李 牧，吳 彤，田哲嘉

（西安理工大學(xué) 自動(dòng)化與信息工程學(xué)院，陜西 西安 710048）

0 引言

心率、呼吸能夠?qū)崟r(shí)反映人體的生命狀態(tài)及健康信息。而現(xiàn)代快速的生活節(jié)奏與不健康的生活習(xí)慣導(dǎo)致心血管疾病逐漸趨于低齡化和高發(fā)性，而一些潛在的心臟疾病無(wú)法及時(shí)被發(fā)現(xiàn)從而耽誤了治療的最佳時(shí)期；現(xiàn)在臨床上通過(guò)觀測(cè)患者的生命體征信息也可以為醫(yī)生診斷疾病和術(shù)后監(jiān)測(cè)患者身體情況提供依據(jù)。

目前市面上較為常用檢測(cè)心率的設(shè)備有心率帶、運(yùn)動(dòng)手環(huán)、手指夾等，臨床上對(duì)于生命體征的獲取是“電極片、袖帶、指脈氧夾”與人體特定部位皮膚直接接觸，這類接觸式檢測(cè)方法雖然可靠，但是對(duì)于有大面積皮膚損傷、過(guò)敏、術(shù)后人群、有傳染病以及無(wú)法控制自己行為的嬰幼兒、精神病患者等特殊人群來(lái)說(shuō)無(wú)法實(shí)現(xiàn)，且佩戴期間只有在患者保持靜止的狀態(tài)下才可以獲取數(shù)據(jù)，不適用于人體生命體征的長(zhǎng)時(shí)間監(jiān)測(cè)。因此實(shí)現(xiàn)一種非接觸式的生命體征檢測(cè)方式是非常有必要和迫切的。目前非接觸測(cè)量生命體征的方法有基于雷達(dá)、成像式光電容積描記法以及紅外熱成像技術(shù)等方法，表1顯示了3 種常見(jiàn)的非接觸式檢測(cè)方法的優(yōu)缺點(diǎn)。通過(guò)對(duì)比可知紅外熱成像技術(shù)是一種被動(dòng)式的非接觸式檢測(cè)方法，其優(yōu)勢(shì)為不傷害人體，不受背景環(huán)境中電磁波、強(qiáng)弱光以及雨雪、霧霾等天氣的干擾，真正做到全天時(shí)、全天候的檢測(cè)。

表1 檢測(cè)生命體征的非接觸式方法對(duì)比Table 1 Comparison of non-contact methods for vital signs detection

目前使用熱成像技術(shù)測(cè)量生命體征的研究正在快速發(fā)展。S.Y.Chekmeneve 等人早在2006年通過(guò)檢測(cè)面部及頸部獲取脈搏波，但是其在測(cè)量過(guò)程中需要用下巴托穩(wěn)定受試者并手動(dòng)確定感興趣區(qū)域會(huì)造成較大的誤差，且需要直接查看原始的熱像圖沒(méi)有進(jìn)行圖像增強(qiáng)[1]。M.Garbey 采用自適應(yīng)濾波測(cè)量生命體征，該方法的精度達(dá)88.52%～90.33%，但在測(cè)量過(guò)程中要求受試者保持完全的靜止，不滿足實(shí)際檢測(cè)環(huán)境的需求[2]。Travis R.Gault 使用血管映射和多分辨率分析的方法通過(guò)熱成像技術(shù)對(duì)人體面部血管系統(tǒng)測(cè)量生命體征信息，但是文中使用了手動(dòng)選擇感興趣的血管并實(shí)現(xiàn)基本跟蹤，易因人為因素導(dǎo)致測(cè)量誤差[3]。國(guó)內(nèi)的學(xué)者們對(duì)此也有很多研究，其中梁智敏選用的感興趣區(qū)域?yàn)槊娌肯掳氩糠?，包含鼻孔與嘴巴在內(nèi)會(huì)因人體呼吸等生命活動(dòng)造成較大誤差[4]；首都醫(yī)科大學(xué)的景斌等人選用太陽(yáng)穴位置，文中濾除噪聲僅選用了低通濾波[5]；北京師范大學(xué)的王建明團(tuán)隊(duì)則是計(jì)算了一段視頻序列的平均心率，易丟失瞬時(shí)心率異常[6]。

