CN111626182A - 一种基于视频的人体心率及面部血容积精确检测方法和系统 - Google Patents
一种基于视频的人体心率及面部血容积精确检测方法和系统 Download PDFInfo
- Publication number
- CN111626182A CN111626182A CN202010448368.XA CN202010448368A CN111626182A CN 111626182 A CN111626182 A CN 111626182A CN 202010448368 A CN202010448368 A CN 202010448368A CN 111626182 A CN111626182 A CN 111626182A
- Authority
- CN
- China
- Prior art keywords
- face
- heart rate
- roi
- signal
- sig
- 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.)
- Granted
Links
- 239000008280 blood Substances 0.000 title claims abstract description 47
- 210000004369 blood Anatomy 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000001815 facial effect Effects 0.000 title claims description 41
- 238000001514 detection method Methods 0.000 claims abstract description 74
- 238000012549 training Methods 0.000 claims abstract description 13
- 210000001061 forehead Anatomy 0.000 claims abstract description 6
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 4
- 238000001228 spectrum Methods 0.000 claims description 31
- 238000007781 pre-processing Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 10
- 230000006835 compression Effects 0.000 claims description 9
- 238000007906 compression Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 10
- 238000000354 decomposition reaction Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 210000003128 head Anatomy 0.000 description 3
- 238000009532 heart rate measurement Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000012880 independent component analysis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
- G06V40/172—Classification, e.g. identification
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/026—Measuring blood flow
- A61B5/0295—Measuring blood flow using plethysmography, i.e. measuring the variations in the volume of a body part as modified by the circulation of blood therethrough, e.g. impedance plethysmography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7232—Signal processing specially adapted for physiological signals or for diagnostic purposes involving compression of the physiological signal, e.g. to extend the signal recording period
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
- G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06V40/15—Biometric patterns based on physiological signals, e.g. heartbeat, blood flow
