基于PTZ相機的非接觸式心率檢測

高偉翔 李 擎* 楊玉竹

1(北京信息科技大學自動化學院 北京 100192)

2(北京科技大學自動化學院 北京 100083)

0 引 言

從近些年的情況來看,通過一些技術,人們可以自行檢測身體的心率等生理參數,在發生異常時及時就醫便可大概率抑制病發。關于衡量心臟健康程度,心率無疑是非常重要的生理指標參數,它是否穩定標志著被試者心臟的功能的優良程度,同時它也是診斷和治療疾病最重要的依據之一。

醫學行業里往往通過相關測量儀器去測量心率,比如指夾式脈搏血氧儀等,但是大部分都要和人的皮膚接觸,可能會因為被試者的心理波動造成數據不準確,也可能會因為被試者的皮膚問題導致皮膚感染等病變現象。此外,在一些特殊時期,比如傳染性較高的疫情期間,人為接觸式測量可能會涉及對人力資源的要求,以及為確保不傳染,對接觸式測量儀器的無菌性要求,對于測量與被測量人員的安全性要求。

與傳統心率檢測設備相比,借助攝像機進行非接觸式和網絡在線的心率檢測,既能適應疫情期間快速檢測以及無法或不想進入醫院等情況的人體參數檢測,又能適應大數據分析。

近些年來人們提出用非接觸的心率測量方式去檢測這一指標。這種心率測量方式的核心在于遠程光容積描記技術(rPPG)。這是一種無接觸測量心率的方法,經過相機設備提取到面部PPG信號的周期性變化,再檢測血液容積的周期性變化,最終得以測得心率數據,此方法常用在遠程醫療等領域。

Haan等[4]提出了基于色度模型的心率檢測方法,大大改善了光照對檢測到的心率的結果的影響。

Wang等[5]提出了一種新的心率檢測框架來改善rPPG的運動魯棒性。其基本思想來源于觀察到攝像機可以同時對多個皮膚區域進行并行采樣,并且每個皮膚區域都可以作為獨立的脈沖測量傳感器進行處理。因此可以利用圖像傳感器的空間冗余來區分脈沖信號和運動引起的噪聲。為此,該論文構造基于像素的rPPG傳感器以使用運動補償的像素到像素脈沖提取、空間修剪和時間濾波來估計魯棒的脈沖信號,該系統大大改善了對于運動引起的膚色變化而導致的心率不穩的情況。

Wang等[6]提出了一個數學模型,該模型結合了皮膚反射的相關光學和生理特性,目的是增加對遠程光電容積描記法(rPPG)背后的算法原理的理解。該模型用于解釋現有rPPG脈沖提取方法的不同選擇。來自該模型的理解可用于設計穩健或特定應用的rPPG解決方案。他們通過設計一種替代的rPPG方法來說明這一點,其中與膚色正交的投影平面用于脈沖提取。各種rPPG方法的一個大基準表明,它們的相對優點確實可以從提出的模型中理解。

Macwan等[7]提出了一種新的半盲源提取方法,用于使用自相關作為周期性度量的多目標優化方法來測量Rppg。

Yu等[8]提出了一種新穎的不顯眼的多模態傳感器,用于監測生理參數,包括電容式心電圖(cECG)、反射光電容積描記圖(rPPG)和單個傳感器中的磁感應監測(MI)。傳感器系統包括設計和優化的傳感器節點,用于集成到床中的多個傳感器的網格狀陣列和用于數據收集和處理的中央控制器盒中。因此,它在應用中具有高度通用性,適用于在專業環境和家庭護理環境中對生命體征進行不顯眼的監測。所提出的硬件設計考慮了cECG和MI之間的模間干擾以及由于緊鄰的兩個MI傳感器之間的串擾引起的模內干擾。對于心跳間隔,該系統使用cECG實現了2.3 ms的RMSE和0.99的相關性。類似的,使用rPPG,該系統實現了18.9 ms的RMSE,其相關性為0.99。關于源自MI的呼吸間隔,該系統實現了1.12 s的RMSE和0.90的相關性。

