CN107731306B - 一种基于热成像技术的非接触式心率提取方法 - Google Patents
一种基于热成像技术的非接触式心率提取方法 Download PDFInfo
- Publication number
- CN107731306B CN107731306B CN201710934264.8A CN201710934264A CN107731306B CN 107731306 B CN107731306 B CN 107731306B CN 201710934264 A CN201710934264 A CN 201710934264A CN 107731306 B CN107731306 B CN 107731306B
- Authority
- CN
- China
- Prior art keywords
- correlation
- matrix
- curvelet
- coefficient
- threshold
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 20
- 238000005516 engineering process Methods 0.000 title claims abstract description 11
- 238000001931 thermography Methods 0.000 title claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 46
- 238000000034 method Methods 0.000 claims description 25
- 230000009466 transformation Effects 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000002093 peripheral effect Effects 0.000 claims description 6
- 230000003068 static effect Effects 0.000 claims description 6
- 238000003331 infrared imaging Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 210000001061 forehead Anatomy 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims 1
- 239000000284 extract Substances 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 210000000709 aorta Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 210000001715 carotid artery Anatomy 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30048—Heart; Cardiac
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供的一种基于热成像技术的非接触式心率提取方法,首先利用非接触式热成像技术,通过相关性算法找寻合适的且关联性较高的脸部感兴趣区域作为算法信号的提取区域,其次岁图像信号进行去噪处理,最后提取心率信号。本发明公开的一种基于热成像技术的非接触式心率提取方法,选择人体脸部部位作为感兴趣区域,将热信号中有效提取出来,实现完全无干预且无需人为配合,能及时高效的提取心率信息,适用于安保和医院等公共部门。
Description
技术领域
本发明属于生命体征健康监测技术领域,具体涉及一种基于热成像技术的非接触式心率提取方法。
背景技术
心率是人体基本生命特征信息,是反映人体健康状况和心理状态的重要参数,有助于诊断个体疾病和预防生命危险。同时,在反恐安保领域也有着广阔的应用空间。当前,心率信息提取多采用接触式方法,这些方法可靠准确率高,但是需要参与者接触式的配合,这就使得效率偏低也不适应于公共安全领域。
