干网络包括多个阶段依次连接的、卷积核尺寸递增的卷积网络，所述头部网络基于所述骨干网络输出的显式特征编码和隐式特征编码识别体位
7、作为本专利技术实施例技术方案的进一步限定，将所述待识别图像输入预先训练好的体位动作识别模型中，得到所述待识别图像中人体姿势的第一体位动作数据，具体包括以下步骤：
8、将所述待识别图像输入预先训练好的体位动作识别模型中，在所述骨干网络中对所述待识别图像进行多个阶段的、卷积核尺寸递增的卷积操作，得到显式特征编码和隐式特征编码；
9、在所述头部网络中基于所述显式特征编码和隐式特征编码识别所述待识别图像中人体姿势的第一体位动作数据。
10、作为本专利技术实施例技术方案的进一步限定，具体还包括以下步骤：
11、根据所述第一体位动作数据和预置的第二体位动作数据计算动作误差值，所述第二体位动作数据为标准体位动作的数据；
12、判断所述动作误差值是否小于预置的阈值；
13、若是，确定所述待识别图像中人体的体位动作合格；
14、若否，确定所述待识别图像中人体的体位动作不合格，生成提示信息。
15、作为本专利技术实施例技术方案的进一步限定，所述体位动作识别模型通过以下步骤训练：
16、获取训练图像；
17、构建体位动作识别模型，所述体位动作识别模型包括骨干网络和头部网络，所述骨干网络包括多个阶段依次连接的、卷积核尺寸递增的卷积网络，所述头部网络基于所述骨干网络输出的显式特征编码和隐式特征编码识别体位动作；
18、采用所述训练图像训练所述体位动作识别模型。
19、作为本专利技术实施例技术方案的进一步限定，所述构建体位动作识别模型，具体包括以下步骤：
20、构建多个依次连接的n个阶段的卷积网络作为骨干网络，第一阶段到第n阶段的卷积网络的卷积核尺寸递增，第i阶段的卷积网络包括卷积分支网络、x方向的sobel算子分支网络、y方向的sobel算子分支网络以及laplace算子分支网络，第i阶段的卷积分支网络、x方向的sobel算子分支网络、y方向的sobel算子分支网络以及laplace算子分支网络以第i-1阶段的卷积网络输出的特征编码作为输入，第i阶段的卷积分支网络、x方向的sobel算子分支网络、y方向的sobel算子分支网络以及laplace算子分支网络输出的特征编码拼接后作为第i+1阶段的卷积网络的输入，其中i为自然数并且2≤i≤n；
21、构建头部网络，所述头部网络的输入层与所述骨干网络中的第n阶段的卷积网络的输出层连接。
22、作为本专利技术实施例技术方案的进一步限定，所述骨干网络包括4个阶段的卷积网络，其中，第一阶段的卷积网络的卷积核尺寸为4×4，第二阶段到第四阶段的卷积网络中卷积分支网络的卷积核尺寸分别为5×5、7×7、9×9。
23、作为本专利技术实施例技术方案的进一步限定，所述头部网络的目标函数如下：
24、y=fθ(x)★gθ(z)；
25、其中，fθ表示卷积网络的操作，θ是卷积网络的参数，x为卷积网络输出的显式特征编码，z表示预置的隐式特征编码，gθ表示从显式特征编码和隐式特征编码进行选择或组合，★表示相加或相乘。
26、作为本专利技术实施例技术方案的进一步限定，所述训练图像标注有第三体位动作数据，所述采用所述训练图像训练所述体位动作识别模型，包括：
27、随机提取训练图像输入体位动作识别模型中得到第四体位动作数据；
28、采用所述第三体位动作数据和所述第四体位动作数据计算损失率；
29、判断是否满足训练条件；
30、若是，对所述骨干网络中各个阶段的卷积网络进行重参数化操作，得到训练完成的体位动作识别模型；
31、若否，依据所述损失率对所述体位动作识别模型的参数进行调整，返回随机提取训练图像输入体位动作识别模型中得到第四体位动作数据的步骤。
32、作为本专利技术实施例技术方案的进一步限定，所述随机提取训练图像输入体位动作识别模型中得到第四体位动作数据，包括：
