呼吸机穿戴检测方法、装置、设备及存储介质与流程

1.本发明涉及智能检测技术领域，尤其涉及一种呼吸机穿戴检测方法、装置、设备及存储介质。


背景技术：

2.现有技术对人体肩部/背部是否穿戴有呼吸机的检测方式，大多是通过预先训练的机器学习模型直接对采集到的图像直接进行检测。但实际上，在人体穿戴有呼吸机的图像中，由于受到呼吸机的阻挡人体背部区域的特征并不明显，即人体背部区域相比其他的背景区域没有特别显著的特征，从而使得模型在进行检测时，将人体穿戴呼吸机作为整体进行特征检测容易将位于人体其他区域或者手提着的呼吸机误判为已经穿戴在人体肩部，这种方式会使得人体背部区域特征值损失严重，导致检测准确度较低。
3.上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。


技术实现要素：

4.本发明的主要目的在于提供了一种呼吸机穿戴检测方法、装置、设备及存储介质，旨在解决现有技术对人体是否正确穿戴呼吸机的检测结果存在较大误差，准确度不高的技术问题。
5.为实现上述目的，本发明提供了一种呼吸机穿戴检测方法，所述方法包括以下步骤：
6.获取待检测图像，并判断所述待检测图像中是否存在肩部特征；
7.在存在所述肩部特征时，从所述待检测图像中提取所述肩部特征对应的感兴趣区域；
8.检测所述感兴趣区域中是否存在呼吸机特征，并根据检测结果判断所述肩部特征对应的人体是否穿戴有呼吸机。
9.可选地，所述在存在所述肩部特征时，从所述待检测图像中提取所述肩部特征对应的感兴趣区域的步骤，包括：
10.在存在所述肩部特征时，获取所述肩部特征在所述待检测图像中的肩部宽高尺寸信息；
11.根据所述肩部宽高尺寸信息确定所述待检测图像中包含的有效肩部特征；
12.提取所述有效肩部特征对应的感兴趣区域。
13.可选地，所述在存在所述肩部特征时，获取所述肩部特征在所述待检测图像中的肩部宽高尺寸信息的步骤，包括：
14.在存在所述肩部特征时，对所述肩部特征进行边缘检测，以确定所述肩部特征对应的肩部轮廓；
15.对所述肩部轮廓进行修正，并获得修正后的肩部轮廓在所述待检测图像中的肩部
宽高尺寸信息。
16.可选地，所述根据所述肩部宽高尺寸信息确定所述待检测图像中包含的有效肩部特征的步骤，包括：
17.对所述肩部宽高尺寸信息进行遍历，并判断每次遍历到的肩部宽高尺寸信息是否满足预设最小肩部宽高尺寸要求；
18.若满足，则判定当前遍历到的肩部宽高尺寸信息对应的肩部特征为有效肩部特征；
19.在遍历结束时，根据遍历结果确定所述待检测图像中包含的有效肩部特征。
20.可选地，所述提取所述有效肩部特征对应的感兴趣区域的步骤，包括：
21.将所述待检测图像转化为hsv图像；
22.通过图像掩模技术在所述hsv图像中提取所述有效肩部特征对应的感兴趣区域。
23.可选地，所述通过图像掩模技术在所述hsv图像中提取所述有效肩部特征对应的感兴趣区域的步骤，包括：
24.在所述hsv图像中对所述有效肩部特征所在的图像区域进行像素填充，获得包含像素填充后的有效肩部特征的掩模图像；
25.将所述掩模图像和所述hsv图像进行与运算，获得所述有效肩部特征对应的感兴趣区域。
26.可选地，所述获取待检测图像，并判断所述待检测图像中是否存在肩部特征的步骤，包括：
27.获取待检测图像，通过预设人肩检测模型判断所述待检测图像中是否存在肩部特征。
28.可选地，所述检测所述感兴趣区域中是否存在呼吸机特征，并根据检测结果判断所述肩部特征对应的人体是否穿戴有呼吸机的步骤，包括：
29.通过预设呼吸机检测模型检测所述感兴趣区域中是否存在呼吸机特征；
30.在存在所述呼吸机特征时，判定所述肩部特征对应的人体穿戴有呼吸机；
31.在不存在所述呼吸机特征时，判定所述肩部特征对应的人体未穿戴呼吸机。
32.可选地，所述获取待检测图像，通过预设人肩检测模型判断所述待检测图像中是否存在肩部特征的步骤之前，包括：
33.获取大量的呼吸机图像数据和未穿戴呼吸机的人体图像数据；
34.通过所述呼吸机图像数据对第一初始神经网络模型进行迭代训练，以获得预设呼吸机检测模型；
35.通过所述未穿戴呼吸机的人体图像数据对第二初始神经网络模型进行迭代训练，以获得预设人肩检测模型。
