基于图像识别的康复训练方法、装置、设备及介质
文献发布时间:2024-04-18 19:59:31
技术领域
本发明涉及用医疗技术领域,尤其涉及一种基于图像识别的康复训练方法、装置、设备及介质。
背景技术
基于视频的人类动作识别是指根据捕获的单个人或一群人的视频和视频图像,自动分析人类动作的技术。例如,基于视频的人类动作识别的一个特别有用的应用是基于由监控视频摄像机捕获的视频图像来监测个人的健康状况。有时可能需要监测这些私人区域,例如,检测老年人的紧急事件,诸如个人跌倒,尤其是独自生活的老年人。医生可能还需要在此类私人环境中使用摄像机远程观察患有某些疾病(诸如痴呆症、帕金森氏症和抑郁症)的患者的活动。
随着图像识别技术的发展,视频监控也可以运用在对患者康复期的康复状态的智能检测,可以快速预测患者的康复情况,进而进行有针对性的治疗,而在预测过程中,由于患者个体的差异,在进行患者图像识别时,往往存在识别不准确的情况,例如,两个患者的身高均为180厘米,但第一个患者体重为150千克,第二个患者的体重为100千克,第一个患者在康复训练时的某些动作可能并未标准,但因为其体型较大,可能被识别为标准,而第二个患者在康复训练时的某些动作可能已经标准,但因为其体型较小,可能被识别为不标准,因此造成偏差,影响康复情况的准确性,不利于制定后续康复计划。
同时,现有技术中的图像识别多依赖于真人图像,且对像素要求越来越高,进而造成待识别的图像越来越大,图像识别过程的计算量也越来越大,导致图像识别的效率越来越低
而真人图像会涉及到个人隐私信息,如,面容,体型等,进而会存在用户隐私泄露的风险。
发明内容
有鉴于此,本发明提供了一种基于图像识别的康复训练方法、装置、设备及介质,用于解决现有技术中图像识别不准确、图像识别效率低下、隐私泄露的问题。
为达上述之一或部分或全部目的或是其他目的,本发明提出一种基于图像识别的康复训练方法,包括:
获取目标对象在进行康复训练时的训练图像数据,所述训练图像数据显示有所述目标对象的真人图像;
基于隐私算法对所述训练图像数据进行将所述目标对象的真人图像替换为火柴人图像的处理,得到所述目标对象在进行康复训练时的简化图像数据;
将所述简化图像数据输入预设识别模型进行动作识别,确定所述简化图像数据显示的火柴人的动作数据,所述预设识别模型为基于卷积神经网络构建的模型;
基于所述动作数据确定所述目标对象的康复数据。
可选地,所述获取目标对象在进行康复训练时的训练图像数据,所述训练图像数据显示有所述目标对象的真人图像的步骤,包括:
获取目标对象在进行康复训练时的训练计划数据;
基于所述训练计划数据确定采样规则;
根据所述采样规则获取目标对象在进行康复训练时的初始训练图像集;
筛选出所述初始训练图像集内显示有所述目标对象的真人图像的图像,得到所述训练图像数据。
可选地,所述基于隐私算法对所述训练图像数据进行将所述目标对象的真人图像替换为火柴人图像的处理,得到所述目标对象在进行康复训练时的简化图像数据目标对象目标对象的步骤,包括:
基于所述隐私算法对所述训练图像数据中的各个真人图像进行人体关键点提取,得到所述训练图像数据中每个真人图像的关键点,所述关键点包括躯干关键点和手部关键点;
根据每个真人图像的躯干关键点和手部关键点生成每个真人图像的躯干火柴人图像和手部火柴人图像,并根据所述躯干火柴人图像和所述手部火柴人图像构建每个真人图像的火柴人图像;
将所述训练图像数据中的各个真人图像作为目标真人图像,将所述目标真人图像替换为与所述目标真人图像对应的火柴人图像,得到所述目标对象在进行康复训练时的简化图像数据。
可选地,在所述将所述简化图像数据输入预设识别模型,得到识别结果,所述预设识别模型为基于卷积神经网络构建的模型的步骤之前,还包括:
基于所述卷积神经网络构建初始识别模型;
获取用于演示的标准康复训练图像;
根据所述标准康复训练图像通过误差反向传播算法对所述初始识别模型进行训练,得到所述预设识别模型。
可选地,所述根据所述标准康复训练图像通过误差反向传播算法对所述初始识别模型进行训练,得到所述预设识别模型的步骤,包括:
基于所述隐私算法对所述标准康复训练图像中的各个标准真人图像进行人体关键点提取,得到每个标准真人图像的标准关键点,根据每个标准真人图像的标准关键点生成每个标准真人图像的目标火柴人图像;
