人体自动检测（共3篇）
人体自动检测 篇1
1. 引言
视觉人体运动分析[1]是视频监控中的研究重点,它从包含人体的图像序列中检测、识别、跟踪人体以获取人体的运动参数,并根据运动参数对人的行为进行理解和描述。
在人体检测技术的部分应用领域中,由于图像采集设备的安装位置受到限制或为了尽可能避免人体间的相互遮挡等原因,只能获取检测区域的俯视图像。在俯视图像中人体头部通常体现的较为完整[5],因而头部的俯视信息(如头部轮廓,颜色分布等)可以作为人体目标检测的依据。
依据选取的头部特征和采用的特征检测方法不同,基于头部特征提取的人头检测方法可以分为模板匹配法[2],全局特征空间提取法[3],外观分类法[4]。
本文通过提取俯视图中人体头部区域特征进行人体检测。由于人体头部区域的类圆形特征,我们用圆形模型检测人头时,广泛使用灰度信息,它对尺度变化有较强的鲁棒性,对光照很敏感。为了克服这个问题,本文采用对光照变化有较强鲁棒性的灰度梯度[6]来检测人头。
2. 基于头部特征的人体检测
本文采用对光照变化有较强鲁棒性的灰度梯度特征来检测人头;由图2-1可以得到如下信息:
在人头圆形区域周围,有着非常明显的灰度梯度变化。
人头圆形区域内部,有着连续的灰度变化。
因此我们用不同的两种方式评测圆形的性能。一种方式利用圆周区域明显的灰度梯度变化。另外一种方式利用从圆周连接处到圆形内部灰度的变化。为了更好地评测给定圆形的性能,如图2-2所示,设C()表示以()为圆心,r为半径的圆(黑色),O()表示以()为圆心,为半径的圆(紫色),I()表示以()为圆心,为半径的圆(绿色);以圆心为端点,与水平轴成角的射线l与三个圆交点的坐标依次为:
其中,N为圆的离散点数;则,其中。于是我们给出公式如下:
其中p是代表黑色圆形的参数向量,c为无量纲的常量[7],并且有
式(2-2)表示圆形人头区域周围灰度梯度的变化,式(2-3)表示人头区域内部灰度的变化。当式(2-1)的值小于给定的阈值时,认为该圆形是匹配人头区域的边缘,即检测到人头。
3. 算法描述
我们给出基于头部特征的人体检测算法的描述。采用每隔N(N=4,8,16,32)个像素计算一次。为了提高检测精度,采用两层扫描,对于弱条件匹配的圆形区域,对其周围的点进行强匹配扫描,找到满足强匹配条件的圆形区域才是真正的人头。算法描述如下:
Step 1:获得一幅图像。
Step 2:由上而下,从左到右的顺序,每隔N个像素扫描图像,搜索匹配人体头部区域。
2.1:(弱条件匹配)随机抽样位置参数,假设{pi}为抽样集合。
2.2:由式2-5评估集合{pi}中的每个元素,得到集合{pi*}。该集合中的元素通过计算后,得到的值小于给定的阈值(弱条件匹配)。
2.3:(强条件匹配)在集合{pi*}每个元素的周围详细抽样位置参数,找到满足强条件匹配的集合{pbest}。
4. 实验结果
我们采用Intel OpenCV Library(open computer vision library)在VC++6.0中实现基于头部特征的人头检测。我们截取某些帧如图4-1所示,统计人头检测值和实际值之间的误差,如表4-1所示:
上表中x坐标,y坐标和半径的单位均为pixel。由上表可知检测值和真实值x和y方向的误差绝对值不超过3个pixel,半径误差不超过2个pixel。
4. 结论
本文通过提取人体头部轮廓的特征(类圆形特征和灰度梯度特征),进行人体检测。精确的实验表明了该算法在人体头部检测方面有较高的准确性。但存在一定的误检,通过改进可于智能视频监控系统,这是本文今后的研究重点。
摘要：视觉监控是计算机视觉领域中近年来备受关注的前沿研究方向,视觉人体运动分析是视频监控中的研究重点。通过提取俯视图中人体头部区域特征,进行人体检测。由于人体头部区域的类圆形特征,一种圆形人体头部模型被提出,如何检测到合适的圆是人体检测的关键问题。本文采用对光照变化有较强鲁棒性的灰度梯度特征来检测人头。精确的实验表明了该算法在人体头部检测方面有较高的准确性和稳定性。
关键词：视觉监控,人体检测,圆形特征,灰度梯度
参考文献
[1]王亮,胡卫明.人运动的视觉分析综述[J].计算机学报,2002,25(3).