熱像儀獲取的圖片具有分辨率差、細(xì)節(jié)模糊等問(wèn)題，對(duì)于血管邊緣分割與提取造成了難題；如何精準(zhǔn)獲取感興趣區(qū)域并提取灰度值是最重要的一步，因人體在測(cè)量過(guò)程中的頭部晃動(dòng)以及面部姿勢(shì)改變會(huì)丟失或變更區(qū)域信息的采集。對(duì)此本文提出了一種基于前景目標(biāo)提取與面部特征點(diǎn)檢測(cè)與人臉對(duì)齊的方法實(shí)現(xiàn)感興趣區(qū)域的自動(dòng)檢測(cè)與追蹤，同時(shí)將感興趣區(qū)域中相對(duì)血管區(qū)域的背景像素點(diǎn)剔除以提高系統(tǒng)的準(zhǔn)確性。通過(guò)對(duì)比實(shí)驗(yàn)發(fā)現(xiàn)提高了心率、呼吸檢測(cè)的準(zhǔn)確度的同時(shí)，實(shí)時(shí)性與魯棒性也相對(duì)較強(qiáng)，取得了較好的實(shí)驗(yàn)成果。

1 工作原理

在人體心臟周期性的跳動(dòng)過(guò)程中會(huì)不斷推動(dòng)血液流過(guò)全身的血管，這種周期性變化會(huì)導(dǎo)致血管內(nèi)壓、血流速度等也跟著周期變化。這種血流體現(xiàn)在體表皮膚上會(huì)出現(xiàn)溫度差異，在熱成像視頻中可通過(guò)灰度值的周期性變化顯示。中國(guó)中醫(yī)研究院的張棟等學(xué)者的研究成果中指出，人體面部中含有大量的毛細(xì)血管，而臉部雙側(cè)的內(nèi)眥、嘴角、鼻唇溝、額及其口唇等部位毛細(xì)血管密集[7]，而選用血管較為密集的部位作為感興趣區(qū)域進(jìn)行心率分析的結(jié)果會(huì)更加的準(zhǔn)確。綜上所述充分證明了皮膚溫度變化和血流之間存在對(duì)應(yīng)關(guān)系。同時(shí)，人體呼吸的氣流和反應(yīng)心率的脈搏一樣攜帶了與溫度關(guān)聯(lián)的信息特征，通過(guò)對(duì)鼻孔溫度信息的計(jì)算分析可獲得呼吸信息。

2 研究方法

2.1 算法整體設(shè)計(jì)

本實(shí)驗(yàn)通過(guò)對(duì)獲取到的熱紅外視頻進(jìn)行預(yù)處理提取出前景目標(biāo)，再對(duì)目標(biāo)物進(jìn)行快速人臉檢測(cè)，根據(jù)對(duì)面部血管密集程度的分析在熱像圖中確定出與心率相關(guān)性較高的區(qū)域?yàn)槌跏嫉母信d趣區(qū)域（Region Of Interest，ROI），然后對(duì)熱紅外成像視頻感興趣區(qū)域進(jìn)行追蹤，進(jìn)而使用形態(tài)學(xué)處理舍棄該區(qū)域背景部分灰度值，保留溫度較高的動(dòng)脈血管區(qū)域作為最終ROI為最新研究對(duì)象，再對(duì)這部分區(qū)域灰度均值形成時(shí)間序列作為原始心率信號(hào)。通過(guò)巴特沃斯帶通濾波器以及小波閾值去噪濾除結(jié)合中值濾波多余的噪聲，最終對(duì)濾波后的心率信號(hào)分解及重構(gòu)，以快速傅里葉變換得到最終的心率、呼吸估值以及心率波形圖。

2.2 視頻預(yù)處理

本系統(tǒng)主要研究對(duì)象為視頻幀序列中的人體面部區(qū)域，如果在序列幀的整幅圖像中尋找人體面部區(qū)域會(huì)大大增加算法的搜索范圍和時(shí)間，從而降低計(jì)算心率的效率，所以我們需要在預(yù)處理中進(jìn)行前景人物目標(biāo)提取以便進(jìn)行后續(xù)步驟的處理。

