陳輝，鄭秀娟，*，倪宗軍，張昀，楊曉梅

（1.四川大學(xué) 電氣工程學(xué)院，成都 610065； 2.西安交通大學(xué) 電子與信息學(xué)院，西安 710049）

近年來視頻監(jiān)控技術(shù)快速發(fā)展，針對(duì)監(jiān)控視頻的智能分析需求深入到公共空間和私人生活的各個(gè)方面，涉及了如交通監(jiān)控、犯罪預(yù)防、人群監(jiān)控、身份認(rèn)證以及居家監(jiān)護(hù)等多種不同應(yīng)用場(chǎng)景［1］。由于視頻中的人臉包含有最為豐富的個(gè)人特征信息，因此針對(duì)面部視頻的智能分析方法也受到廣泛的關(guān)注。早在20世紀(jì)60年代Bledsoe就提出了基于人臉的幾何特征的人臉識(shí)別方法［2］；He等也在2015年提出了一種基于局部二值模式（Local Binary Patterns，LBP）關(guān)鍵面部區(qū)域中的表情特征融合方法進(jìn)行面部表情識(shí)別［3］；2004年，Ahonen等利用LBP人臉單個(gè)特征直方圖實(shí)現(xiàn)人臉識(shí)別［4］；2016年，Lenc和Král提出利用一組Gabor濾波器實(shí)現(xiàn)對(duì)基準(zhǔn)點(diǎn)的自動(dòng)選擇，解決了在使用LBP進(jìn)行人臉識(shí)別時(shí)的基準(zhǔn)點(diǎn)的位置和數(shù)量是固定的問題［5］。隨著計(jì)算機(jī)視覺理論和技術(shù)的發(fā)展，人臉檢測(cè)與識(shí)別技術(shù)日臻完善。在面部視頻分析領(lǐng)域中，之前的許多研究都圍繞人臉結(jié)構(gòu)特征展開了深入研究，但忽略了隱含于視頻中的與生命體征相關(guān)的生理信號(hào)。近年來，越來越多的研究開始關(guān)注對(duì)視頻及圖像序列中的生命體征相關(guān)生理信號(hào)的提取和分析工作［6-7］，這將為充分利用監(jiān)控視頻中隱含的人體信息進(jìn)行活體識(shí)別以及智能行為分析提供思路，有助于豐富監(jiān)控視頻智能分析的應(yīng)用場(chǎng)景。

2000年，Wu等提出成像式光電容積描記法（imaging Photoplethysmography，iPPG）及其技術(shù)框架實(shí)現(xiàn)了從視頻中獲得人體的心率參數(shù)估計(jì)［8］。iPPG技術(shù)是根據(jù)面部視頻中的皮下淺層血管血流灌注變化導(dǎo)致的皮膚顏色輕微變化，從而通過分離血容量脈沖（Blood Volume Pulse，BVP）信號(hào)來得到相應(yīng)的生命體征估計(jì)。此后，多項(xiàng)研究均以iPPG技術(shù)為基礎(chǔ)實(shí)現(xiàn)基于視頻的遠(yuǎn)距離生命體征參數(shù)檢測(cè)工作［9-10］。然而由于視頻中隱含的BVP信號(hào)成分十分微弱，且容易受到環(huán)境光照和運(yùn)動(dòng)的影響，產(chǎn)生低頻基線漂移與高頻噪聲污染［11］，從而使得iPPG方法進(jìn)行生命體征檢測(cè)的精準(zhǔn)度不穩(wěn)定。

為抑制噪聲對(duì)iPPG技術(shù)的干擾，2010年P(guān)oh等使用獨(dú)立成分分析法（Independent Component Analysis，ICA）處理面部視頻中RGB三通道信號(hào)，來獲取視頻中0.5～2 Hz之間的頻率成分，之后重構(gòu)BVP信號(hào)，進(jìn)而獲得心率的估計(jì)［12］。隨著現(xiàn)代信號(hào)處理技術(shù)的發(fā)展，2009年，雷恒波等采用經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition，EMD）來自適應(yīng)處理非平穩(wěn)信號(hào)，將原始信號(hào)分解成一系列不同頻率成分的本征模態(tài)函數(shù)（Intrinsic Mode Functions，IMF），從而重建純凈的BVP信號(hào)并用于檢測(cè)相應(yīng)的生命體征［13-14］；2018年，Zhao等提出使用改進(jìn)的EMD方法（Comp lete Ensemble Empirical Mode Decomposition，CEEMD）來重建純凈的BVP信號(hào)［15］。2019年，F(xiàn)avilla等提出使用帶通濾波器來獲取高幀率視頻，并且使用快速ICA方法將BVP信號(hào)與噪聲分離，從而得到準(zhǔn)確的生命體征的估計(jì)值［16］。

這些信號(hào)處理方法都主要解決消除或減弱由運(yùn)動(dòng)或光照影響造成的偽影誤差，但當(dāng)視頻存在人臉丟失，或者無法準(zhǔn)確識(shí)別人臉感興趣區(qū)域（Region of Interest，ROI）時(shí)，仍會(huì)使獲取的BVP信號(hào)質(zhì)量下降，從而影響到生命體征估計(jì)的準(zhǔn)確率。

由此本文以面部視頻中人臉檢測(cè)為基礎(chǔ)，提出了一種新型面部視頻分析方法實(shí)現(xiàn)自適應(yīng)非接觸生命體征檢測(cè)。該方法可在面部視頻分析時(shí)，對(duì)存在環(huán)境光影響和人頭部運(yùn)動(dòng)的面部視頻給出較為精確的心率與呼吸頻率的估計(jì)。

1 本文方法

本文以人臉檢測(cè)為基礎(chǔ)，使用集合經(jīng)驗(yàn)?zāi)B(tài)分解（Ensemble Empirical Mode Decomposition，EEMD）算法［17］與信號(hào)質(zhì)量檢測(cè)提高基于面部視頻的生命體征檢測(cè)方法的準(zhǔn)確性。本文提出的聯(lián)合集合經(jīng)驗(yàn)?zāi)B(tài)分解算法和信號(hào)質(zhì)量檢測(cè)的面部視頻分析方法由5個(gè)主要步驟構(gòu)成，流程如圖1所示。

圖1 本文方法流程Fig.1 Flowchart of proposed method

1.1 基于人臉檢測(cè)的感興趣區(qū)域獲取

為了更好地檢測(cè)并跟蹤視頻中的人臉，本文使用具有3個(gè)深層卷積網(wǎng)絡(luò)的級(jí)聯(lián)架構(gòu)MTCNN（Multi-Task Convolutional Neural Networks）［18］和非極大值抑制策略［19］得到人臉識(shí)別框與面部標(biāo)簽，同時(shí)實(shí)現(xiàn)人臉檢測(cè)與對(duì)齊。在確定人臉的范圍之后，調(diào)用Dlib庫(kù)［20］定位人面部特征點(diǎn)。根據(jù)面部特征點(diǎn)定位鼻子及額頭區(qū)域的最大內(nèi)接矩形可以跟隨頭部運(yùn)動(dòng)實(shí)現(xiàn)面部感興趣區(qū)域的自適應(yīng)獲取，如圖2所示。圖中：實(shí)心點(diǎn)為68個(gè)特征點(diǎn)（粗略ROI）；矩形框?yàn)榫?xì)ROI，包括鼻子和前額區(qū)域。

圖2 面部ROI選擇Fig.2 Facial ROI selection

1.2 初始BVP信號(hào)提取

在確定面部ROI后，對(duì)ROI內(nèi)像素點(diǎn)進(jìn)行灰度歸一化處理，再進(jìn)行瑞利分布匹配，去除灰度值落在瑞利分布之外的像素點(diǎn)從而抑制噪聲干擾。接著采用CHROM 模型［17］構(gòu)建ROI像素點(diǎn)色彩模型以降低運(yùn)動(dòng)帶來的噪聲影響，即將RGB三通道的信號(hào)進(jìn)行線性組合得到初始BVP信號(hào)。

1.3 集合經(jīng)驗(yàn)?zāi)B(tài)分解

為了避免EMD算法的模態(tài)混合問題，本文采用EEMD算法［21］將初始BVP信號(hào)分解為真實(shí)的IMF函數(shù)組合。

因此初始BVP信號(hào)先由EMD算法分解為N個(gè)IMF函數(shù)，所有的IMF函數(shù)和殘差r（t）可以重構(gòu)輸入信號(hào)x（t）。

根據(jù)EEMD算法原理，初始BVP信號(hào)x（t）分解步驟如下：

步驟1在原始信號(hào)x（t）中加入均值為0、標(biāo)準(zhǔn)差為原始信號(hào)標(biāo)準(zhǔn)差0.2倍的高斯白噪聲w（j），即x（j）=x（t）+aw（j）（j=1，2，…，N），其中的白噪聲的幅度大小為a=0.2。

步驟2計(jì)算x（j）（j=1，2，…，N）的EMD算法得到本征模態(tài)，其中k=1，2，…，K為模態(tài)。

步驟3將作為x（t）的第k階模態(tài)均值，通過將相應(yīng)的求平均得到。

當(dāng)?shù)玫剿械腎MF函數(shù)后，應(yīng)該舍去與噪聲相關(guān)的IMF函數(shù)。由人體血流循環(huán)可知，BVP信號(hào)主要受心肺頻率的調(diào)制，而呼吸成分頻率范圍為0.1～0.5Hz，心率成分頻率范圍為0.7～4 Hz。為了去除偽影，計(jì)算各IMF函數(shù)的頻譜并確定其主頻率，即獲得最大幅度的頻率。根據(jù)各IMF函數(shù)的主頻率將其歸入對(duì)應(yīng)的心肺信號(hào)頻率范圍，即將IMF函數(shù)分為心率組和呼吸頻率組。為最終從BVP信號(hào)中得到準(zhǔn)確的心率和呼吸頻率等生命體征的估計(jì)，將心率組和呼吸頻率組的IMF函數(shù)通過正交變換，將存在相關(guān)性的IMF函數(shù)轉(zhuǎn)換為一些線性不相關(guān)的變量，即為主成分（Principal Component signal，PCs）。將主成分進(jìn)行排序，第一主成分含有所選IMF函數(shù)中存在的大部分變化。因此，在心率組中的IMF函數(shù)上得到的第一主成分對(duì)應(yīng)著心率，同樣，呼吸組中的第一主成分對(duì)應(yīng)著呼吸頻率，如圖3所示。

圖3 用EEMD-PCA技術(shù)從BVP信號(hào)中提取心率和呼吸頻率的主成分的步驟Fig.3 Steps of using EEMD-PCA technique to extract principal component signal of heart rate and respiratory rate from BVP signals

1.4 基于方差特征序列的信號(hào)質(zhì)量檢測(cè)

在實(shí)際的面部視頻分析中，初始BVP信號(hào)質(zhì)量往往受到諸多外界因素的干擾，即使經(jīng)過EEMD分解后獲得的主成分也會(huì)存在信號(hào)質(zhì)量不高的問題。因此，在得到心率主成分Xhr（t）和呼吸頻率主成分Xbr（t）后，需要檢測(cè)主成分信號(hào)質(zhì)量來提高生命體征檢測(cè)的準(zhǔn)確性。本文采用方差特征序列（Variance Characterization series，VCs）［22］進(jìn)行主成分信號(hào)的頻譜質(zhì)量檢測(cè)，以處理心率主成分Xhr（t）為例（呼吸頻率主成分Xbr（t）處理方法同理），具體步驟如下：

步驟1根據(jù)峰值檢測(cè)算法挑選出Xhr（t）所有局部最大值Mi（i=1，2，…）以及局部最小值mi（i=1，2，…）。

步驟2將每個(gè)局部最大值Mi和后續(xù)的7個(gè)局部最大值進(jìn)行方差計(jì)算，記為σMi。以相同方法處理局部最小值，得到方差記為σmi。當(dāng)計(jì)算最后7個(gè)局部值的方差時(shí)，以最后1個(gè)數(shù)復(fù)制填充至8個(gè)再進(jìn)行計(jì)算。

步驟3計(jì)算方差特征序列：

式中：δMi和δmi分別為局部最大值下的方差特征序列和局部最小值下的方差特征序列；loc（*），*∈（Mi，Mi+1，mi，mi+1）為在時(shí)間序列Xhr（t）中的局部最大值和局部最小值對(duì)應(yīng)的索引值。

設(shè)定的8個(gè)局部值計(jì)算方差有利于減少基線漂移，由式（3）、式（4）可以得到Xhr（t）的2個(gè)方差特征序列。原始主成分信號(hào)以及對(duì)應(yīng)的方差特征序列如圖4所示。圖中：三角表示主成分信號(hào)的局部最大值（無單位），圓點(diǎn)表示主成分信號(hào)的局部最小值（無單位）?？梢钥吹?，當(dāng)不同主成分的波形變化時(shí)，方差特征序列的變化情況。

圖4 原始主成分信號(hào)及對(duì)應(yīng)的方差特征序列表示Fig.4 Original principal component signals and corresponding variance characterization series representation

根據(jù)獲得的方差特征序列，基于2個(gè)準(zhǔn)則來判斷Xhr（t）質(zhì)量：

1）δMi的值遠(yuǎn)大于閾值T。

2）第i+4個(gè)最大值和第i個(gè)最大值之間的距離遠(yuǎn)小于D1或者第i+2的最大值和第i的最大值之間的距離D2。

上述準(zhǔn)則中，閾值T由先驗(yàn)的無干擾BVP信號(hào)計(jì)算給定，且D1和D2則由前一時(shí)間窗估計(jì)的心率（Hpre）和采樣頻率ρ給定，即

式中：Hpre為按照上述同樣方法在前一個(gè)時(shí)間窗的計(jì)算值，180 bpm與60 bpm分別為人體在靜坐情況下的心率上限值與下限值。

1.5 自適應(yīng)生命體征估計(jì)

若根據(jù)1.4節(jié)計(jì)算得出對(duì)應(yīng)的主成分信號(hào)質(zhì)量為不合格，即說明在頻譜分析時(shí)，會(huì)出現(xiàn)大量不符合生理特征區(qū)間的頻譜高峰值，此時(shí)對(duì)經(jīng)過1.3節(jié)處理之后的主成分信號(hào)Xhr（t）與Xbr（t）使用頻譜跟蹤算法來獲取生命體征的估計(jì)值，如圖5所示，仍以處理Xhr（t）為例（Xbr（t）同理），其具體的步驟如下：

圖5 頻譜跟蹤算法流程圖Fig.5 Flowchart of spectrum tracking algorithm

步驟1使用三次樣條插值平滑處理，以及對(duì)主成分信號(hào)Xhr（t）進(jìn)行三階的巴特沃斯帶通濾波提取相應(yīng)的頻率成分，進(jìn)一步消除因?yàn)榄h(huán)境光照變化和頭部運(yùn)動(dòng)帶來的噪聲。

步驟2計(jì)算將平滑后的主成分Xhr（t）頻譜，選取前2個(gè)最大的頻率值f1、f2，并且計(jì)算對(duì)應(yīng)心率數(shù)值為HR1和HR2。

步驟3將這2個(gè)數(shù)值HR1和HR2與上一個(gè)時(shí)間窗估計(jì)的頻率fpre對(duì)應(yīng)的心率HRpre作對(duì)比。

1）當(dāng)2個(gè)估計(jì)值與HRpre差值均控制在10 bpm之內(nèi)，且與HRpre差值的絕對(duì)值均不相等，即選取最為接近HRpre的心率估計(jì)值作為此次的最終的心率估計(jì)值HRfinal。

2）當(dāng)2個(gè)心率估計(jì)值與HRpre差值均相等且控制在10 bpm之內(nèi)，將時(shí)間窗縮短計(jì)算各個(gè)時(shí)間窗之內(nèi)的數(shù)值，依次判斷心率變化的趨勢(shì)。當(dāng)心率為上升趨勢(shì)時(shí)選取比較大的心率估計(jì)數(shù)值作為HRfinal，反之，則選取較小的心率估計(jì)值作為HRfinal。

3）當(dāng)2個(gè)估計(jì)值與HRpre差值，一個(gè)小于10 bpm，另一個(gè)大于10 bpm，那么，即選取小于10 bpm對(duì)應(yīng)的估計(jì)值作為HRfinal。

4）若2個(gè)心率估計(jì)值與HRpre的差值均大于10 bpm，即說明該主成分信號(hào)質(zhì)量不高，不能使用頻譜分析，則改為使用時(shí)域計(jì)數(shù)方式獲取的心率估計(jì)值作為最終的心率估計(jì)值HRfinal。

如果方差特征序列滿足1.4節(jié)中2個(gè)基本準(zhǔn)則，代表此時(shí)獲得的主成分信號(hào)Xhr（t）與Xbr（t）質(zhì)量合格，受到的干擾少，可以直接使用巴特沃斯帶通濾波后進(jìn)行頻譜分析，即可得到相應(yīng)的心肺頻率fhr、fbr，通過式（7）和式（8）獲得最終心率和呼吸頻率的估計(jì)值。

至此完成了根據(jù)主成分信號(hào)不同質(zhì)量情況的自適應(yīng)生命體征估計(jì)。

2 實(shí)驗(yàn)結(jié)果及分析

2.1 實(shí)驗(yàn)數(shù)據(jù)集

為控制實(shí)驗(yàn)變量的單一性，本文使用公開的多模態(tài)數(shù)據(jù)庫(kù)DEAP數(shù)據(jù)集［23］進(jìn)行對(duì)比實(shí)驗(yàn)。DEAP數(shù)據(jù)集中包含有32名受試者（年齡分布為19～37歲）在觀看情緒激發(fā)視頻時(shí)的1分鐘面部視頻以及同步多通道生理信號(hào)，其中由呼吸帶測(cè)得的呼吸頻率和指尖PPG信號(hào)測(cè)得的心率將作為本文生命體征估計(jì)的標(biāo)準(zhǔn)值。

2.2 實(shí)驗(yàn)結(jié)果對(duì)比

為了驗(yàn)證本文方法的心率和呼吸頻率檢測(cè)的準(zhǔn)確率，使用估計(jì)誤差的平均絕對(duì)誤差（Mean Absolute Error，MAE）、平均誤差百分比（Mean Error Percentage，MEP）以及P相關(guān)系數(shù)（Pearson correlation coefficient）這些統(tǒng)計(jì)指標(biāo)進(jìn)行驗(yàn)證分析。選取較早研究中常用的信號(hào)處理方法ICA［24］（2011年）、AR［25］（2014年）和近年提出的改進(jìn)方法CEEMD［15］（2018年）、FastICA［16］（2019年）進(jìn)行對(duì)比實(shí)驗(yàn)，驗(yàn)證本文方法性能的有效性。

所有方法都基于同一個(gè)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行，視頻預(yù)處理方法保持一致，所有的預(yù)處理參數(shù)保持一致，面部視頻時(shí)間窗寬30 s。對(duì)比方法保留已報(bào)道的參數(shù)設(shè)定值，ICA［24］選擇的獨(dú)立成分?jǐn)?shù)為3，AR［26］使用的回歸參數(shù)設(shè)定為3，CEEMD［15］不用設(shè)置其他參量。本文方法中使用的EEMD算法也不用特別進(jìn)行參量設(shè)置。

表1列出了本文方法與4種比較方法在心率估計(jì)的準(zhǔn)確度比較結(jié)果（面部視頻時(shí)間窗寬為30 s）。與ICA、AR、CEEMD、FastICA 4種方法做比較時(shí)，本文方法的心率估計(jì)結(jié)果MAE最小，控制在3 bpm之內(nèi)，同時(shí)MEP控制在4%左右，P相關(guān)系數(shù)大于0.9。表2列出了本文方法與4種比較方法在呼吸頻率估計(jì)的準(zhǔn)確度比較結(jié)果（面部視頻時(shí)間窗寬為30 s）。與其他方法相比，本文方法獲得了最低的呼吸頻率估計(jì)MEP，約為7.8%，同時(shí)MAE約為3 bpm，P相關(guān)系數(shù)達(dá)到0.8以上。由上述結(jié)果可見，由面部視頻獲得的呼吸頻率的準(zhǔn)確度低于心率的準(zhǔn)確度，其原因?yàn)楹粑嚓P(guān)信號(hào)通常為低頻成分，更容易受到外界因素干擾，不容易從視頻中將其精確分離。

表1 不同方法的心率比較Table 1 Com parison of heart rate am ong differentm ethods

表2 不同方法的呼吸頻率比較Tab le 2 Com parison of respiratory rate am ong differentm ethods

2.3 結(jié)果討論

當(dāng)從面部視頻中獲取的生理信號(hào)足夠穩(wěn)定，使用以傅里葉變換為基礎(chǔ)的頻譜分析獲得的生命體征估計(jì)具有較高精確度。然而，通常得到的視頻信號(hào)，尤其是監(jiān)控視頻，常常受到諸多外界因素的干擾，如環(huán)境光變化、人體運(yùn)動(dòng)等。這些都會(huì)給面部視頻中隱含的生理信號(hào)帶來強(qiáng)烈的噪聲。因此使用ICA和時(shí)域?yàn)V波相結(jié)合的方法可以在一定程度上抑制外界干擾引入視頻的噪聲，但使用ICA方法進(jìn)行信號(hào)盲源分離，設(shè)定的盲源數(shù)量為3。而監(jiān)控視頻中存在的光源和運(yùn)動(dòng)噪聲源的數(shù)量難以確定，因此在實(shí)際應(yīng)用中該方法所獲得的生命體征檢測(cè)結(jié)果也不理想。

AR模型常用于時(shí)間序列的分析，但要求信號(hào)平穩(wěn)，因此即使引入了背景興趣區(qū)作為環(huán)境光噪聲參考來提高該方法對(duì)光照變化的穩(wěn)定性，但仍然無法抑制運(yùn)動(dòng)噪聲干擾。因此，在對(duì)比實(shí)驗(yàn)中AR［25］方法相較于ICA［24］方法所得到的生命體征估計(jì)結(jié)果的準(zhǔn)確度有所提高，但低于CEEMD［15］和FastICA［16］方法獲得的估計(jì)精確度。

使用基于EMD方法以及該類型的拓展方法，如EEMD和CEEMD［15］方法，其優(yōu)勢(shì)在于不需要考慮盲源數(shù)量，也無需設(shè)定任何基函數(shù)，便可以將復(fù)雜信號(hào)分解為有限個(gè)IMF組合，并且各IMF分別包含了原信號(hào)的不同時(shí)間尺度下的局部特征信號(hào)。但同一時(shí)間尺度成分由EMD分解成不同的IMF時(shí)，會(huì)產(chǎn)生模態(tài)混疊這一現(xiàn)象。EEMD 與CEEMD都是通過改變極值點(diǎn)的分布抑制模態(tài)混疊問題，采用的是在原信號(hào)中加入白噪聲來使真實(shí)信號(hào)分量在分解的過程逐步顯現(xiàn)。使用EEMD時(shí)，剩余噪聲會(huì)隨著集成平均的次數(shù)逐漸減少，而在使用CEEMD時(shí)的剩余噪聲一直維持在一個(gè)較小的程度，在保證了較小的剩余噪聲干擾的情況下，能夠節(jié)省計(jì)算時(shí)間。在針對(duì)面部視頻分析時(shí)，本文使用EEMD方法無需針對(duì)復(fù)雜的干擾情況預(yù)先設(shè)定視頻中噪聲源數(shù)量。同時(shí)，本文方法使用信號(hào)質(zhì)量檢測(cè)和頻譜跟蹤算法，可以有效處理視頻中面部數(shù)據(jù)缺失或質(zhì)量降低的問題，來提高生命體征估計(jì)的準(zhǔn)確度。

最后，本文方法仍然無法高效地抑制劇烈運(yùn)動(dòng)干擾的影響。因此，在未來的工作中，需要提高本文方法的泛化能力，進(jìn)一步針對(duì)監(jiān)控視頻特點(diǎn)提高視頻中生命體征檢測(cè)的準(zhǔn)確度。

3 結(jié) 論

本文基于面部視頻分析給出了一種人體生命體征檢測(cè)方法，并通過公開數(shù)據(jù)集的對(duì)比實(shí)驗(yàn)驗(yàn)證得出如下結(jié)論。

1）為了提高視頻中生命體征檢測(cè)的準(zhǔn)確度，抑制外界環(huán)境光及頭部運(yùn)動(dòng)的干擾，提出以人臉檢測(cè)與跟蹤為基礎(chǔ)，聯(lián)合EEMD算法與信號(hào)質(zhì)量檢測(cè)方法進(jìn)行面部視頻分析，并給出了心率和呼吸頻率檢測(cè)的具體流程與算法。

2）通過公開數(shù)據(jù)集驗(yàn)證了所提方法從面部視頻中獲得心率和呼吸頻率的準(zhǔn)確度，所得估計(jì)值與標(biāo)準(zhǔn)值的相關(guān)系數(shù)分別高于0.9和0.8。

3）所提方法不僅為實(shí)時(shí)活體檢測(cè)提供了思路，而且也有助于豐富監(jiān)控視頻的智能分析的應(yīng)用場(chǎng)景。