【技术实现步骤摘要】
本专利技术属于非接触式人员健康检测领域，涉及一种采用计算机视觉技术的无人机非接触式人员心率及呼吸频率检测方法。本专利技术还涉及一种无人机非接触式人员心率及呼吸频率检测系统。
技术介绍
1、对人员生命体征的有效检测是维护健康的重要前提，而心率和呼吸频率作为最重要的两个参数，每次的检测是必不可少的，传统的方法是需要在皮肤表面粘贴电极或是戴血氧来监测呼吸运动，无法达到长时间检测。在心跳检测方面，国内外大多采用接触式心电监护仪进行实时监测。除此之外，电极或传感器必须由医务人员定期消毒或更换，也增加了医务人员的负担。因此，为了解决这一问题，探索出了一个新的方案即非接触式检测技术。非接触式检测是指在不接触人体的情况下，通过检测人体生理活动所引起的各种微动，实现远距离的对人体进行生命体征信号的检测，进而获取各类生理信息。
2、现有的非接触式检测都是用于日常环境的监测，在面对高原地区、山地峡谷及城市巷战等复杂作战环境的侦察需求中，搜救人员无法第一时间搜寻到伤员，即使在搜救到伤员也无法采集伤员的生命特征，导致大多数伤员不能及时得到搜救救援。为了解决这一问题，本研发是基于无人机
下，可以实现对伤员非接触式心率、呼吸频率检测，以此来保障伤员的生命体征状态，得到及时救援。
技术实现思路
1、为了克服现有技术无法对复杂作战环境中伤员的生命体征状态检测的缺陷，本专利技术提供了一种在面对复杂作战环境可及时搜救伤员且能够在搜救的同时采集到伤员的生命特征的无人机非接触式人员心率及呼吸频率检测方法。
2、本专利技术为了实现上述目的所采用的技术方案是：
3、一种无人机非接触式人员心率及呼吸频率检测方法，包括以下步骤：先利用无人机对人员进行搜索定位后，使用高帧率摄像设备采集人员视频数据，然后针对采集到的人员视频数据，使用计算机视觉技术，基于人员脸识别和光学流量检测原理，通过分析面部皮肤的微小颜色变化，推测出人员心率信息，基于图像处理和人员面部运动变化，通过分析面部微表情变化，推测出人员呼吸信息。
4、进一步地，所述推测出人员心率信息的具体过程如下：
5、①信号采集：根据rppg信号采集到的人体视频数据，首先检测人脸及人员面部地标，地标内的像素值被保留，而其他像素值则被填充为0，然后对人脸图像进行裁剪和重塑，形成k×k图像，我们将第i个视频流和ppg数据分别定义为x(i)和t(i)，其中x(i)t(i)是从任务(x(i)，t(i))～p(t)的分布中抽样得到，将连续的t帧人脸图像聚合成一个序列，得到我们的网络输入数据，人脸序列与ppg信号t配对使用放置在食指下的ppg传感器采集，每个样本tt是否与人脸序列x的每一帧时间对齐t在收集过程中，网络的输出是rppg信号y∈rt是一种估计ppg信号有一个小的时间偏移引起的颈动脉-径向脉冲波速度；
6、②信号提取：在得到网络输入数据后，通过远程心率估计学习框架进行建模，所述远程心率估计元学习框架包括三个模块：卷积编码器、rppg估计器和合成梯度发生器，为了推断rppg信号，将只使用卷积编码器和rppg估计器，而合成梯度发生器将只在转导学习中使用；
7、③信号预处理：在信号提取后，需要对rppg信号进行预处理，以降低噪声和伪影的影响，所述信号预处理方法包括滤波方法、去噪算法和运动伪迹消除；所述滤波方法有均值滤波、中值滤波，去噪算法采用小波变换、低通滤波；为了降低运动伪迹，通过运动补偿算法或者相位调整来抵消运动伪迹的影响；