目前常用的目標(biāo)前景區(qū)域提取方法主要分為基于特征和基于灰度值?；谔卣鞯姆椒ㄊ且罁?jù)圖像的特征檢測(cè)運(yùn)動(dòng)目標(biāo)，多用于目標(biāo)較大、特征明顯的目標(biāo)。基于灰度的方法利用視頻幀時(shí)域信息，主要包括幀間差分法[8]、背景減法[9]和光流法[10]，幀間差分法在目標(biāo)運(yùn)動(dòng)過(guò)慢時(shí)會(huì)造成比較多的空洞和誤判，不滿足要求；背景減法計(jì)算簡(jiǎn)單，能提取出完整的目標(biāo)，但是在實(shí)際應(yīng)用中很難建立一個(gè)理想的背景模型；光流場(chǎng)法則計(jì)算復(fù)雜，不適合實(shí)時(shí)處理。

通過(guò)熱紅外成像儀測(cè)量心率需要保證信息獲取的實(shí)時(shí)性，且鏡頭前測(cè)量的人體目標(biāo)較大會(huì)出現(xiàn)輕微晃動(dòng)，對(duì)此本文選用了基于特征提取前景目標(biāo)。首先需要對(duì)視頻幀序列圖片進(jìn)行灰度處理、Ostu 二值化以及腐蝕膨脹、提取輪廓處理等過(guò)程提取出二值化的前景目標(biāo)，再與原圖進(jìn)行掩膜位運(yùn)算獲得人臉前景目標(biāo)，結(jié)果如圖1所示。

圖1 提取前景目標(biāo)Fig.1 Extraction of prospect target

2.3 選取感興趣區(qū)域

根據(jù)文獻(xiàn)[4]中的人臉的毛細(xì)血管分布圖，我們?cè)谔崛〉降娜宋锬繕?biāo)上選取毛細(xì)血管較為豐富的額頭作為感興趣區(qū)域進(jìn)行研究。ROI 區(qū)域的自動(dòng)追蹤首先需要進(jìn)行人臉檢測(cè)，目前人臉檢測(cè)主要的算法有：基于人臉特征點(diǎn)的檢測(cè)算法、基于整幅人臉圖像的檢測(cè)算法、基于模板匹配的檢測(cè)算法以及基于神經(jīng)網(wǎng)絡(luò)識(shí)別的算法。本文選擇的方法是基于特征點(diǎn)的人臉檢測(cè)方法，且在前額區(qū)域中，只需選取60%的血管段作為研究對(duì)象，就可以獲取85%或者更高的測(cè)量精度的心率結(jié)果[3]，因此，選取前額作為感興趣區(qū)域可獲取更加精準(zhǔn)的測(cè)量結(jié)果。

2.4 目標(biāo)檢測(cè)與追蹤

在熱紅外成像儀采集面部視頻過(guò)程中，測(cè)試者很難保持完全的靜止使選定的ROI 區(qū)域在固定的位置，這樣獲取到的數(shù)據(jù)具有很多的誤差和噪聲甚至含有較多的無(wú)效數(shù)據(jù)，因此實(shí)現(xiàn)視頻幀序列中目標(biāo)區(qū)域的動(dòng)態(tài)追蹤顯得尤為重要。文獻(xiàn)[6]中采用的方法是直接選取一個(gè)正方形區(qū)域作為ROI 區(qū)域，并通過(guò)重心法獲取每一幀圖片的重心，然后計(jì)算重心到參考點(diǎn)的距離，從而組成時(shí)間序列信號(hào)；文獻(xiàn)[4]中采用的模板匹配方法，使用歸一化互相關(guān)函數(shù)比較各個(gè)候選區(qū)域與ROI模版的匹配情況決定該幀熱像圖是否可用，若無(wú)效幀數(shù)過(guò)多則需要重新提取敏感區(qū)域甚至需要重新選取視頻；文獻(xiàn)[5]使用的是基于經(jīng)典的CamShift 算法追蹤人臉。這3 種方法中前兩種魯棒性較差；第三種方法是在人臉跟蹤過(guò)程中可根據(jù)目標(biāo)的尺寸調(diào)節(jié)搜索窗口的大小，對(duì)有尺寸變化的目標(biāo)可準(zhǔn)確定位，這種算法在目標(biāo)附近有與目標(biāo)色調(diào)相近的行人時(shí)會(huì)導(dǎo)致跟蹤窗口擴(kuò)大，甚至有時(shí)擴(kuò)大到整個(gè)視頻框架。

