一种人体穴位的自动定位方法、装置和电子设备

摘要

本说明书一个或多个实施例公开了一种人体穴位的自动定位方法、装置和电子设备，该方法包括：获取目标人体红外图像；对目标人体红外图像进行图像预处理操作；基于选取的神经网络算法确定待训练的神经网络模型；对待训练的神经网络模型进行训练，确定出最优神经网络模型作为穴位预测模型；将图像预处理操作后的目标图像输入穴位预测模型，得到J个穴位置信度图，每个穴位对应一个穴位置信度图，每个穴位置信度图标注有对应穴位置信度分布；分别确定J个穴位在相应穴位置信度图中置信度最大值对应的位置，为该穴位在目标人体红外图像中的位置。从而，提升定位及分析准确性，节省人力和时间成本，提高定位及分析效率、可扩展性和普适性。

说明书

技术领域

本文件涉及医疗器械技术领域，尤其涉及一种人体穴位的自动定位方法、装置和电子设备。

背景技术

红外热成像技术应用在医学上已有40多年历史。人体是一个组织代谢的有机整体，不断进行代谢运行，通过组织代谢、血液循环等活动不断产热散热，总体呈现出热力学平衡状态。利用红外热成像技术对人体的体表温度进行分析，可以得到某些失衡状态的温度部位，从而诊断出相应的病症。人体经络、穴位的阴阳平衡理论是中医核心理论之一，人体体表红外热成像可以清晰地反映出人体各穴位温度及各经络的热秩序，通过对人体体表各穴位温度和各经络热秩序的分析，可以得出人体的体质、证候特征。

现有技术中，读图人员可以通过在系统屏幕中呈现出的人体体表的红外热图，进行手工选取穴位点并由计算机识别选取的穴位点温度，然后将经络各穴位点温度综合起来，通过读图人员的读图经验进行人工分析经络的热序列特征从而总结出该人体红外图所表现出的体质特征及证候分型。这种采用人工识别穴位经络并人工分析的方法，对读图人员专业要求较高，第一，读图人员需要掌握计算机读图软件使用方法；第二，读图人员需要专业的中医理论知识，能准确识别到穴位点和经络位置；第三，读图人员需要掌握红外热成像技术读图分析方法才能对红外人体温度进行分析。

可见，现有技术采用人工读图方式，由读图者手工选取穴位点并人工总结穴位经络温度热序列。这种采用人工识别穴位经络并人工分析的方法，由于读图人员在计算机读图软件、中医理论知识以及红外热成像技术读图分析等专业素养方面的参差不齐以及主观臆断，导致标准化难以统一，分析结果存在差异、不准确的情况。再者，上述人工识别穴位经络并人工分析的方法，诊断效率较低，且人力和时间成本较高，可扩展性和普及性较差。

由此，亟需找到一种新的人体穴位经络自动定位及分析的方案。

发明内容

本说明书一个或多个实施例的目的是提供一种人体穴位的自动定位方法、装置和电子设备，以基于人体红外热成像技术通过机器学习算法实现对人体穴位经络的自动定位及分析，提升定位及分析准确性，节省人力和时间成本，提高定位及分析效率，实现自动定位及分析的可扩展性和普适性。

为解决上述技术问题，本说明书一个或多个实施例是这样实现的：

第一方面，提出了一种人体穴位的自动定位方法，包括：

获取待检测人体的目标人体红外图像；

对所述目标人体红外图像进行图像预处理操作；

基于选取的神经网络算法确定待训练的神经网络模型；

对所述待训练的神经网络模型进行训练：获取样本数据集，并对所述样本数据集中每个样本数据进行图像预处理操作，其中，所述样本数据集包含多个人体红外图像，且每个人体红外图像均标注有J个穴位的位置；将进行图像预处理操作之后的样本数据集划分为训练集、验证集和测试集；基于所述训练集中每个样本数据以及其中标注的J个穴位的位置，对所述待训练的神经网络模型中的参数进行调整，得到训练后的第一神经网络模型；分别基于所述验证集和所述测试集对训练后的第一神经网络模型进行处理后，确定出最优神经网络模型作为穴位预测模型；

将进行图像预处理操作后的目标图像输入所述穴位预测模型，得到J个穴位置信度图，其中，所述J个穴位中每个穴位对应一个穴位置信度图，每个穴位置信度图标注有对应穴位在该穴位置信度图中的位置置信度分布；