[2]李娜,方卫宁.基于视频流的地铁人群目标识别[J].北方交通大学学报,2006,30(1):96-99.
[3]汪亚明.基于动态图像序列的自动扶梯客流量的测量[J].华北工学院测试技术学报,2002,16(1),14-16.
[4]李和恒,张星明.基于小波神经网络的头部检测技术[J].计算机工程与应用,2003,39(4):86-88.
[5]于海滨,刘济林.基于头部特征提取的人体检测与跟踪及其应用[J].浙江大学博士论文,2007.
[6]Akihiro Sugimoto*,Mitsuhiro Kimura+,Takashi Matsuyama+.Detecting human heads with their orientations.Electronic Letters on Computer Vision and Image Analysis5(3):133-147,2005.
[7]S.Birchf ield.Elliptical Head Tracking Using Intensity Gradients and Color Histograms,Proc.of CVPR,pp.232-237,1998.
人体自动检测 篇2
液中全氟化合物
摘要 全氟化合物（PFCs)在人体和动物体中是普遍存在的。PFCs由于对蛋白质具有亲和力因而具有生物富集性。研究已经证实全氟化合物有多种毒理效应，并且对人体的健康会产生危害，对其在人体内的生物积累的评估的灵敏和健全的分析方法显得十分重要。在这篇文章中，我们报告了一种研究非入侵性的人体头发和尿液中PFCs的分析方法的发展，并且验证了该方法的可行性。这种方法是基于对21种PFCs的分析所使用的快速且简单样品预处理的在线湍流色谱-串联质谱联用（TFC-LC-MS-MS）技术之上的。这种方法也经过了基质的验证。大多数化合物在基质中的百分回收率在60到105之间。尿液和头发中PFCs的定量范围分别为0.1至9ng mL-1和0.04至13.4 ng mL-1。这种方法的良好的性能是通过对生活在西班牙巴塞罗那的不同的捐赠者的24份头发样品和30份尿液样品中特定的全氟化合物的测定得到验证的。结果表明这些所测的化合物在这些样品中都有生物累积性。全氟辛烷磺酸（PFOS）和全氟辛酸（PFOA）在头发中最先被检测到，PFBA在尿液中最先被检测到。关键词：全氟化合物 液相色谱-串联质谱联用 湍流色谱 头发 尿液 前言
全氟化合物（PFCs）是指一类广泛的综合的化合物，它十分不易化学、高温或者生物降解。它因为独特的性质而被当作用于生产疏水和疏油性产品的材料。全氟化合物应用领域十分广泛，包括纺织业、食品产业的包装、厨房用具、消防灭火的泡沫、地板油、杀虫剂、化妆品、胶黏剂和药物合成等等。
当这些化合物的一部分被发现在野生动物和世界各地的人类体中发现的时候，它们的稳定性和生物积累的特性引起了关注，它们的很长的排除半衰期增加了这些关注。辛烷磺酸（PFOS）和全氟辛酸（PFOA）的相关产品已经几乎停止生产并且它们的使用在全世界范围都被控制。但是，新的一些全氟化合物又开始取代PFOS和PFOA，而且这些新的全氟化合物的影响和环境归宿还不清楚。
全氟化合物具有生物富集性是因为它们对蛋白质具有亲和力。调查表明它们能够分解甲状腺激素、蛋白质、高密集型的胆固醇和三酸甘油酯。它们参与肝中毒过程、免疫毒性和荷尔蒙分泌已经得到证实，同样有生殖毒性，而且在哺乳动物的初期发育阶段暴露在全氟化合物中会引起畸形。在UCLA的公共卫生学院的一篇最近发布的文章中表明，全氟化合物能引起女性的不孕不育。这项研究发现那些血液中含有高浓度全氟化合物的女性比那些血液中全氟化合物浓度低的女性迟怀孕。此外，研究还表明，在怀孕期间可以通过脐带血液转移或者在第一个月母乳喂养的时候发生转移。