張家成等[12]提出了一種改進色度模型的非接觸式心率檢測與估計方法,他們考慮到在基于色度模型的視頻圖像心率估計算法未考慮到實驗中光照變化產生的信號干擾。針對該問題,他們提出了一種基于改進色度模型的非接觸心率估計算法,通過定義感興趣(ROI)區域和背景區域的反射光模型,利用兩種區域顏色通道信息的比值來消除光照干擾,從而得到消除光照干擾的色度模型,并進行脈搏波的提取與心率估計。對10名在校大學生采集到的人臉圖像進行分析,發現該算法估計心率的相對誤差為3.52%、2.53%,原始色度模型算法的相對誤差為7.23%、2.82%,兩者對比有顯著性差異(P<0.01)。該算法能有效抑制光照變化所引起的干擾,使所提取脈搏波信號的信噪比平均提高1.52 dB,這對更精確地進行非接觸式心率估計與脈搏波信號提取具有重要意義。

當前,非接觸式心率檢測大致有三類:小波多普勒雷達方法、熱成像方法和基于計算機視覺的圖像方法。但是第一種辦法還有問題未解決,比如魯棒性有待提高、信噪比不滿足實驗所需。熱紅外成像方法的心率檢測成本較為昂貴。

所以本文采用基于視頻的圖像方法,首先,圖像的特征信息比較豐富,這種豐富的信息有利于全面準確地獲取心率信息,但是其噪聲相對來說也比較多,如何對圖像得到的心率進行濾波也是一個需要解決的問題,另外,基于視頻的心率檢測也比較容易受到光照的影響,但是其成本相對來說比較廉價,可以大規模地在人群中使用,考慮到目前通過普通攝像機測心率準確性低的問題,本文提出用PTZ攝像機的云臺控制組成心率檢測系統,以測得心率數據,即將基于攝像頭的非接觸式的心率檢測應用于此。可這樣理解,這種非接觸式的心率檢測方式能做到讓人在不察覺的狀態下被檢測,由此可以規避由接觸式檢測帶來的心理波動以及不舒服的感覺,此外,這種方式依賴于攝像頭,只要有攝像頭能安裝的地點即可,攝像頭可以安裝的地點條件基本沒有要求,所以可認為這種方法基本不受場地限制。綜上所述,用攝像頭檢測心率的適用范圍極其廣。

首要在于人臉信息檢測的準確性,本文采用的PTZ相機用以實現智能機器人檢測心率的目的。該相機系統可自動調焦,結合云臺控制系統得到分辨率適宜的視頻圖像(捕捉目標至視頻中心處)。用海康威視PTZ相機進行人臉的捕捉放大和追蹤,從而得以進行對于長距離非約束的人臉捕捉。之后由系統自動進行調節焦距,捕捉到目標再將其放大,之后檢測心率。

為了進行實驗系統的準確性校驗,分別在被試者靜止狀態與上半身運動狀態進行多組檢測,且在用相機測心率的同時,用血壓儀檢測得到真實實時心率。通過計算求出兩個狀態下實驗系統與血壓儀所測心率結果的平均絕對誤差A、誤差的標準差B、均方根誤差C,且用medcalc軟件繪制實驗系統與血壓儀這兩種方法的B-A圖去分析兩種辦法的一致性,進而檢驗基于PTZ相機的非接觸式心率檢測這一方法的準確程度。

1 實驗部分

1.1 實驗原理

為了闡述基于PTZ相機非接觸式心率檢測實驗系統的檢測原理,本文從基礎開始定義了一個rPPG模型,表示皮膚反射的光學和生理特性,如圖1所示,采取一個光源去照明一部分皮膚組織(該組織內要包含人體動脈血液),同時由一個遠程攝像機記錄這幅圖像。