本實(shí)驗(yàn)使用的是訓(xùn)練好的人臉檢測(cè)模型進(jìn)行人臉區(qū)域檢測(cè)，使用基于臉部特征坐標(biāo)點(diǎn)定位其面部，并在此基礎(chǔ)上使用坐標(biāo)添加上ROI 區(qū)域。這種方法易于實(shí)現(xiàn)且精準(zhǔn)率高，能夠滿足對(duì)感興趣區(qū)域?qū)崟r(shí)追蹤的需求，因此選用此方法作為本次試驗(yàn)?zāi)繕?biāo)跟蹤的方法。圖2是檢測(cè)的人臉特征點(diǎn)和追蹤的感興趣區(qū)域。

圖2 追蹤的感興趣區(qū)域Fig.2 The area of interest to track

2.5 血管特征提取

因?yàn)樵谌梭w面部原圖像中選取的初始ROI 不僅含有血管特征，還會(huì)有相對(duì)的背景區(qū)域，而文獻(xiàn)[11]中指出直接在血管上面的皮膚溫度比與血管相鄰位置的皮膚溫度高。因此我們可以從額頭背景圖中提取出純粹的血管特征作為最終的感興趣區(qū)域。因?yàn)檠苤械难鲿?huì)使其局部溫度高，這種變化被高靈敏度的熱紅外成像儀捕捉到即表現(xiàn)為高光部分，我們可利用圖像中需要提取出來(lái)的血管與背景之間的灰度值差異性，將圖像分割為目標(biāo)區(qū)域與背景區(qū)域。本文選用各向異性擴(kuò)散濾波器和高帽分割相結(jié)合的方法提取出人臉血管[12]，圖3顯示了經(jīng)過(guò)迭代20 次后的擴(kuò)散濾波效果。

圖3 各項(xiàng)擴(kuò)散濾波前后效果圖Fig.3 Effects of Anisotropic diffusion filtering before and after

再通過(guò)形態(tài)學(xué)處理中的高帽分割即可得到血管模型，高帽分割的數(shù)學(xué)定義式為：

式中：I為原圖像；Iopen為原圖像開(kāi)運(yùn)算后的圖像。

為了更好地獲得ROI 內(nèi)的血管模型，僅截取該區(qū)域進(jìn)行分析。圖4的圖(b)為二值化的血管圖形與高帽分割后的圖像(d)形成對(duì)比。

圖4 獲取ROI 區(qū)域血管模型Fig.4 Obtain vascular models in the ROI region

對(duì)所得感興趣區(qū)域的灰度做以上處理即可獲得血管區(qū)域所在區(qū)域的灰度均值變化的時(shí)間序列信號(hào)，波形如圖5所示。

圖5 灰度均值變化的初始時(shí)間序列圖Fig.5 Initial time series of gray level mean variation

2.6 趨勢(shì)消除法

所得的初始心率時(shí)間序列中包含趨勢(shì)成分和周期波動(dòng)成分，HP 濾波器（hodrick prescott filter）是一種有效的提取原始序列趨勢(shì)項(xiàng)的方法，從而將初始心率時(shí)間序列中具有一定趨勢(shì)變化的平滑序列分離出來(lái)[13]。假設(shè)一個(gè)時(shí)間序列Y＝{y1,y2,…,yT},G＝{g1,g2,…,gT}表示該時(shí)間序列中趨勢(shì)項(xiàng)，C＝{c1,c2,…,cT}則為該時(shí)間序列中的周期項(xiàng)，HP 濾波可以將Y分解為：Y＝G＋C，記損失函數(shù)為M，則G為M最小化時(shí)的解。

式中：B(L)為延遲算子多項(xiàng)式，即：

將(3)式代入(2)式可得：

式中：λ為平滑參數(shù)；對(duì)波動(dòng)成分度量，解釋了主要趨勢(shì)成分gt對(duì)原序列yt的跟蹤程度；而刻畫了趨勢(shì)的光滑程度。

對(duì)式(4)一階求導(dǎo)，并令導(dǎo)數(shù)為0，可得：

式中：F為一個(gè)T×T的系數(shù)矩陣。

因此可知最小化問(wèn)題取值受到了λ取值的影響。其最優(yōu)取值則為：

根據(jù)實(shí)驗(yàn)對(duì)比，λ＝10 具有較好的濾波效果。通過(guò)設(shè)置參數(shù)后的HP 濾波可得到如圖6的原始信號(hào)和HP 濾波的時(shí)間序列，最后可得殘差信號(hào)（周期信號(hào)）c作為初級(jí)濾波的信號(hào)，即：

