抗运动干扰的人脸视频心率估计

该文针对现有的人脸视频心率检测方法在现实情景中受运动干扰难以准确估计心率的问题,提出一种抑制运动干扰的非接触式心率估计新方法。首先利用判别响应图拟合与KLT跟踪算法消除人脸的刚性运动干扰;然后使用对运动鲁棒的色度特征进行两步心率估计,并引入空间梯度因子调控空域和频域的权重,抑制非刚性运动的干扰;最终得到人脸不同区域融合的平均心率数值和信号波形图,实现心率的精确估计。实验结果表明:所提方法相比其它的基于人脸视频的心率估计方法优势明显,提升了信号波形图和真实脉搏波形的一致性,进一步提高了心率估计的精度和鲁棒性。

基于面部结构的表情识别

心理学上的研究表明,面部表情变化主要集中在眼睛、眉毛、鼻子、嘴巴等面部器官上。受其启发,提出一种基于面部结构的表情识别方法,重点分析眼睛、眉毛、鼻子、嘴巴等关键区域的联动变化来分析表情。首先,使用鲁棒的判别响应图拟合(discriminative response map fitting,DRMF)方法自动检测出对识别人脸表情最为关键的局部人脸区域,即眼睛、眉毛、鼻子和嘴巴的部分;然后从这些关键部分中提取Haar特征;最后采用Boosting学习和联动机制,学习得到基于联合Haar特征的表情分类器。在CMU表情数据库和JAFFE表情数据库上的实验结果表明了上述方法的良好性能,即基于面部构件识别表情的方法获得了与手工精准标注人脸面部构件识别表情方法相近的识别效果。

非合作面部晃动情况下的心率检测

目的心率是直接反映人体健康的重要指标之一,基于视频的非接触式心率检测在医疗健康领域具有广泛的应用前景。然而,现有的基于视频的方法不适用于复杂的现实场景,主要原因是没有考虑视频中目标晃动干扰和空间尺度特征,使得血液容积脉冲信号提取不准确,检测精度不尽人意。为了克服以上缺陷,提出一种抗人脸晃动干扰的非接触式心率检测方法。方法本文方法主要包含3个步骤:首先,针对目标晃动干扰人脸区域选择的问题,利用判别响应图拟合检测参考图像的人脸区域及主要器官特征点,在人脸跟踪时首次引入倾斜校正思想,输出晃动干扰抑制后的人脸视频;然后,结合空间尺度的差异,采用颜色放大方法对晃动干扰抑制后的人脸视频进行时空处理,提取干净的血液容积脉冲信号;最后,考虑到小样本问题,通过傅里叶系数迭代插值的频域分析方法估计心率。结果在人脸静止的合作情况以及人脸晃动的非合作情况下采集视频,对心率检测结果进行定量分析,本文方法在两种情况下的准确率分别为97.84%和97.30%,与经典和最新的方法相比,合作情况准确率提升大于1%,非合作情况准确率提升大于7%,表现了出色的性能。结论提出了一种基于人脸视频处理的心率检测方法,通过有效分析人脸的晃动干扰和尺度特性,提取到干净的血液容积脉冲信号,提高了心率检测的精度和鲁棒性。