王 陽(yáng), 楊學(xué)志, 方 帥, 李龍偉, 劉雪南

(1.合肥工業(yè)大學(xué) 計(jì)算機(jī)與信息學(xué)院,安徽 合肥 230601; 2.工業(yè)安全與應(yīng)急技術(shù)安徽省重點(diǎn)實(shí)驗(yàn)室,安徽 合肥 230601; 3.中國(guó)科學(xué)技術(shù)大學(xué)附屬第一醫(yī)院(安徽省立醫(yī)院) 心血管內(nèi)科,安徽 合肥 230001)

0 引 言

心率是指心臟每分鐘跳動(dòng)的次數(shù),它是評(píng)估人體心血管系統(tǒng)功能的最基本參數(shù)之一,是反映人體生理狀態(tài)的重要指標(biāo)[1]。近幾年,視頻圖像處理技術(shù)與醫(yī)學(xué)領(lǐng)域相結(jié)合,不斷應(yīng)用于醫(yī)療診斷、人體的健康監(jiān)測(cè)和疾病的預(yù)防等多個(gè)方面,對(duì)醫(yī)學(xué)的進(jìn)步和疾病的診療有極大的推動(dòng)作用。心率作為人體最基本也是最重要的生命特征,它不僅可以反映人體健康水平,更是與人的心臟疾病密切相關(guān),因此心率檢測(cè)成為了解人體健康的重要手段[2]。

目前對(duì)心率的主要檢測(cè)方法可以分為接觸式和非接觸式2種。心電信號(hào)等接觸式檢測(cè)設(shè)備比較昂貴且操作相對(duì)復(fù)雜,雖然可以得到比較準(zhǔn)確的心率值,但會(huì)給皮膚有創(chuàng)口或者皮燒傷等患者造成不便,因此難以實(shí)現(xiàn)普通人日常生理信號(hào)的監(jiān)測(cè)。基于光電容積描記術(shù)(photoelectric plethysmography,PPG)的生理信號(hào)檢測(cè)系統(tǒng)雖以其低成本、操作便利等優(yōu)點(diǎn)已在臨床及日常檢測(cè)方面得到廣泛推廣和應(yīng)用,但其主要采用需與人體接觸的傳感器來(lái)獲取信息,需要檢測(cè)設(shè)備與人體緊密貼合,具有較大的局限性。成像式光電容積描記(image photoplethysmography,IPPG)技術(shù)是在PPG 基礎(chǔ)上發(fā)展起來(lái)的一種非接觸生理參數(shù)檢測(cè)技術(shù),該技術(shù)通過(guò)對(duì)人臉視頻圖像的處理提取脈搏波信號(hào)實(shí)現(xiàn)心率信號(hào)的提取,是一種利用成像設(shè)備采集皮膚顏色變化從而實(shí)現(xiàn)心率估計(jì)的方法。IPPG技術(shù)具有非接觸、成本低、安全、操作簡(jiǎn)單等多種優(yōu)勢(shì),具有重要的臨床價(jià)值和生理價(jià)值[3],為遠(yuǎn)程醫(yī)療監(jiān)控的研究提供了一種全新的方向和解決方案。

