CN116523801B - 一种早产儿护理智能监测方法 - Google Patents
一种早产儿护理智能监测方法 Download PDFInfo
- Publication number
- CN116523801B CN116523801B CN202310799360.1A CN202310799360A CN116523801B CN 116523801 B CN116523801 B CN 116523801B CN 202310799360 A CN202310799360 A CN 202310799360A CN 116523801 B CN116523801 B CN 116523801B
- Authority
- CN
- China
- Prior art keywords
- image
- pixel point
- pixel
- monitored
- monitoring target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 165
- 230000002028 premature Effects 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000000474 nursing effect Effects 0.000 title claims description 13
- 230000009471 action Effects 0.000 claims abstract description 22
- 239000000779 smoke Substances 0.000 claims description 29
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 230000008921 facial expression Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000008451 emotion Effects 0.000 abstract description 10
- 230000008569 process Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 230000002708 enhancing effect Effects 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 230000000638 stimulation Effects 0.000 description 3
- 208000017442 Retinal disease Diseases 0.000 description 2
- 206010038923 Retinopathy Diseases 0.000 description 2
- 230000004641 brain development Effects 0.000 description 2
- 230000004622 sleep time Effects 0.000 description 2
- 230000036578 sleeping time Effects 0.000 description 2
- 210000004291 uterus Anatomy 0.000 description 2
- 206010030113 Oedema Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 210000004400 mucous membrane Anatomy 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000008925 spontaneous activity Effects 0.000 description 1
Classifications
-
- G06T5/73—
-
- 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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06V40/174—Facial expression recognition
-
- 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
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Abstract
本申请涉及图像处理领域，提供一种早产儿护理智能监测方法，包括：确定待监测图像中各个像素点对应的去雾强度；基于各个像素点对应的去雾强度确定各个像素点进行图像增强窗口；所述去雾强度与所述图像增强窗口的尺寸负相关；基于所述图像增强窗口对所述待监测图像中各个像素点进行去雾处理，进而得到最优图像；基于所述最优图像对监测目标进行监测。该方法能够有效的对图像进行增强，实现对监测目标的动作和情绪的实时监测，解决了监测目标所处环境较为昏暗使图像质量较低影响监测结果的问题，可保证对监测目标的动作和情绪的监测准确性。
Description
技术领域
本申请涉及图像处理领域，特别是涉及一种早产儿护理智能监测方法。
背景技术
早产儿各方面发育不足，九成以上在出生后会被转至重症监护室或者早产儿重症监护室，受到专业人员精心护理以及诊断治疗，但是全部依靠人工实现24小时全天候监测并不现实，所以需要安装监控对早产儿状态进行识别和监测，将早产儿的全身都容纳在监控区域中，在人工无法实现监测时段进行不间断检测，弥补人工护理的不足。
在对早产儿进行护理的过程中，由于早产儿对光线刺激较为敏感，过亮的光线不利于孩子大脑发育和视力发育，所以早产儿重症监护室内光线较为幽暗。较为昏暗的环境在早产儿睡眠时间为孩子营造一个类似子宫内的幽暗环境，减少光线对早产儿的刺激，保证孩子的睡眠；在非睡眠时间避免太阳光的直接照射，降低早产儿视网膜病变发生率，提升生长发育速度。在这样的环境下，监控获取的早产儿的视频或图像会出现低照度问题，大大影响了后续对早产儿状态的分析，所以需要对监测的图像或视频进行图像增强。但是现有的图像增强技术效果不佳，需要一种效果更好的对早产儿重症监护室内早产儿的检测视频或图像进行增强的方法，提升监测精度，保障护理检测效果。
发明内容
本发明提供一种早产儿护理智能监测方法，该方法能够有效的对图像进行增强，实现对监测目标的动作和情绪的实时监测，解决了监测目标所处环境较为昏暗使图像质量较低影响监测结果的问题，可保证对监测目标的动作和情绪的监测准确性。
第一方面，本申请提供一种早产儿护理智能监测方法，包括：
确定待监测图像中各个像素点对应的去雾强度；
基于各个像素点对应的去雾强度确定各个像素点进行图像增强窗口；所述去雾强度与所述图像增强窗口的尺寸负相关；
基于所述图像增强窗口对所述待监测图像中各个像素点进行去雾处理，进而得到最优图像；
基于所述最优图像对监测目标进行监测；
确定待监测图像中各个像素点对应的去雾强度，包括：
确定所述待监测图像中各个像素点对应的烟雾强度以及各个像素点对应的监测目标特征值；
基于各个像素点对应的烟雾强度以及监测目标特征值确定待监测图像中各个像素点对应的去雾强度；
基于各个像素点对应的去雾强度确定各个像素点进行图像增强窗口，包括：
基于当前像素点的去雾强度、待监测图像中去雾强度的最小值和最大值计算图像增强窗口的边长，从而确定各个像素点进行图像增强窗口；
其中，所述图像增强窗口的边长计算公式为：
，式中/>为待监测图像中坐标为/>的像素点对应的图像增强窗口的边长；/>为待监测图像中各像素点对应的去雾强度的最小值；/>为待监测图像中各像素点对应的去雾强度的最大值；/>为常数系数；/>为取值函数，作用为取与括号内数值最为接近的奇数；
所述方法还包括：
采集监测目标的图像，对采集的图像进行取反操作，得到所述待监测图像；
所述基于所述图像增强窗口对所述待监测图像中各个像素点进行去雾处理，进而得到最优图像，包括：
基于所述图像增强窗口使用暗通道先验算法对所述待监测图像中各个像素点进行去雾处理，得到去雾处理图像；
对所述去雾处理图像进行取反操作，进而得到所述最优图像。
可选地，确定所述待监测图像中各个像素点对应的烟雾强度，包括：
基于待监测图像的像素点与参考图像中像素点在R、G、B通道的像素值的变化确定待监测图像中各个像素点的像素值稳定性；所述参考图像由待监测图像之前采集的预设数量的图像组成；
基于待监测图像中各个像素点的像素点稳定性计算各个像素点对应的烟雾强度。
可选地，基于待监测图像中各个像素点的像素点稳定性计算各个像素点对应的烟雾强度，包括：
确定所述待监测图像对应的暗通道图像；
以所述暗通道图像中每一像素点为中心建立预设大小的窗口，并基于窗口内像素点的像素值进行聚类，得到第一类簇和第二类簇；
利用异常监测算法基于窗口内各个像素点对应的灰度值确定窗口内各个像素点的异常分数；
基于窗口的中心像素点对应的像素点稳定性、第一类簇和第二类簇中像素值的个数、第一类簇和第二类簇中像素值的均值的差值、第一类簇和第二类簇中像素值的标准差以及窗口内像素点对应的异常分数的最大值计算得到窗口的中心像素点对应的烟雾强度，从而得到各个像素点对应的烟雾强度。
可选地，确定待监测图像中各个像素点对应的监测目标特征值，包括：
基于待监测图像中各个像素点对应的灰度值和灰度值均值、各个像素点在R、G、B通道的像素值计算监测目标的每一像素点的颜色特征值；
基于所述监测目标的每一像素点的颜色特征值确定待监测图像中各个像素点对应的监测目标特征值。
可选地，基于所述监测目标的每一像素点的颜色特征值确定待监测图像中各个像素点对应的监测目标特征值，包括：
以每个像素点为种子像素点进行区域生长，如果种子像素点的邻域内相邻像素点与种子像素点的颜色特征值之差超过阈值，则停止生长，进而得到每个像素点的生长区域；
将生长区域中像素点的颜色特征值进行排序，得到每一像素点对应的颜色特征值序列；
基于所述监测目标的当前像素点的颜色特征值、当前像素点的颜色特征值序列与当前像素点的生长区域内第j个像素点的颜色特征值序列之间的距离和生长区域内除当前像素点之外的其余像素点的数量计算得到当前像素点对应的监测目标特征值，从而确定待监测图像中各个像素点对应的监测目标特征值。
可选地，基于所述最优图像对监测目标进行监测，包括：
基于所述最优图像，识别监测目标的动作特征和面部表情特征；
将连续多个时刻采集的图像对应的最优图像中识别的动作特征和面部表情特征分别进行连接，进而得到监测目标的动作姿态和面部表情姿态；
基于所述动作姿态和面部表情姿态确定所述监测目标是否处于异常状态。
可选地，所述监测目标包括早产儿。
本申请的有益效果，区别于现有技术，本申请的一种早产儿护理智能监测方法，包括：确定待监测图像中各个像素点对应的去雾强度；基于各个像素点对应的去雾强度确定各个像素点进行图像增强窗口；所述去雾强度与所述图像增强窗口的尺寸负相关；基于所述图像增强窗口对所述待监测图像中各个像素点进行去雾处理，进而得到最优图像；基于所述最优图像对监测目标进行监测。该方法能够有效的对图像进行增强，实现对监测目标的动作和情绪的实时监测，解决了监测目标所处环境较为昏暗使图像质量较低影响监测结果的问题，可保证对监测目标的动作和情绪的监测准确性。
附图说明
图1为本发明提供的一种早产儿护理智能监测方法的一实施例的流程示意图；
图2为图1中步骤S11的一实施例的流程示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请以监测目标为早产儿进行描述，在对早产儿进行护理的过程中，由于早产儿对光线刺激较为敏感，过亮的光线不利于孩子大脑发育和视力发育，所以早产儿重症监护室内光线较为幽暗。较为昏暗的环境在早产儿睡眠时间为孩子营造一个类似子宫内的幽暗环境，减少光线对早产儿的刺激，保证孩子的睡眠；在非睡眠时间避免太阳光的直接照射，降低早产儿视网膜病变发生率，提升生长发育速度。在这样的环境下，监控获取的早产儿的视频或图像会出现低照度问题，大大影响了后续对早产儿状态的分析，所以需要对监测的图像或视频进行图像增强。本申请的一种早产儿护理智能监测方法，能够有效的对图像进行增强，实现对监测目标的动作和情绪的实时监测，解决了监测目标所处环境较为昏暗使图像质量较低影响监测结果的问题，可保证对监测目标的动作和情绪的监测准确性。下面结合附图和实施例对本申请进行详细的说明。
请参见图1，图1为本发明提供的一种早产儿护理智能监测方法的一实施例的流程示意图，具体包括：
步骤S11：确定待监测图像中各个像素点对应的去雾强度。
在监测目标例如早产儿的重症监护室中设置监控，将需要实时监测的监测目标状态的位置纳入监控的范围。使用监控获取监测目标的重症监护室内的视频信息，对视频中的每一帧图像分别进行提取。将各帧图像记为监测目标图像，监测目标图像为RGB图像，对每一张监测目标图像分别进行分析。
将监测目标图像转换为灰度图像，记为监测目标灰度图像。对监测目标图像进行取反操作，获取监测目标取反图像，记为待监测图像，监测目标取反图像仍为RGB图像。由于监测目标图像为低照度图像，取反后得到的图像和含雾图像有很大的共性，对取反后得到的图像进行去雾操作后再次对图像进行取反操作，即可得到增强后的监测目标图像。
进一步的，请结合图2，步骤S11包括：
步骤S21：确定所述待监测图像中各个像素点对应的烟雾强度以及各个像素点对应的监测目标特征值。
该步骤中，首先介绍烟雾强度的计算过程。在一实施例中，基于待监测图像的像素点与参考图像中像素点在R、G、B通道的像素值的变化确定待监测图像中各个像素点的像素值稳定性；所述参考图像由待监测图像之前采集的预设数量的图像组成；基于待监测图像中各个像素点的像素点稳定性计算各个像素点对应的烟雾强度。
具体的，为保证在对各个像素点位置进行增强的过程中抑制噪声，减少对噪声点的增强，当图像中的像素点在较短的时刻内各个通道值差异较小时，则认为该像素点位置的像素值稳定性较强，为噪声的可能性较小，可承受较大强度的图像增强，进行暗通道去雾算法操作时应对应较小的窗口边长。
根据获取各个待监测图像对应的获取时间，获取正在分析的待监测图像的获取时刻的前五个时刻对应的待监测图像。若正在分析的待监测图像的获取时刻为时刻，则获取的为/>时刻至/>时刻的待监测图像。获取这些图像中各个像素点对应的像素值。
获取待监测图像中各像素点对应的像素值稳定性，具体计算方式为：
式中为待监测图像中坐标为/>的像素点对应的像素值稳定性；/>分别为第/>时刻获取的待监测图像中坐标为/>的像素点在R，G，B三个通道对应的像素值，其中，/>；/>为/>时刻至/>时刻的时刻个数。
在本申请的另一实施例中，上述a1还可以取其它值，例如为/>时刻至/>时刻的时刻个数，根据本申请方案的具体实施，本申请a1取经验值为5。
当像素点对应的各通道值在这些时刻内差异越小时，则该像素点对应的像素稳定值较大。监测目标需要充足的睡眠，自发性活动较少，所以计算这些时刻各通道的差异时受到监测目标活动的影响较小。
进一步的，基于待监测图像中各个像素点的像素点稳定性计算各个像素点对应的烟雾强度。
在一实施例中，确定所述待监测图像对应的暗通道图像。对每个像素点而言，当该位置对应的烟雾特征越为明显时，则应对该像素点位置进行更强的去烟雾处理。根据待监测图像中各像素点对应的R，G，B三个通道对应的像素值获取暗通道图像，暗通道图像为灰度图像。
以所述暗通道图像中每一像素点为中心建立预设大小的窗口，并基于窗口内像素点的像素值进行聚类，得到第一类簇和第二类簇。具体的，以暗通道图像中每个像素点为中心建立大小的窗口，获取窗口内各像素点对应的像素值，对这些像素值使用K-means算法进行聚类，将这些像素值聚类为两个类簇，即第一类簇和第二类簇。其中，/>的经验值为11。
利用异常检测算法基于窗口内各个像素点对应的灰度值确定窗口内各个像素点的异常分数。具体的，对窗口内各像素点对应的灰度值使用孤立森林异常检测算法获取各像素点对应的像素值的异常分数，异常分数用于衡量数值为异常值的程度，异常分数越大，该数值越可能是异常值。当窗口内各像素点对应的异常分数越小时，则中心像素点对应的烟雾特征越为明显，即该像素点对应的窗口边长应越小。
基于窗口的中心像素点对应的像素点稳定性、第一类簇和第二类簇中像素值的个数、第一类簇和第二类簇中像素值的均值的差值、第一类簇和第二类簇中像素值的标准差以及窗口内像素点对应的异常分数的最大值计算得到窗口的中心像素点对应的烟雾强度，从而得到各个像素点对应的烟雾强度。具体的，分别获取这两个簇内包含的像素值的均值、标准差和簇内包含的像素值的个数。当像素点所在位置的烟雾特征越为明显时，则其对应的窗口内各像素点的像素值越为接近，即两个簇内像素值的均值差异较小，簇内像素值的标准差较小，两个簇内包含的像素值的个数较为接近。
在本申请的一具体实施例中，像素点对应的烟雾强度的计算方式为：
式中为待监测图像中坐标为/>的像素点对应的烟雾强度；/>为待监测图像中坐标为/>的像素点对应的像素值稳定性；/>分别为坐标为/>的像素点对应的窗口内划分出的两个簇内包含的像素值的个数；/>为坐标为/>的像素点对应的窗口内划分出的两个簇内包含的像素值的均值的差值的绝对值；/>分别为坐标为/>的像素点对应的窗口内划分出的两个簇内包含的像素值的标准差；/>为坐标为/>的像素点对应的窗口内像素点对应的异常分数的最大值；/>为取值函数，作用为取括号内的最小值。
通过上述方式计算得到待监测图像中各个像素点对应的烟雾强度。上述步骤S21中还需要进一步确定待监测图像中各个像素点对应的监测目标特征值。
具体的，基于待监测图像中各个像素点对应的灰度值和灰度值均值、各个像素点在R、G、B通道的像素值计算监测目标的每一像素点的颜色特征值；基于所述监测目标的每一像素点的颜色特征值确定待监测图像中各个像素点对应的监测目标特征值。
为达到更好的图像增强效果，需要对监测目标所在的位置进行更为细致的图像增强，尽量保留监测目标位置的颜色和细节，使后续对监测目标状态的监测更为准确。
监测目标的皮肤、黏膜呈现鲜红色，皮肤表面会有发亮、水肿的表现，所以监测目标对应的位置的红色通道值相对于其他两个通道值较大且亮度相对于背景较亮。获取监测目标图像中各像素点对应的灰度值和监测目标图像中包含的所有像素点的灰度值均值。
根据上述分析获取每个像素点对应的监测目标皮肤颜色特征值，即监测目标颜色特征值：
、
式中为图像中坐标为/>的像素点对应的监测目标颜色特征值；/>为待监测图像中坐标为/>的像素点对应的灰度值；/>监测目标图像中包含的所有像素点的灰度值均值，/>、/>、/>表示t时刻像素点在R、G、B通道的像素值。
确定待监测图像中各个像素点对应的监测目标特征值后，以每个像素点为种子像素点进行区域生长，如果种子像素点的邻域内相邻像素点与种子像素点的颜色特征值之差超过阈值，则停止生长，进而得到每个像素点的生长区域。具体的，分别以每个像素点为种子点进行区域生长，当八邻域内相邻的像素点与其对应的监测目标颜色特征值的差值的绝对值不超过阈值时，则继续生长，停止条件为不存在满足阈值的相邻生长区域，阈值/>的经验值为6。将每个种子点经区域生长后获得的区域记为该像素点对应的生长区域。
将生长区域中像素点的颜色特征值进行排序，得到每一像素点对应的颜色特征值序列。具体的，按照从上至下、从左到右的顺序获取每个像素点对应的生长区域内各像素点对应的监测目标皮肤颜色特征值的序列。至此，图像中每个像素点均有一个对应的序列。
基于所述监测目标的当前像素点的颜色特征值、当前像素点的颜色特征值序列与当前像素点的生长区域内第j个像素点的颜色特征值序列之间的距离和生长区域内除当前像素点之外的其余像素点的数量计算得到当前像素点对应的监测目标特征值，从而确定待监测图像中各个像素点对应的监测目标特征值。具体的，取每个像素点与其对应的生长区域内各个像素点对应的序列之间的距离，dtw是动态时间归整算法。当像素点对应的位置周围呈现出的监测目标特征越为一致、明显时，则该像素点越可能对应监测目标所在位置，即应对该位置的像素点进行更强的去雾操作。
根据上述分析获取每个像素点对应的监测目标特征值：
式中为图像中坐标为/>的像素点对应的监测目标特征值；/>为图像中坐标为/>的像素点对应的监测目标颜色特征值；/>为坐标为/>的像素点于其对应的生长区域内第/>个像素点对应的序列之间的/>距离，其中，/>，/>为坐标为的像素点对应的生长区域内包含的除该像素点外其他像素点的个数。
步骤S22：基于各个像素点对应的烟雾强度以及监测目标特征值确定待监测图像中各个像素点对应的去雾强度。
根据像素点对应的烟雾强度和监测目标特征值确定每个像素点对应的去雾强度：
式中为图像中坐标为/>的像素点对应的去雾强度。
步骤S12：基于各个像素点对应的去雾强度确定各个像素点进行图像增强窗口；所述去雾强度与所述图像增强窗口的尺寸负相关。
具体的，基于当前像素点的去雾强度、待监测图像中去雾强度的最小值和最大值计算图像增强窗口的边长，从而确定各个像素点进行图像增强窗口；
其中，所述图像增强窗口的边长计算公式为：
式中为待监测图像中坐标为/>的像素点对应的图像增强窗口的边长；/>为待监测图像中各像素点对应的去雾强度的最小值；/>为待监测图像中各像素点对应的去雾强度的最大值；/>为常数系数，经验值分别为20，5；/>为取值函数，作用为取与括号内数值最为接近的奇数。
具体的，本申请使用暗通道先验算法对算法监测目标取反图像进行去雾，在进行去雾操作的过程中，当每个像素点对应的窗口边长越小时，则去雾的效果越好，即去雾强度与所述图像增强窗口的尺寸负相关。但窗口越大时，对图像中颜色和细节的保留程度越好，所以需要根据雾的浓淡程度确定每个像素点位置最为合适的去雾效果，确定对每个像素点进行分析时其对应的窗口的边长。所以对监测目标取反图像中各个像素点进行分析。
步骤S13：基于所述图像增强窗口对所述待监测图像中各个像素点进行去雾处理，进而得到最优图像。
以上述确定的窗口边长作为对图像使用暗通道先验算法进行去雾时每个像素点对应的窗口边长，对图像进行去雾。将去雾后的图像进行取反操作，获取经过图像增强的监测目标图像。
具体的，基于所述图像增强窗口对所述待监测图像中各个像素点进行去雾处理，得到去雾处理图像；对所述去雾处理图像进行取反操作，进而得到所述最优图像。
步骤S14：基于所述最优图像对监测目标进行监测。
在一具体实施例中，基于所述最优图像，识别监测目标的动作特征和面部表情特征；将连续多个时刻采集的图像对应的最优图像中识别的动作特征和面部表情特征分别进行连接，进而得到监测目标的动作姿态和面部表情姿态；基于所述动作姿态和面部表情姿态确定所述监测目标是否处于异常状态。具体的，将获取的监测目标姿态和面部表情与监测目标出现异常状态的姿态和面部表情的关键点进行一一对比，当检测结果与异常状态的关键点能完全吻合时，则认为监测目标此时处于异常状态，及时对医护人员发出提醒。
本发明通过对监测目标监测视频中的每一帧图像进行分析，对图像进行更精确地增强，实现对监测目标的动作和情绪的实时检测，解决了监测目标所处环境较为昏暗使检测视频图像质量较低影响监测结果的问题，可保证对监测目标的动作和情绪监测的准确性，提升监测目标护理的质量。
在对图像进行增强的过程中，根据每个像素点位置的像素值的稳定性保障在图像增强的过程中对噪声进行抑制，并以此为基础，结合每个像素点位置低照度的特征的明显程度和监测目标身体的显著性，确定各个像素点处进行图像增强的强度，实现对监测目标位置更为精确的图像增强。
以上仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (7)
1.一种早产儿护理智能监测方法，其特征在于，包括：
确定待监测图像中各个像素点对应的去雾强度；
基于各个像素点对应的去雾强度确定各个像素点进行图像增强窗口；所述去雾强度与所述图像增强窗口的尺寸负相关；
基于所述图像增强窗口对所述待监测图像中各个像素点进行去雾处理，进而得到最优图像；
基于所述最优图像对监测目标进行监测；
确定待监测图像中各个像素点对应的去雾强度，包括：
确定所述待监测图像中各个像素点对应的烟雾强度以及各个像素点对应的监测目标特征值；
基于各个像素点对应的烟雾强度以及监测目标特征值确定待监测图像中各个像素点对应的去雾强度；
基于各个像素点对应的去雾强度确定各个像素点进行图像增强窗口，包括：
基于当前像素点的去雾强度、待监测图像中去雾强度的最小值和最大值计算图像增强窗口的边长，从而确定各个像素点进行图像增强窗口；
其中，所述图像增强窗口的边长计算公式为：
，式中/>为待监测图像中坐标为/>的像素点对应的图像增强窗口的边长；/>为待监测图像中各像素点对应的去雾强度的最小值；/>为待监测图像中各像素点对应的去雾强度的最大值；/>为常数系数；/>为取值函数，作用为取与括号内数值最为接近的奇数；
所述方法还包括：
采集监测目标的图像，对采集的图像进行取反操作，得到所述待监测图像；
所述基于所述图像增强窗口对所述待监测图像中各个像素点进行去雾处理，进而得到最优图像，包括：
基于所述图像增强窗口使用暗通道先验算法对所述待监测图像中各个像素点进行去雾处理，得到去雾处理图像；
对所述去雾处理图像进行取反操作，进而得到所述最优图像。
2.根据权利要求1所述的一种早产儿护理智能监测方法，其特征在于，确定所述待监测图像中各个像素点对应的烟雾强度，包括：
基于待监测图像的像素点与参考图像中像素点在R、G、B通道的像素值的变化确定待监测图像中各个像素点的像素值稳定性；所述参考图像由待监测图像之前采集的预设数量的图像组成；
基于待监测图像中各个像素点的像素点稳定性计算各个像素点对应的烟雾强度。
3.根据权利要求2所述的一种早产儿护理智能监测方法，其特征在于，基于待监测图像中各个像素点的像素点稳定性计算各个像素点对应的烟雾强度，包括：
确定所述待监测图像对应的暗通道图像；
以所述暗通道图像中每一像素点为中心建立预设大小的窗口，并基于窗口内像素点的像素值进行聚类，得到第一类簇和第二类簇；
利用异常监测算法基于窗口内各个像素点对应的灰度值确定窗口内各个像素点的异常分数；
基于窗口的中心像素点对应的像素点稳定性、第一类簇和第二类簇中像素值的个数、第一类簇和第二类簇中像素值的均值的差值、第一类簇和第二类簇中像素值的标准差以及窗口内像素点对应的异常分数的最大值计算得到窗口的中心像素点对应的烟雾强度，从而得到各个像素点对应的烟雾强度。
4.根据权利要求1所述的一种早产儿护理智能监测方法，其特征在于，确定待监测图像中各个像素点对应的监测目标特征值，包括：
基于待监测图像中各个像素点对应的灰度值和灰度值均值、各个像素点在R、G、B通道的像素值计算监测目标的每一像素点的颜色特征值；
基于所述监测目标的每一像素点的颜色特征值确定待监测图像中各个像素点对应的监测目标特征值。
5.根据权利要求4所述的一种早产儿护理智能监测方法，其特征在于，基于所述监测目标的每一像素点的颜色特征值确定待监测图像中各个像素点对应的监测目标特征值，包括：
以每个像素点为种子像素点进行区域生长，如果种子像素点的邻域内相邻像素点与种子像素点的颜色特征值之差超过阈值，则停止生长，进而得到每个像素点的生长区域；
将生长区域中像素点的颜色特征值进行排序，得到每一像素点对应的颜色特征值序列；
基于所述监测目标的当前像素点的颜色特征值、当前像素点的颜色特征值序列与当前像素点的生长区域内第j个像素点的颜色特征值序列之间的距离和生长区域内除当前像素点之外的其余像素点的数量计算得到当前像素点对应的监测目标特征值，从而确定待监测图像中各个像素点对应的监测目标特征值。
6.根据权利要求1所述的一种早产儿护理智能监测方法，其特征在于，基于所述最优图像对监测目标进行监测，包括：
基于所述最优图像，识别监测目标的动作特征和面部表情特征；
将连续多个时刻采集的图像对应的最优图像中识别的动作特征和面部表情特征分别进行连接，进而得到监测目标的动作姿态和面部表情姿态；
基于所述动作姿态和面部表情姿态确定所述监测目标是否处于异常状态。
7.根据权利要求1所述的一种早产儿护理智能监测方法，其特征在于，所述监测目标包括早产儿。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310799360.1A CN116523801B (zh) | 2023-07-03 | 2023-07-03 | 一种早产儿护理智能监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310799360.1A CN116523801B (zh) | 2023-07-03 | 2023-07-03 | 一种早产儿护理智能监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116523801A CN116523801A (zh) | 2023-08-01 |
| CN116523801B true CN116523801B (zh) | 2023-08-25 |
Family
ID=87390687
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310799360.1A Active CN116523801B (zh) | 2023-07-03 | 2023-07-03 | 一种早产儿护理智能监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116523801B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102243758A (zh) * | 2011-07-14 | 2011-11-16 | 浙江大学 | 基于雾天图像复原和图像融合的图像去雾方法 |
| CN104732494A (zh) * | 2015-03-23 | 2015-06-24 | 无锡中科智能农业发展有限责任公司 | 一种基于图像去雾的组培监控方法及系统 |
| CN105354806A (zh) * | 2015-11-20 | 2016-02-24 | 上海熙菱信息技术有限公司 | 基于暗通道的快速去雾方法及系统 |
| CN106530257A (zh) * | 2016-11-22 | 2017-03-22 | 重庆邮电大学 | 一种基于暗通道先验模型的遥感图像去雾方法 |
| CN106780390A (zh) * | 2016-12-27 | 2017-05-31 | 西安电子科技大学 | 基于边缘分类加权融合的单幅图像去雾方法 |
| CN109753878A (zh) * | 2018-12-06 | 2019-05-14 | 北京科技大学 | 一种恶劣天气下的成像识别方法及系统 |
| GB202006954D0 (en) * | 2019-05-14 | 2020-06-24 | Univ Beijing Science & Technology | Underwater image enhancement method and enhancement device |
| CN111553862A (zh) * | 2020-04-29 | 2020-08-18 | 大连海事大学 | 一种海天背景图像去雾和双目立体视觉定位方法 |
| CN114639152A (zh) * | 2022-03-22 | 2022-06-17 | 平安普惠企业管理有限公司 | 基于人脸识别的多模态语音交互方法、装置、设备及介质 |
| CN115496693A (zh) * | 2022-11-17 | 2022-12-20 | 南通鼎勇机械有限公司 | 基于暗通道算法的烧结火焰图像去烟雾方法 |
| CN115660998A (zh) * | 2022-11-09 | 2023-01-31 | 华东理工大学 | 基于深度学习和传统先验知识融合的图像去雾方法 |
| CN116029944A (zh) * | 2023-03-28 | 2023-04-28 | 国科天成科技股份有限公司 | 一种灰度图像的自适应对比度增强方法和装置 |
| CN116188331A (zh) * | 2023-04-28 | 2023-05-30 | 淄博市淄川区市政环卫服务中心 | 一种建设工程施工状态变化监测方法及系统 |
| CN116342891A (zh) * | 2023-05-24 | 2023-06-27 | 济南科汛智能科技有限公司 | 一种适用于自闭症儿童结构化教学监控数据管理系统 |
-
2023
- 2023-07-03 CN CN202310799360.1A patent/CN116523801B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102243758A (zh) * | 2011-07-14 | 2011-11-16 | 浙江大学 | 基于雾天图像复原和图像融合的图像去雾方法 |
| CN104732494A (zh) * | 2015-03-23 | 2015-06-24 | 无锡中科智能农业发展有限责任公司 | 一种基于图像去雾的组培监控方法及系统 |
| CN105354806A (zh) * | 2015-11-20 | 2016-02-24 | 上海熙菱信息技术有限公司 | 基于暗通道的快速去雾方法及系统 |
| CN106530257A (zh) * | 2016-11-22 | 2017-03-22 | 重庆邮电大学 | 一种基于暗通道先验模型的遥感图像去雾方法 |
| CN106780390A (zh) * | 2016-12-27 | 2017-05-31 | 西安电子科技大学 | 基于边缘分类加权融合的单幅图像去雾方法 |
| CN109753878A (zh) * | 2018-12-06 | 2019-05-14 | 北京科技大学 | 一种恶劣天气下的成像识别方法及系统 |
| GB202006954D0 (en) * | 2019-05-14 | 2020-06-24 | Univ Beijing Science & Technology | Underwater image enhancement method and enhancement device |
| CN111553862A (zh) * | 2020-04-29 | 2020-08-18 | 大连海事大学 | 一种海天背景图像去雾和双目立体视觉定位方法 |
| CN114639152A (zh) * | 2022-03-22 | 2022-06-17 | 平安普惠企业管理有限公司 | 基于人脸识别的多模态语音交互方法、装置、设备及介质 |
| CN115660998A (zh) * | 2022-11-09 | 2023-01-31 | 华东理工大学 | 基于深度学习和传统先验知识融合的图像去雾方法 |
