CN111666890B - 脊柱变形人群识别方法、装置、计算机设备及存储介质 - Google Patents

脊柱变形人群识别方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN111666890B
CN111666890B CN202010513066.6A CN202010513066A CN111666890B CN 111666890 B CN111666890 B CN 111666890B CN 202010513066 A CN202010513066 A CN 202010513066A CN 111666890 B CN111666890 B CN 111666890B
Authority
CN
China
Prior art keywords
image
spine
identified
model
vector diagram
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.)
Active
Application number
CN202010513066.6A
Other languages
English (en)
Other versions
CN111666890A (zh
Inventor
唐子豪
刘莉红
刘玉宇
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202010513066.6A priority Critical patent/CN111666890B/zh
Priority to PCT/CN2020/099253 priority patent/WO2021114623A1/zh
Publication of CN111666890A publication Critical patent/CN111666890A/zh
Application granted granted Critical
Publication of CN111666890B publication Critical patent/CN111666890B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
    • 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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Human Computer Interaction (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及人工智能领域，本发明公开了一种脊柱变形人群识别方法、装置、计算机设备及存储介质，所述方法包括：获取与待识别目标关联的图像数据和非图像数据；截取出图像数据中背部区域的待识别背部区域图像；对待识别背部区域图像进行图像增强处理得到待识别区域增强图像；通过脊柱识别模型提取待识别区域增强图像中的脊柱特征，获得第一特征向量图，通过数据标准化模型对非图像数据进行归一化及边缘权重处理，获得第二特征向量图；将第二特征向量图进行边缘填充至第一特征向量图，得到第三特征向量图；根据GCN中的频谱域方法，通过脊柱图卷积网络模型提取脊柱频域特征，得到识别结果。本发明实现了自动识别出待识别目标的脊柱变形人群的类别。