并基于所述标准康复训练图像的第一标注数据对所述目标火柴人图像进行标注,得到目标训练图像数据;
根据所述目标训练图像数据通过误差反向传播算法对所述初始识别模型进行训练,得到所述预设识别模型。
可选地,所述将所述简化图像数据输入预设识别模型进行动作识别,确定所述简化图像数据显示的火柴人的动作数据,所述预设识别模型为基于卷积神经网络构建的模型的步骤,包括:
基于所述预设识别模型提取所述简化图像数据的第一特征数据;
基于所述预设识别模型提取所述目标训练图像的第二特征数据;
将所述第一特征数据和所述第二特征数据进行对齐处理,并计算所述第一特征数据与所述第二特征数据的相似度数据;
根据所述相似度数据确定所述简化图像数据显示的火柴人的动作数据,并将所述相似度和所述动作数据作为所述识别结果。
可选地,所述基于所述识别结果确定所述目标对象的康复数据的步骤,包括:
将所述识别结果输入预设预测模型进行康复数据预测,得到所述目标对象的康复数据,所述预设预测模型为经过所述标准康复训练图像及所述标准康复训练图像的第二标注数据训练的分类模型或者回归模型。
另一方面,本申请实施例提供了一种基于图像识别的康复训练装置,所述装置,包括:
数据采集模块,用于获取目标对象在进行康复训练时的训练图像数据,所述训练图像数据显示有所述目标对象的真人图像;
图像处理模块,用于基于隐私算法对所述训练图像数据进行将所述目标对象的真人图像替换为火柴人图像的处理,得到所述目标对象在进行康复训练时的简化图像数据;
识别模块,用于将将所述简化图像数据输入预设识别模型进行动作识别,确定所述简化图像数据显示的火柴人的动作数据,所述预设识别模型为基于卷积神经网络构建的模型;
预测模块,用于基于所述动作数据确定所述目标对象的康复数据。
另一方面,本申请实施例提供了一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过所述总线通信,所述机器可读指令被所述处理器执行时执行如上述的基于图像识别的康复训练方法的步骤。
另一方面,本申请实施例提供了一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如上述的基于图像识别的康复训练方法的步骤。
实施本发明实施例,将具有如下有益效果:
通过获取目标对象在进行康复训练时的训练图像数据,所述训练图像数据显示有所述目标对象的真人图像;基于隐私算法对所述训练图像数据进行将所述目标对象的真人图像替换为火柴人图像的处理,得到所述目标对象在进行康复训练时的简化图像数据;将所述简化图像数据输入预设识别模型进行动作识别,确定所述简化图像数据显示的火柴人的动作数据,所述预设识别模型为基于卷积神经网络构建的模型;基于所述动作数据确定所述目标对象的康复数据。通过隐私算法对训练图像数据进行处理,将目标对象的真人图像替换为目标对象的骨架图像进行处理,减少在人物图像识别过程中,胖瘦等体型差异带来的识别误差,同时用骨架图像替换真人图像减低了像素要求,进而降低了数据存储的要求,也减小了图像识别的计算量,提高了识别效率,有利于康复状态的确定。同时,用火柴人图像替换真人图像,有利于保护用户隐私。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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的前提下,还可以根据这些附图获得其他的附图。
其中:
图1是本申请实施例提供的一种基于图像识别的康复训练方法的流程图;
图2是本申请实施例提供的一种季节性用电数据监测装置的结构示意图;
图3是本申请实施例提供的一种电子设备的结构示意图;
图4是本申请实施例提供的一种计算机可读存储介质的结构示意图。
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,所描述的实施例仅仅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。
如图1所示,本申请实施例提供了一种基于图像识别的康复训练方法,包括:
S101、获取目标对象在进行康复训练时的训练图像数据,所述训练图像数据显示有所述目标对象的真人图像;
