WO2023005469A1 - 呼吸检测区域确定方法、装置、存储介质及电子设备 - Google Patents
呼吸检测区域确定方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- WO2023005469A1 WO2023005469A1 PCT/CN2022/098521 CN2022098521W WO2023005469A1 WO 2023005469 A1 WO2023005469 A1 WO 2023005469A1 CN 2022098521 W CN2022098521 W CN 2022098521W WO 2023005469 A1 WO2023005469 A1 WO 2023005469A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- area
- information
- visible light
- target
- breathing
- Prior art date
Links
- 230000029058 respiratory gaseous exchange Effects 0.000 title claims abstract description 164
- 238000001514 detection method Methods 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 95
- 238000003860 storage Methods 0.000 title claims abstract description 30
- 238000013507 mapping Methods 0.000 claims abstract description 142
- 238000000605 extraction Methods 0.000 claims description 133
- 238000013528 artificial neural network Methods 0.000 claims description 42
- 238000012545 processing Methods 0.000 claims description 36
- 230000036387 respiratory rate Effects 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 30
- 230000009467 reduction Effects 0.000 claims description 28
- 230000004927 fusion Effects 0.000 claims description 23
- 230000008859 change Effects 0.000 claims description 22
- 238000001914 filtration Methods 0.000 claims description 22
- 239000002131 composite material Substances 0.000 claims description 13
- 230000000737 periodic effect Effects 0.000 claims description 7
- 230000000241 respiratory effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 27
- 230000036391 respiratory frequency Effects 0.000 description 16
- 238000001931 thermography Methods 0.000 description 16
- 230000035565 breathing frequency Effects 0.000 description 14
- 238000003384 imaging method Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 10
- 238000012549 training Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000007500 overflow downdraw method Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 208000015181 infectious disease Diseases 0.000 description 3
- 230000007958 sleep Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000001121 heart beat frequency Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012880 independent component analysis Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本公开涉及呼吸检测区域确定方法、装置、存储介质及电子设备。上述方法包括获取第一可见光图像以及与上述第一可见光图像匹配的第一热图像，上述第一可见光图像中包括目标对象；在该第一可见光图像中提取第一区域，上述第一区域指向上述目标对象的实际呼吸区域；获取目标映射关系，该目标映射关系表征上述实际呼吸区域与关键区域的对应关系，上述关键区域表征温度跟随上述目标对象的呼吸呈现周期性变化的实际物理区域；根据该第一区域和该目标映射关系，在该第一可见光图像中确定第二区域，上述第二区域指向上述关键区域；根据上述第二区域，在上述第一热图像中确定呼吸检测区域。本公开可以准确地在热图像中确定出可以用于检测呼吸频率的区域。
Description
相关申请的交叉引用
本专利申请要求于2021年7月30日提交的、申请号为202110870587.1的中国专利申请的优先权，该申请的全文以引用的方式并入本文中。
本公开涉及计算机视觉技术领域，尤其涉及呼吸检测区域确定方法、装置、存储介质及电子设备。
检测呼吸频率通常使用接触式检测设备，这种设备的适用场景有限，比如，对于有隔离需求的场景，要求被测对象无感知的场景，则无法使用这类设备。因此，无接触式呼吸频率检测是呼吸频率检测领域发展的重要方向。由于不能够与被测对象产生直接接触，如何准确定位呼吸检测区域就显得至关重要，确保呼吸检测区域的准确定位是进行无接触式呼吸频率检测的前提条件。
发明内容
本公开提出了呼吸检测区域确定方法、装置、存储介质及电子设备。
根据本公开的一方面，提供了一种呼吸检测区域确定方法，其包括：获取第一可见光图像以及与所述第一可见光图像匹配的第一热图像，其中，所述第一可见光图像中包括目标对象；在所述第一可见光图像中提取第一区域，其中，所述第一区域指向所述目标对象的实际呼吸区域；获取目标映射关系，所述目标映射关系表征所述实际呼吸区域与关键区域的对应关系，其中，所述关键区域表征温度跟随所述目标对象的呼吸呈现周期性变化的实际物理区域；根据所述第一区域和所述目标映射关系，在所述第一可见光图像中确定第二区域，所述第二区域指向所述关键区域；根据所述第二区域，在所述第一热图像中确定呼吸检测区域。基于上述配置，可以准确地在热图像中确定出可以用于检测呼吸频率的区域，通过对这一区域进行温度分析，可以进一步检测到目标对象的呼吸频率。
在一些可能的实施方式中，所述获取目标映射关系，包括：获取场景映射信息以及映射关系管理信息，所述场景映射信息表征场景特征信息与场景类别的对应关系，所述映射关系管理信息表征场景类别与映射关系的对应关系；确定所述目标对象所对应的目标场景特征信息；根据所述目标场景特征信息和所述场景映射信息，得到所述目标场景特征信息对应的目标场景类别；根据所述目标场景类别和所述映射管理信息，得到所述目标映射关系。基于上述配置，对于不同的场景可以自动适配得到目标映射关系，从而在各种场景中都可以准确确定出呼吸检测区域。
在一些可能的实施方式中，所述确定所述目标对象所对应的目标场景特征信息，包括：获取包括所述目标对象的目标可见光图像；对所述目标可见光图像进行多尺度特征提取，得到多个层级的特征提取结果；按照层级递增顺序，对所述特征提取结果进行融合，得到多个层级的特征融合结果；按照层级递减顺序，对所述特征融合结果进行融合，得到所述目标场景特征信息。基于上述配置，可以通过双向融合的方式使得目标场景特征信息不仅包含较为丰富的特征信息，还包含充分的上下文信息。
在一些可能的实施方式中，所述目标映射关系包括方向映射信息，所述方向映射信息表征所述关键区域相对于所述实际呼吸区域的方向，所述根据所述第一区域和所述目标映射关系，在所述第一可见光图像中确定第二区域，包括：根据所述方向映射信息和所述第一区域，确定所述第二区域。基于上述配置，可以准确得到指向关键区域的第二区域，进而提升呼吸检测区域定位准确度。
在一些可能的实施方式中，所述目标映射关系还包括距离映射信息，所述距离映射信息表征所述关键区域相对于所述实际呼吸区域的距离，所述根据所述方向映射信息和所述第一区域，确定所述第二区域，包括：根据所述方向映射信息、所述距离映射信息和所述第一区域，确定所述第二区域。基于上述配置，可以进一步提升第二区域的定位准确度。
在一些可能的实施方式中，所述根据所述方向映射信息、所述距离映射信息和所述第一区域， 确定所述第二区域，包括：获取预设的外形信息，所述外形信息包括区域大小信息和/或区域形状信息；确定所述第二区域，以使得所述第二区域的外形符合所述外形信息，并且所述第二区域的中心相对于所述第一区域的中心的方向符合所述方向映射信息，并且所述第二区域的中心相对于所述第一区域的中心的距离符合所述距离映射信息。基于上述配置，可以进一步提升第二区域的定位准确度。
在一些可能的实施方式中，所述根据所述第二区域，在所述第一热图像中确定呼吸检测区域，包括：获取单应性矩阵，所述单应性矩阵表征所述第一可见光图像的像素点与所述第一热图像的像素点之间的对应关系；根据所述单应性矩阵和所述第二区域，确定所述呼吸检测区域。基于上述配置，可以根据第二区域准确得到呼吸检测区域，提升呼吸检测区域的定位准确度。
在一些可能的实施方式中，所述根据所述单应性矩阵和所述第二区域，确定所述呼吸检测区域，包括：根据所述单应性矩阵，在所述第一热图像中确定与所述第二区域匹配的关联区域；划分所述关联区域，得到至少两个候选区域；将温度变化程度最高的候选区域，确定为所述呼吸检测区域。基于上述配置，通过横向类比各候选区域，可以得到温度变化程度最高的呼吸检测区域。基于该呼吸检测区域进行呼吸频率的检测，可以使得检测结果受到更少的噪音干扰，更加准确。
在一些可能的实施方式中，所述方法还包括：确定预设时间区间内，所述候选区域的最高温度和最低温度；根据所述最高温度和所述最低温度的差值，得到所述候选区域的温度变化程度。基于上述配置，可以准确评估出候选区域的温度变化程度。
在一些可能的实施方式中，所述在所述第一可见光图像中提取第一区域，包括：基于神经网络对所述第一可见光图像进行呼吸区域提取，得到所述第一区域；所述神经网络基于下述方法得到：获取样本可见光图像集和所述样本图像集中多张样本可见光图像对应的标签；其中，所述标签指向所述多张样本可见光图像中的呼吸区域；所述呼吸区域为所述样多张本可见光图像中的样本目标对象的口鼻区域或口罩区域；基于所述神经网络对所述多张样本可见光图像进行呼吸区域预测，得到呼吸区域预测结果；根据所述呼吸区域预测结果和所述标签，训练所述神经网络。基于上述配置，可以使得训练得到的神经网络具备直接准确地提取呼吸区域的能力。
在一些可能的实施方式中，所述基于所述神经网络对所述样本可见光图像进行呼吸区域预测，得到呼吸区域预测结果，包括：对所述样本可见光图像集中的所述多张样本可见光图像进行特征提取，得到特征提取结果；根据所述特征提取结果预测呼吸区域，得到呼吸区域预测结果；其中，所述对所述样本可见光图像集中的所述多张样本可见光图像进行特征提取，得到特征提取结果，包括：针对每张样本可见光图像，对该样本可见光图像进行初始特征提取，得到第一特征图；对该第一特征图进行复合特征提取，得到第一特征信息，其中，所述复合特征提取包括通道特征提取；基于该第一特征信息中的显著特征，对该第一特征图进行过滤得到过滤结果；提取该过滤结果中的第二特征信息；融合该第一特征信息和该第二特征信息，得到该样本可见光图像的特征提取结果。基于上述配置，可以通过过滤显著特征，并基于过滤结果进行包括通道信息提取的复合特征提取，充分挖掘具有判别力的信息，提升第二特征信息的有效度和判别力，进而提升最终的特征提取结果中信息的丰富程度。
在一些可能的实施方式中，所述方法还包括：在所述第一热图像中提取所述呼吸检测区域对应的第一温度信息，所述第一温度信息表征第一时刻下所述关键区域对应的温度信息。基于上述配置，可以准确确定出呼吸检测区域所对应的温度。
在一些可能的实施方式中，所述在所述第一热图像中提取所述呼吸检测区域对应的第一温度信息，包括：确定所述呼吸检测区域中像素点对应的温度信息；根据各所述像素点对应的温度信息，计算所述第一温度信息。基于上述配置，可以准确确定出第一温度信息。
在一些可能的实施方式中，所述方法还包括：获取至少一个第二温度信息，所述第二温度信息表征不同于所述第一时刻的第二时刻下所述关键区域对应的温度信息；根据所述第一温度信息和所述至少一个第二温度信息，确定所述目标对象的呼吸频率。基于上述配置，通过确定出第一温度信息，联合其他的温度信息，即可在无接触情况下，确定出目标对象的呼吸频率。
在一些可能的实施方式中，所述根据所述第一温度信息和所述至少一个第二温度信息，确定所 述目标对象的呼吸频率，包括：对所述第一温度信息和所述至少一个第二温度信息按照时序进行排列，得到温度序列；对所述温度序列进行降噪处理，得到目标温度序列；基于所述目标温度序列，确定所述目标对象的呼吸频率。基于上述配置，可以滤除影响呼吸频率计算的噪声，使得得到的呼吸频率更为准确。
在一些可能的实施方式中，所述基于所述目标温度序列，确定所述目标对象的呼吸频率，包括：确定所述目标温度序列中多个关键点，所述关键点均为峰值点或均为谷值点；对于任意两个相邻关键点，确定所述两个相邻关键点之间时间间隔；根据所述时间间隔，确定所述呼吸频率。基于上述配置，通过计算相邻关键点之间的时间间隔，可以准确地确定呼吸频率。
根据本公开的第二方面，提供一种呼吸检测区域确定装置，所述装置包括：图像获取模块，用于获取第一可见光图像以及与所述第一可见光图像匹配的第一热图像，其中，所述第一可见光图像中包括目标对象；第一区域提取模块，用于在所述第一可见光图像中提取第一区域，其中，所述第一区域指向所述目标对象的实际呼吸区域；映射确定模块，用于获取目标映射关系，所述目标映射关系表征所述实际呼吸区域与关键区域的对应关系，其中，所述关键区域表征温度跟随所述目标对象的呼吸呈现周期性变化的实际物理区域；第二区域提取模块，用于根据所述第一区域和所述目标映射关系，在所述第一可见光图像中确定第二区域，其中，所述第二区域指向所述关键区域；呼吸检测区域确定模块，用于根据所述第二区域，在所述第一热图像中确定呼吸检测区域。
在一些可能的实施方式中，所述映射确定模块，包括：映射信息确定单元，用于获取场景映射信息以及映射关系管理信息，所述场景映射信息表征场景特征信息与场景类别的对应关系，所述映射关系管理信息表征场景类别与映射关系的对应关系；目标场景特征信息确定单元，用于确定所述目标对象所对应的目标场景特征信息；目标场景类别确定模块，用于根据所述目标场景特征信息和所述场景映射信息，得到所述目标场景特征信息对应的目标场景类别；目标映射关系确定模块，用于根据所述目标场景类别和所述映射管理信息，得到所述目标映射关系。
在一些可能的实施方式中，所述目标场景特征信息确定单元，用于获取包括所述目标对象的目标可见光图像；对所述目标可见光图像进行多尺度特征提取，得到多个层级的特征提取结果；按照层级递增顺序，对所述特征提取结果进行融合，得到多个层级的特征融合结果；按照层级递减顺序，对所述特征融合结果进行融合，得到所述目标场景特征信息。
在一些可能的实施方式中，所述目标映射关系包括方向映射信息，所述方向映射信息表征所述关键区域相对于所述实际呼吸区域的方向，所述第二区域提取模块，用于根据所述方向映射信息和所述第一区域，确定所述第二区域。
在一些可能的实施方式中，所述目标映射关系还包括距离映射信息，所述距离映射信息表征所述关键区域相对于所述实际呼吸区域的距离，所述第二区域提取模块，用于根据所述方向映射信息、所述距离映射信息和所述第一区域，确定所述第二区域。
在一些可能的实施方式中，所述第二区域提取模块，还用于获取预设的外形信息，所述外形信息包括区域大小信息和/或区域形状信息；确定所述第二区域，以使得所述第二区域的外形符合所述外形信息，并且所述第二区域的中心相对于所述第一区域的中心的方向符合所述方向映射信息，并且所述第二区域的中心相对于所述第一区域的中心的距离符合所述距离映射信息。
在一些可能的实施方式中，所述呼吸检测区域确定模块，用于获取单应性矩阵，所述单应性矩阵表征所述第一可见光图像的像素点与所述第一热图像的像素点之间的对应关系；根据所述单应性矩阵和所述第二区域，确定所述呼吸检测区域。
在一些可能的实施方式中，所述呼吸检测区域确定模块，还用于根据所述单应性矩阵，在所述第一热图像中确定与所述第二区域匹配的关联区域；划分所述关联区域，得到至少两个候选区域；将温度变化程度最高的候选区域，确定为所述呼吸检测区域。
在一些可能的实施方式中，所述呼吸检测区域确定模块，还用于确定预设时间区间内，所述候选区域的最高温度和最低温度；根据所述最高温度和所述最低温度的差值，得到所述候选区域的温度变化程度。
在一些可能的实施方式中，所述第一区域提取模块，用于基于神经网络对所述第一可见光图像 进行呼吸区域提取，得到所述第一区域；所述装置还包括神经网络训练模块，用于获取样本可见光图像集和所述样本图像集中多张样本可见光图像对应的标签；其中，所述标签指向所述多张样本可见光图像中的呼吸区域；所述呼吸区域为所述多张样本可见光图像中的样本目标对象的口鼻区域或口罩区域；基于所述神经网络对所述多张样本可见光图像进行呼吸区域预测，得到呼吸区域预测结果；根据所述呼吸区域预测结果和所述标签，训练所述神经网络。
在一些可能的实施方式中，所述神经网络训练模块，用于对所述样本可见光图像集中的所述多张样本可见光图像进行特征提取，得到特征提取结果；根据所述特征提取结果预测呼吸区域，得到呼吸区域预测结果；其中，针对每张样本可见光图像，所述神经网络训练模块，还用于对该样本可见光图像进行初始特征提取，得到第一特征图；对该第一特征图进行复合特征提取，得到第一特征信息，其中，所述复合特征提取包括通道特征提取；基于该第一特征信息中的显著特征，对该第一特征图进行过滤得到过滤结果；提取该过滤结果中的第二特征信息；融合该第一特征信息和该第二特征信息，得到该样本可见光图像的特征提取结果。
在一些可能的实施方式中，所述装置还包括温度信息确定模块，用于在所述第一热图像中提取所述呼吸检测区域对应的第一温度信息，所述第一温度信息表征第一时刻下所述关键区域对应的温度信息。
在一些可能的实施方式中，所述温度信息确定模块，还用于确定所述呼吸检测区域中像素点对应的温度信息；根据各所述像素点对应的温度信息，计算所述第一温度信息。
在一些可能的实施方式中，所述装置还包括呼吸频率确定模块，用于获取至少一个第二温度信息，所述第二温度信息表征不同于所述第一时刻的第二时刻下所述关键区域对应的温度信息；根据所述第一温度信息和所述至少一个第二温度信息，确定所述目标对象的呼吸频率。
在一些可能的实施方式中，所述呼吸频率确定模块，用于对所述第一温度信息和所述至少一个第二温度信息按照时序进行排列，得到温度序列；对所述温度序列进行降噪处理，得到目标温度序列；基于所述目标温度序列，确定所述目标对象的呼吸频率。
在一些可能的实施方式中，所述呼吸频率确定模块，用于确定所述目标温度序列中多个关键点，所述关键点均为峰值点或均为谷值点；对于任意两个相邻关键点，确定所述两个相邻关键点之间时间间隔；根据所述时间间隔，确定所述呼吸频率。
根据本公开的第三方面，提供了一种电子设备，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述至少一个处理器通过执行所述存储器存储的指令实现如第一方面中任意一项所述的呼吸检测区域确定方法。
根据本公开的第四方面，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中存储有至少一条指令或至少一段程序，所述至少一条指令或至少一段程序由处理器加载并执行以实现如第一方面中任意一项所述的呼吸检测区域确定方法。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
为了更清楚地说明本说明书实施例或现有技术中的技术方案和优点，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的介绍，显而易见地，下面描述中的附图仅仅是本说明书的一些实施例，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它附图。
图1示出根据本公开实施例的一种呼吸检测区域确定方法的流程示意图；
图2示出根据本公开实施例的配准场景示意图；
图3示出根据本公开实施例的配准效果示意图；
图4示出根据本公开实施例的神经网络训练方法流程示意图；
图5示出根据本公开实施例的特征提取方法的流程示意图；
图6示出根据本公开实施例的获取目标映射关系方法流程示意图；
图7示出根据本公开实施例的确定目标对象所对应的目标场景特征信息方法流程示意图；
图8示出根据本公开实施例的特征提取网络示意图；
图9示出根据本公开实施例的在第一热图像中确定呼吸检测区域的方法流程示意图；
图10示出根据本公开实施例的呼吸频率确定方法流程示意图；
图11示出根据本公开实施例的一种呼吸检测区域确定装置的框图；
图12示出根据本公开实施例的一种电子设备的框图；
图13示出根据本公开实施例的另一种电子设备的框图。
下面将结合本说明书实施例中的附图，对本说明书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说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
本公开实施例提供一种呼吸检测区域确定方法，该方法可以基于可见光图像和与上述可见光图像匹配的热图像分析出呼吸检测区域，该呼吸检测区域的温度的变化可以反映可见光图像中的目标对象的呼吸频率。通过对呼吸检测区域的温度进行提取分析，可以在不与目标对象产生直接接触的情况下，准确得到目标对象的呼吸频率，从而满足人们对于无接触呼吸频率检测客观需求。本公开实施例可以在各种需要进行呼吸频率无接触检测的具体场景中被使用，本公开实施例对于该具体场景并不进行具体限定。示例性的，在需要进行隔离的场景、在人流密集的场景，在某些有特殊要求的公共场合等均可以使用本公开实施例提供的方法进行呼吸检测区域的确定，进而基于确定出的呼吸检测区域确定呼吸频率，从而实现无接触式的呼吸频率检测。
本公开实施例提供的呼吸检测区域确定方法可以由终端设备、服务器或其它类型的电子设备执行，其中，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该呼吸检测区域确定方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。下面以电子设备作为执行主体为例对本公开实施例的呼吸检测区域确定方法进行说明。
图1示出根据本公开实施例的一种呼吸检测区域确定方法的流程示意图，如图1所示，上述方法包括：
S101.获取第一可见光图像以及与上述第一可见光图像匹配的第一热图像，上述第一可见光图像中包括目标对象。
本公开实施例中可以通过可见光摄像设备拍摄目标对象以得到至少两张可见光图像，该至少两张可见光图像中可以包括上述第一可见光图像，也可以包括后文的至少一个第二可见光图像。通过热成像设备拍摄该目标对象可以得到至少两张热图像，该至少两张热图像中可以包括上述第一热图像，也可以包括后文的至少一张第二热图像。
同一时刻下，可见光摄像设备与热成像设备可以对目标对象进行同时拍照，得到具备匹配关系的可见光图像和热图像。步骤S101中可以通过在第一时刻下，触发上述可见光摄像设备与上述热成像设备对目标对象进行拍摄，得到具备匹配关系的上述第一热图像与上述第一可见光图像。当然，在后文中，每一第二时刻下，上述可见光摄像设备与上述热成像设备拍摄上述目标对象，可以得到对应的具备匹配关系第二可见光图像和第二热图像。第二时刻可以有多个，并且第二时刻是不同于第一时刻的其他时刻，不同的第二时刻也是不同的时刻。
示例性的，第一时刻为时刻A，其中一个第二时刻为时刻B，另一个第二时刻为时刻C，则本公开实施例可以获取到时刻A下具备匹配关系的第一热图像AR和第二可见光图像AL，时刻B下具备匹配关系的第二热图像BA和第二可见光图像BL，时刻C下具备匹配关系的第二热图像CA和第二可见光图像CL。
本公开实施例中以第一热图像和与上述第一热图像匹配的第一可见光图像为例进行详述。第一热图像中每个像素点对应有温度信息，该温度信息可以表征该像素点所对应的实际物理位置处的温度。第一热图像和第一可见光图像的匹配关系可以被理解为该第一可见光图像的像素点与该第一热图像的像素点之间具备明确的对应关系，该对应关系可以以单应性矩阵的形式被表达。示例性的，对于第一可见光图像中的像素点a1，根据单应性矩阵可以在第一热图像中确定对应的像素点b1，则可以认为像素点a1与像素点b1对应于相同的实际物理位置，根据像素点b1对应的温度信息，可以确定该实际物理位置处的温度。
为了准确得到上述单应性矩阵，在步骤S101之前，还可以对上述热成像设备与上述可见光摄像设备进行配准，以得到上述单应性矩阵。本公开实施例实施上述配准的目的在于，当目标对象在预设空间内时，可以认为配准后的热成像设备和可见光设备对该目标对象进行拍摄所得到的可见光图像与热图像之间的像素点的对应关系均符合上述单应性矩阵，并且不论该目标对象是静止还是运动，上述对应关系并不发生改变。
请参考图2，其示出根据本公开实施例的配准场景示意图。热成像设备1和可见光摄像设备2均正对配准参考对象，并且热成像设备1和可见光摄像设备2可以位于同一水平直线或垂直直线上，从而形成一种堆叠设计。热成像设备1和可见光摄像设备2与上述配准参考对象的距离均小于第一预设距离，上述热成像设备与上述可见光摄像设备之间的距离小于第二预设距离。该第一预设距离和该第二预设距离可以根据预设空间内的配准需求而被设定，对此，本公开实施例并不进行具体限定。示例性的，该第一预设距离可以为1-2米，该第二预设距离可以为20-30厘米。对图2中热成像设备1和可见光摄像设备2进行配准后，可以使得在对上述预设空间内的物体进行拍照时，不论该物体静止还是运动，得到的可见光图像和热图像是匹配的，匹配关系符合上述单应性矩阵。上述配准参考对象用于进行上述配准，在配准后该热成像设备1和可见光摄像设备2均可以对目标对象进行拍摄，以得到步骤S101中使用到的图像或者后文所需使用的图像，该目标对象与该配准参考对象在被拍摄时都位于上述预设空间。
在一个可行的实施例中，可以获取配准后的可见光摄像设备输出的第一视频流，上述第一视频流的帧图像均为可见光图像。并且，获取配准后的热成像设备输出的第二视频流，上述第二视频流的帧图像均为热图像。可以在该第一视频流中确定第一可见光图像以及后文所需的至少一个第二可见光图像，在该第二视频流中确定第一热图像以及后文所需的至少一个第二热图像。
请参考图3，其示出根据本公开实施例的配准效果示意图。图3中第一排左右两个图像分别表征当目标对象位于上述预设空间中部的情况下，第一可见光图像与第一热图像的对比示意图，第一热图像中的阴影表征目标对象所在位置的温度信息。图3中第二排左右两个图像分别表征目标对象 位于预设空间左部的情况下，第一可见光图像与第一热图像的对比示意图。图3中第三排左右两个图像分别表征目标对象位于预设空间右部的情况下，第一可见光图像与第一热图像的对比示意图。从图3中可知，不论目标对象位于预设空间中的哪个位置,第一热图像与第一可见光图像之间的对应匹配关系均不会改变。
本公开实施例旨在通过确定呼吸检测区域，进而检测呼吸频率，呼吸频率为一项生理参数，上述目标对象相应的为生物体，比如以目标对象是人为例进行详述。
S102：在上述第一可见光图像中提取第一区域，上述第一区域指向上述目标对象的实际呼吸区域。
本公开实施例中目标对象的实际呼吸区域可以为口鼻区域或目标对象佩戴口罩时的口罩区域，口鼻区域可以被理解为口部区域或鼻部区域，也可以被理解为包括口部区域和鼻部区域。本公开实施例并不限定第一区域的具体提取方式，可以人工提取，也可以自动提取。在一个实施例中，可以基于神经网络对上述第一可见光图像进行呼吸区域提取，得到上述第一区域。本公开实施例不限定目标对象的数量，也不限定第一区域的数量，后文以单个第一区域为例进行说明。
在一个实施例中，请参考图4，其示出根据本公开实施例的神经网络训练方法流程示意图，包括：
S201：获取样本可见光图像集和上述样本可见光图像集中样本可见光图像对应的标签。
本公开实施例中，上述标签指向上述样本可见光图像中的呼吸区域；上述呼吸区域为上述样本可见光图像中的样本目标对象的口鼻区域或口罩区域。在一个实施例中，上述样本可见光图像与步骤S101中的第一可见光图像可以由相同可见光摄像设备拍摄相同预设空间得到。
S202：对上述样本可见光图像进行特征提取，得到特征提取结果。
本公开实施例并不对特征提取进行限定，比如，上述神经网络可以基于特征金字塔逐层进行特征提取。在一个实施例中，请参考图5，其示出根据本公开实施例的特征提取方法的流程示意图。针对样本可见光集中的每张样本可见光图像，上述特征提取包括：
S1.对上述样本可见光图像进行初始特征提取，得到第一特征图。
本公开实施例并不限定初始特征提取的具体方法，示例性的，可以对上述图像进行至少一级的卷积处理，得到上述第一特征图。在进行卷积处理的过程中，可以得到多个不同尺度的图像特征提取结果，可以融合至少两个不同尺度的上述图像特征提取结果得到上述第一特征图。
S2.对上述第一特征图进行复合特征提取，得到第一特征信息，上述复合特征提取包括通道特征提取。
在一个实施例中，上述对上述第一特征图进行复合特征提取，得到第一特征信息可以包括：对上述第一特征图进行图像特征提取，得到第一提取结果。对上述第一特征图进行通道信息提取，得到第二提取结果。融合上述第一提取结果和上述第二提取结果，得到上述第一特征信息。本公开实施例并不限定对上述第一特征图进行图像特征提取的方法，示例性的，其可以对上述第一特征图进行至少一级卷积处理，得到上述第一提取结果。本公开实施例中的通道信息提取可以关注第一特征图中的各个通道之间的关系的挖掘。示例性的，其可以基于对多通道的特征进行融合实现。本公开实施例中的复合特征提取可以通过融合上述第一提取结果和上述第二提取结果，既保留第一特征图本身的低阶信息，又可以充分提取到高阶的通道间信息，提升挖掘出的第一特征信息的信息丰富程度和表达力。在实施复合特征提取的过程中，可能用到至少一种融合方法，本公开实施例不对该融合方法进行限定，降维、加法、乘法、内积、卷积、求平均的至少一种及其组合都可以被用于进行融合。
S3.基于上述第一特征信息中的显著特征，对上述第一特征图进行过滤。
本公开实施例中可以根据上述第一特征信息判断上述第一特征图中较为显著的区域和不甚显著的区域，并将较为显著的区域中的信息过滤掉，得到过滤结果。也就是说，第一特征信息包括较为显著的区域和不甚显著的区域，在将较为显著的区域中的信息过滤掉之后，过滤结果中仅包括不甚显著的区域。在一些实施例中，显著特征可以指在第一特征信息中，与生物体(比如，人)的心跳频率吻合程度较高的信号信息。由于第一特征信息中显著特征的分布较为分散，较为显著的区域中 70％的信息可能与心跳频率基本吻合，不甚显著的区域中实际上也包括显著特征。本公开实施例并不对显著特征判断方法进行限定，可以基于神经网络也可以基于专家经验进行限定。
S4.提取过滤结果中的第二特征信息。
具体地，可以抑制上述过滤结果中的显著特征，得到第二特征图；上述抑制上述过滤结果中的显著特征，得到第二特征图，包括：对上述过滤结果进行特征提取得到目标特征，对上述目标特征进行复合特征提取得到目标特征信息，以及基于上述目标特征信息中的显著特征，对上述目标特征进行过滤，得到上述第二特征图。在没有达到预设的停止条件(例如，停止条件为第二特征图中的显著特征占比低于5％，又例如，停止条件为第二特征图的更新次数达到预设次数)的情况下，根据上述第二特征图更新上述过滤结果，重复上述抑制上述过滤结果中的显著特征，得到第二特征图的步骤。在达到上述停止条件的情况下，将获取到的每一上述目标特征信息均作为上述第二特征信息。
S5.融合上述第一特征信息和上述第二特征信息，得到上述样本可见光图像的特征提取结果。
基于上述配置，可以基于层级结构逐层过滤显著特征，并基于过滤结果进行包括通道信息提取的复合特征提取，得到包括多个目标特征信息的第二特征信息，通过逐层挖掘具有判别力的信息，提升第二特征信息的有效度和判别力，进而提升最终的上述特征提取结果中信息的丰富程度。本公开实施例中该特征提取方法可以用于对样本可见光图像进行特征提取，在本公开实施例中各需要基于样本可见光图像训练神经网络的情况下均可以使用。
S203：根据上述特征提取结果预测呼吸区域，得到呼吸区域预测结果。
步骤S202-S203均基于上述神经网络实施，具体地，该神经网络可以为卷积神经网络(Convolutional Neural Networks，CNN)、区域卷积神经网络(Regions Region-based Convolutional Network，R-CNN)、快速区域卷积神经网络(FastRegion-based Convolutional Network，Fast R-CNN)、更快速区域卷积神经网络(FasterRegion-based Convolutional Network，Faster R-CNN)中的一种或其变体。
S204：根据上述呼吸区域预测结果和上述标签，训练上述神经网络。
在一个实施例中，可以使用梯度下降法或随机梯度下降法反馈训练上述神经网络，从而使得训练得到的神经网络具备直接准确地确定图像中呼吸区域的能力。
在另一个实施例中，呼吸区域为口罩区域，上述神经网络包括第一神经网络和第二神经网络；上述在上述第一可见光图像中提取第一区域，包括：基于第一神经网络提取上述第一可见光图像中的人脸目标；基于第二神经网络提取上述人脸目标中的呼吸区域，上述呼吸区域指向上述第一区域。第一神经网络和第二神经网络的训练方法的发明构思可以参考前文，在此不做赘述。基于上述配置，可以在确定人脸的基础上再行确定口罩区域，避免对未戴在人脸的口罩进后续的呼吸频率分析。
S103：获取目标映射关系，上述目标映射关系表征上述实际呼吸区域与关键区域的对应关系，上述关键区域表征温度跟随上述目标对象的呼吸呈现周期性变化的实际物理区域。
在一些场景中，目标对象呼吸可能会导致与实际呼吸区域相关的关键区域的实际温度产生变化。示例性的，若目标对象呈现左侧卧睡姿，则吸气时口鼻自左下方吸入气流，呼气时将气流向左下方呼出，则关键区域位于实际呼吸区域左下方。若目标对象呈现右侧卧睡姿，则吸气时口鼻自右下方吸入气流，呼气时将气流向右下方呼出，则关键区域位于实际呼吸区域右下方。
本公开并不限定实际呼吸区域与关键区域的对应关系的获取方法，其可以根据经验获取。在一个实施例中，请参考图6，其示出根据本公开实施例的获取目标映射关系方法流程示意图，包括：
S1031：获取场景映射信息以及映射关系管理信息，上述场景映射信息表征场景特征信息与场景类别的对应关系，上述映射关系管理信息表征场景类别与映射关系的对应关系。
在一些实施方式中，可以针对每个场景类别，对其对应的若干可见光图像进行特征信息提取，根据特征信息提取结果确定出该场景类别的场景特征信息。本公开实施例不限定根据特征信息提取结果确定出该场景类别的场景特征信息的具体方式，比如，可以进一步根据该特征信息提取结果进行聚类，将聚类中心对应的特征信息确定为该场景类别的场景特征信息。也可以随机选取多个特征提取结果，将各特征提取结果的平均值确定为该场景类别的场景特征信息。
本公开实施例对于场景类别的设定方法不做限定。比如，在一个实施例中，可以对各类典型 的场景进行层级分类，比如，大类为睡眠场景、活动场景、静坐场景等，小类表征每个大类场景中目标对象的具体姿态，比如睡眠场景中，用户是左侧卧睡眠、右侧卧睡眠还是仰卧睡眠。对于每个场景，可以确定其对应的映射关系。
本公开实施例中，上述场景映射信息以及映射关系管理信息都可以根据实际情况进行设定，也可以跟随实际情况进行修改，以使得本公开实施例中的方案可以随着场景的扩展进行自适应的更新，以充分满足在各种场景中准确确定出关键区域的需求。
S1032：确定上述目标对象所对应的目标场景特征信息。
本公开实施例中可以在目标对象所在的至少一个可见光图像中提取出该目标场景特征信息，用于提取目标场景特征信息的图像被称为目标可见光图像，目标可见光图像可以为上述的第一可见光图像或第二可见光图像。请参考图7，其示出确定目标对象所对应的目标场景特征信息方法流程示意图，包括：
S10321：获取包括上述目标对象的目标可见光图像。
请参考前文，该目标可见光对象可以为上述的第一可见光图像或上述的第二可见光图像。
S10322：对上述目标可见光图像进行多尺度特征提取，得到多个层级的特征提取结果。
本公开实施例可以基于特征提取网络进行上述目标场景特征信息的提取。请参考图8，其示出根据本公开实施例的特征提取网络示意图。该特征提取网络可通过自上而下的通道和横向的连接来扩展形成一个标准的卷积网络，从而可以从单一分辨率的目标可见光图像中有效提取出丰富的、多尺度的上述特征提取结果。其中，特征提取网络仅简单示意出3层，而在实际应用中，特征提取网络可以包括4层甚至更多。特征提取网络中的下采样网络层可以输出各个尺度的特征提取结果，该下采样网络层事实上是实现特征聚合功能的相关的网络层的总称，具体地，该下采样网络层可以为最大池化层、平均池化层等，本公开实施例并不限定下采样网络层的具体结构。
S10323：按照层级递增顺序，对上述特征提取结果进行融合，得到多个层级的特征融合结果。
本公开实施例中特征提取网络不同层提取到的特征提取结果具备不同尺度，按照层级递增顺序，可以对上述特征提取结果进行融合，得到多个层级的特征融合结果。以图8为例，上述特征提取网络可以包括三个特征提取层，按照层级递增顺序，依次输出特征提取结果A1，B1和C1。本公开实施例并不限定特征提取结果的表达方式，上述特征提取结果A1，B1和C1可以通过特征图、特征矩阵或特征向量表征。可以对特征提取结果A1，B1和C1顺序融合，得到多个层级的特征融合结果。比如，可以直接由特征提取结果A1进行自身的通道间信息融合，得到特征融合结果A2。特征提取结果A1和特征提取结果B1可以融合得到特征融合结果B2。特征提取结果A1、特征提取结果B1和特征提取结果C1可以融合得到特征融合结果C2。本公开实施例并不限定具体的融合方法，降维、加法、乘法、内积、卷积的至少一种及其组合都可以被用于进行上述融合。
S10324：按照层级递减顺序，对上述特征融合结果进行融合，得到上述目标场景特征信息。
示例性的，可以对上文得到的特征融合结果C2，B2和A2顺序融合，得到场景特征信息(目标场景特征信息)。融合过程中使用的融合方法与上一步骤可以相同或不同，本公开实施例对此不进行限定。基于上述配置，可以通过双向融合的方式使得目标场景特征信息不仅包含较为丰富的特征信息，还包含充分的上下文信息。
S1033：根据上述目标场景特征信息和上述场景映射信息，得到上述目标场景特征信息对应的目标场景类别。
在一些实施例中，可以将与目标场景特征信息距离最近的场景特征信息所对应的场景类别，确定为上述目标场景类别。步骤S1032-S1033中可以基于神经网络得到目标场景特征信息，从而自动确定目标场景类别。在其他可行的实施方式中，也可以通过接收用户输入的方式直接得到目标场景类别。
S1034：根据上述目标场景类别和上述映射管理信息，得到上述目标映射关系。
在该实施例中，对于不同的场景可以自动适配得到目标映射关系，从而在各种场景中都可以准确确定出呼吸检测区域，提升呼吸检测区域的准确度，进而保证呼吸频率的检测准确度。
S104.根据上述第一区域和上述目标映射关系，在上述第一可见光图像中确定第二区域，上述 第二区域指向上述关键区域。
在一个实施例中，上述目标映射关系包括方向映射信息，上述方向映射信息表征上述关键区域相对于上述实际呼吸区域的方向，可以根据上述方向映射信息和上述第一区域，确定上述第二区域。进一步地，在一些实施方式中，上述目标映射关系还可以包括距离映射信息，上述距离映射信息表征上述关键区域相对于上述实际呼吸区域的距离，可以进一步根据上述方向映射信息、上述距离映射信息和上述第一区域，确定上述第二区域。本公开实施例中并不对方向映射信息和区域映射信息进行限定，比如，在目标对象左侧卧的情况下，距离映射信息可以被设定在0.2-0.5米。为基于上述配置，可以根据指向实际呼吸区域的第一区域得到第二区域，而第二区域的温度变化可以体现目标对象的呼吸情况，第二区域的准确定位提升了呼吸检测区域的定位准确度。
在一个可行的实施例中，还可以获取预设的外形信息，上述外形信息包括区域大小信息和/或区域形状信息。比如，可以预先设定第二区域应该具备的形状，以及第二区域的面积。比如，可以将该区域形状信息设定为矩形或圆形，将该区域大小信息设定在3-5平方厘米。从而基于这一设定，确定上述第二区域，以使得上述第二区域的外形符合上述外形信息，并且上述第二区域的中心相对于上述第一区域的中心的方向符合上述方向映射信息，并且上述第二区域的中心相对于上述第一区域的中心的距离符合上述距离映射信息。本公开实施例并不限定该外形信息的设定方法，可以根据经验进行设定。基于这一配置，可以使得第二区域的确定结果更为准确。
S105.根据上述第二区域，在上述第一热图像中确定呼吸检测区域。
本公开实施例中第一可见光图像和第一热图像的匹配关系可以通过单应性矩阵表达，也就是说，上述单应性矩阵表征上述第一可见光图像的像素点与上述第一热图像的像素点之间的对应关系。这一单应性矩阵在对上述可见光摄像设备和上述热成像设备进行配准后即可被确定。
在一个实施例中，可以基于该单应性矩阵，将第二区域映射到上述第一热图像中，得到呼吸检测区域。
在另一个实施例中，请参考图9，其示出根据本公开实施例的在第一热图像中确定呼吸检测区域的方法流程示意图。上述方法包括：
S1051.根据上述单应性矩阵，在上述第一热图像中确定与上述第二区域匹配的关联区域。
本公开实施例中可以将该第二区域基于上述单应性矩阵直接映射到第一热图像中，得到关联区域，该关联区域显然与第二区域具备相同大小和形状。
S1052.划分上述关联区域，得到至少两个候选区域。
为了便于定位到关联区域中温度变化最为明显的区域，可以对关联区域进行划分，得到至少两个候选区域，本公开实施例并不限定划分的具体方式，可以根据经验结合关联区域形状确定该划分的具体方式。
S1053.将温度变化程度最高的候选区域，确定为上述呼吸检测区域。
本公开实施例中，通过选取温度变化程度最高的候选区域，可以使得呼吸检测区域更为准确，基于该呼吸检测区域进行呼吸频率的检测，可以使得检测结果受到更少的噪音干扰，更加准确。
本公开实施例中，可以首先确定预设时间区间，对于每一候选区域，得到上述候选区域在上述预设时间区间内的最高温度和最低温度；根据上述最高温度和上述最低温度的差值，得到上述候选区域的温度变化程度。举个例子，可以在第二视频流中选取该预设时间区间内对上述目标对象拍摄得到的多个热图像，在这多个热图像中确定出候选区域达到的最低温度和最高温度，将差值确定为该候选区域的温度变化程度。基于这一配置，可以准确评估出候选区域温度变化的明显程度，有利于选择温度变化明显的候选区域，从而进一步提升呼吸检测区域的定位准确度。
本公开实施例提供的呼吸检测区域确定方法，可以准确地在热图像中确定出可以用于检测呼吸频率的区域，通过对这一区域进行温度分析，可以进一步检测到目标对象的呼吸频率。
进一步地，本公开实施例还可以在上述第一热图像中提取上述呼吸检测区域对应的第一温度信息，上述第一温度信息表征第一时刻下上述关键区域对应的温度信息。
具体地，可以确定上述呼吸检测区域中相关像素点对应的温度信息；根据各上述相关像素点对应的温度信息，计算上述第一温度信息。通过确定出第一温度信息，联合其他的温度信息，即可 在无接触情况下，确定出目标对象的呼吸频率。
本公开实施例并不限定相关像素点。示例性的，该呼吸检测区域中的每一像素点都可以是该相关像素点。在一个实施例中，还可以基于呼吸检测区域中每一像素点的温度信息进行像素点过滤，将温度信息不符合预设温度要求的像素点过滤掉，将未被过滤的像素点确定为该相关像素点。本公开实施例并不对预设温度要求进行限定，比如，可以限定温度上限、温度下限或温度区间。
本公开实施例并不限定计算第一温度信息的具体方法。示例性的，可以将各相关像素点对应的温度信息的均值或加权均值确定为该第一温度信息，本公开实施例对于权值不进行限定，可以由用户根据实际需求进行设定。在一个实施例中，该权值可以与对应的相关像素点距离呼吸检测区域的中心位置的距离反相关。示例性的，若相关像素点距离该呼吸检测区域的中心位置较近，则该权值较高，若相关像素点距离该呼吸检测区域的中心位置距离较远，则该权值较低。
在一个实施例中，进一步检测呼吸频率的方法包括：
S301.获取至少一个第二温度信息，上述第二温度信息表征不同于上述第一时刻的第二时刻下上述关键区域对应的温度信息。
请参考前文，本公开实施例中第二温度信息的获取方式与第一温度信息的获取方式基于相同发明构思，在此不再赘述。某个第二可见光图像以及与该某个第二可见光对象匹配的第二热图像可以确定其对应的第二温度信息，不同的第二温度信息表征不同的第二时刻下上述关键区域对应的温度信息。
具体来说，以获取某个第二温度信息为例，可以获取其对应的第二可见光图像以及与上述第二可见光图像匹配的热图像，上述第二可见光图像中包括上述第二时刻下的上述目标对象。在上述第二可见光图像中提取第三区域，上述第三区域指向上述实际呼吸区域。根据上述第三区域和上述映射关系，在上述第二可见光图像中确定第四区域，上述第四区域指向上述关键区域。基于上述第二热图像，对根据上述第四区域确定出的呼吸检测区域进行温度信息提取，得到上述第二温度信息。
S302.根据上述第一温度信息和上述至少一个第二温度信息，确定上述目标对象的呼吸频率。
本公开实施例认为目标对象的呼吸会导致关键区域的温度呈现周期性变化的规律，当目标对象吸气时，关键区域的温度会随之降低，当目标对象呼气时，关键区域的温度会随之升高，上述第一温度信息和上述至少一个第二温度信息的变化趋势，反映了关键区域温度的周期变化规律，通过对上述第一温度信息和上述至少一个第二温度信息进行分析，可以确定上述目标对象的呼吸频率。
请参考图10，其示出根据本公开实施例的呼吸频率确定方法流程示意图，包括：
S3021.对上述第一温度信息和上述至少一个第二温度信息按照时序进行排列，得到温度序列。
对于每个目标对象，可以得到一个温度序列。当然，若热成像设备和可见光摄像设备对多个对象同时进行拍摄，则针对该多个对象中的每个对象，基于上述方法都可以得到对应的温度序列，从而最终可以确定出每个对象的呼吸频率。本公开实施例以单个对象为例，进行呼吸频率检测方法的详述。
S3022.对上述温度序列进行降噪处理，得到目标温度序列。
本公开实施例中可以确定降噪处理策略和降噪处理方式；根据上述降噪处理策略，基于上述降噪方式对上述温度序列进行处理，得到上述目标温度序列。
本公开实施例并不限定上述降噪处理策略和降噪处理方式的具体内容。示例性的上述降噪处理策略包括下述至少一个：基于高频阈值降噪、基于低频阈值降噪、滤除随机噪声、后验降噪。示例性的，上述降噪处理基于下述至少一种方式实施：独立成分分析、拉普拉斯金字塔、带通滤波、小波、汉明窗。
以后验降噪为例，可以设定后验降噪对应的呼吸频率验证条件和降噪经验参数，根据该降噪经验参数对上述温度序列进行降噪，得到目标温度序列。根据该目标温度序列确定目标对象的呼吸频率，并基于该呼吸频率验证条件对确定出的目标对象的呼吸频率进行验证，若验证通过，则确定该降噪经验参数的降噪效果是可以被接受的，在后续再次执行步骤S3022时，可以直接基于该降噪经验参数进行降噪。本公开实施例并不限定降噪经验参数的确定方法，可以根据专家经验得到。
S3023.基于上述目标温度序列，确定上述目标对象的呼吸频率。
通过确定温度序列，对该温度序列进行降噪处理，可以滤除影响呼吸频率计算的噪声，使得得到的呼吸频率更为准确。具体地，上述基于上述目标温度序列，确定上述目标对象的呼吸频率的方法具体包括：
S30231.确定上述目标温度序列中多个关键点，上述关键点均为峰值点或均为谷值点。
S30232.对于任意两个相邻关键点，确定上述两个相邻关键点之间时间间隔。
对于提取到的N个关键点，每两个相邻关键点可以计算对应的时间间隔，则可以确定出N-1个时间间隔。
S30233.根据上述时间间隔，确定上述呼吸频率。
本公开实施例并不限定根据时间间隔确定上述呼吸频率的具体方法。比如，对于上述N-1个时间间隔，可以将其中的一个的倒数确定为上述呼吸频率，也可以基于其中的若干时间间隔或全部时间间隔确定呼吸频率，比如，可以将上述若干时间间隔或全部时间间隔的平均值的倒数确定为上述呼吸频率。本公开实施例通过计算相邻关键点之间的时间间隔，可以准确地确定呼吸频率。
本公开实施例可以对一个或多个目标对象进行实时检测，只要该目标对象位于上文提及的预设空间内即可。通过对目标对象进行可见光拍照以及热拍照即可确定呼吸频率，而不需要与目标对象产生接触，可以被广泛用于各种场景。比如，在医院病房监控中，病人无需佩戴任何设备，即可监控病人的呼吸速率，降低病人的不适感，提高监护病人的质量、效果和效率。在封闭场景下，比如办公室、办公楼大厅，检测在场人员呼吸速率，判断有无异常。在婴儿看护场景下，检测婴儿呼吸，避免婴儿因食物阻塞呼吸道而窒息，及实时分析婴儿呼吸速率以判断婴儿健康状态。在传染风险高的场景下，远程遥控热成像设备以及可见光摄像设备拍摄可能成为传染源的目标对象，在避免感染的同时监控目标对象生命体征。
本公开实施例通过对目标对象进行拍摄而得到的、具备匹配关系的可见光图像和热图像进行分析，在不接触该目标对象的情况下得到呼吸频率检测结果，实现了非接触检测，填补了非接触检测场景的空白，并且具备良好的检测速度和检测准确度。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格地执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。
图11示出根据本公开实施例的一种呼吸检测区域确定装置的框图。如图11所示，上述装置包括：
图像获取模块10，用于获取第一可见光图像以及与上述第一可见光图像匹配的第一热图像，其中，上述第一可见光图像中包括目标对象。
第一区域提取模块20，用于在上述第一可见光图像中提取第一区域，其中，上述第一区域指向上述目标对象的实际呼吸区域。
映射确定模块30，用于获取目标映射关系，上述目标映射关系表征上述实际呼吸区域与关键区域的对应关系，上述关键区域表征温度跟随上述目标对象的呼吸呈现周期性变化的实际物理区域。
第二区域提取模块40，用于根据上述第一区域和上述目标映射关系，在上述第一可见光图像中确定第二区域，其中，上述第二区域指向上述关键区域。
呼吸检测区域确定模块50，用于根据上述第二区域，在上述第一热图像中确定呼吸检测区域。
在一些可能的实施方式中，上述映射确定模块，包括：映射信息确定单元，用于获取场景映射信息以及映射关系管理信息，上述场景映射信息表征场景特征信息与场景类别的对应关系，上述映射关系管理信息表征场景类别与映射关系的对应关系；目标场景特征信息确定单元，用于确定上述目标对象所对应的目标场景特征信息；目标场景类别确定模块，用于根据上述目标场景特征信息和上述场景映射信息，得到上述目标场景特征信息对应的目标场景类别；目标映射关系确定模块，用于根据上述目标场景类别和上述映射管理信息，得到上述目标映射关系。
在一些可能的实施方式中，上述目标场景特征信息确定单元，用于获取包括上述目标对象的 目标可见光图像；对上述目标可见光图像进行多尺度特征提取，得到多个层级的特征提取结果；按照层级递增顺序，对上述特征提取结果进行融合，得到多个层级的特征融合结果；按照层级递减顺序，对上述特征融合结果进行融合，得到上述目标场景特征信息。
在一些可能的实施方式中，上述目标映射关系包括方向映射信息，上述方向映射信息表征上述关键区域相对于上述实际呼吸区域的方向，上述第二区域提取模块，用于根据上述方向映射信息和上述第一区域，确定上述第二区域。
在一些可能的实施方式中，上述目标映射关系还包括距离映射信息，上述距离映射信息表征上述关键区域相对于上述实际呼吸区域的距离，上述第二区域提取模块，用于根据上述方向映射信息、上述距离映射信息和上述第一区域，确定上述第二区域。
在一些可能的实施方式中，上述第二区域提取模块，还用于获取预设的外形信息，上述外形信息包括区域大小信息和/或区域形状信息；确定上述第二区域，以使得上述第二区域的外形符合上述外形信息，并且上述第二区域的中心相对于上述第一区域的中心的方向符合上述方向映射信息，并且上述第二区域的中心相对于上述第一区域的中心的距离符合上述距离映射信息。
在一些可能的实施方式中，上述呼吸检测区域确定模块，用于获取单应性矩阵，上述单应性矩阵表征上述第一可见光图像的像素点与上述第一热图像的像素点之间的对应关系；根据上述单应性矩阵和上述第二区域，确定上述呼吸检测区域。
在一些可能的实施方式中，上述呼吸检测区域确定模块，还用于根据上述单应性矩阵，在上述第一热图像中确定与上述第二区域匹配的关联区域；划分上述关联区域，得到至少两个候选区域；将温度变化程度最高的候选区域，确定为上述呼吸检测区域。
在一些可能的实施方式中，上述呼吸检测区域确定模块，还用于确定预设时间区间内，上述候选区域的最高温度和最低温度；根据上述最高温度和上述最低温度的差值，得到上述候选区域的温度变化程度。
在一些可能的实施方式中，上述第一区域提取模块，用于基于神经网络对上述第一可见光图像进行呼吸区域提取，得到上述第一区域；上述装置还包括神经网络训练模块，用于获取样本可见光图像集和上述样本图像集中多张样本可见光图像对应的标签；其中，上述标签指向所述多张样本可见光图像中的呼吸区域；上述呼吸区域为所述多张样本可见光图像中的样本目标对象的口鼻区域或口罩区域；基于上述神经网络对上述样本可见光图像进行呼吸区域预测，得到呼吸区域预测结果；根据上述呼吸区域预测结果和上述标签，训练上述神经网络。
在一些可能的实施方式中，上述神经网络训练模块，用于对上述样本可见光图像集中的上述多张样本可见光图像进行特征提取，得到特征提取结果；根据上述特征提取结果预测呼吸区域，得到呼吸区域预测结果；其中，针对每张样本可见光图像，上述神经网络训练模块，还用于对该样本可见光图像进行初始特征提取，得到第一特征图；对该第一特征图进行复合特征提取，得到第一特征信息，其中，上述复合特征提取包括通道特征提取；基于该第一特征信息中的显著特征，对该第一特征图进行过滤得到过滤结果；提取该过滤结果中的第二特征信息；融合该第一特征信息和该第二特征信息，得到该样本可见光图像的特征提取结果。
在一些可能的实施方式中，上述装置还包括温度信息确定模块，用于在上述第一热图像中提取上述呼吸检测区域对应的第一温度信息，上述第一温度信息表征第一时刻下上述关键区域对应的温度信息。
在一些可能的实施方式中，上述温度信息确定模块，还用于确定上述呼吸检测区域中像素点对应的温度信息；根据各上述像素点对应的温度信息，计算上述第一温度信息。
在一些可能的实施方式中，上述装置还包括呼吸频率确定模块，用于获取至少一个第二温度信息，上述第二温度信息表征不同于上述第一时刻的第二时刻下上述关键区域对应的温度信息；根据上述第一温度信息和上述至少一个第二温度信息，确定上述目标对象的呼吸频率。
在一些可能的实施方式中，上述呼吸频率确定模块，用于对上述第一温度信息和上述至少一个第二温度信息按照时序进行排列，得到温度序列；对上述温度序列进行降噪处理，得到目标温度序列；基于上述目标温度序列，确定上述目标对象的呼吸频率。
在一些可能的实施方式中，上述呼吸频率确定模块，用于确定上述目标温度序列中多个关键点，上述关键点均为峰值点或均为谷值点；对于任意两个相邻关键点，确定上述两个相邻关键点之间时间间隔；根据上述时间间隔，确定上述呼吸频率。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，上述计算机可读存储介质中存储有至少一条指令或至少一段程序，上述至少一条指令或至少一段程序由处理器加载并执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，上述处理器被配置为上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图12示出根据本公开实施例的一种电子设备的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图12，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在上述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。上述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与上述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如上述组件为 电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G、3G、4G、5G或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，上述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图13示出根据本公开实施例的另一种电子设备的框图。例如，电子设备1900可以被提供为一服务器。参照图13，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的 源代码或目标代码，上述编程语言包括面向对象的编程语言—诸如Smalltalk、C+等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，上述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的步骤也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (19)
- 一种呼吸检测区域确定方法，包括：获取第一可见光图像以及与所述第一可见光图像匹配的第一热图像，其中，所述第一可见光图像中包括目标对象；在所述第一可见光图像中提取第一区域，其中，所述第一区域指向所述目标对象的实际呼吸区域；获取目标映射关系，所述目标映射关系表征所述实际呼吸区域与关键区域的对应关系，其中，所述关键区域表征温度跟随所述目标对象的呼吸呈现周期性变化的实际物理区域；根据所述第一区域和所述目标映射关系，在所述第一可见光图像中确定第二区域，其中，所述第二区域指向所述关键区域；根据所述第二区域，在所述第一热图像中确定呼吸检测区域。
- 根据权利要求1所述的方法，其特征在于，所述获取目标映射关系，包括：获取场景映射信息以及映射关系管理信息，所述场景映射信息表征场景特征信息与场景类别的对应关系，所述映射关系管理信息表征场景类别与映射关系的对应关系；确定所述目标对象所对应的目标场景特征信息；根据所述目标场景特征信息和所述场景映射信息，得到所述目标场景特征信息对应的目标场景类别；根据所述目标场景类别和所述映射管理信息，得到所述目标映射关系。
- 根据权利要求2所述的方法，其特征在于，所述确定所述目标对象所对应的目标场景特征信息，包括：获取包括所述目标对象的目标可见光图像；对所述目标可见光图像进行多尺度特征提取，得到多个层级的特征提取结果；按照层级递增顺序，对所述特征提取结果进行融合，得到多个层级的特征融合结果；按照层级递减顺序，对所述特征融合结果进行融合，得到所述目标场景特征信息。
- 根据权利要求1至3中任一项所述的方法，其特征在于，所述目标映射关系包括方向映射信息，所述方向映射信息表征所述关键区域相对于所述实际呼吸区域的方向，所述根据所述第一区域和所述目标映射关系，在所述第一可见光图像中确定第二区域，包括：根据所述方向映射信息和所述第一区域，确定所述第二区域。
- 根据权利要求4所述的方法，其特征在于，所述目标映射关系还包括距离映射信息，所述距离映射信息表征所述关键区域相对于所述实际呼吸区域的距离，所述根据所述方向映射信息和所述第一区域，确定所述第二区域，包括：根据所述方向映射信息、所述距离映射信息和所述第一区域，确定所述第二区域。
- 根据权利要求5所述的方法，其特征在于，所述根据所述方向映射信息、所述距离映射信息和所述第一区域，确定所述第二区域，包括：获取预设的外形信息，所述外形信息包括区域大小信息和/或区域形状信息；确定所述第二区域，以使得所述第二区域的外形符合所述外形信息，并且所述第二区域的中心相对于所述第一区域的中心的方向符合所述方向映射信息，并且所述第二区域的中心相对于所述第一区域的中心的距离符合所述距离映射信息。
- 根据权利要求1至6中任一项所述的方法，其特征在于，所述根据所述第二区域，在所述第一热图像中确定呼吸检测区域，包括：获取单应性矩阵，所述单应性矩阵表征所述第一可见光图像的像素点与所述第一热图像的像素 点之间的对应关系；根据所述单应性矩阵和所述第二区域，确定所述呼吸检测区域。
- 根据权利要求7所述的方法，其特征在于，所述根据所述单应性矩阵和所述第二区域，确定所述呼吸检测区域，包括：根据所述单应性矩阵，在所述第一热图像中确定与所述第二区域匹配的关联区域；划分所述关联区域，得到至少两个候选区域；将温度变化程度最高的候选区域，确定为所述呼吸检测区域。
- 根据权利要求8所述的方法，其特征在于，所述方法还包括：确定预设时间区间内，所述候选区域的最高温度和最低温度；根据所述最高温度和所述最低温度的差值，得到所述候选区域的温度变化程度。
- 根据权利要求1至9中任一项所述的方法，其特征在于，所述在所述第一可见光图像中提取第一区域，包括：基于神经网络对所述第一可见光图像进行呼吸区域提取，得到所述第一区域；所述神经网络基于下述方法得到：获取样本可见光图像集和所述样本图像集中多张样本可见光图像对应的标签；其中，所述标签指向所述多张样本可见光图像中的呼吸区域；所述呼吸区域为所述多张样本可见光图像中的样本目标对象的口鼻区域或口罩区域；基于所述神经网络对所述多张样本可见光图像进行呼吸区域预测，得到呼吸区域预测结果；根据所述呼吸区域预测结果和所述标签，训练所述神经网络。
- 根据权利要求10所述的方法，其特征在于，所述基于所述神经网络对所述样本可见光图像进行呼吸区域预测，得到呼吸区域预测结果，包括：对所述样本可见光图像集中的所述多张样本可见光图像进行特征提取，得到特征提取结果；根据所述特征提取结果预测呼吸区域，得到呼吸区域预测结果；其中，所述对所述样本可见光图像集中的所述多张样本可见光图像进行特征提取，得到特征提取结果，包括：针对每张样本可见光图像，对该样本可见光图像进行初始特征提取，得到第一特征图；对该第一特征图进行复合特征提取，得到第一特征信息，其中，所述复合特征提取包括通道特征提取；基于该第一特征信息中的显著特征，对该第一特征图进行过滤得到过滤结果；提取该过滤结果中的第二特征信息；融合该第一特征信息和该第二特征信息，得到该样本可见光图像的特征提取结果。
- 根据权利要求1至11中任一项所述的方法，其特征在于，所述方法还包括：在所述第一热图像中提取所述呼吸检测区域对应的第一温度信息，所述第一温度信息表征第一时刻下所述关键区域对应的温度信息。
- 根据权利要求12所述的方法，其特征在于，所述在所述第一热图像中提取所述呼吸检测区域对应的第一温度信息，包括：确定所述呼吸检测区域中像素点对应的温度信息；根据各所述像素点对应的温度信息，计算所述第一温度信息。
- 根据权利要求12或13所述的方法，其特征在于，所述方法还包括：获取至少一个第二温度信息，所述第二温度信息表征不同于所述第一时刻的第二时刻下所述关键区域对应的温度信息；根据所述第一温度信息和所述至少一个第二温度信息，确定所述目标对象的呼吸频率。
- 根据权利要求14所述的方法，其特征在于，所述根据所述第一温度信息和所述至少一个第二温度信息，确定所述目标对象的呼吸频率，包括：对所述第一温度信息和所述至少一个第二温度信息按照时序进行排列，得到温度序列；对所述温度序列进行降噪处理，得到目标温度序列；基于所述目标温度序列，确定所述目标对象的呼吸频率。
- 根据权利要求15所述的方法，其特征在于，所述基于所述目标温度序列，确定所述目标对象的呼吸频率，包括：确定所述目标温度序列中多个关键点，所述关键点均为峰值点或均为谷值点；对于任意两个相邻关键点，确定所述两个相邻关键点之间时间间隔；根据所述时间间隔，确定所述呼吸频率。
- 一种呼吸检测区域确定装置，包括：图像获取模块，用于获取第一可见光图像以及与所述第一可见光图像匹配的第一热图像，其中，所述第一可见光图像中包括目标对象；第一区域提取模块，用于在所述第一可见光图像中提取第一区域，其中，所述第一区域指向所述目标对象的实际呼吸区域；映射确定模块，用于获取目标映射关系，所述目标映射关系表征所述实际呼吸区域与关键区域的对应关系，其中，所述关键区域表征温度跟随所述目标对象的呼吸呈现周期性变化的实际物理区域；第二区域提取模块，用于根据所述第一区域和所述目标映射关系，在所述第一可见光图像中确定第二区域，其中，所述第二区域指向所述关键区域；呼吸检测区域确定模块，用于根据所述第二区域，在所述第一热图像中确定呼吸检测区域。
- 一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或至少一段程序由处理器加载并执行以实现如权利要求1-16中任意一项所述的呼吸检测区域确定方法。
- 一种电子设备，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述至少一个处理器通过执行所述存储器存储的指令实现如权利要求1-16中任意一项所述的呼吸检测区域确定方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110870587.1A CN113591701A (zh) | 2021-07-30 | 2021-07-30 | 呼吸检测区域确定方法、装置、存储介质及电子设备 |
| CN202110870587.1 | 2021-07-30 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2023005469A1 true WO2023005469A1 (zh) | 2023-02-02 |
Family
ID=78252457
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/CN2022/098521 WO2023005469A1 (zh) | 2021-07-30 | 2022-06-14 | 呼吸检测区域确定方法、装置、存储介质及电子设备 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN113591701A (zh) |
| WO (1) | WO2023005469A1 (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113576451A (zh) * | 2021-07-30 | 2021-11-02 | 深圳市商汤科技有限公司 | 呼吸率检测方法、装置、存储介质及电子设备 |
| CN113591701A (zh) * | 2021-07-30 | 2021-11-02 | 深圳市商汤科技有限公司 | 呼吸检测区域确定方法、装置、存储介质及电子设备 |
| CN114136462A (zh) * | 2021-11-25 | 2022-03-04 | 深圳市商汤科技有限公司 | 标定方法及装置、电子设备及计算机可读存储介质 |
| CN114157807A (zh) * | 2021-11-29 | 2022-03-08 | 江苏宏智医疗科技有限公司 | 影像获取方法及装置、可读存储介质 |
| CN115995282B (zh) * | 2023-03-23 | 2023-06-02 | 山东纬横数据科技有限公司 | 一种基于知识图谱的呼气流量数据处理系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015030611A1 (en) * | 2013-09-02 | 2015-03-05 | Interag | Method and apparatus for determining respiratory characteristics of an animal |
| CN109446981A (zh) * | 2018-10-25 | 2019-03-08 | 腾讯科技（深圳）有限公司 | 一种脸部活体检测、身份认证方法及装置 |
| CN111898580A (zh) * | 2020-08-13 | 2020-11-06 | 上海交通大学 | 针对戴口罩人群的体温和呼吸数据采集系统、方法及设备 |
| CN112057074A (zh) * | 2020-07-21 | 2020-12-11 | 北京迈格威科技有限公司 | 呼吸速率测量方法、装置、电子设备及计算机存储介质 |
| CN113591701A (zh) * | 2021-07-30 | 2021-11-02 | 深圳市商汤科技有限公司 | 呼吸检测区域确定方法、装置、存储介质及电子设备 |
| CN113592817A (zh) * | 2021-07-30 | 2021-11-02 | 深圳市商汤科技有限公司 | 检测呼吸率的方法、装置、存储介质及电子设备 |
-
2021
- 2021-07-30 CN CN202110870587.1A patent/CN113591701A/zh not_active Withdrawn
-
2022
- 2022-06-14 WO PCT/CN2022/098521 patent/WO2023005469A1/zh unknown
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015030611A1 (en) * | 2013-09-02 | 2015-03-05 | Interag | Method and apparatus for determining respiratory characteristics of an animal |
| CN109446981A (zh) * | 2018-10-25 | 2019-03-08 | 腾讯科技（深圳）有限公司 | 一种脸部活体检测、身份认证方法及装置 |
| CN112057074A (zh) * | 2020-07-21 | 2020-12-11 | 北京迈格威科技有限公司 | 呼吸速率测量方法、装置、电子设备及计算机存储介质 |
| CN111898580A (zh) * | 2020-08-13 | 2020-11-06 | 上海交通大学 | 针对戴口罩人群的体温和呼吸数据采集系统、方法及设备 |
| CN113591701A (zh) * | 2021-07-30 | 2021-11-02 | 深圳市商汤科技有限公司 | 呼吸检测区域确定方法、装置、存储介质及电子设备 |
| CN113592817A (zh) * | 2021-07-30 | 2021-11-02 | 深圳市商汤科技有限公司 | 检测呼吸率的方法、装置、存储介质及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113591701A (zh) | 2021-11-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2023005469A1 (zh) | 呼吸检测区域确定方法、装置、存储介质及电子设备 | |
| WO2023005468A1 (zh) | 检测呼吸率的方法、装置、存储介质及电子设备 | |
| WO2023005402A1 (zh) | 基于热成像的呼吸率检测方法、装置及电子设备 | |
| US10282597B2 (en) | Image classification method and device | |
| WO2017181769A1 (zh) | 一种人脸识别方法、装置和系统、设备、存储介质 | |
| KR102446811B1 (ko) | 복수의 디바이스들로부터 수집된 데이터 통합 및 제공 방법 및 이를 구현한 전자 장치 | |
| WO2023005403A1 (zh) | 呼吸率检测方法、装置、存储介质及电子设备 | |
| KR102420100B1 (ko) | 건강 상태 정보를 제공하는 전자 장치, 그 제어 방법, 및 컴퓨터 판독가능 저장매체 | |
| US9600993B2 (en) | Method and system for behavior detection | |
| US9886454B2 (en) | Image processing, method and electronic device for generating a highlight content | |
| JP2023171650A (ja) | プライバシーの保護を伴う人物の識別しおよび／または痛み、疲労、気分、および意図の識別および定量化のためのシステムおよび方法 | |
| EP3693966B1 (en) | System and method for continuous privacy-preserved audio collection | |
| KR102488563B1 (ko) | 차등적 뷰티효과 처리 장치 및 방법 | |
| CN105590094B (zh) | 确定人体数量的方法及装置 | |
| WO2020062969A1 (zh) | 动作识别方法及装置、驾驶员状态分析方法及装置 | |
| CN105357425B (zh) | 图像拍摄方法及装置 | |
| EP3639748B1 (en) | System for monitoring pathological breathing patterns | |
| Fan et al. | Fall detection via human posture representation and support vector machine | |
| TW201519112A (zh) | 具有小寬幅生物感測器之分段式導引功能的電子設備及其導引方法 | |
| JP2012123727A (ja) | 広告効果測定サーバ、広告効果測定装置、プログラム、広告効果測定システム | |
| CN106980840A (zh) | 脸型匹配方法、装置及存储介质 | |
| CN106254807A (zh) | 提取静止图像的电子设备和方法 | |
| CN109938722B (zh) | 数据采集方法、装置、智能穿戴设备及存储介质 | |
| CN107844766A (zh) | 人脸图像模糊度的获取方法、装置和设备 | |
| KR102457247B1 (ko) | 이미지를 처리하는 전자 장치 및 그 제어 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| NENP | Non-entry into the national phase |
Ref country code: DE |