本發(fā)明實施例涉及人體健康監(jiān)測及機器視覺領(lǐng)域技術(shù)，具體涉及一種基于支持向量機的非接觸多人心率測量方法及裝置。

背景技術(shù)：

心率可以充分反映一個人的身體健康狀況，是醫(yī)生對患者進行診斷的重要依據(jù)。隨著人們自我健康監(jiān)測意識的增強以及智能終端設(shè)備的普及，基于圖像光電容積脈搏波描記(ippg)技術(shù)的非接觸式心率測量方法越來越受到人們的重視。但是，這一測量方法存在著易受光線變化以及運動偽差干擾的問題。2010年，麻省理工的付明哲及其團隊提出利用主成分分析(ica)的方法進行運動偽差的抑制，實現(xiàn)了心率信號的自動測量。2014年，悉尼大學的研究團隊提出利用主成分分析結(jié)合機器學習的方法knn進行ippg信號的預測，進一步的提高了非接觸心率測量的精度。

但是，現(xiàn)有的非接觸心率測量方法并沒有考慮到光線變化會導致人臉檢測算法易出現(xiàn)誤檢框，并且由包含人臉區(qū)域獲取的ippg信號也含有大量的噪聲的問題。另外，由于心率信號屬于非線性信號，knn算法不能對非線性信號進行較好的非線性回歸預測、且易受樣本容量不均衡的影響、計算量較大，不能實現(xiàn)心率的快速測量。

技術(shù)實現(xiàn)要素：

本發(fā)明提供一種基于支持向量機的非接觸多人心率測量方法及裝置，以實現(xiàn)克服光線干擾以及運動偽差帶來的測量精度不高的問題，達到提高檢測速度，實現(xiàn)多人心率的快速精確測量的目的。

第一方面，本發(fā)明實施例提供了一種基于支持向量機的非接觸多人心率測量方法，其特征在于，包括：

通過面部檢測算法檢測面部感興趣區(qū)域，所述面部感興趣區(qū)域包括額頭區(qū)域和臉頰區(qū)域；

計算所述面部感興趣區(qū)域灰度均值，獲取光電容積脈搏波描記時域信號；

對所述光電容積脈搏波博描記時域信號進行預處理，獲取第一時域信號；

利用支持向量機對所述第一時域信號進行分類，獲取第二時域信號；

計算所述第二時域信號，獲取心率值。

優(yōu)選地，所述通過面部檢測算法檢測出面部感興趣區(qū)域，包括：采用多線程技術(shù)。

優(yōu)選地，在所述通過面部檢測算法檢測出面部感興趣區(qū)域之后，還包括：跟蹤所述面部感興趣區(qū)域；

對每幀所述面部感興趣區(qū)域取灰度均值。

優(yōu)選地，所述面部感興趣區(qū)域包括額頭區(qū)域和臉頰區(qū)域，包括：所述額頭區(qū)域高度占所述面部感興趣區(qū)域的20％，所述臉頰區(qū)域高度占所述面部感興趣區(qū)域的60％，所述額頭區(qū)域與所述臉頰區(qū)域的寬度均與所述面部感興趣區(qū)域相同。

