非接触式呼吸频率检测技术的设计和实现

为实现高效、准确、安全的非接触式呼吸频率检测,针对3种非接触式呼吸特征采集装置提出相应的呼吸特征提取方法。即基于Kinect的特征提取方法,利用深度传感器获取胸部深度值;基于普通网络摄像头的特征提取方法,利用光流法检测胸部运动;基于热像仪,获取鼻口区域热度变化来测量呼吸频率。将提取的呼吸特征通过快速傅里叶变换转换成呼吸频谱图,实现呼吸频率的检测;然后基于长短期记忆网络技术,增加呼吸异常情况的预判功能。对比实验结果表明:所设计的非接触式呼吸频率检测技术具有便捷性、有效性和安全性,但3种特征提取方法各有其优缺点,应用中应针对不同场景选择不同方法。

一种多特征自适应学习机制的目标跟踪算法

当前,目标跟踪技术日益成熟,但是受应用场景等因素的影响,比如当目标发生明显的形变、旋转、尺度变换、光照变换、运动模糊等情况传统的目标跟踪算法的准确度会大打折扣。为提高传统相关滤波(KCF)在目标跟踪上的准确度,文中在KCF目标跟踪的框架基础上,首先,独立训练HOG+Gray和CN颜色特征两个滤波器并输出对应响应图,然后通过自适应加权的方式融合两者的输出响应图;其次,在尺度变化方面,通过建立目标尺度池来求取目标最佳尺度,并且融入反向尺度检测机制;最后,在目标快速运动和遮挡问题上,通过自适应调整模型的学习率更新模型。实验部分,采用OTB-100目标跟踪数据库进行评测。将结果与常见几种跟踪算法进行对比,在平均跟踪精度与速度上优于其他算法。