[發明專利]一種足底壓力可視化分析方法及系統

在審

• 申請號: 201710903920.8
• 申請日: 2017-09-29
• 公開（公告）號: CN109583274A
• 公開（公告）日: 2019-04-05
• 發明（設計）人: 張吉昌;郭寶珠;于昕曄;陳偉卿
• 申請（專利權）人: 大連恒銳科技股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04
• 代理公司: 大連智高專利事務所(特殊普通合伙) 21235
• 代理人: 蓋小靜

1.一種足底壓力可視化分析方法，其特征在于，包括：

S1：將足底壓力信號灰度值化，構建足底壓力數據灰度圖像；

S2：將足底壓力數據灰度圖像進行超像素重構；

S3：將重構后的高像素灰度圖偽彩色化，分別獲得足底接觸偽彩圖和足底壓力云圖。

2.根據權利要求1所述一種足底壓力可視化分析方法，其特征在于，所述將足底壓力數據灰度圖像進行超像素重構具體包括：1)灰度圖插值增擴；2)基于CNN網絡進行超像素重構。

3.根據權利要求2所述一種足底壓力可視化分析方法，其特征在于，基于CNN網絡進行超像素重構具體為：利用一個端到端的卷積神經網絡實現超像素重構，在低分辨的圖像上截取一個較大的圖像塊，然后通過一個N層卷積網絡的映射，將其映射到一個較小圖像塊中，并通過這些較小的圖像塊重構成高分辨率圖像。

4.根據權利要求3所述一種足底壓力可視化分析方法，其特征在于，基于CNN網絡進行超像素重構的訓練步驟如下：

步驟1：超像素神經網絡結構：定義了一個N層的卷積神經網絡,其前饋計算迭代格式如下：

公式中G為經過插值后的灰度圖像,W為神經網絡的權向量，B為神經網絡的偏置，其中W數據格式N階張量；

步驟2：計算損失函數：在這個端到端的卷積網絡中，需要優化的參數為θ＝{W_i,B_i}(i＝1～N)；選用的目標函數為均方根誤差函數，其表達式如下:

這里L(θ)代表損失函數，即重構的高分辨圖像與真實的高分辨圖像相差的大小，損失函數越小，證明重構的高分辨圖像越接近于真實的高分辨圖像，n代表訓練樣本的大小，Y_i代表低分辨圖像，X_i代表真實的高分辨圖像，F(Y_i,θ)表示一個映射，輸入低分辨圖像，映射到一個高分辨率圖像上；

步驟3：參數初始化；

步驟4：采用自適應學習率調整優化算法AdaDelta。

5.根據權利要求1所述一種足底壓力可視化分析方法，其特征在于，足底接觸偽彩圖的編碼函數為：

式中R,G,B分別代表偽彩圖的三個通道，x代表灰度圖像的灰度值；通過該編碼方式能看到足底與地面實際接觸的區域。

6.根據權利要求1所述一種足底壓力可視化分析方法，其特征在于，足底壓力云圖的編碼函數為：

R＝255e^0.01(x-255)

式中R,G,B分別代表偽彩圖的三個通道，x代表灰度圖像的灰度值；經過該編碼函數生成的偽彩圖，顏色變化更加平緩，能夠有效的反映出足底不同位置的壓力大小。

7.一種足底壓力可視化分析系統，其特征在于，包括：

構建灰度圖像模塊：將足底壓力信號灰度值化，構建足底壓力數據灰度圖像；

重構模塊：將足底壓力數據灰度圖像進行超像素重構；

生成偽彩圖模塊：將重構后的高像素灰度圖進行偽彩色化，分別獲得足底接觸偽彩圖和足底壓力云圖。

8.根據權利要求7所述一種足底壓力可視化分析系統，其特征在于，重構模塊具體包括：插值增擴模塊和基于CNN網絡重構模塊，所述基于CNN網絡重構模塊是利用一個端到端的卷積神經網絡實現超像素重構，在低分辨的圖像上截取一個較大的圖像塊，然后通過一個N層卷積網絡的映射，將其映射到一個較小圖像塊中，并通過這些較小的圖像塊重構成高分辨率圖像。