CN115191960A - 一种基于视觉的脉搏波寸关尺位置检测方法及装置 - Google Patents

一种基于视觉的脉搏波寸关尺位置检测方法及装置 Download PDF

Info

Publication number
CN115191960A
CN115191960A CN202210821654.5A CN202210821654A CN115191960A CN 115191960 A CN115191960 A CN 115191960A CN 202210821654 A CN202210821654 A CN 202210821654A CN 115191960 A CN115191960 A CN 115191960A
Authority
CN
China
Prior art keywords
speckle
wrist
video
region
interest
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
Application number
CN202210821654.5A
Other languages
English (en)
Inventor
江志兴
郭超勋
董文
张大鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Research Institute of Big Data SRIBD
Original Assignee
Shenzhen Research Institute of Big Data SRIBD
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Research Institute of Big Data SRIBD filed Critical Shenzhen Research Institute of Big Data SRIBD
Priority to CN202210821654.5A priority Critical patent/CN115191960A/zh
Publication of CN115191960A publication Critical patent/CN115191960A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0077—Devices for viewing the surface of the body, e.g. camera, magnifying lens
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4854—Diagnosis based on concepts of traditional oriental medicine
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • 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
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Pathology (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Public Health (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Cardiology (AREA)
  • Physiology (AREA)
  • Multimedia (AREA)
  • Alternative & Traditional Medicine (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于视觉的脉搏波寸关尺位置检测方法及装置，方法包括：基于腕部波动采集装置获取腕部视频，并从腕部视频提取感兴趣区域；获取只包括感兴趣区域的腕部数字散斑视频，对腕部数字散斑视频中的每一帧感兴趣区域进行分块处理，得到若干个相邻且无重叠的散斑子区域，并确定每个散斑子区域的脉象信号；基于每个散斑子区域的脉象信号，确定每个散斑子区域之间的信号差异性，并根据信号差异性与人体生理结构先验知识，确定寸、关、尺的采集位置。本发明通过获取到腕部视频后，分割出感兴趣区域，并基于感兴趣区域进行一系列的分析，根据脉象信号的差异性，无接触地确定出寸、关、尺的采集位置，解决信号采集过程中的自动化定位问题。