文獻(xiàn)[4]和文獻(xiàn)[5]最先根據(jù)人體血液中相對(duì)于RGB三色光中血紅蛋白對(duì)綠色光的吸收率更高的原理,提出選擇使用綠色通道的信號(hào)作為心率信號(hào),驗(yàn)證了IPPG技術(shù)的可行性;文獻(xiàn)[6]為消除運(yùn)動(dòng)偽跡,提出基于盲源分離的獨(dú)立分量分析法,從原始的RGB信號(hào)中分離出3個(gè)獨(dú)立分量,并根據(jù)頻率譜分布挑選出最合適的分量作為最終的心率信號(hào);文獻(xiàn)[7]提出一種基于色度的IPPG 算法,將原始RGB信號(hào)映射到假設(shè)的白光下的標(biāo)準(zhǔn)膚色,再將映射信號(hào)投影到正交于白光的平面,消除鏡面反射的影響,該方法對(duì)運(yùn)動(dòng)偽影有較強(qiáng)的魯棒性;文獻(xiàn)[8]提出一種利用歸一化最小均方誤差自適應(yīng)濾波器的方法,通過(guò)背景光照的變化校正臉部光照的變化,同時(shí)剔除了一些受到非剛性運(yùn)動(dòng)影響的信號(hào)段,以獲得較純凈的PPG信號(hào);文獻(xiàn)[9]通過(guò)將人臉劃分為眾多小的網(wǎng)格,并通過(guò)計(jì)算功率譜密度分布來(lái)獲得每個(gè)網(wǎng)格的權(quán)重,獲得加權(quán)融合的PPG信號(hào);文獻(xiàn)[10]提出從人臉視頻中提取原始脈搏波并對(duì)其進(jìn)行小波分解得到不同的尺度成分,然后根據(jù)心跳所在的頻率范圍挑選出滿足要求的尺度成分,最后對(duì)尺度成分進(jìn)行小波重構(gòu)得到所需的脈搏信號(hào);文獻(xiàn)[11]提出可以通過(guò)將獲得的人臉視頻進(jìn)行空間分解,得到不同頻率的視頻成分,再利用泰勒級(jí)數(shù)挑選,經(jīng)過(guò)顏色放大和小范圍的人臉校正來(lái)實(shí)現(xiàn)非合作的面部檢測(cè);文獻(xiàn)[12]提出基于光照矯正的面部局部區(qū)域心率檢測(cè),利用歸一化最小均方自適應(yīng)濾波算法進(jìn)行光照矯正來(lái)去除環(huán)境光照干擾的心率信號(hào),進(jìn)行時(shí)域?yàn)V波和頻譜分析得到心率;文獻(xiàn)[13]提出利用分解算法將由人臉視頻中獲取的血容量脈沖信號(hào)分解為頻率由高頻到低頻,且具有一定帶寬的模態(tài)分量,分別計(jì)算各分量的噪聲,選取低噪聲部分重構(gòu)脈搏波信號(hào)。以上這些算法均只適用于心率檢測(cè)時(shí)使用的相機(jī)是穩(wěn)定的情況下,然而在實(shí)際使用過(guò)程中因手部重力等外部原因?qū)е孪鄼C(jī)產(chǎn)生的晃動(dòng)會(huì)給視頻人臉檢測(cè)帶來(lái)較為強(qiáng)烈的運(yùn)動(dòng)干擾,在相機(jī)晃動(dòng)的場(chǎng)景下的心率檢測(cè)結(jié)果并不理想。

為解決以上問(wèn)題,本文提出一種基于人臉視頻處理的抗干擾心率檢測(cè)方法,目的是盡可能地減輕相機(jī)運(yùn)動(dòng)干擾的影響,提高脈搏信號(hào)的質(zhì)量,從而提高心率檢測(cè)的魯棒性。

1 本文算法

本文提出一種抗相機(jī)晃動(dòng)干擾的心率檢測(cè)算法,該算法以面部視頻為基礎(chǔ),通過(guò)對(duì)晃動(dòng)視頻的運(yùn)動(dòng)估計(jì)和傾斜校正,得到穩(wěn)定的人臉面部視頻。針對(duì)存在相機(jī)晃動(dòng)的人臉面部視頻導(dǎo)致心率檢測(cè)不準(zhǔn)的問(wèn)題,首先通過(guò)加速穩(wěn)健特征(speeded up robust features,SURF)算法選取特征點(diǎn),進(jìn)行特征匹配并求解運(yùn)動(dòng)估計(jì)矩陣,再通過(guò)相機(jī)運(yùn)動(dòng)估計(jì)矩陣對(duì)圖像進(jìn)行校正,從而去除相機(jī)運(yùn)動(dòng)造成的噪聲干擾,最后通過(guò)使用快速傅里葉變換(fast Fourier transform,FFT)分析幅頻特性,最大幅值對(duì)應(yīng)的頻率即為心率的原理進(jìn)行心率檢測(cè)。其中核心模塊分為2個(gè)部分:① 運(yùn)動(dòng)視頻特征匹配與傾斜校正;② 脈搏信號(hào)提取與FFT心率檢測(cè)。算法流程如圖1所示。