示例性的,通过使用常规摄像头或小型嵌入式系统的传感器来捕捉目标对象(患者)在进行康复训练时的训练图像数据,所述训练图像数据可以为目标对象(患者)在进行康复训练时的图片数据,也可以为目标对象(患者)在进行康复训练时的视频数据。常规摄像头或小型嵌入式系统可以是普通摄像头、RGB-D摄像头、红外传感器或惯性测量单元(IMU)等。
示例性的,在获取目标对象在进行康复训练时的训练图像数据时,根据目标对象的位置选择能够拍摄到目标对象的摄像头,以便对患者进行多角度、全方位的拍摄。
示例性的,对采集到的训练图像数据进行预处理,以提取出训练图像数据中与康复训练有关的信息(训练动作信息),同时,针对图像或者视频质量低下、光线不足等情况,采用去噪、图像增强处理等技术提高图像或者视频质量。
S102、基于隐私算法对所述训练图像数据进行将所述目标对象的真人图像替换为火柴人图像的处理,得到所述目标对象在进行康复训练时的简化图像数据;
示例性的,通过所述隐私算法实时地从所述训练图像数据中提取所述目标对象的关键点数据,进而根据所述关键点数据生成所述目标对象的火柴人图像,再进行将所述目标对象的真人图像替换为火柴人图像的处理,得到显示有火柴人图像的简化图像数据。
示例性的,所述关键点数据包括所述目标对象的骨架数据、所述目标对象的关节点数据,在生成火柴人时,采用不同倾斜度、不同长短的“线段”表示所述目标对象骨架中的各个骨骼,采用“点”表示所述目标对象的关节点,所述“线段”的倾斜度与长短根据所述目标对象的骨架数据确定,并根据所述目标对象的关节点数据确定所述“点”的位置。
S103、将所述简化图像数据输入预设识别模型进行动作识别,确定所述简化图像数据显示的火柴人的动作数据,所述预设识别模型为基于卷积神经网络构建的模型;
示例性的,所述预设识别模型为已经学习标准康复训练动作的卷积神经网络模型,能够将标准康复训练动作与患者的实时动作(所述简化图像数据中显示的火柴人的动作)进行对比,进而识别和判断患者的康复动作是否正确,即,得到动作数据。
S104、基于所述动作数据确定所述目标对象的康复数据。
示例性的,根据患者的康复动作是否正确确定所述目标对象(患者)的康复数据,例如,患者针对某个关节的康复动作不正确,确定患者的某个关节尚未康复。
通过获取目标对象在进行康复训练时的训练图像数据,所述训练图像数据显示有所述目标对象的真人图像;基于隐私算法对所述训练图像数据进行将所述目标对象的真人图像替换为火柴人图像的处理,得到所述目标对象在进行康复训练时的简化图像数据;将所述简化图像数据输入预设识别模型进行动作识别,确定所述简化图像数据显示的火柴人的动作数据,所述预设识别模型为基于卷积神经网络构建的模型;基于所述动作数据确定所述目标对象的康复数据。通过隐私算法对训练图像数据进行处理,将目标对象的真人图像替换为目标对象的骨架图像进行处理,减少在人物图像识别过程中,胖瘦等体型差异带来的识别误差,同时用骨架图像替换真人图像减低了像素要求,进而降低了数据存储的要求,也减小了图像识别的计算量,提高了识别效率,有利于康复状态的确定。
在一种可能的实施方式中,所述获取目标对象在进行康复训练时的训练图像数据,所述训练图像数据显示有所述目标对象的真人图像的步骤,包括:
获取目标对象在进行康复训练时的训练计划数据;
基于所述训练计划数据确定采样规则;
根据所述采样规则获取目标对象在进行康复训练时的初始训练图像集;
筛选出所述初始训练图像集内显示有所述目标对象的真人图像的图像,得到所述训练图像数据。
示例性的,获取目标对象在进行康复训练时的训练计划数据,所述训练计划数据例如,目标对象在进行康复训练时训练动作A需要保持3分钟,休息3分钟后,训练动作B需要做3次;在进行采样时,需要忽略患者休息的时间,即,只在患者进行训练动作A时和患者进行训练动作B时进行采集,减少了无关数据的采集,有利于提高图像识别的准确性和识别效率。
示例性的,筛选出所述初始训练图像集内显示有所述目标对象的真人图像的图像,即,将所述初始训练图像集内不存在真人图像的图像删除,保证所述训练图像数据为有效数据,例如,当患者进行训练动作A时,由于外界因素(访客、被呼唤)走出数据采集范围时,将患者走出数据采集范围时的图像删除,减少后续图像识别的无效数据,减少图像识别的计算量。