由于这些原因，在最近几年一些研究就旨在评价人体对全氟化合物的接触。主要的接触途径为喝水，吃鱼和粉尘的吸入。人体的生物监测数据对评估人体暴露在全氟化合物下产生对健康的危害十分重要。主要通过对测定血清和母乳进行分析来评估暴露程度，但是全氟化合物在人体中分布尚不清楚。此外，还缺少人体其他一些基质中全氟化合物的信息，例如头发和尿液。此外，由于婴儿对全氟化合物十分敏感，分析婴儿体中全氟化合物的生物富集度的分析方法迫切需要发展。
现今，液相色谱-串联质谱联用，使用三重四级杆和离子阱，是分析全氟化合物的首选的技术。这些方法大多数要求样品进入C18分析柱前进行预处理，然后进行固相萃取进行离线提纯，一些有限数量的研究也使用在线固相萃取。湍流色谱-串联质谱联用是一种能消除耗时的样品清理，具有高分辨率提高了效率的技术。湍流色谱技术出现在20世纪90年代末，它是一种直接往填满50μm球形的带孔颗粒的色谱柱中注入生物体液的技术。现如今，TFC可被用作一种高通量样品处理技术，这种技术利用了内直径为0.5至1.0mm且填满了直径为30至60μm的微粒的高流速。小分子比大分子扩散的更广泛（如蛋白质、油脂、糖类），且能被打入吸附剂的空隙中。由于高流速，大分子和基质成分被冲进废液，没有机会扩散到微粒孔中。微粒孔中的待分析物从TFC柱中解析出来并且洗脱进分析柱，再进行进一步的分离和检测。
在这篇论文中，我们重点关注人体非入侵性基质头发和尿液中全氟化合物的发展和分析。主要的工作目标如下：
1.发展并且证实一种基于为分析人头发中21种全氟化合物和尿液中18种全氟化合物所使用的湍流色谱-串联质谱联用技术更灵敏和稳定的分析方法。2.评估选定的24份人头发样品和30种尿液样品中全氟化合物含量。
智能人体心率检测装置的设计 篇3
心率是人体中一个非常重要的生命信息,而传统的脉诊由于其定性化和主观性影响了心率测试的精度,成为中医脉诊应用、发展和交流中的制约因素。为了提高对此类生物医学信号的测试精度,必须结合现代科学技术。目前用于检测心率的仪器很多,常见的有基于压力传感器、光电传感器、电容传感器和电声传感器等类型的测试装置[1],但是对脉搏测试部位的选择没有太大区别,对于能在指端进行脉搏精确测量的仪器还是比较少。这里介绍的智能人体心率检测装置可以实现人体指端的无创测量,测试过程简单,能精确测量出心跳次数,实现数据显示和上、下限报警功能。
1 装置组成及工作原理
系统组成如图1所示。此设计以单片机AT89C2051为核心,由光电传感器采集脉搏信号,经过前置放大电路、滤波电路、积分和比较电路后得到与脉搏相关的脉冲信号,该脉冲信号作为中断信号交由单片机进行脉冲周期的计算。然后得出每分钟的脉搏搏动次数(即心率),并在数码管上显示心率,同时利用软件实现上下限报警功能,在测量数据超过正常范围(如大于180次/min或小于45次/min)时进行报警以提醒医生注意。
2 装置硬件电路设计
2.1 传感器及信号处理电路
由于在人体指尖组织中的动脉成分含量高,而且指尖厚度相对其他人体组织而言比较薄,透过手指后检测到的光强相对较大,因此光电式脉搏传感器的测量部位在人体指尖。将一对红外发射与接收探头置于手指两侧,当动脉血管随心脏周期性的收缩和舒张,动脉血管的血液容积随之发生变化时,红外接收探头便接收到随心脏周期性地收缩和舒张的动脉搏动光脉冲信号,从而采集到心脏搏动信号。