圖1 本文算法流程

1.1 全局運(yùn)動(dòng)估計(jì)

本文提出的算法核心在于對(duì)由相機(jī)晃動(dòng)產(chǎn)生視頻的相鄰兩幀間的運(yùn)動(dòng)進(jìn)行校正,得到穩(wěn)定的視頻序列,從而保證心率的準(zhǔn)確檢測(cè)。而視頻幀的傾斜校正首先要做到準(zhǔn)確的運(yùn)動(dòng)估計(jì)。所謂運(yùn)動(dòng)估計(jì),是在特定的相機(jī)運(yùn)動(dòng)模型下確定相機(jī)運(yùn)動(dòng)向量的過(guò)程[14-15]。這些運(yùn)動(dòng)向量是描述連續(xù)視頻幀之間運(yùn)動(dòng)轉(zhuǎn)換的量。常見(jiàn)的運(yùn)動(dòng)估計(jì)算法有塊匹配法[16]、灰度投影法[17]和特征點(diǎn)匹配法[18]等。

塊匹配法基于對(duì)塊內(nèi)運(yùn)動(dòng)一致性的假設(shè),容易陷入局部最優(yōu)的誤區(qū),同時(shí)由于只能估計(jì)平移運(yùn)動(dòng),限制了其在實(shí)際中的應(yīng)用。灰度投影法運(yùn)算速度相對(duì)塊匹配法更快,但對(duì)圖像本身質(zhì)量要求較高,易受局部運(yùn)動(dòng)影響并且對(duì)太過(guò)復(fù)雜的運(yùn)動(dòng)形式無(wú)法進(jìn)行準(zhǔn)確估計(jì)。特征點(diǎn)匹配法是目前使用率極高且估計(jì)相對(duì)準(zhǔn)確的運(yùn)動(dòng)估計(jì)算法,由于針對(duì)實(shí)際場(chǎng)景的手機(jī)心率檢測(cè)需要盡量減少檢測(cè)時(shí)間,本文在進(jìn)行對(duì)比后,選取了基于SURF的特征匹配算法。

1.1.1 特征點(diǎn)提取

計(jì)算相關(guān)Hessian矩陣,當(dāng)Hessian矩陣的判別式取得局部極大值時(shí),確定特征點(diǎn)的位置。給定圖像J中任意一點(diǎn)X(x,y),在該點(diǎn)處尺度為σ的Hessian矩陣定義為:

(1)

1.1.2 特征點(diǎn)方向分配

在獲取的特征點(diǎn)圓形鄰域內(nèi),統(tǒng)計(jì)特征點(diǎn)所在每個(gè)扇形區(qū)域內(nèi)全部水平和垂直2個(gè)方向Harr小波特征總和,其中統(tǒng)計(jì)向量幅值最大區(qū)域所對(duì)應(yīng)方向即為所求特征點(diǎn)主方向。

1.1.3 特征點(diǎn)描述子生成

為了實(shí)現(xiàn)圖像旋轉(zhuǎn)不變性,為每個(gè)特征點(diǎn)設(shè)置一個(gè)具有可重復(fù)性的方向。以每個(gè)特征點(diǎn)為中心建立圓形鄰域,計(jì)算內(nèi)部像素的Haar響應(yīng)值,并進(jìn)行高斯加權(quán),統(tǒng)計(jì)滑動(dòng)扇形窗口內(nèi)的響應(yīng)和,其中向量幅值最大區(qū)域?qū)?yīng)的方向?yàn)樘卣鼽c(diǎn)主方向,沿特征點(diǎn)的主方向在特征點(diǎn)周圍取一個(gè)4×4的矩形區(qū)域塊。在每個(gè)子區(qū)域里得到4維特征向量,將分成的16個(gè)子區(qū)域進(jìn)行累加得到最終的64維特征向量描述子。