同时,现有的非接触心率提取方法多要求参与者提供颈动脉的热红外细节信息以获取较强的脉冲信号。2007年,Pavlidis等人报道了利用热红外成像探测人脸侧面主动脉获取心率的方法(Pavlidis,I.,et al.:Contact-free measurement of cardiac pulsebased on the analysis of thermal imagery.IEEE Trans Biomed Eng.54(8):1418-26(2007)),这种方法虽然精度高,但是实际操作中难度很大,需要参与者较大的配合(姿势和位置必须很准确)。2012年,Yu等人报道了利用可见光传感器探测人体心率的方法(Hao-Yu,W.,Michael,R.,et al.:Eulerian video magnification for revealing subtlechanges in the world.ACM Trans.31(4),1–8(2012)),但是,基于可见光的视频心率提取算法无法克服外界光线带来的噪声影响,当外部可见光发生即使微小的变化的时候算法失真非常严重。因此,目前的非接触式心率提取方法,依然无法满足实际应用的需求。在复杂的环境场景中信号的提取往往较差。
发明内容
本发明为解决上述技术问题,提供一种基于热成像技术的非接触式心率提取方法,选择人体脸部部位作为感兴趣区域,将热信号中的心率参数有效提取出来,实现完全无干预且无需人为配合,能及时高效的提取心率。
为了解决本发明的技术问题,本发明是通过以下技术方案实现的:一种基于热成像技术的非接触式心率提取方法,此方法包括以下步骤:
步骤一:采用热红外成像系统采集人脸图像,通过相关性算法,提取相关性最大的区域作为感兴趣区域(ROI);将脸部的额头、眉心、左脸、右脸、鼻子定义成不同的对象,采用基于零滞后相关矩阵和随机矩阵理论构建相关性模型。
(1)设定等时相关矩阵
热信号的多参数时间序列信号设定为Si(t)(i=1…N),而等时间相关矩阵C则由热信号的归一化来构建:
所有的计算都是基于时间序列t∈[1,T],因此,等时相关矩阵又可以改写成:
(2)归一化后Si的相关矩阵特征值公式
N对象数据间的相似性取决于C矩阵的特征值最大值,所有有限长随机时序热信号Si都是不相关,归一化后Si的相关矩阵特征值分布公式如下:
其中,λ∈[λ-,λ+],而Q=T/N,由此可以获得λ-和λ+:
在N位参与者的热信号中,相关矩阵C代表的是各个热信号的相关性,只要计算最大的特征值,并将它和λ+做比较。如果最大特征值比λ+大,那么说明具有一定的相似性和相关性。反之,说明热信号之间没有相关性;本发明选择眶周处两个相关性较大的区域作为心率信号的感兴趣区域(ROI)。
步骤二:基于曲波变换的热信号去噪;
(1)首先对图像进行子带分解,然后对不同尺度的子带图像采用大小不同的块,分别对每个块进行脊波分析;若每个块的频带宽度为w,长度为l,两者之间近似满足关系w=l2。选择第二代快速离散曲波变换来获取曲波系数(wrapping);
(2)将图像序列先行划分为静态和运动区间,并将此区间归一为[0 1]区间,此区间由连续帧图像的差异获得,归一化后的系数可以作为权重参考来对曲波系数实施空间滤波;
(3)构建领域相关性的阈值去噪模型;
步骤三:心率信号提取
在获得信号域后,温度信号做快速傅里叶变换处理,一般选取的时间窗口是20秒,而感兴趣的频率区间则设置在[0.83Hz,3.3Hz]之间,这个频率区间正好分别对应人体心率的60bmp到200bmp之间,选择频域能量最大的频率作为心率频率的输出值。
优选地,所述步骤二中构建领域相关性的阈值去噪模型的包括以下步骤:
S1:选择目标点相邻的8个点,计算相关性,通过相关性获取新阈值信息;
S2:用Wrap方法对含噪图像进行曲波变换得到不同尺度和不同方向曲波系数矩阵序列;
S3:根据各子代的不同特征计算阈值,将曲波系数分为两类,大于等于该阈值的曲波系数为一类,小于该阈值的系数为另一类,大于阈值的系数保留;
S4:对小于该阈值的曲波系数做P-M去噪,在P-M去噪后,如果目标点依旧小于阈值,则采用领域相关性方法予以进一步处理;领域相关一般选择曲波系数以及周边系数点,同时计算系数和周边点的相关性,在选择领域相关区域时,将目标点为核心的9个点为矩阵X,而于X相邻的同样的3*3矩阵系数则分别为Y1,Y2,…Y9,分别计算X1于Y1,Y2,…Y9等区域的相关性;
其中,σxy为协方差,σx和σy为标准差,u为平均值,获得相关性较大的区域后,选取空间上最近的4个点(ct1 ct2 ct3 ct4),采用平方和加权形式使目标点尽可能的和相关性较大的相邻点矩阵逼近,然后再获取权重系数;令
在这里Ct为目标点系数,而Cy为相邻相关性最大的相关系数,由此求解出一组权重系数ω;同时令
通过Monte-Carlo分析方法来估计每一个曲波指数的噪声方差,去噪算法中曲波系数的阈值处理由下式给出:
S5:对曲波系数进行逆变换,得到去噪后图像。
与现有技术相比,本发明获得的有益效果是:
本发明提供的一种基于热成像技术的非接触式心率提取方法,选择人体脸部部位作为感兴趣区域,将热信号中有效提取出来,实现完全无干预且无需人为配合,能及时高效的提取心率信息。本发明的准确率较以往的心率提取方法正确率有大幅提升(达到95%以上)。同时,无干预的算法模型使得心率提取能够在公共场所展开,这样就为在安防领域的应用提供了可能。特别是在人员安检过程中,心率变化较快且超出正常估值范围的人员可以重点筛查。同时,在健康领域的应用也能够高效且日常化。
具体实施方式
下面对实施例进行详细说明。
一种基于热成像技术的非接触式心率提取方法,此方法包括以下步骤:
步骤一:采用热红外成像系统采集人脸图像,通过相关性算法,提取相关性最大的区域作为感兴趣区域(ROI);将脸部的额头、眉心、左脸、右脸、鼻子定义成不同的对象,这些区域的热信号都是被证明了都对心率比较敏感。然后采用基于零滞后相关矩阵和随机矩阵理论构建相关性模型,能有效的探测和信号表征的时空关联模式以及佩尔松相关性,可以构建多对象的相关性。当对象数N≥2时,多变量相关法能够评价N个通道数据的相互关系。
(1)设定等时相关矩阵
热信号的多参数时间序列信号设定为Si(t)(i=1…N),而等时间相关矩阵C则由热信号的归一化来构建:
所有的计算都是基于时间序列t∈[1,T],因此,等时相关矩阵又可以改写成:
其中,是的转置。Si和Sj都包含在二元测量之中,并且由N(N 1)/2独立矩阵系数Cij所代表。矩阵C能诠释出具体某参与人员数据和其他参与人员数据的交叉相关性。而且此方法计算简单,能给出非常直接的诠释。
(2)归一化后Si的相关矩阵特征值公式
N对象数据间的相似性取决于C矩阵的特征值最大值,所有有限长随机时序热信号Si都是不相关,归一化后Si的相关矩阵特征值分布公式如下:
其中,λ∈[λ-,λ+],而Q=T/N,由此可以获得λ-和λ+:
在N位参与者的热信号中,相关矩阵C代表的是各个热信号的相关性,只要计算最大的特征值,并将它和λ+做比较。如果最大特征值比λ+大,那么说明具有一定的相似性和相关性。反之,说明热信号之间没有相关性;本发明选择眶周处两个相关性较大的区域作为心率信号的感兴趣区域(ROI)。
步骤二:基于曲波变换的热信号去噪;
(1)首先对图像进行子带分解,然后对不同尺度的子带图像采用大小不同的块,分别对每个块进行脊波分析;若每个块的频带宽度为w,长度为l,两者之间近似满足关系w=l2。选择第二代快速离散曲波变换来获取曲波系数(wrapping)。
(2)在获取了曲波系数后,很明显,实时的热信号不是静态的,所以在处理曲波系数时必须将静态系数和非静态系数区别对待。将图像序列先行划分为静态和运动区间,并将此区间归一为[0 1]区间,此区间由连续帧图像的差异获得,归一化后的系数可以作为权重参考来对曲波系数实施空间滤波;
(3)在曲波阈值去噪模型中,由于阈值选择没有统一的标准,它只能保证绝对值大于该阈值的噪声被去掉,这势必保留一部分噪声。同时,如果阈值选取过大,图像会被过渡平滑,即边缘,纹理等一部分细节会丢失;如果阈值过小,那么噪声得不到有效去除。目前业内流行的硬阈值函数和软阈值函数虽然在图像去噪中得到比较广泛的应用,也取得一定的效果,但是本身都存在一些缺点。在硬阈值中,Wδ在δ处是不连续,利用其重构信号可能会产生一些震荡;而软阈值方法估计出来的Wδ虽然整体连续性好,但当Wδ>δ时,Wδ与W总存在恒定的偏差,这将直接影响重构信号和真实信号的逼近程度。虽然之前的硬阈值和软阈值等方法有很好的借鉴性,但是没有很好的将领域的相关性考虑进去。本发明修改原有的阈值结构同时,引入P-M扩散方程并提出基于领域相关性的阈值去噪新模型。步骤如下:
S1:选择目标点相邻的8个点,计算相关性,通过相关性获取新阈值信息;
S2:用Wrap方法对含噪图像进行曲波变换得到不同尺度和不同方向曲波系数矩阵序列;
S3:根据各子代的不同特征计算阈值,将曲波系数分为两类,大于等于该阈值的曲波系数为一类,小于该阈值的系数为另一类,大于阈值的系数保留;
S4:对小于该阈值的系数,本发明并不是简单的直接删除。由于曲波变换高度各向异性特征,因此能聚焦到图像的细微变化,但曲波阈值去噪会造成过度平滑现象与环绕效应,如果对小于该阈值的曲波系数做P-M去噪就会克服曲波阈值去噪过度平滑缺点,使环绕效应得到改善,而同时也克服了P-M去噪产生的阶梯效应及放大某些噪声的缺点。在P-M去噪后,如果目标点依旧小于阈值,则采用领域相关性方法予以进一步处理。领域相关一般选择曲波系数以及周边系数点,同时计算系数和周边点的相关性。在选择领域相关区域时,将目标点为核心的9个点(即3*3矩阵)为矩阵X,而于X相邻的同样的3*3矩阵系数则分别为Y1,Y2,…Y9,分别计算X1于Y1,Y2,…Y9等区域的相关性。
其中,σxy为协方差,σx和σy为标准差,u为平均值,获得相关性较大的区域后,选取空间上最近的4个点(ct1 ct2 ct3 ct4),采用平方和加权形式使目标点尽可能的和相关性较大的相邻点矩阵逼近,然后再获取权重系数;令