36.可选地，所述对所述肩部轮廓进行修正，并获得修正后的肩部轮廓在所述待检测图像中的肩部宽高尺寸信息的步骤，包括：
37.选取所述待检测图像中的一像素点作为坐标原点构建坐标系；
38.基于构建的坐标系确定所述肩部轮廓中各轮廓像素点的位置坐标；
39.根据所述各轮廓像素点的位置坐标对所述肩部轮廓进行修正，并获得修正后的肩部轮廓在所述待检测图像中的肩部宽高尺寸信息。
40.可选地，所述根据所述各轮廓像素点的位置坐标对所述肩部轮廓进行修正，并获得修正后的肩部轮廓在所述待检测图像中的肩部宽高尺寸信息的步骤，包括：
41.根据所述各轮廓像素点的位置坐标判断所述肩部轮廓中是否存在间断像素点；
42.在存在所述间断像素点时，获取所述间断像素点对应的待连接像素点，并将所述间断像素点和所述待连接像素点连接，获得修正后的肩部轮廓；
43.基于所述坐标系获取所述修正后的肩部轮廓在所述待检测图像中的肩部宽高尺寸信息。
44.此外，为实现上述目的，本发明还提出一种呼吸机穿戴检测装置，所述呼吸机穿戴检测装置包括：
45.特征检测模块，用于获取待检测图像，并判断所述待检测图像中是否存在肩部特征；
46.区域提取模块，用于在存在所述肩部特征时，从所述待检测图像中提取所述肩部特征对应的感兴趣区域；
47.穿戴判断模块，用于检测所述感兴趣区域中是否存在呼吸机特征，并根据检测结果判断所述肩部特征对应的人体是否穿戴有呼吸机。
48.可选地，所述区域提取模块，还用于在存在所述肩部特征时，获取所述肩部特征在所述待检测图像中的肩部宽高尺寸信息；根据所述肩部宽高尺寸信息确定所述待检测图像中包含的有效肩部特征；提取所述有效肩部特征对应的感兴趣区域。
49.可选地，所述区域提取模块，还用于在存在所述肩部特征时，对所述肩部特征进行边缘检测，以确定所述肩部特征对应的肩部轮廓；对所述肩部轮廓进行修正，并获得修正后的肩部轮廓在所述待检测图像中的肩部宽高尺寸信息。
50.可选地，所述区域提取模块，还用于对所述肩部宽高尺寸信息进行遍历，并判断每次遍历到的肩部宽高尺寸信息是否满足预设最小肩部宽高尺寸要求；若满足，则判定当前遍历到的肩部宽高尺寸信息对应的肩部特征为有效肩部特征；在遍历结束时，根据遍历结果确定所述待检测图像中包含的有效肩部特征。
51.可选地，所述区域提取模块，还用于将所述待检测图像转化为hsv图像；通过图像掩模技术在所述hsv图像中提取所述有效肩部特征对应的感兴趣区域。
52.可选地，所述区域提取模块，还用于在所述hsv图像中对所述有效肩部特征所在的图像区域进行像素填充，获得包含像素填充后的有效肩部特征的掩模图像；将所述掩模图像和所述hsv图像进行与运算，获得所述有效肩部特征对应的感兴趣区域。
53.可选地，所述特征检测模块，还用于获取待检测图像，通过预设人肩检测模型判断所述待检测图像中是否存在肩部特征。
54.此外，为实现上述目的，本发明还提出一种呼吸机穿戴检测设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的呼吸机穿戴检测程序，所述呼吸机穿戴检测程序配置为实现如上文所述的呼吸机穿戴检测方法的步骤。
55.此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有呼吸机穿戴检测程序，所述呼吸机穿戴检测程序被处理器执行时实现如上文所述的呼吸机穿戴检测方法的步骤。
56.本发明通过获取待检测图像，并判断待检测图像中是否存在肩部特征；在存在肩
部特征时，从待检测图像中提取肩部特征对应的感兴趣区域；检测感兴趣区域中是否存在呼吸机特征，并根据检测结果判断肩部特征对应的人体是否穿戴有呼吸机。由于本发明是先检测图像中是否存在肩部特征，然后提取肩部特征对应的感兴趣区域，再检测感兴趣区域中是否存在呼吸机特征，最后根据检测结果判断人体是否穿戴有呼吸机，该方式相比于现有的将穿戴呼吸机的人体作为整体识别对象进行呼吸机检测的方式，能够避免误检，同时通过在肩部特征的感兴趣区域中检测呼吸机特征来判断人体是否穿戴呼吸机也能够保证检测结果的精度和可靠性。
附图说明
57.图1是本发明实施例方案涉及的硬件运行环境的呼吸机穿戴检测设备的结构示意图；
58.图2为本发明呼吸机穿戴检测方法第一实施例的流程示意图；
59.图3为本发明呼吸机穿戴检测方法第二实施例的流程示意图；