8、④频谱分析：在信号预处理后，先通过频谱分析以获得脉搏信号的频域特征；傅里叶变换将信号分解成不同的频率分量，实际上是将信号拆分成许多不同振幅和频率的正弦波组合而成的，使得我们可以更好地理解信号的频率特性和周期性；然后脉博信号进过滤波、采样、a/d转换等处理变为数字信号；最后，根据离散博立叶变换，运用matlab方针软件计算其瞬时频谱，求得期功率，选择总能量定义为0～40h运用脉博信号的功率谱能量和谱能比的计算，通过频谱分析，我们可以观察到频率区间内的峰值波动，从中提取心率信息；
9、⑤心率计算：在频谱分析得到的频域信息中，脉搏信号为主频率峰值，通过计算峰值位置，我们可以计算出心率，一种常见的方法是选择主频率峰值位置作为心率估计，心率的计算公式为：心率(bpm)＝峰值频率*60。
10、更进一步地，所述远程心率估计学习框架建模的步骤是：
11、(1)卷积编码器，为了从图像流中提取潜在特征，我们使用一个由cnn建模的特征提取器fθ(·)，给定t帧的输入流，卷积编码器跨帧共享：pθ(zi|xi)＝fθ(xi)，给出t独立的潜在特征分布{pθ(zi|xi)}t+ti＝t，将其反馈给rppg估计器，以对rppg信号的时间视觉信息进行建模；
12、(2)rppg估计器是从输入图像流中提取的潜在特征，然后传递给由lstm-mlp模块建模的rppg估计器，分裂背后的直觉是将负责视觉建模的参数从负责rppg信号估计的参数中分离出来，通过对潜在特征的时间建模来完成：
13、
14、(3)合成梯度发生器，为了在部署过程中快速适应模型的参数，引入了一种由浅沙漏网络建模的合成梯度生成器，并增加lstm中发现的长序列的反向时间传播(bptt)，然后将其应用于few-shot学习框架，为末标记的样本生成梯度，我们的合成梯度生成器试图从输出l的有序回归损失反向传播到z处的梯度建模ord(y，t)：
15、
16、我们的网络设计用于利用时空信息，通过上述卷积编码器建模视觉信息，然后使用lstm rppg估计器建模ppg信号的估计，我们把这种方法命名为meta-rppg；
17、在部署meta-rppg期间，必须考虑观察模型建模的输入样本的可能性，一个可能的解决方案是通过引入预处理步骤，尝试将输入数据投射到模型所覆盖的公共分布中，对于任何预处理技术来说，在部署过程中考虑包含所有可能场景的无限大的分布几乎是不可能的，为了应对分布上的转移，提出了转导推理方法，为卷积编码器f提供梯度θ(·)部署期间。
18、优选的，所述转导推理方法是通过使用在训练期间建模的生成器生成合成梯度，在推理过程中为模型的权值更新生成梯度，该生成器对使用顺序损失l的最终输出的反向传播梯度进行建模ord(y，t)，直到特征提取器z的输出，原型的距离最小器产生梯度，迫使分布外的样本向分布内样本的中心移动可以简单地说为：lordord(y，t)作为合成梯度发生器gψ(z)试图模拟我们可以观察到它在特征提取器参数梯度更新的链式法则中的作用；
19、
20、在训练的学习阶段，我们可以通过最小化以下目标函数来更新我们的合成梯度生成器的权值：
21、式中ψ的权值更新为：
22、优选的，所述转导推理方法是试图最小化不同任务之间的原型距离，其假设是rppg估计量hφ(·本文档来自技高网...
