[发明专利]一种多目标并发识别方法

说明书

本发明公开了一种多目标并发识别方法，具体为：1：采用中心网络模型提取人脸特征图；2：对人脸特征图进行初始BVP信号提取；3：将所有的初始BVP信号分解为IMF函数；4：将主频率值在心率成分频率范围内的IMF函数组成心率组，主频率值在呼吸成分频率范围内的IMF函数组成呼吸组；5：将心率组和呼吸组的IMF函数分别进行正交变换，得到心率主成份和呼吸频率主成份，对主成份中的频率组排序，在心率组中，将第g个频率组作为第g个心率成份X_hr,g(t)；在呼吸组中，将第q个频率组作为第q个呼吸频率成份X_hr,q(t)；6：判断X_hr,g(t)和X_hr,q(t)是否符合要求。本发明提高了生命体征检测的准确度。

技术领域

本发明属于理参数检测技术领域。

背景技术

目前大多数检测心率或呼吸的方法是提取特征并进行检测，该类算法都是在候选区域内提取特征，最后使用支持向量机、随机森林、自适应增强等方法进行检测与识别。或是利用深度学习进行目标检测，可以细分为二阶段与一阶段检测网络。利用选择性搜索方法输入整张图片生成2000个候选区域，随后将包含目标区域的图片送入网络中训练，经过一系列卷积操作提取特征，最后进行检测，生成的候选区域中包含大量重叠部分，导致R-CNN模型训练速度慢，处理效率低下。

发明内容

发明目的：为了解决上述现有技术存在的问题，本发明提供了一种多目标并发识别方法。

技术方案：本发明提供了一种多目标并发识别方法，该方法包括如下步骤：

步骤1：建立中心网络模型，用于提取人脸特征图，该中心网络模型包括高斯核处理模块和深度可分离卷积模块；将摄像头采集到的视频输入至该中心网络模型中，中心网络模型提取视频中每一帧图像的人脸特征图；

步骤2：对人脸特征图进行初始BVP信号提取；

步骤3：采用EEMD算法将所有的初始BVP信号分解为IMF函数；

步骤4：计算每个IMF函数的主频率，预设心率成分频率范围和呼吸成分频率范围，将主频率值在心率成分频率范围的IMF函数组合成心率组，将主频率值在呼吸成分频率范围的IMF函数组合成呼吸组；

步骤5：将心率组的IMF函数进行正交变换，从而将存在相关性的IMF函数转换为线性不相关的变量，即为心率主成份，心率主成份包括若干个频率组，将每个频率组按照频率组对应的人脸与摄像头的距离进行降序排序，将第g个频率组作为第g个心率成份Xh_r,g(t)；g＝1,2,3,…,G,G为心率成份中频率组的总个数；

将呼吸组的IMF函数进行正交变换，从而将存在相关性的IMF函数转换为线性不相关的变量，即为呼吸频率主成份；呼吸频率主成份包括若干个频率组，将呼吸频率主成份中的每个频率组按照频率组对应的人脸与摄像头的距离进行降序排序，将第q个频率组作为第q个呼吸频率成份X_hr,q(t)；q＝1,2,3,…,Q,Q为呼吸频率成份中频率组的总个数；

步骤6：采用峰值检测算法挑选出X_hr,g(t)所有局部最大值，将第i个局部最大值M_i和该第i个局部最大值之后的n个局部最大值组成一个局部最大值序列，计算该序列的方差根据方差计算每个方差对应的方差特征，方差特征组成方差特征序列，根据方差特征序列判断X_hr,g(t)是否符合要求；若是则保留X_hr,g(t)，并在X_hr,g(t)中选择最大的频率作为当前时间窗口第g个心率成份对应的心率；否则认为X_hr,g(t)无效；

步骤7：根据采用与步骤6的相同的方法，计算当前时间窗口第q个呼吸频率主成份对应的呼吸频率。

进一步的，所述步骤1中的中心网络的损失函数L_det为：