CN112784731A - 一种检测驾驶员的生理指标、及建立模型的方法 - Google Patents
一种检测驾驶员的生理指标、及建立模型的方法 Download PDFInfo
- Publication number
- CN112784731A CN112784731A CN202110075444.1A CN202110075444A CN112784731A CN 112784731 A CN112784731 A CN 112784731A CN 202110075444 A CN202110075444 A CN 202110075444A CN 112784731 A CN112784731 A CN 112784731A
- Authority
- CN
- China
- Prior art keywords
- signal
- light
- physiological
- intensity
- noise
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000008859 change Effects 0.000 claims abstract description 44
- 230000033001 locomotion Effects 0.000 claims description 19
- 230000003993 interaction Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 abstract description 9
- 238000005286 illumination Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000005792 cardiovascular activity Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000013186 photoplethysmography Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
- G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
-
- 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
- G06V40/168—Feature extraction; Face representation
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
- A61B2503/20—Workers
- A61B2503/22—Motor vehicles operators, e.g. drivers, pilots, captains
-
- 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
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- 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
- A61B5/021—Measuring pressure in heart or blood vessels
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
- A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种检测驾驶员的生理指标的方法，属于rPPG检测生理指标技术领域，该方法能够生成第一信号与第二信号，第一信号中包括生理信号与噪声信号，第二信号反映光线的强度随时间的变化；将第一信号与第二信号输入信号模型，信号模型能够根据第二信号反映的光照强度的变化，从第一信号中去除噪声信号，得到没有噪声的生理信号，进而确定驾驶员的生理指标。噪声信号是光线的强度变化引入的，在光线不断变化时，信号模型均能有效去除噪声信号，因此本申请提供的方法，能够提高在实际驾驶场景下检测到的驾驶员的生理指标的准确性。
Description
技术领域
本申请属于rPPG检测生理指标技术领域，尤其涉及一种检测驾驶员的生理指标、及建立模型的方法。
背景技术
疲劳驾驶和分心驾驶是引发交通事故的主要原因。检测驾驶员的驾驶状态，对异常驾驶进行事先预警，能够有效避免交通事故。生理指标可以有效反应驾驶员的驾驶状态，比如驾驶员的疲劳驾驶、专心驾驶、心理紧张程度、情绪变化等状态都会反映在心率上。生理指标可以通过非接触式测量方法得到。
现有的非接触式测量方法通常是在光线稳定的前提下计算生理指标的，只适用于光线变化较小的场景。而实际驾驶场景中，光线可能会不断变化，比如白天在不同路段朝着不同方向行车时会受到不同的太阳光光线的影响，或者白天在林荫路面行驶时太阳光光线会发生快速剧烈的变化，或者夜晚行车时脸部受到环境灯光变化的影响等。因此现有技术在实际驾驶场景下检测到的驾驶员的生理指标的准确性较差。
发明内容
本申请实施例提供了一种检测驾驶员的生理指标、及建立模型的方法，以解决现有技术在实际驾驶场景下检测到的驾驶员生理指标的准确性较差的问题。
第一方面，本申请实施例提供了一种检测驾驶员的生理指标的方法，所述方法包括：
生成第一信号与第二信号，所述第一信号中包括生理信号与噪声信号，所述第二信号反映光线的强度随时间的变化，所述噪声信号是光线的强度变化引入的；
