采用轻量级姿态估计网络的脊柱侧弯筛查方法

脊柱侧弯是一种复杂的脊柱三维畸形,如不及时矫正将对身体健康产生严重影响。通过拍摄X光片或测量人体表面形貌的方法可以对脊柱侧弯进行筛查,但现有方法存在成本高、效率低且不适用于所有人群等缺点。本文提出了一种采用轻量级姿态估计网络的脊柱侧弯筛查方法,首先,将MobileNetV3的前13层作为轻量级人体姿态估计网络的编码器,经过坐标解码得到关键点的二维坐标。其次,利用各关节点的坐标计算人体姿态的空间特征;最后,用3个SVM(support vector machine)二分类器对脊柱侧弯进行详细分级,并将训练好的姿态估计和脊柱侧弯筛查模型移植到嵌入式平台。实验结果显示,该系统可以对4种不同程度的侧弯进行筛查,准确率分别为93.0%、81.7%、81.3%、86.6%。该方法的提出为脊柱侧弯筛查工作提供了一种便捷解决方案,易于在全民健康普测工作中进行推广。

基于改进沙漏网络的人体姿态估计方法

近年来人体姿态估计已成为计算机视觉领域的热门研究方向,堆叠沙漏网络是人体姿态估计领域中最具代表性的研究成果之一,但该网络对于图像细节特征的提取能力较差。为增强网络对细节特征的处理能力,本文提出了基于改进沙漏网络的人体姿态估计模型。该模型使用ResNet50提取高质量的图像底层特征,用步长为2的3×3卷积核代替maxpooling进行下采样,最大程度保留原有图像信息;考虑到不同分辨率下的特征丰富度具有一定差异性,使用不同的残差模块对不同分辨率的feature map进行处理,增强网络对特征的学习能力;最后使用反卷积最大化还原原始图像的局部特征。实验结果显示,本文模型在COCO测试集上的平均精度达到74.1%,比堆叠沙漏网络高出4.7%,检测精度有较大提升。

基于惯性传感器的人体姿态识别算法

针对惯性传感器(IMU)采集数据庞大、不便处理的缺点,本文提出了一种全新的惯性传感器信号处理算法。该算法首先利用切比雪夫二型高通滤波器对身体相对于垂直引力场位置的变化所导致的“缓慢”变化进行消除;接着,提取惯性传感器信号功率谱密度曲线、加速度平均值、均方根等,共60个特征代替原有信号;最后,利用HAR公开数据集进行人体动作识别实验对算法的优越性进行验证。试验结果表明,该算法识别准确率为92.1%,训练时间为5.268 s。