圖1 皮膚反射模型示意圖

在實驗中,隨著人的心臟跳動(心室的收縮和舒張),人體血管內的血液容積會產生周期性的變化,則由光源照射到皮膚,經皮膚反射到PTZ相機傳感器的光照強度也產生周期性的變化。采用面部作為研究點,是因為面部皮膚的毛細血管較為豐富,會很好地體現出血液容積的周期性變化,利用PTZ攝像機的云臺控制、PTZ自動巡航檢測功能,使其捕捉人臉目標并跟隨,將人臉區域放大,也就是使面部皮膚的毛細血管內的血液容積的周期性的變化更明顯,經過算法去分析提取到面部PPG信號的周期性變化,最終得以測得心率數據。

1.2 實驗內容設計

1.2.1實驗儀器

因為人的狀態不一定恒為靜止,為了檢驗實驗的科學性,既要做靜止組實驗也要做運動組實驗。針對于運動組實驗,考慮到實際生活中人的運動往往具有多角度隨機性,則選用PTZ相機,控制其云臺全方位(左右/上下)移動及鏡頭變倍、變焦,實現多角度清晰跟蹤式測量,PTZ相機如圖2所示。在電腦上編寫程序進行調用。為了后續檢驗實驗系統的準確度,選用血壓儀提取同步的心率數據,血壓儀如圖3所示。

圖2 實驗所選PTZ相機 圖3 實驗所選血壓儀

1.2.2實驗操作

為了檢驗基于PTZ相機的非接觸式心率檢測系統,實驗環節安排被試者在不同的相機和人臉距離(0.5 m、1.0 m、1.5 m、2.0 m、2.5 m、3.0 m、3.5 m、4.0 m)下測量心率,以分析使用距離對于本實驗系統的影響。之后由控制變量法設定相機的焦距為2倍,光照強度和距離不變時,讓被試者分別以靜止和上半身運動的狀態進行30 s時長的測量。例如相機和人臉距離為2.0 m時,現場布置如圖4所示。

圖4 2.0 m距離時實驗布置示意圖

為了讓相機測出無察覺狀態下被試者的心率,靜止狀態只規定被試者頭部保持靜止,且不能以后腦勺朝向鏡頭,其余的面部及眼睛部位信息不作要求。

上半身運動狀態規定:由上半身運動帶動頭部位置變化,導致相機鏡頭和眼睛連線由居中到傾斜至左側60°,再到傾斜至右側60°,最后回到居中。規定整個運動周期為10 s,每個距離的設定下連續運動三個周期。

特別說明,為了確保實驗的科學性,所有實驗均讓被試者在被相機檢測的同時,用血壓儀檢測出真實同步心率數據。例如讓被試者提前佩戴血壓儀,在靜止組的相機與人臉距離為1.5 m實驗過程中,運行程序。交互界面的結果如圖5所示,血壓儀檢測結果如圖6所示。

由圖5可知,此時實驗系統所測心率為64.1次/min。由圖6可知,此時血壓儀所測心率為66次/min。最后分別將靜止組和運動組所得的各距離下兩種心率測量方法的實驗數據記錄整合,再進行后續的數據處理與分析。

1.3 實驗系統的介紹

1.3.1人臉檢測

利用PTZ相機,為了實現能夠捕捉定位并放大動態的人臉,就要在視頻中精準檢測到人臉形成定位捕捉框,并檢測出盡可能多的關鍵點以便后續進行人臉關鍵點的預處理,去篩選出真正的面部皮膚像素點以便于后面的膚色檢測。

參考于仕琪老師的人臉檢測開源庫,對于視頻中的被試者進行人臉檢測,得到68個人臉特征點。并將被試者的面部進行捕捉定位,得到人臉定位矩形框。

1.3.2皮膚檢測

(1) 簡介。經過人臉檢測,得到68個人臉特征點以及人臉定位框。但是由于人臉定位框所選中的區域并不完全是想要的皮膚像素點,即包括眼鏡和眼睛以及眉毛等無關信息。因此需要做一定的圖像處理,初步篩選出明顯不屬于人臉皮膚的區域,然后再進行膚色檢測。這樣可以使得到的效果更加準確,也大大提高了算法的效率。