确定所述J个穴位置信度图中，每个穴位在相应穴位置信度图中置信度最大值对应的位置，作为该穴位在所述目标人体红外图像中的位置。

第二方面，提出了一种人体穴位的自动定位装置，包括：

获取模块，用于获取待检测人体的目标人体红外图像；

预处理模块，用于对所述目标人体红外图像进行图像预处理操作；

模型设计模块，用于基于选取的神经网络算法确定待训练的神经网络模型；

训练模块，用于对所述待训练的神经网络模型进行训练：获取样本数据集，并对所述样本数据集中每个样本数据进行图像预处理操作，其中，所述样本数据集包含多个人体红外图像，且每个人体红外图像均标注有J个穴位的位置；将进行图像预处理操作之后的样本数据集划分为训练集、验证集和测试集；基于所述训练集中每个样本数据以及其中标注的J个穴位的位置，对所述待训练的神经网络模型中的参数进行调整，得到训练后的第一神经网络模型；分别基于所述验证集和所述测试集对训练后的第一神经网络模型进行处理后，确定出最优神经网络模型作为预测模型；

预测模块，用于将进行图像预处理操作后的目标图像输入所述预测模型，得到J个穴位置信度图，其中，所述J个穴位中每个穴位对应一个穴位置信度图，每个穴位置信度图标注有对应穴位在该穴位置信度图中的位置置信度分布；

定位模块，用于确定所述J个穴位置信度图中，每个穴位在相应穴位置信度图中置信度最大值对应的位置，作为该穴位在所述目标人体红外图像中的位置。

第三方面，提出了一种人体穴位和经络的自动定位方法，其特征在于，包括：

获取待检测人体的目标人体红外图像；

对所述目标人体红外图像进行图像预处理操作；

基于选取的神经网络算法确定待训练的神经网络模型，其中，所述待训练的神经网络模型包含有穴位预测分支和经络预测分支；

对所述待训练的神经网络模型进行训练：获取样本数据集，并对所述样本数据集中每个样本数据进行图像预处理操作，其中，所述样本数据集包含多个人体红外图像，且每个人体红外图像均标注有J个穴位的位置，以及标注有穴位之间的由C个向量域构成的经络走向；将进行图像预处理操作之后的样本数据集划分为训练集、验证集和测试集；基于所述训练集中每个样本数据以及其中标注的J个穴位的位置，对所述待训练的神经网络模型中对应穴位预测分支的参数进行调整，得到训练后的第一神经网络模型；以及，基于所述训练集中每个样本数据以及其中标注的经络走向，对所述待训练的神经网络模型中对应经络预测分支的参数进行调整，得到训练后的第二神经网络模型；分别基于所述验证集和所述测试集对训练后的第一神经网络模型和第二神经网络模型分别进行处理后，分别确定出最优神经网络模型作为穴位预测模型和经络预测模型；

将进行图像预处理操作后的目标图像输入所述穴位预测模型，得到J个穴位置信度图，其中，所述J个穴位中每个穴位对应一个穴位置信度图，每个穴位置信度图标注有对应穴位在该穴位置信度图中的位置置信度分布；

确定所述J个穴位置信度图中，每个穴位在相应穴位置信度图中置信度最大值对应的位置，作为该穴位在所述目标人体红外图像中的位置；

将进行图像预处理操作后的目标图像输入所述经络预测模型，得到每对相邻穴位之间的C个向量域，将每对相邻穴位之间的C个向量域累加得到该相邻穴位之间的经络走向；

基于所有确定出的经络走向确定所述目标人体红外图像中经络位置。

第四方面，提出了一种人体穴位和经络的自动定位装置，包括：

获取模块，用于获取待检测人体的目标人体红外图像；

预处理模块，用于对所述目标人体红外图像进行图像预处理操作；

模型设计模块，用于基于选取的神经网络算法确定待训练的神经网络模型，其中，所述待训练的神经网络模型包含有穴位预测分支和经络预测分支；

训练模块，用于对所述待训练的神经网络模型进行训练：获取样本数据集，并对所述样本数据集中每个样本数据进行图像预处理操作，其中，所述样本数据集包含多个人体红外图像，且每个人体红外图像均标注有J个穴位的位置，以及标注有穴位之间的由C个向量域构成的经络走向；将进行图像预处理操作之后的样本数据集划分为训练集、验证集和测试集；基于所述训练集中每个样本数据以及其中标注的J个穴位的位置，对所述待训练的神经网络模型中对应穴位预测分支的参数进行调整，得到训练后的第一神经网络模型；以及，基于所述训练集中每个样本数据以及其中标注的经络走向，对所述待训练的神经网络模型中对应经络预测分支的参数进行调整，得到训练后的第二神经网络模型；分别基于所述验证集和所述测试集对训练后的第一神经网络模型和第二神经网络模型分别进行处理后，分别确定出最优神经网络模型作为穴位预测模型和经络预测模型；

预测模块，用于将进行图像预处理操作后的目标图像输入所述穴位预测模型，得到J个穴位置信度图，其中，所述J个穴位中每个穴位对应一个穴位置信度图，每个穴位置信度图标注有对应穴位在该穴位置信度图中的位置置信度分布；

定位模块，用于确定所述J个穴位置信度图中，每个穴位在相应穴位置信度图中置信度最大值对应的位置，作为该穴位在所述目标人体红外图像中的位置；

所述预测模块，还用于将进行图像预处理操作后的目标图像输入所述经络预测模型，得到每对相邻穴位之间的C个向量域，将每对相邻穴位之间的C个向量域累加得到该相邻穴位之间的经络走向；

