基于PE-Vnet网络的三维骨骼图像分割方法

针对骨骼图像手动或半自动分割效率低的问题,提出了一种基于PE-Vnet网络的三维骨骼图像自动分割方法。该方法以骨骼CT图像序列作为输入,利用三维卷积提取骨骼的三维特征,结合3D Project&Excite(PE)模型对三维特征进行重标定,抑制了与骨骼分割任务无关的特征。设计了具有动态权重的损失函数,解决了训练样本数据前景和背景信息分布不均衡的问题。分别在自建数据集和Peréz-Carrasco等公开的数据集上进行了实验,分割结果的相似系数Dice值在自建数据集的股骨和胫骨实验分别为96.22%和95.68%,在公开数据集实验的Dice值为94.16%。实验结果表明,提出的方法在两个数据集上分割的结果皆接近于临床专家手动分割的结果,研究成果为骨科疾病的诊断和手术计划制定提供了新的参考。

面向RP的骨骼CT图像处理技术研究

骨骼轮廓数据的提取是进行骨骼三维重构及制造骨骼 RP原型的基础。研究根据骨骼 CT图像的特点和快速成型制造的要求 ,提出先进行图像滤波 ,然后二值化 ,最后提取骨骼轮廓并矢量化的方法 ,并对其中各环节的数据处理算法进行了理论分析和试验研究 ,得出中值滤波是适应于骨骼图像去噪的方法 。

权重融合深度图像与骨骼关键帧的行为识别

针对2D信息量不足导致人体行为识别率不高的问题,提出融合多种深度信息的行为识别方法.首先利用深度图像捕捉行为线索,提取梯度及相关方向特征;然后利用互信息提取骨骼图的关键帧,提出基于关键帧的静态姿态模型、当前运动模型和动态偏移模型表征人体行为底层特征;最后通过权重投票机制为不同种类特征分配权重,实现多类特征下的多权重融合.在MSR_Action3D深度数据集上的实验结果表明,该方法的识别率比其他方法提高1.5%.

基于MFC编程的图像处理在核医学中的应用

本文主要工作是用MFC编写一个图像处理程序,主要目的就是将以功能显像为主、分辨率相对不高的SPECT骨骼图像做到较精确地显示,使其利于病灶的识别,给一些疾病的早期诊断带来方便,提高临床诊断的准确率。为今后将骨骼的解剖学显像和骨骼的功能成像进行融合以提高清晰度和识别率有关的研究做铺垫。

基于Kinect的人体姿态识别算法研究

针对传统基于视觉的人机交互易受复杂环境影响导致识别率不高等问题,提出了一种基于深度图像和骨骼图像融合的人体姿态识别算法.首先获取骨骼信息,对人体骨骼建模及关节坐标点追踪,采用阈值法对肢体距离和夹角特征进行提取,将人体关节点通过坐标映射至深度图像,提高了关节点定位精度.遵循计算机视觉原理获取深度信息,对人体姿态图像进行采集、形态学处理、特征提取等操作,结合人体姿态动态函数方程,可以正确识别唤醒、举手、旋转、娱乐等常用姿势.采用微软C++MFC搭建开发环境,将获取的关节点进行连接.实验结果表明,在不同光照强度下,基于Kinect的人体姿态识别率均达到95%以上,与传统人体姿态识别方法相比,具有更强的鲁棒性,符合人机交互在各领域的应用需求.

基于离散曲率的扫描线条图快速圆弧检测

本文提出一种从圆弧假设到圆弧验证模式的扫描线条图的圆弧检测方法。该方法首先提取扫描线条图的图像骨骼,使用分段线性多边形对线条图像骨骼进行近似表示,来达到简化计算和减少数据量的目的;再通过对骨骼图像的局部离散曲率的计算和统计来假设图像局部存在圆弧;最后根据计算出的圆弧的圆参数将假设的圆弧映射至原始图像进行比对来验证局部圆弧的存在。该方法可以有效地克服圆弧断裂、重叠、交叉等噪声的影响,具有较好的鲁棒性和计算快速的优点。