60.图4为本发明呼吸机穿戴检测方法第二实施例中掩模图像和hsv图像进行与运算的示意图。
61.图5为本发明呼吸机穿戴检测方法第三实施例的流程示意图；
62.图6为本发明呼吸机穿戴检测装置第一实施例的结构框图。
63.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
64.应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
65.参照图1，图1为本发明实施例方案涉及的硬件运行环境的呼吸机穿戴检测设备结构示意图。
66.如图1所示，该呼吸机穿戴检测设备可以包括：处理器1001，例如中央处理器(central processing unit，cpu)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(wireless-fidelity，wi-fi)接口)。存储器1005可以是高速的随机存取存储器(random access memory，ram)，也可以是稳定的非易失性存储器(non-volatile memory，nvm)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
67.本领域技术人员可以理解，图1中示出的结构并不构成对呼吸机穿戴检测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
68.如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及呼吸机穿戴检测程序。
69.在图1所示的呼吸机穿戴检测设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明呼吸机穿戴检测设备中的处理器1001、存储器1005可以设置在呼吸机穿戴检测设备中，所述呼吸机穿戴检测设备通过处理器1001调用存储器1005中存储的呼吸机穿戴检测程序，并执行本发明实施例提供的
呼吸机穿戴检测方法。
70.本发明实施例提供了一种呼吸机穿戴检测方法，参照图2，图2为本发明呼吸机穿戴检测方法第一实施例的流程示意图。
71.本实施例中，所述呼吸机穿戴检测方法包括以下步骤：
72.步骤s10：获取待检测图像，并判断所述待检测图像中是否存在肩部特征；
73.需要说明的是，本实施例方法的执行主体可以是具有数据处理、网络通信以及程序运行功能的计算服务设备，例如手机、平板电脑、个人电脑等，还可以是能够实现相同或相似功能的其他电子设备。以下以上述呼吸机穿戴检测设备(简称检测设备)对本实施例和下述各实施例进行说明。
74.本实施例中，所述肩部特征可以是人体肩膀部位的图像特征。在具体实现过程中，检测设备可通过图像特征识别来判断待检测图像中是否存在肩部特征。
75.进一步地，考虑到神经网络模型相比于其它用于图像特征识别的机器学习模型具有较强的非线性拟合能力以及较高的鲁棒性，本实施例中检测设备在对待检测图像进行特征识别时，可优先考虑通过预先训练好的神经网络模型来实现。因此，作为一种实施方式，上述步骤s10可包括：
76.步骤s101：获取待检测图像，通过获取待检测图像，通过预设人肩检测模型判断所述待检测图像中是否存在肩部特征。
77.需要说明的是，所述预设人肩检测模型可以是预先根据大量的模型训练样本(例如，未穿戴呼吸机的人体图像数据)训练完成的卷积神经网络(convolutional neural networks，cnn)模型。
78.需要强调的是，现有技术大多是通过预先训练的机器学习模型对采集到的图像直接进行检测，而这些机器学习模型在训练时基本都是将大量穿戴有呼吸机的人体图像输入到模型中进行训练，但由于人体背部区域特征不明显，相比其他的背景区域没有特别显著的特征，因而这类图片传入模型时背部区域特征不容易被学习到，使得人体背部区域特征值损失严重，导致放在人体其他区域或者手提着的空呼机误判为已经背着，产生误检。
79.为了避免这种情况，本实施例中在对初始神经网络模型进行训练时，将训练样本数据分为呼吸机图像数据和未穿戴呼吸机的人体图像数据两类，然后分别训练出用于检测人体肩部特征的人肩检测模型和用于检测呼吸机特征的呼吸机检测模型，从而能够保证呼吸机特征和人体肩部特征在训练中被模型充分学习，提高肩部特征和呼吸机特征的识别精度。
