1.一种基于足底表面数据的内部骨骼关键点预测方法，其特征在于：获取病人足部的X光图像，并标定图像中足部骨骼的关键点；

基于获取X光图像时的相机视角，获取同一病人足部的深度图，并对X光图像和深度图的边缘轮廓进行配准，使X光图像中标定的关键点与深度图特征相关联；

将经过配准操作后的深度图输入改进的YOLOv8‑pose模型中对该模型进行训练，从而使该模型能够根据足部深度图进行足部骨骼关键点的预测。

2.根据权利要求1所述的方法，其特征在于：所述对X光图像和深度图的边缘轮廓进行配准包括，首先分别将X光图像和深度图转换为灰度图并进行二值化，对二值化的图像进行轮廓提取；然后分别对提取的X光图像的轮廓点集和深度图的轮廓点集进行采样，得到与深度图对应的第一点集和与X光图像对应的第二点集；获取一仿射变换矩阵，使所述第一点集与该仿射变换矩阵相乘后转换为所述第二点集。

3.根据权利要求2所述的方法，其特征在于：对提取的轮廓点集进行采样包括：随机选取所述轮廓点集中的一点，记为点a，将点a加入采样点集中，并将点a作为出发点；获取轮廓点集中与点a具有最远欧氏距离的点，记为点b，将点b加入采样点集中；将点b作为出发点，获取轮廓点集剩余点中与点b具有最远欧氏距离的点并加入采样点集中；通过上述操作依次在轮廓点集中采样，直至达到预设采样数量。

4.根据权利要求2所述的方法，其特征在于：获取所述仿射变换矩阵包括：初始化所述仿射变换矩阵，并与所述第一点集相乘，使第一点集变换得到第三点集；采用高斯混合模型描述所述第二点集与第三点集之间的匹配关系，得到第二点集与第三点集之间的概率密度函数；最大化该概率密度函数以得到最优仿射变换矩阵。

5.根据权利要求1所述的方法，其特征在于：改进的所述YOLOv8‑pose模型包括Input、Backbone、Slim‑neck和Head四个部分；Input部分用于对输入图像进行缩放，并执行数据预处理和增强操作；Backbone部分用于提取图像特征；Slim‑neck部分用于整合网络中自上而下和自下而上的信息流，增强检测性能；Head部分利用不同大小的特征图来获取不同大小物体的类别和位置信息。

6.根据权利要求5所述的方法，其特征在于：所述Backbone部分包括Conv模块、C2f模块、SPPF模块和CBAM模块；所述Conv模块用于将卷积层的输出转换为适合目标检测任务的特征图，C2f模块与Conv模块依次设置在Backbone部分中；所述CBAM模块通过通道注意力和空间注意力机制的结合增强特征提取的效果，CBAM模块设置在Backbone部分的最后一层；

所述SPPF模块通过逐点卷积和分组卷积将原本在多个尺度上进行的池化操作合并为一个尺度以降低计算复杂度，同时，SPPF模块还采用逐点最大池化进一步减少计算量，SPPF模块设置在所述CBAM模块的前一层。

7.根据权利要求1或5所述的方法，其特征在于：改进的所述YOLOv8‑pose模型中，采用Focal Loss作为损失函数，通过调节该损失函数的权重，使该模型能够更加关注难以检测的关键点，以提高关键点的检测准确率。