優(yōu)選地，所述對光電容積脈搏波描記時域信號進行預處理，包括：

通過滑動平均濾波法和可變閾值的小波去噪法對所述光電容積脈搏波描記時域信號進行去噪處理。

優(yōu)選地，所述利用支持向量機對所述第一時域信號進行分類，包括：

利用心率信號的分形特征，直接對感興趣區(qū)域獲取的時域信號進行分類，無需進一步提取信號特征值。

優(yōu)選地，所述利用支持向量機對所述第一時域信號進行分類，包括：

訓練階段，分別將所述第一時域信號中人臉感興趣區(qū)域與由誤檢框提取的時域信號分別作為正負樣本進行訓練；

測試階段，利用訓練好的支持向量機進行測試，選擇出所述第二時域信號。

優(yōu)選地，所述計算所述心率信號，包括：

采用短時傅里葉變換方法對所述第二時域信號序列進行時頻分析。

第二方面，本發(fā)明實施例還提供了一種基于支持向量機的非接觸多人心率測量裝置，其特征在于，包括：

檢測模塊，用于通過面部檢測算法檢測面部感興趣區(qū)域，所述面部感興趣區(qū)域包括額頭區(qū)域和臉頰區(qū)域；

原始信號獲取模塊，用于計算所述面部感興趣區(qū)域灰度均值，獲取光電容積脈搏波描記時域信號；

預處理模塊，用于對所述光電容積脈搏波描記時域信號進行預處理，獲取第一時域信號；

心率信號獲取模塊，用于利用支持向量機對所述第一時域信號進行分類，獲取第二時域信號；

計算模塊，用于計算所述第二時域信號，獲取心率值。

優(yōu)選地，所述利用支持向量機對所述第一時域信號進行分類，包括：

訓練模塊，用于分別將所述第一時域信號中由人臉提取的時域信號與由誤檢框提取的時域信號分別作為正負樣本進行訓練；

測試模塊，用訓練好的支持向量機進行測試，選擇出所述心率信號。

本發(fā)明通過面部檢測算法與跟蹤算法檢測與跟蹤感興趣區(qū)域，提取ippg信號并進行預處理，然后利用心率的分形特征通過支持向量機對信號進行分類，對分類為心率的信號計算出心率值，解決了測量結(jié)果易受光線以及運動干擾的問題，實現(xiàn)多人的心率快速準確測量的有益效果。

附圖說明

圖1是本發(fā)明實施例一中一種基于支持向量機的非接觸多人心率測量方法的流程圖。

圖2是本發(fā)明實施例一中一種基于支持向量機的非接觸多人心率測量方法的人臉感興趣區(qū)域示意圖。

圖3是本發(fā)明實施例二中一種基于支持向量機的非接觸多人心率測量方法的流程圖。

圖4是本發(fā)明實施例三中一種基于支持向量機的非接觸多人心率測量裝置的結(jié)構(gòu)示意圖。

圖5是本發(fā)明實施例三中一種基于支持向量機的非接觸多人心率測量裝置的測試效果示意圖。

具體實施方式

下面結(jié)合附圖和實施例對本發(fā)明作進一步的詳細說明?？梢岳斫獾氖?，此處所描述的具體實施例僅僅用于解釋本發(fā)明，而非對本發(fā)明的限定。另外還需要說明的是，為了便于描述，附圖中僅示出了與本發(fā)明相關(guān)的部分而非全部結(jié)構(gòu)。

實施例一

圖1是本發(fā)明實施例一提供的基于支持向量機的非接觸多人心率測量方法的流程圖，具體包括如下步驟：

步驟100、通過面部檢測算法檢測面部感興趣區(qū)域，所述面部感興趣區(qū)域包括額頭區(qū)域和臉頰區(qū)域；

其中，利用opencv中集成的人臉檢測算法進行人臉的檢測，并將檢測結(jié)果初始化壓縮跟蹤算法，該算法返回所檢測到人臉的編號以及檢測框的參數(shù)；

本步驟中，典型地，如圖2所示，感興趣區(qū)域位于人臉檢測框區(qū)域的居中位置，兩者大小關(guān)系為：

其中，

hd，wd分別表示人臉檢測框的高于寬；hi，wi分別表示roi的高與寬；

進一步的，將roi區(qū)域分成額頭與臉頰兩部分，兩者的寬度與roi相同，高度存在如下關(guān)系：

其中，h1表示額頭區(qū)域的高度，h2表示臉頰區(qū)域的高度。

步驟200、計算所述面部感興趣區(qū)域灰度均值，獲取光電容積脈搏波描記時域信號；

其中，利用壓縮跟蹤的方法，對面部檢測算法檢測到的區(qū)域進行跟蹤，并將圖像顏色空間由rgb轉(zhuǎn)換到hsv，計算每幀灰度圖像roi區(qū)域中h通道的灰度均值，得到ippg信號序列：

x(t)＝0.3*x1(t)+0.7*x2(t)(3)

其中，

x1(t)表示額頭區(qū)域h通道灰度均值，x2(t)表示臉頰區(qū)域h通道灰度均值，

本步驟中采用openmp實現(xiàn)多線程，對人臉跟蹤算法進行加速，實現(xiàn)多個人臉的實時跟蹤與ippg信號的獲取。

步驟300、對所述光電容積脈搏波博描記時域信號進行預處理，獲取第一時域信號；

其中，利用長度為10的滑動平均濾波器對原始信號中的隨機噪聲進行抑制，然后，利用可變閾值的小波去噪方法進一步對上述信號進行除噪處理；

本步驟中，典型地，閾值函數(shù)選擇啟發(fā)式閾值(heursure)：它是最優(yōu)預測變量閾值選擇，采用無偏似然估計還是硬閾值由信號的信噪比決定，信噪比較大時選擇無偏似然估計法，反之，選擇硬閾值法；信噪比的計算方式如下：

其中，n表示時序信號的長度，yi表示原始信號，xi表示經(jīng)處理后的估計信號，信噪比越大表示信號處理效果越好。

步驟400、利用支持向量機對所述第一時域信號進行分類，獲取第二時域信號；

其中，利用長度為64的預處理后的信號，分別將包含人臉區(qū)域的信號作為正樣本，不包含人臉區(qū)域或者只包含一部分人臉區(qū)域的信號作為負樣本，分別選取100個正樣本與50個負樣本開始進行訓練；然后利用訓練好的支持向量機對新的信號進行分類，選擇出正確的心率信號；

本步驟中，典型地，如圖3所示例支持向量機的工作流程圖，在本實施例中參數(shù)懲罰系數(shù)c與核函數(shù)中參數(shù)g使用網(wǎng)格參數(shù)尋優(yōu)函數(shù)自動優(yōu)化，由圖中可以看出，當分別取c＝8,g＝0.70711時，分類正確率可達80.5％。

步驟500、計算所述心率信號，獲取心率值；

其中，利用短時傅里葉變換將選擇出來的信號變換到頻域，選擇位于0.5hz-3hz內(nèi)的最高頻率值fhr；

本步驟中，典型地，心率值的計算公式如下：

hr＝fhr*60(5)

其中，hr表示每分鐘心臟跳動的次數(shù)。

本實施例的技術(shù)方案，通過劃分感興趣區(qū)域并采用多線程技術(shù)，克服了眼部眨動帶來的運動干擾問題，達到了快速準確測量的效果。

在上述各技術(shù)方案的基礎(chǔ)上，所述通過面部檢測算法檢測出面部感興趣區(qū)域優(yōu)選可以采用多線程技術(shù)。通過面部檢測算法檢測出面部感興趣區(qū)域這樣設(shè)置的好處在于可以實現(xiàn)多人心率信號的實時獲取。

在上述各技術(shù)方案的基礎(chǔ)上，所述面部感興趣區(qū)域包括額頭區(qū)域和臉頰區(qū)域，優(yōu)選可以設(shè)置所述額頭區(qū)域高度占所述面部感興趣區(qū)域的20％，所述臉頰區(qū)域高度占所述面部感興趣區(qū)域的60％，所述額頭區(qū)域與所述臉頰區(qū)域的寬度均與所述面部感興趣區(qū)域相同。

具體地，如圖2所示，

所述面部感興趣區(qū)域包括額頭區(qū)域和臉頰區(qū)域這樣設(shè)置的好處在于排除眼部對ippg信號提取的干擾，提高信號的信噪比。

在上述各技術(shù)方案的基礎(chǔ)上，所述對所述光電容積脈搏博描記時域信號進行預處理優(yōu)選可以通過滑動平均濾波法或可變閾值的小波去噪法對所述光電容積脈搏博描記時域信號進行去噪處理。所述對所述光電容積脈搏博描記時域信號進行預處理這樣設(shè)置的好處在于可以有效去除信號中的隨機噪聲的干擾，提高信號的信噪比。

實施例二

本發(fā)明實施例三提供的基于支持向量機的非接觸多人心率測量方法，具體包括如下步驟：

步驟100、通過面部檢測算法檢測面部感興趣區(qū)域，所述面部感興趣區(qū)域包括額頭區(qū)域和臉頰區(qū)域。

步驟200、計算所述面部感興趣區(qū)域灰度均值，獲取光電容積脈搏波描記時域信號。

步驟300、對所述光電容積脈搏波博描記時域信號進行預處理，獲取第一時域信號。

步驟400、利用支持向量機對所述第一時域信號進行分類，獲取心率信號；所述對所述第一時域信號進行分類包括：

步驟401、訓練階段，分別將所述第一時域信號中由人臉部分提取的時域信號與由誤檢框提取的時域信號分別作為正負樣本進行訓練；

步驟402、測試階段，利用訓練好的支持向量機進行測試，選擇出所述心率信號；

其中，將所述預處理后獲得的第二時域信號直接送入svm網(wǎng)絡(luò)，并根據(jù)分類的結(jié)果進行下一步的操作，若該信號被分類為心率信號，則保存數(shù)據(jù)用來進行心率值的計算，否則，將數(shù)據(jù)舍棄。

步驟500、計算所述心率信號，獲取心率值。

本實施例的技術(shù)方案，通過支持向量機，解決了對人臉檢測算法中的誤檢框以及光線變化帶來的噪聲干擾問題，達到了提高心率檢測精度的效果。

實施例三

圖4為本發(fā)明實施例三提供的一種基于支持向量機的非接觸多人心率測量裝置的結(jié)構(gòu)示意圖，該基于支持向量機的非接觸多人心率測量裝置的具體結(jié)構(gòu)如下：

檢測模塊，用于通過面部檢測算法檢測面部感興趣區(qū)域，所述面部感興趣區(qū)域包括額頭區(qū)域和臉頰區(qū)域；

原始信號獲取模塊，用于計算所述面部感興趣區(qū)域灰度均值，獲取光電容積脈搏波描記時域信號；

預處理模塊，用于對所述光電容積脈搏波描記時域信號進行預處理，獲取第一時域信號；

心率信號獲取模塊，用于利用支持向量機對所述第一時域信號進行分類，獲取心率信號；

計算模塊，用于計算所述心率信號，獲取心率值。

其中，多人實時心率檢測的結(jié)果如圖5所示，該圖為本實施例中使用分辨率為800*600的普通電腦攝像頭下測試的結(jié)果，圖中id表示各個測試對象的編號，hrate表示相應編號測試者的心率值，右側(cè)數(shù)字64表示視頻中一幀的平均測量時間為64ms。

該裝置的工作過程：被測者位于電腦前，采用普通攝像頭采集面部視頻圖像，并實時輸出被測者的心率值。

本實施例的技術(shù)方案，通過電腦攝像頭與支持向量機，解決了多人心率測量不準確問題，達到了多人心率快速準確測量的效果。

上述產(chǎn)品可執(zhí)行本發(fā)明任意實施例所提供的方法，具備執(zhí)行方法相應的功能模塊和有益效果。上述產(chǎn)品可執(zhí)行本發(fā)明任意實施例所提供的方法，具備執(zhí)行方法相應的功能模塊和有益效果。

注意，上述僅為本發(fā)明的較佳實施例及所運用技術(shù)原理。本領(lǐng)域技術(shù)人員會理解，本發(fā)明不限于這里所述的特定實施例，對本領(lǐng)域技術(shù)人員來說能夠進行各種明顯的變化、重新調(diào)整和替代而不會脫離本發(fā)明的保護范圍。因此，雖然通過以上實施例對本發(fā)明進行了較為詳細的說明，但是本發(fā)明不僅僅限于以上實施例，在不脫離本發(fā)明構(gòu)思的情況下，還可以包括更多其他等效實施例，而本發(fā)明的范圍由所附的權(quán)利要求范圍決定。