【技术实现步骤摘要】
本专利技术涉及视频图像处理和心率检测，具体地说，本专利技术涉及一种在复杂条件下进行视频心率检测方法及检测系统。
技术介绍
1、在现代社会中，人们对于个人健康的关注越来越高，其中心率作为一个重要的生理指标被广泛用于健康监测和医学诊断。心率的准确检测在医疗领域、运动健身领域以及智能可穿戴设备等方面都具有重要的应用价值。
2、目前，常见的心率检测方法主要包括传统的心电图(ecg)和光学式脉搏检测。然而，这些方法在实际应用中存在一些局限性。心电图需要密切贴合皮肤，并使用电极进行测量，操作繁琐，不适合长时间的监测。而光学式脉搏检测则容易受到环境光线和运动伪影的干扰，导致心率检测的准确性下降。
3、在光学式脉搏检测的技术路线中，为了减小上述一系列的干扰影响，已经有了一些解决方法。
4、南京理工大学在其申请的专利文献“一种基于面部视频的心率变异性提取方法”(专利申请专利号：cn202310361095.9，公开号：cn116421161a)中公开了一种基于面部视频的心率变异性提取方法。该方法通过滑窗提取脸颊区域每15秒的rppg脉搏波信号，按心率构建动态滤波器，并将滤波后的波形按时间点累加，构建重构波形模板。同时检测原始rppg波形的错误点，利用模板进行波形替换校正，生成重构波形。最后提取波形峰值计算心率变异性。本专利技术提出的方法能够有效减少rppg信号的干扰成分，获取更准确的心率变异性。虽然解决了一定程度上的噪声干扰，但该方法的信号提取依赖面部感兴趣区域(region ofinterest,roi)。若
5、华南理工大学在其申请的专利文献“一种面向面部有遮挡场景的非接触式心率检测方法”(专利申请专利号：cn202310160680.2，公开号：cn116458861a)中公开了一种面向面部有遮挡场景的非接触式心率检测方法。该方法通过分块的三维残差神经网络，提取基于相关系数的分块权重与分块频域特征聚类中心，将基于相关系数的分块权重和基于聚类的分块权重进行加权求和，获取最终检测心率。该方法克服了在面部被部分遮挡的场景下非接触式心率检测方法精度下降等问题。但该方法仍然存在的不足之处是：该方法需要先将视频输入神经网络进行前向计算，计算复杂度较高，实时性较低。
6、尽管上述改良方法在一定程度上提高了光学式脉搏检测的性能，但仍然存在对抗遮挡物和处理低质量视频图像等复杂条件下心率检测的挑战。为了解决这些问题，本专利技术提出了一种全新的视频心率检测方法与系统，突破了传统方法的限制，能够在复杂条件下进行快速准确可靠的心率检测。
技术实现思路
1、本专利技术提供了一种在复杂条件下进行视频心率检测方法及检测系统，该方法结合了多种技术手段，有效解决了传统方法在光线干扰、运动伪影和图像质量不佳等情况下的问题。
2、本专利技术是通过以下技术方案实现的：一种在复杂条件下进行视频心率检测方法，其特征在于，其步骤为：
3、s1、使用摄像头作为视频采集模块，获取包含人脸信息的视频图像；
4、s2、利用生成式网络对视频帧中的低质量图像进行修复；
5、2.1、将s1步骤得到视频图像拆分为连续视频帧序列x＝{x0,x1,…,xt,…xt-1},xt代表人脸视频第t帧对应的视频帧图像，t代表视频的总帧数；
6、2.2、使用预训练的生成式网络模型对视频帧序列x进行逐帧的图像修复，得到更多细节和更好标识的图像序列p＝{p0,p1,…,pt,…pt-1}；
7、2.3、以视频输入帧率为基准，将修复后的图像序列p重新组合；
8、s3、使用人脸检测算法获取视频帧中的人脸标志点，选取前额和脸颊部分作为感兴趣区域，得到平均rgb脉搏信号；
9、3.1、利用预训练的人脸检测模型，对于每一帧图像检测出人脸的68个检测点的位置，利用这68个点的检测位置计算出人脸的前额和脸颊位置；
10、3.2、从所得到的感兴趣区域中分理处红色通道信号、绿色通道信号、蓝色通道信号，求出rgb三个分量的平均值作为观测信号；
11、s4、运用分割模型制作掩膜，去除人脸感兴趣区域内的干扰物；
12、4.1、对s2步骤得到的修复后的图像序列p＝{p0,p1,…,pt,…pt-1}进行逐帧的处理，利用68个检测点计算出包含完整头发信息的人脸上半图像；