将所述第一信号与所述第二信号输入信号模型，得到所述生理信号，所述信号模型用于去除所述噪声信号；
根据所述生理信号，确定所述驾驶员的生理指标。
特别的，所述生成第一信号，包括：
获取包含人脸区域的连续的N帧图像；
确定所述包含人脸区域的连续的N帧图像对应的N个第一灰度值；
根据所述N个第一灰度值，生成所述第一信号。
特别的，当所述第一信号中去除了由人体运动引入的噪声时，所述N帧图像是包含人脸区域的连续的M帧图像中的连续的N帧图像，M＞N。
特别的，所述N帧图像由至少两个子窗口构成，每个子窗口中包括连续的多帧图像，所述至少两个子窗口对应的至少两组方差中方差小于预设阈值的组数大于或者等于预设数量，一组方差是根据N帧图像中的每一帧图像中的人脸特征点的坐标确定的。
本申请实施例通过人脸特征点的坐标计算方差，根据方差得到连续的N帧图像，去除了人体运动引入的噪声，从而得到更准确的第一信号，进而得到更加准确的生理指标。
特别的，所述生成第二信号，包括：
获取包含背景区域的连续的N帧图像；
确定所述包含背景区域的连续的N帧图像对应的N个第二灰度值；
根据所述N个第二灰度值，生成所述第二信号。
本申请实施例中，背景区域是固定的，通过背景区域主动感知光线强度的变化，能够有效反映光线的强度随时间发生的变化。
第二方面，本申请实施例还提供了一种建立模型的方法，所述模型应用于去除噪声信号的场景中，所述噪声信号是光线的强度变化引入的，该方法包括：
建立第一关联关系与第二关联关系，所述第一关联关系代表第一信号、光线的强度信号、生理信号三者之间的关联关系，所述第二关联关系代表第二信号与光线的强度信号之间的关联关系；
根据所述第一关联关系与第二关联关系，确定第三关联关系，所述第三关联关系为所述第一信号、所述第二信号与所述生理信号之间的关联关系。
特别的，所述光线的强度信号包括第一光线的强度信号，所述第一光线对应的光源的强度是固定不变的。
特别的，第一光线来源于红外光源。
本申请实施例中，利用红外光源不仅可以在低光照或者完全黑暗的环境下进行生理指标的检测，还可以一定程度上屏蔽白天太阳光及晚上可见光的光线强度变化引入的噪声的影响。
特别的，所述光线的强度信号还包括第二光线的强度信号，第二光线来源于太阳光。
特别的，所述第一关联关系中所述光线的强度信号与所述生理信号之间的关系满足非线性交互关系。
本申请实施例中，非线性交互关系能够更准确的表示光线的强度信号与生理信号之间的关系。
第三方面，本申请实施例还提供了一种检测驾驶员的生理指标的装置，该装置包括：
获取模块，用于获取包含人脸区域的连续的M帧图像；
处理模块，用于生成第一信号与第二信号，所述第一信号中包括生理信号与噪声信号，所述第二信号反映光线的强度随时间的变化，所述噪声信号是光线的强度变化引入的；将所述第一信号与所述第二信号输入信号模型，得到所述生理信号，所述信号模型用于去除所述噪声信号；根据所述生理信号，确定驾驶员的生理指标。
第四方面，本申请实施例还提供了一种电子设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的检测驾驶员的生理指标的方法。
第五方面，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，当所述计算机指令在计算机上运行时，使得所述计算机执行如第一方面所述的检测驾驶员的生理指标的方法。
第六方面，本申请实施例还提供了一种计算机程序产品，所述计算机程序产品包括计算机程序，当所述计算机程序产品在计算机上运行时，实现如第一方面所述的检测驾驶员的生理指标的方法。
本申请实施例提供了一种检测驾驶员的生理指标的方法，该方法生成第一信号与第二信号，第一信号中包括生理信号与噪声信号，第二信号反映光线的强度随时间的变化；将第一信号与第二信号输入信号模型，信号模型能够根据第二信号反映的光照强度的变化，从第一信号中去除噪声信号，得到没有噪声的生理信号，进而确定生理指标。噪声信号是光线的强度变化引入的，在光线不断变化时，信号模型均能有效去除噪声信号，因此本申请实施例提供的方法，能够提高在实际驾驶场景下检测到的驾驶员的生理指标的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种检测驾驶员的生理指标的方法100的流程示意图；
图2是本申请实施例提供的一种确定连续的N帧图像的方法200的流程示意图；
图3是本申请实施例提供的一种人脸特征点的示意图；
图4是本申请实施例提供的一种背景区域的示意图；
图5是本申请实施例提供的一种建立模型的方法500的流程示意图；
图6是本申请实施例提供的一种双色皮肤反射模型的结构示意图；
图7是本申请实施例提供的一种红外光源与红外相机的放置位置的示意图；
图8是本申请实施例提供的一种检测驾驶员的生理指标的整体流程示意图；
图9是本申请实施例提供的一种装置900的结构示意图；
图10是本申请实施例提供的一种电子设备10的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
以下，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
rPPG技术是一种非接触式测量人体生理指标的技术，其基本原理是光线在进入人体皮肤后经过组织及血液吸收和漫反射后被相机传感器接收到，人体组织和血液对光线的吸收和漫反射会影响像素的颜色或者灰度值，因此从相机视频生成的原始信号中调制了与心血管及呼吸活动有关的rPPG信号，也称为生理信号或者脉动信号。因此可以根据相机获取的视频生成原始信号，从原始信号中提取生理信号，进一步从生理信号提取心率、血压、呼吸、血氧饱和度等生理指标。