圖6 原始心率信號(hào)及HP 濾波Fig.6 Original heart rate signal and HP filter

根據(jù)式(7)可得如圖7所示的殘差信號(hào)波形。

圖7 殘差時(shí)間序列Fig.7 Residual time series

為了判斷所得殘差信號(hào)的時(shí)間序列是否已經(jīng)趨于平穩(wěn)，可采用 ADF 單位根檢驗(yàn)法（augmented dickey-fuller test）進(jìn)行平穩(wěn)性檢驗(yàn)。其檢驗(yàn)的原理是判斷被檢驗(yàn)數(shù)據(jù)生成的特征方程是否存在特征根，如存在特征根則表示時(shí)間序列非平穩(wěn)[14]。表2展示了對(duì)獲得的圖7所示某一時(shí)刻的殘差時(shí)間序列信號(hào)進(jìn)行ADF 單位根檢驗(yàn)的結(jié)果。

表2 殘差序列ADF 檢驗(yàn)Table 2 Residual sequence ADF test

根據(jù)所得結(jié)果可知P-value 的值均非常接近0，且t-statistic 的值均小于1%置信度值，所以有99%的把握度可拒絕原假設(shè)，可以證明所得殘差時(shí)間序列是平穩(wěn)的。

2.7 噪聲濾除

在采集視頻過(guò)程中仍不可避免地會(huì)受到各種噪聲的影響，例如：設(shè)備噪聲、背景噪聲以及周圍熱場(chǎng)的影響等，從而造成一些視頻幀序列中的灰度均值偏離實(shí)際值導(dǎo)致測(cè)量結(jié)果不穩(wěn)定，所以我們需要對(duì)此進(jìn)行一系列的去噪處理。一個(gè)正常成人平靜狀態(tài)下的心率范圍在60～100 次/min，我們可選取上下截止頻率分別為40 次/min 和200 次/min 的帶通濾波器濾除掉不可能出現(xiàn)的隨機(jī)數(shù)據(jù)。

使用小波閾值收縮法可進(jìn)一步提取需要的信號(hào)，有用信息信號(hào)的幅度相關(guān)性強(qiáng)，而噪聲卻是隨機(jī)且相關(guān)性較弱，反映在小波域中則是近似系數(shù)攜帶了有用信號(hào)的主要信息，相應(yīng)的近似系數(shù)的模也會(huì)較大，細(xì)節(jié)系數(shù)為有用信號(hào)的高頻部分以及噪聲的主要特征，而噪聲引起的細(xì)節(jié)系數(shù)模會(huì)較小?？蛇x取合適的閾值濾除掉細(xì)節(jié)系數(shù)中絕對(duì)值較小的部分，達(dá)到去除噪聲的目的。該方法對(duì)于熱像圖的去噪效果非常好[15]。其實(shí)現(xiàn)過(guò)程如圖8所示。

圖8 小波閾值去噪過(guò)程Fig.8 Wavelet threshold denoising process

閾值函數(shù)和閾值是小波閾值收縮法的重點(diǎn)，閾值λ由實(shí)際信號(hào)的噪聲方差σ獲得，假設(shè)對(duì)實(shí)際信號(hào)進(jìn)行M層的小波分解得各層近似系數(shù){cam(i)}和細(xì)節(jié)系數(shù){cdm(i)}，對(duì)每層cdm(i),m＝1,2,…,M，i＝1,2,…。按照模的大小排序，求出每一層的中值{cdm,mid}，并得到各層的噪聲方差σm：

則可得出通用閾值λm：

目前傳統(tǒng)的閾值函數(shù)有硬閾值、軟閾值函數(shù)。硬閾值函數(shù)具有良好的逼近性，能夠最大程度抑制噪聲，但是這種“一刀切”會(huì)使信號(hào)在小波域產(chǎn)生突變，導(dǎo)致最終結(jié)果產(chǎn)生局部抖動(dòng)。而軟閾值函數(shù)使其小波系數(shù)整體連續(xù)性好，但是會(huì)產(chǎn)生一定的偏差[16]，直接影響了重構(gòu)后的信號(hào)與真實(shí)信號(hào)的逼近程度。為了獲得更好的去噪效果，本文采用了一種軟硬閾值折衷的方法，其表達(dá)式如下：