Description

脊柱变形人群识别方法、装置、计算机设备及存储介质
技术领域
本发明涉及人工智能的图像分类领域，尤其涉及一种脊柱变形人群识别方法、装置、计算机设备及存储介质。
背景技术
脊柱是人体的中轴，脊柱变形严重时不仅会造成身体外观异常、运动功能障碍，还可因胸廓畸形而造成心肺功能障碍，降低生活质量，严重影响青少年身心健康的发育。如果不及早预防和发现，不仅影响患者的体型和外观，而且可能造成心肺功能异常，使脊柱过早退变，出现疼痛，躯干不平衡，甚至会导致死亡。脊柱变形指脊柱发生水平和垂直方向的形变，通常称水平方向的形变为侧弯和垂直方向的形变为驼背。
检查脊柱变形的方法有很多，主要有莫尔图像测量法、X光片测量法、Adams向前弯腰试验等等，现有技术的方案中都需要人工物理测量检测、而且检测步骤繁琐，导致检测效率低和成本高，特别是X光片测量法会对青少年造成辐射伤害，而且大部分现有方案都是对已经发生脊柱变形之后的患者人群才能检测出来，无法对潜在的人群进行提醒及预防。
发明内容
本发明提供一种脊柱变形人群识别方法、装置、计算机设备及存储介质，实现了通过GCN中的频谱域方法自动识别出脊柱变形人群的类别，对潜在的人群进行提醒，起到预防作用，因此，提高了脊柱变形人群识别的准确率和可靠性，大大降低了识别成本，并对潜在的人群起到提醒作用。
一种脊柱变形人群识别方法，包括：
接收目标识别指令，获取与待识别目标对应的唯一码关联的图像数据和非图像数据；所述图像数据为与背部相关的图像；所述非图像数据为与待识别目标相关的信息；
将所述图像数据输入背部区域识别模型，通过所述背部区域识别模型对所述图像数据进行背部区域的识别，获取所述背部区域识别模型截取出的待识别背部区域图像；所述背部区域识别模型为基于YOLO模型搭架的深度卷积神经网络模型；
对所述待识别背部区域图像进行图像增强处理，得到待识别区域增强图像；
将所述待识别区域增强图像输入脊柱识别模型，通过所述脊柱识别模型提取所述待识别区域增强图像中的脊柱特征，获取所述脊柱识别模型根据所述脊柱特征输出的第一特征向量图，同时将所述非图像数据输入数据标准化模型，通过所述数据标准化模型对所述非图像数据进行归一化及边缘权重处理，获得第二特征向量图；
将所述第二特征向量图进行边缘填充至所述第一特征向量图，得到第三特征向量图；
将所述第三特征向量图输入训练完成的脊柱图卷积网络模型；
根据GCN中的频谱域方法，通过所述脊柱图卷积网络模型提取所述第三特征向量图中的脊柱频域特征，获取所述脊柱图卷积网络模型根据所述脊柱频域特征输出的识别结果；所述识别结果表征了所述待识别目标的脊柱变形人群的类别，所述脊柱变形人群的类别包括侧弯人群、脊柱驼背人群、潜在脊柱侧弯人群、潜在脊柱驼背人群和非脊柱变形人群。
一种脊柱变形人群识别装置，包括：
接收模块，用于接收目标识别指令，获取与待识别目标对应的唯一码关联的图像数据和非图像数据；所述图像数据为与背部相关的图像；所述非图像数据为与待识别目标相关的信息；
识别模块，用于将所述图像数据输入背部区域识别模型，通过所述背部区域识别模型对所述图像数据进行背部区域的识别，获取所述背部区域识别模型截取出的待识别背部区域图像；所述背部区域识别模型为基于YOLO模型搭架的深度卷积神经网络模型；
增强模块，用于对所述待识别背部区域图像进行图像增强处理，得到待识别区域增强图像；
获取模块，用于将所述待识别区域增强图像输入脊柱识别模型，通过所述脊柱识别模型提取所述待识别区域增强图像中的脊柱特征，获取所述脊柱识别模型根据所述脊柱特征输出的第一特征向量图，同时将所述非图像数据输入数据标准化模型，通过所述数据标准化模型对所述非图像数据进行归一化及边缘权重处理，获得第二特征向量图；
填充模块，用于将所述第二特征向量图进行边缘填充至所述第一特征向量图，得到第三特征向量图；
输入模块，用于将所述第三特征向量图输入训练完成的脊柱图卷积网络模型；
输出模块，用于根据GCN中的频谱域方法，通过所述脊柱图卷积网络模型提取所述第三特征向量图中的脊柱频域特征，获取所述脊柱图卷积网络模型根据所述脊柱频域特征输出的识别结果；所述识别结果表征了所述待识别目标的脊柱变形人群的类别，所述脊柱变形人群的类别包括侧弯人群、脊柱驼背人群、潜在脊柱侧弯人群、潜在脊柱驼背人群和非脊柱变形人群。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述脊柱变形人群识别方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述脊柱变形人群识别方法的步骤。
本发明提供的脊柱变形人群识别方法、装置、计算机设备及存储介质，通过接收目标识别指令，获取与待识别目标对应的唯一码关联的图像数据和非图像数据；将所述图像数据输入背部区域识别模型，获取所述背部区域识别模型截取出的待识别背部区域图像；对所述待识别背部区域图像进行图像增强处理，得到待识别区域增强图像；将所述待识别区域增强图像输入脊柱识别模型，通过所述脊柱识别模型提取所述待识别区域增强图像中的脊柱特征，获取所述脊柱识别模型根据所述脊柱特征输出的第一特征向量图，同时将所述非图像数据输入数据标准化模型，通过所述数据标准化模型对所述非图像数据进行归一化及边缘权重处理，获得第二特征向量图；将所述第二特征向量图进行边缘填充至所述第一特征向量图，得到第三特征向量图；根据GCN中的频谱域方法，通过所述脊柱图卷积网络模型提取所述第三特征向量图中的脊柱频域特征，获取所述脊柱图卷积网络模型根据所述脊柱频域特征输出的识别结果。
本发明实现了通过获取与待识别目标关联的图像数据和非图像数据；截取出所述图像数据中背部区域的待识别背部区域图像；对所述待识别背部区域图像进行图像增强处理得到待识别区域增强图像；通过脊柱识别模型提取所述待识别区域增强图像中的脊柱特征，获得第一特征向量图，同时通过数据标准化模型对所述非图像数据进行归一化及边缘权重处理，获得第二特征向量图；将所述第二特征向量图进行边缘填充至所述第一特征向量图，得到第三特征向量图；根据GCN中的频谱域方法，通过脊柱图卷积网络模型提取所述第三特征向量图中的脊柱频域特征，获取所述脊柱图卷积网络模型根据所述脊柱频域特征输出的识别结果，如此，本发明实现了根据待识别目标的拍摄的背部的图像和相关的非图像信息，通过GCN中的频谱域方法自动识别出待识别目标对应的脊柱变形人群的类别(包括潜在的人群侧弯人群、脊柱驼背人群、潜在脊柱侧弯人群、潜在脊柱驼背人群和非脊柱变形人群)，能够快速地、准确地识别出待识别目标对应脊柱变形人群的类别，对潜在的人群进行提醒，起到预防作用，因此，提高了脊柱变形人群识别的准确率和可靠性，大大降低了识别成本，并对潜在的人群起到提醒作用。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例中脊柱变形人群识别方法的应用环境示意图；