Description

一种基于视觉的脉搏波寸关尺位置检测方法及装置
技术领域
本发明涉及脉象信号采集定位技术领域，尤其涉及一种基于视觉的脉搏波寸关尺位置检测方法及装置。
背景技术
现有技术中对于采集位置自动化、智能化识别，主要利用视觉信息对脉象信号进行直接获取，或者对采集位置进行判断，虽然已经取得了部分研究进展和成果，但是其不足和缺点也十分明显。主要是，基于视觉的方法主要利用桡动脉跳动时对皮肤引起的细微形变，将该形变进行检测和放大，并转化为脉象信号。但该类方法检测到的脉象信号通常质量较差，噪声比较多，信号频率也不高。并且由于人体个体差异，在很多的腕部区域单纯依靠视觉技术是无法检测出波动，导致无法准确确定出寸、关、尺位置。可见，现有技术中，缺少一个套标准的寸、关、尺采集位置分析与判断方法。
因此，现有技术还有待改进和提高。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于视觉的脉搏波寸关尺位置检测方法及装置，旨在提供解决现有技术在对将高带宽需求的通信链路被分配至同一服务器内部后，也难以同时保证各个服务器的计算负载均衡的问题。
第一方面，本发明提供一种基于视觉的脉搏波寸关尺位置检测方法，其中，所述方法包括：
基于预设的腕部波动采集装置获取腕部视频，并从所述腕部视频提取感兴趣区域；
获取只包括所述感兴趣区域的腕部数字散斑视频，对所述腕部数字散斑视频中的每一帧所述感兴趣区域进行分块处理，得到若干个相邻且无重叠的散斑子区域，并根据所述散斑子区域，确定每个散斑子区域的脉象信号；
基于每个散斑子区域的所述脉象信号，确定每个散斑子区域之间的信号差异性，并根据所述信号差异性与人体生理结构先验知识，确定寸、关、尺的采集位置。
在一种实现方式中，所述腕部波动采集装置包括：
屏蔽罩，所述屏蔽罩上设置有开口；
光源，所述光源设置有多个，且分别设置在所述屏蔽罩的不同内壁上，以提供不同角度的光照；
支撑件，所述支撑件设置在所述屏蔽罩内，且与所述屏蔽罩的底板以及后侧板连接；
手掌姿态保持组件，所述手掌姿态保持组件设置在所述支撑件的底部，用于对手腕姿态的限定；
数字散斑发生器，所述数字散斑发生器设置在所述支撑件上，且所述数字散斑发生器朝向所述手掌姿态保持组件，用于将斑图像照射到腕部皮肤；
成像装置，所述成像装置设置在所述支撑件上，用于以预设的速度采集所述腕部视频。
在一种实现方式中，所述从所述腕部视频提取感兴趣区域，包括：
读取所述腕部视频的第一帧腕部图像，并从所述第一帧腕部图像中提取带有平滑、连续左边缘的腕部目标图像；
对所述腕部目标图像进行左边缘提取，并利用多项式进行拟合，确定拟合曲线的曲率最大值坐标，其中所述曲率最大值坐标为所述腕部目标图像中手掌和腕部的连接处位置；
以所述曲率最大值坐标为基准，从所述腕部目标图像中选取所述感兴趣区域。
在一种实现方式中，所述从所述第一帧腕部图像中提取带有平滑、连续左边缘的腕部目标图像，包括：
将所述第一帧腕部图像转换为灰度图像并进行二值化处理；
并对经过二值化处理后的图像进行腐蚀膨胀运算，并删除面积小于预设值的连通区域，得到带有平滑、连续左边缘的腕部目标图像。
在一种实现方式中，所述对所述腕部数字散斑视频中的每一帧所述感兴趣区域进行分块处理，得到若干个相邻且无重叠的散斑子区域，包括：
对所述腕部数字散斑视频进行欧拉视频放大操作，并对经过欧拉视频放大操作后的腕部数字散斑视频进行图像滤波处理；
将经过图像滤波处理后的腕部数字散斑视频从RGB图像空间转换成YIO图像空间，并提取Y通道图像；
根据所述Y通道图像，对每一帧所述感兴趣区域进行分块处理，得到若干个m*m的相邻、无重叠的所述散斑子区域。
在一种实现方式中，所述根据所述散斑子区域，确定每个散斑子区域的脉象信号，包括：
利用数字散斑相关法计算每一帧所述感兴趣区域中每个散斑子区域的相关系数极大值；
将每个散斑子区域的相关系数极大值按时序排列，得到所述脉象信号。
在一种实现方式中，所述基于每个散斑子区域的所述脉象信号，确定每个散斑子区域之间的信号差异性，并根据所述信号差异性与人体生理结构先验知识，确定寸、关、尺的采集位置，包括：
基于每个散斑子区域的所述脉象信号，计算每个散斑子区域的心率，并删除心率不正常的散斑子区域，得到剩余散斑子区域；
对所述剩余散斑子区域进行单周期分割，计算所述剩余散斑子区域间的单周期相似度，并根据所述单周期相似度，筛选出所述单周期相似度超过预设相似度的散斑子区域，得到散斑子区域集合；
将所述散斑子区域集合按照幅值强度由高到低进行排序，得到第一排序；
按照所述第一排序从所述散斑子区域集合中确定出一个靠近感兴趣区域中心的散斑子区域作为关的采集位置，所述关的采集位置对应的散斑子区域幅值强度最大；
将具有所述关的采集位置的散斑子区域从所述散斑子区域集合中删除，并得到第二排序；
根据寸与关的相对位置以及寸与尺的相对位置，从所述第二排序中确定寸的采集位置和尺的采集位置。
第二方面，本发明实施例提供一种基于视觉的脉搏波寸关尺位置检测装置，其中，所述装置包括：
感兴趣区域提取模块，用于基于预设的腕部波动采集装置获取腕部视频，并从所述腕部视频提取感兴趣区域；
脉象信号确定模块，用于获取只包括所述感兴趣区域的腕部数字散斑视频，对所述腕部数字散斑视频中的每一帧所述感兴趣区域进行分块处理，得到若干个相邻且无重叠的散斑子区域，并根据所述散斑子区域，确定每个散斑子区域的脉象信号；
采集位置确定模块，用于基于每个散斑子区域的所述脉象信号，确定每个散斑子区域之间的信号差异性，并根据所述信号差异性与人体生理结构先验知识，确定寸、关、尺的采集位置。
