而不能理解为对本发明的限制。
[0042] 如图1所示，本发明实施例的非接触式睡眠监测方法，包括如下步骤：
[0043] 步骤S1，利用红外监控摄像机采集人体头部区域和胸腹区域的视频图像，并且利 用体感设备采集人体的姿态信息。其中，体感设备可以采用Kinect体感设备。
[0044] 具体地，在本步骤中，主动式红外监控摄像机用于采集人体头部和胸腹部的视频 图像，体感设备用于采集人体的整体姿态。体感设备发出光的波长为830nm，红外监控摄像 机接收红外光的波长一般为780-940nm。因此红外监控摄像机成像会受到体感设备发出光 的干扰。为了保证采集的视频数据的质量，减少干扰，需要在主动式红外监控摄像机前安 装850nm的红外滤镜。
[0045] 步骤S2,获取人体的睡眠信息，其中，睡眠信息包括：人眼的睁开和闭合信息、人 体的呼吸信息和睡眠过程中的姿态信息。
[0046] 如图2所示，步骤S2包括如下步骤：
[0047] 步骤S21，分析头部区域的视频图像以对头部运动进行监测和跟踪，获取人眼的睁 开和闭合信息。即，红外监控摄像机利用视频接口将图像传输给图像处理模块，图像处理模 块对头部进行检测和跟踪，从而获取眼睛的睁开和闭合信息。
[0048] 首先，对头部区域视频图像中的人脸区域进行初始化。
[0049] 具体地，在头部区域视频图像中的第一帧图像上检测人脸所在位置。要求被测试 人员在视频获取的初始阶段，应以眼睛睁开的状态正面面向镜头。之后可以按照被测试人 员适宜的方式进行睡眠。在视频第一帧图像上提取Haar-Iike特征。Haar-Iike特征由线 性特征、边缘特征、点特征和对角特征组成。为了加快特征提取速度，使用积分图方法来计 算Haar-Iike特征。提取出特征后，利用Adaboost算法训练能够区分人脸和非人脸的分类 器，这种分类器可以将一组弱分类器的分类结果进行综合，并且把强分类器级联在一起提 高分类的准确率。之后将第一帧提取出的人脸区域图像存入人脸的模板库。
[0050] 然后，对初始化的人脸区域分别采用模版匹配方法和光流跟踪方法跟踪人脸运 动。
[0051] 具体地，根据检测出的人脸区域，使用模板匹配和光流跟踪两种方法跟踪其运动 过程并将结果进行综合。首先依据前一帧的跟踪结果确定当前帧的匹配和跟踪的搜索范 围。在当前帧图像上，以前一帧跟踪结果区域为中心，向结果区域周围进行扩展，所得面积 为原跟踪区域面积9倍的区域就是当前帧的搜索区域。然后。在搜索区域内进行模板匹配 和光流跟踪。
[0052] (1)模板匹配：
[0053] 对模板库中的每一个模板，使用该模板在搜索区域中寻找与其相关系数最大的位 置，该位置就是当前帧中与搜索模板对应的人脸区域。比较模板库中所有模板对应的人脸 区域相关系数，系数最大的位置就是模板匹配的结果。
[0054] 在上述过程中，通过以下公式计算得到模板在各个位置的相关系数：
【主权项】
1. 一种非接触式睡眠监测方法，其特征在于，包括如下步骤： S1，利用红外监控摄像机采集人体头部区域和胸腹区域的视频图像，并且利用体感设 备米集人体的姿态?目息； 52, 获取人体的睡眠信息，其中，所述睡眠信息包括：人眼的睁开和闭合信息、人体的呼 吸信息和睡眠过程中的姿态信息，包括如下步骤： 分析所述头部区域的视频图像以对头部运动进行监测和跟踪，获取人眼的睁开和闭合 信息，以及分析胸腹区域的视频图像，利用运动放大算法以得到人体的呼吸信息，采用预设 分类算法对所述姿态信息进行分类以获取人体睡眠过程中的姿态信息； 53, 将所述人体的睡眠信息与预设的标准睡眠信息进行比对，分析所述人体的睡眠质 量的健康程度。
2. 如权利要求1所述的非接触式睡眠监测方法，其特征在于，所述获取人眼的睁开和 闭合信息，包括如下步骤： 对头部区域视频图像中的人脸区域进行初始化； 对初始化的人脸区域分别采用模版匹配方法和光流跟踪方法跟踪人脸运动； 将模版匹配结果和光流跟踪结果进行综合以生成人脸的当前帧跟踪结果； 计算所述当前帧跟踪结果与预设模板库中所有模板的相关系数，以所有系数中最大值 作为跟踪结果与模板库的相关系数，如果所述相关系数大于或等于第一阈值，则将所述当 前帧跟踪结果加入到模板库中，更新模板库；否则模板库不更新； 统计跟踪结果区域内所有位置点的灰度值，根据第二阈值将区域内的像素点进行二值 化，根据大于所述第二阈值的待选点在结果区域所在位置判断是否属于眼睛睁眼的图像区 域，在根据位置筛选后，仍有保留的像素点则判断眼睛为睁开状态，若没有像素点则认为眼 睛处于闭合状态。