1.1.4 特征點(diǎn)匹配

特征匹配主要是計(jì)算所有相鄰視頻幀對(duì)應(yīng)的兩特征點(diǎn)之間歐式距離值的大小,用于代表特征匹配度。距離越小,認(rèn)為匹配度越高,匹配結(jié)果如圖2所示。

圖2 特征匹配結(jié)果

1.1.5 相機(jī)運(yùn)動(dòng)矩陣估計(jì)與圖像校正

完成視頻幀的特征選取和特征匹配后,使用隨機(jī)抽樣一致(random sample consensus,RANSAC)算法[19]估計(jì)視頻相鄰幀間的仿射變換矩陣,該算法可以自動(dòng)判斷出正確的匹配點(diǎn)對(duì),并計(jì)算出第1幅圖像的所有特征點(diǎn)映射到第2幅圖像的運(yùn)動(dòng)模型。其基本數(shù)學(xué)模型為:

(2)

(3)

其中:H表示仿射矩陣,包含6個(gè)自由度;a11、a12、a21、a22表示相鄰幀圖像間的旋轉(zhuǎn)和縮放的部分;a13、a23表示相鄰幀圖像間的平移部分。

輸入原始抖動(dòng)視頻相鄰的兩幀圖像I和圖像J,分別設(shè)定為第t幀和第t+1幀。通過(guò)該仿射變換矩陣依賴第t幀將第t+1幀修正成穩(wěn)定的視頻幀,對(duì)檢測(cè)視頻中的每一幀進(jìn)行處理,具體處理計(jì)算公式如下:

It+1=ItH

(4)

重復(fù)此步驟即可得到穩(wěn)定的面部視頻。

1.2 FFT心率檢測(cè)

隨心臟跳動(dòng),人體皮膚下的血液在流動(dòng)過(guò)程中會(huì)導(dǎo)致人臉面部有肉眼難以看到的明暗變化。在RGB三色光中,綠色光的反射強(qiáng)度變化最大,對(duì)血液流動(dòng)的變化最敏感,因此皮膚血液容積的變化會(huì)導(dǎo)致 G通道發(fā)生更大的波動(dòng),對(duì)應(yīng)RGB顏色模型下G通道像素值變化最大[20]。同時(shí)為避免眨眼等動(dòng)作帶來(lái)的噪聲干擾,直接選取眼部以下面頰位置作為人臉感興趣區(qū)域(region of interest,ROI),并對(duì)視頻每一幀圖像的ROI區(qū)域進(jìn)行RGB三基色分離。只計(jì)算G通道像素平均值,提取出血液容積脈沖波B,即:

B={bn|n=1,2,3,…}

(5)

其中,bn為第n幀圖像G通道的像素平均值。

心率估計(jì)中最常用的方法是使用FFT來(lái)分析幅頻特性。短時(shí)間的血液容積脈搏(blood volume pulse,BVP)波信號(hào)可以近似看作是周期信號(hào),因此使用FFT對(duì)BVP進(jìn)行幅度譜分析,BVP波幅度圖譜如圖3所示,頻率范圍內(nèi)的幅度最高點(diǎn)為峰值對(duì)應(yīng)的橫坐標(biāo),即為心跳頻率fh。心率Hr的計(jì)算公式為:

圖3 脈搏波幅度圖譜

Hr=60fh

(6)

2 實(shí)驗(yàn)結(jié)果

2.1 實(shí)驗(yàn)設(shè)備及數(shù)據(jù)