式中：α滿足0＜α＜1；m滿足m＝1,2,…,M。

最后再使用各層近似系數(shù){cam(i)}與閾值抑噪后細(xì)節(jié)系數(shù)的{cdm,mid(i)}進(jìn)行重構(gòu)得到抑噪后的時(shí)域序列[17]。

2.8 心率、呼吸信號(hào)提取

降噪后的心率、呼吸信號(hào)本文使用了以時(shí)間窗口形式處理視頻每一幀信息以獲得測(cè)量人體心率、呼吸[18]，本文通過(guò)對(duì)心率信號(hào)y、呼吸信號(hào)g進(jìn)行快速傅里葉變換并獲取最大幅值所對(duì)應(yīng)的頻率繪制動(dòng)態(tài)頻率變換圖，如圖9所示，獲得最大頻率可轉(zhuǎn)換為心率、呼吸值，心率計(jì)算方法如式(11)、式(12)所示，呼吸計(jì)算方法如式(13)、式(14)所示：

圖9 心率頻域分析圖Fig.9 Heart rate frequency domain analysis diagram

3 實(shí)驗(yàn)結(jié)果與分析

本文研究對(duì)象為10 名年齡段在20～25 歲之間的健康人群在自然狀態(tài)下采集面部熱紅外視頻，其中包括5 名男性、5 名女性。在恒溫條件下的實(shí)驗(yàn)室中，10 名測(cè)試者分別正坐在距離視頻采集設(shè)備1 m 的位置處進(jìn)行不少于60 s 時(shí)長(zhǎng)的面部數(shù)據(jù)采集，在電腦終端得到AVI 格式的視頻文件。

圖10為其中一個(gè)測(cè)試者測(cè)量的顯示界面，下左側(cè)部分實(shí)時(shí)顯示該測(cè)試者的心率波形變化。右側(cè)“69”為當(dāng)下時(shí)刻的心率值（beats per minute，bpm），“12”為呼吸頻率（breathing rate，br）。

圖10 測(cè)試界面Fig.10 GUI Testing

在學(xué)校校醫(yī)院老師的幫助下對(duì)測(cè)試者連接心電圖機(jī)AUTOCARDINE RFCP-2155（如圖11所示）與熱紅外成像儀，分別對(duì)序號(hào)為1～5 的5 名男性和序號(hào)為6～10 的5 名女性在相同環(huán)境下采集時(shí)長(zhǎng)為1 min 的視頻，并每隔5 s 記錄兩種測(cè)量設(shè)備測(cè)量出的心率，最后作比較。表3、表4分別為5 名男性受試者、女性受試者的1 分鐘心率檢測(cè)結(jié)果對(duì)比，其中，M為通過(guò)本方法測(cè)量的心率值，R為使用ECG 測(cè)量的參考值。

表3 男性測(cè)試者動(dòng)態(tài)心率結(jié)果對(duì)比Table 3 Comparison of dynamic heart rate results in male

表4 女性測(cè)試者動(dòng)態(tài)心率結(jié)果對(duì)比Table 4 Comparison of dynamic heart rate results in female

圖11 心電圖機(jī)Fig.11 Electrocardiogram

表5中為本文方法測(cè)量到的1 min 心率均值，為ECG 測(cè)得的真實(shí)均值，d滿足式(15)，則平均兩組數(shù)據(jù)均值差＝0.718 次/min。。

表5 對(duì)10 個(gè)測(cè)試者心率均值偏差分析Table 5 Deviation analysis of the mean heart rate of 10 testers

表6分別為10 個(gè)受試者1 min 的呼吸均值實(shí)現(xiàn)結(jié)果對(duì)比并對(duì)其進(jìn)行誤差分析，其中MBR為根據(jù)本方法測(cè)得的呼吸值由實(shí)驗(yàn)結(jié)果，MBR＇是對(duì)根據(jù)本方法測(cè)得的呼吸值取整，RBR為參考呼吸值。結(jié)果可知基于熱像圖的呼吸測(cè)量方法與真實(shí)呼吸值最大誤差為1 次/min，滿足實(shí)際的需求。

表6 測(cè)試者呼吸平均值結(jié)果對(duì)比Table 6 Comparison of the average results of the tester's breath