3. 如权利要求1所述的非接触式睡眠监测方法，其特征在于，所述获取人体的呼吸信 息，包括如下步骤： 对所述胸腹区域视频图像的胸腹运动信息进行放大，并转化为对应像素点的亮度变 化； 获取亮度变化剧烈区域，将像素点的亮度变化转化为呼吸信号，包括：统计所述胸腹运 动剧烈区域内亮度值为最大值或是最小值的像素点数目之和，其中像素点总数的变化为呼 吸运动时的胸腹部的起伏变化，根据像素点数目得到的起伏运动变化曲线进行滤波操作， 生成呼吸信号； 将所述呼吸信号进行傅里叶变换，在频谱上最高幅度所对应的频率为人体的呼吸频 率。
4. 如权利要求1所述的非接触式睡眠监测方法，其特征在于，所述获取人体睡眠过程 中的姿态信息，包括如下步骤： 通过所述体感设备发出的结构光获取人体的骨骼数据； 对所述骨骼数据进行均值滤波以对所述骨骼数据进行去抖； 根据去抖后骨骼数据采用SVM分类器在训练集上进行训练，对所述骨骼数据进行分 类，确定人体的睡眠姿态信息。
5. -种非接触式睡眠监测系统，其特征在于，包括： 红外监控摄像机，用于采集人体头部区域和胸腹区域的视频图像； 体感设备，用于采集人体的姿态信息； 图像处理模块，用于获取人体的睡眠信息，其中，所述睡眠信息包括：人眼的睁开和闭 合信息、人体的呼吸信息和睡眠过程中的姿态信息，包括所述图像处理模块分析所述头部 区域的视频图像以对头部运动进行监测和跟踪，获取人眼的睁开和闭合信息，以及分析胸 腹区域的视频图像，获取所述胸腹区域视频图像的像素点的亮度变化以得到人体的呼吸信 息，采用预设分类算法对所述姿态信息进行分类以获取人体睡眠过程中的姿态信息； 睡眠质量分析模块，用于将所述人体的睡眠信息与预设的标准睡眠信息进行比对，分 析所述人体的睡眠质量的健康程度。
6. 如权利要求5所述的非接触式睡眠监测系统，其特征在于，所述红外监控摄像机前 安装有红外滤镜。
7. 如权利要求5所述的非接触式睡眠监测系统，其特征在于，所述图像处理模块获取 人眼的睁开和闭合信息，包括：对头部区域视频图像中的人脸区域进行初始化，对初始化的 人脸区域分别采用模版匹配方法和光流跟踪方法跟踪人脸运动，将模版匹配结果和光流跟 踪结果进行综合以生成人脸的当前帧跟踪结果，计算所述当前帧跟踪结果于预设模板库中 所有模板的相关系数，以所有系数中最大值作为跟踪结果与模板库的相关系数，如果所述 相关系数大于或等于第一阈值，则将所述当前帧跟踪结果加入到模板库中，更新模板库，统 计跟踪结果区域内所有位置点的灰度值，根据第二阈值将区域内的像素点进行二值化，根 据大于所述第二阈值的待选点在结果区域所在位置判断是否属于眼睛睁眼的图像区域，在 根据位置筛选后，仍有保留的像素点则判断眼睛为睁开状态，若没有像素点则认为眼睛处 于闭合状态。
8. 如权利要求5所述的非接触式睡眠监测系统，其特征在于，所述图像处理模块获取 人体的呼吸信息，包括：对所述胸腹区域视频图像的胸腹运动信息进行放大，并转化为对应 像素点的亮度变化；获取胸腹运动剧烈区域，将像素点的亮度变化转化为呼吸信号，包括： 统计所述胸腹运动剧烈区域内亮度值为最大值或是最小值的像素点数目之和，其中像素点 总数的变化为呼吸运动时的胸腹部的起伏变化，根据像素点数目得到的起伏运动变化曲线 进行滤波操作，生成呼吸信号；将所述呼吸信号进行傅里叶变换，在频谱上最高幅度所对应 的频率为人体的呼吸频率。
9. 如权利要求5所述的非接触式睡眠监测系统，其特征在于，所述图像处理模块获取 人体睡眠过程中的姿态信息，包括如下步骤： 通过所述体感设备发出的结构光获取人体的骨骼数据； 对所述骨骼数据进行均值滤波以对所述骨骼数据进行去抖； 根据去抖后骨骼数据采用SVM分类器在训练集上进行训练，对所述骨骼数据进行分 类，确定人体的睡眠姿态信息。
【专利摘要】本发明提出了一种非接触式睡眠监测方法及系统，所述方法包括如下步骤：利用红外监控摄像机采集人体头部区域和胸腹区域的视频图像，并且利用体感设备采集人体的姿态信息；获取人体的睡眠信息；将所述人体的睡眠信息与预设的标准睡眠信息进行比对，分析所述人体的睡眠质量的健康程度。本发明基于图像处理技术以非接触的方法对人体睡眠信号进行采集，尽量保持用户的自然睡眠状态，通过视频图像处理技术提取出有生理意义的睡眠状态信息。并且设备成本较低，便于家庭日常使用。
【IPC分类】G06K9-66, G06T7-20, G06T7-00, A61B5-00
【公开号】CN104834946
【申请号】CN201510166500
【发明人】陈 峰, 王祥宇, 刘宇
【申请人】清华大学
【公开日】2015年8月12日
【申请日】2015年4月9日...