第三方面，本发明实施例还提供一种终端设备，其中，所述终端设备包括存储器、处理器及存储在存储器中并可在处理器上运行的基于视觉的脉搏波寸关尺位置检测程序，处理器执行基于视觉的脉搏波寸关尺位置检测程序时，实现上述方案中任一项的基于视觉的脉搏波寸关尺位置检测方法的步骤。
第四方面，本发明实施例还提供一种计算机可读存储介质，其中，计算机可读存储介质上存储有基于视觉的脉搏波寸关尺位置检测程序，所述基于视觉的脉搏波寸关尺位置检测程序被处理器执行时，实现上述方案中任一项所述的基于视觉的脉搏波寸关尺位置检测方法的步骤。
有益效果：与现有技术相比，本发明提供了一种基于视觉的脉搏波寸关尺位置检测方法，首先基于预设的腕部波动采集装置获取腕部视频，并从所述腕部视频提取感兴趣区域。然后，获取只包括所述感兴趣区域的腕部数字散斑视频，对所述腕部数字散斑视频中的每一帧所述感兴趣区域进行分块处理，得到若干个相邻且无重叠的散斑子区域，并根据所述散斑子区域，确定每个散斑子区域的脉象信号。最后，基于每个散斑子区域的所述脉象信号，确定每个散斑子区域之间的信号差异性，并根据所述信号差异性与人体生理结构先验知识，确定寸、关、尺的采集位置。本发明通过获取到腕部视频后，分割出感兴趣区域，并基于感兴趣区域进行一系列的分析，根据脉象信号的差异性，无接触地确定出寸、关、尺的采集位置，解决信号采集过程中的自动化定位问题。
附图说明
图1为本发明实施例提供的基于视觉的脉搏波寸关尺位置检测方法的具体实施方式的流程图。
图2为本发明实施例提供的基于视觉的脉搏波寸关尺位置检测方法中腕部波动采集装置的结构示意图。
图3为本发明实施例提供的基于视觉的脉搏波寸关尺位置检测方法中第一帧腕部图像以及腕部目标图像的示意图。
图4为本发明实施例提供的基于视觉的脉搏波寸关尺位置检测方法中腕部左边缘轮廓的拟合曲线
图5为本发明实施例提供的基于视觉的脉搏波寸关尺位置检测方法中感兴趣区域的截取过程示意图。
图6为本发明实施例提供的基于视觉的脉搏波寸关尺位置检测方法中从一个散斑子区域提取的脉象信号示意图。
图7为本发明实施例提供的基于视觉的脉搏波寸关尺位置检测装置的功能原理图。
图8为本发明实施例提供的终端设备的原理框图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
由于脉搏波可以引起皮肤有节律的起伏，所以成像传感器被用来直接或者间接的捕捉这种变化，并用于构建一系列的非接触式采集系统。现有技术中有通过利用单个摄像机在人体的手腕上进行录像，然后采用欧拉视频放大(Eulerian videomagnifification)的方法，通过分析不同帧的颜色和灰度分量，从原始视频中恢复出脉搏波信号的技术。还存在通过利用电荷耦合器件(Charge-coupled device，CCD)图像传感器结合激光三角法和投影云纹技术(Projection moire)检测皮肤表面变化的技术。此外，为了克服只测量皮肤表面振动的缺点，学者设计了一种基于近红外的光学莫尔脉冲(Optical moire pulse)测量装置来测量皮肤下的脉冲振动。为了实现对脉搏波的全视场、高效率的变形分析，基于双目视觉的脉搏检测方法被引入了来记录某些区域的整体波动。另外，空间载波数字散斑干涉法(Digital speckle pattern interferometry，DSPI)也被采用来对腕部皮肤微/纳米级位移进行动态测量。
而为了实现传感器的全自动定位，相关研究利用成像光容积描记技术(Imagingphotoplethysmography，iPPG)和光学三角测量技术来自动确定采集位置。专家学习利用iPPG测量桡动脉的血流变化，对脉象信号采集位置具有一定的定位能力。并且还设计了一种卷积神经网络(Convolutional neural network，CNN)将静态图像和iPPG图像相结合，提高了目标定位的精度。并且现有技术中的自动定位系统的机械部件包含了一个线性激光器和一个CMOS图像传感器。定位系统通过分析CMOS图像传感器采集图像的光学质心变化，返回寸、关、尺的具体位置，但需要对相应位置进行预判和对准。从相关领域的研究现状来看，尽管现有技术已经在脉搏波采集方式及设备和相关数据处理方法上进行了大量基础性的研究工作，但是针对脉搏波信号采集位置自动化、智能化检测方面仍存在一定的不足，尚缺乏有效、实用的解决方法。
为此，本实施例提供一种基于视觉的脉搏波寸关尺位置检测方法，基于本实施例的方法可实现无接触地确定出寸、关、尺的采集位置，并解决信号采集过程中的自动化定位问题。具体地，本实施例首先基于预设的腕部波动采集装置获取腕部视频，并从所述腕部视频提取感兴趣区域。然后，获取只包括所述感兴趣区域的腕部数字散斑视频，对所述腕部数字散斑视频中的每一帧所述感兴趣区域进行分块处理，得到若干个相邻且无重叠的散斑子区域，并根据所述散斑子区域，确定每个散斑子区域的脉象信号。最后，基于每个散斑子区域的所述脉象信号，确定每个散斑子区域之间的信号差异性，并根据所述信号差异性与人体生理结构先验知识，确定寸、关、尺的采集位置。由此可见，本实施例可通过获取到腕部视频后，分割出感兴趣区域，并基于感兴趣区域进行一系列的分析，根据脉象信号的差异性，无接触地确定出寸、关、尺的采集位置，解决信号采集过程中的自动化定位问题，以便为用户提供参考采集位置，然后将采集位置提供给智能脉象采集系统，控制接触式压力传感器进行高精度脉象信号采集。
示例性方法
本实施例中的基于视觉的脉搏波寸关尺位置检测方法可应用于终端设备，所述终端设备可为电脑，具体地，本实施例中的基于视觉的脉搏波寸关尺位置检测方法具体包括如下步骤：