-
- 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
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30076—Plethysmography
-
- 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
- G06T2207/30088—Skin; Dermal
-
- 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
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physiology (AREA)
- Data Mining & Analysis (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Cardiology (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Epidemiology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Primary Health Care (AREA)
- Hematology (AREA)
- Quality & Reliability (AREA)
Abstract
本发明公开了一种基于视频的心率及脸部血液容积精确检测方法和系统,首先,对包含人面部的视频帧图像进行人脸检测,并提取时间维度上的人脸图像序列以及面部关键位置点,得到时间维度上面部总体信号和面部roi信号集合;其次,构建并训练心率预测模型,并根据所提取的面部关键位置点,定位并提取额头、面颊位置的数据,得到时间维度上面部关键位置图像序列,对该序列进行压缩得到时间维度上的面部信号,将该信号作为心率预测模型的输入样本;再次,基于面部总体信号和面部roi信号集合,检测面部血液容积分布;最后,分别采用心率预测模型和频谱分析方法检测心率值,融合检测结果,使检测方法具备了很强的鲁棒性,适用于较为复杂的应用场景。
Description
技术领域
本发明涉及利用摄像头采集人面部视频,基于图像处理、深度学习以及信号处理技术,精确检测人体心率和面部血液容积分布。
背景技术
人体心率和面部血液容积分布是衡量人体生理健康程度的重要指标。目前,测量人体心率主要方式是心电信号检测、光电信号检测等手段,这些检测手段的共同特征是需要检测设备紧贴人体皮肤,通过皮肤电位变化信号或者血液容积信号对心率进行检测,但是被测量者需要佩戴传感器这一局限,限制了该测量方式的适用范围。目前,通过摄像头进行远端人体生理指标检测成为了当前研究的热点,由于外界环境的复杂性容易对远端检测方式容易造成干扰,为了消除上述干扰,通常单独或者综合采用小波分解、独立成分分析(ICA)、主成分分析(PCA)以及希尔伯特黄变换(HHT)等信号分解方法去除噪声,然而在外界噪声较强时,依靠信号分解方法不能很好的消除掉噪声影响,主要基于以下2点原因:1、信号分解模型往往是通用分解算法,未引入人体心率生理特征这一先验信息;2、对分解结果的选择上依赖主观判断,即从分解结果中选择最接近心率特征的信号,缺乏客观依据。为了提高检测方法的鲁棒性和精确性,本发明采用深度学习技术、频谱分析以及相关计算方法对人体心率和面部血液容积分布进行检测,并采用卡尔曼滤波算法融合心率检测结果,实现对人体心率的精确检测。
发明内容
为了提高人体心率和面部血液容积分布检测效益,本发明提出了一种新的人体心率和面部血液容积分布检测方法和系统,该方法基于摄像头采集的人脸视频,对视频中面部数据进行分析、处理,通过模型预测以及信号处理的方式,实现人体心率及面部血液容积分布检测。
本发明通过以下技术方案来实现:一种基于视频的人体心率及面部血容积精确检测方法,该方法包括以下步骤:
(1)检测视频帧图像中人面部区域,提取时间维度上人脸图像序列和面部关键位置点;基于人脸图像序列提取面部总体信号和面部roi信号集合;对信号进行预处理;
(2)基于预处理后的面部roi信号集合,计算心率值和面部血液容积分布;
(3)利用基于LSTM和残差卷积神经网络模型构建的多模态心率检测模型;得到基于心率分布概率的预测心率值;
(4)基于卡尔曼滤波方法融合步骤(2)和步骤(3)的心率结果,得到融合心率检测结果。
本发明还公开了一种基于视频的人体心率及面部血容积精确检测系统,其特征在于包括:
图像检测模块,其用于检测视频帧图像中人面部区域,提取时间维度上人脸图像序列和面部关键位置点;基于人脸图像序列提取面部总体信号和面部roi信号集合;
预处理模块,对图像检测模块提取的面部总体信号和面部roi信号进行预处理;
基于频谱的心率计算模块,其基于预处理后的面部roi信号集合,采用线性加权的方式计算参考信号,并计算参考信号频谱,根据频谱峰值得到心率值,并根据参考信号频谱和面部roi信号频谱计算面部血液容积分布;
多模态心率检测模型,其基于LSTM和残差卷积神经网络模型构建,用于得到基于心率分布概率的预测心率值;
融合模块,根据基于频谱的心率计算模块的心率值和多模态心率检测模型的预测心率值,得到融合心率值检测结果。
与现有技术相比,本发明所具有的优点是:
1)基于融合方法提高了心率测量的鲁棒性和检测精度。采用综合心率检测方式提升了检测过程的抗干扰能力和心率检测精度,首先采用基于信号频谱峰值方式检测心率,综合采用脸部全局检测和脸部roi子块检测相结合的方式,提升该方式的检测能力,在实际应用中该方法鲁棒性较差,人面部移动或者外部光照强度变化等因素都会对检测结果造成较大影响。因此,采用多模态深度学习模型预测被测试对象的心率值,该检测方式基于统计学习原理,根据信号时频特征实现心率估计,在此基础上,采用卡尔曼滤波方式,综合上述两种测量结果,提升心率检测的鲁棒性和检测精度。
2)基于心率的面部血容积估计方法。提出了一种基于心率值估计面部血容积分布的方法,通过对比人面部血容积实际分布和实验结果,可知基于心率值的面部血容积分布估计结果符合人脸部实际血容积分布。
3)基于机器学习方法心率值快速检测。提出了一种基于多模态深度学习技术和面部视频数据的心率检测方法,采用基于CNN和LSTM结构的深度学习模型对数据的空间结构特征和时间序列特征进行分析,实现对人体心率的快速检测。同时,采用在训练样本集中增加人脸晃动、光照明暗变化样本等技巧,提高模型的抗干扰能力。
附图说明
图1本发明方法流程图;
图2心率检测模型结构图;
图3脸部关键区域示意图;
图4面部血液容积检测结果1;
图5面部血液容积检测结果2;
图6面部血液容积检测结果3。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明。
如图1所示,为本发明的流程示意图。在本发明的一个具体实施例中,本发明以如下具体步骤实施:
(1)数据提取及预处理。基于人脸检测模型,提取时间维度上人脸图像序列,并对人脸图像序列进行压缩,基于此,提取面部总体信号和面部roi(region of interesting,roi)信号集合,并对信号进行预处理,预处理所采用方法不限于带通滤波等方法。
(1.1)采用卷积网络模型检测视频帧图像中人面部区域和面部关键点,分别生成时间维度上人脸图像序列和面部关键位置点序列,如公式1所示,其中:MTCNN()为卷积网络模型,framei为视频第i帧图像,facei为视频第i帧图像提取得到的人脸图像,critical_posi为人脸图像对应的关键位置点。
facei,critical_posi=MTCNN(framei) (1)
人脸图像序列,如公式2所示,其中:face_seq为人脸图像序列,facei为第i帧视频对应的人脸图像,T为视频帧序列长度。
face_seq={face1,face2,...,facei,...,faceT} (2)
(1.2)基于上述人脸图像序列,分别提取面部总体信号和面部roi(region ofinteresting,roi)信号集合。面部总体信号计算如公式3所示,其中:face_sig为压缩后的信号,PCompress()为压缩函数,用于计算人脸图像序列中每一幅人脸图像的平均像素强度,face_seq为人脸图像序列。
face_sig=PCompress(face_seq) (3)
为了便于分析信号的分布,采用R×R大小的roi子块划分人脸图像,得到时间维度上的roi子块图像序列,如公式4所示,其中:face_roii表示第i个roi子块图像序列,face_roi_seq为所有roi子块图像序列构成的集合。
face_roi_seq={face_roi1,face_roi2,...,face_roii,...,face_roim×n} (4)
在此基础上,对每个子块图像序列进行压缩,如公式5所示,其中:
face_roi_seq为所有roi子块图像序列构成的集合,PCompress()为压缩函数,用于计算集合中每一个roi图像序列对应的时间维度上的平均像素强度信号,face_roi_sig为压缩后得到的信号集合,其中每一个元素为roi子块图像序列压缩得到的信号。
face_roi_sig=PCompress(face_roi_seq) (5)
其中:
face_roi_sig={face_roi_sig1,...,face_roi_sigi,...,face_roi_sigm×n}(6)
公式6中,face_roi_sigi为第i个roi子块图像序列对应的压缩后的信号,m×n为roi子块数量。
(1.3)信号预处理,对面部总体信号和面部roi信号集合进行预处理,预处理所采用方法不限于带通滤波方法,如公式7、8所示。其中:face_sig_r和face_roi_sig_r分别为信号预处理结果,sigprocess为信号预处理函数。
face_sig_r=sigprocess(face_sig) (7)
roi_sig_r=sigprocess(face_roi_sig) (8)
其中:
face_sig_r={face_sig_r1,...,face_sig_ri,...,face_sig_rT}
roi_sig_r={roi_sig_r1,...,roi_sig_ri,...,roi_sig_rm×n}
式中,T为视频帧数量,m×n为roi子块数量。
(2)计算心率值和面部血液容积分布。基于步骤(1)计算得到面部总体信号和面部roi信号集合,在此基础上,检测面部血液容积分布。
(2.1)采用线性加权的方式计算参考信号,如公式9所示,其中:sig_ref为参考信号,roi_sig_r为面部roi信号集合。
weight_set={w1,w2,…,wi,…,wm×n}