80.因此，在上述步骤s101之前，本实施例提供的呼吸机穿戴检测方法还包括：获取大量的呼吸机图像数据和未穿戴呼吸机的人体图像数据；通过所述呼吸机图像数据对第一初始神经网络模型进行迭代训练，以获得预设呼吸机检测模型；通过所述未穿戴呼吸机的人体图像数据对第二初始神经网络模型进行迭代训练，以获得预设人肩检测模型。
81.在具体实现中，若检测设备检测到图像中不存在肩部特征，表明待检测图像中不存在人体，此时即可停止后续的检查操作；若检测到存在肩部特征，则需要继续检测该肩部特征所在的区域中是否存在呼吸机特征。
82.步骤s20：在存在所述肩部特征时，从所述待检测图像中提取所述肩部特征对应的感兴趣区域；
83.应理解的是，感兴趣区域(region of interest，roi)，即根据图像处理需求从被处理的图像中以方框、圆、椭圆、不规则多边形等方式勾勒出的区域。本实施例中为了实现呼吸机穿戴的准确检测，检测设备需要从待检测图像中提取肩部特征对应的感兴趣区域。
84.需要说明的是，本实施例中检测设备可以通过图像掩模(image mask)技术提取肩部特征对应的感兴趣区域。当然，检测设备还可调用halcon、opencv、matlab等机器视觉软件中的各种算子(例如operator)和函数来获得感兴趣区域。本实施例对肩部特征对应的感兴趣区域的提取方式不作具体限制。
85.在具体实现中，检测设备在检测到待检测图像中存在肩部特征时，还将检测肩部特征的数量，若数量大于1，则需要分别提取各个肩部特征对应的感兴趣区域。
86.步骤s30：检测所述感兴趣区域中是否存在呼吸机特征，并根据检测结果判断所述肩部特征对应的人体是否穿戴有呼吸机。
87.需要说明的是，所述呼吸机特征可以是呼吸机对应的图像特征。实际应用中，若肩部特征对应的感兴趣区域中存在呼吸机特征，则大概率表明人体(被检测人员)是穿戴有呼吸机的；反之，若感兴趣区域中不存在呼吸机特征，则可直接判定人体未穿戴呼吸机，此时就需要进行预警提示，以提醒被检测人员尽快穿戴呼吸机。
88.进一步地，本实施例中对呼吸机特征的识别可以通过上述训练好的预设呼吸机检测模型来实现，以提高识别准确度。因此，检测设备可通过预设呼吸机检测模型检测所述感兴趣区域中是否存在呼吸机特征；在存在所述呼吸机特征时，判定所述肩部特征对应的人体穿戴有呼吸机；在不存在所述呼吸机特征时，判定所述肩部特征对应的人体未穿戴呼吸机。
89.本实施例通过获取待检测图像，并判断待检测图像中是否存在肩部特征；在存在肩部特征时，从待检测图像中提取肩部特征对应的感兴趣区域；检测感兴趣区域中是否存在呼吸机特征，并根据检测结果判断肩部特征对应的人体是否穿戴有呼吸机。由于本实施例是先检测图像中是否存在肩部特征，然后提取肩部特征对应的感兴趣区域，再检测感兴趣区域中是否存在呼吸机特征，最后根据检测结果判断人体是否穿戴有呼吸机，该方式相比于现有的将穿戴呼吸机的人体作为整体识别对象进行呼吸机检测的方式，能够避免误检，同时通过在肩部特征的感兴趣区域中检测呼吸机特征来判断人体是否穿戴呼吸机也能够保证检测结果的精度和可靠性。
90.进一步地，为了对呼吸机穿戴进行准确预警，本实施例中检测设备还可以在根据上述检测结果判定出人体穿戴有呼吸机时，该呼吸机是否正确或者规范穿戴，从而避免被检测人员只是单肩斜挎呼吸机的情形。
91.具体的，检测设备可以在检测到感兴趣区域中存在呼吸机特征时，获取所述呼吸机特征中的背带特征的数量；若该数量为一，则表明未正确穿戴呼吸机，此时可发出相应的预警提示提醒被检测人员正确穿戴呼吸机；若该数量为二，则分别检测背带特征是否位于所述感兴趣区域的预设区域(例如左肩区域或右肩区域)，若是，则判定呼吸机被正确穿戴，反之则判定呼吸机未正确穿戴。上述方式能够有效的被检测人员是否正确穿戴了呼吸机，在未正确穿戴呼吸机时，及时告知并提醒被检测人员，确保了被检测人员的安全性。
92.参照图3，图3为本发明呼吸机穿戴检测方法第二实施例的流程示意图。
93.基于上述第一实施例，本实施例中所述步骤s20可具体包括：
94.步骤s201：在存在所述肩部特征时，获取所述肩部特征在所述待检测图像中的肩部宽高尺寸信息；
