基于Faster R-CNN的图像检索手腕骨折分类研究

目的为克服手腕X射线图像病灶区域排列复杂容易造成骨科医生漏诊误诊及诊断效率低的问题,提出一种更快速的基于区域的卷积神经网络(Faster Region-Convolutional Neural Network,Faster R-CNN)的医学图像检索手腕分类算法。方法首先利用限制对比度自适应直方图均衡化算法对手腕样本数据进行预处理,然后利用Faster R-CNN快速定位手腕图像的感兴趣区域,并提取其方向梯度直方图特征、Haralick纹理特征以及深度特征,最后利用卷积神经网络将提取到的多种特征进行有效融合后,送入本文改进的图像检索诊断模型完成对手腕图像的分类任务。结果本文提出的手腕图像检测模型分类的曲线下面积均值为0.893,诊断的准确率优于对比实验结果,较之前的研究方法提高了约5%。结论本文提出的Faster R-CNN的图像检索手腕骨折分类研究具有一定的有效性和鲁棒性。

深度视频下的人体动作识别研究

目的基于RGB视频序列分类是实现人体动作识别的主要方式,但是RGB视频在记录人体动作的同时会清晰地保存人体的面部信息,为保护隐私,本文提出基于深度视频进行人体动作识别。方法利用公开数据集UTD-MHAD中27种深度视频形式的动作数据进行研究。首先,将深度视频序列进行预处理转化成运动历史图,通过伪彩色编码增强运动历史图的细节信息;其次,将经过伪彩色编码的运动历史图送入经过预训练的卷积神经网络提取运动历史图的深度特征向量;最后运用分类器进行分类。结果基于深度视频序列的人体动作识别方法在UTD-MHAD数据集上取得了90.02%的准确率,误差为1.8%。结论本文提出的基于深度视频序列的人体动作识别方法具有一定的有效性,可作为人体动作识别领域一种新型的无监督康复锻炼手段,有助于促进康复评定研究进一步标准化。