其中:weight_set为权重集合,m×n为roi子块数量。
(2.2)基于参考信号,计算心率值。计算过程如公式11、12所示,其中:sig_ref为参考信号,sig_ref_sd为参考信号频谱,heart_rate_ref为心率值,该心率值对应于频谱峰值。信号频谱计算不仅限于lomb-scargle谱分析方法。
sig_ref_sd=fft(sig_ref) (11)
heart_rate_ref=max_freq(sig_ref_sd) (12)
(2.3)面部血液容积分布计算。如公式13所示,其中:sig_ref_sd为参考信号频谱,v为计算得到的血液容积分布。其中,血容积计算所采用数据不仅限于参考信号频谱。
v=Volume(sig_ref_sd) (13)
其中,Volume()为计算血容积函数,其具体形式如公式14所示。
(3)基于深度学习方法构建心率检测模型。基于步骤(1.1)提取得到的面部关键位置点,将包含额头、面颊部分图像序列作为训练样本,并基于LSTM和残差卷积神经网络(Resnet)模型构建了多模态心率检测模型。
(3.1)训练样本提取。基于步骤(1.1)提取得到的人脸关键位置点,并构成时间维度上的关键点序列,如公式15所示,其中:critical_posi为第i帧视频图像中人脸关键位置点集合,imgi为第i帧视频图像。
facei,critical_posi=MTCNN(imgi) (15)
其中,critical_posi的集合形式如式16所示,k为人脸关键点数量。
基于人脸关键位置点,选取额头、左右面颊区域在时间维度上构成的图像序列,在图像空间维度上压缩选取的图像构建训练样本,如公式17所示,其中:sig_ci为第i帧图像压缩后的结果,img_ci为上述关键位置图像序列中第i帧图像,PCompress()为压缩函数。
sig_ci=PCompress(img_ci) (17)
其中:
sig_c={sig_c1,sig_c2,…,sig_ci,…,sig_cT}
式中,sig_c为图像序列压缩后得到的信号集合,T为视频长度。
(3.2)初始化训练样本数据,如公式18所示,其中:sig_nor为规范化后信号,mean()为均值计算函数,var()为方差计算函数,样本数据初始化不仅限于所述方法。
(3.3)构建基于LSTM(长短时记忆网络)架构的心率检测子模型。该子模型主要包含了1D-CNN(1维卷积神经网络)和LSTM两种网络结构。首先,将步骤(3.2)得到的sig_nor信号作为训练样本,基于1D-CNN模型提取sig_nor信号对应的初步特征,在此基础上,采用LSTM结构提取信号对应的时间序列特征,最后,采用注意力机制融合LSTM模型各个阶段输出特征向量,如公式19所示,其中:LSTM()为基于LSTM架构的心率检测模型,sig_nor为步骤(3.2)得到规范化信号,featurelstm为该子模型输出特征向量。
featurelstm=LSTM(sig_nor) (19)
(3.4)构建基于Resnet架构的心率检测子模型。该子模型主要基于残差网络模型(Resnet)提取信号的时域波形特征,将sig_nor信号作为子模型的输入样本,该子模型的输出特征向量如公式20所示,其中:Resnet为基于Resnet架构的心率检测模型,sig_nor为步骤(3.2)得到规范化信号,featureresnet为该子模型输出特征向量。
featureresnet=Resnet(sig_nor) (20)
(3.5)融合步骤(3.3)和(3.4)所述子模型,构建多模态心率检测模型。串联步骤(3.3)和步骤(3.4)中子模型的输出特征,并采用全连接网络(FCN)的结构形式预测心率。预测基本过程如公式21所示,其中:res_pro为模型预测结果向量,FCN()为全连接层,Concat()为向量合并函数。
res_pro=FCN(Concat(featurelstm,featureresnet)) (21)
在此基础上预测心率值,提取心率值基本过程如公式22所示,其中:heart_rate_pre为心率预测值,mean()为均值函数,max_reg()为查找最大概率值对应的心率范围函数。
heart_rate_pre=mean(max_reg(res_pro)) (22)
(4)基于卡尔曼滤波方法融合心率检测结果。基于步骤(2)、(3)计算得到的心率值,以信号质量评估值和深度学习模型估值作为动态调节卡尔曼滤波器的状态变量,用于动态融合两种心率测量方式的结果,从而获取心率检测值的最佳估计,提高心率检测的鲁棒性。
卡尔曼滤波模型如公式23、24所示,其中:xk、zk分别为预测值和测量值,A、B分别为状态矩阵和控制矩阵,H为预测空间到测量空间的转换矩阵,wk-1、vk分别为预测误差和测量误差。
xk=Axk-1+Buk+wk-1 (23)
zk=Hxk+vk (24)
基于公式25、26融合两种测量方式得到的心率值,其中:x′k为融合后的心率值结果,xk为步骤(3)得到的预测心率值,zk为步骤(2)得到的心率值,K为融合系数,H表示预测空间到测量空间的转换矩阵,在心率测量工作中H=1。Pk为预测方差,其对应于步骤(3)中预测概率值。Rk为测量方差,对应于步骤(2.3)所述参考信号的信噪比。
x'k=xk+K(zk-Hxk) (25)
本发明公开了一种基于视频的人体心率及面部血容积精确检测系统,用于实现本发明的方法,其包括:
图像检测模块,其用于检测视频帧图像中人面部区域,提取时间维度上人脸图像序列和面部关键位置点;基于人脸图像序列提取面部总体信号和面部roi信号集合;
预处理模块,对图像检测模块提取的面部总体信号和面部roi信号进行预处理;
基于频谱的心率计算模块,其基于预处理后的面部roi信号集合,采用线性加权的方式计算参考信号,并计算参考信号频谱,根据频谱峰值得到心率值,并根据参考信号频谱和面部roi信号频谱计算面部血液容积分布;
多模态心率检测模型,其基于LSTM和残差卷积神经网络模型构建,用于得到基于心率分布概率的预测心率值;
融合模块,根据基于频谱的心率计算模块的心率值和多模态心率检测模型的预测心率值,得到融合心率值检测结果。
如图2所示,为本发明的多模态心率检测模型结构图;多模态心率检测模型的结构图。图2左侧子图(Resnet)为CNN网络模型部分,负责检测数据的空间结构特征,右侧子图(LSTM)为LSTM网络模型部分,负责检测数据时间序列特征,综合上述两个子网络模型输出特征,采用softmax方式预测心率值。
图3脸部关键区域示意图;本发明中脸部关键区域指图示中的额头、面颊部分。
图4面部血液容积检测结果1,保持头部稳定状态,从结果中可以看出额头遮挡部分以及面颊部分光照较差的部分没有检测到血容积,符合实验预期;
图5面部血液容积检测结果2,采用躺姿稳定头部,并保持光照均匀,从结果中可以看出整个面部血容积检测结果均匀,符合实验预期;
图6面部血液容积检测结果3,刻意小幅度晃动头部,相比图5所示检测结果,可以看出面部血容积检测结果存在噪声,符合实验预期。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (7)
1.一种基于视频的人体心率及面部血容积精确检测方法,其特征在于所述方法包括以下步骤:
(1)检测视频帧图像中人面部区域,提取时间维度上人脸图像序列和面部关键位置点;基于人脸图像序列提取面部总体信号和面部roi信号集合;对信号进行预处理;
(2)基于预处理后的面部roi信号集合,计算心率值和面部血液容积分布;
(3)利用基于LSTM和残差卷积神经网络模型构建的多模态心率检测模型;得到基于心率分布概率的预测心率值;
(4)基于卡尔曼滤波方法融合步骤(2)和步骤(3)的心率值结果,得到融合心率值检测结果。
2.根据权利要求1所述的基于视频的人体心率及面部血容积精确检测模型构建方法,其特征在于所述的步骤(1)具体为:
(1.1)采用卷积网络模型检测视频帧图像中人面部区域和面部关键点,分别生成时间维度上人脸图像序列和面部关键位置点序列;
(1.2)基于上述人脸图像序列,分别提取面部总体信号和面部roi信号集合;面部总体信号计算如公式3所示,其中:face_sig为压缩后的信号,PCompress()为压缩函数,用于计算人脸图像序列中每一幅人脸图像的平均像素强度,face_seq为人脸图像序列;
face_sig=PCompress(face_seq) (3)
采用R×R大小的roi子块划分人脸图像,得到时间维度上的roi子块图像序列,如公式4所示,其中:face_roii表示第i个roi子块图像序列,face_roi_seq为所有roi子块图像序列构成的集合,m×n为roi子块数量;
face_roi_seq={face_roi1,face_roi2,...,face_roii,...,face_roim×n} (4)
对每个roi子块图像序列进行压缩,如公式5所示,其中:face_roi_seq为所有roi子块图像序列构成的集合,PCompress()为压缩函数,用于计算集合中每一个roi子块图像序列对应的时间维度上的平均像素强度信号,face_roi_sig为压缩后得到的信号集合,即面部roi子块信号集合,其中每一个元素为roi子块图像序列压缩得到的信号;
face_roi_sig=PCompress(face_roi_seq) (5)
其中:
face_roi_sig={face_roi_sig1,...,face_roi_sigi,...,face_roi_sigm×n} (6)
公式6中,face_roi_sigi为第i个roi子块图像序列对应的压缩后的信号,m×n为roi子块数量。
(1.3)对面部总体信号和面部roi信号集合进行预处理,消除指定频率范围以外的噪声信号。
3.根据权利要求1所述的基于视频的人体心率及面部血容积精确检测模型构建方法,其特征在于所述的步骤(2)具体为:
(2.1)采用线性加权的方式计算参考信号,如公式9所示,其中:sig_ref为参考信号,roi_sig_r为预处理后的面部roi信号集合,m×n为roi子块数量;
weight_set={w1,w2,...,wi,...,wm×n}
roi_sig_r=sigprocess(face_roi_sig) (8)
其中:weight_set为计算得到的权重集合;sigprocess()为信号预处理函数;
(2.2)基于参考信号,采用lomb-scargle谱分析方法计算参考信号频谱,基于此得到心率值,心率值对应于频谱峰值;
(2.3)计算面部血液容积分布。
5.根据权利要求1所述的基于视频的人体心率及面部血容积精确检测模型构建方法,其特征在于所述的步骤(3)中,基于LSTM和残差卷积神经网络模型构建的多模态心率检测模型的训练方法为:
(3.1)训练样本提取
基于步骤(1)提取得到的人脸关键位置点,构成时间维度上的关键点序列,基于人脸关键位置点,选取额头、左右面颊区域在时间维度上构成的图像序列,在图像空间维度上压缩选取的图像构建训练样本;训练样本为图像序列压缩后得到的信号集合;