图2是本发明一实施例中脊柱变形人群识别方法的流程图；
图3是本发明一实施例中脊柱变形人群识别方法的步骤S20的流程图；
图4是本发明一实施例中脊柱变形人群识别方法的步骤S30的流程图；
图5是本发明一实施例中脊柱变形人群识别方法的步骤S40的流程图；
图6是本发明另一实施例中脊柱变形人群识别方法的步骤S40的流程图；
图7是本发明一实施例中脊柱变形人群识别方法的步骤S60的流程图；
图8是本发明一实施例中脊柱变形人群识别装置的原理框图；
图9是本发明一实施例中计算机设备的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供的脊柱变形人群识别方法，可应用在如图1的应用环境中，其中，客户端(计算机设备)通过网络与服务器进行通信。其中，客户端(计算机设备)包括但不限于为各种个人计算机、笔记本电脑、智能手机、平板电脑、摄像头和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中，如图2所示，提供一种脊柱变形人群识别方法，其技术方案主要包括以下步骤S10-S70：
S10，接收目标识别指令，获取与待识别目标对应的唯一码关联的图像数据和非图像数据；所述图像数据为与背部相关的图像；所述非图像数据为与待识别目标相关的信息。
可理解地，所述目标识别指令为需要对所述待识别目标进行识别时触发的指令，所述待识别目标为需要识别脊柱是否变形的人，所述唯一码为所述待识别目标的唯一的标识码，所述图像数据为拍摄所述待识别目标的背部相关的照片或者图像，所述非图像数据为与所述待识别目标相关的信息，例如：所述待识别目标的性别、年龄和职业等相关信息。
S20，将所述图像数据输入背部区域识别模型，通过所述背部区域识别模型对所述图像数据进行背部区域的识别，获取所述背部区域识别模型截取出的待识别背部区域图像；所述背部区域识别模型为基于YOLO模型搭架的深度卷积神经网络模型。
可理解地，所述背部区域识别模型为训练完成的基于YOLO模型搭架的深度卷积神经网络模型，所述背部区域识别模型为识别并定位出所述图像数据中的所述待识别目标的背部区域的模型，所述背部区域识别模型通过YOLO(You Only Look Once)算法识别出所述待识别目标的背部的区域，所述YOLO算法为使用一个CNN(Convolutional NeuralNetworks，卷积神经网络)运算直接预测不同目标的类别和区域的算法，所述YOLO模型的网络结构可以根据需求进行选取，比如所述YOLO模型的网络结构可以为YOLO V1、YOLO V2、YOLO V3或者YOLO V4等，所述待识别背部区域图像为通过所述背部区域识别模型识别后将识别后的区域进行截取获得的图像，如此，通过所述背部区域识别模型能够只提取所述图像数据中有效区域的图像，去除干扰的图像信息。
在一实施例中，如图3所示，所述步骤S20中，即通过所述背部区域识别模型对所述图像数据进行背部区域的识别，获取所述背部区域识别模型截取出的待识别背部区域图像，包括：
S201，将目标背部背面图像输入所述背部区域识别模型中的背部背面区域识别模型，同时将目标背部侧面图像输入所述背部区域识别模型中的背部侧面区域识别模型；所述图像数据包括所述目标背部背面图像和所述目标背部侧面图像。
可理解地，所述背部区域识别模型包括所述背部背面区域识别模型和所述背部侧面区域识别模型，所述图像数据包括所述目标背部背面图像和所述目标背部侧面图像，所述背部背面区域识别模型为训练完成的基于YOLO模型搭架的深度卷积神经网络模型，且为识别并定位出背部背面区域的模型，所述背部侧面区域识别模型为训练完成的基于YOLO模型搭架的深度卷积神经网络模型，且为识别并定位出背部侧面区域的模型，所述目标背部背面图像为拍摄所述待识别目标穿着内衣或者裸背情况下的背部背面的照片，所述目标背部侧面图像为拍摄所述待识别目标穿着内衣或者裸背情况下的背部侧面的照片。
S202，根据YOLO算法，通过所述背部背面区域识别模型进行识别，截取出只含有所述待识别目标的背部背面的待识别背部背面区域图像，同时通过所述背部侧面区域识别模型进行识别，截取出只含有所述待识别目标的背部侧面的待识别背部侧面区域图像。
可理解地，根据YOLO算法，通过所述背部背面区域识别模型识别出所述目标背部背面图像中背面关键点，所述背面关键点包括左背肩点、右背肩点、背脊的上点、背脊的中点、背脊的下点、左腰点和右腰点，根据识别出的所述背面关键点定位出背面的位置及区域，对定位出背面的位置及区域进行截取，从而获取到所述待识别背部背面区域图像，所述待识别背部背面区域图像为仅含有所述待识别目标的背部背面，不包含有所述待识别目标的脖子和手臂；根据YOLO算法，通过所述背部侧面区域识别模型识别出所述目标背部侧面图像中侧面关键点，所述侧面关键点包括手臂上点、手臂中点、手臂下点、脖子点、侧背脊的上点、侧背脊的中点、侧背脊的下点和前胸点，根据识别出的所述侧面关键点定位出侧面的位置及区域，对定位出侧面的位置及区域进行截取，从而获取到所述待识别背部侧面区域图像，所述待识别背部侧面区域图像为仅含有所述待识别目标的背部侧面。
S203，将所述待识别背部背面区域图像和所述待识别背部侧面区域图像确定为所述待识别背部区域图像。
可理解地，将所述待识别背部背面区域图像和所述待识别背部侧面区域图像标记为所述待识别背部区域图像。
本发明通过截取出待识别目标的背部的背面区域图像和侧面区域图像，能够通过背部的背面和侧面对应的维度，即背面对应为水平维度和侧面对应为垂直维度，对待识别目标的背部的两个维度进行截取图像，为提高识别的准确率和可靠性提供了有效的图像，提高了识别的效率。
S30，对所述待识别背部区域图像进行图像增强处理，得到待识别区域增强图像。
可理解地，所述图像增强处理指对所述待识别背部图像进灰度化处理、去噪音和边缘增强等图像处理操作，其中，所述灰度化处理为将彩色图像中的三色(红、绿、蓝)分量的亮度作为灰度图像的灰度值，所述去噪音的算法可以根据需求进行选取，比如去噪音处理的算法可以选取为空间域滤波算法、变换域滤波算法、偏微分方程算法、变分算法和形态学噪声滤除算法等等，作为优选，所述去噪音的算法选取为空间域滤波算法，所述边缘增强处理为对图像进行平滑处理，再对边缘点进行检测，定位出边缘，将边缘进行锐化的处理过程，所述待识别区域增强图像为经过所述图像增强处理之后获得的图像，如此，通过所述图像增强处理可以增强和优化所述待识别背部区域图像中与脊柱变形相关的特征，并且能够便于脊柱变形的识别，提高识别的准确率。