在一种可能的实施方式中,所述基于隐私算法对所述训练图像数据进行将所述目标对象的真人图像替换为火柴人图像的处理,得到所述目标对象在进行康复训练时的简化图像数据目标对象目标对象的步骤,包括:
基于所述隐私算法对所述训练图像数据中的各个真人图像进行人体关键点提取,得到所述训练图像数据中每个真人图像的关键点,所述关键点包括躯干关键点和手部关键点;
根据每个真人图像的躯干关键点和手部关键点生成每个真人图像的躯干火柴人图像和手部火柴人图像,并根据所述躯干火柴人图像和所述手部火柴人图像构建每个真人图像的火柴人图像;
将所述训练图像数据中的各个真人图像作为目标真人图像,将所述目标真人图像替换为与所述目标真人图像对应的火柴人图像,得到所述目标对象在进行康复训练时的简化图像数据。
示例性的,当所述训练图像数据为独立图片时,基于所述隐私算法对图片的真人图像进行人体关键点提取,得到所述图片中真人图像的关键点,根据真人图像的关键点生成真人图像的火柴人图像;将所述图片中的真人图像作为目标真人图像,将所述目标真人图像替换为与所述目标真人图像对应的火柴人图像,得到所述目标对象在进行康复训练时的简化图像数据,即,简化图片数据。
示例性的,当所述训练图像数据为视频时,将所述视频视为具有时间顺序的图片,基于所述隐私算法对所述训练图像数据中的各个真人图像进行人体关键点提取和时间点提取,得到所述训练图像数据中每个真人图像的关键点,根据每个真人图像的关键点生成每个真人图像的火柴人图像;将所述训练图像数据中的各个真人图像作为目标真人图像,将所述目标真人图像替换为与所述目标真人图像对应的火柴人图像,并根据提取到的时间点得到所述目标对象在进行康复训练时的简化图像数据。
示例性的,使用已经训练好的深度神经网络(CNN)模型,接受用户手部图像作为输入,并输出手部图像中的20个手部关键点的坐标,根据手部的结构和层次,确定每个手部关键点与其他手部关键点的连接关系。例如,手指关键点可以按照手指的顺序连接,手腕和手掌中心可以连接到相邻的手部关键点,使用直线连接相邻的手部关键点,得到手部火柴人图像,手部关键点包括手指尖、手腕等重要位置。通过检测和定位这些关键点,可以获取到手部姿势和动作的信息。在这个过程中,不会直接获取用户手部图像的详细内容,而只会获取到关键点的位置信息。这样可以保护用户的手部行为隐私。
同理,可以得到躯干火柴人图像,根据人体构造(人体结构)确定手部关键点中与躯干关键点进行连接的目标手部关键点,确定躯干关键点中与手部关键点进行连接的目标躯干关键点,连接目标手部关键点和目标躯干关键点,得到每个真人图像的火柴人图像。
在一种可能的实施方式中,在所述将所述简化图像数据输入预设识别模型,得到识别结果,所述预设识别模型为基于卷积神经网络构建的模型的步骤之前,还包括:
基于所述卷积神经网络构建初始识别模型;
获取用于演示的标准康复训练图像;
根据所述标准康复训练图像通过误差反向传播算法对所述初始识别模型进行训练,得到所述预设识别模型。
示例性的,获取用于演示的标准康复训练图像包括一系列标准康复操视频数据。标准康复操视频数据可以包括医疗专业人员演示的正确姿势,以及其他标注好的康复操视频数据。标准康复操视频数据经过标注,具有标注数据,所述标注数据包括每个动作的起始和终止时刻,动作的类型等。
示例性的,在根据所述标准康复训练图像通过误差反向传播算法对所述初始识别模型进行训练之前,对数据进行预处理,所述预处理包括视频帧的提取和变换。这可以包括将视频帧转换为灰度图像或彩色图像,调整图像大小和分辨率等。
示例性的,将用于演示的标准康复训练图像作为输入,通过所述卷积神经网络的卷积、池化和全连接层等网络结构提取和学习标准康复训练图像的动作特征,训练过程中,使用标注好的数据进行监督学习,通过误差反向传播算法来优化模型的参数,得到所述预设识别模型。
在一种可能的实施方式中,所述根据所述标准康复训练图像通过误差反向传播算法对所述初始识别模型进行训练,得到所述预设识别模型的步骤,包括:
基于所述隐私算法对所述标准康复训练图像中的各个标准真人图像进行人体关键点提取,得到每个标准真人图像的标准关键点,根据每个标准真人图像的标准关键点生成每个标准真人图像的目标火柴人图像;
并基于所述标准康复训练图像的第一标注数据对所述目标火柴人图像进行标注,得到目标训练图像数据;
根据所述目标训练图像数据通过误差反向传播算法对所述初始识别模型进行训练,得到所述预设识别模型。