本文算法是針對(duì)抗攝像頭運(yùn)動(dòng)干擾的心率檢測(cè)方法,因此本實(shí)驗(yàn)將檢測(cè)方法移植到手機(jī)端(MI 10)進(jìn)行實(shí)際場(chǎng)景測(cè)試。具體過(guò)程是控制手機(jī)攝像頭進(jìn)行人臉視頻采集的同時(shí)進(jìn)行實(shí)時(shí)心率的檢測(cè)。要求測(cè)試者目視手機(jī)攝像頭,并與之水平相距約0.5 m,同時(shí)確保人臉完全處于視頻畫面以內(nèi),每次檢測(cè)10 s,現(xiàn)場(chǎng)檢測(cè)示意圖如圖4所示。

圖4 現(xiàn)場(chǎng)檢測(cè)示意圖

20名成年人參與了本次準(zhǔn)確性測(cè)試,包括10名男性和10名女性,在每次測(cè)試中,每位測(cè)試者都進(jìn)行了多次視頻采集和心率檢測(cè)。測(cè)試者佩戴接觸式脈搏血氧儀,在手持植入本文算法的手機(jī)設(shè)備進(jìn)行心率檢測(cè)的同時(shí)測(cè)量真實(shí)心率值作為參考。

2.2 實(shí)驗(yàn)結(jié)果

為了檢驗(yàn)算法的去噪效果,每名測(cè)試者均需參加靜態(tài)實(shí)驗(yàn)和動(dòng)態(tài)實(shí)驗(yàn)2項(xiàng)實(shí)驗(yàn)。在靜態(tài)實(shí)驗(yàn)中,每名測(cè)試者都需要端正地坐在雙手持有測(cè)試機(jī)并錄制1組10 s長(zhǎng)的視頻進(jìn)行心率檢測(cè)。在檢測(cè)過(guò)程中,測(cè)試者的頭部不能出現(xiàn)左右晃動(dòng)或者前后移動(dòng),面部也不能有任何的肌肉運(yùn)動(dòng);在動(dòng)態(tài)實(shí)驗(yàn)場(chǎng)景中,每名測(cè)試者在保證臉部不超出手機(jī)攝像頭錄制范圍的條件下手部進(jìn)行一定程度的晃動(dòng),雙手持有測(cè)試機(jī)并錄制1組10 s長(zhǎng)的視頻進(jìn)行心率檢測(cè)。

本文還復(fù)現(xiàn)了文獻(xiàn)[9-11]提出的3種非接觸式心率檢測(cè)算法,分別利用這3種算法和本文算法測(cè)試采集到的視頻,將4種算法的檢測(cè)結(jié)果進(jìn)行對(duì)比。將實(shí)驗(yàn)結(jié)果采用5種指標(biāo)對(duì)本文的心率檢測(cè)方法進(jìn)行全方面的定量評(píng)價(jià)。

(7)

(8)

第2個(gè)指標(biāo)為誤差的標(biāo)準(zhǔn)差,記作Sde:

(9)

第3個(gè)指標(biāo)為誤差的均方根誤差,記作RMSE:

(10)

第4個(gè)指標(biāo)為心率結(jié)果的平均準(zhǔn)確率Hrac:

(11)

第 5 個(gè)指標(biāo)為心率真實(shí)值與論文中使用算法的測(cè)量值之間的皮爾森相關(guān)系數(shù)r,其值越接近1,表明正相關(guān)性越強(qiáng)。

(12)