95.需要说明的是，在实际检测过程中，摄像头采集的待检测图像中可能存在多人穿戴呼吸机的情形，但由于不同的人体距离摄像头的距离远近不同，一些距离远的人体在待检测图像中的区域占比就不会太多，而且距离过远也会导致拍摄的清晰度下降，因此本实施例中检测设备在进行呼吸机穿戴检测时，将对识别到的肩部特征进行过滤，从而滤除那些尺寸过小的肩部特征，避免检测误差。
96.在具体实现中，检测设备可在待检测图像中存在肩部特征时，获取肩部特征在待检测图像中的肩部宽高尺寸信息。其中，所述肩部宽高尺寸信息可以是人体肩部的高度信息和宽度信息。
97.步骤s202：根据所述肩部宽高尺寸信息确定所述待检测图像中包含的有效肩部特征；
98.应理解的是，若在待检测图像中人体肩部的高度和宽度过小，例如在20cm
×
15cm的图片中，某一人体肩部的高度为3cm，宽度为1.5cm，那么该4.5cm2的区域的图像元素基本不能清晰的表现出人体是否穿戴有呼吸机，且对神经网络模型而言，被识别区域的特征像素点过少的情况下，很难实现对图像事物的准确识别。因此，本实施例中可预先定义一个最小肩部宽高尺寸要求(例如高度大于等于6cm和/或宽度大于等于5cm等)，将不满足该尺寸要求的肩部特征滤除。
99.对于检测多人穿戴呼吸机的场景，本实施例检测设备可对所述肩部宽高尺寸信息进行遍历，并判断每次遍历到的肩部宽高尺寸信息是否满足预设最小肩部宽高尺寸要求；若满足，则判定当前遍历到的肩部宽高尺寸信息对应的肩部特征为有效肩部特征；在遍历结束时，根据遍历结果确定所述待检测图像中包含的有效肩部特征。
100.步骤s203：提取所述有效肩部特征对应的感兴趣区域。
101.在具体实现中，检测设备在确定出待检测图像中的有效肩部特征后，即可提取有效肩部特征对应的感兴趣区域。
102.作为上述步骤s203的一种实现方式，本实施例中检测设备可基于opencv(一种开源的计算机视觉库)采用图像掩模技术来提取感兴趣区域。具体的，可通过以下步骤来实现：
103.步骤s2031：将所述待检测图像转化为hsv图像；
104.应理解的是，hsv(hue,saturation,value)是根据颜色的直观特性创建的一种颜色空间，其中h代表色调，s代表饱和度，v代表明度。通常情况下摄像机拍摄的图像为rgb颜色空间下的图像，因此在提取感兴趣区域时，需要先将这些图像转化为hsv颜色空间中的hsv图像。
105.步骤s2032：通过图像掩模技术在所述hsv图像中提取所述有效肩部特征对应的感兴趣区域。
106.应理解的是，图像掩模技术即用选定的图像、图形或物体，对待处理的图像(整体或局部)进行遮挡，来控制图像处理的区域或图像处理过程。在具体实现中，检测设备可先在所述hsv图像中对所述有效肩部特征所在的图像区域进行像素填充，获得包含像素填充后的有效肩部特征的掩模图像(即由0和1组成的一个二进制图像，像素填充后的有效肩部
特征属于1值区域，其他的图像特征则属于0值区域)；然后将所述掩模图像和所述hsv图像进行与运算，获得所述有效肩部特征对应的感兴趣区域。
107.此处结合图4进行说明，图4为本发明呼吸机穿戴检测方法第二实施例中掩模图像和hsv图像进行与运算的示意图。
108.如图4所示，hsv图像中的每个像素和掩膜图像(mask图像)中的每个对应像素进行与运算(比如1&1＝1；1&0＝0)后，即可获得感兴趣区域(图像)，由于mask图像中经过像素填充后的有效肩部特征属于1值区域，因此hsv图像与mask图像经过与运算后，生成的图像中感兴趣区内图像值保持不变，而区外图像值都为0，从而实现了对有效肩部特征这一感兴趣区域的提取。
109.本实施例在存在肩部特征时，获取肩部特征在待检测图像中的肩部宽高尺寸信息；根据肩部宽高尺寸信息确定待检测图像中包含的有效肩部特征；提取有效肩部特征对应的感兴趣区域，能够避免将图像中宽高尺寸过小的肩部特征作为被检测的对象，进一步提高了检测的准确度。
110.参照图5，图5为本发明呼吸机穿戴检测方法第三实施例的流程示意图。
111.基于上述各实施例，本实施例中所述步骤s201可具体包括：
112.步骤s2011：在存在所述肩部特征时，对所述肩部特征进行边缘检测，以确定所述肩部特征对应的肩部轮廓；
113.可理解的是，边缘检测是图像处理和计算机视觉中进行特征提取的一种操作，其目的是标识数字图像中亮度变化明显的像素点，然后根据标识结果提取图像中不连续部分的特征，然后根据这些特征确定区域。
