基于多尺度样本熵方法分析欧拉视频放大技术在非接触式测量的作用

欧拉视频放大技术常被应用在光电容积脉搏波信号增强过程中,脉率测量是需要经常进行的处理,为明确脉率在经过此放大以后是否受到影响,本研究对放大前后信号的峰值关键特征进行比较和研究。由于熵被广泛用来表征信号的复杂性,其通过计算信息的平均产生率来进行检测和分析,且由于多尺度样本熵的计算不依赖数据长度并具有良好的一致性,所以本研究基于多尺度样本熵对脉搏的瞬时心率进行比较。试验结果表明:脉搏信号放大前后保持基本脉率,但放大后样本熵数值比放大前略低,说明欧拉视频放大技术对数据的复杂度方面有减弱作用,同时使其信号结果更加稳定。

预决策金字塔层数的欧拉视频微弱运动放大算法

欧拉视频放大算法(EVM)将受人眼局限而观察不到的微弱运动放大;但放大视频质量随使用的金字塔层数及微弱运动幅值的不同而有明显差异。为提高视频放大效果,放大之前对输入视频提取运动前景,找到黑色像素数最大图像帧,求出该帧非0像素数占图像帧总像素数的比例;根据阈值判断金字塔层数,再进行EVM处理。研究表明,根据视频运动前景中非零像素与总像素比例,预判断欧拉视频放大金字塔层数,有效改善了单一金字塔层数EVM算法的放大效果。

视频微小运动放大的加速方法

通过放大视频中的微小运动,可以展现一些肉眼不可见的运动信息。原始欧拉视频放大技术(EVM方法)将输入的视频由RGB颜色空间转换为YIQ颜色空间,对视频的YIQ三个通道进行运动放大处理,这样的处理过程十分耗时。在原方法的基础上,分别提出了基于RGB颜色空间和基于Y通道的运动放大加速方法。将Y通道方法、RGB方法和EVM方法进行实验对比,结果表明:RGB方法相对EVM方法在处理速度方面有所提升,但是运动放大效果差别较大;Y通道方法相对于EVM方法在处理速度方面得到了明显的提升,而且在放大效果方面基本保持一致。

自动检测及放大视频中的微小运动

欧拉视频运动放大方法在实现微小运动放大时需要人为选取带通滤波器的相应通频带参数.通常情况下,人们无法直接确定视频中运动目标的精确运动频率,从而使得该方法对未知的视频难以操作.为此,提出一种视频微小运动的自动检测及放大方法,首先对视频中微小运动基于时间序列的运动信息进行分析,通过功率谱估计得出运动的频率等信息,然后在整幅图像空域通过聚类分析和阈值选取,确定整个视频感兴趣运动的中心频率,并据此得出带通滤波器的参数,以实现视频微小运动的自动检测及放大.实验结果表明,本文的自动检测及放大方法不仅操作简单、取得的运动放大效果好以及支持更大的放大倍数,而且抗噪性能明显优于原始的欧拉运动放大方法以及半自动运动放大方法.

基于欧拉放大的桡动脉脉搏波提取方法

脉搏波是反映人体心血管状况的重要参数,基于视频的非接触式脉搏波检测在医疗健康领域具有重要的研究价值。针对目前非接触式脉搏波提取方法存在检测不准确、受光照影响较大等问题,文章提出了一种基于欧拉放大的桡动脉脉搏波提取方法。利用欧拉放大算法放大手腕处桡动脉的微小搏动信号;对放大后的视频进行分块,计算每个子块的时域信噪比(signal to noise ratio,SNR),将SNR最高的区域作为感兴趣区域;利用独立成分分析(independent component analysis,ICA)算法来分离感兴趣区域中的脉搏波信号和环境噪声,进而通过功率谱估计方法对脉搏波信号进行分析,以获取脉搏波对应的心率值;在多组实验数据集上对该方法进行测试,以经典的脉搏波检测设备提取的脉搏波为真实值,分别在自然光、日光灯和弱光等不同场景下与最新的基于色度信息分析的脉搏波提取方法和基于人脸视频的脉搏波提取方法进行对比。实验结果表明:该文方法提取的脉搏波与脉搏波检测设备提取的脉搏波具有更高的一致性,在自然光、日光灯和室内弱光等不同场景下分别能达到98.60%、92.10%、90.60%的准确率;相比于其他方法,该方法在3种场景下提取脉搏波的准确率提升均大于1%,提高了非接触式脉搏波提取的性能。

基于手背视频流分析的无接触式SpO2测量方法

为提高外周血氧饱和度(SpO2)的测量效率与准确率,本研究提出了一种基于手背视频的非接触式SpO2测量方法。通过欧拉视频放大中的高斯金字塔与放大因子的组合改进,减少光线噪声的干扰,有效放大手背视频中的感兴趣区域。然后,提取放大后视频帧的红、蓝通道,并采用吸光度比值法计算SpO2值。最后,在自制数据集上进行了两种呼吸状态下的实验验证。实验结果表明,所提方法SpO2测量的平均均方根误差(RMSE)可达0.48%,与指夹式脉搏血氧仪相比,表现出较高的一致性,且发现性别对SpO2的测量误差有一定影响。该方法可便捷地移植到智能手机等简易视频设备,对SpO2的日常监测具有良好的应用前景。

