境光变化情况 下视频心率的有效检测。较之前的方法，本发明方法能够更好地去除噪声干扰，为非接触式 心率检测提供了更准确的算法，在临床疾病诊断和日常的医疗保健方面具有重要的应用前 景。
【附图说明】
[0027]图1为本发明方法的流程图；
[0028] 图2-1本发明方法的面部感兴趣区域示意图；
[0029] 图2-2本发明方法的背景区域示意图；
[0030] 图3-1环境光变化时得到本发明方法的原始的面部感兴趣区域数据集和背景区域 数据集；
[0031] 图3-2利用本发明方法得到的典型相关分量集；
[0032] 图3-3利用本发明方法得到的无环境光变化干扰的面部感兴趣区域数据集；
[0033] 图4-1以1Hz环境光变化为例，本发明方法得到的本征模式分量的示意图；
[0034]图4-2以1Hz环境光变化为例，本发明方法得到的本征模式分量对应的频谱图； [0035]图5-1 1Hz脉冲波环境光变化时，利用现有的独立成分分析方法得到的独立分量 及其频谱图；
[0036]图5-2 0.5Hz方波环境光变化时，利用现有的独立成分分析方法得到的独立分量 及其频谱图；
[0037]图6-1 0.1Hz环境光变化时，基于现有的单独绿色通道总体平均经验模态分解方 法得到的本征模式分量及其频谱图；
[0038]图6-2 0.5Hz环境光变化时，基于现有的单独绿色通道总体平均经验模态分解方 法得到的本征模式分量及其频谱图；
[0039]图6-3 1Hz环境光变化时，基于现有的单独绿色通道总体平均经验模态分解方法 得到的本征模式分量及其频谱图；
[0040] 图6-4 3Hz环境光变化时，基于现有的单独绿色通道总体平均经验模态分解方法 得到的本征模式分量及其频谱图1Hz环境光变化；
[0041] 图6-5 5Hz环境光变化时，基于现有的单独绿色通道总体平均经验模态分解方法 得到的本征模式分量及其频谱图；
[0042]图7-1 0.1Hz环境光变化时，基于本发明方法得到的本征模式分量及其频谱图； [0043]图7-2 0.5Hz环境光变化时，基于本发明方法得到的本征模式分量及其频谱图；
[0044] 图7-3 1Hz环境光变化时，基于本发明方法得到的本征模式分量及其频谱图；
[0045] 图7-4 3Hz环境光变化时，基于本发明方法得到的本征模式分量及其频谱图；
[0046] 图7-5 5Hz环境光变化时，基于本发明方法得到的本征模式分量及其频谱图；
[0047]图8三种方法检测心率的绝对误差分布。
【具体实施方式】
[0048]本实施例中，一种去除环境光变化干扰的视频心率检测方法，如图1所示。首先获 得面部感兴趣区域数据集和背景区域数据集，利用联合盲源分离技术对两个数据集进行处 理，将共同拥有的环境光变化的信号源提取并置零，得到无环境光变化干扰的面部感兴趣 区域数据集;其次选择最佳颜色通道的面部感兴趣区域数据，利用总体平均经验模态分解 法得到本征模式分量;接着将所有最大幅值对应的频率处于所设定心率范围内的本征模式 分量确定为候选本征模式分量集，并将其中最大的最大幅值所对应的本征模式分量确定为 最佳本征模式分量，通过峰值检测算法得到视频心率。具体的说，以真实采集到的30s视频 数据来说明，是按如下步骤进行：
[0049]步骤1:利用摄像头等视频捕获设备，采集一段时间的视频数据，本实施例中，视频 数据采集速率为30帧/秒，分辨率为640 X 480。获取I帧视频图像;对I帧视频图像计算N个颜 色通道的面部感兴趣区域的平均像素，获得面部感兴趣区域数据 Xn表示第η个颜色通道的面部感兴趣区域数据;并对I帧视频图像计算N个颜色通道的背景 区域的平均像素，获得背景区域数据集￥=^1，￥2，一，￥11，一，￥~]73 11表示第11个颜色通道的 背景区域数据;具体地，采用特征点定位算法得到每一帧视频图像的面部特征点，在本实施 例中，面部特征点的个数有66个，如图2-1所示。选取较少数量的主要特征点构成多边形，该 多边形内部的所有像素点就构成了面部感兴趣区域，本实施例中，共选取了9个主要特征 点，构成的多边形如图2-1所示。面部感兴趣区域选取的基本原则是：（1)该区域包含的所有 像素点应该落在人脸内部；（2)由于眨眼等行为会影响视频心率的检测，脸部区域最好不要 包括进来。采用主动轮廓算法进行前景和背景区域的分离，得到背景区域如图2-2所示。