现有rPPG技术通常适用于单一光源且光线变化较小的场景。对于光线剧烈变化场景，现有rPPG技术不能有效的解决问题。因此，本申请实施例提供了一种检测驾驶员的生理指标的方法，以解决现有技术在实际驾驶场景下检测到的驾驶员生理指标的准确性较差的问题。
为了方便理解，首先对本申请中提及的术语进行统一描述，其中，第一信号是混合了生理信号与噪声信号的原始信号；第一信号是根据人脸区域的灰度值生成的。第二信号反映光线的强度随时间的变化，第二信号是根据背景区域的灰度值生成的。信号模型用于从第一信号中提取生理信号。信号模型表示了第一信号、第二信号与生理信号之间的关联关系(即第三关联关系)，第三关联关系是根据第一关联关系与第二关联关系确定的，第一关联关系代表第一信号、光线的强度信号、生理信号三者之间的关联关系，第二关联关系代表第二信号与光线的强度信号之间的关联关系。光线的强度信号包括第一光线的强度信号与第二光线的强度信号，第一光线来源于红外光源，第二光线来源于太阳光。红外光源的强度是固定不变的，此时，第二信号反映了第二光线的强度随时间的变化。
第一方面，对本申请实施例提供的一种检测驾驶员的生理指标的方法100进行说明，如图1所示，该方法包括：
S101：生成第一信号与第二信号，第一信号中包括生理信号与噪声信号，第二信号反映光线的强度随时间的变化，噪声信号是光线的强度变化引入的；
S102：将第一信号与第二信号输入信号模型，得到生理信号，信号模型用于去除噪声信号；
S103：根据生理信号，确定驾驶员的生理指标。
本申请实施例中，第一信号中混合了生理信号与噪声信号，其中噪声信号是光线的强度变化引入的，光线为太阳光或者自然光，光线的强度变化是太阳光或者自然光忽强忽弱而引起的变化。比如朝着不同方向行车时会受到不同的太阳光光线的影响，则车辆在行驶时光线的强度会发生变化；或者白天在林荫路面行驶时，由于树木、楼宇的遮挡，太阳光光线会发生快速剧烈的变化；或者夜晚行车时，路灯、车灯等环境灯光会不断变化。
第二信号实时反映光线的强度随时间的变化，在实际驾驶场景中，光线的各种变化均能从第二信号的变化中有效地反映出来。
将第一信号与第二信号输入信号模型中，则信号模型将噪声信号从第一信号中去除，得到去噪后的生理信号，基于去噪后的生理信号确定生理指标。信号模型是预先建立的，在光线变化的多种场景下，信号模型均能有效去除噪声信号，因此本申请实施例提供的方法，能够提高在实际驾驶场景下检测到的生理指标的准确性。
特别的，本申请实施例中，生成第一信号的步骤如下所示：
获取包含人脸区域的连续的N帧图像；
确定包含人脸区域的连续的N帧图像对应的N个第一灰度值；
根据N个第一灰度值，生成第一信号。
本申请实施例中，驾驶员在驾驶过程中，利用红外相机获取包含驾驶员的人脸区域在内的连续的N帧图像，然后进行人脸检测以及人脸特征点检测及跟踪，确定驾驶员的脸部区域。红外相机可以是结合了红外滤光片的摄像头，红外滤光片可以是940nm的窄带滤镜，利用红外相机获取的图像为灰度图像。使用红外相机获取图像，可以滤除可见光，屏蔽白天或晚上剧烈变化的可见光的噪声影响，使获取的图像不受外界可见光的干扰，提高生成生理信号的准确度。
针对每一帧图像，计算人脸区域像素灰度值的平均值，则一帧图像得到一个第一灰度值。N帧图像得到N个第一灰度值，N个第一灰度值构成在时间上连续的一个序列，生成第一信号。
本申请实施例中，通过红外相机获取的包含脸部区域的连续的图像总共为M帧，在不考虑运动噪声的情况下，N帧图像是获取的包含脸部区域的全部帧图像，即M＝N。但是实际上，驾驶员在驾驶过程中头部、身体会进行运动，比如低头、抬头、转头、伸腰等，这些运动会引入运动噪声，因此在生成第一信号之前，需要先抑制运动噪声的影响。抑制运动噪声可以通过信号处理的方式实现，也可以通过设置运动噪声阈值的方式实现。
在通过设置运动噪声阈值的方式抑制运动噪声时，第一信号中去除了由人体运动引入的噪声，N帧图像是包含脸部区域的连续的M帧图像中的连续的N帧图像，M＞N。
特别的，N帧图像由至少两个子窗口构成，每个子窗口中包括连续的多帧图像，至少两个子窗口对应的至少两组方差中方差小于预设阈值的组数大于或者等于预设数量，一组方差是根据N帧图像中的每一帧图像中的人脸特征点的坐标确定的。
本申请实施例中，根据人脸特征点的坐标的变化从M帧图像中确定连续的N帧图像，从而抑制运动噪声的影响，如图2所示，确定连续的N帧图像的方法200至少包括以下步骤：
S201：对M帧图像进行人脸检测以及人脸特征点检测及跟踪；
S202：确定M帧图像包括的每一帧图像中预设人脸特征点的坐标；
S203：确定M帧图像中的第一窗口，第一窗口包括连续的Q帧图像；
S204：根据第一窗口中的每一帧图像中的预设人脸特征点的坐标，计算每个子窗口对应的一组方差，第一窗口包括多个子窗口；
S205：当方差小于预设阈值的组数大于或者等于预设数量时，将第一窗口包括的连续的Q帧图像确定为连续的N帧图像。
本申请实施例中，如图3所示，利用Dlib人脸检测技术确定68个人脸特征点，68个人脸特征点标有不同的序号，在第一帧图像中确定多个人脸特征点的坐标，坐标表示为(x,y)，并且在M帧图像中的其他每一帧图像中确定序号相同的人脸特征点的坐标。比如从2-16包络线上的15个人脸特征点中选定5个人脸特征点，其中左边取两个人脸特征点，中间取一个人脸特征点，右边取两个人脸特征点，以这5个人脸特征点的坐标变化作为检测运动噪声的依据。
在包含人脸区域的M帧图像中，按照时间长度tw(单位：秒)选择第一窗口，第一窗口包括连续的Q帧图像，则第一窗口中总共有5·Q个选定的人脸特征点，根据5·Q个选定的人脸特征点的坐标，计算得到x的平均值与y的平均值。然后将时间长度为tw秒的第一窗口按照预设间隔划分为tw个子窗口，每个子窗口的时间长度为1秒，当采样频率为fs(单位：Hz)时，每个子窗口中包括连续的fs帧图像。
