(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210904937.6 (22)申请日 2022.07.29 (71)申请人 中南大学 地址 410083 湖南省长 沙市麓山 南路932号 (72)发明人 喻罡　肖嘉莹　孙凯　白冰倩　 (74)专利代理 机构 长沙朕扬知识产权代理事务 所(普通合伙) 43213 专利代理师 周云喆 (51)Int.Cl. G06V 20/40(2022.01) G06V 40/16(2022.01) G06V 10/25(2022.01) G06V 10/26(2022.01) G06V 10/74(2022.01) G06V 10/774(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) A61B 5/0205(2006.01) (54)发明名称 一种基于红外视频的生理参数鲁棒性检测 方法 (57)摘要 本发明公开了一种基于红外视频的生理参 数鲁棒性检测方法， 运用图像配准从待检测对象 的各个时序图像帧中建立稳定的时序图像帧序 列。 从稳定的时序图像帧序列抽取感兴趣区域内 各个像素点的像素数据， 构建感兴趣区域内各个 像素点的时序像素序列； 对于每一个像素点的时 序像素序列， 将时序像素序列分割成若干个长度 为m的子集， 每个子集同一位置像素数据处于生 理周期的同一时序。 将所有子集中位于相同位置 的像素数据进行平均处理， 得到像素点的高信噪 比的时间序列数据； 将感兴趣区域内所有像素点 时间序列数据输入至基于深度学习的生理参数 预测模型， 得到待检测对象的生理参数。 本发明 通过相似性测量以及时间序列切割平均方法， 能 提高检测的精确度。 权利要求书3页 说明书6页 附图3页 CN 115147769 A 2022.10.04 CN 115147769 A 1.一种基于红外 视频的生理参数鲁棒 性检测方法， 其特 征在于， 包括以下步骤： 获取待检测对象的红外视频， 从所述红外视频中提取稳定的时序图像帧序列S＝ {I0， ....IT}， 其中， I0为初始检测时刻t0采集的图像帧， T为所述时序图像帧序列S中最后一 张图像帧的采集时间； 确定待检测对象的感兴趣区域， 并从所述时序图像帧序列S的各个时序图像帧中抽取 所述感兴趣区域内各个像素点的像素数据， 构建所述感兴趣区域内各个像素点的时序像素 序列{Pij， 0， ....Pij， T}， 其中， P表示像素值， ij为像素点的坐标， 0 ‑T为像素点采集时间； 对于每一个 像素点的时序像素序列 {Pij， 0， ....Pij， T}： 将所述时序像素序列{Pij， 0， ....Pij， T}分割成若干个长度为m的子集{Pij， 0， ....Pij， m‑1}， {Pij， m， ....Pij， 2m‑1}， ...， {Pij， (n‑1)m， ....Pij， nm‑1}； 其中， nm≤T， n为分割获得的 子集个数； 将所有子集中位于相同位置的像素数据进行平均处理， 得到所述像素点的一条高信噪 比的时间序列数据 将感兴趣区域内所有像素点的高信噪比的时间序列数据 输入至预先 构建好的、 基于深度学习的生理参数 预测模型， 得到待检测对象的生理参数。 2.根据权利要求1所述的基于红外视频的生理参数鲁棒性检测方法， 其特征在于， 所述 稳定的时序图像帧序列是指以图像帧I0为比较对象， 所述时序图像帧序列中的其它图像帧 均与图像帧I0相似， 所述时序图像帧序列中不存在检测对象以及检测条件发生明显变化的 图像帧。 3.根据权利要求2所述的基于红外视频的生理参数鲁棒性检测方法， 其特征在于， 从所 述红外视频中提取 稳定的时序图像帧序列S＝{I0， ....IT}， 具体包括以下步骤： 将采集到的红外图像视频分割成图像帧， 以初始采集时刻t0的图像帧I0为起始位置， 图 像帧总数为Tmax； 设预提取的稳定序列包括 最少的帧数为Tmin； 按时间采集时间从先至后， 依次将图像帧I0后的连续图像帧分别与图像帧I0尝试进行 图像配准： 对于任一在图像帧I0后的图像帧It， 检测图像帧It和图像帧I0预定的特征点并在两者 之 间尝试进行特征匹配的图像配准， 提取图像帧It相对于图像帧I0的平移量ft和旋转量gt； 其 