步骤S100、基于预设的腕部波动采集装置获取腕部视频，并从所述腕部视频提取感兴趣区域。
本实施例是基于视觉的脉象信号采集原理，利用皮肤波动引起的同一像素在时序上的颜色/亮度变化，转化为一维信号，然后对一维信号进行分析，从而确定出脉搏波寸关尺位置。但是，该过程受到多个因素影响，首先，采集时光照需要在合适的强度，过强或者过弱都会导致颜色/亮度变化不明显。其次，由于个体差异较大，桡动脉跳动比较强的人群可较为简单的检测到，而桡动脉跳动比较强弱的人群却很难直接通过简单的视频分析得到脉象信号。再者，由于人体不自主的微小晃动，会使像素产生位置上的偏移，从而引入噪声信号。为了解决上述三个问题，本实施例预先设计如图2中所述的腕部波动采集装置，该腕部波动采集装置与终端设备连接，当通过该腕部波动采集装置采集到腕部视频后，就会将该腕部视频传输至终端设备，以通过终端设备来进行后续的分析，从而确定出脉搏波寸、关、尺的采集位置。本实施例的腕部波动采集装置可尽可能的解决光照一致性、跳动过于微弱和人体姿态固定的问题。
具体地，如图2中所示，本实施例中的腕部波动采集装置包括屏蔽罩101，所述屏蔽罩101上设置有开口102。本实施例中的屏蔽罩101设置成封闭的长方体形状，只有一个侧面上设置所述开口102。在屏蔽罩101的不同内壁上设置有光源103，因此光源103设置有多个，这样可以提供不同角度的光照，有利于提供持续且稳定的光照。并且屏蔽罩配合，可使内部光照不受外部环境影响，从而保证光线变化给最终脉象信号带来的噪声干扰。在屏蔽罩101内的底板上设置有支撑件104，该支撑件104是贴合在屏蔽罩的后侧板上的，这样有利于保证支撑件104的稳定性。在支撑件104的底部设置有手掌姿态保持组件105，所述手掌姿态保持组件105用于对手腕姿态进行限定。具体地，本实施例的手掌姿态保持组件105包括凹槽以及手掌握把，凹槽用于放置手臂，在采集时，被采集者将手臂放入凹槽内，手掌握住握把，可有效的对手腕姿态进行限定，并减少不自主的抖动。在支撑件104的顶部设置有数字散斑发生器106，所述数字散斑发生器106朝向所述手掌姿态保持组件105，用于将斑图像照射到腕部皮肤。所述支撑件104上还设置有成像装置107，所述成像装置107以预设的速度采集腕部视频。
在一种实现方式中，本实施例在提取感兴趣区域(Region of Interest，ROI)时，包括如下步骤：
步骤S101、读取所述腕部视频的第一帧腕部图像，并从所述第一帧腕部图像中提取带有平滑、连续左边缘的腕部目标图像；
步骤S102、对所述腕部目标图像进行左边缘提取，并利用多项式进行拟合，确定拟合曲线的曲率最大值坐标，其中所述曲率最大值坐标为所述腕部目标图像中手掌和腕部的连接处位置；
步骤S103、以所述曲率最大值坐标为基准，从所述腕部目标图像中选取所述感兴趣区域。
具体地，在基于腕部波动采集装置采集到一段腕部视频后，本实施例利用该腕部视频的第一帧腕部图像来进行感兴趣区域的提取。具体地，本实施例首先读取所述腕部视频的第一帧腕部图像，得到整体腕部，如图3中的a图。然后将所述第一帧腕部图像转换为灰度图像并进行二值化处理，以便更好地提取腕部目标图像。接着，本实施例对经过二值化处理后的图像进行腐蚀膨胀运算，并删除面积小于预设值的连通区域，得到带有平滑、连续左边缘的腕部目标图像，如图3中的b图。接着，本实施例对所述腕部目标图像进行左边缘提取，并利用多项式进行拟合，得到腕部左边缘轮廓的拟合曲线，如图4中所示。然后根据该拟合曲线，确定拟合曲线的曲率变化，并确定拟合曲线的曲率最大值坐标，其中所述曲率最大值坐标为所述腕部目标图像中手掌和腕部的连接处位置。而根据中医理论和腕部生理特点，适用于大部分人的寸、关、尺分布的ROI(感兴趣区域)，应在手腕左半部分，且在手掌向下的一块区域，因此，本实施例以拟合曲线的曲率最大值坐标的位置处为矩形的左上起始点，以手腕宽度的0.6倍作为宽度，以腕部目标图像帧的边缘为截取长度，截取出一个矩形区域，如图5中的a图，从而得到图5中b图的感兴趣区域。在本实施例中，感兴趣区域的尺寸可根据实际需求进行调整，其核心的是手腕和手掌连接处的检测，以此为依据进行矩形区域的选取。本实施例通过对感兴趣区域进行提取，所确定的感兴趣区域用于后续步骤的分析，有利于减少图像其他区域的带来的噪声和干扰。
步骤S200、获取只包括所述感兴趣区域的腕部数字散斑视频，对所述腕部数字散斑视频中的每一帧所述感兴趣区域进行分块处理，得到若干个相邻且无重叠的散斑子区域，并根据所述散斑子区域，确定每个散斑子区域的脉象信号。
本实施例在选定ROI(感兴趣区域)后，继续对相应区域内进行算法层面的放大。实施例使用欧拉视频动作放大技术，对每一帧的ROI区域进行处理，提高帧与帧之间同一像素的像素值差异，然后基于像素值差异来确定脉象信号。
在一种实现方式中，本实施例在确定脉象信号时，包括如下步骤：
步骤S201、对所述腕部ROI数字散斑视频进行欧拉视频放大操作，并对经过欧拉视频放大操作后的腕部数字散斑视频进行图像滤波处理；
步骤S202、将经过图像滤波处理后的腕部数字散斑视频从RGB图像空间转换成YIO图像空间，并提取Y通道图像；
步骤S203、根据所述Y通道图像，对每一帧所述感兴趣区域进行分块处理，得到若干个m*m的相邻、无重叠的所述散斑子区域；
步骤S204、利用数字散斑相关法计算每一帧所述感兴趣区域中每个散斑子区域的相关系数极大值；
步骤S205、将每个散斑子区域的相关系数极大值按时序排列，得到所述脉象信号。