最大的相关系数,由此求解出一组权重系数ω;同时令
通过Monte-Carlo分析方法来估计每一个曲波指数的噪声方差,去噪算法中曲波系数的阈值处理由下式给出:
S5:对曲曲波系数进行逆变换,得到去噪后图像。
步骤三:心率信号提取
在获得信号域后,温度信号做快速傅里叶变换处理,一般选取的时间窗口是20秒,而感兴趣的频率区间则设置在[0.83Hz,3.3Hz]之间,这个频率区间正好分别对应人体心率的60bmp到200bmp之间,选择频域能量最大的频率作为心率频率的输出值。
下表为算法实例,实验在采集人脸图像的同时,也使用接触式的心率计测量实验人员的心率,最后将算法计算获得的心率和心率计采集的心率进行对比,最终获得高达95%的正确率。
以上列举的仅是本发明的具体实施例之一。显然,本发明不限于以上实施例,还可以有许多类似的改形。本领域的普通技术人员能从本发明公开的内容直接导出或联想到的所有变形,均应认为是本发明所要保护的范围。
Claims (2)
1.一种基于热成像技术的非接触式心率提取方法,其特征在于:包括以下步骤:
步骤一:采用热红外成像系统采集人脸图像,通过相关性算法,提取相关性最大的区域作为感兴趣区域;将脸部的额头、眉心、左脸、右脸、鼻子定义成不同的对象,采用基于零滞后相关矩阵和随机矩阵理论构建相关性模型;
(1)设定等时相关矩阵
热信号的多参数时间序列信号设定为Si(t)(i=1…N),而等时间相关矩阵C则由热信号的归一化来构建:
所有的计算都是基于时间序列t∈[1,T],因此,等时相关矩阵改写成:
(2)归一化后Si的相关矩阵特征值公式
N对象数据间的相似性取决于C矩阵的特征值最大值,所有有限长随机时序热信号Si都是不相关,归一化后Si的相关矩阵特征值分布公式如下:
其中,λ∈[λ-,λ+],而Q=T/N,由此可以获得λ-和λ+:
在N位参与者的热信号中,相关矩阵C代表的是各个热信号的相关性,只要计算最大的特征值,并将它和λ+做比较,如果最大特征值比λ+大,那么说明具有一定的相似性和相关性;反之,说明热信号之间没有相关性;选择眶周处两个相关性较大的区域作为心率信号的感兴趣区域;
步骤二:基于曲波变换的热信号去噪;
(1)首先对图像进行子带分解,然后对不同尺度的子带图像采用大小不同的块,分别对每个块进行脊波分析;若每个块的频带宽度为w,长度为l,两者之间满足关系w=l2,选择第二代快速离散曲波变换来获取曲波系数;
(2)将图像序列先行划分为静态和运动区间,并将此区间归一为[0,1]区间,此区间由连续帧图像的差异获得,归一化后的系数作为权重参考来对曲波系数实施空间滤波;
(3)构建领域相关性的阈值去噪模型;
步骤三:心率信号提取
在获得信号域后,温度信号做快速傅里叶变换处理,选取的时间窗口是20秒,而感兴趣的频率区间设置为[0.83Hz,3.3Hz],这个频率区间正好分别对应人体心率的60bmp到200bmp之间,选择频域能量最大的频率作为心率频率的输出值。
2.如权利要求1所述的一种基于热成像技术的非接触式心率提取方法,其特征在于:所述步骤二中构建领域相关性的阈值去噪模型包括以下步骤:
S1:选择目标点相邻的8个点,计算相关性,通过相关性获取新阈值信息;
S2:用Wrap方法对含噪图像进行曲波变换得到不同尺度和不同方向曲波系数矩阵序列;
S3:根据各子代的不同特征计算阈值,将曲波系数分为两类,大于等于该阈值的曲波系数为一类,小于该阈值的系数为另一类,大于阈值的系数保留;
S4:对小于该阈值的曲波系数做P-M去噪,在P-M去噪后,如果目标点依旧小于阈值,则采用领域相关性方法予以进一步处理;领域相关选择曲波系数以及周边系数点,同时计算系数和周边点的相关性,在选择领域相关区域时,将目标点为核心的9个点为矩阵X,而于X相邻的同样的3*3矩阵系数则分别为Y1,Y2,…Y9;分别计算X1于Y1,Y2,…Y9区域的相关性;
其中,σxy为协方差,σx和σy为标准差,u为平均值,获得相关性较大的区域后,选取空间上最近的4个点ct1,ct2,ct3,ct4,采用平方和加权形式使目标点和相关性较大的相邻点矩阵逼近,然后再获取权重系数;令
其中:Ct为目标点系数,而Cy为相邻相关性最大的相关系数,由此求解出一组权重系数ω;同时令
通过Monte-Carlo分析方法来估计每一个曲波指数的噪声方差,去噪算法中曲波系数的阈值处理由下式给出:
S5:对曲波系数进行逆变换,得到去噪后图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710934264.8A CN107731306B (zh) | 2017-10-10 | 2017-10-10 | 一种基于热成像技术的非接触式心率提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710934264.8A CN107731306B (zh) | 2017-10-10 | 2017-10-10 | 一种基于热成像技术的非接触式心率提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107731306A CN107731306A (zh) | 2018-02-23 |
CN107731306B true CN107731306B (zh) | 2021-04-13 |
Family
ID=61210046
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710934264.8A Active CN107731306B (zh) | 2017-10-10 | 2017-10-10 | 一种基于热成像技术的非接触式心率提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107731306B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109524109A (zh) * | 2018-11-26 | 2019-03-26 | 江西科技师范大学 | 一种基于肌肉压力状态的非接触式疲劳监测方法 |
CN110276273B (zh) * | 2019-05-30 | 2024-01-02 | 福建工程学院 | 融合面部特征与图像脉搏心率估计的驾驶员疲劳检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102499664A (zh) * | 2011-10-24 | 2012-06-20 | 西双版纳大渡云海生物科技发展有限公司 | 基于视频图像的非接触式生命体征的检测方法及检测系统 |
CN104182941A (zh) * | 2014-08-26 | 2014-12-03 | 中国石油大学(华东) | 高光谱图像条带噪声去噪方法 |
CN104182944A (zh) * | 2014-08-28 | 2014-12-03 | 中国石油大学(华东) | 基于曲波与小波变换相串联的光学图像去噪方法 |
CN106372611A (zh) * | 2016-09-09 | 2017-02-01 | 康佳集团股份有限公司 | 基于手掌静脉特征的身份识别方法、系统及图像采集装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2309919B1 (en) * | 2008-07-10 | 2019-03-06 | Ecole Polytechnique Federale De Lausanne (EPFL) EPFL-TTO | Functional optical coherent imaging |
-
2017
- 2017-10-10 CN CN201710934264.8A patent/CN107731306B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102499664A (zh) * | 2011-10-24 | 2012-06-20 | 西双版纳大渡云海生物科技发展有限公司 | 基于视频图像的非接触式生命体征的检测方法及检测系统 |
CN104182941A (zh) * | 2014-08-26 | 2014-12-03 | 中国石油大学(华东) | 高光谱图像条带噪声去噪方法 |
CN104182944A (zh) * | 2014-08-28 | 2014-12-03 | 中国石油大学(华东) | 基于曲波与小波变换相串联的光学图像去噪方法 |
CN106372611A (zh) * | 2016-09-09 | 2017-02-01 | 康佳集团股份有限公司 | 基于手掌静脉特征的身份识别方法、系统及图像采集装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107731306A (zh) | 2018-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Boccignone et al. | An open framework for remote-PPG methods and their assessment | |
CN105147274B (zh) | 一种从可见光谱段人脸视频信号中提取心率的方法 | |
CN108198147B (zh) | 一种基于判别字典学习的多源图像融合去噪的方法 | |