所述定位模块，还用于基于所有确定出的经络走向确定所述目标人体红外图像中经络位置。

第五方面，提出了一种电子设备，包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行第一方面所述的对人体穴位自动定位的方法。

第六方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行第一方面所述的对人体穴位自动定位的方法。

第七方面，提出了一种电子设备，包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行第三方面所述的对人体穴位和经络自动定位的方法。

第八方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行第三方面所述的对人体穴位和经络自动定位的方法。

由以上本说明书一个或多个实施例提供的技术方案可见，通过计算机学习算法对红外人体图像自动识别穴位和经络位置，并自动分析穴位和经络温度热秩序，自动得出体质特征和证候分型。本发明对人体经络穴位位置识别准确，对经络温度热秩序分析方法标准统一，不存在人工个体间的差异性及人为误差及错误，可以不间断分析工作且检测分析速度比人工快，效率及准确率高，且计算机学习算法应用可扩展性及普适性较好，从而解决了人工读图分析存在的差异问题、效率低问题、人力时间成本高问题及扩展性普适性较差等问题。

附图说明

为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对一个或多个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说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1（a）是本说明书实施例提供的一种对人体穴位自动定位方法步骤示意图之一。

图1（b）是本说明书实施例提供的一种对人体穴位自动定位方法流程图。

图2是本说明书实施例提供的采集到的人体红外图像示意图。

图3是本说明书实施例提供的预处理操作流程示意图。

图4中 (a)、(b)、(c)、(d)、(e)分别代表目标人体红外图像的原图、高斯滤波后图、伽马变换后图、对比度变换后图、全局直方图变换后图。

图5（a）是本说明书的一个实施例提供的以VGG-19为主干网络的神经网络模型结构示意图之一。

图5（b）是本说明书的一个实施例提供的以VGG-19为主干网络的神经网络模型结构示意图之二。

图6是本说明书实施例提供的VGG-19的网络结构示意图。

图7是本说明书实施例提供的以小海穴为例的置信度图。

图8是本说明书实施例提供的督脉中腰阳关与腰俞之间的向量域的示意图。

图9是本说明书实施例提供的标注了背部部分督脉和大椎、神道、中枢、命门、腰阳关、腰俞的红外图像示意图。

图10是本说明书实施例提供的一种对人体穴位自动定位方法步骤示意图之二。

图11（a）是本说明书实施例提供的一种对人体穴位和经络自动定位方法步骤示意图。

图11（b）是本说明书实施例提供的一种对人体穴位和经络自动定位方法流程图。

图12（a）是本说明书实施例提供的一种对人体穴位自动定位装置结构示意图之一。

图12（b）是本说明书实施例提供的一种对人体穴位自动定位装置结构示意图之二。

图13（a）是本说明书实施例提供的一种对人体穴位和经络自动定位装置结构示意图之一。

图13（b）是本说明书实施例提供的一种对人体穴位和经络自动定位装置结构示意图之二。

图14是本说明书的一个实施例提供的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的一个或多个实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的一个或多个实施例，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，都应当属于本文件的保护范围。

红外线是一种电磁波，在光谱中波长在0.77um至1000um之间，人类可见光波长介于0.4um到0.75um，所以红外线是一种非可见光。红外线的波长范围很宽，人们将不同波长范围的红外线分为近红外、中红外和远红外区域，相对应波长的电磁波称为近红外线、中红外线及远红外线。在绝对零度(-273.15℃) 以上的物体都辐射红外能量，但由于红外线在非可见光波段，人的肉眼无法直接看到红外线。红外热成像运用光电技术检测物体热辐射的红外线特定波段信号，将该信号转换成可供人类视觉分辨的图像和图形，并可以进一步计算出温度值。红外热成像技术可将物体辐射出的红外线进行捕捉并成像，由此人们可以看到物体表面辐射出的红外强度，即物体表面的温度分布状况。

针对上述缺点，本说明书实施例提出一种基于红外热成像技术对人体穴位和经络自动定位及分析的方案，通过计算机学习算法对红外人体图像自动识别穴位和经络位置，并自动分析穴位和经络温度热秩序，自动得出体质特征和证候分型。本发明对人体经络穴位位置识别准确，对经络温度热秩序分析方法标准统一，不存在人工个体间的差异性及人为误差及错误，可以不间断分析工作且检测分析速度比人工快，效率及准确率高，且计算机学习算法应用可扩展性及普适性较好，从而解决了人工读图分析存在的差异问题、效率低问题、人力时间成本高问题及扩展性普适性较差等问题。

