CN106919930A - 一种低分辨率红外图像睡眠异常情况判断方法 - Google Patents

Abstract

本发明公开了一种低分辨率红外图像睡眠异常情况判断方法，属于人工智能技术领域。本发明采用人工智能对睡眠图像在低分辨率被动远红外中的异常情况的表现进行判断，首先将已经标记类别的低分辨率被动远红外图像进行针对性的预处理和特征生成，对分类系统进行训练，得到合适的特征选择与提取方法、分类器方法；然后对待智能判决的低分辨率被动远红外图像进行针对性的预处理和特征生成，使用选择好的特征选择与提取方法和训练好的分类系统进行分类，得到待智能判决的低分辨率被动远红外图像的异常情况输出。本发明所提出的低分辨率被动远红外图像的睡眠异常情况判断方法，具有在保证虚警率的情况下，对不同睡眠个体的低分辨率被动远红外图像的睡眠异常情况判断鲁棒性较高，计算复杂度较低的特点。

Description

一种低分辨率红外图像睡眠异常情况判断方法

技术领域

本发明涉及图像处理和人工智能技术领域，具体涉及一种低分辨率红外图像睡眠异常情况判断方法。

背景技术

目前，伴随着图像处理和采集技术的日益发展与成熟，人们日常生活中涌现了大量人工智能在图像处理方面的应用。被动远红外具有在黑夜可清晰成像、零辐射、非接触、隐私性好的特点，得到了广泛应用。但是远红外由于其采集技术成本高，所以针对普通家庭使用的低成本采集设备的分辨率很低。如何使用低分辨率被动远红外图像进行智能异常情况判决都有重要的意义，一方面，可以使用该技术形成高性价比、在黑夜可清晰成像、零辐射、非接触、隐私性好的异常情况产品；另一方面，也可以为较高分辨率的远红外图像提供技术参考。

异常情况判决最简单的就是人工判决。因此，人工判决在视频质量评估方法研究中往往是作为标准。然而实际应用中这种方法成本太高，可实施性太低。基于低分辨率被动远红外图像的睡眠异常情况判断方法研究的目的就是设计出相应系统来进行异常情况判决，从而，使得系统对异常情况判决和人工判决尽量一致。

经典图像智能判决方法通常包括三大主要步骤：特征生成，特征选择与提取，分类器训练。特征生成指的是从观测图像中获得有意义的特征信号；特征选择和提取是指对特征信号进行筛选和变换，生成对判决有意义而且分布较好的特征；分类器训练是指通过使用人工标记的类别进行训练或者通过特征数据本身的性质等方式设计出能与人工判决尽量一致的模型。

虽然现在有各种特征生成、特征选择与提取、分类器训练方法，但是还没有针对低分辨率被动远红外图像的智能判决方法，更不要说针对低分辨率被动远红外图像的睡眠异常情况的智能判决方法，因此有必要形成一套低分辨率被动远红外图像的睡眠异常情况的判决方法。

究其原因，在于普通的图像采用的是可见光成像，可见光具有丰富的纹理特征，在对可见光图像进行处理时，能够根据可见光图像的纹理特征进行特征生成和处理，其判决的难度较低。而红外图像并没有明显的类似可见光的丰富的纹理特征，要对低分辨红外图像进行处理，必须要实现在非常低甚至没有纹理特征的情况下实现特征生成。现有的红外图像处理方法，大都是针对高分辨率的红外图像进行的，高分辨图像具有像素高、图像清晰的特点，其像素点比较密集，在处理时，往往采用结构特征来进行特征提取。而低分辨率红外图像模糊不清、像素点分散，不具有明显的结构特征、位置信息和纹理信息等，采用结构特征来进行低分辨率红外图像的特征提取处理难度大，特征提取的准确度极低，从而导致图像情况判断不准确。此外，高分辨率红外图像的处理过程中，计算过程比较复杂。

发明内容

本发明的目的在于：针对上述判断低分辨率被动远红外图像时，高分辨率红外图像处理时采用的特征提取方法不适用于低分辨被红外图像的特征提取时，从而导致的图像判断不准确的问题，本发明提出一种低分辨率红外图像睡眠异常情况判断方法。

本发明采用的技术方案如下：

一种低分辨率红外图像睡眠异常情况判断方法，包括训练过程和检测过程：

训练过程：

步骤1：人工对N个分辨率为m×n的睡眠被动远红外图像进行类别标记，将已标记好类别的N个睡眠被动远红外图像输入图像库，并对输入图像库的N个图像进行预处理；

步骤2：对步骤1中预处理后的所有N个图像中的每个图像进行区域划分，对划分区域后的每个图像进行特征统计，每个图像的特征为M个。

步骤3：对步骤2中的所有N个图像的M个特征进行特征选择和提取，每个图像变换后得到P个特征；将步骤1中输入图像库中已经标记好类别的图像分成两部分，其中用来训练的图像N1个，N1个图像中包括有步骤1中标记的所有类别的图像；用来评估分类器性能的图像N2个，N2个图像中包括有步骤1中标记的所有类别的图像；