(3.2)初始化训练样本数据,得到规范化后信号sig_nor;
(3.3)构建基于LSTM架构的心率检测子模型
该子模型包含了1D-CNN和LSTM两种网络结构,首先,将步骤(3.2)得到的sig_nor信号作为训练样本,基于1D-CNN模型提取sig_nor信号对应的初步特征,在此基础上,采用LSTM结构提取信号对应的时间序列特征,最后,采用注意力机制融合LSTM模型各个阶段输出特征向量;
(3.4)构建基于Resnet架构的心率检测子模型
该子模型基于残差网络模型提取信号的时域波形特征,将sig_nor信号作为子模型的输入样本,输出特征向量featureresnet;
(3.5)融合步骤(3.3)和(3.4)所述子模型,构建多模态心率检测模型
串联步骤(3.3)和步骤(3.4)中子模型的输出特征,并采用全连接网络的结构形式预测心率;
预测基本过程如公式21所示,其中:res_pro为模型预测结果向量,FCN()为全连接层,Concat()为向量合并函数;
res_pro=FCN(Concat(featurelstm,featureresnet)) (21)
在此基础上预测心率值,提取心率值基本过程如公式22所示,其中:heart_rate_pre为心率预测值,mean()为均值函数,max_reg()为查找最大概率值对应的心率范围函数;
heart_rate_pre=mean(max_reg(res_pro)) (22)。
7.一种基于视频的人体心率及面部血容积精确检测系统,其特征在于包括:
图像检测模块,其用于检测视频帧图像中人面部区域,提取时间维度上人脸图像序列和面部关键位置点;基于人脸图像序列提取面部总体信号和面部roi信号集合;
预处理模块,对图像检测模块提取的面部总体信号和面部roi信号进行预处理;
基于频谱的心率计算模块,其基于预处理后的面部roi信号集合,采用线性加权的方式计算参考信号,并计算参考信号频谱,根据频谱峰值得到心率值,并根据参考信号频谱和面部roi信号频谱计算面部血液容积分布;
多模态心率检测模型,其基于LSTM和残差卷积神经网络模型构建,用于得到基于心率分布概率的预测心率值;
融合模块,根据基于频谱的心率计算模块的心率值和多模态心率检测模型的预测心率值,得到融合心率值检测结果。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010448368.XA CN111626182B (zh) | 2020-05-25 | 2020-05-25 | 一种基于视频的人体心率及面部血容积精确检测方法和系统 |
PCT/CN2021/080905 WO2021238344A1 (zh) | 2020-05-25 | 2021-03-16 | 一种基于视频的人体心率及面部血容积精确检测方法和系统 |
US17/696,909 US20220218218A1 (en) | 2020-05-25 | 2022-03-17 | Video-based method and system for accurately estimating human body heart rate and facial blood volume distribution |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010448368.XA CN111626182B (zh) | 2020-05-25 | 2020-05-25 | 一种基于视频的人体心率及面部血容积精确检测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111626182A true CN111626182A (zh) | 2020-09-04 |
CN111626182B CN111626182B (zh) | 2021-03-26 |
Family
ID=72257949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010448368.XA Active CN111626182B (zh) | 2020-05-25 | 2020-05-25 | 一种基于视频的人体心率及面部血容积精确检测方法和系统 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220218218A1 (zh) |
CN (1) | CN111626182B (zh) |
WO (1) | WO2021238344A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112237421A (zh) * | 2020-09-23 | 2021-01-19 | 浙江大学山东工业技术研究院 | 一种基于视频的动态心率变异性分析模型 |
CN112381011A (zh) * | 2020-11-18 | 2021-02-19 | 中国科学院自动化研究所 | 基于人脸图像的非接触式心率测量方法、系统及装置 |
WO2021238344A1 (zh) * | 2020-05-25 | 2021-12-02 | 浙江大学 | 一种基于视频的人体心率及面部血容积精确检测方法和系统 |