基于3D体感技术的动态手势识别

提出了一种基于3D体感机Kinect的图像处理手势识别算法,通过深度图像和骨骼图像的方法实现动态手势识别。首先在Kinect提供的骨骼图像中20个骨点中,选取2个离手部最近的骨骼点,通过追踪这两个骨骼点的位置来实现对手部的追踪,再通过判断手部的深度(即其相对于摄像头的距离)的变化来实现动态手势识别。

基于Kinect的体育运动自训练系统

学生体质关系着民族未来发展,而体质测试是衡量学生体质的主要手段。传统测试主要通过教师来实施,从而增加了教师的工作量,同时也可能导致测试标准不统一。这不仅为师资缺乏的地区增加了难度,还增加了体质测试的不公平性,因而研究自主测试系统具有重要意义。利用微软公司推出的深度传感器,对体育项目进行自动测试,并达到实时测量体育运动的效果,应用于学生体育项目引体向上。根据深度传感器信息确定横杆位置,并利用骨骼跟踪确定测试者下颌位置,通过手臂的三个关节点确定手臂弯曲度;利用下颌到横杆的距离和手臂的伸直程度对本次动作进行评分和计数。同时使用者可以通过动作视频回放和评分情况进行自我调整,达到更好的训练效果。

基于Kinect V2的跌倒行为检测与分析

为了尽可能地降低老年人因跌倒而造成的伤亡,利用Kinect V2体感设备对老年人跌倒行为进行检测与识别,通过对Kinect摄像头获取的RGB-D图进行处理,得到人体骨骼图像和位置信息。利用骨架跟踪技术,选取人体中心点、两髋中心、右脚掌等骨骼点,实时计算人体中心点的空间位置、运动速度,以及两髋中心点的位置关系、离地面高度等参数。文中重点分析了跌倒时速度阈值和高度阈值。经过大量实验验证,在室内环境下,文中算法实时性高,能克服传统视频检测技术检测率低和实时性差的问题,在检测过程中能有效地保护老年人的隐私,不间断地实时检测,为老人意外跌倒提供安全保障。

基于Kinect V2的老人跌倒检测系统设计

随着我国人口老龄化规模的不断增大,养老问题成为社会关注的热点。老年人作为社会的弱势群体,容易发生老人摔倒等问题。如何保障老年人的安全,引发了社会各界关注,也成为社会急切需要解决的问题。为了利用现代化技术对老年人跌倒行为做出准确、快速的检测,提高老人跌倒后的救治率,提出了一种基于Kinect V2图像传感器的老年人跌倒检测系统。该系统通过人体骨骼点的图像识别和骨骼点的跌倒阈值计算行为特征,结合Kinect V2的语音交互系统,能够达到跌倒检测的效果。通过大量的验证表明,该系统能精确、可靠地检测跌倒行为。

类风湿性关节炎早期磁共振表现

目的:探讨类风湿性关节炎的早期磁共振表现。材料与方法:回顾性分析18例经临床诊断且行MRI检查的早期类风湿性关节炎患者资料,分析其MRI的影像学表现。结果:12例滑膜炎、滑囊炎,6例腱鞘炎,10例骨髓水肿,7例骨质侵蚀。结论:发现了滑膜炎、腱鞘炎、滑囊炎、骨髓水肿、骨质侵蚀是早期类风湿性关节炎的重要征象。

基于Kinect的摔倒行为研究

针对传统视频检测技术识别效率低和实时性差的问题,提出基于Kinect体感设备对人体摔倒行为进行判断识别。其中人体位于Kinect的检测范围之内,通过对Kinect设备获取到的深度图像进行处理,得到人体骨骼图像及人体关节点的位置信息;利用Kinect骨骼追踪技术,参考人体左肩、右肩2个骨骼点,以两肩中心点为目标,实时计算两肩中心关节点的空间位置、相对位置等参数,计算出不同帧之间两肩中心点位置之间的位移变化,并结合该位移向量与O-X,Y,Z坐标体系中的Y轴方向夹角,以二者相结合为条件来判断人体是否出现摔倒事件。经过实验验证,在室内环境中,该方法能够实现人体摔倒的自动实时检测,并且利用深度信息和骨骼信息对摔倒行为进行检测判断,能够有效地保护监测环境内当事人的个人隐私。