计算子窗口对应的x的方差和y的方差，一个子窗口对应一组方差，一种可实现方式中，方差小于预设阈值的组数大于或者等于预设数量时，则可以将第一窗口包括的连续的Q帧图像确定为连续的N帧图像。另一种可实现方式中，所有子窗口对应的方差均小于预设阈值时，将第一窗口包括的连续的Q帧图像确定为连续的N帧图像。
以后者为例，从第一个子窗口开始，根据第一个子窗口(fs帧图像)中的每一帧图像中的5个人脸特征点的坐标(共5·fs个坐标)、x的平均值、y的平均值，计算出一个x的方差与一个y的方差，得到第一组方差值。如果第一组方差值小于预设阈值(预设阈值为与x、y对应的一组值)，则计算第二个子窗口对应的第二组方差，如果第二组方差值小于预设阈值，则计算第三个子窗口对应的第三组方差，依次类推，直到计算出最后一组方差值小于预设阈值时，将第一窗口包括的连续的Q帧图像确定为连续的N帧图像，进而生成第一信号；如果第一组方差值大于预设阈值，则认为在第一窗口中检测到了较为严重的运动噪声，不能根据第一窗口包括的Q帧图像生成第一信号，此时也不再计算第二个子窗口对应的第二组方差。而是以步长为step(单位：秒)沿时间顺序滑动得到新的tw窗口，然后重复相同过程决定使用该窗口或不使用该窗口。前述的tw、fs、step等参数的具体取值可以通过实验确定。
对于可以使用的tw窗口，在一种实现方式中，计算每一帧图像的第一灰度值，生成第一信号。在另一种实现方式中，计算每一帧图像的第一灰度值，生成tw窗口信号，然后对该信号进行移动平均，去除高斯噪声，得到更新后的tw窗口信号。然后对更新后的tw窗口信号进行时域平均，消除获取图像时产生的偏移的影响，以第一灰度值除以时域平均值后再减去1，从而得到均值为0的AC/DC信号，然后再进行带通滤波处理，去除一部分不属于心率范围的信号，生成第一信号。移动平均是对一帧图像计算出第一灰度值后，根据该帧图像的前后几帧图像对应的灰度值与第一灰度值计算移动平均值，将该移动平均值作为更新后的第一灰度值。时域平均值是tw窗口内所有第一灰度值的平均值。带通滤波采用四阶巴特沃斯滤波器，带通频率为0.85-3Hz，对应心率为51-180bpm。
计算每一帧图像的第一灰度值时，可以针对整个脸部区域计算像素灰度值的平均值，也可以选择一个脸部的感兴趣区域(Region of Interest，ROI)，针对感兴趣区域计算像素灰度值的平均值。如图3所示，本申请实施例中选取特征点2-30-16-15-…-2连成的包络线所构成的区域，并除去嘴部、鼻子包络线的内部区域之后的区域为感兴趣区域，计算该感兴趣区域中所有像素的灰度值的平均值，得到第一灰度值。
本申请实施例提供的方法，通过人脸特征点检测跟踪感知运动噪声，能够有效去除运动噪声，得到更准确的第一信号，从而得到更加准确的生理指标。
特别的，生成第二信号的步骤如下所示：
获取包含背景区域的连续的N帧图像；
确定包含背景区域的连续的N帧图像对应的N个第二灰度值；
根据N个第二灰度值，生成第二信号。
本申请实施例中，包括人脸区域的N帧图像中还包括背景区域，在N帧图像中的每一帧图像选择的背景区域的位置固定不变。如图4所示，背景区域是拍摄到的车辆内部的一块区域，背景区域与人脸区域的相对位置可以预先设置，比如，将驾驶员头顶处一个大小为60×60像素的区域确定为背景区域。计算背景区域像素灰度值的平均值，则一帧图像得到一个第二灰度值。N帧图像得到N个第二灰度值，N个第二灰度值构成在时间上连续的一个序列，生成第二信号。由于背景区域是固定的，因此第二信号能够有效反映光线的强度随时间发生的变化。
将第一信号与第二信号输入信号模型，计算得到生理信号，根据生理信号计算驾驶员心率。以下对计算心率的过程进行描述，本申请实施例中，将生理信号表示为p(t)，将计算心率的问题转化为单频实正弦信号的频率估计问题。将p(t)作为观测信号，用采样序号n来表示离散时刻t，则单频实正弦信号的观测模型为：
其中，采样序号n＝0,1,...,N，s(n)为实正弦信号，A、f0、
分别是s(n)的幅值、频率、初始相位，fs为采样频率，ω0为角频率，ω0∈(0,π]。g(n)为零均值，方差为σ2未知的高斯白噪声。
然后，基于MC(Modified Covariance)算法估计s(n)的频率。将观测信号p(n)二等分为两个观测信号p1(m)和p2(m)，其中
p1(m)和p2(m)分别表示为：
其中，对角频率的估计值为：
最后由
可以计算出心跳脉动信号的频率，即心率
本申请实施例提供的方法，既能在低信噪比的情况下很好地计算驾驶员心率，同时又计算复杂度较低。
第二方面，本申请实施例还提供了一种建立模型的方法500，模型应用于去除噪声信号的场景中，噪声信号是光线的强度变化引入的，该方法500包括：
S501：建立第一关联关系与第二关联关系，第一关联关系代表第一信号、光线的强度信号、生理信号三者之间的关联关系，第二关联关系代表第二信号与光线的强度信号之间的关联关系；
S502：根据第一关联关系与第二关联关系，确定第三关联关系，第三关联关系为第一信号、第二信号与生理信号之间的关联关系。
本申请实施例中，建立第一关联关系与第二关联关系，然后在关系转换过程中，光线的强度信号由第二信号表示，最后得到第一信号、第二信号与生理信号之间的关联关系，建立出信号模型。
其中，光线的强度信号可以是第一光线的强度信号，第一光线对应的光源的强度是固定不变的。第一光线来源于红外光源，红外光源可以是940nm近红外光源，从而在低光照或者完全黑暗的环境下也可以获取到N帧图像，并可以最大程度屏蔽白天太阳光及晚上可见光的光线变化噪声的影响。光线的强度信号也可以是多种光线同时作用的强度信号，比如光线的强度信号包括第一光线的强度信号与第二光线的强度信号，第二光线来源于太阳光。此时，第一关联关系中光线的强度信号与生理信号之间的关系满足非线性交互关系。利用两种独立的光源建立模型，能更好的剔除一种光源的强度变化所带来的光照噪声的影响。