13、4.2、将包含完整头发信息的人脸上半图像利用预训练的分割模型，利用公式制作掩膜实现头发部分的分割；
14、s5、获取感兴趣区域的平均rgb脉搏信号，计算原始脉搏波信号；
15、s6、通过去趋势滤波、小波滤波和卡尔曼滤波技术，对脉搏波信号进行处理；
16、s7、基于规定时间内脉搏波信号中的波峰数，估算用户的心率值；
17、s8、最终输出单一稳健的心率值。
18、所述的在复杂条件下进行视频心率检测方法的视频心率检测系统，包括摄像头、生成式网络、人脸检测算法、分割模型、滤波器和心率计算模块；
19、所述的生成式网络通过训练得到的模型对低质量图像进行修复；
20、所述的分割模型通过图像分割技术，去除人脸感兴趣区域的干扰因素；
21、所述的滤波器包括去趋势滤波器、小波滤波器和卡尔曼滤波器，用于对脉搏波信号进行多层次的滤波处理；
22、所述的心率计算模块通过计算规定时间内脉搏波信号中的波峰数，估算用户的心率值，最终输出单一稳健的心率值。
23、摄像头采集包含人脸信息的视频帧，并将其传递给生成式网络模块；生成式网络修复低质量图像，随后将修复后的图像传递给人脸检测算法模块，该模块定位人脸位置和特征点，给出位于前额和脸颊的区域图像信息并传递给分割模型模块；分割模型分割出传入区域的头发部分并制作掩膜，去除区域内的头发的干扰，并将处理后的图像信号传入心率估计模块；心率估计模块通过去除干扰的感兴趣区域的红绿蓝三色通道的均值变化初步估计得到脉搏波信号，并将估计得到的数值传入滤波器模块；滤波器模块使用多层次的滤波技术处理脉搏波信号，去除环境干扰和噪声；最后，心率计算模块基于滤波后的脉搏波信号，计算规定时间内的波峰数，得到用户的心率值。
24、本专利技术创造有益效果：
25、本专利技术通过上述方法，通过深度学习技术提高了人体骨骼点坐标和纹理的准确性，同时利用关键帧选择和分割得到的纹理映射方法提高了人体表面材质重建的准确性和可靠性。同时，本专利技术还提供了一种高效的人体表面材质重建方法，可以在较短的时间内生成高质量的人体表面材质重建结果。
本文档来自技高网...【技术保护点】
1.一种在复杂条件下进行视频心率检测方法，其特征在于，其步骤为：
2.根据权利要求1所述的一种在复杂条件下进行视频心率检测方法，其特征在于，所述的S2中，具体方法为：
3.根据权利要求1所述的一种在复杂条件下进行视频心率检测方法，其特征在于，所述的S3中，具体方法为：
4.根据权利要求1所述的一种在复杂条件下进行视频心率检测方法，其特征在于，所述的S4中，具体方法为：
5.包括权利要求1-4任意一项所述的在复杂条件下进行视频心率检测方法的视频心率检测系统，其特征在于，包括摄像头、生成式网络、人脸检测算法、分割模型、滤波器和心率计算模块；
6.根据权利要求5所示的视频心率检测系统，其特征在于：摄像头采集包含人脸信息的视频帧，并将其传递给生成式网络模块；生成式网络修复低质量图像，随后将修复后的图像传递给人脸检测算法模块，该模块定位人脸位置和特征点，给出位于前额和脸颊的区域图像信息并传递给分割模型模块；分割模型分割出传入区域的头发部分并制作掩膜，去除区域内的头发的干扰，并将处理后的图像信号传入心率估计模块；心率估计模块通过去除
...【技术特征摘要】
1.一种在复杂条件下进行视频心率检测方法，其特征在于，其步骤为：
2.根据权利要求1所述的一种在复杂条件下进行视频心率检测方法，其特征在于，所述的s2中，具体方法为：
3.根据权利要求1所述的一种在复杂条件下进行视频心率检测方法，其特征在于，所述的s3中，具体方法为：
4.根据权利要求1所述的一种在复杂条件下进行视频心率检测方法，其特征在于，所述的s4中，具体方法为：
5.包括权利要求1-4任意一项所述的在复杂条件下进行视频心率检测方法的视频心率检测系统，其特征在于，包括摄像头、生成式网络、人脸检测算法、分割模型、滤波器和心率计算模块；
6.根据权利要求5...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。