Diwakar et al. | Multi-modal medical image fusion framework using co-occurrence filter and local extrema in NSST domain | |
Kolář et al. | Detection of glaucomatous eye via color fundus images using fractal dimensions | |
Chatterjee et al. | Optimal selection of features using wavelet fractal descriptors and automatic correlation bias reduction for classifying skin lesions | |
Wang et al. | Unsupervised subject detection via remote PPG | |
Tran et al. | A robust real time system for remote heart rate measurement via camera | |
Yarlagadda et al. | A novel method for human age group classification based on Correlation Fractal Dimension of facial edges | |
CN109993068A (zh) | 一种基于心率和面部特征的非接触式的人类情感识别方法 | |
WO2021068781A1 (zh) | 一种疲劳状态识别方法、装置和设备 | |
CN105913066B (zh) | 一种基于相关向量机的数字化肺音特征降维方法 | |
Subha et al. | Detection and differentiation of skin cancer from rashes | |
Wu et al. | VP-NIQE: An opinion-unaware visual perception natural image quality evaluator | |
Qi et al. | Robust heart-rate estimation from facial videos using Project_ICA | |
CN107731306B (zh) | 一种基于热成像技术的非接触式心率提取方法 | |
Wang et al. | Multimodal medical image fusion based on multichannel coupled neural P systems and max-cloud models in spectral total variation domain | |
Przybyło | A deep learning approach for remote heart rate estimation | |
Jaiswal et al. | rPPG-FuseNet: non-contact heart rate estimation from facial video via RGB/MSR signal fusion | |
Sarath | Human emotions recognition from thermal images using Yolo algorithm | |
Pathan et al. | Classification of benign and malignant melanocytic lesions: A CAD tool | |
Pan et al. | DenseNetFuse: A study of deep unsupervised DenseNet to infrared and visual image fusion | |
Szankin et al. | Long distance vital signs monitoring with person identification for smart home solutions | |
Li et al. | Multi-modal cardiac function signals classification algorithm based on improved DS evidence theory | |
WO2021120007A1 (zh) | 一种基于红外图像序列的睡眠质量评估系统和方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |