一种基于全身关键点识别和实例分割的腧穴定位方法

1.本技术属于医疗图像处理技术领域，具体涉及一种基于全身关键点识别和实例分割的腧穴定位方法。


背景技术：

2.随着国家对中医药的重视，以针灸为代表的医疗手段逐渐得到普及和认可并逐渐走向世界，对于在临床上从事针灸的医生来说，经过长期的实践，对腧穴的体表定位掌握准确，可以快速并准确的找出具体穴位。但对于初学者、普通人群、社会上从事相关中医保健的人来说、腧穴定位掌握不易，精确度更是不高。腧穴定位是中医疗法的重要环节，穴位识别的准确与否将直接影响最终效果。但是人体穴位繁多，经穴362个、经外奇穴46个，共408个穴位，且每个穴位在中医上的作用各不相同，因此对于非专业人士来说想要准确识别穴位难度特别大。
3.目前，人们普遍通过参考中医书籍、人体穴位插图等原始的方法进行腧穴定位。但中医书籍或人体穴位图不能很好的满足个体差异，难免对穴位的定位存在偏差。
4.在人们对腧穴定位便捷程度、精确程度的需求日益增加的严峻挑战下，发展基于关键点检测与实例分割的腧穴定位技术极其重要。


技术实现要素：

5.本技术实施例的目的是提供一种基于全身关键点识别和实例分割的腧穴定位方法，其解决了现有技术中因患者有高矮胖瘦等差异，医者依靠个人经验，取穴带有一定的随意性和不准确性的问题，从而可以解决背景技术中涉及的至少一个技术问题。
6.为了解决上述技术问题，本技术技术方案如下：
7.第一方面，本技术实施例提供了一种基于全身关键点识别和实例分割的腧穴定位方法，包括：
8.步骤一、从ar设备中读入视频流，抽取视频流中的图像帧，由部位检测模块对图像帧进行部位类别检测，并输出确定的部位类别；
9.步骤二、依据人体各部位中穴位的特征类型，对于特征显著的穴位执行步骤三，对于特征不显著的穴位执行步骤四；
10.步骤三、由关键点定位模块对特征显著的穴位进行关键点检测处理，得到关键点坐标，累加对应穴位偏移量后得到穴位坐标，最后输出穴位位置和名称；
11.步骤四、由实例分割模块输出部位轮廓，再依据部位轮廓比例寻找特征，累加对应穴位偏移量后得到穴位坐标，最后输出穴位位置和名称；
12.步骤五、将步骤三和步骤四中输出的穴位位置和名称利用增强现实技术叠加在真实的人体图像上，实现穴位准确定位。
13.可选的，所述部位检测模块包括手臂处理组件、面部处理组件、躯干处理组件以及腿部处理组件。
14.可选的，所述部位检测模块通过如下步骤进行训练：
15.根据人体各部位图像和部位名称，构建目标检测数据集；
16.使用构建的目标检测数据集对所述部位检测模块进行训练。
17.可选的，所述部位检测模块基于faster r-cnn实现，其使用共享卷积层为人体各部位图像提取特征，得到部位特征图，将得到的部位特征图送入区域建议网络，区域建议网络生成待检测框，即指定兴趣区域的位置，并对兴趣区域的包围框进行第一次修正，兴趣区域池化层根据区域建议网络的输出在部位特征图上面选取每个兴趣区域对应的特征，并将维度置为定值，使用全连接层对包围框进行分类，并且进行目标包围框的第二次修正。
18.可选的，所述关键点检测模块的主干网络中引入残差阶梯网络思想，融合层内特征，以获得精细的局部表示，具体包括：
19.使用残差阶梯网络代替主干网络中的下采样卷积层，残差阶梯网络由残差阶梯块组成，残差阶梯块通过稠密的元素级求和连接在一起，残差阶梯块首先将特征分成四个分支，然后分别使用1
×
1卷积来处理分支，每个分支的1
×
1卷积输出经过3
×
3卷积进行进一步处理，最后将4个分支的输出特征串联，再通过1
×
1卷积融合特征，并使用恒等连接。
20.可选的，所述关键点检测模块通过如下步骤进行训练：
21.根据人体关键点图像和关键点名称，构建关键点定位数据集；
22.使用构建的关键点定位数据集对所述关键点检测模块进行训练。
23.可选的，所述关键点检测模块通过基于残差阶梯网络改良的hrnet实现，采用多分辨率结构设计，通过使用多个分支网络提取不同分辨率下的人体关键点图像中的关键点特征，使用融合层将关键点特征融合，实现高分辨率的关键点特征提取，使用关键点回归层预测关键点位置，得到关键点坐标。
24.可选的，所述实例分割模块通过如下步骤进行训练：
25.根据人体关键点图像和逐像素注释和实例级标识，构建实例分割数据集；
26.使用构建的实例分割数据集对所述实例分割模块进行训练。
27.可选的，所述实例分割模块将关键点检测信息作为实例分割的对齐方法，即基于人体骨骼姿态的对齐方法，通过人体骨骼姿态蕴涵的信息，基于人体骨骼姿态的对齐方法把各种各样的人体动作拉直，并且将重叠的人分开。