在一实施例中，如图4所示，所述步骤S30中，即所述对所述待识别背部区域图像进行图像增强处理，得到待识别区域增强图像，包括：
S301，对所述待识别背部区域图像中的所述待识别背部背面区域图像进行灰度化处理，得到背部背面灰度图像，同时对所述待识别背部区域图像中的所述待识别背部侧面区域图像进行灰度化处理，得到背部侧面灰度图像。
可理解地，将所述待识别背部区域图像通过通道分离，分离出红色通道的红色通道图像、绿色通道的绿色通道图像和蓝色通道的蓝色通道图像，所述待识别背部区域图像包括三个通道(红色通道、绿色通道和蓝色通道)图像，即每个所述裁切图像中的每个像素点有三个通道分量值，分别为红色分量值、绿色分量值和蓝色分量值，对所述红色通道图像、绿色通道图像和蓝色通道图像进行灰度化处理，得到与灰度通道对应的灰度图像，将所述待识别背部区域图像中的每个像素点对应的红色(R)分量值、绿色(G)分量值和蓝色(B)分量值通过加权平均法计算得出每个像素点的灰度分量值，所述加权平均法中的公式可以根据需求设定，比如加权平均法的公式设定为：Y＝0.299R+0.587G+0.114B，其中，Y为每个像素点的灰度分量值，R为每个像素点中的红色分量值，G为每个像素点中的绿色分量值，B为每个像素点中的蓝色分量值，从而得到所述待识别背部区域图像的所述背部背面灰度图像，同理，对所述待识别背部区域图像中的所述待识别背部侧面区域图像进行灰度化处理，从而得到所述背部侧面灰度图像。
S302，对所述背部背面灰度图像进行图像去噪音及边缘增强处理，得到背部背面增强图像，同时对所述背部侧面灰度图像进行图像去噪音及边缘增强处理，得到背部侧面增强图像。
可理解地，通过空间域滤波算法，对所述背部背面灰度图像空间域图像进行去噪音(也称为降噪)，所述空间域滤波算法可以根据需求选定，比如可以为邻域平均法、中值滤波、低通滤波等，作为优选，所述空间域滤波算法选定为邻域平均法，即将所述背部背面灰度图像中的每个像素点的值与该像素点四周邻近的像素点的值取平均，得到该像素点对应的去噪音后的值，从而得到去噪音后的所述背部背面灰度图像，将去噪音后的所述背部背面灰度图像进行边缘增强处理，从而得到所述背部背面增强图像，所述边缘增强处理为对图像进行平滑处理，再对边缘点进行检测，定位出边缘，将边缘进行锐化的处理过程，同理，对所述背部侧面灰度图像进行图像去噪音及边缘增强处理，得到所述背部侧面增强图像。
S303，将所述背部背面增强图像和所述背部侧面增强图像确定为所述待识别区域增强图像。
可理解地，将所述背部背面增强图像和所述背部侧面增强图像标记为所述待识别区域增强图像。
本发明通过对背部背面区域图像和背部侧面区域图像都进行灰度化处理及去噪和边缘增强处理，能够获得优化后的待识别区域增强图像，起到增强待识别背部区域图像中与脊柱变形相关的特征，并且能够便于脊柱变形的识别，提高识别的准确率。
S40，将所述待识别区域增强图像输入脊柱识别模型，通过所述脊柱识别模型提取所述待识别区域增强图像中的脊柱特征，获取所述脊柱识别模型根据所述脊柱特征输出的第一特征向量图，同时将所述非图像数据输入数据标准化模型，通过所述数据标准化模型对所述非图像数据进行归一化及边缘权重处理，获得第二特征向量图。
可理解地，所述脊柱识别模型为训练完成的对所述待识别区域增强图像进行所述脊柱特征提取并根据所述脊柱特征进行识别及输出所述第一特征向量图的深度卷积神经网络模型，所述脊柱识别模型的网络结构可以根据需求进行设定，比如所述脊柱识别模型的网络结构可以为Inception V4网络结构，也可以为VGG16网络结构等等，所述脊柱特征为与脊柱的形状及弯曲等相关的特征向量，所述第一特征向量图为根据从所述待识别区域增强图像中提取出的所述脊柱特征输出的一系列含有与所述脊柱特征对应的特征向量的数组矩阵；所述数据标准化模型为根据收集的历史的非图像数据而确定出所述非图像数据中的各个维度与脊柱变形程度及潜在风险存在的相关函数的集合模型，所述数据标准化模型能够对所述非图像数据进行归一化处理和边缘权重处理，所述归一化处理为将所述非图像数据中的各个维度的数据根据与各个维度匹配的规则进行数值标准化，得到统一标准的数据，所述边缘权重处理为根据与各个维度匹配的边缘权重参数对归一化处理之后的数值进行加权处理，即将归一化处理之后的数值与匹配的边缘权重参数相乘，所述第二特征向量图为对所述非图像数据进行归一化及边缘权重处理之后获得的数组矩阵。
在一实施例中，如图5所示，所述脊柱特征包括侧弯特征和驼背特征；所述S40中，即所述通过所述脊柱识别模型提取所述待识别区域增强图像中的脊柱特征，获取所述脊柱识别模型根据所述脊柱特征输出的第一特征向量图，包括：
S401，通过侧弯识别模型对所述背部背面增强图像进行所述侧弯特征提取，同时通过驼背识别模型对所述背部侧面增强图像进行所述驼背特征提取；所述脊柱识别模型包括所述侧弯识别模型和所述驼背识别模型。
可理解地，所述脊柱识别模型包括所述侧弯识别模型和所述驼背识别模型，所述侧弯识别模型为通过从大多数含有背部背面图像中提取出所述侧弯特征进行训练并且训练完成的神经网络模型，所述侧弯识别模型的网络结构可以根据需求设定，所述驼背识别模型为通过从大多数含有背部侧面图像中提取出所述驼背特征进行训练并且训练完成的神经网络模型，所述驼背识别模型的网络结构可以根据需求设定，所述侧弯特征为背部躯干两侧不对称，躯干弯曲，双肩不平的特征，所述驼背特征为后背凸起，侧背呈现弓形的特征，将所述背部背面增强图像输入所述侧弯识别模型中，通过所述侧弯识别模型提取所述背部背面增强图像中的所述侧弯特征，同时将所述背部侧面增强图像输入所述驼背识别模型中，通过所述驼背识别模型提取所述背部侧面增强图像中的所述驼背特征。
S402，获取所述侧弯识别模型根据所述侧弯特征输出的侧弯特征向量图，同时获取所述驼背识别模型根据所述驼背特征输出的驼背特征向量图。
可理解地，通过所述侧弯识别模型对所述背部背面增强图像进行卷积层、池化层和全连接层的处理后提取出所述侧弯特征，将提取后的所述侧弯特征进行排列输出成特征向量图，即为所述侧弯特征向量图，所述侧弯特征向量图为一个含有多个特征向量的矩阵图，例如所述侧弯特征向量图为100×100的矩阵，同时通过所述驼背识别模型对所述背部侧面增强图像进行卷积层、池化层和全连接层的处理后提取出所述驼背特征，将提取后的所述驼背特征进行输出成特征向量图，即为所述驼背特征向量图，所述驼背特征向量图为一个含有多个特征向量的矩阵图，例如所述驼背特征向量图为100×100的矩阵。