具体地，本实施例首先输入腕部数字散斑视频，该腕部数字散斑视频的每帧图像只包括感兴趣区域部分。然后，对所述腕部数字散斑视频进行欧拉视频放大操作，并对经过欧拉视频放大操作后的腕部数字散斑视频进行图像滤波处理。由于欧拉视频放大过程会对腕部数字散斑视频中的噪声进行同步方，所以需要通过图像滤波操作，减少噪声干扰。接着，将经过图像滤波处理后的腕部数字散斑视频从RGB图像空间转换成YIO图像空间，并提取Y通道图像，然后在Y通道图像上继续下一步的分析。再然后对每一帧所述感兴趣区域进行分块处理，得到若干个m*m的相邻、无重叠的所述散斑子区域，利用数字散斑相关法计算每帧感兴趣区域中每个散斑子区域的相关系数极大值。最后，将每个散斑子区域的相关系数极大值按时序排列，得到相应的所述脉象信号，如图6中所示，图6为从一个散斑子区域提取的脉象信号示意图。
步骤S300、基于每个散斑子区域的所述脉象信号，确定每个散斑子区域之间的信号差异性，并根据所述信号差异性与人体生理结构先验知识，确定寸、关、尺的采集位置。
本实施例在对每个散斑子区域生成脉象信号后，通过比较脉象信号之间的信号差异性，来估算寸、关、尺的大致位置，为信号采集提供定位指导。
在一种实现方式中，本实施例中的步骤S300具体包括如下步骤：
步骤S301、基于每个散斑子区域的所述脉象信号，计算每个散斑子区域的心率，并删除心率不正常的散斑子区域，得到剩余散斑子区域；
步骤S302、对所述剩余散斑子区域进行单周期分割，计算所述剩余散斑子区域间的单周期相似度，并根据所述单周期相似度，筛选出所述单周期相似度超过预设相似度的散斑子区域，得到散斑子区域集合；
步骤S303、将所述散斑子区域集合按照幅值强度由高到低进行排序，得到第一排序；
步骤S304、按照所述第一排序从所述散斑子区域集合中确定出一个位于感兴趣区域中心的散斑子区域作为关的采集位置，所述关的采集位置对应的散斑子区域幅值强度最大；
步骤S305、将具有所述关的采集位置的散斑子区域从所述散斑子区域集合中删除，并得到第二排序；
步骤S306、根据寸与关的相对位置以及寸与尺的相对位置，从所述第二排序中确定寸的采集位置和尺的采集位置。
具体地，本实施例在对每个散斑子区域进行脉象信号提取后，计算每个散斑子区域的心率，并删除心率不正常的散斑子区域，得到剩余散斑子区域，因为这些心率不正常的散斑子区域内没有脉搏信号存在，不属于寸、关、尺的候选区域，可减少后续的分析工作量。然后，对所述剩余散斑子区域进行单周期分割，计算所述剩余散斑子区域间的单周期相似度。由于桡动脉位置的跳动较强，噪声对相应区域影响相对较小，所以处于桡动脉的散斑子区域应具有较高的单周期相似度。因此，本实施例可根据所述单周期相似度，筛选出所述单周期相似度超过预设相似度的散斑子区域，得到散斑子区域集合，即该散斑子区域集合均为单周期相似度较高的散斑子区域。接着，本实施例将所述散斑子区域集合按照幅值强度由高到低进行排序，得到第一排序。基于人体生理结构的先验知识可知，关部的幅值应该最大，且应在ROI相对中心的区域。因此，按照该思路，本实施例按照所述第一排序从所述散斑子区域集合中确定出一个靠近感兴趣区域中心的散斑子区域作为关的采集位置，并且，所述关的采集位置对应的散斑子区域幅值强度最大。再然后，本实施例将具有所述关的采集位置的散斑子区域从所述散斑子区域集合中删除，并得到第二排序，在后续确定寸和尺的采集位置时基于第二排序进行分析，可有效防止下一步寸和尺进行选择时，采集位置与关的采集位置重叠。基于人体生理结构的先验知识可知，寸和尺的采集位置应分别在关的远心端和近心端，由于沿桡动脉分布，寸和尺的采集位置所以应基本成一条直线，不能有太多的偏离，且不应超出感兴趣区域。基于此，本实施例根据寸与关的相对位置以及寸与尺的相对位置，从所述第二排序中确定寸的采集位置和尺的采集位置。
由此可见，本实施例是通过获取到一段腕部视频后，从腕部视频中分割出感兴趣区域；在感兴趣区域上进行欧拉视频动作放大，并对不同散斑子区域提取时序信号；对信号差异性进行分析后，结合腕部形态、人体生理结构先验知识等，确定寸、关、尺的采集位置。
示例性装置
基于上述实施例，本发明还提供一种基于视觉的脉搏波寸关尺位置检测装置，如图7中所示，所述基于视觉的脉搏波寸关尺位置检测装置与腕部波动采集装置连接，当通过该腕部波动采集装置采集到腕部视频后，就会将该腕部视频传输至基于视觉的脉搏波寸关尺位置检测装置。所述基于视觉的脉搏波寸关尺位置检测装置包括：感兴趣区域提取模块10、脉象信号确定模块20以及采集位置确定模块30，具体地，所述感兴趣区域提取模块10，用于基于预设的腕部波动采集装置获取腕部视频，并从所述腕部视频提取感兴趣区域。所述脉象信号确定模块20，用于获取只包括所述感兴趣区域的腕部数字散斑视频，对所述腕部数字散斑视频中的每一帧所述感兴趣区域进行分块处理，得到若干个相邻且无重叠的散斑子区域，并根据所述散斑子区域，确定每个散斑子区域的脉象信号。所述采集位置确定模块30，用于基于每个散斑子区域的所述脉象信号，确定每个散斑子区域之间的信号差异性，并根据所述信号差异性与人体生理结构先验知识，确定寸、关、尺的采集位置。
在一种实现方式中，所述感兴趣区域提取模块10包括：
腕部目标图像提取单元，用于读取所述腕部视频的第一帧腕部图像，并从所述第一帧腕部图像中提取带有平滑、连续左边缘的腕部目标图像；
左边缘提取与拟合单元，用于对所述腕部目标图像进行左边缘提取，并利用多项式进行拟合，确定拟合曲线的曲率最大值坐标，其中所述曲率最大值坐标为所述腕部目标图像中手掌和腕部的连接处位置；
感兴趣区域选取单元，用于以所述曲率最大值坐标为基准，从所述腕部目标图像中选取所述感兴趣区域。
在一种实现方式中，所述腕部目标图像提取单元，包括：