28.可选的，所述实例分割模块通过基于人体骨骼姿态的对齐方法的mask r-cnn模型实现，首先特征提取器提取人体各部位图像的特征，然后候选区域生成器生成候选目标区域，接着分类器对候选目标区域进行分类，回归器对候选目标区域进行定位，最后分割器对候选目标区域进行分割，得到人体部位轮廓，再依照轮廓路径搜索，结合关键点坐标，得到穴位坐标。
29.第二方面，本技术实施例提供了一种电子设备，该电子设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤。
30.第三方面，本技术实施例提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤。
31.本技术有益效果如下：
32.1、本技术基于深度学习与数字图像处理技术的综合性解决方案，提高传统中医穴
位定位理论的准确性和效率；
33.2、针对不同类别的全身腧穴采取针对性的定位方法，在考虑关键点信息的基础上，进一步考虑轮廓信息和其他相关信息。此外，该方法将全身腧穴分为多个类别，针对每种类别提出定位方法，而不是针对每个穴位提出不同的定位方法，这样做既保证了定位精度，又降低了系统开发的工作量；
34.3、还使用了增强现实技术在真实的场景中叠加显示穴位信息，更加直观，更为方便，减少了人工定位腧穴的时间，提高了工作效率。
附图说明
35.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。
36.图1是本技术实施例提供的定位方法的实施步骤图；
37.图2是本技术实施例提供的基于残差阶梯网络改良的hrnet模型示意图；
38.图3(a)～(d)是本技术实施例提供的人体全身关键点示意图；
39.图4是本技术实施例提供的人体部位实例分割示意图；
40.图5是本技术实施例提供的电子设备的结构框架图；
41.图6是本技术实施例提供的电子设备的硬件结构图。
具体实施方式
42.下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
43.本技术的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
44.下面结合附图，通过具体的实施例及其应用场景对本技术实施例提供的基于全身关键点识别和实例分割的腧穴定位方法进行详细地说明。
45.请参见图1，是本技术实施例提供的一种基于全身关键点识别和实例分割的腧穴定位方法，包括：
46.步骤一、从ar设备中读入视频流，抽取视频流中的图像帧，由部位检测模块对图像帧进行部位类别检测，并输出确定的部位类别；
47.步骤二、依据人体各部位中穴位的特征类型，对于特征显著的穴位执行步骤三，对于特征不显著的穴位执行步骤四；
48.步骤三、由关键点定位模块对特征显著的穴位进行关键点检测处理，得到关键点坐标，累加对应穴位偏移量后得到穴位坐标，最后输出穴位位置和名称；
49.步骤四、由实例分割模块输出部位轮廓，再依据部位轮廓比例寻找特征，累加对应穴位偏移量后得到穴位坐标，最后输出穴位位置和名称；
50.步骤五、将步骤三和步骤四中输出的穴位位置和名称利用增强现实技术叠加在真实的人体图像上，实现穴位准确定位。
51.在步骤一中，所述部位检测模块包括手臂处理组件、面部处理组件、躯干处理组件以及腿部处理组件，这样，所述部位检测模块可以将识别出的当前视频帧中的不同人体部位的图片送入不同的处理流程，具体包括：
52.手太阴肺经、手阳明大肠经、手少阴心经、手太阳小肠经、手厥阴心包经、手少阳三焦经的穴位交由手臂处理组件定位。足阳明胃经、足太阴脾经、足太阳膀胱经、足少阴肾经、足少阳胆经、足厥阴肝经上的穴位交由面部处理组件、躯干处理组件和腿部处理组件定位。任脉穴位、督脉穴位交由躯干处理组件定位。
53.所述部位检测模块通过如下步骤进行训练：根据人体各部位图像和部位名称，构建目标检测数据集；使用构建的目标检测数据集对所述部位检测模块进行训练。
54.所述部位检测模块基于faster r-cnn实现，其使用共享卷积层为人体各部位图像提取特征，得到部位特征图，将得到的部位特征图送入区域建议网络，区域建议网络生成待检测框，即指定兴趣区域的位置，并对兴趣区域的包围框进行第一次修正，兴趣区域池化层根据区域建议网络的输出在部位特征图上面选取每个兴趣区域对应的特征，并将维度置为定值，使用全连接层对包围框进行分类，并且进行目标包围框的第二次修正，之后可以实现对部位类别的检测识别。