(2) 算法的比較與選用。對于所要用的皮膚檢測的方法,經前期調研,可認為基于橢圓皮膚模型的皮膚檢測在非機器學習方法中是比較準確的,另外,本文還參考了機器學習方法OCSVM(即單類支持向量機)。使用這一模型將獲得的樣本集合投影到高維空間里,基于此,再通過計算使得目標與坐標圖的原點能大限度剝離開。

在不同的光照環境下測試OCSVM與橢圓皮膚模型兩種皮膚檢測算法,分析得出橢圓皮膚模型(即閾值法)的分割更為連續,且分割效果相較于OCSVM而言更好,則本文選用橢圓膚色模型進行膚色檢測的研究。

(3) 橢圓膚色模型。首先,使用68個人臉特征點求凸包,即將最外側人臉特征點連接成一個封閉區域。其次,以鼻子處特征點為中心做滿水填充,生成所分割區域的圖像掩碼。最后得到預處理之后的區域部分,完成對圖像中人面部的預處理。

關于皮膚檢測,本文參考了傳統的橢圓膚色模型,此算法針對像素點的分布情況,判斷待檢測像素點的位置是否不在限定區域(橢圓)之外去判斷像素是否是皮膚像素。可以認為,本質上來說該算法屬于一種閾值法。

通過此模型進行人臉皮膚關鍵點的篩選,去除掉眼鏡和眼睛以及眉毛等無關信息,只保留毛細血管豐富的面部皮膚像素點區域,結果如圖7所示。

圖7 皮膚檢測結果

1.3.3心率信號的提取

(1) 光流法提取rPPG信號。針對于前面皮膚檢測步驟得到的被試者的面部皮膚像素點區域,本文用光流法去看其圖里像素點活動的瞬時速度,檢查時域內圖像像素的轉變以及相鄰各圖像間的一些聯系。也可用這種辦法去搜羅上一幀圖像和目前幀的圖像之間的那種關系,進而再由計算推廣得出各相鄰圖像之間的目標各移動狀態伴隨的數據信息。通過光流法,能夠捕捉上一幀圖像中每個皮膚的像素在下一幀圖像中的估計位置,從而獲得兩幀之間圖像的相對位移量。

通過調研,選出兩種光流算法,即以待選用。即Farneback光流算法和DIS光流算法。

Farneback光流算法會借由公式:f(x)=xTAx+bTx+c去對圖像進行逼近,其中:x為像素矩陣;A、b、c為參數。對于每幅圖像中的每個像素,要先定義一個有效的鄰域,緊接著使用已定義的該鄰域里(2n+1)×(2n+1)個像素點當成最小二乘法的樣本點集合,就可以由此來調整所獲得的圖像的中心像素點的系數數據。對于某個像素點,假設原始灰度值是f(x),并且全局位移之后的值增加至f(x+d)。假設f(x)=f(x+d)。然后利用多項式的對應系數,能夠求解出這個像素的全局位移d,最后獲得圖像的密集光流場。

DIS光流算法主要包含有3個方面:逆搜索,得到稠密的光流場,精細化搜索。

DIS算法最大的優點在于運算速度的提升,在單核CPU上,1 024×436分辨率可以達到300 Hz～600 Hz運行速率;包含圖像預處理。OpenCV4中提供了DIS光流法的接口函數,其使用方式與Farneback算法在OpenCV中的接口函數類似[17]。