以光线的强度信号包括第一光线的强度信号与第二光线的强度信号，第一光线来源于近红外光源，第二光线来源于太阳光为例，对模型建立过程进行说明。本申请实施例中，人脸感兴趣区域的灰度值和背景区域的灰度值均取决于两个光源：一个是红外光源(NIR)，一个是太阳光中的红外频段光。
基于两种独立光源建立双色皮肤反射模型，如图6所示，红外相机传感器获取的图像中，人脸感兴趣区域反映的光线的强度是近红外光源、太阳光中的红外频段光经过人脸皮肤镜面反射和漫反射之后，被相机接收到的红外光的强度之和。不同光源的强度和强度变化都不同，针对每个光源考虑其强度对镜面反射以及漫反射的影响，因此，可以得到以下关系：
式(5)中，t表示t时刻，c(t)表示人脸感兴趣区域内像素灰度值的平均值，i(t)表示NIR光源的强度，s(t)代表太阳光的强度，
表示NIR光源的皮肤镜面反射，
表示NIR光源的皮肤漫反射，
表示太阳光的皮肤镜面反射，
表示太阳光的皮肤漫反射，vn(t)代表相机量化噪声。
由于与NIR相机成像有关的光谱是经窄带NIR滤镜过滤后的窄带NIR光谱，所以NIR光源和太阳光两种光源的成像光谱是相同的，本申请实施例中只考虑这些光谱入射皮肤的镜面反射和漫反射，为了简化模型，忽略两种光源与皮肤、相机的几何关系差异，可以得到以下公式：
其中vs(t)和vd(t)分别代表皮肤的镜面反射和漫反射。并且忽略细微运动噪声对镜面反射的影响，假设vs(t)是与时间无关的常量，则：
vs(t)＝s0 (7)
vd(t)＝d0+p(t) (8)
其中，d0是与皮肤特性有关的常量，p(t)是生理信号，则将式(8)代入式(5)可以看出：太阳光强度变化对漫反射信号中的生理信号的影响满足乘性关系(即非线性交互关系)。
此外，NIR光源的强度是固定不变的，因为i(t)与NIR光源强度、以及NIR光源与皮肤、相机的相对距离有关。由于NIR光源强度固定，且NIR光源安装在仪表盘上方，与驾驶员脸部距离很近而且直射人脸，所以可以认为i(t)是一个与时间无关的常量，即
i(t)＝i0 (9)
并且i0可以通过在无太阳光只有NIR光源的情况下测量估计得到。
把(6)-(9)式代入(5)式，可以得到第一关联关系：
c(t)＝i0[s0+d0+p(t)]+s(t)[s0+d0+p(t)]+vn(t) (10)
记：
u0＝s0+d0 (11)
则将(11)式带入(10)式中，可得：
c(t)＝i0u0+s(t)·u0+[i0+s(t)]·p(t) (12)
本申请实施例中，选定人脸的一个背景区域成像来主动感知外界光照变化噪声，背景区域的灰度值与NIR光源的强度、太阳光的强度的关系满足线性关系，则第二关联关系表示为：
bg(t)＝α·i0+β·s(t) (13)
其中bg(t)代表背景区域的灰度值，α和β是两个常量。
记bg0＝α·i0，bg0可以通过在无太阳光只有NIR光源的情况下测量得到，因此得到：
本申请实施例中在没有NIR主动光源(bg0＝0)条件下，通过可调太阳光模拟器、测光表、NIR相机设备，测量不同太阳光强度及不同太阳光强度下NIR相机对背景区域成像的灰度值，并拟合一个最优的线性关系，确定β的取值。
把(14)代入(12)，可知c(t)由两部分构成，一部分是与t无关的常量，一部分与t有关，将与t有关的部分记为
表示信号c(t)的AC分量，同时记
则得到第三关联关系：
其中
表示第一信号，即根据人脸感兴趣区域的第一灰度值生成的信号；bg(t)表示第二信号，即根据背景区域的第二灰度值生成的信号；p(t)表示生理信号，从中可知光线的强度信号与生理信号之间的关系满足非线性交互关系。
在(15)式两边同时求期望，由于E(p(t))＝0，并且bg(t)和bg(t)独立，可得到：
从(16)式中可以计算出γ。则(15)式中的所有参数γ、β、i0、bg0都可以确定，从而当生成第一信号与第二信号后，根据(15)式表示的第三关联关系，可以计算出生理信号p(t)。
本申请实施例中，将太阳光与红外光源作为两个独立的光源，建立了双色皮肤反射模型，由于不同光源的强度和强度变化都不同，针对每个光源考虑其强度对镜面反射以及漫反射的影响，其中太阳光变化对漫反射信号中的生理信号的影响满足乘性关系，即光线的强度信号与生理信号之间的关系满足非线性交互关系；同时由于红外光源直射人脸且距离较短，因此红外光源的强度是固定不变的；并通过背景区域主动感知光线强度的变化；最终建立了生理信号与第一信号、第二信号的关联关系(第三关联关系，见公式(15))，得到了信号模型，基于本申请实施例建立的信号模型，能够更加准确的得到生理信号。
总之，利用本申请实施例提供的方法检测驾驶员的生理指标时，在车内仪表盘上方10cm左右放置两个940nm窄带红外光源，并且红外相机固定在两个光源中间，如图7所示，红外相机与人脸之间的距离为50cm-100cm，人脸高度略高于摄像头，角度为仰角15度到30度之间。由于相机位置固定，且相机高度略低于人脸，所以红外相机对人脸成像的背景中会包括驾驶员头顶上方车顶处的一小块区域，该区域在图像中的坐标是不变的，在其中选择一个大小为60×60像素且与人脸区域接近的区域确定为背景区域。