下面通过具体的实施例对本说明书技术方案进行详述。

实施例一

参照图1（a）所示，为本说明书实施例提供的一种人体穴位的自动定位方法步骤示意图，结合图1（b）所示的流程图，该方法可以包括以下步骤：

步骤102：获取待检测人体的目标人体红外图像。

本发明实例以采集人体全身背面图为例，被采集者需要脱去全身衣物从而可以由红外摄像头充分无遮挡地采集到人体正面全身表面的温度特征，如果穿着衣物，则会对体表热辐射造成遮挡，无法充分采集到体表温度特征，对人体温度探测识别以及后续自动分析造成影响，而且如果有衣物遮挡，由于衣物宽松程度不同，可能造成人体穴位和经络位置检测失准。例如，本发明实例采用观谱DTA-301C红外摄像头采集分辨率为384*288的红外图像，被采集者采用直立双手微微张开体侧的姿势，采集到的人体红外图像参照图2所示。其实，并不限于上述采集摄像装置，还可以采用其它红外图像采集装置进行图像采集。本说明书人体红外图像采集以采集人体全身背面图为例，本发明应包括且不仅限于所描述的采集人体全身背面图，还包含正面、侧面、部分驱赶、坐姿等其他体位图。

步骤104：对所述目标人体红外图像进行图像预处理操作。

可选地，所述图像预处理操作，至少包括以下操作之一或组合：高斯滤波、伽马变换、对比度变换以及全局直方图变换。

一种可实现的方案，对采集到的红外图像进行图像预处理时，主要进行图像增强预处理，使图像更清晰、特征更明显，从而更利于穴位点和经络的检测。图像预处理过程对红外图像依次进行高斯滤波、伽马变换、对比度变换、全局直方图变换处理，预处理操作流程如图3所示。预处理过程中图像对比如图4 中的(a)、(b)、(c)、(d)、(e)分别代表目标人体红外图像的原图、高斯滤波后图、伽马变换后图、对比度变换后图、全局直方图变换后图。其中，

[伽马变换]

伽马变换主要用于图像的校正，将灰度过高或者灰度过低的图片进行修正，增强对比度。变换公式就是对原图像上每一个像素值做乘积运算，其中，乘积运算中指数值以1为分界，值越小，对图像低灰度部分的扩展作用就越强，值越大，对图像高灰度部分的扩展作用就越强，通过不同的指数值，就可以达到增强低灰度或高灰度部分细节的作用。

[高斯变换]

高斯变换主要是根据一维高斯函数，可以推导得到二维高斯函数。正态分布是一种钟形曲线，越接近中心，取值越大，越远离中心，取值越小。计算平均值的时候，我们只需要将"中心点"作为原点，其它点按照其在正态曲线上的位置，分配权重，就可以得到一个加权平均值。

[对比度变换]

如果原图像f(x,y) 的灰度范围是[m,M]，我们希望变换后的图像g(x,y)的灰度范围是[n,N]，那么变换是：

我们令

变换后，灰度翻转，亮的部分变成暗的部分，暗的部分则变成亮的部分。从而实现了对比度的变换调整。

[全局直方图变换]

全局直方图变换即直方图均衡化，是通过调整图像的直方图来增强图像的对比度，经常使用在医学图像分析中。根据不同的图像可以设置不同的均衡化处理的像素值计算公式，以达到图像全局直方图均衡化处理。

步骤106：基于选取的神经网络算法确定待训练的神经网络模型。

可选地，本说明书实施例中，所述待训练的神经网络模型是以VGG-19为主干网络的神经网络模型，用于完成对人体红外图像的特征提取。其实，还可以是以其它神经主干网络作为待训练的神经网络模型，本说明书并不对此进行限定，后续均以VGG-19作为主干网络的神经网络模型为例进行介绍。

一种可实现的方案，步骤106可以执行为：确定以VGG-19为主干网络的神经网络模型结构，并在所述神经网络模型结构之后部署一系列卷积层和置信度预测层S，其中，

进一步，在步骤106基于选取的神经网络算法确定待训练的神经网络模型时，还可以包括：确定以VGG-19为主干网络的神经网络模型结构，并在所述神经网络模型结构之后部署一系列卷积层和经络预测层L，其中

例如，对于一张尺寸为w*h的图像，需要检测J个穴位点。则可以在以VGG-19为主干网络的神经网络模型结构后面仅衔接置信度预测层S，用来预测J个穴位位置，参照图5（a）所示。进一步，当需要预测经络走向时，可以在上面网络的基础上，再衔接另一个分支经络预测层L，不仅用来预测J个穴位位置，还可以预测经络走向，参照图5（b）所示。

其中，VGG-19结构如图6所示，由卷积层（conv）、线性整流函数（relu）、池化层（pooling）等结构组成。其中卷积神经网络中每层卷积层由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法最佳化得到的。卷积运算的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，更多层的网路能从低级特征中迭代提取更复杂的特征。线性整流函数（Rectified Linear Unit, ReLU），又称修正线性单元，是一种人工神经网络中常用的激活函数（activation function），通常指代以斜坡函数及其变种为代表的。池化层是一种形式等降采样，池化层通常会分别作用于每个输入的特征并减小其大小。最常用形式的池化层是每隔2个元素从图像划分出的区块，然后对每个区块中的4个数取最大值。通过VGG-19主干网络，完成对图像的原始特征提取。