步骤4：对N1个图像中每个图像变换后的P个特征，使用分类器方法进行正常和异常情况的分类器训练，得到分类器参数C₁..C_j；

步骤5：使用N2个图像对步骤4训练好的分类器进行分类器评估，得到分类器的虚警率和准确率参数；

步骤6：修改步骤3中的特征变换方法、用来训练的图像个数N1、用来评估分类器性能的图像个数N2和步骤4的分类器方法，重复步骤3、步骤4、步骤5；选择最优虚警率和最优准确率参数对应的特征变换方法和分类器方法以及分类器参数，固化为指定的特征变换方法f、指定的分类器方法g和分类器参数C₁..C_j；

检测过程：

步骤1：输入分辨率为m×n的待检测睡眠被动远红外图像I_d，对图像I_d进行预处理；

步骤2：对预处理过的待检测图像I_d进行区域划分，对图像I_d划分后的区域进行特征统计，图像I_d的特征为M个；

步骤3：使用检测过程中指定的特征变换方法f、指定的分类器方法g和分类器参数C₁..C_j，进行图像I_d的判决，得到图像I_d是正常还是异常情况的判决输出。

所述的一种低分辨率红外图像睡眠异常情况判断方法，训练过程至少进行一次。

所述的一种低分辨率红外图像睡眠异常情况判断方法，所述类别标记至少包括正常情况标记和异常情况标记。综上所述，由于采用了上述技术方案，本发明的有益效果是：本发明针对睡眠被动远红外图像，通过区域划分，将低分辨率的红外图像划分为几个特定的区域，并根据区域统计特征，生成针对性的特征集，并在虚警率和准确率的指导下选择特征选择与提取方法、分类器方法，使得本发明所提出的低分辨率被动远红外图像的睡眠异常情况判断方法，具有低分辨率被动远红外图像的睡眠异常情况判断准确率较高、虚警率较低、鲁棒性较高、计算复杂度相对较低的特点。

因为在每次处理图像的完整过程中，训练过程会重复多遍，最后在保证指定虚警率的情况下，选择准确率最高参数达到要求、平均判决时间最短所对应的特征变换方法、分类器方法以及参数、变换后的特征数P，固化为指定的特征变换方法f、指定的分类器方法g和参数C₁..C_j。因此，最终的判断结果准确率较高、虚警率较低。

由于使用了区域统计特征，因此该方法也能较好地适应各种环境，即具有鲁棒性较高的特点。

在每次判决时，只需直接使用指定的特征变换方法、指定的分类器方法和分类器参数进行计算，因此，计算复杂度较低。

附图说明

图1是本发明低分辨率红外图像睡眠异常情况判断方法的流程图；

具体实施方式

本说明书中公开的所有特征，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。

下面结合图1对本发明作详细说明。

本说明书(包括任何附加权利要求、摘要和附图)中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。

本发明中，首先对系统进行训练，训练步骤包括：

步骤1：将分辨率为m×n的N个睡眠被动远红外图像进行图像标记分类，并对标记分类后的的N个睡眠被动远红外图像进行图像预处理。预处理过程包括图像插值和平滑、归一化，插值和平滑处理可以采用现有任一方法均可，归一化使得整个图像归一化到0至1之间。其中，m，n的典型取值集合为{80，60，64}，插值倍数的典型取值集合为{2，3，4，6}，图像的分辨率从m，n典型取值集合中任取一值，插值倍数根据m，n的取值从插值倍数的典型取值集合中确定一个值。

步骤2：对步骤1中预处理后的所有N个图像进行特征生成，特征生成的方法使用区域划分方法，将整个图像按照温度高低分为三个区域；对每个区域的特征进行统计，所统计的特征包括面积、中值、方差、最大值、最小值，每个图像的特征为M个，M典型值为15。优选地，所述区域划分方法包括K-means、分水岭、直方图、边缘分割、阈值分割、模糊分割方法。

步骤3：对步骤2中生成的所有N个图像的M个特征，进行特征选择和提取，方法包括：最优搜索树、主分量分析、独立分量分析、模拟褪火、神经网络，得到变换后的特征P个；将已标记好类别的分图像库的图像分成两部分，其中用来训练的图像N1个，用来评估分类器性能的图像N2个。其中P的典型取值集合为{4，5，6，7}；N1和N2的典型取值为0.9N和0.1N。