114.在具体实现中，检测设备可先获取肩部特征中各特征的灰度值，然后根据这些特征点的灰度值和其相邻特征点的灰度值来判断是否出现明显的灰度变化，若出现明显的灰度变化，则基本可以判断出该特征点属于边缘特征像素点，在边缘特征像素点确定后，检测设备即可将这些肩部特征像素点连线，获取不连续的轮廓，即所述肩部轮廓。
115.应理解的是，在边缘检测过程中，通过简单的二值化和边缘提取可以得到封闭的图像轮廓。但大多数边缘提取算子得到的轮廓都可能存在缺陷，即轮廓不封闭，如：cannyl算子，所以往往需要对轮廓进行进一步处理。本实施例中，检测设备在确定出肩部特征对应的肩部轮廓后，还将检测这些肩部轮廓所组成的区域是否是封闭区域，若不是，则需要对肩部轮廓进行修正。
116.步骤s2012：对所述肩部轮廓进行修正，并获得修正后的肩部轮廓在所述待检测图像中的肩部宽高尺寸信息。
117.需要说明的是，本实施例中对肩部轮廓进行修正，可以是将轮廓中不连续的部分用线段连接起来，使得修正后的肩部轮廓是封闭的；也可以是将轮廓中相邻线段之间的角度明显不符合实际的进行平滑处理，使得修正后的轮廓更加接近于真实的人体肩部轮廓。
118.进一步地，为了保证轮廓修正的效果，本实施例中，检测设备还可以采用构建坐标系的方式，通过轮廓像素点的位置坐标对肩部轮廓进行修正。具体的，检测设备可选取所述待检测图像中的一像素点(例如中心像素点或者左下角的边缘像素点)作为坐标原点构建坐标系，然后基于构建的坐标系确定所述肩部轮廓中各轮廓像素点的位置坐标，再根据所述各轮廓像素点的位置坐标对所述肩部轮廓进行修正，并获得修正后的肩部轮廓在所述待
检测图像中的肩部宽高尺寸信息。
119.作为轮廓修正的一种实现方式，本实施例中，检测设备可根据所述各轮廓像素点的位置坐标判断所述肩部轮廓中是否存在间断像素点；在存在所述间断像素点时，获取所述间断像素点对应的待连接像素点，并将所述间断像素点和所述待连接像素点连接，获得修正后的肩部轮廓；基于所述坐标系获取所述修正后的肩部轮廓在所述待检测图像中的肩部宽高尺寸信息。
120.应理解的是，图像轮廓修正仅需要对轮廓端点进行处理，而不是轮廓上的每一个点。而在图像处理中对轮廓端点的定义通常为：对于轮廓上的任意一点，如果满足其8邻域(上下左右四个邻域+四个对角邻域)按顺时针或逆时针方向像素值变化次数为0次或者2次，则该点为轮廓端点。当变化次数为0次时，该点为孤立点，即轮廓的两个端点重合。任意两端点之间的距离不大于给定阈值时可用直线连接这两个端点。
121.因此，本实施例中，检测设备可按照根据上述定义判断所述肩部轮廓中是否存在间断像素点，若存在，则获取间断像素点对应的待连接像素点(实际上也是一个间断像素点)，然后在间断像素点和待连接像素点之间的距离不大于给定阈值时，用直线连接这两个端点，从而实现轮廓修复。
122.本实施例在存在肩部特征时，对肩部特征进行边缘检测，以确定肩部特征对应的肩部轮廓；对肩部轮廓进行修正，并获得修正后的肩部轮廓在待检测图像中的肩部宽高尺寸信息，通过上述方式检测设备能够获取完整的肩部轮廓，保证后续提取的感兴趣区域的准确度。
123.此外，本发明实施例还提出一种存储介质，所述存储介质上存储有呼吸机穿戴检测程序，所述呼吸机穿戴检测程序被处理器执行时实现如上文所述的呼吸机穿戴检测方法的步骤。
124.参照图6，图6为本发明呼吸机穿戴检测装置第一实施例的结构框图。
125.如图6所示，本发明实施例提出的呼吸机穿戴检测装置包括：
126.特征检测模块601，用于获取待检测图像，并判断所述待检测图像中是否存在肩部特征；
127.区域提取模块602，用于在存在所述肩部特征时，从所述待检测图像中提取所述肩部特征对应的感兴趣区域；
128.穿戴判断模块603，用于检测所述感兴趣区域中是否存在呼吸机特征，并根据检测结果判断所述肩部特征对应的人体是否穿戴有呼吸机。