(2) 算法的比較與選用。針對于所選的Farneback光流算法和DIS光流算法,進行二者的比較和最終選用。

通過由DIS光流法進行計算后,會得到一個雙通道圖像(即光流flow),其中各通道分別包括x及y兩個方向的位移,通過munsell顏色系統將其實現可視化。

DIS光流算法和Farneback光流算法的演示結果分別如圖8和圖9所示。可以看到,由DIS光流法得到的人臉區域光流信息較Farneback光流法更全面,且該算法運行的速度相較于Farneback光流法更快,則本文選用DIS光流算法。

圖8 DIS光流法 圖9 Farneback光流法

1.3.4PPG信號提取的精確化

通過使用DIS光流法得到相鄰幀之間的像素對,然后對它們進行級聯,在一個長的時間序列上將會得到若干個原始心率信號。但是,這種方法還是有弊端,頭部的某些運動(比如轉頭)有可能導致某些像素在下一幀中丟失。

為了實現PPG信號的精確化提取,完善DIS光流算法的問題,參考論文《Exploiting Spatial-redundancy of Image Sensor for Motion Robust rPPG》。該文提到,在恒定的光照環境下,皮膚不同位置的像素呈現相同的相對PPG幅值。這意味著如果每個像素對的脈沖誘導的顏色變化被時域歸一化,它們可以按照任意的順序連在一起,從而得到一個長期的信號。相鄰兩幀之間的時域歸一化的像素量可理解為:

(1)

借用Chrom法將時域歸一化的RGB差值投影至色度面上(把脈沖信號定義成RGB通道的線性組合),如下:

(2)

(3)

(4)

式中:l是由滑動窗口定義的色度跟蹤的間隔長度。本系統中,把l定為128幀。之后求滑動窗中的ppG信號為:

(5)

式中:α代表標準差。

(6)

注意,在上述過程中,局部像素的空間平均可以減少時間顏色正常化期間的量化誤差。因此從人臉檢測步驟開始對人臉ROI進行下采樣(在OpenCV中,調用resize接口函數即可),這不僅降低了基于像素的rPPG傳感器的噪聲靈敏度,而且提高了DIS光流法的處理速度。選擇下采樣時,要斟酌關于尺寸的研究。考慮到精度和效率的大小,將人臉ROI區域均勻下采樣至寬度為40像素的比例,下采樣的比例由第一幀圖像的人臉尺寸確定。

1.3.5利用PCA降維

在數據處理時,特征維度很可能比樣本數量多很多,那樣的話效果不一定利于實操。有兩方面的原因:(1) 噪聲影響機器運算的效果;(2) 因為無法避免地造成計算量增加,會導致時間復雜度和空間復雜度不必要地增加。為了解決這些問題,就要進行數據轉換:關于特征維度高的問題就要進行降低維度的處理;為了減少噪聲并且降低計算量,就需要消除一些特征之間的相關性。則可以選用PCA技術。將原始數據的特征空間投影至較小的子空間,以盡可能喪失少的信息去表達。為了更好地去表達數據,就進行降維并從子空間內得到數據信息。

之前提取出來的PPG心率信號是k個面部皮膚像素點組成的多維k×54矩陣,不利于實操分析。則本實驗系統利用PCA技術將這些多維心率信號降成一維的心率信號。即將k×54矩陣進行數據的降維,降維到矩陣X(一個1×54矩陣)。

利用PCA技術得到的在一段時間內的心率信號如圖10所示。

圖10 一段時間內得到的心率信號

1.3.6用傅里葉變換計算心率信號

由上一步的PCA技術得到一段時間內的心率信號是處于時域狀態的結果,因為要求得被試者心率數據,要得到頻率值,則要將得到的時域心率信號轉換到頻域進行分析,尋找最高峰值處的數值即為被試者的心率數值。

由傅里葉變換去達到分析信號分量的目的,也能夠操縱這些分量合成某信號,并使用正弦波作為信號分量。關于f(t)的傅里葉變換如式(7)所示。

(7)