二值化处理子单元，用于将所述第一帧腕部图像转换为灰度图像并进行二值化处理；
目标图像提取子单元，用于并对经过二值化处理后的图像进行腐蚀膨胀运算，并删除面积小于预设值的连通区域，得到带有平滑、连续左边缘的腕部目标图像。
在一种实现方式中，所述脉象信号确定模块20，包括：
放大与滤波处理单元，用于对所述腕部数字散斑视频进行欧拉视频放大操作，并对经过欧拉视频放大操作后的腕部数字散斑视频进行图像滤波处理；
图像转换单元，用于将经过图像滤波处理后的腕部数字散斑视频从RGB图像空间转换成YIO图像空间，并提取Y通道图像；
散斑子区域提取单元，用于根据所述Y通道图像，对每一帧所述感兴趣区域进行分块处理，得到若干个m*m的相邻、无重叠的所述散斑子区域；
散斑子区域处理单元，用于利用数字散斑相关法计算每一帧所述感兴趣区域中每个散斑子区域的相关系数极大值；
脉象信号生成单元，用于将每个散斑子区域的相关系数极大值按时序排列，得到所述脉象信号。
在一种实现方式中，所述采集位置确定模块30，包括：
心率计算单元，用于基于每个散斑子区域的所述脉象信号，计算每个散斑子区域的心率，并删除心率不正常的散斑子区域，得到剩余散斑子区域；
相似度计算单元，用于对所述剩余散斑子区域进行单周期分割，计算所述剩余散斑子区域间的单周期相似度，并根据所述单周期相似度，筛选出所述单周期相似度超过预设相似度的散斑子区域，得到散斑子区域集合；
幅值排序单元，用于将所述散斑子区域集合按照幅值强度由高到低进行排序，得到第一排序；
关位置确定单元，用于按照所述第一排序从所述散斑子区域集合中确定出一个靠近感兴趣区域中心的散斑子区域作为关的采集位置，所述关的采集位置对应的散斑子区域幅值强度最大；
集合更新单元，用于将具有所述关的采集位置的散斑子区域从所述散斑子区域集合中删除，并得到第二排序；
寸和尺位置确定单元，用于根据寸与关的相对位置以及寸与尺的相对位置，从所述第二排序中确定寸的采集位置和尺的采集位置。
本实施例的基于视觉的脉搏波寸关尺位置检测装置中各个模块的工作原理与上述方法实施例中各个步骤的原理相同，此处不再赘述。
基于上述实施例，本发明还提供了一种终端设备，所述终端设备的原理框图可以如图8所示。终端设备可以包括一个或多个处理器100(图8中仅示出一个)，存储器101以及存储在存储器101中并可在一个或多个处理器100上运行的计算机程序102，例如，基于视觉的脉搏波寸关尺位置检测的程序。一个或多个处理器100执行计算机程序102时可以实现基于视觉的脉搏波寸关尺位置检测的方法实施例中的各个步骤。或者，一个或多个处理器100执行计算机程序102时可以实现基于视觉的脉搏波寸关尺位置检测的装置实施例中各模块/单元的功能，此处不作限制。
在一个实施例中，所称处理器100可以是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，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该处理器也可以是任何常规的处理器等。
在一个实施例中，存储器101可以是电子设备的内部存储单元，例如电子设备的硬盘或内存。存储器101也可以是电子设备的外部存储设备，例如电子设备上配备的插接式硬盘，智能存储卡(smart media card，SMC)，安全数字(secure digital，SD)卡，闪存卡(flash card)等。进一步地，存储器101还可以既包括电子设备的内部存储单元也包括外部存储设备。存储器101用于存储计算机程序以及终端设备所需的其他程序和数据。存储器101还可以用于暂时地存储已经输出或者将要输出的数据。
本领域技术人员可以理解，图8中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的终端设备的限定，具体的终端设备以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、运营数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双运营数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
综上，本发明公开了一种基于视觉的脉搏波寸关尺位置检测方法及装置，方法包括：基于腕部波动采集装置获取腕部视频，并从腕部视频提取感兴趣区域；获取只包括感兴趣区域的腕部数字散斑视频，对腕部数字散斑视频中的每一帧感兴趣区域进行分块处理，得到若干个相邻且无重叠的散斑子区域，并确定每个散斑子区域的脉象信号；基于每个散斑子区域的脉象信号，确定每个散斑子区域之间的信号差异性，并根据信号差异性与人体生理结构先验知识，确定寸、关、尺的采集位置。本发明通过获取到腕部视频后，分割出感兴趣区域，并基于感兴趣区域进行一系列的分析，根据脉象信号的差异性，无接触地确定出寸、关、尺的采集位置，解决信号采集过程中的自动化定位问题。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于视觉的脉搏波寸关尺位置检测方法，其特征在于，所述方法包括：
基于预设的腕部波动采集装置获取腕部视频，并从所述腕部视频提取感兴趣区域；
获取只包括所述感兴趣区域的腕部数字散斑视频，对所述腕部数字散斑视频中的每一帧所述感兴趣区域进行分块处理，得到若干个相邻且无重叠的散斑子区域，并根据所述散斑子区域，确定每个散斑子区域的脉象信号；
基于每个散斑子区域的所述脉象信号，确定每个散斑子区域之间的信号差异性，并根据所述信号差异性与人体生理结构先验知识，确定寸、关、尺的采集位置。