129.本实施例通过获取待检测图像，并判断待检测图像中是否存在肩部特征；在存在肩部特征时，从待检测图像中提取肩部特征对应的感兴趣区域；检测感兴趣区域中是否存在呼吸机特征，并根据检测结果判断肩部特征对应的人体是否穿戴有呼吸机。由于本实施例是先检测图像中是否存在肩部特征，然后提取肩部特征对应的感兴趣区域，再检测感兴趣区域中是否存在呼吸机特征，最后根据检测结果判断人体是否穿戴有呼吸机，该方式相比于现有的将穿戴呼吸机的人体作为整体识别对象进行呼吸机检测的方式，能够避免误检，同时通过在肩部特征的感兴趣区域中检测呼吸机特征来判断人体是否穿戴呼吸机也能够保证检测结果的精度和可靠性。
130.基于本发明上述呼吸机穿戴检测装置第一实施例，提出本发明呼吸机穿戴检测装
置的第二实施例。
131.在本实施例中，所述区域提取模块602，还用于在存在所述肩部特征时，获取所述肩部特征在所述待检测图像中的肩部宽高尺寸信息；根据所述肩部宽高尺寸信息确定所述待检测图像中包含的有效肩部特征；提取所述有效肩部特征对应的感兴趣区域。
132.进一步地，所述区域提取模块602，还用于在存在所述肩部特征时，对所述肩部特征进行边缘检测，以确定所述肩部特征对应的肩部轮廓；对所述肩部轮廓进行修正，并获得修正后的肩部轮廓在所述待检测图像中的肩部宽高尺寸信息。
133.进一步地，所述区域提取模块602，还用于对所述肩部宽高尺寸信息进行遍历，并判断每次遍历到的肩部宽高尺寸信息是否满足预设最小肩部宽高尺寸要求；若满足，则判定当前遍历到的肩部宽高尺寸信息对应的肩部特征为有效肩部特征；在遍历结束时，根据遍历结果确定所述待检测图像中包含的有效肩部特征。
134.进一步地，所述区域提取模块602，还用于将所述待检测图像转化为hsv图像；通过图像掩模技术在所述hsv图像中提取所述有效肩部特征对应的感兴趣区域。
135.进一步地，所述区域提取模块602，还用于在所述hsv图像中对所述有效肩部特征所在的图像区域进行像素填充，获得包含像素填充后的有效肩部特征的掩模图像；将所述掩模图像和所述hsv图像进行与运算，获得所述有效肩部特征对应的感兴趣区域。
136.进一步地，所述特征检测模块601，还用于获取待检测图像，通过预设人肩检测模型判断所述待检测图像中是否存在肩部特征。
137.进一步地，所述穿戴判断模块603，还用于通过预设呼吸机检测模型检测所述感兴趣区域中是否存在呼吸机特征；在存在所述呼吸机特征时，判定所述肩部特征对应的人体穿戴有呼吸机；在不存在所述呼吸机特征时，判定所述肩部特征对应的人体未穿戴呼吸机
138.进一步地，本实施例中所述呼吸机穿戴检测设备还包括：模型训练模块，用于获取大量的呼吸机图像数据和未穿戴呼吸机的人体图像数据；通过所述呼吸机图像数据对第一初始神经网络模型进行迭代训练，以获得预设呼吸机检测模型；通过所述未穿戴呼吸机的人体图像数据对第二初始神经网络模型进行迭代训练，以获得预设人肩检测模型。
139.进一步地，所述区域提取模块602，还用于选取所述待检测图像中的一像素点作为坐标原点构建坐标系；基于构建的坐标系确定所述肩部轮廓中各轮廓像素点的位置坐标；根据所述各轮廓像素点的位置坐标对所述肩部轮廓进行修正，并获得修正后的肩部轮廓在所述待检测图像中的肩部宽高尺寸信息。
140.进一步地，所述区域提取模块602，还用于根据所述各轮廓像素点的位置坐标判断所述肩部轮廓中是否存在间断像素点；在存在所述间断像素点时，获取所述间断像素点对应的待连接像素点，并将所述间断像素点和所述待连接像素点连接，获得修正后的肩部轮廓；基于所述坐标系获取所述修正后的肩部轮廓在所述待检测图像中的肩部宽高尺寸信息。
141.本发明呼吸机穿戴检测装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。
142.本发明提供a1一种呼吸机穿戴检测方法，所述呼吸机穿戴检测方法包括：
143.获取待检测图像，并判断所述待检测图像中是否存在肩部特征；
144.在存在所述肩部特征时，从所述待检测图像中提取所述肩部特征对应的感兴趣区
域；
145.检测所述感兴趣区域中是否存在呼吸机特征，并根据检测结果判断所述肩部特征对应的人体是否穿戴有呼吸机。
146.a2、如a1所述的呼吸机穿戴检测方法，所述在存在所述肩部特征时，从所述待检测图像中提取所述肩部特征对应的感兴趣区域的步骤，包括：
147.在存在所述肩部特征时，获取所述肩部特征在所述待检测图像中的肩部宽高尺寸信息；
148.根据所述肩部宽高尺寸信息确定所述待检测图像中包含的有效肩部特征；
149.提取所述有效肩部特征对应的感兴趣区域。