【技术保护点】
1.一种无人机非接触式人员心率及呼吸频率检测方法，其特征在于，包括以下步骤：先利用无人机对人员进行搜索定位后，使用高帧率摄像设备采集人员视频数据，然后针对采集到的人员视频数据，使用计算机视觉技术，基于人员脸识别和光学流量检测原理，通过分析面部皮肤的微小颜色变化，推测出人员心率信息，基于图像处理和人员面部运动变化，通过分析面部微表情变化，推测出人员呼吸信息。
2.根据权利要求1所述的无人机非接触式人员心率及呼吸频率检测方法，其特征在于，所述推测出人员心率信息的具体过程如下：
3.根据权利要求1所述的无人机非接触式人员心率及呼吸频率检测方法，其特征在于，所述远程心率估计学习框架建模的步骤是：
4.根据权利要求3所述的所述的无人机非接触式人员心率及呼吸频率检测方法，其特征在于，所述转导推理方法是通过使用在训练期间建模的生成器生成合成梯度，在推理过程中为模型的权值更新生成梯度，该生成器对使用顺序损失L的最终输出的反向传播梯度进行建模ORD(y,t),直到特征提取器z的输出,原型的距离最小器产生梯度,迫使分布外的样本向分布内样本的中心移动可以简单地说为:
5.根据权利要求3所述的所述的无人机非接触式人员心率及呼吸频率检测方法，其特征在于，所述转导推理方法是试图最小化不同任务之间的原型距离,其假设是rPPG估计量hφ(·)只负责rPPG信号的估计；具体步骤如下：
6.根据权利要求1所述的所述的无人机非接触式人员心率及呼吸频率检测方法，其特征在于，所述推测出人员呼吸信息的具体过程如下：
7.根据权利要求6所述的所述的无人机非接触式人员心率及呼吸频率检测方法，其特征在于，
8.根据权利要求7所述的所述的无人机非接触式人员心率及呼吸频率检测方法，其特征在于，第二提取子单元包括：
9.根据权利要求7所述的无人机非接触式人员心率及呼吸频率检测方法，其特征在于，所述呼吸区域提取的步骤如下:在完成呼吸微小变化放大之后,呼吸区域时域上亮度值变化幅度增大,根据放大后视频帧像素点时域上亮度值的变化可实现对呼吸区域的提取；物体在运动过程中伴随着视频帧对应位置像素点亮度通道上发生变化,所以经过呼吸微小变化放大后,相对于皮肤其它区域,呼吸部位所对应的像索的亮度值幅度变化明显较大，因此对视频前1秒30帧像素亮度值根据方差计算公式作时域上像素点亮度方差统计,统计结果以亮度方差统计灰度图表示,其中灰度值较高的表示该像素点亮度变化幅度较大，同时对呼吸微小变化放大后的视频帧进行皮肤区域提取,提取结果与亮度方差统计灰度图进行逻辑与运算,去除人脸背景方差,避免可能存在的复杂运动背景和皮肤边缘部分对后续处理产生影响,以便进一步确定呼吸产生形变的位置；最后,根据去除背景方差图和图像形态学处理进行呼吸区域定位,从而实现呼吸区域提取。
10.一种无人机非接触式人员心率及呼吸频率检测系统，其特征在于，包括
...【技术特征摘要】
1.一种无人机非接触式人员心率及呼吸频率检测方法，其特征在于，包括以下步骤：先利用无人机对人员进行搜索定位后，使用高帧率摄像设备采集人员视频数据，然后针对采集到的人员视频数据，使用计算机视觉技术，基于人员脸识别和光学流量检测原理，通过分析面部皮肤的微小颜色变化，推测出人员心率信息，基于图像处理和人员面部运动变化，通过分析面部微表情变化，推测出人员呼吸信息。
2.根据权利要求1所述的无人机非接触式人员心率及呼吸频率检测方法，其特征在于，所述推测出人员心率信息的具体过程如下：
3.根据权利要求1所述的无人机非接触式人员心率及呼吸频率检测方法，其特征在于，所述远程心率估计学习框架建模的步骤是：
4.根据权利要求3所述的所述的无人机非接触式人员心率及呼吸频率检测方法，其特征在于，所述转导推理方法是通过使用在训练期间建模的生成器生成合成梯度，在推理过程中为模型的权值更新生成梯度，该生成器对使用顺序损失l的最终输出的反向传播梯度进行建模ord(y,t),直到特征提取器z的输出,原型的距离最小器产生梯度,迫使分布外的样本向分布内样本的中心移动可以简单地说为:lordord(y,t)作为合成梯度发生器gψ(z)试图模拟我们可以观察到它在特征提取器参数梯度更新的链式法则中的作用；
5.根据权利要求3所述的所述的无人机非接触式人员心率及呼吸频率检测方法，其特征在于，所述转导推理方法是试图最小化不同任务之间的原型距离,其假设是rppg估计量hφ(·)只负责rpp...
【专利技术属性】
技术研发人员：李翔，李泽宇，王振翼，田帅，
申请(专利权)人：山西龙翔科技有限公司，
类型：发明
国别省市：
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。