[发明专利]一种基于视频图像的非接触式的实时多人心率和血压测量方法

权利要求书

1.一种基于视频图像的非接触式的实时多人心率和血压测量方法，其特征在于，包括以下步骤：

步骤1，采用摄像头对多人进行视频图像采集；

步骤2，对视频图像进行运动检测，检测目标存在运动和静止两种状态，将所获取的图像从RGB颜色空间映射到YCbCr颜色空间，将运动二值图和肤色二值图做与运算处理得到前景二值图；

步骤3，结合SVM、Adaboost算法以及卷积神经网络对多个行人的人脸进行检测；

步骤3的具体过程为：

步骤3.1，通过harr特征，改善人脸特征提取不充分的情况，给定学习训练样本：G＝{(x₁，y₁)，(x₂，y₂)，(x₃，y₃)，…，(x_m，y_m)}，

其中x_i∈X，y_i∈Y，i＝1，2，3，…，m；m为训练集中样本的个数；X和Y表示某个域或者实例空间；

步骤3.2，初始化样本权重：i＝1，2，…，m；q＝1，2，…，Q；Q为给定的迭代次数；D_q(i)表示在第q次迭代中样本的权重；利用样本权重D_q(i)训练弱分类器；

步骤3.3，获取弱学习器的预测函数h_q，并计算在各样本下的误差ε_i和平均误差ε_q：

步骤3.4，选取

步骤3.5，更新样本权重

式中，Z_q为归一化因子，保证权重比例不变的情况下使分布权重和为1；

步骤3.6，转到步骤3.2进行下一步迭代，直至迭代到第Q次为止；

步骤3.7，输出最终的强分类器，即预测函数：

步骤3.8，在Adaboost算法弱分类器选择时，采用SVM作为Adaboost的弱分类器，能够减少参数个数，降低训练次数，SVM选择RBF(径向基函数)做为核函数：

K(x_i，y_i)＝exp(-γ||x_i-x_j||²)

式中，||x_i-x_j||²表示为x_i和x_j两个特征向量之间的平方欧几里得距离，x_j为核函数中心，表示为函数的宽度参数，控制函数的径向作用范围；

步骤3.9，使用卷积神经网络CNN分类器对上一步结果进行二次分类，将检测结果为人脸的部分做下一步处理，卷积核的计算公式表示为下式：

式中：M_j表示选择输入的特征图；表示前一层的第i个特征图与第l层的第j个特征图所连接的卷积核；表示第卷积核矩阵，‘*’表示卷积运算；表示偏置；f()表示激活函数，可以选择leakyRelu函数，加快收敛速度，解决梯度消失问题，防止神经元坏死，激活函数公式如下：

x_i表示为激活函数的输入，a表示为一个固定的数值斜率，在0.1-0.5之间，可以选择为0.15；

步骤3.10，分类器由一个输入层、两个卷积层、两个池化层、一个全连接层、一个输出层构成，首先对数据进行预处理，采用归一化的处理方法大小设置为(80，80)；然后通过浅层卷积层进行人脸面部特征提取，设置卷积核大小为5*5，共16个；通过大小为2*2的池化层进行降维操作；深层卷积层进行特征映射，设置卷积核大小为3*3，获得特征图，共16个特征图；然后放入池化层，进行特征提取，通过全连接层进行分类处理，使用Softmax分类器进行分类，分成两类，一类为人脸，另一类为非人脸；输出层进行结果输出，将判断结果为人脸的部分输出做下一步处理；

步骤4，从人体肤色图像中获得脉搏波信号后，使用demy小波变换对采集的信号进行滤波处理，然后检测心率信号的波峰来计算心率，并对脉搏波进行二次差分处理，得到加速脉搏波，确定加速脉搏波的两个特征点；并建立血压BP与脉搏波传导时间之间PWTT的模型；

步骤5，使用RBF神经网络来进一步完善对血压的预测，最后，输出预测结果，并根据人脸检测的结果将待测人群的心率和血压值以报表形式呈现。