欧拉视频增强技术在火焰弱信号检测中的应用

为实现火焰弱信号闪烁频率的检测,提出一种基于欧拉视频放大技术的增强检测方法,并对该方法的可行性与有效性进行仿真实验验证。搭建燃烧实验平台,在Matlab平台上对采集的不同干扰强度的火焰视频信号进行检测增强,将实验结果分别在时域和频域上进行分析讨论。结果表明,该方法可以有效地提取火焰的主要波动频率。

基于S变换的非平稳微小运动自动放大

现有的欧拉视频微小运动放大方法没有考虑视频中运动信息的自动检测,在实现运动放大时需要人为选取感兴趣运动信息处理的合适参数,比如滤波器截止频率、放大倍数等。对于一般的视频,通常无法直观地确定这些参数,而是通过试错来完成。为此,基于S变换提出了一种视频序列中非平稳微小运动的自动放大方法:基于S变换自动确定带通滤波器的即时相关参数并设计了相应的动态滤波器,在此基础上实现了视频微小运动的全自动放大。首先,通过S变换分析出视频中微小运动在各个时刻的瞬时频率;然后,对视频在不同时刻呈现不同频率的情况进行动态带通滤波处理;最后,放大经过带通滤波后的感兴趣运动信息,实现微小运动放大。此外,对于抗噪性能分析,提出了一种视频区域信噪比评价方法。实验结果表明,所提方法在对实际视频进行放大处理时,能够根据运动信息频率的变化自动地获取滤波器、放大倍数等参数,无需人工参与;运动放大后可以动态地展现运动目标的放大效果。同时,准确的动态滤波器在一定程度上能够抑制噪声干扰,使得运动放大效果更加理想。

用于微表情识别的改进双流浅层卷积神经网络

在微表情自动识别任务中,浅层卷积神经网络和深层网络相比更好地改善了网络训练过拟合的情况,但是多数浅层卷积神经网络存在输入特征单一和提取高维有效特征能力不足的问题.针对上述问题本文同时使用图像的灰度特征和运动特征表征原图像,并且提出了一种改进双流浅层卷积神经网络(Enhanced Dual-stream Shallow Convolutional Neural Network,EDSSNet)用于微表情的识别.本文首先使用欧拉视频放大算法和TV-L1光流法对视频关键帧处理,提取图像的灰度特征和运动特征,然后用空洞卷积和注意力模块改进双流浅层卷积网络模型,提高网络提取有效特征的能力,最后将两种特征输入网络训练后进行分类.理论分析及在CASMEⅡ、SMIC-HS和SAMM微表情数据库上的实验结果均表明了改进模型的有效性.

基于EVM的心率检测在微表情识别中的应用

随着谎言检测的深入探究,微表情识别研究得到了很大的关注,心率变化作为体现情绪变化的另一种形式,也可能对微表情识别有一定的影响。研究目的是找寻心率变化和微表情的关系。利用欧拉视频放大算法,实现非接触式心率提取,并对目前已公开的微表情数据库CAS(ME)^2数据进行分析。通过测录视频进行实验分析,提出的心率提取算法可得到95%的准确率,对数据库数据进行心率检测的结果与表情数据进行对比,可以得到恐惧、愤怒、悲伤等情绪与心率变化存在一定关系。

非接触式胎儿心率检测

胎儿心率检测是围产期常规检测,是评估孕妇和胎儿健康的主要生理指标.相对现有的接触式胎心检测技术,本文提出一种更为便捷,成本低廉的非接触式胎儿心率提取算法.首先基于欧拉视频颜色放大技术,对视频中颜色信号放大.其次,利用光电容积脉搏波描记法提取血液容积脉冲信号,并对母体噪声进行分离,计算功率谱密度提取.将采集到的胎心率,与医院专用胎心设备检测的结果进行定量分析,数据表明可以达到96%的准确度.

基于IPPG的非接触式血氧饱和度检测技术研究

目的:提出一种非接触式血氧饱和度检测的新方法,以提高血氧饱和度的检测精度。方法:该方法基于成像式光电容积描记(imaging photoplethysmography,IPPG)原理提出,采用多任务卷积神经网络的算法进行人脸检测,采用欧拉视频放大中的运动放大和颜色放大相结合的算法实现视频图像放大的功能,使用集合经验模态分解和小波变换联合滤波的方法完成降噪滤波,最后使用经验公式计算血氧饱和度。开展“金标准”(指夹式血氧仪检测)对比实验,以验证该方法的检测准确性。结果:该方法检测血氧饱和度精度高,多次实验的平均误差均不高于2%,与指夹式血氧仪的检测结果有较好的一致性。结论:提出的方法可以完成血氧饱和度的非接触检测,且误差较小,能够达到预期要求。