2.2.1 人臉靜止與晃動(dòng)時(shí)心率檢測(cè)性能比較

在靜態(tài)實(shí)驗(yàn)中,測(cè)試者雙手保持靜止?fàn)顟B(tài)測(cè)得心率性能數(shù)據(jù)見(jiàn)表1所列。從表1可以看出,這4種算法的Sde都小于2,Hrac的值都超過(guò)了97%,相關(guān)系數(shù)r的值也都大于0.960,實(shí)驗(yàn)數(shù)據(jù)表明,在手部靜止的情況下,4 種算法都表現(xiàn)出很好的性能,但是本文提出算法具有更優(yōu)越的性能。本文算法的Me、Sde、RMSE、Hrac4個(gè)參數(shù)的值都低于其他3種算法,參數(shù)r的值都高于其他算法。由上述數(shù)據(jù)可以看出,當(dāng)測(cè)試者的手部保持靜止時(shí),這4種算法都可以有效地從視頻中提取出實(shí)時(shí)心率值,并且準(zhǔn)確率都在95%以上,但本文提出的算法相比其他3種方法更有優(yōu)勢(shì),其原因可能是:在手持設(shè)備檢測(cè)過(guò)程中,測(cè)試者雖然盡量保持手部靜止,但是仍有微弱的手部抖動(dòng),這些抖動(dòng)雖然不易被人眼看到,但是卻能夠干擾到BVP波信號(hào)質(zhì)量,進(jìn)而影響到心率的準(zhǔn)確估計(jì)。而本文復(fù)現(xiàn)的其余3種心率檢測(cè)算法中,文獻(xiàn)[11]算法由于采用了小幅度的人臉校正方法,結(jié)果比文獻(xiàn)[9]和文獻(xiàn)[10]稍好。

表1 靜態(tài)實(shí)驗(yàn)中不同算法的性能對(duì)比

在測(cè)試者手部進(jìn)行晃動(dòng)的動(dòng)態(tài)實(shí)驗(yàn)中,心率測(cè)試性能的結(jié)果見(jiàn)表2所列。從表2可以看出:文獻(xiàn)[9-11]算法的性能相比靜態(tài)場(chǎng)景測(cè)試性能明顯降低;文獻(xiàn)[11]算法的Me都大于 6,Hrac都大于7,均方誤差都超過(guò)6,Sde都小于91%;文獻(xiàn)[9]算法的Hrac甚至只達(dá)到 82%,r的值都沒(méi)有達(dá)到0.800,而本文算法的Me、Sde等3個(gè)參數(shù)值明顯低于其他2種算法,并且都小于4,Hrac達(dá)到了94.52%,r的值更是接近0.960。由上述數(shù)據(jù)可以看出,當(dāng)測(cè)試者的相機(jī)出現(xiàn)運(yùn)動(dòng)時(shí),其他3種算法檢測(cè)心率的準(zhǔn)確率均明顯降低,其中文獻(xiàn)[11]算法雖用小范圍的角度改變來(lái)進(jìn)行人臉校正去除運(yùn)動(dòng)干擾,但是在環(huán)境和面部同時(shí)發(fā)生晃動(dòng)時(shí),其算法只對(duì)人臉跟蹤進(jìn)行簡(jiǎn)單校正,算法性能會(huì)有明顯降低,無(wú)法進(jìn)行準(zhǔn)確心率檢測(cè),而本文算法采用對(duì)圖像的整體進(jìn)行傾斜校正,表現(xiàn)出強(qiáng)大的抗相機(jī)運(yùn)動(dòng)干擾能力,因此仍然能夠保持良好的性能。

表2 動(dòng)態(tài)實(shí)驗(yàn)中不同算法的性能對(duì)比

2.2.2 算法穩(wěn)定性比較

真實(shí)場(chǎng)景下的心率檢測(cè)需要考慮檢測(cè)時(shí)間的長(zhǎng)短,基于該問(wèn)題設(shè)計(jì)了以下實(shí)驗(yàn)來(lái)驗(yàn)證算法的性能。首先,設(shè)置相機(jī)幀數(shù)為30幀/s,普通室內(nèi)光源下,分別對(duì)5、10、20、40、60 s時(shí)長(zhǎng)的相機(jī)相對(duì)靜止的視頻和相機(jī)晃動(dòng)的視頻進(jìn)行心率檢測(cè),計(jì)算不同視頻時(shí)長(zhǎng)下的心率準(zhǔn)確率,結(jié)果如圖5和圖6所示。