实际驾驶过程中，预先校准信号模型的参数并确定信号模型，检测驾驶员的生理指标的整体流程如图8所示，利用940nm窄带红外相机获取包括驾驶员脸部感兴趣区域及背景区域的视频(连续的M帧图像)，然后进行人脸检测，并对人脸特征点进行检测及跟踪，通过人脸特征点跟踪检测运动噪声，根据选定的人脸特征点的坐标从连续的M帧图像中选择出连续的N帧图像(信号选择)，根据连续的N帧图像中的脸部感兴趣区域对应的N个第一灰度值生成第一信号，并根据连续的N帧图像中的背景区域对应的N个第二灰度值生成第二信号。此时第一信号中去除了由人体运动引入的噪声，第一信号中包括生理信号与噪声信号，噪声信号是光线的强度变化引入的(即光照噪声)，第二信号反映光线的强度随时间的变化，将第一信号与第二信号输入信号模型，则信号模型将噪声信号从第一信号中滤除，提取出生理信号，进而得到生理指标。本申请实施例提供的方法，在光线不断变化时，信号模型均能有效去除噪声信号，能够提高在实际驾驶场景下检测到的驾驶员的生理指标的准确性。
图9为本申请实施例提供的一种检测驾驶员的生理指标的装置900的结构性框图，该装置包括获取模块901、处理模块902。
获取模块901，用于获取包含人脸区域的连续的M帧图像；
处理模块902，用于生成第一信号与第二信号，第一信号中包括生理信号与噪声信号，第二信号反映光线的强度随时间的变化，噪声信号是光线的强度变化引入的；将第一信号与第二信号输入信号模型，得到生理信号，信号模型用于去除噪声信号；根据生理信号，确定生理指标。
特别的，处理模块902还用于获取包含人脸区域的连续的N帧图像；确定包含人脸区域的连续的N帧图像对应的N个第一灰度值；根据N个第一灰度值，生成第一信号。
特别的，处理模块902还用于获取包含背景区域的连续的N帧图像；确定包含背景区域的连续的N帧图像对应的N个第二灰度值；根据N个第二灰度值，生成第二信号。
应理解的是，本申请实施例的装置900可以通过专用集成电路(application-specific integrated circuit，ASIC)实现，或可编程逻辑器件(programmable logicdevice，PLD)实现，上述PLD可以是复杂程序逻辑器件(complex programmable logicaldevice，CPLD)，现场可编程门阵列(field-programmable gate array，FPGA)，通用阵列逻辑(generic array logic，GAL)或其任意组合。也可以通过软件实现图1所示的检测驾驶员的生理指标的方法，通过软件实现图1所示的检测驾驶员的生理指标的方法时，控制装置600及其各个模块也可以为软件模块。
图10为本申请实施例提供的一种电子设备10的结构示意图。如图10所示，该设备10包括处理器1001、存储器1002、通信接口1003和总线1004。其中，处理器1001、存储器1002、通信接口1003通过总线1004进行通信，也可以通过无线传输等其他手段实现通信。该存储器1002用于存储指令，该处理器1001用于执行该存储器1002存储的指令。该存储器1002存储程序代码1021，且处理器1001可以调用存储器1002中存储的程序代码1021执行图1所示的检测驾驶员的生理指标的方法。
应理解，在本申请实施例中，处理器1001可以是CPU，处理器1001还可以是其他通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者是任何常规的处理器等。
该存储器1002可以包括只读存储器和随机存取存储器，并向处理器1001提供指令和数据。存储器1002还可以包括非易失性随机存取存储器。该存储器1002可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，ROM)、可编程只读存储器(programmable ROM，PROM)、可擦除可编程只读存储器(erasable PROM，EPROM)、电可擦除可编程只读存储器(electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(randomaccess memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(static RAM，SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(double data date SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(enhancedSDRAM，ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM，DR RAM)。
该总线1004除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见，在图10中将各种总线都标为总线1004。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质。半导体介质可以是固态硬盘(solid state drive，SSD)。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种检测驾驶员的生理指标的方法，其特征在于，所述方法包括：
生成第一信号与第二信号，所述第一信号中包括生理信号与噪声信号，所述第二信号反映光线的强度随时间的变化，所述噪声信号是光线的强度变化引入的；
将所述第一信号与所述第二信号输入信号模型，得到所述生理信号，所述信号模型用于去除所述噪声信号；
根据所述生理信号，确定所述驾驶员的生理指标。
2.根据权利要求1所述的方法，其特征在于，所述生成第一信号，包括：
获取包含人脸区域的连续的N帧图像；
确定所述包含人脸区域的连续的N帧图像对应的N个第一灰度值；
根据所述N个第一灰度值，生成所述第一信号。
