基于面部视频分析的生命体征检测

在面部视频中提取生命体征相关的生理信号时易受环境光和受试者头部运动的影响,为了降低外界干扰并提高生命体征检测的准确度,提出了一种联合集合经验模态分解(EEMD)算法与信号质量检测的面部视频分析方法,用于精确检测人体的心率与呼吸频率等生命体征。通过公开数据集进行实验验证,实验结果表明,所提方法相较于目前已有的常用信号处理方法能够得到更精确的心率与呼吸频率的估计值,所得估计值与标准值的相关系数分别高于0.9和0.8。同时,所提方法将为实时活体人脸识别提供一种思路,也有助于丰富监控视频智能分析的应用研究。

自适应去噪的非接触式生理参数检测方法

成像式光电容积描记法(imaging Photoplethysmography,iPPG)是一种利用视频信号实现非接触式生理参数检测的方法,但该方法的性能易受外界条件影响,尤其对环境光变化及受试者头部运动等噪声敏感。为了消除噪声影响,根据噪声信号和iPPG信号的时频特性,提出了一种基于变分模态分解(Variational Mode Decomposition,VMD)的相关能量熵阈值自适应去噪与方差表征序列(Variance Characterization Series,VCS)的抗干扰非接触式生理参数信号获取方法。利用分解算法将由人脸视频中获取到的血容量脉冲信号分解为频率由高频到低频且具有一定带宽的模态分量。分别计算各个模态分量子区间的噪声能量熵从而获得该分量的阈值,再经阈值处理得到重构的去噪信号。利用VCS方法检测重构后的信号的质量从而自适应地选择信号分析方法,实现心率和呼吸率的生理参数的精确估计。在公开数据集和自采数据集上进行验证实验,实验结果表明,提出的方法对环境光与头部运动干扰有着较强的稳健性,相比目前已有的方法能够得到更精确的心率与呼吸率估计值。