圖5 靜止場(chǎng)景中不同時(shí)長(zhǎng)下的準(zhǔn)確率

圖6 運(yùn)動(dòng)場(chǎng)景中不同時(shí)長(zhǎng)下的準(zhǔn)確率

由圖5、圖6可知,2種場(chǎng)景中,隨著檢測(cè)時(shí)間的減少,4種算法的心率準(zhǔn)確率都呈現(xiàn)出下降的趨勢(shì),檢測(cè)時(shí)間減少到5 s時(shí),平均準(zhǔn)確率下降最嚴(yán)重,原因是在5 s時(shí)長(zhǎng)下樣本的周期數(shù)目太少,頻率分辨率太差,心率檢測(cè)的準(zhǔn)確率不可避免地會(huì)有所下降。從圖6可以看出,在相機(jī)晃動(dòng)場(chǎng)景中其余3種算法的平均準(zhǔn)確率不到90%,雖然本文算法也呈現(xiàn)下降趨勢(shì),但下降曲線相對(duì)更平緩,穩(wěn)定性更好,在晃動(dòng)場(chǎng)景中本文算法的優(yōu)勢(shì)更為顯著。同時(shí)可以發(fā)現(xiàn),檢測(cè)時(shí)長(zhǎng)大于10 s時(shí),采樣點(diǎn)足夠多,頻率分辨率較好,準(zhǔn)確率較高且上下浮動(dòng)不大,是心率檢測(cè)比較好的時(shí)間段。

2.2.3 連續(xù)時(shí)間的心率監(jiān)測(cè)結(jié)果

長(zhǎng)時(shí)間的心率監(jiān)測(cè)在反映心臟功能狀態(tài)的變化具有重要的意義。本文設(shè)計(jì)了一個(gè)對(duì)測(cè)試者進(jìn)行連續(xù)10 min的心率監(jiān)測(cè)。要求測(cè)試者在前5 min保持靜止,5～10 min晃動(dòng)手部,最后使用本文算法以10 s為間隔,連續(xù)獲取60個(gè)心率測(cè)量值,同時(shí)在此過(guò)程中不斷記錄真實(shí)心率,獲得心率連續(xù)檢測(cè)結(jié)果如圖7所示。

圖7 心率連續(xù)檢測(cè)結(jié)果

從整體來(lái)看,本文心率檢測(cè)算法的心率值雖部分與真實(shí)值有偏移,但變化規(guī)律與真實(shí)心率的變化相吻合。從局部來(lái)看,在保持相機(jī)靜止的前5 min,與真實(shí)心率的差值明顯較小,而在進(jìn)行有意手部晃動(dòng)的后5 min,心率偏移明顯增大,但仍在可接受范圍以內(nèi),符合變化規(guī)律,這正是由于本文算法削弱了相機(jī)晃動(dòng)的干擾,使得心率偏差在相對(duì)穩(wěn)定的范圍,即使偏差較大,但仍然保持了心率的變化規(guī)律。

3 結(jié) 論

本文提出了一種抗相機(jī)運(yùn)動(dòng)干擾的心率檢測(cè)算法,利用SURF特征點(diǎn)檢測(cè)進(jìn)行運(yùn)動(dòng)估計(jì),利用RANSC算法進(jìn)行仿射變換,從而得到穩(wěn)定的人臉面部視頻,最后進(jìn)行FFT心率檢測(cè),實(shí)現(xiàn)了準(zhǔn)確的心率估計(jì)。本文還復(fù)現(xiàn)了其他3種心率檢測(cè)算法,對(duì)比發(fā)現(xiàn),無(wú)論是在靜態(tài)還是動(dòng)態(tài)情境下本文算法都有良好的表現(xiàn),是一種穩(wěn)定的抗相機(jī)干擾的心率檢測(cè)算法。

在實(shí)際檢測(cè)過(guò)程中,相機(jī)晃動(dòng)可能會(huì)導(dǎo)致視頻模糊乃至嚴(yán)重失真,這會(huì)嚴(yán)重影響到本文算法的檢測(cè)性能,在未來(lái)的研究中將繼續(xù)針對(duì)大幅度的晃動(dòng),如車載心率檢測(cè)等方向深入研究,不斷提升算法魯棒性。