3.根据权利要求2所述的方法，其特征在于，当所述第一信号中去除了由人体运动引入的噪声时，所述N帧图像是包含人脸区域的连续的M帧图像中的连续的N帧图像，M＞N。
4.根据权利要求3所述的方法，其特征在于，所述N帧图像由至少两个子窗口构成，每个子窗口中包括连续的多帧图像，所述至少两个子窗口对应的至少两组方差中方差小于预设阈值的组数大于或者等于预设数量，一组方差是根据N帧图像中的每一帧图像中的人脸特征点的坐标确定的。
5.根据权利要求1所述的方法，其特征在于，所述生成第二信号，包括：
获取包含背景区域的连续的N帧图像；
确定所述包含背景区域的连续的N帧图像对应的N个第二灰度值；
根据所述N个第二灰度值，生成所述第二信号。
6.一种建立模型的方法，所述模型应用于去除噪声信号的场景中，所述噪声信号是光线的强度变化引入的，其特征在于，所述方法包括：
建立第一关联关系与第二关联关系，所述第一关联关系代表第一信号、光线的强度信号、生理信号三者之间的关联关系，所述第二关联关系代表第二信号与光线的强度信号之间的关联关系；
根据所述第一关联关系与第二关联关系，确定第三关联关系，所述第三关联关系为所述第一信号、所述第二信号与所述生理信号之间的关联关系。
7.根据权利要求6所述的模型，其特征在于，所述光线的强度信号包括第一光线的强度信号，所述第一光线对应的光源的强度是固定不变的。
8.根据权利要求7所述的模型，其特征在于，第一光线来源于红外光源。
9.根据权利要求7所述的模型，其特征在于，所述光线的强度信号还包括第二光线的强度信号，第二光线来源于太阳光。
10.根据权利要求9所述的模型，其特征在于，所述第一关联关系中所述光线的强度信号与所述生理信号之间的关系满足非线性交互关系。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110075444.1A CN112784731A (zh) | 2021-01-20 | 2021-01-20 | 一种检测驾驶员的生理指标、及建立模型的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110075444.1A CN112784731A (zh) | 2021-01-20 | 2021-01-20 | 一种检测驾驶员的生理指标、及建立模型的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112784731A true CN112784731A (zh) | 2021-05-11 |
Family
ID=75757367
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110075444.1A Pending CN112784731A (zh) | 2021-01-20 | 2021-01-20 | 一种检测驾驶员的生理指标、及建立模型的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112784731A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113611324A (zh) * | 2021-06-21 | 2021-11-05 | 上海一谈网络科技有限公司 | 一种直播中环境噪声抑制的方法、装置、电子设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103826532A (zh) * | 2011-08-22 | 2014-05-28 | Isis创新有限公司 | 生命体征的远程监控 |
| CN106919958A (zh) * | 2017-03-21 | 2017-07-04 | 电子科技大学 | 一种基于智能手表的人体手指动作识别方法 |
| CN109222949A (zh) * | 2018-10-12 | 2019-01-18 | 杭州士兰微电子股份有限公司 | 心率检测方法和心率检测装置 |
| CN110367950A (zh) * | 2019-07-22 | 2019-10-25 | 西安爱特眼动信息科技有限公司 | 非接触式生理信息检测方法及系统 |
| US20200178809A1 (en) * | 2017-08-08 | 2020-06-11 | Koninklijke Philips N.V. | Device, system and method for determining a physiological parameter of a subject |
-
2021
- 2021-01-20 CN CN202110075444.1A patent/CN112784731A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103826532A (zh) * | 2011-08-22 | 2014-05-28 | Isis创新有限公司 | 生命体征的远程监控 |
| CN106919958A (zh) * | 2017-03-21 | 2017-07-04 | 电子科技大学 | 一种基于智能手表的人体手指动作识别方法 |
| US20200178809A1 (en) * | 2017-08-08 | 2020-06-11 | Koninklijke Philips N.V. | Device, system and method for determining a physiological parameter of a subject |