150.a3、如a2所述的呼吸机穿戴检测方法，所述在存在所述肩部特征时，获取所述肩部特征在所述待检测图像中的肩部宽高尺寸信息的步骤，包括：
151.在存在所述肩部特征时，对所述肩部特征进行边缘检测，以确定所述肩部特征对应的肩部轮廓；
152.对所述肩部轮廓进行修正，并获得修正后的肩部轮廓在所述待检测图像中的肩部宽高尺寸信息。
153.a4、如a2所述的呼吸机穿戴检测方法，所述根据所述肩部宽高尺寸信息确定所述待检测图像中包含的有效肩部特征的步骤，包括：
154.对所述肩部宽高尺寸信息进行遍历，并判断每次遍历到的肩部宽高尺寸信息是否满足预设最小肩部宽高尺寸要求；
155.若满足，则判定当前遍历到的肩部宽高尺寸信息对应的肩部特征为有效肩部特征；
156.在遍历结束时，根据遍历结果确定所述待检测图像中包含的有效肩部特征。
157.a5、如a2所述的呼吸机穿戴检测方法，所述提取所述有效肩部特征对应的感兴趣区域的步骤，包括：
158.将所述待检测图像转化为hsv图像；
159.通过图像掩模技术在所述hsv图像中提取所述有效肩部特征对应的感兴趣区域。
160.a6、如a5所述的呼吸机穿戴检测方法，所述通过图像掩模技术在所述hsv图像中提取所述有效肩部特征对应的感兴趣区域的步骤，包括：
161.在所述hsv图像中对所述有效肩部特征所在的图像区域进行像素填充，获得包含像素填充后的有效肩部特征的掩模图像；
162.将所述掩模图像和所述hsv图像进行与运算，获得所述有效肩部特征对应的感兴趣区域。
163.a7、如a1所述的呼吸机穿戴检测方法，所述获取待检测图像，并判断所述待检测图像中是否存在肩部特征的步骤，包括：
164.获取待检测图像，通过预设人肩检测模型判断所述待检测图像中是否存在肩部特征。
165.a8、如a7所述的呼吸机穿戴检测方法，所述检测所述感兴趣区域中是否存在呼吸机特征，并根据检测结果判断所述肩部特征对应的人体是否穿戴有呼吸机的步骤，包括：
166.通过预设呼吸机检测模型检测所述感兴趣区域中是否存在呼吸机特征；
167.在存在所述呼吸机特征时，判定所述肩部特征对应的人体穿戴有呼吸机；
168.在不存在所述呼吸机特征时，判定所述肩部特征对应的人体未穿戴呼吸机。
169.a9、如a8所述的呼吸机穿戴检测方法，所述获取待检测图像，通过预设人肩检测模型判断所述待检测图像中是否存在肩部特征的步骤之前，包括：
170.获取大量的呼吸机图像数据和未穿戴呼吸机的人体图像数据；
171.通过所述呼吸机图像数据对第一初始神经网络模型进行迭代训练，以获得预设呼吸机检测模型；
172.通过所述未穿戴呼吸机的人体图像数据对第二初始神经网络模型进行迭代训练，以获得预设人肩检测模型。
173.a10、如a2所述的呼吸机穿戴检测方法，所述对所述肩部轮廓进行修正，并获得修正后的肩部轮廓在所述待检测图像中的肩部宽高尺寸信息的步骤，包括：
174.选取所述待检测图像中的一像素点作为坐标原点构建坐标系；
175.基于构建的坐标系确定所述肩部轮廓中各轮廓像素点的位置坐标；
176.根据所述各轮廓像素点的位置坐标对所述肩部轮廓进行修正，并获得修正后的肩部轮廓在所述待检测图像中的肩部宽高尺寸信息。
177.a11、如a10所述的呼吸机穿戴检测方法，所述根据所述各轮廓像素点的位置坐标对所述肩部轮廓进行修正，并获得修正后的肩部轮廓在所述待检测图像中的肩部宽高尺寸信息的步骤，包括：
178.根据所述各轮廓像素点的位置坐标判断所述肩部轮廓中是否存在间断像素点；
179.在存在所述间断像素点时，获取所述间断像素点对应的待连接像素点，并将所述间断像素点和所述待连接像素点连接，获得修正后的肩部轮廓；
180.基于所述坐标系获取所述修正后的肩部轮廓在所述待检测图像中的肩部宽高尺寸信息。
181.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
182.上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
183.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
184.以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。