式中:f(t)是F(ω)的原像。

在OpenCV中dft函數可以實現關于離散信號的傅里葉變換過程,將心率信號轉換到頻率域去算心率信息。首先找到頻域中的峰值pmax,然后利用公式bpm=pmax×fps/total×SEC_PER_MIN,其中:fps為視頻幀率;total為處理一組視頻的幀數(在本系統中固定為54);SEC_PER_MIN為常數60。

經過傅里葉變換后得到頻域的心率信號如圖11所示。

圖11 心率信號的頻域結果

由圖11可見,頻域圖中的最高點即為心率數據采集點,在該峰值處的心率數值傳至含有人臉的視頻頁面,顯示此時被試者的心率數值。

2 實驗結果及相關分析

2.1 靜止狀態的測量

2.1.1實驗測量

根據前面介紹的方案,在不同的相機與人臉距離下,做靜止組實驗并將心率數據統計整合,結果如表1所示。

表1 靜止狀態下的心率測量結果

2.1.2實驗系統的精確度分析

由表11中數據計算出各距離下,兩種心率測量方式測量結果的平均絕對誤差為1.30次/min,誤差的標準差是2.073 5次/min以及均方根誤差為1.554 8次/min。

結果表明,在不同的機臉距離下,兩種測量方法的平均絕對誤差小于2.00次/min,不超過中華人民共和國醫藥業的誤差標準5次/min,誤差的標準差小于2.1次/min,均方根誤差小于1.7次/min,這表明被試者靜止狀態下,實驗系統和血壓儀測量的結果非常接近,具有一定的準確性。

2.1.3一致性分析

在醫學領域里,要畫出B-A散點圖去評估實驗系統和血壓儀兩種心率測量方法的一致性,即檢驗實驗系統的科學性。

借助MedCalc軟件繪制兩種心率測量方法的B-A圖,結果如圖12所示。

圖12 靜止狀態的Bland-Altman數據分析圖

關于圖12,Mean線表示誤差平均值線,SD代表標準差,±1.96 SD表示95%的置信區間。一般而言,從指標顯示,二者的差值平均數越接近0,95%置信區間的范圍程度越小時,可認為本實驗系統和血壓儀這兩種心率測量方法的一致性越高,即本實驗系統的準確度越高,科學性越強。

從圖12可知,在被試者靜止狀態的情況下,實驗系統和血壓儀這兩種心率測量方法的心率結果的差值平均數為-1.3次/min,取絕對值后為1.3次/min,95%置信區間為-3.1～+0.5 次/min,則可認為被試者靜止狀態下,本實驗系統和血壓儀這兩種心率測量方法的一致性較高、即本實驗系統的準確度較高,科學性較強。

2.2 上半身運動狀態的測量

2.2.1實驗測量

根據前面介紹的方案,在不同的機臉距離下,做運動組實驗并將心率數據統計整合,結果如表2所示。

表2 上半身運動狀態下的心率測量結果

2.2.2實驗系統的精確度分析

由表13中數據計算出各距離下,兩種心率測量方式測量結果的平均絕對誤差為0.987 5次/min,誤差的標準差是2.379 3次/min以及均方根誤差為1.184 8次/min。

結果表明,在不同的相機與被試者面部距離下,兩種測量方法的平均絕對誤差小于1.00次/min,不超過中華人民共和國醫藥行業的規定誤差標準(即誤差控制在不超過5次/min),誤差的標準差小于2.4次/min,均方根誤差小于1.2次/min,這表明被試者在運動狀態下,實驗系統具有較高的準確性。

2.2.3一致性分析

借助MedCalc軟件繪制運動狀態下,兩種心率測量方法的B-A圖去分析二者的一致性,結果如圖13所示。

圖13 上半身運動狀態的Bland-Altman數據分析圖

從圖13可知,在被試者上半身狀態的情況下,實驗系統和血壓儀這兩種心率測量方法的心率結果的差值平均數為-1.0次/min,取絕對值后約為1.0次/min,95%置信區間為-2.4～+0.4次/min,則可認為被試者上半身運動狀態下,本實驗系統和血壓儀這兩種心率測量方法的一致性較高,實驗系統科學性較強。