2.根据权利要求1所述的基于视觉的脉搏波寸关尺位置检测方法，其特征在于，所述腕部波动采集装置包括：
屏蔽罩，所述屏蔽罩上设置有开口；
光源，所述光源设置有多个，且分别设置在所述屏蔽罩的不同内壁上，以提供不同角度的光照；
支撑件，所述支撑件设置在所述屏蔽罩内，且与所述屏蔽罩的底板以及后侧板连接；
手掌姿态保持组件，所述手掌姿态保持组件设置在所述支撑件的底部，用于对手腕姿态的限定；
数字散斑发生器，所述数字散斑发生器设置在所述支撑件上，且所述数字散斑发生器朝向所述手掌姿态保持组件，用于将斑图像照射到腕部皮肤；
成像装置，所述成像装置设置在所述支撑件上，用于以预设的速度采集所述腕部视频。
3.根据权利要求1所述的基于视觉的脉搏波寸关尺位置检测方法，其特征在于，所述从所述腕部视频提取感兴趣区域，包括：
读取所述腕部视频的第一帧腕部图像，并从所述第一帧腕部图像中提取带有平滑、连续左边缘的腕部目标图像；
对所述腕部目标图像进行左边缘提取，并利用多项式进行拟合，确定拟合曲线的曲率最大值坐标，其中所述曲率最大值坐标为所述腕部目标图像中手掌和腕部的连接处位置；
以所述曲率最大值坐标为基准，从所述腕部目标图像中选取所述感兴趣区域。
4.根据权利要求3所述的基于视觉的脉搏波寸关尺位置检测方法，其特征在于，所述从所述第一帧腕部图像中提取带有平滑、连续左边缘的腕部目标图像，包括：
将所述第一帧腕部图像转换为灰度图像并进行二值化处理；
并对经过二值化处理后的图像进行腐蚀膨胀运算，并删除面积小于预设值的连通区域，得到带有平滑、连续左边缘的腕部目标图像。
5.根据权利要求4所述的基于视觉的脉搏波寸关尺位置检测方法，其特征在于，所述对所述腕部数字散斑视频中的每一帧所述感兴趣区域进行分块处理，得到若干个相邻且无重叠的散斑子区域，包括：
对所述腕部数字散斑视频进行欧拉视频放大操作，并对经过欧拉视频放大操作后的腕部数字散斑视频进行图像滤波处理；
将经过图像滤波处理后的腕部数字散斑视频从RGB图像空间转换成YIO图像空间，并提取Y通道图像；
根据所述Y通道图像，对每一帧所述感兴趣区域进行分块处理，得到若干个m*m的相邻、无重叠的所述散斑子区域。
6.根据权利要求4所述的基于视觉的脉搏波寸关尺位置检测方法，其特征在于，所述根据所述散斑子区域，确定每个散斑子区域的脉象信号，包括：
利用数字散斑相关法计算每一帧所述感兴趣区域中每个散斑子区域的相关系数极大值；
将每个散斑子区域的相关系数极大值按时序排列，得到所述脉象信号。
7.根据权利要求6所述的基于视觉的脉搏波寸关尺位置检测方法，其特征在于，所述基于每个散斑子区域的所述脉象信号，确定每个散斑子区域之间的信号差异性，并根据所述信号差异性与人体生理结构先验知识，确定寸、关、尺的采集位置，包括：
基于每个散斑子区域的所述脉象信号，计算每个散斑子区域的心率，并删除心率不正常的散斑子区域，得到剩余散斑子区域；
对所述剩余散斑子区域进行单周期分割，计算所述剩余散斑子区域间的单周期相似度，并根据所述单周期相似度，筛选出所述单周期相似度超过预设相似度的散斑子区域，得到散斑子区域集合；
将所述散斑子区域集合按照幅值强度由高到低进行排序，得到第一排序；
按照所述第一排序从所述散斑子区域集合中确定出一个靠近感兴趣区域中心的散斑子区域作为关的采集位置，所述关的采集位置对应的散斑子区域幅值强度最大；
将具有所述关的采集位置的散斑子区域从所述散斑子区域集合中删除，并得到第二排序；
根据寸与关的相对位置以及寸与尺的相对位置，从所述第二排序中确定寸的采集位置和尺的采集位置。
8.一种基于视觉的脉搏波寸关尺位置检测装置，其特征在于，所述装置包括：
感兴趣区域提取模块，用于基于预设的腕部波动采集装置获取腕部视频，并从所述腕部视频提取感兴趣区域；
脉象信号确定模块，用于获取只包括所述感兴趣区域的腕部数字散斑视频，对所述腕部数字散斑视频中的每一帧所述感兴趣区域进行分块处理，得到若干个相邻且无重叠的散斑子区域，并根据所述散斑子区域，确定每个散斑子区域的脉象信号；
采集位置确定模块，用于基于每个散斑子区域的所述脉象信号，确定每个散斑子区域之间的信号差异性，并根据所述信号差异性与人体生理结构先验知识，确定寸、关、尺的采集位置。
9.一种终端设备，其特征在于，所述终端设备包括存储器、处理器及存储在存储器中并可在处理器上运行的基于视觉的脉搏波寸关尺位置检测程序，处理器执行基于视觉的脉搏波寸关尺位置检测程序时，实现如权利要求1-7任一项的基于视觉的脉搏波寸关尺位置检测方法的步骤。
10.一种计算机可读存储介质，其特征在于，计算机可读存储介质上存储有基于视觉的脉搏波寸关尺位置检测程序，所述基于视觉的脉搏波寸关尺位置检测程序被处理器执行时，实现如权利要求1-7任一项所述的基于视觉的脉搏波寸关尺位置检测方法的步骤。
CN202210821654.5A 2022-07-13 2022-07-13 一种基于视觉的脉搏波寸关尺位置检测方法及装置 Pending CN115191960A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210821654.5A CN115191960A (zh) 2022-07-13 2022-07-13 一种基于视觉的脉搏波寸关尺位置检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210821654.5A CN115191960A (zh) 2022-07-13 2022-07-13 一种基于视觉的脉搏波寸关尺位置检测方法及装置

