CN105956556A - 一种测量运动目标生命体征的方法 - Google Patents

Abstract

本发明公开了一种测量运动目标生命体征的方法，包括如下步骤：步骤1，对待测量视频的第一帧图像进行人脸检测，如果检测不到人脸则认为本次心率检测失败，否则进行下一步；步骤2，根据步骤1得到的人脸检测结果进行人脸追踪，如果追踪过程中发现人脸追踪丢失，则返回步骤1重新进行人脸检测，否则进行下一步；步骤3，根据所得人脸追踪结果，进行生命体征信号的分离；步骤4，提取生命体征信号并进行功率谱分析，判定此生命体征信号是否为虚假信号，如果不是虚假信号则进行心率值的转换。本发明能够在保证所得生命体征信号准确度的前提下，对运动的目标也能进行生命体征信号的提取。

Description

一种测量运动目标生命体征的方法

技术领域

本发明涉及视频图像处理技术领域，特别是一种测量运动目标生命体征的方法。

背景技术

现阶段生命体征监测方法有接触式生命体征监测和非接触式生命体征监测。接触式生命体征监测需要利用某种机械或电子装置监测人体的生理信息，易对人体造成不适感，而且人体的移动也会对监测结果的准确性造成一定的影响。非接触式生命体征监测方法目前有多普勒雷达探测式，序列图像采集式。其中多普勒雷达探测式结构复杂，造价昂贵，不适合在日常生活中使用。而序列图像采集式不能够实时连续的给出人体的生命体征信息。因此需要研究出更加快捷方便的监测方法，现阶段正在研究中的视频图像生命体征监测系统具有快速，实时，鲁棒性强，成本低廉以及使用范围广等优点，受到了人们的欢迎。

视频图像生命体征监测系统通过采集目标的视频图像，检测出人脸区域，在心脏搏动作用下，引起人脸血管内血容积的变化，进而引起皮肤内血液对光束的吸收发生变化，通过提取人脸区域的生命体征信息，对其进行分析，得到人体的心率。然而现阶段的研究中，需要被测者保持身体尽量静止，而且所运用到的视频追踪算法是opencv提供的基础算法，对于一些比较复杂的目标，比如有一定运动幅度的不能够很好的追踪，甚至会出现目标追踪失败的现象，而且现阶段的追踪算法耗时久，不能够满足实时性。这就需要我们将更有效，更快速的追踪方法运用到视频图像的生命体征监测系统中。2011年，专利申请号为201110325533.3公开了一种非接触式生命体征信息的检测方法，包含以下步骤：步骤1，按固定帧连续采集待测目标的视频图像，自动检测图像中的ROI(感兴趣)区域；步骤2，从所述ROI区域划分出的多通道信号中分离出生命体征信号；步骤3，提取出所述生命体征信号的频率并将其转化为所述生命体征，获得检测结果。虽然专利申请号为201110325533.3的非接触式生命体征信息的检测方法，可以检测出人体的生命体征，但是存在以下问题：(1)该方法只能测量静止目标的生命体征，所用的追踪方法不能够快速准确的追踪运动目标，对于运动目标生命体征的测量有很大的误差；(2)还没有对人脸检测失败，追踪失败和检测到虚假生命体征信号的情况进行判断；(3)所使用的带通滤波器的参数是固定的，不能够根据运动状态来自适应的改变参数，滤除不感兴趣的信号。