经过VGG-19对图像进行原始特征提取后，接入图5（a）所示的穴位点预测分支S，或者，接入图5（b）所示的穴位点预测分支S和经络预测分支L。其中，穴位检测分支由一系列卷积层（conv）和置信度预测层S组成，穴位点检测分支加入一系列卷积层是为了进一步提取特征，然后给到S层进行穴位点预测，如要预测J个穴位点，令

步骤108：对所述待训练的神经网络模型进行训练：获取样本数据集，并对所述样本数据集中每个样本数据进行图像预处理操作，其中，所述样本数据集包含多个人体红外图像，且每个人体红外图像均标注有J个穴位的位置；将进行图像预处理操作之后的样本数据集（多个目标图像）划分为训练集、验证集和测试集；基于所述训练集中每个样本数据以及其中标注的J个穴位的位置，对所述待训练的神经网络模型中的参数进行调整，得到训练后的第一神经网络模型；分别基于所述验证集和所述测试集对训练后的第一神经网络模型进行处理后，确定出最优神经网络模型作为穴位预测模型。

对上述神经网络算法模型完成设计后，需要对上述模型进行训练。如果是针对图5（a）所示的待训练的神经网络模型，则使用标注好穴位位置的红外图像数据集作为样本数据集，经预处理操作后为目标图像。如果是针对图5（b）所示的待训练的神经网络模型，则准备一批标注好穴位位置和经络位置的红外图像数据集，如图9所示，是一张标注了背部部分督脉和大椎、神道、中枢、命门、腰阳关、腰俞的红外图像，用标注好各穴位和经络的目标图像对上述模型进行训练。应理解在训练之前将红外图像进行预处理操作后转换为训练所需的目标图像。将数据集分成训练集、验证集和测试集，三个集合的数据量比例为7：2：1。用数据集对神经网络算法模型进行训练。训练集用来拟合模型，用这部分数据来建立模型。在算法模型中，我们用训练数据集和反向传播算法（Backpropagation）去每个神经元找到最优的比重（Weights)。验证集用于检验模型对训练效果，用训练集训练好对模型可能对训练集数据效果非常好，但不一定适合同类的其他数据，所以利用验证机来验证模型训练效果对同类对其他数据的效果如何。测试集用来检验最终选择最优的模型的性能如何。训练好的模型可以对红外图像进行穴位点和经络位置对预测。

步骤110：将进行图像预处理操作后的目标图像输入所述穴位预测模型，得到J个穴位置信度图，其中，所述J个穴位中每个穴位对应一个穴位置信度图，每个穴位置信度图标注有对应穴位在该穴位置信度图中的位置置信度分布。

步骤112：确定所述J个穴位置信度图中，每个穴位在相应穴位置信度图中置信度最大值对应的位置，作为该穴位在所述目标人体红外图像中的位置。

由神经网络算法的第一个分支检测得到穴位点置信度图S，有J个穴位需要检测则网络生产J张S，每张置信度图S的置信度最高的点就是该穴位点所在的像素位置，由此得到了J个穴位点的像素位置。

可选地，所述样本数据集中每个人体红外图像还标注有穴位之间的由C个向量域构成的经络走向；则在对所述待训练的神经网络模型进行训练时，将进行图像预处理操作之后的样本数据集划分为训练集、验证集和测试集之后；参照图10所示，所述方法还可以包括：

步骤114：基于所述训练集中每个样本数据以及其中标注的经络走向，对所述待训练的神经网络模型中的参数进行调整，得到训练后的第二神经网络模型；分别基于所述验证集和所述测试集对训练后的第二神经网络模型进行处理后，确定出最优神经网络模型作为经络预测模型。

具体的训练步骤以及细节可参照步骤108中对预测穴位的待训练的神经网络模型，在此不做赘述。

以及，在定位出所述目标人体红外图像中穴位位置之后，所述方法还包括：

步骤116：将进行图像预处理操作后的目标图像输入所述经络预测模型，得到每对相邻穴位之间的C个向量域，将每对相邻穴位之间的C个向量域累加得到该相邻穴位之间的经络走向。

步骤118：基于所有确定出的经络走向确定所述目标人体红外图像中经络位置。

由神经网络算法的向量域L，共有C个两点穴位确定一段经络走向的向量域，则网络生产C个向量域L，对于每个向量域L，将其所有的向量累加就得到了这两个穴位点之间的经络走向方向，对所有向量域做此累加操作，便得到了所有的经络位置。

进一步，在定位所述目标人体红外图像中穴位位置之后，还可以基于定位出的各个穴位对应的温度之间的关系，自动分析所述待检测人体的体质和/或证候；或者，在确定所述目标人体红外图像中经络位置之后，还可以基于定位出的各个穴位对应的温度之间的关系和/或定位出的各个经络对应的温度之间的关系，自动分析所述待检测人体的体质和/或证候。