CN113892930A (zh) * | 2021-12-10 | 2022-01-07 | 之江实验室 | 一种基于多尺度心率信号的面部心率测量方法和装置 |
CN113963427A (zh) * | 2021-12-22 | 2022-01-21 | 浙江工商大学 | 一种快速活体检测的方法与系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7756577B1 (en) * | 2006-04-21 | 2010-07-13 | Pacesetter, Inc. | Multi-modal medical therapy system |
US20160287181A1 (en) * | 2013-12-05 | 2016-10-06 | Apple Inc. | Wearable multi-modal physiological sensing system |
CN106845395A (zh) * | 2017-01-19 | 2017-06-13 | 北京飞搜科技有限公司 | 一种基于人脸识别进行活体检测的方法 |
CN107692997A (zh) * | 2017-11-08 | 2018-02-16 | 清华大学 | 心率检测方法及装置 |
CN109460737A (zh) * | 2018-11-13 | 2019-03-12 | 四川大学 | 一种基于增强式残差神经网络的多模态语音情感识别方法 |
CN109700450A (zh) * | 2018-12-28 | 2019-05-03 | 联想(北京)有限公司 | 一种心率检测方法及电子设备 |
CN110458101A (zh) * | 2019-08-12 | 2019-11-15 | 南京邮电大学 | 基于视频与设备结合的服刑人员体征监测方法及设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10335045B2 (en) * | 2016-06-24 | 2019-07-02 | Universita Degli Studi Di Trento | Self-adaptive matrix completion for heart rate estimation from face videos under realistic conditions |
CN109602412A (zh) * | 2018-12-05 | 2019-04-12 | 中国科学技术大学 | 利用面部视频实现心率检测的方法 |
CN110321781B (zh) * | 2019-05-06 | 2021-10-26 | 苏宁金融服务(上海)有限公司 | 一种用于无接触式测量的信号处理方法及装置 |
CN111626182B (zh) * | 2020-05-25 | 2021-03-26 | 浙江大学 | 一种基于视频的人体心率及面部血容积精确检测方法和系统 |
-
2020
- 2020-05-25 CN CN202010448368.XA patent/CN111626182B/zh active Active
-
2021
- 2021-03-16 WO PCT/CN2021/080905 patent/WO2021238344A1/zh active Application Filing
-
2022
- 2022-03-17 US US17/696,909 patent/US20220218218A1/en active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7756577B1 (en) * | 2006-04-21 | 2010-07-13 | Pacesetter, Inc. | Multi-modal medical therapy system |
US20160287181A1 (en) * | 2013-12-05 | 2016-10-06 | Apple Inc. | Wearable multi-modal physiological sensing system |
CN106845395A (zh) * | 2017-01-19 | 2017-06-13 | 北京飞搜科技有限公司 | 一种基于人脸识别进行活体检测的方法 |
CN107692997A (zh) * | 2017-11-08 | 2018-02-16 | 清华大学 | 心率检测方法及装置 |
CN109460737A (zh) * | 2018-11-13 | 2019-03-12 | 四川大学 | 一种基于增强式残差神经网络的多模态语音情感识别方法 |
CN109700450A (zh) * | 2018-12-28 | 2019-05-03 | 联想(北京)有限公司 | 一种心率检测方法及电子设备 |
CN110458101A (zh) * | 2019-08-12 | 2019-11-15 | 南京邮电大学 | 基于视频与设备结合的服刑人员体征监测方法及设备 |
Non-Patent Citations (1)
Title |
---|