基于移动端的非接触心率检测系统研究与设计

心率的检测对人体健康监护有重要的意义,目前主流心率检测设备需与皮肤直接接触,这种方式容易引起传染性疾病的传播风险并给用户带来负担;为了解决这些问题,开发了一款基于安卓移动端设备的心率检测应用,可实现非接触式的心率检测并将检测结果展示在主界面上,完成用户自主的心率检测功能;根据远程光电容积描记法原理,从人体皮肤的图像数据中可以提取出心率信息,因此应用中封装了欧拉视频放大算法来实现非接触式心率信号检测,可通过采集面部图像数据来进行人体心率的估计;该应用操作简便,使用场景也不受限制,在真实环境中的实验结果表明,其检测结果与真实心率间的均方根误差为2.93,误差较小且与真实心率具有较高一致性,其检测精度能够满足用户使用需求。

双通道决策信息融合下的微表情识别

微表情作为揭示潜在情绪的一个重要通道,是一种无意识的、不受大脑控制的非语言面部信息,能够反映人们最真实的心理感受和心理状态。但是,微表情存在动作幅度小且快速出现、不易被捕捉等特性,使得单一模态的微表情识别准确率难以提升。针对上述问题,提出一种微表情面部颜色特征提取算法,并将其提取的特征与微表情纹理特征进行决策融合,从而构成微表情双模态情感识别模型。该模型首先通过均匀动态纹理识别方法从经过预处理的微表情数据中提取相应的纹理特征;其次计算微表情两帧序列图片的每一个像素点之间的Lab色差,由此获得面部的颜色特征,并对其进行嵌入式特征选择以剔除冗余的特征;然后分别训练两种模态的分类器,并将两种模态训练得到的分类信息进行决策融合;最后得到微表情情绪分类结果。模型在微表情数据集CAMSEⅡ和SMIC上进行了实验。实验结果表明,微表情的纹理单模态和面部颜色单模态的平均识别准确率约为64.73%、51.64%和63.58%、50.48%,而决策融合后微表情情绪的识别结果约为68.11%和66.43%,高于融合前微表情的识别准确率,说明文中提出的微表情双模态情感识别模型明显提高了微表情的识别能力。

微小运动放大及其在超声波传播中的应用

针对在具有复杂残余应力的材料中超声波传播视频信号极其微弱、难以看清其传播过程的问题,采用微小运动放大方法揭示超声波传播视频中人眼难以看见的微小运动,研究了线性欧拉视频放大方法（EVM）和基于相位的视频运动放大方法（PBVM）在超声波传播中的应用.提出了基于可操纵金字塔的微小运动放大方法,通过对一段标准视频序列进行可操纵金字塔空间分解、时域滤波,放大得到的信号以揭示微小的运动.实验结果表明：该方法在图像噪声方面比EVM更不敏感,在计算时间方面该方法比PBVM用时更短.对EVM,PBVM和本方法进行了对比验证,并在超声波传播视频中进行了应用,效果良好.提出的方法也可应用于机械和结构的状态检测中.

一种基于欧拉的非接触式检测生理参数的加速方法

成像式光电容积描记技术(IPPG)是近几年发展起来的一种新的检测生理参数的技术.欧拉视频放大技术以一种空间多尺度的方法来研究像素随时间的变化,揭示了视频中微弱运动的变化,使得现代的医学技术更好地发展.在环境光照射下使用智能手机的摄像头采集人脸部视频,将原始视频信号进行欧拉放大提取心率和血氧饱和度.传统的欧拉放大技术基于YIQ色彩空间,所以要对采集到的视频做一个色彩空间转换,放大完后再由YIQ空间转换到RGB空间,这种方法计算量大,耗时多,不利于生理参数的实时检测.提出一种不对色彩空间进行转换,直接利用RGB空间对视频进行放大的方法.与传统方法相比,RGB色彩空间测量的准确性与YIQ色彩空间具有高度的一致性,同时处理速度提升了百分之三十以上.

结合残差网络及目标掩膜的人脸微表情识别

微表情是一种能反映隐藏在人内心最真实情感状态的面部特征,现有的微表情识别技术经常会提取一些与微表情无关的运动特征信息干扰情感的真实性识别。为解决上述问题,提出一种结合残差网络及目标掩膜的特征提取方法。本文首先对原始的微表情序列进行一系列预处理,定位人眼的关键区域,对眼部区域进行图像掩膜,进而减少眨眼动作对微表情特征提取造成的干扰,然后使用欧拉视频放大算法对人脸微表情变化的关键区域进行放大,使得微表情变化更为明显,最后通过3D ResNet网络对连续的微表情序列进行训练和识别。本文方法在CASME Ⅱ和SMIC数据集上进行了测试,准确率分别达到77.3%和72.4%,与最新方法DSSN、CNN+LSTM等相比,准确率至少提高5%。