S403，将所述侧弯特征向量图与所述驼背特征向量图进行拼接，得到所述第一特征向量图。
可理解地，将所述侧弯特征向量图与所述驼背特征向量图进行上下矩阵连接，得到所述第一特征向量图，例如所述侧弯特征向量图为100×100的矩阵，所述驼背特征向量图为100×100的矩阵，则所述第一特征向量图为100×200的矩阵。
本发明通过脊柱识别模型中的侧弯识别模型对背部背面增强图像进行测完特征提取及识别出侧弯特征向量图，同时通过脊柱识别模型中的驼背识别模型对背部侧面增强图像进行驼背特征提取及识别出驼背特征向量图，能够更具针对性地识别出脊柱变形中的侧弯和驼背，提高了识别的准确率及可靠性。
在一实施例中，如图6所示，所述步骤S40中，即所述通过数据标准化模型对所述非图像数据进行归一化及边缘权重处理，获得第二特征向量图，包括：
S404，获取所述非图像数据中的各个维度和与各个所述维度对应的维度数据。
可理解地，所述非图像数据为与所述待识别目标相关的信息，所述非图像数据中包含多个维度，这些维度可以根据需求设定，获取所述非图像数据中的各个维度对应的维度数据，所述维度数据为所述待识别目标针对该维度对应输入的内容。
在一实施例中，所述非图像数据中的维度包括目标性别、目标年龄、目标职业和目标信息。
可理解地，所述目标性别为所述待识别目标的性别，所述目标年龄为所述待识别目标的年龄，所述目标职业为所述待识别目标从事的职业，所述目标信息为所述待识别目标相关的家族信息或者为家族图谱，所述目标信息可以根据需求设定。
S405，获取与各个所述维度匹配的归一化规则和边缘权重参数。
可理解地，所述归一化规则为将与维度匹配的所述维度数据进行统一化处理的规则，即将相同维度的维度数据进行统一规则的转换，例如：将维度为目标年龄中为男的维度数据转换为1，将维度为目标年龄中为女的维度数据转换为0等规则，所述边缘权重参数为根据维度而预设的与维度匹配的加权参数，所述边缘权重参数根据历史的统计中分析获得，所述边缘权重参数表明了该维度与所述脊柱特征的潜在关联程度的衡量指标。
S406，根据与各个所述维度匹配的归一化规则，对所有所述维度数据进行归一化处理，得到与各个所述维度对应的维度标准值。
可理解地，所述归一化处理为根据归一化规则将维度数据转换成统一格式，根据与各所述维度匹配的所述归一化规则，将所有所述维度数据进行统一转换，得到与各个所述维度对应的维度标准值。
S407，根据与各个所述维度匹配的边缘权重参数，对所有与所述维度标准值进行边缘加权处理，得到与各个所述维度对应的加权值。
可理解地，将所述维度标准值和与该维度匹配的所述边缘权重参数相乘，得到所述加权值，所述边缘加权处理为将所述维度标准值乘于对应的所述边缘权重参数，即根据所述边缘权重参数对所述维度标准值进行扩大处理，拉开各维度之间与所述脊柱特征潜在关联程度，能够客观地、科学地进行识别。
S408，对所有所述加权值进行扩充，得到所述第二特征向量图。
可理解地，所述扩充为将所有所述加权值进行复制并填充，达到预设的矩阵尺寸大小，所述复制并填充为将一维的所有所述加权值整体复制直到预设的矩阵尺寸的横向长度，最后不足以复制的元素以零填充，再将该行的所有元素进行复制直到预设的矩阵尺寸的纵向长度，从而得到所述第二特征向量图。
本发明通过将非图像数据进行归一化及边缘权重处理并生成与脊柱变形的特征相关的第二特征向量图，能够更好的建立各个特征向量之间关系的第三特征向量图，提高识别的可靠性。
S50，将所述第二特征向量图进行边缘填充至所述第一特征向量图，得到第三特征向量图。
可理解地，所述边缘填充指在所述第一特征向量图的基础上在数组边缘上进行填充，即将所述第二特征向量图在第一特征向量图的矩阵上方及下方进行填充至预设的尺寸大小，得到所述第三特征向量图。
S60，将所述第三特征向量图输入训练完成的脊柱图卷积网络模型。
可理解地，所述脊柱图卷积网络模型为基于图卷积的网络结构进行识别并训练完成的神经网络模型，所述脊柱图卷积网络模型能够根据所述第三特征向量图中各元素的特征向量及各元素之间的关联关系进行提取脊柱频域特征，对提取到的所述脊柱频域特征进行分类识别，最后输出对应的脊柱变形人群的类别。
在一实施例中，如图7所示，所述步骤S60之前，即所述将所述第三特征向量图输入训练完成的脊柱图卷积网络模型之前，包括：
S601，获取样本数据集；所述样本数据集包括样本数据和与样本数据一一对应的样本标签；所述样本数据为历史第三特征向量图；所述样本标签包括侧弯人群、脊柱驼背人群、潜在脊柱侧弯人群和潜在脊柱驼背人群。
可理解地，所述历史第三特征向量图为与所述样本数据关联的样本图像数据和样本非图像数据经过上述步骤S20至步骤S50处理后获得，所述样本数据集中包含多个所述样本数据，一个所述样本数据关联一个所述样本标签，所述样本标签包括侧弯人群、脊柱驼背人群、潜在脊柱侧弯人群和潜在脊柱驼背人群。
S602，将所述样本数据输入含有初始参数的脊柱图卷积神经网络模型。
可理解地，所述脊柱图卷积神经网络模型的所述初始参数可以根据需求设定，比如初始参数可以通过迁移学习方法获取其他与背部相关识别的图卷积模型的所有参数，也可以全部设置为预设的一个数值。
S603，根据GCN中的频谱域方法，通过所述脊柱图卷积神经网络模型提取所述样本数据中的脊柱频域特征，获取所述脊柱图卷积神经网络模型根据所述脊柱频域特征输出的样本结果。
可理解地，所述GCN为Graph Convolutional Network，即为对用顶点和边建立相应关系的拓扑图进行相关空间特征的提取进行识别出存在或潜在的分类，所述频谱域方法为通过借助于拓扑图对应的拉普拉斯矩阵的特征值和特征向量来研究拓扑图的性质及对拉普拉斯矩阵的特征值和特征向量进行傅里叶变换获得的GCN分类的结果的方法，所述脊柱频域特征为通过运用所述频谱域方法转换且与脊柱变形相关的特征，所述脊柱图卷积神经网络模型根据提取的所述脊柱频域特征识别出所述样本数据的所述样本结果，所述样本结果包括侧弯人群、脊柱驼背人群、潜在脊柱侧弯人群、潜在脊柱驼背人群和非脊柱变形人群。
S604，根据所述样本数据对应的所述样本结果和所述样本标签，确定损失值。
可理解地，将所述样本结果和所述样本标签输入所述脊柱图卷积神经网络模型中损失函数，计算得到所述样本数据对应的所述损失值，所述损失函数可以根据需求设定，所述损失函数为所述样本结果和所述样本标签之间差值的对数，表明了所述样本结果和所述样本标签之间的差距。
S605，在所述损失值达到预设的收敛条件时，将收敛之后的所述脊柱图卷积神经网络模型记录为训练完成的脊柱图卷积网络模型。