Publications (1)

Publication Number Publication Date
CN115191960A true CN115191960A (zh) 2022-10-18

Family

ID=83580517

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210821654.5A Pending CN115191960A (zh) 2022-07-13 2022-07-13 一种基于视觉的脉搏波寸关尺位置检测方法及装置

Country Status (1)

Country Link
CN (1) CN115191960A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116645382A (zh) * 2023-07-26 2023-08-25 天津恒宇医疗科技有限公司 自适应的血管分割方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116645382A (zh) * 2023-07-26 2023-08-25 天津恒宇医疗科技有限公司 自适应的血管分割方法及系统
CN116645382B (zh) * 2023-07-26 2023-10-20 天津恒宇医疗科技有限公司 自适应的血管分割方法及系统

Similar Documents

Publication Publication Date Title
US7965874B2 (en) Biological information detecting device
CN101271517B (zh) 面部区域检测装置和方法
JP6125188B2 (ja) 映像処理方法及び装置
US7747080B2 (en) System and method for scanning edges of a workpiece
US20140286546A1 (en) Apparatus and method for processing fingerprint image
EP1934945A1 (en) Method and system for object reconstruction
CN115191960A (zh) 一种基于视觉的脉搏波寸关尺位置检测方法及装置
CN109341847A (zh) 一种基于视觉的振动测量系统
WO2010041731A1 (ja) 照合装置、照合方法、及びプログラム
CN110763679A (zh) 图像采集方法和装置、显微镜系统、计算机可读存储介质
CN111665199A (zh) 一种基于机器视觉的电线电缆颜色检测识别方法
Gupta et al. Accurate heart-rate estimation from face videos using quality-based fusion
JP2004171189A (ja) 移動物体検出装置、移動物体検出方法及び移動物体検出プログラム
Sadeghzadehyazdi et al. Glidar3dj: a view-invariant gait identification via flash lidar data correction
JP3025133B2 (ja) 人物認識装置
CN106933341B (zh) 一种在图像中确定手指所处区域的方法、装置及腕式设备
DE112015006254T5 (de) Pulsmessvorrichtung und Steuerverfahren dafür
JP4203648B2 (ja) 画像処理装置
CN110363192A (zh) 物件影像辨识系统及物件影像辨识方法
JP6555940B2 (ja) 被写体追跡装置、撮像装置、及び被写体追跡装置の制御方法
KR20040078538A (ko) 움직이는 타겟의 윤곽을 검지하는 화상 처리 장치 및 그방법
Sugandhi et al. An overlap-based human gait cycle detection
CN110766671A (zh) 一种基于机器视觉软件的图像处理方法
CN109829373A (zh) 舌态检测系统及方法
Restif et al. Tracking C. elegans swimming for high-throughput phenotyping

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