由此，通过神经网络模型检测得到了红外图像上各个穴位点和经络的位置，便可以得到各个穴位点的温度值以及各条经络上的温度（热秩序），我们对各个穴位点温度值以及各条经络上的温度进行分析，便可以得到相应的体质、证候分型。例如，分析穴位温度特征，当天枢、中脘温度低于神阙穴1.3℃以上时，表现出脾气虚；再如，对任督二脉进行温度对比，督脉主阳，任脉主阴，当任脉温度在某一个或几个特定特征上高于督脉时，则可判定表现出阴虚。

通过上述技术方案，获取待检测人体的目标人体红外图像；对所述目标人体红外图像进行图像预处理操作；基于选取的神经网络算法确定待训练的神经网络模型；对所述待训练的神经网络模型进行训练，确定出最优神经网络模型作为穴位预测模型；将进行图像预处理操作后的目标图像输入所述穴位预测模型，得到J个穴位置信度图，其中，所述J个穴位中每个穴位对应一个穴位置信度图，每个穴位置信度图标注有对应穴位在该穴位置信度图中的位置置信度分布；确定所述J个穴位置信度图中，每个穴位在相应穴位置信度图中置信度最大值对应的位置，作为该穴位在所述目标人体红外图像中的位置。基于人体红外热成像技术通过机器学习算法实现对人体穴位的自动定位及分析，提升定位及分析准确性，节省人力和时间成本，提高定位及分析效率，实现自动定位及分析的可扩展性和普适性。同理，也可以对人体经络进行走向定位以及根据经络走向的热秩序对人体体质、证候进行分析。

实施例二

参照图11（a）所示，本说明书实施例还提供了一种人体穴位和经络的自动定位的方法步骤示意图，结合图11（b）所示的流程图，所述方法可以包括以下步骤：

步骤202：获取待检测人体的目标人体红外图像。

步骤204：对所述目标人体红外图像进行图像预处理操作。

可选地，所述图像预处理操作，至少包括以下操作之一或组合：高斯滤波、伽马变换、对比度变换以及全局直方图变换。

应理解，实施例二中步骤202和步骤204的具体操作及效果可参照实施例一中步骤102和步骤104，在此不做赘述。

步骤206：基于选取的神经网络算法确定待训练的神经网络模型，其中，所述待训练的神经网络模型包含有穴位预测分支和经络预测分支。

可选地，基于选取的神经网络算法确定待训练的神经网络模型，具体包括：

确定以VGG-19为主干网络的神经网络模型结构，并在所述神经网络模型结构之后部署一系列卷积层和置信度预测层S，其中，

以及，

确定以VGG-19为主干网络的神经网络模型结构，并在所述神经网络模型结构之后部署一系列卷积层和经络预测层L，其中

步骤208：对所述待训练的神经网络模型进行训练：获取样本数据集，并对所述样本数据集中每个样本数据进行图像预处理操作，其中，所述样本数据集包含多个人体红外图像，且每个人体红外图像均标注有J个穴位的位置，以及标注有穴位之间的由C个向量域构成的经络走向；将进行图像预处理操作之后的样本数据集划分为训练集、验证集和测试集；基于所述训练集中每个样本数据以及其中标注的J个穴位的位置，对所述待训练的神经网络模型中对应穴位预测分支的参数进行调整，得到训练后的第一神经网络模型；以及，基于所述训练集中每个样本数据以及其中标注的经络走向，对所述待训练的神经网络模型中对应经络预测分支的参数进行调整，得到训练后的第二神经网络模型；分别基于所述验证集和所述测试集对训练后的第一神经网络模型和第二神经网络模型分别进行处理后，分别确定出最优神经网络模型作为穴位预测模型和经络预测模型。

步骤210：将进行图像预处理操作后的目标图像输入所述穴位预测模型，得到J个穴位置信度图，其中，所述J个穴位中每个穴位对应一个穴位置信度图，每个穴位置信度图标注有对应穴位在该穴位置信度图中的位置置信度分布。

步骤212：确定所述J个穴位置信度图中，每个穴位在相应穴位置信度图中置信度最大值对应的位置，作为该穴位在所述目标人体红外图像中的位置。

步骤214：将进行图像预处理操作后的目标图像输入所述经络预测模型，得到每对相邻穴位之间的C个向量域，将每对相邻穴位之间的C个向量域累加得到该相邻穴位之间的经络走向。

步骤216：基于所有确定出的经络走向确定所述目标人体红外图像中经络位置。

可选地，在定位所述目标人体红外图像中穴位位置之后，还可以基于定位出的各个穴位对应的温度之间的关系，自动分析所述待检测人体的体质和/或证候；或者，在确定所述目标人体红外图像中经络位置之后，还可以基于定位出的各个穴位对应的温度之间的关系和/或定位出的各个经络对应的温度之间的关系，自动分析所述待检测人体的体质和/或证候。