可理解地，所述收敛条件可以为所述损失值小于设定阈值的条件，即在所述损失值小于设定阈值时，将收敛之后的所述脊柱图卷积神经网络模型记录为训练完成的脊柱图卷积网络模型。
在一实施例中，所述步骤S604之后，即所述根据所述样本数据对应的所述样本结果和所述样本标签，确定损失值之后，还包括：
S606，在所述损失值未达到预设的收敛条件时，迭代更新所述脊柱图卷积神经网络模型的初始参数，直至所述损失值达到所述预设的收敛条件时，将收敛之后的所述脊柱图卷积神经网络模型记录为训练完成的脊柱图卷积网络模型。
可理解地，所述收敛条件也可以为所述损失值经过了10000次计算后值为很小且不会再下降的条件，即在所述损失值经过10000次计算后值为很小且不会再下降时，停止训练，将收敛之后的所述脊柱图卷积神经网络模型记录为训练完成的脊柱图卷积网络模型。
如此，在所述损失值未达到预设的收敛条件时，不断更新迭代所述脊柱图卷积神经网络模型的初始参数，可以不断向准确的识别结果靠拢，让识别结果的准确率越来越高。
S70，根据GCN中的频谱域方法，通过所述脊柱图卷积网络模型提取所述第三特征向量图中的脊柱频域特征，获取所述脊柱图卷积网络模型根据所述脊柱频域特征输出的识别结果；所述识别结果表征了所述待识别目标的脊柱变形人群的类别，所述脊柱变形人群的类别包括侧弯人群、脊柱驼背人群、潜在脊柱侧弯人群、潜在脊柱驼背人群和非脊柱变形人群。
可理解地，所述GCN为Graph Convolutional Network，即为对用顶点和边建立相应关系的拓扑图进行相关空间特征的提取进行识别出存在或潜在的分类，所述频谱域方法为通过借助于拓扑图对应的拉普拉斯矩阵的特征值和特征向量来研究拓扑图的性质及对拉普拉斯矩阵的特征值和特征向量进行傅里叶变换获得的GCN分类的结果的方法，通过所述脊柱图卷积网络模型对所述待识别目标的背部照片进行识别，确定出所述待识别目标所处所述脊柱变形人群的类别，能够对潜在人群进行提醒，确定之后可以针对所述脊柱变形人群的类别输出对应的提醒提示或者预防提示。
本发明通过接收目标识别指令，获取与待识别目标对应的唯一码关联的图像数据和非图像数据；将所述图像数据输入背部区域识别模型，获取所述背部区域识别模型截取出的待识别背部区域图像；对所述待识别背部区域图像进行图像增强处理，得到待识别区域增强图像；将所述待识别区域增强图像输入脊柱识别模型，通过所述脊柱识别模型提取所述待识别区域增强图像中的脊柱特征，获取所述脊柱识别模型根据所述脊柱特征输出的第一特征向量图，同时将所述非图像数据输入数据标准化模型，通过所述数据标准化模型对所述非图像数据进行归一化及边缘权重处理，获得第二特征向量图；将所述第二特征向量图进行边缘填充至所述第一特征向量图，得到第三特征向量图；根据GCN中的频谱域方法，通过所述脊柱图卷积网络模型提取所述第三特征向量图中的脊柱频域特征，获取所述脊柱图卷积网络模型根据所述脊柱频域特征输出的识别结果。
本发明实现了通过获取与待识别目标关联的图像数据和非图像数据；截取出所述图像数据中背部区域的待识别背部区域图像；对所述待识别背部区域图像进行图像增强处理得到待识别区域增强图像；通过脊柱识别模型提取所述待识别区域增强图像中的脊柱特征，获得第一特征向量图，同时通过数据标准化模型对所述非图像数据进行归一化及边缘权重处理，获得第二特征向量图；将所述第二特征向量图进行边缘填充至所述第一特征向量图，得到第三特征向量图；根据GCN中的频谱域方法，通过脊柱图卷积网络模型提取所述第三特征向量图中的脊柱频域特征，获取所述脊柱图卷积网络模型根据所述脊柱频域特征输出的识别结果，如此，本发明实现了根据待识别目标的拍摄的背部的图像和相关的非图像信息，通过GCN中的频谱域方法自动识别出待识别目标对应的脊柱变形人群的类别(包括潜在的人群侧弯人群、脊柱驼背人群、潜在脊柱侧弯人群、潜在脊柱驼背人群和非脊柱变形人群)，能够快速地、准确地识别出待识别目标对应脊柱变形人群的类别，对潜在的人群进行提醒，起到预防作用，因此，提高了脊柱变形人群识别的准确率和可靠性，大大降低了识别成本，并对潜在的人群起到提醒作用。
在一实施例中，提供一种脊柱变形人群识别装置，该脊柱变形人群识别装置与上述实施例中脊柱变形人群识别方法一一对应。如图8所示，该脊柱变形人群识别装置包括接收模块11、识别模块12、增强模块13、获取模块14、填充模块15、输入模块16和输出模块17。各功能模块详细说明如下：
接收模块11，用于接收目标识别指令，获取与待识别目标对应的唯一码关联的图像数据和非图像数据；所述图像数据为与背部相关的图像；所述非图像数据为与待识别目标相关的信息；
识别模块12，用于将所述图像数据输入背部区域识别模型，通过所述背部区域识别模型对所述图像数据进行背部区域的识别，获取所述背部区域识别模型截取出的待识别背部区域图像；所述背部区域识别模型为基于YOLO模型搭架的深度卷积神经网络模型；
增强模块13，用于对所述待识别背部区域图像进行图像增强处理，得到待识别区域增强图像；
获取模块14，用于将所述待识别区域增强图像输入脊柱识别模型，通过所述脊柱识别模型提取所述待识别区域增强图像中的脊柱特征，获取所述脊柱识别模型根据所述脊柱特征输出的第一特征向量图，同时将所述非图像数据输入数据标准化模型，通过所述数据标准化模型对所述非图像数据进行归一化及边缘权重处理，获得第二特征向量图；
填充模块15，用于将所述第二特征向量图进行边缘填充至所述第一特征向量图，得到第三特征向量图；
输入模块16，用于将所述第三特征向量图输入训练完成的脊柱图卷积网络模型；
输出模块17，用于根据GCN中的频谱域方法，通过所述脊柱图卷积网络模型提取所述第三特征向量图中的脊柱频域特征，获取所述脊柱图卷积网络模型根据所述脊柱频域特征输出的识别结果；所述识别结果表征了所述待识别目标的脊柱变形人群的类别，所述脊柱变形人群的类别包括侧弯人群、脊柱驼背人群、潜在脊柱侧弯人群、潜在脊柱驼背人群和非脊柱变形人群。
关于脊柱变形人群识别装置的具体限定可以参见上文中对于脊柱变形人群识别方法的限定，在此不再赘述。上述脊柱变形人群识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种脊柱变形人群识别方法。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中脊柱变形人群识别方法。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中脊柱变形人群识别方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (8)