YANG ZHOU.ETC: ""ECG Heartbeat Classification Based on ResNet and Bi-LSTM"", 《IOP CONFERENCE SERIES: EARTH AND ENVIRONMENTAL SCIENCE》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021238344A1 (zh) * | 2020-05-25 | 2021-12-02 | 浙江大学 | 一种基于视频的人体心率及面部血容积精确检测方法和系统 |
CN112237421A (zh) * | 2020-09-23 | 2021-01-19 | 浙江大学山东工业技术研究院 | 一种基于视频的动态心率变异性分析模型 |
CN112237421B (zh) * | 2020-09-23 | 2023-03-07 | 浙江大学山东工业技术研究院 | 一种基于视频的动态心率变异性分析模型 |
CN112381011A (zh) * | 2020-11-18 | 2021-02-19 | 中国科学院自动化研究所 | 基于人脸图像的非接触式心率测量方法、系统及装置 |
CN112381011B (zh) * | 2020-11-18 | 2023-08-22 | 中国科学院自动化研究所 | 基于人脸图像的非接触式心率测量方法、系统及装置 |
CN113892930A (zh) * | 2021-12-10 | 2022-01-07 | 之江实验室 | 一种基于多尺度心率信号的面部心率测量方法和装置 |
CN113963427A (zh) * | 2021-12-22 | 2022-01-21 | 浙江工商大学 | 一种快速活体检测的方法与系统 |
CN113963427B (zh) * | 2021-12-22 | 2022-07-26 | 浙江工商大学 | 一种快速活体检测的方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111626182B (zh) | 2021-03-26 |
US20220218218A1 (en) | 2022-07-14 |
WO2021238344A1 (zh) | 2021-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111626182B (zh) | 一种基于视频的人体心率及面部血容积精确检测方法和系统 | |
CN113408508B (zh) | 基于Transformer的非接触式心率测量方法 | |
US10799182B2 (en) | Video-based physiological measurement using neural networks | |
KR20140045854A (ko) | 단일객체에 대한 기울기를 추정하는 영상을 감시하는 장치 및 방법 | |
JP6927322B2 (ja) | 脈波検出装置、脈波検出方法、及びプログラム | |
CN108596087B (zh) | 一种基于双网络结果的驾驶疲劳程度检测回归模型 | |
CN107016353B (zh) | 一种变分辨率目标探测与识别一体化的方法与系统 | |
CN111539331A (zh) | 一种基于脑机接口的视觉图像重建系统 | |
CN114821439A (zh) | 一种基于令牌学习的人脸视频心率估计系统及方法 | |
Szankin et al. | Long distance vital signs monitoring with person identification for smart home solutions | |
CN107944497A (zh) | 基于主成分分析的图像块相似性度量方法 | |
CN113197558B (zh) | 心率与呼吸率检测方法、系统及计算机存储介质 | |
CN114331989A (zh) | 基于点特征直方图测地距离的全参考3d点云质量评估方法 | |
CN114140496A (zh) | 一种非接触式呼吸检测方法和装置 | |
CN113420718A (zh) | 基于成分分析和稀疏约束的高光谱异常检测方法及装置 | |
CN110321781B (zh) | 一种用于无接触式测量的信号处理方法及装置 | |
CN114557685A (zh) | 一种非接触式运动鲁棒心率测量方法及测量装置 | |
CN115374831B (zh) | 多模态配准和时空特征注意的动静结合速度想象分类方法 | |
Karmuse et al. | A robust rppg approach for continuous heart rate measurement based on face | |
KR102468654B1 (ko) | 보정된 이미지 기반 심박 추정 방법 및 그 장치 | |
CN114639168B (zh) | 一种用于跑步姿态识别的方法和系统 | |
CN114360058B (zh) | 一种基于行走视角预测的跨视角步态识别方法 | |
CN113693573B (zh) | 一种基于视频的非接触式多生理参数监测的系统及方法 | |
CN114120370A (zh) | 基于cnn-lstm的人体跌倒检测实现方法及系统 | |
CN113255462A (zh) | 步态评分方法、系统、计算机程序产品及可读存储介质 |
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 |