可选地，所述待训练的神经网络模型是以VGG-19为主干网络的神经网络模型，用于完成对人体红外图像的特征提取。

可选地，所述训练集、验证集和测试集之间按照7：2：1的比例划分。

应理解，该实施例二中部分方法步骤与实施例一的方法步骤相同或相似，因此，可以参照实施例一中的具体操作和效果来对实施例二进行解释说明。

通过上述技术方案，获取待检测人体的目标人体红外图像；对所述目标人体红外图像进行图像预处理操作；基于选取的神经网络算法确定待训练的神经网络模型；对所述待训练的神经网络模型进行训练，分别确定出最优神经网络模型作为穴位预测模型和经络预测模型；将进行图像预处理操作后的目标图像输入所述穴位预测模型，得到J个穴位置信度图，其中，所述J个穴位中每个穴位对应一个穴位置信度图，每个穴位置信度图标注有对应穴位在该穴位置信度图中的位置置信度分布；确定所述J个穴位置信度图中，每个穴位在相应穴位置信度图中置信度最大值对应的位置，作为该穴位在所述目标人体红外图像中的位置；将进行图像预处理操作后的目标人体红外图像输入所述经络预测模型，得到每对相邻穴位之间的C个向量域，将每对相邻穴位之间的C个向量域累加得到该相邻穴位之间的经络走向；基于所有确定出的经络走向确定所述目标人体红外图像中经络位置。基于人体红外热成像技术通过机器学习算法实现对人体穴位、径路的自动定位及分析，提升定位及分析准确性，节省人力和时间成本，提高定位及分析效率，实现自动定位及分析的可扩展性和普适性。

实施例三

参照图12（a）所示，为本说明书实施例提供的人体穴位的自动定位装置，该装置可以包括：

获取模块302，用于获取待检测人体的目标人体红外图像；

预处理模块304，用于对所述目标人体红外图像进行图像预处理操作；

模型设计模块306，用于基于选取的神经网络算法确定待训练的神经网络模型；

训练模块308，用于对所述待训练的神经网络模型进行训练：获取样本数据集，并对所述样本数据集中每个样本数据进行图像预处理操作，其中，所述样本数据集包含多个人体红外图像，且每个人体红外图像均标注有J个穴位的位置；将进行图像预处理操作之后的样本数据集划分为训练集、验证集和测试集；基于所述训练集中每个样本数据以及其中标注的J个穴位的位置，对所述待训练的神经网络模型中的参数进行调整，得到训练后的第一神经网络模型；分别基于所述验证集和所述测试集对训练后的第一神经网络模型进行处理后，确定出最优神经网络模型作为预测模型；

预测模块310，用于将进行图像预处理操作后的目标图像输入所述预测模型，得到J个穴位置信度图，其中，所述J个穴位中每个穴位对应一个穴位置信度图，每个穴位置信度图标注有对应穴位在该穴位置信度图中的位置置信度分布；

定位模块312，用于确定所述J个穴位置信度图中，每个穴位在相应穴位置信度图中置信度最大值对应的位置，作为该穴位在所述目标人体红外图像中的位置。

可选地，作为一个实施例，所述样本数据集中每个人体红外图像还标注有穴位之间的由C个向量域构成的经络走向;

则在所述训练模块308对所述待训练的神经网络模型进行训练时，将进行图像预处理操作之后的样本数据集划分为训练集、验证集和测试集之后，还用于：

基于所述训练集中每个样本数据以及其中标注的经络走向，对所述待训练的神经网络模型中的参数进行调整，得到训练后的第二神经网络模型；分别基于所述验证集和所述测试集对训练后的第二神经网络模型进行处理后，确定出最优神经网络模型作为经络预测模型；

以及，在定位出所述目标人体红外图像中穴位位置之后，所述预测模块310还用于：

将进行图像预处理操作后的目标图像输入所述经络预测模型，得到每对相邻穴位之间的C个向量域，将每对相邻穴位之间的C个向量域累加得到该相邻穴位之间的经络走向；以及，

所述定位模块312，还用于基于所有确定出的经络走向确定所述目标人体红外图像中经络位置。

在本说明书实施例的一种具体实现方式中，参照图12（b）所示，还包括：分析模块314；

所述分析模块314用于在定位模块定位所述目标人体红外图像中穴位位置之后，基于定位出的各个穴位对应的温度之间的关系，自动分析所述待检测人体的体质和/或证候；

或者，

所述分析模块314用于在定位模块确定所述目标人体红外图像中经络位置之后，基于定位出的各个穴位对应的温度之间的关系和/或定位出的各个经络对应的温度之间的关系，自动分析所述待检测人体的体质和/或证候。