1.一种脊柱变形人群识别方法，其特征在于，包括：
接收目标识别指令，获取与待识别目标对应的唯一码关联的图像数据和非图像数据；所述图像数据为与背部相关的图像；所述非图像数据为与待识别目标相关的信息；
将所述图像数据输入背部区域识别模型，通过所述背部区域识别模型对所述图像数据进行背部区域的识别，获取所述背部区域识别模型截取出的待识别背部区域图像；所述背部区域识别模型为基于YOLO模型搭架的深度卷积神经网络模型；
对所述待识别背部区域图像进行图像增强处理，得到待识别区域增强图像；
将所述待识别区域增强图像输入脊柱识别模型，通过所述脊柱识别模型提取所述待识别区域增强图像中的脊柱特征，获取所述脊柱识别模型根据所述脊柱特征输出的第一特征向量图，同时将所述非图像数据输入数据标准化模型，通过所述数据标准化模型对所述非图像数据进行归一化及边缘权重处理，获得第二特征向量图；
将所述第二特征向量图进行边缘填充至所述第一特征向量图，得到第三特征向量图；
将所述第三特征向量图输入训练完成的脊柱图卷积网络模型；
根据GCN中的频谱域方法，通过所述脊柱图卷积网络模型提取所述第三特征向量图中的脊柱频域特征，获取所述脊柱图卷积网络模型根据所述脊柱频域特征输出的识别结果；所述识别结果表征了所述待识别目标的脊柱变形人群的类别，所述脊柱变形人群的类别包括侧弯人群、脊柱驼背人群、潜在脊柱侧弯人群、潜在脊柱驼背人群和非脊柱变形人群；
所述通过所述背部区域识别模型对所述图像数据进行背部区域的识别，获取所述背部区域识别模型截取出的待识别背部区域图像，包括：
将目标背部背面图像输入所述背部区域识别模型中的背部背面区域识别模型，同时将目标背部侧面图像输入所述背部区域识别模型中的背部侧面区域识别模型；所述图像数据包括所述目标背部背面图像和所述目标背部侧面图像；
根据YOLO算法，通过所述背部背面区域识别模型进行识别，截取出只含有所述待识别目标的背部背面的待识别背部背面区域图像，同时通过所述背部侧面区域识别模型进行识别，截取出只含有所述待识别目标的背部侧面的待识别背部侧面区域图像；
将所述待识别背部背面区域图像和所述待识别背部侧面区域图像确定为所述待识别背部区域图像；
所述对所述待识别背部区域图像进行图像增强处理，得到待识别区域增强图像，包括：
对所述待识别背部区域图像中的所述待识别背部背面区域图像进行灰度化处理，得到背部背面灰度图像，同时对所述待识别背部区域图像中的所述待识别背部侧面区域图像进行灰度化处理，得到背部侧面灰度图像；
对所述背部背面灰度图像进行图像去噪音及边缘增强处理，得到背部背面增强图像，同时对所述背部侧面灰度图像进行图像去噪音及边缘增强处理，得到背部侧面增强图像；
将所述背部背面增强图像和所述背部侧面增强图像确定为所述待识别区域增强图像。
2.如权利要求1所述的脊柱变形人群识别方法，其特征在于，所述脊柱特征包括侧弯特征和驼背特征；
所述通过所述脊柱识别模型提取所述待识别区域增强图像中的脊柱特征，获取所述脊柱识别模型根据所述脊柱特征输出的第一特征向量图，包括：
通过侧弯识别模型对所述背部背面增强图像进行所述侧弯特征提取，同时通过驼背识别模型对所述背部侧面增强图像进行所述驼背特征提取；所述脊柱识别模型包括所述侧弯识别模型和所述驼背识别模型；
获取所述侧弯识别模型根据所述侧弯特征输出的侧弯特征向量图，同时获取所述驼背识别模型根据所述驼背特征输出的驼背特征向量图；
将所述侧弯特征向量图与所述驼背特征向量图进行拼接，得到所述第一特征向量图。
3.如权利要求1所述的脊柱变形人群识别方法，其特征在于，所述通过数据标准化模型对所述非图像数据进行归一化及边缘权重处理，获得第二特征向量图，包括：
获取所述非图像数据中的各个维度和与各个所述维度对应的维度数据；
获取与各个所述维度匹配的归一化规则和边缘权重参数；
根据与各个所述维度匹配的归一化规则，对所有所述维度数据进行归一化处理，得到与各个所述维度对应的维度标准值；
根据与各个所述维度匹配的边缘权重参数，对所有与所述维度标准值进行边缘加权处理，得到与各个所述维度对应的加权值；
对所有所述加权值进行扩充，得到所述第二特征向量图。
4.如权利要求3所述的脊柱变形人群识别方法，其特征在于，所述非图像数据中的维度包括目标性别、目标年龄、目标职业和目标信息。
5.如权利要求1所述的脊柱变形人群识别方法，其特征在于，所述将所述第三特征向量图输入训练完成的脊柱图卷积网络模型之前，包括：
获取样本数据集；所述样本数据集包括样本数据和与样本数据一一对应的样本标签；所述样本数据为历史第三特征向量图；所述样本标签包括侧弯人群、脊柱驼背人群、潜在脊柱侧弯人群和潜在脊柱驼背人群；
将所述样本数据输入含有初始参数的脊柱图卷积神经网络模型；
根据GCN中的频谱域方法，通过所述脊柱图卷积神经网络模型提取所述样本数据中的脊柱频域特征，获取所述脊柱图卷积神经网络模型根据所述脊柱频域特征输出的样本结果；
根据所述样本数据对应的所述样本结果和所述样本标签，确定损失值；
在所述损失值达到预设的收敛条件时，将收敛之后的所述脊柱图卷积神经网络模型记录为训练完成的脊柱图卷积网络模型。
6.一种脊柱变形人群识别装置，其特征在于，所述脊柱变形人群识别装置实现如权利要求1至5任一项所述脊柱变形人群识别方法，所述脊柱变形人群识别装置包括：
接收模块，用于接收目标识别指令，获取与待识别目标对应的唯一码关联的图像数据和非图像数据；所述图像数据为与背部相关的图像；所述非图像数据为与待识别目标相关的信息；
识别模块，用于将所述图像数据输入背部区域识别模型，通过所述背部区域识别模型对所述图像数据进行背部区域的识别，获取所述背部区域识别模型截取出的待识别背部区域图像；所述背部区域识别模型为基于YOLO模型搭架的深度卷积神经网络模型；
增强模块，用于对所述待识别背部区域图像进行图像增强处理，得到待识别区域增强图像；
获取模块，用于将所述待识别区域增强图像输入脊柱识别模型，通过所述脊柱识别模型提取所述待识别区域增强图像中的脊柱特征，获取所述脊柱识别模型根据所述脊柱特征输出的第一特征向量图，同时将所述非图像数据输入数据标准化模型，通过所述数据标准化模型对所述非图像数据进行归一化及边缘权重处理，获得第二特征向量图；
填充模块，用于将所述第二特征向量图进行边缘填充至所述第一特征向量图，得到第三特征向量图；
输入模块，用于将所述第三特征向量图输入训练完成的脊柱图卷积网络模型；
输出模块，用于根据GCN中的频谱域方法，通过所述脊柱图卷积网络模型提取所述第三特征向量图中的脊柱频域特征，获取所述脊柱图卷积网络模型根据所述脊柱频域特征输出的识别结果；所述识别结果表征了所述待识别目标的脊柱变形人群的类别，所述脊柱变形人群的类别包括侧弯人群、脊柱驼背人群、潜在脊柱侧弯人群、潜在脊柱驼背人群和非脊柱变形人群。
7.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述脊柱变形人群识别方法。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述脊柱变形人群识别方法。
CN202010513066.6A 2020-06-08 2020-06-08 脊柱变形人群识别方法、装置、计算机设备及存储介质 Active CN111666890B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010513066.6A CN111666890B (zh) 2020-06-08 2020-06-08 脊柱变形人群识别方法、装置、计算机设备及存储介质
PCT/CN2020/099253 WO2021114623A1 (zh) 2020-06-08 2020-06-30 脊柱变形人群识别方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010513066.6A CN111666890B (zh) 2020-06-08 2020-06-08 脊柱变形人群识别方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN111666890A CN111666890A (zh) 2020-09-15
CN111666890B true CN111666890B (zh) 2023-06-30