示例性的,将所述所述标准康复训练图像(标准康复操视频数据)视为具有时间顺序的图片,基于所述隐私算法对所述训练图像数据中的康复师的真人图像进行人体关键点提取和时间点提取,得到所述训练图像数据中康复师的真人图像的标准关键点,根据康复师的真人图像的关键点生成康复师的真人图像的目标火柴人图像;将所述训练图像数据中的康复师的真人图像作为目标真人图像,将所述目标真人图像替换为与所述康复师的真人图像对应的目标火柴人图像,基于所述标准康复训练图像的第一标注数据对所述目标火柴人图像进行标注,并根据提取到的时间点得到所述康复师在进行康复训练时的目标训练图像数据,根据所述目标训练图像数据通过误差反向传播算法对所述初始识别模型进行训练,得到所述预设识别模型,即,使得所述预设识别模型学习标准康复训练动作,能够将标准康复训练动作与患者的实时动作(所述简化图像数据中显示的火柴人的动作)进行对比,进而识别和判断患者的康复动作是否正确,即,得到动作数据。
在一种可能的实施方式中,所述将所述简化图像数据输入预设识别模型进行动作识别,确定所述简化图像数据显示的火柴人的动作数据,所述预设识别模型为基于卷积神经网络构建的模型的步骤,包括:
基于所述预设识别模型提取所述简化图像数据的第一特征数据;
基于所述预设识别模型提取所述目标训练图像的第二特征数据;
将所述第一特征数据和所述第二特征数据进行对齐处理,并计算所述第一特征数据与所述第二特征数据的相似度数据;
根据所述相似度数据确定所述简化图像数据显示的火柴人的动作数据,并将所述相似度和所述动作数据作为所述识别结果。
示例性的,通过所述预设识别模型对标准康复动作视频中的数据(所述目标训练图像)和患者康复训练时的视频(所述简化图像数据)进行特征提取,得到每个视频的高维特征表示;将不同视频的特征进行对齐,即,将标准康复动作视频中的数据(所述目标训练图像)和患者康复训练时的视频(所述简化图像数据)的特征映射到同一空间中,以便进行后面的相似度计算;通过计算不同视频之间的特征相似度,得到患者动作与标准动作之间的相似性得分,从而衡量患者动作与标准动作的差异,进而确定与患者的动作对应的标准动作。
示例性的,根据所述相似度数据确定所述简化图像数据显示的火柴人的动作数据,并将所述相似度和所述动作数据作为所述识别结果,例如,与火柴人动作(患者动作)对应的标准动作为扩胸动作,火柴人动作(患者动作)与扩胸动作的相似度为80%,则将“与扩胸动作的相似度为80%”作为识别结果。
在一种可能的实施方式中,所述基于所述识别结果确定所述目标对象的康复数据的步骤,包括:
将所述识别结果输入预设预测模型进行康复数据预测,得到所述目标对象的康复数据,所述预设预测模型为经过所述标准康复训练图像及所述标准康复训练图像的第二标注数据训练的分类模型或者回归模型。
示例性的,根据相似度得分,选择合适的分类模型或回归模型,用来预测患者的康复进展情况;分类模型或回归模型的模型训练过程为:使用预处理后的标准康复操视频数据对所选的分类或回归模型进行训练,并进行模型调参和验证,以确保模型在未知数据上的泛化性能。
在一种可能的实施方式中,基于所述康复数据建立可视化的统计数据和图表,所述统计数据和图表可以记录患者每次康复训练的时间和次数。可以帮助患者了解自己的训练频率和时长,并根据需要进行调整,可以记录患者每次康复训练中动作的准确度和进展情况。通过记录和分析动作准确度和进展情况,患者和医疗专业人员可以了解康复效果和调整训练计划,可以通过统计数据和图表的方式,将患者的康复训练进度和成绩可视化展示。帮助患者和医疗专业人员更直观地了解康复效果和训练进展,以便做出相应的调整和决策,可以帮助患者设定康复目标,并追踪达成目标的进展情况。通过设定和追踪目标,患者可以更有动力和方向地进行康复训练,同时医疗专业人员也可以根据目标的达成情况进行相应的指导和调整,以提高康复效果和质量。满足患者的个性化需求,满足康复训练的监测和评估需求。
在一种可能的实施方式中,根据患者的康复动作与标准动作的相似度对患者训练过程进行评分反馈和激励反馈,例如通过颜色变化、声音提示或奖励徽章等方式进行反馈。可以通过改变患者所处环境的颜色,例如由红色表示动作不准确或未完成,逐渐过渡到绿色表示动作准确度和完成度较高。这种视觉反馈可以帮助患者了解自己的康复进展,并鼓励他们进行改进和努力。例如,当患者执行正确的动作时,可以播放一段欢快的音乐或给出肯定的声音提示,以增强患者的动作记忆和积极性。可以根据患者的表现和进展,给予一些虚拟奖励徽章或成就标记。这些徽章可以根据患者的康复目标和里程碑设计,例如完成一定数量的康复动作、达到特定的动作准确度等。这些奖励徽章可以作为激励和激励患者努力进行康复训练。
在一种可能的实施方式中,在采集到患者训练时的训练图像数据后,可以将所述训练图像数据实施传输至显示装置,以供患者实时了解自身姿态。
在一种可能的实施方式中,当患者的康复动作与标准动作的相似度低于60%时,获取所述标准动作的动作要领信息,并将所述动作要领信息传输至显示装置,以供患者调整体态。
在一种可能的实施方式中,如图2所示,本申请实施例提供了一种基于图像识别的康复训练装置,所述装置,包括:
数据采集模块201,用于获取目标对象在进行康复训练时的训练图像数据,所述训练图像数据显示有所述目标对象的真人图像;
图像处理模块202,用于基于隐私算法对所述训练图像数据进行将所述目标对象的真人图像替换为火柴人图像的处理,得到所述目标对象在进行康复训练时的简化图像数据;
识别模块203,用于将将所述简化图像数据输入预设识别模型进行动作识别,确定所述简化图像数据显示的火柴人的动作数据,所述预设识别模型为基于卷积神经网络构建的模型;
预测模块204,用于基于所述动作数据确定所述目标对象的康复数据。
一种可能的实施方式中,如图3所示,本申请实施例提供了一种电子设备300,包括:包括存储器310、处理器320及存储在存储器310上并可在处理器320上运行的计算机程序311,处理器320执行计算机程序311时,实现:获取目标对象在进行康复训练时的训练图像数据,所述训练图像数据显示有所述目标对象的真人图像;基于隐私算法对所述训练图像数据进行将所述目标对象的真人图像替换为火柴人图像的处理,得到所述目标对象在进行康复训练时的简化图像数据;将所述简化图像数据输入预设识别模型进行动作识别,确定所述简化图像数据显示的火柴人的动作数据,所述预设识别模型为基于卷积神经网络构建的模型;基于所述动作数据确定所述目标对象的康复数据。
在一种可能的实施方式中,如图4所示,本申请实施例提供了一种计算机可读存储介质400,其上存储有计算机程序411,该计算机程序411被处理器执行时实现:获取目标对象在进行康复训练时的训练图像数据,所述训练图像数据显示有所述目标对象的真人图像;基于隐私算法对所述训练图像数据进行将所述目标对象的真人图像替换为火柴人图像的处理,得到所述目标对象在进行康复训练时的简化图像数据;将所述简化图像数据输入预设识别模型进行动作识别,确定所述简化图像数据显示的火柴人的动作数据,所述预设识别模型为基于卷积神经网络构建的模型;基于所述动作数据确定所述目标对象的康复数据。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于:电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意类型的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本领域普通技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个计算装置上,或者分布在多个计算装置所组成的网络上,可选地,他们可以用计算机装置可执行的程序代码来实现,从而可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件的结合。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里上述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
- 一种基于智能合约的约束求解器分布式调度方法
- 一种基于智能合约的权限可控的智能合约升级方法
- 一种基于区块链智能合约的电子数据存证方法
- 基于智能合约的分布式应用平台及实现方法
- 一种基于智能合约和分布式Elgamal算法的电子投票方法
- 一种基于智能合约和分布式Elgamal算法的电子投票方法