55.在步骤三中，对与特征显著的穴位由关键点定位模块处理，具体包括：
56.承泣穴位于面部，瞳孔直下方，眼球与下眼眶边缘之间，其中，瞳孔的特征显著；太乙穴位于人体的上腹部，当脐中上2寸，距前正中线2寸，其中，脐的特征显著；中冲穴位于人体的手中指末节尖端中央，其中，手中指末节尖端的特征显著。
57.在步骤四中，对于特征不显著的穴位由实例分割模块，具体包括：
58.尺泽穴位于在肘横纹中，肱二头肌腱桡侧凹陷处，其中，肘横纹、肱二头肌腱桡侧凹陷特征不显著；郄门穴位于人体的前臂掌侧，当曲泽穴与大陵穴的连线上，腕横纹上5寸，其中腕横纹特征不显著。日月穴位于上腹部，乳头直下，第7肋间隙，前正中线旁开4寸，其中，乳头特征显著但肋骨特征不显著。
59.进一步的，在步骤三中，结合图2所示，所述关键点检测模块的主干网络中引入残差阶梯网络思想，融合层内特征，以获得精细的局部表示。人体关键点的大小变化很大，感受野范围更广的体系结构更适合于提取与不同关键点相关的特征，具体如下：
60.使用残差阶梯网络代替主干网络中的下采样卷积层，残差阶梯网络由残差阶梯块组成，残差阶梯块通过稠密的元素级求和连接在一起，残差阶梯块首先将特征分成四个分支，然后分别使用1
×
1卷积来处理分支，每个分支的1
×
1卷积输出经过3
×
3卷积进行进一步处理，最后将4个分支的输出特征串联，再通过1
×
1卷积融合特征，并使用恒等连接。
61.所述关键点检测模块通过如下步骤进行训练：根据人体关键点图像和关键点名称，构建关键点定位数据集；使用构建的关键点定位数据集对所述关键点检测模块进行训
练。
62.所述关键点检测模块通过基于残差阶梯网络改良的hrnet实现，采用多分辨率结构设计，通过使用多个分支网络提取不同分辨率下的人体关键点图像中的关键点特征，使用融合层将关键点特征融合，实现高分辨率的关键点特征提取，使用关键点回归层预测关键点位置，得到关键点坐标，再通过关键点和穴位的位置关系，累加偏移量即得到具体的穴位坐标。人体全身关键点参照图3所示。
63.以承泣穴为例。承泣穴位于面部，瞳孔直下方，眼球与下眼眶边缘之间。根据第2关键点、第70关键点和第71关键点可以确定承泣穴的坐标。将第2关键点坐标记为(x2，y2)、第70关键点坐标记为(x
70
，y
70
)、第71关键点坐标记为(x
71
，y
71
)。承泣穴坐标计算如下：
[0064][0065]
进一步的，在步骤四中，所述实例分割模块通过如下步骤进行训练：根据人体关键点图像和逐像素注释和实例级标识，构建实例分割数据集；使用构建的实例分割数据集对所述实例分割模块进行训练。
[0066]
所述实例分割模块将关键点检测信息作为实例分割的对齐方法，即基于人体骨骼姿态的对齐方法，通过人体骨骼姿态蕴涵的信息，基于人体骨骼姿态的对齐方法把各种各样的人体动作拉直，并且将重叠的人分开，具体流程如下：
[0067]
首先使用k-means优化下式对训练集中的所有人体姿态进行聚类，并取每个类的聚类中心作为姿态模版构成姿态模版库。
[0068]
本技术涉及到的人体姿态类型有：头部正面、躯干正面、躯干正面、手臂掌侧、手臂外侧、腿部内侧、腿部外侧。
[0069]
为了对齐图像中的每个人体实例的姿态，我们需要估计它们与一个姿态模板的仿射变换矩阵。这个任务可以通过求解下面的优化问题来实现：
[0070][0071][0072]
其中，xi表示图像中的人体实例的姿态；x
t
表示姿态模板；h表示仿射变换矩阵，有5个变量：旋转、比例因子、x轴平移、y轴平移以及是否进行左右翻转；λ是一个正则化参数。
[0073]
最终，将图像中的人体实例的姿态通过对齐矩阵进行仿射变换，将它们对齐到相同的尺寸和方向。
[0074]
所述实例分割模块通过基于人体骨骼姿态的对齐方法的mask r-cnn模型实现，首先特征提取器提取人体各部位图像的特征，然后候选区域生成器生成候选目标区域，接着分类器对候选目标区域进行分类，回归器对候选目标区域进行定位，最后分割器对候选目标区域进行分割，得到人体部位轮廓，再依照轮廓路径搜索，结合关键点坐标，得到穴位坐标，人体部位实例分割参照图4所示。
[0075]
以尺泽穴为例。尺泽穴位于在肘横纹中，肱二头肌腱桡侧凹陷处。肘关节在人体上臂和前臂中间的位置，根据第4部位、第5部位和第9关键点可以确定尺泽穴的坐标。从第9关
键点出发，沿着第4部位的轮廓和第5部位的轮廓不断向人体内侧搜索，直到轮廓路径的方向变化率达到预设阈值时停止搜索，此时的位置坐标即尺泽穴的坐标。
[0076]