上述實(shí)驗(yàn)結(jié)果表明，本文提出的方法能夠精確地反映測(cè)試者的心率、呼吸信息以及心率波形圖，心率估值與參考值的誤差能夠保持在3%～4%以內(nèi)，滿足實(shí)際的需求。相比于之前研究人員的結(jié)果誤差5%～10%有了一定的降低，且穩(wěn)定性得到了提高，能夠基本滿足復(fù)雜環(huán)境下的心率、呼吸測(cè)量要求。該實(shí)驗(yàn)過(guò)程充分證明了本文提出的算法可進(jìn)一步減小心率估計(jì)誤差，提高估計(jì)精度。同時(shí)通過(guò)對(duì)比男女兩組心率數(shù)據(jù)可以發(fā)現(xiàn)在安靜情況下女性的心率整體上比同齡男性快，而不常運(yùn)動(dòng)的人會(huì)比經(jīng)常運(yùn)動(dòng)的人整體上心率快，呼吸信息因呼吸溫差較大趨于穩(wěn)定。

對(duì)于復(fù)雜環(huán)境下人體呼吸、心率等生命體征的檢測(cè)是很有必要的，本文利用熱像序列圖像實(shí)現(xiàn)了對(duì)心率、呼吸的非接觸式測(cè)量。與接觸式測(cè)量方法相比，該方法不但減少了受試者在測(cè)量過(guò)程中的不適感和不方便、擴(kuò)展了使用人群，而且在實(shí)際應(yīng)用中也具有較高的準(zhǔn)確性和穩(wěn)定性；與普通的可見(jiàn)光攝像頭相比，熱紅外成像儀包含了豐富的溫度信息并不受光線的影響，所以能夠?qū)崟r(shí)監(jiān)測(cè)感興趣區(qū)域的溫度狀態(tài)，具有相當(dāng)大的優(yōu)勢(shì)；與前人對(duì)于熱紅外成像儀測(cè)心率的方法相比提出了一種更好的解決方案。限于本人研究水平有限，本文方法還有很多的改善之處，接下來(lái)的工作將繼續(xù)調(diào)整閾值的選擇以及尋找更好的提高心率準(zhǔn)確性方法，還可以解決體溫及其血壓方面的難題。

4 結(jié)語(yǔ)

采用熱紅外成像儀作為探測(cè)設(shè)備測(cè)量心率、呼吸的方法可應(yīng)用于疫情等特殊情況以及特殊人群的生命參數(shù)檢測(cè)，及用于術(shù)后人群長(zhǎng)時(shí)間生命體征監(jiān)測(cè)，能很好地模糊臉部及身體特征，保證了被檢測(cè)人的隱私。其次使用紅外成像儀測(cè)生命體征信息不僅可以使用錄制好的視頻片段，也可以直接連接監(jiān)控顯示儀器實(shí)時(shí)查看，這樣的方法極大程度地?cái)U(kuò)展了該系統(tǒng)的使用范圍，為遠(yuǎn)程醫(yī)療事業(yè)提供支持性。

在提取前景目標(biāo)時(shí)使用的是較為簡(jiǎn)單的邊界特征識(shí)別方法，該方法適用于背景較為簡(jiǎn)單的環(huán)境，當(dāng)背景人流量較大或者背景的溫度高于人體時(shí)會(huì)造成識(shí)別混亂及熱像圖灰度值反轉(zhuǎn)的情況，引起較大的誤差。針對(duì)這類問(wèn)題可以根據(jù)具體的情況選擇合適的方法，使用深度學(xué)習(xí)的方法分割前景、背景；針對(duì)靜態(tài)背景視頻可使用二幀差法提??；針對(duì)動(dòng)態(tài)的背景視頻可建立高斯混合模型，通過(guò)選擇合適的閾值分割前景人物目標(biāo)[19]。

由于疫情的影響，人們出行都帶著口罩遮擋了人體面部重要特征點(diǎn)導(dǎo)致無(wú)法直接進(jìn)行人臉檢測(cè)，后期工作的方向則可以集中于訓(xùn)練口罩識(shí)別數(shù)據(jù)集的模型訓(xùn)練完成口罩下的人臉檢測(cè)獲取心率、呼吸信息；同時(shí)還可以利用熱紅外成像儀獲得的信號(hào)獲取更加豐富的生命參數(shù)，例如血脈氧、血流速度、標(biāo)準(zhǔn)體溫等。通過(guò)這些生命參數(shù)不僅可以分析人體的健康情況，也可以為身份識(shí)別、移動(dòng)支付等提供更有力的支持。