Family

ID=72385746

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010513066.6A Active CN111666890B (zh) 2020-06-08 2020-06-08 脊柱变形人群识别方法、装置、计算机设备及存储介质

Country Status (2)

Country Link
CN (1) CN111666890B (zh)
WO (1) WO2021114623A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113139962B (zh) * 2021-05-26 2021-11-30 北京欧应信息技术有限公司 用于脊柱侧凸概率评估的***和方法
CN113505751B (zh) * 2021-07-29 2022-10-25 同济大学 一种基于差异图卷积神经网络的人体骨骼动作识别方法
CN113610808B (zh) * 2021-08-09 2023-11-03 中国科学院自动化研究所 基于个体脑连接图的群体脑图谱个体化方法、***和设备
CN114287915B (zh) * 2021-12-28 2024-03-05 深圳零动医疗科技有限公司 一种基于背部彩色图像的无创脊柱侧弯筛查方法及***

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108647588A (zh) * 2018-04-24 2018-10-12 广州绿怡信息科技有限公司 物品类别识别方法、装置、计算机设备和存储介质
CN109508638A (zh) * 2018-10-11 2019-03-22 平安科技（深圳）有限公司 人脸情绪识别方法、装置、计算机设备及存储介质
CN109657582A (zh) * 2018-12-10 2019-04-19 平安科技（深圳）有限公司 人脸情绪的识别方法、装置、计算机设备及存储介质
CN110781836A (zh) * 2019-10-28 2020-02-11 深圳市赛为智能股份有限公司 人体识别方法、装置、计算机设备及存储介质
CN111144285A (zh) * 2019-12-25 2020-05-12 中国平安人寿保险股份有限公司 胖瘦程度识别方法、装置、设备及介质
CN111191568A (zh) * 2019-12-26 2020-05-22 中国平安人寿保险股份有限公司 翻拍图像识别方法、装置、设备及介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017185214A1 (zh) * 2016-04-25 2017-11-02 中慧医学成像有限公司 一种测量脊柱弯曲角度的方法和设备
CN109493334B (zh) * 2018-11-12 2020-12-29 深圳码隆科技有限公司 测量脊柱弯曲的方法及装置
CN109431511B (zh) * 2018-11-14 2021-09-24 南京航空航天大学 一种基于数字图像处理的人体背部脊柱侧弯脊柱轮廓特征曲线拟合方法
CN110415291A (zh) * 2019-08-07 2019-11-05 清华大学 图像处理方法及相关设备
CN110458831B (zh) * 2019-08-12 2023-02-03 深圳市智影医疗科技有限公司 一种基于深度学习的脊柱侧弯图像处理方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108647588A (zh) * 2018-04-24 2018-10-12 广州绿怡信息科技有限公司 物品类别识别方法、装置、计算机设备和存储介质
CN109508638A (zh) * 2018-10-11 2019-03-22 平安科技（深圳）有限公司 人脸情绪识别方法、装置、计算机设备及存储介质
CN109657582A (zh) * 2018-12-10 2019-04-19 平安科技（深圳）有限公司 人脸情绪的识别方法、装置、计算机设备及存储介质
CN110781836A (zh) * 2019-10-28 2020-02-11 深圳市赛为智能股份有限公司 人体识别方法、装置、计算机设备及存储介质
CN111144285A (zh) * 2019-12-25 2020-05-12 中国平安人寿保险股份有限公司 胖瘦程度识别方法、装置、设备及介质
CN111191568A (zh) * 2019-12-26 2020-05-22 中国平安人寿保险股份有限公司 翻拍图像识别方法、装置、设备及介质

Also Published As

Publication number Publication date
WO2021114623A1 (zh) 2021-06-17
CN111666890A (zh) 2020-09-15

Similar Documents

Publication Publication Date Title
CN111666890B (zh) 脊柱变形人群识别方法、装置、计算机设备及存储介质
CN110136103B (zh) 医学影像解释方法、装置、计算机设备及存储介质
CN110941986B (zh) 活体检测模型的训练方法、装置、计算机设备和存储介质
CN110120040B (zh) 切片图像处理方法、装置、计算机设备和存储介质
Manap et al. Non-distortion-specific no-reference image quality assessment: A survey
US20180279943A1 (en) System and method for the analysis and transmission of data, images and video relating to mammalian skin damage conditions
CN110796161A (zh) 识别模型训练、眼底特征的识别方法、装置、设备及介质
CN112949507B (zh) 人脸检测方法、装置、计算机设备及存储介质
CN110197474B (zh) 图像处理方法和装置及神经网络模型的训练方法
CN111968134B (zh) 目标分割方法、装置、计算机可读存储介质及计算机设备
CN109903272B (zh) 目标检测方法、装置、设备、计算机设备和存储介质
CN110473172B (zh) 医学图像解剖中线确定方法、计算机设备和存储介质
CN111028923B (zh) 数字病理图像染色归一化方法、电子装置及存储介质
CN111144285B (zh) 胖瘦程度识别方法、装置、设备及介质
CN111899247B (zh) 脉络膜血管的管腔区域识别方法、装置、设备及介质
CN111105421A (zh) 一种脑白质高信号分割方法、装置、设备及存储介质
US11263494B2 (en) Classification device, classification method, program, and information recording medium
CN113179421B (zh) 视频封面选择方法、装置、计算机设备和存储介质
KR20190112219A (ko) 알츠하이머 질병 검출 방법, 알츠하이머 질병 검출 시스템 및 알츠하이머 질병 검출 방법을 수행하는 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체
CN111178187A (zh) 一种基于卷积神经网络的人脸识别方法及装置
CN110766048A (zh) 图像内容识别方法、装置、计算机设备和存储介质
US12014498B2 (en) Image enhancement processing method, device, equipment, and medium based on artificial intelligence
CN113781488A (zh) 舌象图像的分割方法、装置及介质
CN116863522A (zh) 痤疮分级方法、装置、设备及介质
CN109447942B (zh) 图像模糊度确定方法、装置、计算机设备及存储介质

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