33、在所述骨干网络的第一阶段的卷积网络中对所述训练图像进行卷积操作，从所述第一阶段的卷积网络中输出特征图；
34、将第一阶段的卷积网络所输出特征图输入第二阶段的卷积网络中，以在第二阶段到第n阶段的卷积网络的卷积分支网络、x方向的sobel算子分支网络、y方向的sobel算子分支网络以及laplace算子分支网络提取卷积特征、x方向的sobel特征、y方向的sobel特征以及laplace特征，并对卷积特征、x方向的sobel特征、y方向的sobel特征以及laplace特征融合，在第n阶段的卷积网络输出最终的特征图；
35、在所述头部网络中输入最终的特征图作为显式特征编码以及输入预置的隐式特征编码，识别所述训练图像中的第四体位动作数据。
36、作为本专利技术实施例技术方案的进一步限定，所述对所述骨干网络中各个阶段的卷积网络进行重参数化操作，得到训练完成的体位动作识别模型，包括：
37、将所述骨干网络中各个阶段的卷积网络中的卷积分支网络的参数、x方向的sobel算子分支网络、y方向的sobel算子分支网络以及laplace算子分支网络的参数进行融合，得到融合卷积参数；
38、在各个阶段的卷积网络中删除x方向的sobel算子分支网络、y方向的sobel算子分支网络以及laplace算子分支网络，并采用所述融合卷积参数替换掉卷积分支网络的参数，得到训本文档来自技高网...
【技术保护点】
1.一种体位动作识别方法，其特征在于，具体包括以下步骤：
2.如权利要求1所述的体位动作识别方法，其特征在于，将所述待识别图像输入预先训练好的体位动作识别模型中，得到所述待识别图像中人体姿势的第一体位动作数据，具体包括以下步骤：
3.如权利要求1所述的体位动作识别方法，其特征在于，具体还包括以下步骤：
4.如权利要求1所述的体位动作识别方法，其特征在于，所述体位动作识别模型通过以下步骤训练：
5.如权利要求4所述的体位动作识别方法，其特征在于，所述构建体位动作识别模型，具体包括以下步骤：
6.如权利要求5所述的体位动作识别方法，其特征在于，所述骨干网络包括4个阶段的卷积网络，其中，第一阶段的卷积网络的卷积核尺寸为4×4，第二阶段到第四阶段的卷积网络中卷积分支网络的卷积核尺寸分别为5×5、7×7、9×9。
7.如权利要求5所述的体位动作识别方法，其特征在于，所述头部网络的目标函数如下：
8.如权利要求5所述的体位动作识别方法，其特征在于，所述训练图像标注有第三体位动作数据，所述采用所述训练图像训练所
9.如权利要求8所述的体位动作识别方法，其特征在于，所述随机提取训练图像输入体位动作识别模型中得到第四体位动作数据，包括：
10.如权利要求8所述的体位动作识别方法，其特征在于，所述对所述骨干网络中各个阶段的卷积网络进行重参数化操作，得到训练完成的体位动作识别模型，包括：
11.一种体位动作识别系统，其特征在于，具体包括以下模块：
...【技术特征摘要】
1.一种体位动作识别方法，其特征在于，具体包括以下步骤：
2.如权利要求1所述的体位动作识别方法，其特征在于，将所述待识别图像输入预先训练好的体位动作识别模型中，得到所述待识别图像中人体姿势的第一体位动作数据，具体包括以下步骤：
3.如权利要求1所述的体位动作识别方法，其特征在于，具体还包括以下步骤：
4.如权利要求1所述的体位动作识别方法，其特征在于，所述体位动作识别模型通过以下步骤训练：
5.如权利要求4所述的体位动作识别方法，其特征在于，所述构建体位动作识别模型，具体包括以下步骤：
6.如权利要求5所述的体位动作识别方法，其特征在于，所述骨干网络包括4个阶段的卷积网络，其中，第一阶段的卷积网络的卷积核尺寸为4×4，第二阶段...
【专利技术属性】
技术研发人员：于大洋，周可，王羽嗣，王云忠，刘思德，
申请(专利权)人：广州思德医疗科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。