| CN109222949A (zh) * | 2018-10-12 | 2019-01-18 | 杭州士兰微电子股份有限公司 | 心率检测方法和心率检测装置 |
| CN110367950A (zh) * | 2019-07-22 | 2019-10-25 | 西安爱特眼动信息科技有限公司 | 非接触式生理信息检测方法及系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113611324A (zh) * | 2021-06-21 | 2021-11-05 | 上海一谈网络科技有限公司 | 一种直播中环境噪声抑制的方法、装置、电子设备及存储介质 |
| CN113611324B (zh) * | 2021-06-21 | 2024-03-26 | 上海一谈网络科技有限公司 | 一种直播中环境噪声抑制的方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112074226B (zh) | 用于生命体征的远程测量的系统和方法 | |
| US10098592B2 (en) | Blood flow image diagnosing device and method | |
| JP6521845B2 (ja) | 心拍に連動する周期的変動の計測装置及び計測方法 | |
| JP6256488B2 (ja) | 信号処理装置、信号処理方法及び信号処理プログラム | |
| CN106845395A (zh) | 一种基于人脸识别进行活体检测的方法 | |
| Feng et al. | Motion artifacts suppression for remote imaging photoplethysmography | |
| Blöcher et al. | An online PPGI approach for camera based heart rate monitoring using beat-to-beat detection | |
| CN111407245A (zh) | 一种基于摄像头的非接触式心率、体温测量方法 | |
| Park et al. | Remote pulse rate measurement from near-infrared videos | |
| JP6784403B2 (ja) | 心拍変動の推定方法、心拍変動の推定プログラム及び心拍変動推定システム | |
| Jeanne et al. | Camera-based heart rate monitoring in highly dynamic light conditions | |
| Bousefsaf et al. | Peripheral vasomotor activity assessment using a continuous wavelet analysis on webcam photoplethysmographic signals | |
| Przybyło | A deep learning approach for remote heart rate estimation | |
| Wu et al. | Camera-based heart rate measurement using continuous wavelet transform | |
| CN112200099A (zh) | 一种基于视频的动态心率检测方法 | |
| CN112784731A (zh) | 一种检测驾驶员的生理指标、及建立模型的方法 | |
| Xu et al. | Ivrr-PPG: An illumination variation robust remote-PPG algorithm for monitoring heart rate of drivers | |
| US20230397826A1 (en) | Operation method for measuring biometric index of a subject | |
| US11701011B2 (en) | Biological information detection device and biological information detection method | |
| US20200330042A1 (en) | Biological Image Processing Method and Biological Information Detection Device | |
| CN104688199B (zh) | 一种基于皮肤色素浓度差分的非接触式脉搏测量方法 | |
| Lee et al. | Robust remote heart rate estimation in car driving environment | |
| WO2022211656A1 (en) | Method and system for heart rate extraction from rgb images | |
| Wang et al. | KLT algorithm for non-contact heart rate detection based on image photoplethysmography | |
| US20240016424A1 (en) | Determining Oxygen Levels From Images of Skin |
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 |