| CN115496693A (zh) * | 2022-11-17 | 2022-12-20 | 南通鼎勇机械有限公司 | 基于暗通道算法的烧结火焰图像去烟雾方法 |
| CN116029944A (zh) * | 2023-03-28 | 2023-04-28 | 国科天成科技股份有限公司 | 一种灰度图像的自适应对比度增强方法和装置 |
| CN116188331A (zh) * | 2023-04-28 | 2023-05-30 | 淄博市淄川区市政环卫服务中心 | 一种建设工程施工状态变化监测方法及系统 |
| CN116342891A (zh) * | 2023-05-24 | 2023-06-27 | 济南科汛智能科技有限公司 | 一种适用于自闭症儿童结构化教学监控数据管理系统 |
Non-Patent Citations (1)
| Title |
|---|
| 单幅雾天图像能见度恢复深度算法及评价研究;叶路月;《中国优秀硕士学位论文全文数据库 信息科技辑》;I138-431 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116523801A (zh) | 2023-08-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106778695B (zh) | 一种基于视频的多人快速心率检测方法 | |
| CN108509905B (zh) | 状态评估装置、电子设备及存储介质 | |
| US10143377B2 (en) | Single channel imaging measurement of dynamic changes in heart or respiration rate | |
| US20200356820A1 (en) | Speckle contrast analysis using machine learning for visualizing flow | |
| 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 | |
| WO2009038376A1 (en) | Extraction method of tongue region using graph-based approach and geometric properties | |
| CN107049263A (zh) | 基于图像处理的白癜风病情诊断与疗效评估方法与系统 | |
| CN108198167B (zh) | 一种基于机器视觉的烧伤智能检测识别装置及方法 | |
| Bousefsaf et al. | Automatic selection of webcam photoplethysmographic pixels based on lightness criteria | |
| EP3219251A1 (en) | Organ image capture device and program | |
| JP2015500722A (ja) | 皮膚ゾーンにおける皮膚症状を検出して数量化する方法および装置 | |
| CN111027485A (zh) | 一种基于人脸视频检测与色度模型的心率检测方法 | |
| CN109241963B (zh) | 基于Adaboost机器学习的胶囊胃镜图像中出血点智能识别方法 | |
| CN106821324A (zh) | 一种基于舌面和舌下综合分析的舌诊辅助医疗系统 | |
| CN113888518A (zh) | 一种基于深度学习分割、分类多任务的喉咽内镜肿瘤检测及良恶性分类方法 | |
| CN112396011A (zh) | 一种基于视频图像心率检测及活体检测的人脸识别系统 | |
| Yin et al. | Heart rate estimation based on face video under unstable illumination | |
| CN108937905B (zh) | 一种基于信号拟合的非接触式心率检测方法 | |
| CN116523801B (zh) | 一种早产儿护理智能监测方法 | |
| CN110930446B (zh) | 一种眼底图像定量分析的前置处理方法及存储设备 | |
| CN111839492A (zh) | 一种基于面部视频序列的心率非接触式测量方法 | |
| CN103445759A (zh) | 基于数字图像处理的瞳孔孔径对光反应自动测量装置 | |
| KR101244194B1 (ko) | 특정 파장 대역의 광원을 이용한 혀 영상 검출장치 및 방법 | |
| CN116912260B (zh) | 基于人工智能的肉鸡养殖健康状态检测方法 | |
| CN110970132A (zh) | 一种基于移动护理的病情预警系统 |
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 |