在步骤五中，摄像机摄取的真实世界图像输入到计算机中，与关键点检测模块和实例分割模块输出的穴位坐标信息合成，并输出到屏幕显示器，用户从屏幕上看到最终的增强场景图像。
[0077]
如图5所示，本技术实施例还提供一种电子设备600，电子设备600包括处理器601，存储器602，存储在存储器602上并可在所述处理器601上运行的程序或指令，该程序或指令被处理器601执行时实现上述基于全身关键点识别和实例分割的腧穴定位方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0078]
需要说明的是，本技术实施例中的第一电子设备包括上述所述的移动电子设备和非移动电子设备。
[0079]
图6为实现本技术实施例的一种电子设备的硬件结构示意图。
[0080]
该电子设备700包括但不限于：射频单元701、网络模块702、音频输出单元703、输入单元704、传感器705、显示单元706、用户输入单元707、接口单元708、存储器709、以及处理器710等部件。
[0081]
本领域技术人员可以理解，电子设备700还可以包括给各个部件供电的电源(比如电池)，电源可以通过电源管理系统与处理器710逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。图6中示出的电子设备结构并不构成对电子设备的限定，电子设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置，在此不再赘述。
[0082]
应理解的是，本技术实施例中，输入单元704可以包括图形处理器(graphics processing unit，gpu)7041和麦克风7042，图形处理器7041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显示单元706可包括显示面板7061，可以采用液晶显示器、有机发光二极管等形式来配置显示面板7061。用户输入单元707包括触控面板7071以及其他输入设备7072。触控面板7071，也称为触摸屏。触控面板7071可包括触摸检测装置和触摸控制器两个部分。其他输入设备7072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。存储器709可用于存储软件程序以及各种数据，包括但不限于应用程序和操作系统。处理器710可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器710中。
[0083]
本技术实施例还提供一种可读存储介质，所述可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述基于全身关键点识别和实例分割的腧穴定位方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0084]
其中，所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等。
[0085]
本技术实施例另提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现上述基于全身关键点识别和
实例分割的腧穴定位方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0086]
应理解，本技术实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
[0087]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本技术实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。
[0088]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本技术各个实施例所述的方法。
[0089]
上面结合附图对本技术的实施例进行了描述，但是本技术并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本技术的启示下，在不脱离本技术宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本技术的保护之内。

技术特征：
1.一种基于全身关键点识别和实例分割的腧穴定位方法，其特征在于，包括：步骤一、从ar设备中读入视频流，抽取视频流中的图像帧，由部位检测模块对图像帧进行部位类别检测，并输出确定的部位类别；步骤二、依据人体各部位中穴位的特征类型，对于特征显著的穴位执行步骤三，对于特征不显著的穴位执行步骤四；步骤三、由关键点定位模块对特征显著的穴位进行关键点检测处理，得到关键点坐标，累加对应穴位偏移量后得到穴位坐标，最后输出穴位位置和名称；步骤四、由实例分割模块输出部位轮廓，再依据部位轮廓比例寻找特征，累加对应穴位偏移量后得到穴位坐标，最后输出穴位位置和名称；步骤五、将步骤三和步骤四中输出的穴位位置和名称利用增强现实技术叠加在真实的人体图像上，实现穴位准确定位。2.根据权利要求1所述的方法，其特征在于：所述部位检测模块包括手臂处理组件、面部处理组件、躯干处理组件以及腿部处理组件。3.根据权利要求1所述的方法，其特征在于：所述部位检测模块通过如下步骤进行训练：根据人体各部位图像和部位名称，构建目标检测数据集；使用构建的目标检测数据集对所述部位检测模块进行训练。4.根据权利要求3所述的方法，其特征在于：所述部位检测模块基于fasterr-cnn实现，其使用共享卷积层为人体各部位图像提取特征，得到部位特征图，将得到的部位特征图送入区域建议网络，区域建议网络生成待检测框，即指定兴趣区域的位置，并对兴趣区域的包围框进行第一次修正，兴趣区域池化层根据区域建议网络的输出在部位特征图上面选取每个兴趣区域对应的特征，并将维度置为定值，使用全连接层对包围框进行分类，并且进行目标包围框的第二次修正。5.根据权利要求4所述的方法，其特征在于：所述关键点检测模块的主干网络中引入残差阶梯网络思想，融合层内特征，以获得精细的局部表示，具体包括：使用残差阶梯网络代替主干网络中的下采样卷积层，残差阶梯网络由残差阶梯块组成，残差阶梯块通过稠密的元素级求和连接在一起，残差阶梯块首先将特征分成四个分支，然后分别使用1
×
1卷积来处理分支，每个分支的1
×
1卷积输出经过3
×
3卷积进行进一步处理，最后将4个分支的输出特征串联，再通过1
×
1卷积融合特征，并使用恒等连接。6.根据权利要求1所述的方法，其特征在于：所述关键点检测模块通过如下步骤进行训练：根据人体关键点图像和关键点名称，构建关键点定位数据集；使用构建的关键点定位数据集对所述关键点检测模块进行训练。7.根据权利要求6所述的方法，其特征在于：所述关键点检测模块通过基于残差阶梯网络改良的hrnet实现，采用多分辨率结构设计，通过使用多个分支网络提取不同分辨率下的人体关键点图像中的关键点特征，使用融合层将关键点特征融合，实现高分辨率的关键点特征提取，使用关键点回归层预测关键点位置，得到关键点坐标。8.根据权利要求6所述的方法，其特征在于：所述实例分割模块通过如下步骤进行训练：
根据人体关键点图像和逐像素注释和实例级标识，构建实例分割数据集；使用构建的实例分割数据集对所述实例分割模块进行训练。9.根据权利要求8所述的方法，其特征在于：所述实例分割模块将关键点检测信息作为实例分割的对齐方法，即基于人体骨骼姿态的对齐方法，通过人体骨骼姿态蕴涵的信息，基于人体骨骼姿态的对齐方法把各种各样的人体动作拉直，并且将重叠的人分开。10.根据权利要求9所述的方法，其特征在于：所述实例分割模块通过基于人体骨骼姿态的对齐方法的maskr-cnn模型实现，首先特征提取器提取人体各部位图像的特征，然后候选区域生成器生成候选目标区域，接着分类器对候选目标区域进行分类，回归器对候选目标区域进行定位，最后分割器对候选目标区域进行分割，得到人体部位轮廓，再依照轮廓路径搜索，结合关键点坐标，得到穴位坐标。

技术总结
本申请公开了一种基于全身关键点识别和实例分割的腧穴定位方法，属于医疗图像处理技术领域。其基于深度学习与数字图像处理技术的综合性解决方案，提高传统中医穴位定位理论的准确性和效率。方法采用针对性的策略来定位各类全身穴位，具体而言，将全身穴位划分为两类：第一类是可以通过关键点位置，运用中医定位方法进行定位的穴位，第二类是没有明显图像特征但能通过部位轮廓信息定位的穴位。根据不同类别的穴位，采用不同的定位方法。本发明还采用增强现实技术，将穴位信息叠加在真实的身体图像上，使得穴位定位更具可视性。经过验证，本发明方法能够显著提高全身穴位的定位准确性和效率，提供了一种新型的、高效的穴位定位解决方案。方案。方案。


技术研发人员：边耐政 董乙人 陈嘉诚 范章木 刘至臻
受保护的技术使用者：湖南大学
技术研发日：2023.06.15
技术公布日：2023/9/12