发明内容

本发明的目的在于提供一种实时性好、准确性高的测量运动目标生命体征的方法，能够在保证生命体征信号测量准确性的同时，扩大生命体征信号测量的应用范围。

实现本发明目的的技术解决方案为：一种测量运动目标生命体征的方法，包括如下步骤：

步骤1，对待测量视频的第一帧图像进行人脸检测，如果检测不到人脸则认为本次心率检测失败，否则进行下一步；

步骤2，根据步骤1得到的人脸检测结果进行人脸追踪，如果追踪过程中发现人脸追踪丢失，则返回步骤1重新进行人脸检测，否则进行下一步；

步骤3，根据所得人脸追踪结果，进行生命体征信号的分离；

步骤4，提取生命体征信号并进行功率谱分析，判定此生命体征信号是否为虚假信号，如果不是虚假信号则进行心率值的转换。

优选地，步骤1中所述人脸检测采用人脸识别算法。

优选地，步骤2中所述人脸追踪采用基于相关滤波的追踪算法。

进一步地，步骤3所述根据所得人脸追踪结果，进行生命体征信号的分离，具体为：

(3.1)对原始信号进行预处理，包括平滑滤波和带通滤波，其中带通滤波器是自适应的带通滤波器；

(3.2)通过分析待测视频的中心点和追踪所得人脸区域的中心点，判断待测视频中人的运动状态，并分析待测视频的频谱特性，得到视频的中心频率及带宽；

(3.3)根据得到的运动状态和频率特征，自适应的改变带通滤波器的参数，得到人体生命体征的信号。

进一步地，步骤4所述提取生命体征信号并进行功率谱分析，判定此生命体征信号是否为虚假信号，如果不是虚假信号则进行心率值的转换，具体为：

(4.1)首先对提取的生命体征信号进行平滑滤波处理，然后对平滑滤波后的信号进行自相关运算减小噪声干扰；

(4.2)对自相关运算后的信号进行快速傅里叶变换FFT，获得频谱上的峰值功率点即为生命体征信号的频率；

(4.3)为了判定此生命体征信号是否为虚假信号，定义V：

$V=\frac{{\mathrm{peak}}_{max}-{\mathrm{peak}}_{min}}{{\mathrm{peak}}_{\max }}$

其中peak_max表示三个分量功率谱峰值幅度最大的功率谱，peak_min表示三个分量功率谱峰值幅度最小的功率谱；

如果V<0.35，则判定此生命体征信号为虚假信号，结束测量；如果V≥0.35，则判定此生命体征信号为真实信号，进入步骤(4.4)；

(4.4)步骤(4.2)所获得频谱上的峰值功率点即为生命体征信号的频率，将此峰值功率点乘以60，得到一分钟内心率值。

本发明与现有技术相比，其显著优点在于：(1)利用了基于相关滤波的追踪方法，能够快速的追踪到实验所需的感兴趣区域，在满足准确性的同时，也满足了实时性；(2)利用了基于相关滤波的追踪方法，使非接触式生命体征测量方法不再局限于测量静止的实验对象，可以测量运动的实验对象；(3)加入了人脸检测失败，追踪失败，虚假生命体征信号的判断，进一步提高了检测结果的准确性；(4)采用了自适应的带通滤波，适用于静止和运动两种情况，在保证了生命体征信号测量准确性的同时，本发明扩大了生命体征信号测量的应用范围。

附图说明

图1是本发明测量运动目标生命体征的方法流程图。

图2是本发明中待测量视频的原始信号波形图。

图3是本发明中待测量视频经过处理后的信号波形图。

具体实施方式

本发明提出的测量运动目标人体生命体征的方法，通过利用基于相关滤波的追踪方法来确定人脸区域，并自适应的选择合适的带通滤波来得到需要的信号，在保证生命体征信号测量准确性和实时性的同时，扩大了生命体征信号测量的应用范围。

结合图1，本发明测量运动目标生命体征的方法，包括如下步骤：

步骤1，对待测量视频的第一帧图像进行人脸检测，如果检测不到人脸则认为本次心率检测失败，否则进行下一步；所述人脸检测采用“Robust Real-time ObjectDetection”(Paul Viola,Michael Jones，2001CRL，pp.1-4)一文中提出的人脸识别算法用于人脸检测。

加入了有无人脸的判断，如果没有人脸区域，可以避免进行下面的一系列工作。

步骤2，根据步骤1得到的人脸检测结果进行人脸追踪，如果追踪过程中发现人脸追踪丢失，则返回步骤1重新进行人脸检测，否则进行下一步；所述人脸追踪采用“Real-Time Compressive Tracking”(Kai hua Zhang,Lei Zhang,and Ming-Hsuan Yang，2012ECCV,pp.1-4)一文中提出的基于相关滤波的追踪算法。