[0050] 并有，乂"=[以")，以11)，~^1(11)]3 1(11)表示第11个颜色通道的面部感兴趣区域的第1 个平均像素丄=[7 1(")，72(11)，~，71 (11)];71(11)表示第11个颜色通道的背景区域的第1个平均像 素；
[0051] 步骤2:采用联合盲源分离法对面部感兴趣区域数据集X和背景区域数据集Y进行 处理，其中数据集X和Y如图3-1所示，由于本实施例中采用的摄像头只有RGB三个颜色通道， 因此数据集X和Y的颜色通道数N = 3,获得混合矩阵解混矩阵FeRpxiV、面部感兴 趣区域的典型相关变量集~=向'2丨'一，4'一，為^7'和背景区域的典型相关变量集 &二[2f Uf1、…，…、Ζ〖ηΓ ;典型相关变量集Zx和Ζγ如图3-2所示。表示面部感兴趣区 域的第P个典型相关变量，表示背景区域的第p个典型相关变量，1<ρ<Ρ，Ρ表示典型相 关变量的个数;且面部感兴趣区域的典型相关变量集和背景区域的典型相关变量集中的P 个典型相关变量均是按两者的相关系数大小进行降序排列；
[0052] 并有2f>=[Zl(xw，4x)( 乂…，fhWxnd表示第I帧视频图像中面部感兴趣区域 的第P个典型相关变量值；硭>=仅^'，^，…，^，，以⑴⑷表示第"贞视频图像中背景 区域的第P个典型相关变量值;则面部感兴趣区域数据集X=AZx;背景区域数据集Υ=ΑΖγ;
[0053] 步骤3、设定相关系数阈值，并将面部感兴趣区域的典型相关变量和背景区域的典 型相关变量的相关系数与所设定的相关系数阈值进行比较，若超出相关系数阈值，则将超 出相关系数阈值的面部感兴趣区域的典型相关变量和背景区域的典型相关变量均作为环 境光变化的典型变量;在本实施例中，设定相关系数阈值为0.95,将超出相关系数阈值的面 部感兴趣区域的典型相关变量和背景区域的典型相关变量作为环境光变化的典型变量。
[0054] 步骤4、获取超出相关系数阈值的面部感兴趣区域的典型相关变量的个数Q;在本 实施例中，Q=l。并将面部感兴趣区域的典型相关变量集Zx中的前Q个的典型相关变量均置 为零;从而形成不包含环境光变化的面部感兴趣区域的典型相关变量集
[0055] f ?二[者Λ?，卑Λ?，…,4·η，…，4 Λ?]Γ ;
[0056] 步骤5、利用式(1)获得不包含环境光变化的面部感兴趣区域数据集
[0057] f = [%爲,…，尤，.，vfiV]，如图3_3所示。為表示第η个颜色通道中不包含环境光变 化的脸部感兴趣区域数据：
[0058] .(1)
[0059] 步骤6、利用氧合血红蛋白吸收率选择N个颜色通道中第best个最佳颜色通道，第 best个最佳颜色通道具有最大的氧合血红蛋白吸收率;RGB颜色通道中绿色通道具有最大 的氧合血红蛋白吸收率，在本实施例中，选择无环境光变化干扰的面部感兴趣区域数据集 中的绿色通道为最佳颜色通道。
[0060] 步骤7、利用总体平均经验模态分解法将第best个最佳颜色通道中不包含环境光 变化的脸部感兴趣区域数据分解成为L个本征模式分量S= [Si，S2，…，Si，…，SL]T; Si表 示第1个本征模式分量;如图4-1所示。这些本征模式分量对应的频谱图如图4-2所示。
[0061 ]步骤8:定义候选本征模式分量集，并初始化为空;初始化1 = 1;
[0062]步骤9、计算第1个本征模式分量51的频谱图，判断第1个频谱图中的最大幅值所对 应的频率分量是否处于所设定的感兴趣的心率范围内，若处于，则将第1个本征模式分量51 加入候选本征模式分量集中；否则直接执行步骤10;在本实施例中，设定感兴趣的心率范围 为[0.4,3]Hz，对应心率为24bpm到180bpm。从图4-2中，不难发现本征模式分量頂F1、頂F4和 IMF5的最大幅值所对应的频率处于感兴趣的心率范围，构成候选本征模式分量集。
[0063] 步骤10、将1+1赋值给1;并返回步骤9;