步骤4：对N1个图像变换后的P个特征，进行正常和异常情况的分类器训练，分类器包括线性分类器和非线性分类器，分类器方法包括Fisher线性分类器、最小均方误差线性分类器、感知器线性分类器、梯度下降法线性分类器、基于核的分类器、支持向量分类器、神经网络分类器以及其他现有的分类器；经过训练得到分类器参数C₁..C_j。

步骤5：对训练好的分类器，使用N2个图像进行分类器评估，得到分类器的虚警率、准确率、平均判决时间参数。虚警率使用：判别为异常的图像个数/所有人工指定为正常图像个数，准确率使用：判别为异常的图像个数/所有人工指定为异常图像个数。

步骤6：修改步骤3中的特征变换方法、N1、N2和步骤4的分类器方法和特征数P，重复步骤3、步骤4、步骤5；在保证指定虚警率的情况下，选择准确率最高参数达到要求、平均判决时间最短所对应的特征变换方法、分类器方法以及分类器参数、变换后的特征数P，固化为指定的特征变换方法f、指定的分类器方法g和分类器参数C₁..C_j。

然后就可以使用训练好的系统对待判决的图像进行检测，检测步骤包括：

步骤1：输入分辨率为m×n的睡眠被动远红外图像I_d进行预处理，预处理过程包括插值和平滑。包括图像插值和平滑、归一化，插值和平滑处理可以采用现有任一方法均可，归一化使得整个图像归一化到0到1之间。其中，m，n的典型取值集合为{80，60，64}，插值倍数的典型取值集合为{2，3，4，6}，此处，图像分辨率、插值倍数与训练过程中使用的图像分辨率、插值倍数保持一致。

步骤2：对图像I_d进行特征生成。此处，对图像I_d进行特征生成时，采用与训练过程中N个图像特征生成相同的特征生成方法。如过训练过程中进行特征生成时使用的区域划分方法，此处便使用区域划分方法，将整个图像按照温度高低分为三个区域；对每个区域的特征进行统计，所统计的特征包括面积、中值、方差、最大值、最小值，图像的特征为M个，M典型值为15。

步骤3：使用指定的特征变换方法f、指定的分类器方法g和分类器参数C₁..C_j，进行I_d的判决，得到I_d是正常还是异常情况的判决输出。

Claims (3)

1.一种低分辨率红外图像睡眠异常情况判断方法，其特征在于，包括训练过程和检测过程：

训练过程：

步骤1：人工对N个分辨率为m×n的睡眠被动远红外图像进行类别标记，将已标记好类别的N个睡眠被动远红外图像输入图像库，并对输入图像库的N个图像进行预处理；

步骤2：对步骤1中预处理后的所有N个图像中的每个图像进行区域划分，对划分区域后的每个图像进行特征统计，每个图像的特征为M个。

步骤3：对步骤2中的所有N个图像的M个特征进行特征选择和提取，每个图像变换后得到P个特征；将步骤1中输入图像库中已经标记好类别的图像分成两部分，其中用来训练的图像N1个，N1个图像中包括有步骤1中标记的所有类别的图像；用来评估分类器性能的图像N2个，N2个图像中包括有步骤1中标记的所有类别的图像。

步骤4：对N1个图像中每个图像变换后的P个特征，使用分类器方法进行正常和异常情况的分类器训练，得到分类器参数C₁..C_j；

步骤5：使用N2个图像对步骤4训练好的分类器进行分类器评估，得到分类器的虚警率和准确率参数；

步骤6：修改步骤3中的特征变换方法、用来训练的图像个数N1、用来评估分类器性能的图像个数N2和步骤4的分类器方法，重复步骤3、步骤4、步骤5；选择最优虚警率和最优准确率参数对应的特征变换方法和分类器方法以及分类器参数，固化为指定的特征变换方法f、指定的分类器方法g和分类器参数C₁..C_j；

检测过程：

步骤1：输入分辨率为m×n的待检测睡眠被动远红外图像I_d，对图像I_d进行预处理；步骤2：对预处理过的待检测图像I_d进行区域划分，对图像I_d划分后的区域进行特征统计，图像I_d的特征为M个；

步骤3：使用检测过程中指定的特征变换方法f、指定的分类器方法g和分类器参数C₁..C_j，进行图像I_d的判决，得到图像I_d是正常还是异常情况的判决输出。

2.如权利要求1所述的一种低分辨率红外图像睡眠异常情况判断方法，其特征在于，训练过程至少进行一次。

3.根据权利要求1所述的一种低分辨率红外图像睡眠异常情况判断方法，其特征在于，所述类别标记至少包括正常情况标记和异常情况标记。