该追踪算法由于使用了FFT(快速傅里叶变换)，可以准确快速的追踪到目标的感兴趣区域，追踪的实时性和准确行有了很大的提高。该追踪算法还加入了对追踪丢失情况的判断，每秒钟对追踪到的区域进行人脸检测算法，如果检测不到人脸，认为追踪失败，则返回到步骤1重新进行人脸检测算法。

步骤3，根据所得人脸追踪结果，进行生命体征信号的分离，所述分离生命体征信号采用独立成分分析，具体为：

(3.1)对原始信号进行预处理，包括平滑滤波和带通滤波，其中带通滤波器是自适应的带通滤波器；

(3.2)通过分析待测视频的中心点和追踪所得人脸区域的中心点，判断待测视频中人的运动状态，并分析待测视频的频谱特性，得到视频的中心频率及带宽；

(3.3)根据得到的运动状态和频率特征，自适应的改变带通滤波器的参数，得到人体生命体征的信号。

步骤4，提取生命体征信号并进行功率谱分析，判定此生命体征信号是否为虚假信号，如果不是虚假信号则进行心率值的转换，具体为：

(4.1)首先对提取的生命体征信号进行平滑滤波处理，然后对平滑滤波后的信号进行自相关运算减小噪声干扰；

(4.2)对自相关运算后的信号进行快速傅里叶变换FFT，获得频谱上的峰值功率点即为生命体征信号的频率；

(4.3)为了判定此生命体征信号是否为虚假信号，定义V：

$V=\frac{{\mathrm{peak}}_{max}-{\mathrm{peak}}_{min}}{{\mathrm{peak}}_{\max }}$

其中peak_max表示三个分量功率谱峰值幅度最大的功率谱，peak_min表示三个分量功率谱峰值幅度最小的功率谱；

如果V<0.35，则判定此生命体征信号为虚假信号，结束测量；如果V≥0.35，则判定此生命体征信号为真实信号，进入步骤(4.4)；

(4.4)步骤(4.2)所获得频谱上的峰值功率点即为生命体征信号的频率，将此峰值功率点乘以60，得到一分钟内心率值。

实施例

为了使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明进一步详细说明。

本实施例对提出的测量运动目标人体生命体征的方法的性能进行了验证。

实验参数设置如下：

硬件配置：Intel(R)Core(TM)i5-5200CPU@2.20GHz 2.12GHz

视频格式：AVI

视频帧率：24fps

其中为了消除手机拍摄过程中手的不自主抖动造成的不必要误差，采用三脚架固定手机。在程序运行中，为了消除手机拍摄开始时可能有的手机会自动的进行光照的适应，检测时从第25帧开始检测。检测的总视频帧数是500帧，时长是20秒。

