CN115497123A - 感兴趣区域状态参数获取方法 - Google Patents
感兴趣区域状态参数获取方法 Download PDFInfo
- Publication number
- CN115497123A CN115497123A CN202211292577.5A CN202211292577A CN115497123A CN 115497123 A CN115497123 A CN 115497123A CN 202211292577 A CN202211292577 A CN 202211292577A CN 115497123 A CN115497123 A CN 115497123A
- Authority
- CN
- China
- Prior art keywords
- region
- interest
- roi
- area
- obtaining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 210000003128 head Anatomy 0.000 claims description 6
- 241000251468 Actinopterygii Species 0.000 claims description 5
- 210000004709 eyebrow Anatomy 0.000 claims description 5
- 235000017166 Bambusa arundinacea Nutrition 0.000 claims description 4
- 235000017491 Bambusa tulda Nutrition 0.000 claims description 4
- 235000015334 Phyllostachys viridis Nutrition 0.000 claims description 4
- 239000011425 bamboo Substances 0.000 claims description 4
- 210000003625 skull Anatomy 0.000 claims description 3
- 239000000725 suspension Substances 0.000 claims description 3
- 240000006053 Garcinia mangostana Species 0.000 claims description 2
- 235000017048 Garcinia mangostana Nutrition 0.000 claims description 2
- SZGZILRQIYNODJ-UHFFFAOYSA-L disodium;7,12-dihydroquinoxalino[3,2-b]phenazine-2,9-disulfonate Chemical compound [Na+].[Na+].[O-]S(=O)(=O)C1=CC=C2N=C(C=C3C(NC4=CC=C(C=C4N3)S(=O)(=O)[O-])=C3)C3=NC2=C1 SZGZILRQIYNODJ-UHFFFAOYSA-L 0.000 claims description 2
- 244000082204 Phyllostachys viridis Species 0.000 claims 1
- 238000001467 acupuncture Methods 0.000 claims 1
- 239000003205 fragrance Substances 0.000 claims 1
- 229940088594 vitamin Drugs 0.000 claims 1
- 229930003231 vitamin Natural products 0.000 claims 1
- 235000013343 vitamin Nutrition 0.000 claims 1
- 239000011782 vitamin Substances 0.000 claims 1
- 150000003722 vitamin derivatives Chemical class 0.000 claims 1
- 241000282414 Homo sapiens Species 0.000 description 12
- 238000012360 testing method Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 241001330002 Bambuseae Species 0.000 description 3
- 230000008451 emotion Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000000994 depressogenic effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 240000000233 Melia azedarach Species 0.000 description 1
- 235000003570 Phyllostachys pubescens Nutrition 0.000 description 1
- 244000302661 Phyllostachys pubescens Species 0.000 description 1
- 240000005499 Sasa Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007102 metabolic function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000001931 thermography Methods 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
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/48—Thermography; Techniques using wholly visual means
- G01J5/485—Temperature profile
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Human Computer Interaction (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明提供了一种感兴趣区域状态参数获取方法,首先获取目标区域和感兴趣区域的特征温度之间的差值,接着,将任一差值与对应的温度阈值范围进行比较,如果位于对应的温度阈值范围内,则设置对应的参数为设定值,否则,则计算该差值与对应的温度阈值范围之间的偏离值,并基于偏离值获取对应的信度系数,并基于偏离值和信度系数获取对应的参数。本发明能够简单且准确获取感兴趣区域的参数,能够节约获取成本。
Description
技术领域
本发明涉及数据技术领域,特别是涉及一种感兴趣区域状态参数获取方法。
背景技术
随着科学技术和人类生活水平的不断提高,当前人们对自身的状态例如心理亚健康状态越来越重视,希望通过各种检测手段来识别身体是否处于亚健康状态。目前,对于人体状态的检测主要依赖于专业人员的询问和专业设备获取的身体各机能的数据例如通过采集心率和血液等进行分析确定,然而,对于一些无法通过身体机能的数据进行反应的人体状态,只能依靠专业人员的观察和经验来进行检测,这种检测会存在误差,导致预警信息不准确。
红外热成像技术是一种通过红外热成像仪对体表温度的分布和数值进行扫描和测定的功能学影像技术,具有温度敏感性高、成像快且清晰、无创伤、绿色、无接触等优势特点,可以直观反映人体活力及代谢功能,从整体上全面动态地反映机体综合状况,在医学领域得到广泛应用。
专利文献1(CN 111202534A)公开了一种基于群体温度监测的情绪预测方法,该方法基于在观测时段内定时对所有人进行情绪调查的结果和对应的人体温度构建情绪预测模型。专利文献2(CN106236027A)公开了一种脑电与温度相结合的抑郁人群判定方法,该方法通过对人体的脑电采集和温度采集相结合,通过客观的数据然后判断此人是否为抑郁症人群。然而,情绪调查会存在主观因素,脑电存在成本高和操作复杂等问题。
因此,本发明希望提供另外一种能够简单且准确的对人体状态进行检测的方案。
发明内容
针对上述技术问题,本发明采用的技术方案为:
本发明实施例提供一种感兴趣区域状态参数获取方法,所述方法包括如下步骤:
S100,获取目标红外图像的目标区域A=(PA 1,PA 2,…,Pi A,…,PA n)和A内的m个感兴趣区域,任一感兴趣区域ROIj=(Pj 1,Pj 2,…,Pj k,…,Pj f(j)),Pi A为A中的第i个像素点的位置,i的取值为1到n,n为A中的像素点的数量;Pj k为ROIj中的第k个像素点的位置,k的取值为1到f(j),f(j)为ROIj中的像素点的数量;
S200,获取目标区域的特征温度TA=f(ti A)和ROIj的特征温度Tj k=f(tj k),ti A为Pi A对应的温度,tj k为Pj k对应的温度;
S300,获取△TAj=Tj k-TA,如果△TAj∈Rj,则设置ROIj的状态参数Sj=a;否则,执行S400;Rj为ROIj对应的温度阈值范围,a为设定值;
S400,获取△TAj和Rj之间的偏离值bj,并基于ROIj对应的信度系数查询表,获取bj对应的信度系数cj;
S500,基于bj和cj获取Sj=f(bj,cj)。
本发明至少具有以下有益效果:
本发明实施例提供的感兴趣区域状态参数获取方法,首先获取目标区域和感兴趣区域的特征温度之间的差值,接着,将任一差值与对应的温度阈值范围进行比较,如果位于对应的温度阈值范围内,则设置对应的参数为设定值,否则,则计算该差值与对应的温度阈值范围之间的偏离值,并基于偏离值获取对应的信度系数,并基于偏离值和信度系数获取对应的参数。本发明能够简单且准确获取感兴趣区域的参数,能够节约获取成本。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的感兴趣区域状态参数获取方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例提供的感兴趣区域状态参数获取方法的流程示意图。
如图1所示,本发明实施例提供的感兴趣区域状态参数获取方法可包括以下步骤:
S100,获取目标红外图像的目标区域A=(PA 1,PA 2,…,PA i,…,PA n)和A内的m个感兴趣区域,任一感兴趣区域ROIj=(Pj 1,Pj 2,…,Pj k,…,Pj f(j)),PA i为A中的第i个像素点的位置,i的取值为1到n,n为A中的像素点的数量;Pj k为ROIj中的第k个像素点的位置,k的取值为1到f(j),f(j)为ROIj中的像素点的数量。
在本发明一实施例中,目标红外图像的目标区域和感兴趣区域可通过手工标注获取。在另一个优选实施例中,目标红外图像的目标区域和感兴趣区域可通过机器自动获取,例如,可通过图像识别模型自动获取得到。在本发明实施例中,图像识别模型可通过如下步骤得到:
S101,分别对N个对象的红外图像的目标区域和目标区域内的m个感兴趣区域进行标注,得到N个样本图像;将N个样本图像划分为N1个训练样本图像和N2个测试样本图像。
S102,构建图像识别模型并设置超参数,将标注了的N1个训练样本图像作为训练集输入到图像识别模型中进行训练,得到训练后的图像识别模型。
在本发明实施例中,图像识别模型可为现有的任意图像识别模型。
S103,对训练后的图像识别模型进行评估,选择满足评估要求的模型为待测试的ABI模型。本领域技术人员知晓,可基于平均绝对值MAE、均方误差MSE和均方根误差RMSE等对训练后的图像识别模型进行评估,具体评估方式可为现有方法。
S104,将N2个测试样本图像输入到待测试的图像识别模型中,得到测试结果,并基于测试结果获取目标图像识别模型。
本领域技术人员知晓,任何基于测试结果获取目标图像识别模型均属于本发明实施例保护的范围。
在本发明一实施例中,所述目标区域可为面部,所述感兴趣区域可为穴位。感兴趣区域的名称和数量可基于实际应用场景进行设置。在一个具体应用场景中,本发明实施例提供的方法可应用于对阈下抑郁进行监测。在该实施例中,感兴趣区域的数量m=6。具体地:
第一感兴趣区域可包括基于神庭到印堂的连线对称设置的两个子区域,每个子区域可为由依次连接印堂、攒竹、鱼腰、丝竹空、耳和髎、曲鬓、悬厘、悬颅、颔厌、头维、本身、头临泣、曲差、眉冲、神庭的连线围成的区域。
第二感兴趣区域可为位于发际线和第一感兴趣区域的下边界线之间的区域。发际线可通过图像识别模型识别得到。第一感兴趣区域的下边界线为依次通过:左攒竹、左鱼腰、左丝竹空、左耳和髎、印堂、右攒竹、右鱼腰、右丝竹空、右耳和髎的连线。
第三感兴趣区域可为位于发际线和第二感兴趣区域的上边界线之间的区域;上边界线和下边界线相互配合形成所述第一感兴趣区域,即上边界线为依次通过左曲鬓、左悬厘、左悬颅、左颔厌、左头维、左本身、左头临泣、左曲差、左眉冲、神庭、右悬厘、右悬颅、右颔厌、右头维、右本身、右头临泣、右曲差、右眉冲的连线。
第四感兴趣区域包括对称设置的两个子区域,第五感兴趣区域的子区域为由依次连接神庭、印堂、攒竹、眉冲的连线围成的区域。
第五感兴趣区域为由印堂、左上迎香和右上迎香组成三角区域;
第六感兴趣区域为由依次连接鱼腰、睛明、承泣、瞳子髎的连线围成的区域。本领域技术人员知晓,对于识别的区域,可通过现有方法获取每个区域的像素点的位置。
S200,获取目标区域的特征温度TA=f(tA i)和ROIj的特征温度Tj k=f(tj k),tA i为PA i对应的温度,tj k为Pj k对应的温度。
本领域技术人员知晓,通过红外图像获取每个像素点的温度值可为现有技术。
在本发明实施例中,特征温度可为区域温度的平均值、中值、标准差等。在一个优选实施例中,特征温度为区域温度的平均值,即平均温度。即,TA=Avg(tA i),Tj k=Avg(tj k)。
S300,获取△TAj=Tj k-TA,如果△TAj∈Rj,则设置ROIj的状态参数Sj=a;否则,执行S400;Rj为ROIj对应的温度阈值范围,a为设定值。
在本发明实施例中,Rj可基于Q1个第一对象的ROIj的特征温度和目标区域的特征温度得到。在本发明一示意性实施例中,第一对象为正常人。具体地,Rj可通过如下方式获取:
S301,获取温度差组(△Tj 1,△Tj 2,…,△Tj e,…,△Tj Q1),△Tj e为Q1中的第e个对象的ROIj的特征温度和目标区域的特征温度之间的差值。
S302,获取Rj=[min(△Tj 1,△Tj 2,…,△Tj e,…,△Tj Q1),max(△Tj 1,△Tj 2,…,△Tj e,…,
△Tj Q1)]。
在另一个示意性实施例中,Rj可通过如下方式获取:
S31,获取第一温度差组△Tj1 1,△Tj1 2,…,△Tj1 e,…,△Tj1 Q1,△Tj1 e为Q1中的第e个对象的ROIj的特征温度和目标区域的特征温度之间的差值。
S32,基于第一温度差组获取第二温度差组△Tj2 1,△Tj2 2,…,△Tj2 h,…,△Tj2 Q1,其中,△Tj2 1≤△Tj2 2≤…≤△Tj2 h≤…≤△Tj2 Q1;
S33,获取第二温度差组位于前g个的温度差△Tj2 1,△Tj2 2,…,△Tj2 g,以及位于后g个的温度差△Tj2 Q1-g+1,△Tj2 Q1-g,…,△Tj2 Q1;
S34,获取min(Rj)=Avg(△Tj2 1,△Tj2 2,…,△Tj2 g)和max(Rj)=Avg(△Tj2 Q1-g+1,△Tj2 Q1-g,…,△Tj2 Q1);
S35,获取Rj=[min(Rj),max(Rj)]。
该实施例与前述实施例相比,能够使得Rj更加准确。
在本发明实施例中,a可基于实际需要进行设置。在一个示意性实施例中,a=0。
S400,获取△TAj和Rj之间的偏离值bj,并基于ROIj对应的信度系数查询表,获取bj对应的信度系数cj。
在本发明一实施例中,如果△TAj<min(Rj),则bj=min(Rj)-△TAj;如果△TAj>max(Rj),则bj=△TAj-max(Rj);min(Rj)和max(Rj)分别为Rj中的最小值和最大值。
在本发明另一实施例中,bj=△TAj-(min(Rj)+max(Rj))/2,min(Rj)和max(Rj)分别为Rj中的最小值和最大值。与前述实施例中相比,由于使用△TAj和Rj的中值的差值作为偏离值,能够使得bj更加准确。
在本发明实施例中,ROIj对应的信度系数查询表可基于Q2个第二对象的ROIj的特征温度和目标区域的特征温度得到。在本发明一示意性实施例中,第二对象为非正常人,例如,具有不良心理状态的人群等。ROIj对应的信度系数查询表可具体通过如下方式获取:
S1,获取温度差组△Tj 1,△Tj 2,…,△Tj e1,…,△Tj Q2,△Tj e1为Q2中的第e1个第二对象的ROIj的特征温度和目标区域的特征温度之间的差值。
S2,利用对温度差组进行聚类,得到K个聚类族;在一个示意性实施例中,例如,可基于K-means聚类方法对温度差组进行聚类。本领域技术人员知晓,利用K-means聚类方法对温度差组进行聚类可为现有技术。
S3,获取每个聚类族中的元素数量和温度范围。
S4,获取温度区间组Fj 1,Fj 2,…,Fj s,…,Fj K;其中,第s个簇Fj s=[min(Fj s),max(Fj s)],Fj s中的元素数量小于Fj s+1中的元素数量,但大于Fj s-1中的元素数量,s的取值为1到K;min(Fj s)和max(Fj s)分别为Fj s中的温度最小值和温度最大值。
S5,分别为温度区间组赋予对应的信度系数,Fj s的信度系数cj s满足:cj s-1<cj s<cj s+1。
S6,基于温度区间组和对应的信度系数生成ROIj对应的信度系数查询表,其中,信度系数查询表的第s行包括Fj s和cj s。
S500,基于bj和cj获取Sj=f(bj,cj)。
在本发明一实施例中,Sj=bj*cj。
进一步地,在本发明实施例中,还可包括:
将Sj进行可视化显示。
本领域技术人员知晓,任何对Sc r进行可视化显示的方式均包含在本发明的保护范围之内。
本发明实施例提供的人体状态参数获取方法,首先获取目标区域和感兴趣区域的特征温度之间的差值,接着,将任一差值与对应的温度阈值范围进行比较,如果位于对应的温度阈值范围内,则设置对应的参数为设定值,否则,则计算该差值与对应的温度阈值范围之间的偏离值,并基于偏离值获取对应的信度系数,并基于偏离值和信度系数获取对应的参数。本发明能够简单且准确获取感兴趣区域的参数,能够节约获取成本。
进一步地,在本发明另一实施例中,S100还包括:
获取ROIj与对应的基准区域之间的相似度dj。
在本发明实施例中,ROIj对应的基准区域为第一对象的ROIj。
本领域技术领域人员知晓,可采用现有的图像相似度算法来获取ROIj与对应的基准区域之间的相似度dj,例如,SSIM、余弦相似度等。
在该实施例中,S300被替换为:
S310,获取△TAj=Tj k-TA,如果△TAj∈Rj,则设置ROIj的参数Sj=f(a,dj);否则,执行S400;Rj为ROIj对应的温度阈值范围,a为设定值。
S500被替换为:
S510,基于bj、cj和dj获取Sj=f(bj,cj,dj)。
在本发明实施例中,在S310中,Sj=a*dj;在S510中,Sj=bj*cj*dj。
本实施例中,由于考虑了区域图像之间的相似度,与前述实施例相比,能够使得获得的感兴趣区域的状态参数更加准确。
进一步地,在本发明实施例中,还包括:
获取由m个感兴趣区域形成的t个指定区域组的状态参数,其中,第r个指定区域组的状态参数Sc r=w1*S1+w2*S2+…+wu*Su+…+wf(r)*Sf(r);其中,Su为第r个指定区域组的第u个感兴趣区域的状态参数,wu为第u个感兴趣区域的权重。u的取值为1到f(r),f(r)为第r个指定区域组的感兴趣区域的数量,r的取值为1到t。
指定区域组可基于实际需要进行设置。例如,在感兴趣区域为前述提及的6个感兴趣区域示,可将第三感兴趣区域、第四感兴趣区域和第六感兴趣区域组合成一个区域组,将第二感兴趣区域和第五感兴趣区域组合成一个区域组。
在一个示意性实施例中,每个感兴趣区域的权重可相同。优选,每个感兴趣区域的权重可不同,在一个示例中,各感兴趣区域的权重可为经验值。在另一个示例中,各感兴趣区域的权重可基于机器学习得到。
进一步地,在本实施例中,还可包括:
将Sc r进行可视化显示。
本领域技术人员知晓,任何对Sc r进行可视化显示的方式均包含在本发明的保护范围之内。
本发明的实施例还提供了一种非瞬时性计算机可读存储介质,该存储介质可设置于电子设备之中以保存用于实现方法实施例中一种方法相关的至少一条指令或至少一段程序,该至少一条指令或该至少一段程序由该处理器加载并执行以实现上述实施例提供的方法。
本发明的实施例还提供了一种电子设备,包括处理器和前述的非瞬时性计算机可读存储介质。
本发明的实施例还提供一种计算机程序产品,其包括程序代码,当所述程序产品在电子设备上运行时,所述程序代码用于使该电子设备执行本说明书上述描述的根据本发明各种示例性实施方式的方法中的步骤。
虽然已经通过示例对本发明的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上示例仅是为了进行说明,而不是为了限制本发明的范围。本领域的技术人员还应理解,可以对实施例进行多种修改而不脱离本发明的范围和精神。本发明公开的范围由所附权利要求来限定。
Claims (10)
1.一种感兴趣区域状态参数获取方法,其特征在于,所述方法包括如下步骤:
S100,获取目标红外图像的目标区域A=(PA 1,PA 2,…,Pi A,…,PA n)和A内的m个感兴趣区域,任一感兴趣区域ROIj=(Pj 1,Pj 2,…,Pj k,…,Pj f(j)),Pi A为A中的第i个像素点的位置,i的取值为1到n,n为A中的像素点的数量;Pj k为ROIj中的第k个像素点的位置,k的取值为1到f(j),f(j)为ROIj中的像素点的数量;
S200,获取目标区域的特征温度TA=f(ti A)和ROIj的特征温度Tj k=f(tj k),ti A为Pi A对应的温度,tj k为Pj k对应的温度;
S300,获取△TAj=Tj k-TA,如果△TAj∈Rj,则设置ROIj的状态参数Sj=a;否则,执行S400;Rj为ROIj对应的温度阈值范围,a为设定值;
S400,获取△TAj和Rj之间的偏离值bj,并基于ROIj对应的信度系数查询表,获取bj对应的信度系数cj;
S500,基于bj和cj获取Sj=f(bj,cj)。
2.根据权利要求1所述的方法,其特征在于,S100还包括:
获取ROIj与对应的基准区域之间的相似度dj。
3.根据权利要求2所述的方法,其特征在于,S300被替换为:
S310,获取△TAj=Tj k-TA,如果△TAj∈Rj,则设置ROIj的状态参数Sj=f(a,dj);否则,执行S400;Rj为ROIj对应的温度阈值范围,a为设定值;
S500被替换为:
S510,基于bj、cj和dj获取Sj=f(bj,cj,dj)。
4.根据权利要求1所述的方法,其特征在于,bj=△TAj-(min(Rj)+max(Rj))/2,min(Rj)和max(Rj)分别为Rj中的最小值和最大值。
5.根据权利要求1所述的方法,其特征在于,在S500中,Sj=bj*cj。
6.根据权利要求3所述的方法,其特征在于,在S310中,Sj=a*dj;在S510中,Sj=bj*cj*dj。
7.根据权利要求1所述的方法,其特征在于,还包括:
获取由m个感兴趣区域形成的t个指定区域组的状态参数,其中,第r个指定区域组的状态参数Sc r=w1*S1+w2*S2+…+wu*Su+…+wf(r)*Sf(r);其中,Su为第r个指定区域组的第u个感兴趣区域的状态参数,wu为第u个感兴趣区域的权重,u的取值为1到f(r),f(r)为第r个指定区域组的感兴趣区域的数量,r的取值为1到t。
8.根据权利要求1至7任一项所述的方法,其特征在于,所述特征温度为对应区域内的温度的平均值。
9.根据权利要求1至7任一项所述的方法,其特征在于,所述目标区域为面部,所述感兴趣区域为穴位。
10.根据权利要求9所述的方法,其特征在于,m=6;
其中,第一感兴趣区域包括对称设置的两个子区域,每个子区域为由依次连接印堂、攒竹、鱼腰、丝竹空、耳和髎、曲鬓、悬厘、悬颅、颔厌、头维、本身、头临泣、曲差、眉冲、神庭的连线围成的区域;
第二感兴趣区域为位于发际线和第一感兴趣区域的下边界线之间的区域;
第三感兴趣区域为位于发际线和第二感兴趣区域的上边界线之间的区域;上边界线和下边界线相互配合形成所述第一感兴趣区域;
第四感兴趣区域包括对称设置的两个子区域,第五感兴趣区域的子区域为由依次连接神庭、印堂、攒竹、眉冲的连线围成的区域;
第五感兴趣区域为由印堂、上迎香组成的三角区域;
第六感兴趣区域为由依次连接鱼腰、睛明、承泣、瞳子髎的连线围成的区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211292577.5A CN115497123B (zh) | 2022-10-21 | 2022-10-21 | 感兴趣区域状态参数获取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211292577.5A CN115497123B (zh) | 2022-10-21 | 2022-10-21 | 感兴趣区域状态参数获取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115497123A true CN115497123A (zh) | 2022-12-20 |
CN115497123B CN115497123B (zh) | 2023-06-23 |
Family
ID=84474794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211292577.5A Active CN115497123B (zh) | 2022-10-21 | 2022-10-21 | 感兴趣区域状态参数获取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115497123B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116797778A (zh) * | 2023-03-23 | 2023-09-22 | 北京鹰之眼智能健康科技有限公司 | 感兴趣区域获取方法、电子设备和存储介质 |
CN116863130A (zh) * | 2023-07-27 | 2023-10-10 | 北京鹰之眼智能健康科技有限公司 | 一种头部区域状态参数获取方法、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090326381A1 (en) * | 2008-06-27 | 2009-12-31 | Yuan yun-e | System and method to facilitate health evaluation and medical diagnosis of a human subject |
CN106491090A (zh) * | 2015-11-19 | 2017-03-15 | 小红象医疗科技有限公司 | 采用红外医学影像技术对人体健康进行评估的方法 |
CN108065915A (zh) * | 2017-11-01 | 2018-05-25 | 杭州远舟医疗科技有限公司 | 基于红外的体质辨识方法、电子设备、存储介质及系统 |
CN110135242A (zh) * | 2019-03-28 | 2019-08-16 | 福州大学 | 基于低分辨率红外热成像深度感知的情绪识别装置及方法 |
CN114334150A (zh) * | 2021-12-30 | 2022-04-12 | 北京鹰之眼智能健康科技有限公司 | 一种评估人体健康状态的方法和装置 |
CN114973354A (zh) * | 2022-04-27 | 2022-08-30 | 上海迎智正能文化发展有限公司 | 基于群体人面红外热像个体情绪即时监测系统和判断方法 |
CN115024726A (zh) * | 2022-04-27 | 2022-09-09 | 上海迎智正能文化发展有限公司 | 基于红外技术的情绪实时观测装置及其运行方法 |
-
2022
- 2022-10-21 CN CN202211292577.5A patent/CN115497123B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090326381A1 (en) * | 2008-06-27 | 2009-12-31 | Yuan yun-e | System and method to facilitate health evaluation and medical diagnosis of a human subject |
CN106491090A (zh) * | 2015-11-19 | 2017-03-15 | 小红象医疗科技有限公司 | 采用红外医学影像技术对人体健康进行评估的方法 |
CN108065915A (zh) * | 2017-11-01 | 2018-05-25 | 杭州远舟医疗科技有限公司 | 基于红外的体质辨识方法、电子设备、存储介质及系统 |
CN110135242A (zh) * | 2019-03-28 | 2019-08-16 | 福州大学 | 基于低分辨率红外热成像深度感知的情绪识别装置及方法 |
CN114334150A (zh) * | 2021-12-30 | 2022-04-12 | 北京鹰之眼智能健康科技有限公司 | 一种评估人体健康状态的方法和装置 |
CN114973354A (zh) * | 2022-04-27 | 2022-08-30 | 上海迎智正能文化发展有限公司 | 基于群体人面红外热像个体情绪即时监测系统和判断方法 |
CN115024726A (zh) * | 2022-04-27 | 2022-09-09 | 上海迎智正能文化发展有限公司 | 基于红外技术的情绪实时观测装置及其运行方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116797778A (zh) * | 2023-03-23 | 2023-09-22 | 北京鹰之眼智能健康科技有限公司 | 感兴趣区域获取方法、电子设备和存储介质 |
CN116797778B (zh) * | 2023-03-23 | 2024-03-22 | 北京鹰之眼智能健康科技有限公司 | 感兴趣区域获取方法、电子设备和存储介质 |
CN116863130A (zh) * | 2023-07-27 | 2023-10-10 | 北京鹰之眼智能健康科技有限公司 | 一种头部区域状态参数获取方法、电子设备及存储介质 |
CN116863130B (zh) * | 2023-07-27 | 2024-04-05 | 北京鹰之眼智能健康科技有限公司 | 一种头部区域状态参数获取方法、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115497123B (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115497123A (zh) | 感兴趣区域状态参数获取方法 | |
Haque et al. | Deep multimodal pain recognition: a database and comparison of spatio-temporal visual modalities | |
CN108888277B (zh) | 心理测试方法、系统及终端设备 | |
Lanatà et al. | Eye tracking and pupil size variation as response to affective stimuli: a preliminary study | |
CN110650685B (zh) | 评估人的心理生理状态的方法 | |
JP6863563B2 (ja) | ストレス評価システム | |
KR101500888B1 (ko) | 생물체의 정신생리학적 상태에 관한 정보 획득방법 | |
CN115761212B (zh) | 一种基于红外图像的人体状态预警系统 | |
CN114842314B (zh) | 基于神经网络的舌象的识别方法、装置和计算机设备 | |
Dzhelyova et al. | High test-retest reliability of a neural index of rapid automatic discrimination of unfamiliar individual faces | |
Jian et al. | Emotion-specific facial activation maps based on infrared thermal image sequences | |
Andreu-Cabedo et al. | Mirror mirror on the wall… An intelligent multisensory mirror for well-being self-assessment | |
KR102030131B1 (ko) | 적외선 영상을 이용한 연속적인 피부 상태 측정 방법 | |
WO2012060732A1 (ru) | Способ отображения температурного поля биологического объекта | |
JP6814172B2 (ja) | 肌の内部構造の推定方法、肌の内部構造の推定プログラム、および肌の内部構造の推定装置 | |
US20230394124A1 (en) | Method for configuring data acquisition settings of a computing device | |
RU2510238C2 (ru) | Способ получения информации о психофизиологическом состоянии живого объекта | |
JP6138696B2 (ja) | 皮脂量の推定方法 | |
JP5526306B2 (ja) | 社会性情動行動評価システム、社会性情動行動評価方法並びに社会性情動行動評価プログラム及びこれを記録したコンピュータ読み取り可能な記録媒体 | |
WO2018073113A1 (de) | Vorrichtung zur ermittlung von merkmalen einer person | |
CN111938671A (zh) | 一种基于多维度内感知特征的焦虑特质量化方法 | |
JP2009201653A (ja) | 知的活動評価システム、並びにその学習方法及びラベル付与方法 | |
Logan et al. | From individual features to full faces: Combining aspects of face information | |
CN112086193A (zh) | 一种基于物联网的人脸识别健康预测系统及方法 | |
CN106725364B (zh) | 基于概率统计方法的管制员疲劳检测方法及系统 |
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 |