实施例四

参照图13（a）所示，本说明书实施例还提供一种人体穴位和经络的自动定位的装置，包括：

获取模块402，用于获取待检测人体的目标人体红外图像；

预处理模块404，用于对所述目标人体红外图像进行图像预处理操作；

模型设计模块406，用于基于选取的神经网络算法确定待训练的神经网络模型，其中，所述待训练的神经网络模型包含有穴位预测分支和经络预测分支；

训练模块408，用于对所述待训练的神经网络模型进行训练：获取样本数据集，并对所述样本数据集中每个样本数据进行图像预处理操作，其中，所述样本数据集包含多个人体红外图像，且每个人体红外图像均标注有J个穴位的位置，以及标注有穴位之间的由C个向量域构成的经络走向；将进行图像预处理操作之后的样本数据集划分为训练集、验证集和测试集；基于所述训练集中每个样本数据以及其中标注的J个穴位的位置，对所述待训练的神经网络模型中对应穴位预测分支的参数进行调整，得到训练后的第一神经网络模型；以及，基于所述训练集中每个样本数据以及其中标注的经络走向，对所述待训练的神经网络模型中对应经络预测分支的参数进行调整，得到训练后的第二神经网络模型；分别基于所述验证集和所述测试集对训练后的第一神经网络模型和第二神经网络模型分别进行处理后，分别确定出最优神经网络模型作为穴位预测模型和经络预测模型；

预测模块410，用于将进行图像预处理操作后的目标图像输入所述穴位预测模型，得到J个穴位置信度图，其中，所述J个穴位中每个穴位对应一个穴位置信度图，每个穴位置信度图标注有对应穴位在该穴位置信度图中的位置置信度分布；

定位模块412，用于确定所述J个穴位置信度图中，每个穴位在相应穴位置信度图中置信度最大值对应的位置，作为该穴位在所述目标人体红外图像中的位置；

所述预测模块410，还用于将进行图像预处理操作后的目标图像输入所述经络预测模型，得到每对相邻穴位之间的C个向量域，将每对相邻穴位之间的C个向量域累加得到该相邻穴位之间的经络走向；

所述定位模块412，还用于基于所有确定出的经络走向确定所述目标人体红外图像中经络位置。

在本说明书实施例的一种具体实现方式中，参照图13（b）所示，还包括：分析模块414；

所述分析模块414用于在定位模块定位所述目标人体红外图像中穴位位置之后，基于定位出的各个穴位对应的温度之间的关系，自动分析所述待检测人体的体质和/或证候；

或者，

所述分析模块414用于在定位模块确定所述目标人体红外图像中经络位置之后，基于定位出的各个穴位对应的温度之间的关系和/或定位出的各个经络对应的温度之间的关系，自动分析所述待检测人体的体质和/或证候。

实施例五

图14是本说明书的一个实施例电子设备的结构示意图。请参考图14，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器（non-volatile memory），例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。

处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构）总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构）总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图14中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。

处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成对人体穴位自动定位的装置，或者，对人体穴位和经络自动定位的装置。处理器，执行存储器所存放的程序，并具体用于执行实施例一中所示方法步骤，或是实施例二中方法步骤。

上述如本说明书所示实施例揭示的装置执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）等；还可以是数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field－Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本说明书一个或多个实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本说明书一个或多个实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

该电子设备还可执行图1或图11的方法，并实现相应装置在图1或图11所示实施例的功能，本说明书实施例在此不再赘述。

当然，除了软件实现方式之外，本说明书实施例的电子设备并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

本说明书实施例提出一种基于红外热成像技术对人体穴位和经络自动定位及分析的方案，通过计算机学习算法对红外人体图像自动识别穴位和经络位置，并自动分析穴位和经络温度热秩序，自动得出体质特征和证候分型。本发明对人体经络穴位位置识别准确，对经络温度热秩序分析方法标准统一，不存在人工个体间的差异性及人为误差及错误，可以不间断分析工作且检测分析速度比人工快，效率及准确率高，且计算机学习算法应用可扩展性及普适性较好，从而解决了人工读图分析存在的差异问题、效率低问题、人力时间成本高问题及扩展性普适性较差等问题。

实施例四

本说明书实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的便携式电子设备执行时，能够使该便携式电子设备执行图1或图11所示实施例的方法，并具体用于执行相应方法。

本说明书实施例提出一种基于红外热成像技术对人体穴位和经络自动定位及分析的方案，通过计算机学习算法对红外人体图像自动识别穴位和经络位置，并自动分析穴位和经络温度热秩序，自动得出体质特征和证候分型。本发明对人体经络穴位位置识别准确，对经络温度热秩序分析方法标准统一，不存在人工个体间的差异性及人为误差及错误，可以不间断分析工作且检测分析速度比人工快，效率及准确率高，且计算机学习算法应用可扩展性及普适性较好，从而解决了人工读图分析存在的差异问题、效率低问题、人力时间成本高问题及扩展性普适性较差等问题。

总之，以上所述仅为本说明书的较佳实施例而已，并非用于限定本说明书的保护范围。凡在本说明书的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本说明书的保护范围之内。

上述一个或多个实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，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、商品或者设备不仅包括那些要素，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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。