本实施例操作流程如图1所示，具体步骤如下：

步骤1：对待测量视频的第一帧采用人脸检测算法，如果检测不到人脸，则认为本次心率检测失败，否则，进行下一步；

步骤2：根据步骤1得到的人脸检测结果，进行人脸追踪算法，如果追踪过程中发现人脸追踪丢失，则返回步骤1重新进行人脸检测算法，否则，进行下一步；

步骤3：根据所得人脸追踪结果，进行生命体征信号的分离；

步骤4：提取生命体征信号，对所得信号进行功率谱分析，如果V<0.35，则判定此生命体征信号为虚假信号，否则，对所得信号进行心率值的转换。

本发明在运动和静止两种情况下都可以准确的测量出实验者的心率。本发明在对生命体征信号进行分离之前，对原始信号进行了滤波处理，平滑滤波消除噪声，带通滤波过滤掉不需要的信号，如图2所示，得到的原始信号比较杂乱，如图3所示，经过一系列滤波处理之后的信号变得有序，有利于后续的分析。下表1是本发明检测结果与专利申请号为201110325533.3的非接触式生命体征检测的结果对比表。本发明为了验证试验的可信度，采用了迪卡侬GEONAUTE 110心率带作为试验对照。其中检测目标的1,2,3为待检测目标运动情况下的视频，检测目标4,5为待检测目标静止情况下的视频。其中心率带检测结果均值是在20秒内记录心率带的检测结果的均值，并四舍五入之后的结果。由表1可以看出，在检测静止目标的时候，本发明和对比实验的检测结果与心率带检测结果基本一致，但是在检测运动目标的时候，专利申请号为201110325533.3的非接触式生命体征检测的结果和心率带的结果相差很大，可见检测结果很差。由表1可以看出本发明在检测运动目标的时候比专利申请号为201110325533.3的非接触式生命体征检测有明显的优势。

表1本发明检测结果与专利申请号为201110325533.3的非接触式生命体征检测的结果对比表

综上，本发明提出的一种测量运动目标生命体征的方法通过利用相关滤波的追踪方法来确定人脸区域，并自适应的选择合适的带通滤波来得到需要的信号，在保证生命体征信号测量准确性和实时性的同时，扩大了生命体征信号测量的应用范围。

Claims (5)

1.一种测量运动目标生命体征的方法，其特征在于，包括如下步骤：

步骤1，对待测量视频的第一帧图像进行人脸检测，如果检测不到人脸则认为本次心率检测失败，否则进行下一步；

步骤2，根据步骤1得到的人脸检测结果进行人脸追踪，如果追踪过程中发现人脸追踪丢失，则返回步骤1重新进行人脸检测，否则进行下一步；

步骤3，根据所得人脸追踪结果，进行生命体征信号的分离；

步骤4，提取生命体征信号并进行功率谱分析，判定此生命体征信号是否为虚假信号，如果不是虚假信号则进行心率值的转换。

2.根据权利要求1所述的测量运动目标生命体征的方法，其特征在于，步骤1中所述人脸检测采用人脸识别算法。

3.根据权利要求1所述的测量运动目标生命体征的方法，其特征在于，步骤2中所述人脸追踪采用基于相关滤波的追踪算法。

4.根据权利要求1所述的测量运动目标生命体征的方法，其特征在于，步骤3所述根据所得人脸追踪结果，进行生命体征信号的分离，具体为：

(3.1)对原始信号进行预处理，包括平滑滤波和带通滤波，其中带通滤波器是自适应的带通滤波器；

(3.2)通过分析待测视频的中心点和追踪所得人脸区域的中心点，判断待测视频中人的运动状态，并分析待测视频的频谱特性，得到视频的中心频率及带宽；

(3.3)根据得到的运动状态和频率特征，自适应的改变带通滤波器的参数，得到人体生命体征的信号。

5.根据权利要求1所述的测量运动目标生命体征的方法，其特征在于，步骤4所述提取生命体征信号并进行功率谱分析，判定此生命体征信号是否为虚假信号，如果不是虚假信号则进行心率值的转换，具体为：

(4.1)首先对提取的生命体征信号进行平滑滤波处理，然后对平滑滤波后的信号进行自相关运算减小噪声干扰；

(4.2)对自相关运算后的信号进行快速傅里叶变换FFT，获得频谱上的峰值功率点即为生命体征信号的频率；

(4.3)为了判定此生命体征信号是否为虚假信号，定义V：

$V=\frac{{\mathrm{peak}}_{max}-{\mathrm{peak}}_{min}}{{\mathrm{peak}}_{\max }}$

其中peak_max表示三个分量功率谱峰值幅度最大的功率谱，peak_min表示三个分量功率谱峰值幅度最小的功率谱；

如果V<0.35，则判定此生命体征信号为虚假信号，结束测量；如果V≥0.35，则判定此生命体征信号为真实信号，进入步骤(4.4)；

(4.4)步骤(4.2)所获得频谱上的峰值功率点即为生命体征信号的频率，将此峰值功率点乘以60，得到一分钟内心率值。