中， t≥1并且t≤Tmax‑1， 表示图像采集的时间顺序； 将所述平移量ft与预设的阈值fmax进行比较， 将所述旋转量gt与预设的阈值gmax进行比 较， 当所述ft≤fmax， gt≤gmax时， 判断所述图像帧It与图像帧I0相似， 并开始图像帧It+1与图 像帧I0的图像配准， 其中t+1≤Tmax‑1； 若ft≥fmax或gt≥gmax， 并且t＜Tmin， 则舍弃时序t以及其之前的帧图像数据， 将It+1作为 初始I0(I0＝It+1)， 重新新一轮的图像 配准； 若ft≥fmax或gt≥gmax， 并且t≥Tmin， 则停止进 行尝试配准， 提取到长度为T+1的稳定图像 帧序列S＝{I0， I1， ....IT}， T＝t。 4.根据权利要求3所述的基于红外视频的生理参数鲁棒性检测方法， 其特征在于， 基于 最大互信息方式或者相关系数量度对特征匹配过程进 行优化， 使得旋转和平移后的所述图 像帧It与图像帧I0相似性最大。权　利　要　求　书 1/3 页 2 CN 115147769 A 25.根据权利要求1所述的基于红外视频的生理参数鲁棒性检测方法， 其特征在于， 所述 感兴趣区域为符合红外检测条件要求的像素区域； 所述感兴趣区域为人脸或者皮肤中满足 光电容积描记法的像素区域。 6.根据权利要求1所述的基于红外视频的生理参数鲁棒性检测方法， 其特征在于， 所述 生理参数为心率或呼吸率， 对于每一个 像素点的时序像素序列 {Pij， 0， ....Pij， T}： 切割后， 其各子集长度必须超过设定的长度阈值， 且时间序列数据 具有高度的相关性， 各子集的对应时间点的数值对应心动周期或者呼吸率周期的同一时刻点， 即其Pij， 0， Pij， m， ....Pij， (n‑1)m处于心动周期或者呼吸率周期的同一时刻点。 7.根据权利要求1所述的基于红外视频的生理参数鲁棒性检测方法， 其特征在于， 所述 m值的确定包括以下步骤： 分别对每个像素点的时间序列数据进行相关性分析， 求取所述每个像素点的时间序列 数据的最佳分割长度； 计算所述感兴趣区域内所有像素点对应的最佳分割长度均值， 作为所述m值的最优值。 8.根据权利要求7所述的基于红外视频的生理参数鲁棒性检测方法， 其特征在于， 分别 对每个像素点的时间序列数据进 行相关性分析， 求取所述每个像素点的时间序列数据的最 佳分割长度， 具体包括以下步骤： S1、 对于任一像素点的时间序列数据， 设其 起始的切割长度为m＝M， 最大搜索长度为 L； S2、 将时间序列数据Qij分割为子集： Qij， 1＝{Pij， 0， ....Pij， m‑1}， Qij， 2＝{Pij， m， ....Pij， 2m‑1}， ....， Qij， n＝{Pij， (n‑1)m， ....Pij， nm‑1}， nm≤T， n 为分割获得的子集个数； S3、 将序列 子集Qij， 1， Qij， 2， ...， Qij， n两两之间求解相关性系数， 获得关于序列子集的一 组相关性系数后求平均处 理， 得到该像素点对应的平均相关性系数 S4、 令m＝m+1； 如果m＜＝M+L， 则重复步骤S2和S3， 获得平均相关性系数； 否则执行步骤 S5； S5、 从 中找到最大平均相关系数对应的m， 作为所述像素点最佳的分割长 度； 计算所述感兴趣区域内所有像素点对应的最佳分割长度均值， 作为所述m值的最优值， 具体为： 将所有像素点 最佳分割长度的平均值 作为全局最佳分割长度m； 用全局最佳分割长度m划分Qij， 得到若干个的子集{Pij， 0， ....Pij， m‑1}， {Pij， m， ....Pij， 2m‑1}， ...， {Pij， (n‑1)m， ....Pij， nm‑1}； 对所有子集的同一位置的数值进行平均， 得到长 度为m的高信噪比时间序列数据 9.根据权利要求1所述的基于红外视频的生理参数鲁棒性检测方法， 其特征在于， 将感 兴趣区域内所有像素点的高信噪比的时间序列数据 输入至预先构建好的、 基于深度学习的生理参数预测模型前， 还包括将每个像素点的高信噪比的时间序列数据 中的各个数据点进行 标准化的步骤： 计算所述时间序列数据 中所有数据点的平均值以及标准差： 将所述时间序列数据 中每个数据 点减去整个序列的平均值， 除以序列权　利　要　求　书 2/3 页 3 CN 115147769 A 3