2.3 兩種被試者測量狀態的比較與總結

通過前面統計的心率數據,比較靜止狀態與上半身運動狀態這兩種被試者實驗狀態組的平均絕對誤差、誤差的標準差、均方根誤差,發現均符合測量標準,且變動不大。

通過Bland-Altman圖,比較靜止狀態與上半身運動狀態這兩種被試者實驗狀態組的差值平均值的絕對值以及95%置信區間,發現變動不大,且符合檢測標準。

則本實驗系統對于靜止以及上半身運動的人來說,均可進行精確度較高的心率測量,對非接觸式測心率的研究有參考意義。

3 結 語

醫學行業測量心率,大部分都要和人的皮膚接觸,可能會因為被試者的心理波動造成數據不準確,還可能會引發被測人員的皮膚問題。在一些特殊時期,比如傳染性較高的疫情期間,人為接觸式測量可能會涉及對人力資源的要求。以及為確保不傳染,對接觸式測量儀器的無菌性要求,對于測量與被測量人員的安全性要求。則非接觸式的心率檢測具有很大的應用前景。

本文中采用PTZ相機作為非接觸式檢測心率的媒介。該相機系統可自動調焦,結合云臺控制系統得到分辨率適宜的視頻圖像(捕捉目標至視頻中心處)。在操作相機系統的自動巡航功能捕捉到人臉目標后,進行視頻處理。借助經比較后所選的橢圓膚色模型將得到的人臉框和特征點區域進行皮膚檢測。針對于提取到的皮膚像素點,結合經過預先挑選比較后的采用的DIS光流法精確提取其PPG信號。再由PCA技術降維整合得到時域的心率信號,最后借助傅里葉變化得到頻域的心率信號,讀取得到心率數據。分別在靜止與上半身運動這兩種被試者狀態下,各進行八組不同距離的對比實驗,求出各組的實驗值與血壓儀測量值的平均絕對誤差、誤差的標準差、均方根誤差,并繪制了B-A一致性分析圖去判斷95%置信區間的范圍,由數據分析證明出本實驗系統與血壓儀測量這兩種測量方法的一致性較強,即證明實驗系統具有一定的準確性。

目前關于非接觸式心率檢測,一些學者采用自適應去噪進行心率檢測。本文的準確性較之更為優良,且不亞于同類的多數其他文章里的實驗系統,存在科學應用性。

同類大多數文章所采用的攝像頭均為固定式攝像頭或者某個固定攝像頭平臺,只能捕捉一定角度范圍內的人臉目標。本文選用PTZ相機作為視頻處理的媒介就具有很大的應用優勢。因為應用于現實中,所測之人當時不一定保持靜止,則基于PTZ相機,編寫程序調用其360°全方位自動巡航的功能就可以全方位捕捉在附近運動任意角度的人的面部,具有更大的應用型優勢。

同類一些文章的實驗中,被試者直視攝像頭進行信息采集,一定程度上會對被試者的心理造成波動,得到的心率數據不一定準確。本文在用相機采集人臉時,被試者多數以側面朝向鏡頭,且注意力不在相機鏡頭上,一定程度實現了無察覺的心率測量,且得到的數據具有一定的準確度。應用到現實中就可以將PTZ相機進行隱蔽處理,從而使人在未知的情況下被采集信息,解決了強制直視鏡頭進行信息采集導致數據說服力可能不足的問題,從而提升了最終數據的生態效度。

對于應用距離的遠近程度,本文的實驗系統的檢測距離由0.5 m到4.0 m。通過數據可知,具備一定的準確性。通過猜想和分析,當應用距離即相機與人臉間距大于4.0 m時依然存在可觀的準確性,但是還未經證實,目前仍在研究,已獲得的成果已達預期的目的,實現了顯著的效果,且具有一定的科學性。基于PTZ相機的非接觸式心率檢測有了很大優勢。