检测心率的传感器采用红外对管HR1068C-O5Y2和 PT331C[2]。由于从人体手指采集到的生理信号十分微弱,其幅度一般在微伏到毫伏的数量级范围,而且在测试过程中由于肢体动作以及较强的工频干扰而产生大量的噪声[3]。同时要将采集到的脉搏信号经过前置级放大电路进行高倍放大[4,5],这就要求电路具有高增益和高共模抑制比,至少在80 dB以上,即集成运放要有很高的共模抑制比和极低的零漂[6]等,所选的电阻参数要尽量精确。放大电路由电阻网络和OP07组成,传感器及前置放大电路如图2所示。
由于内外噪声及50 Hz工频干扰等因素,即使电路具有很高的共模抑制比,但是脉搏信号非常微弱,淹没在干扰信号中,由于脉搏信号主峰频率在1 Hz左右,能量较强的分量也在20 Hz以下,所以设计低通滤波器的上限截止频率为40 Hz[7]。对于工频干扰,采用对称性双T阻容有源陷波器对其专门滤除。再通过积分、比较电路整形之后便可以得到单片机所需要的标准的0~5 V脉冲信号。滤波、陷波电路及积分比较电路如图3所示。
2.2 单片机控制及显示电路
单片机控制及显示电路如图4所示。采用动态显示方式,利用单片机的P1口的P1.0~P1.6作为数码管七段码的输入[8]。利用P3.0,P3.1,P3.2,P3.3作为4只数码管的选中信号(见图4)。从光电传感器输出的心率脉冲作为中断信号直接接到单片机89C2051的9脚(即T1端)。由T0定时,T1计数。P1.7输出心率的上、下限报警信号,经二极管驱动报警器报警。当心率低于下限45次/min时报警发出长音报警。当心率高于上限180次/min时报警器发出短音报警。
3 软件设计
系统软件流程图如图5所示。将要显示心率数千位、百位、十位、个位数分别存放在89C2051单片机内部的41H,42H,43H,44H单元内。采用动态扫描,每隔5 ms分别轮流显示千位、百位、十位、个位。当单片机的第9脚有一上升沿时,T1脚计数1次,T0定时50 ms,循环定时1 200次,T1计数即为心率次数。然后返回主程序继续执行显示程序[9]。
4 电路调试及噪声分析
电路调试主要是对输入的脉搏信号进行滤波和放大,调试的效果直接关系到数据采集的精确度。通过测试可以得知,脉搏信号中存在严重的噪声干扰,前置级放大电路的设计至关重要。使用宁波中策电子有限公司的DF1405数字合成信号发生器来模拟脉搏信号,信号频率较高,信号处理电路对于高频信号(106 Hz左右)有很好的衰减作用,当信号频率适中的时候,信号可以按照设计的需要进行放大。50 Hz陷波器对工频干扰起到了很好的抑制作用。通过积分、比较电路对脉搏信号整形可以得到单片机需要的脉冲信号。通过整机调试,系统达到了预期的设计要求。
在测量过程中,传感器采集到的脉搏信号十分微弱,容易受到外界环境干扰,因此需要对脉搏传感器的干扰噪声进行分析[10]。光电式脉搏传感器的主要有测量环境光干扰、电磁干扰、测量过程运动噪声干扰。为了减少环境光对脉搏信号测量的影响,同时考虑到传感器使用的方便性,采用密封的指套式的包装方式[11],整个外壳采用不透光的介质和颜色,尽量减小外界环境光的影响。通过光电转换得到的包含脉搏信息的电信号一般比较微弱,容易受到外界电磁信号的干扰,因此对硬件电路进行适当的屏蔽处理。脉搏信号变化缓慢,特别容易受到工频信号的干扰,利用陷波器有效地解决了这一问题。在测量过程当中,让指套和手指更紧的接触减少了他们之间的相对运动,降低了运动噪声。
5 结 语
心率检测中的关键技术在于传感器的制作和微弱脉搏信号的放大问题。通过实际的设计制作,结果证实了该设计的合理性和可行性,说明用科学设计的透射式传感器可实现手指脉搏的无损检测。但是在小信号放大技术方面有待于进一步研究。同其他心率检测仪相比较,该装置的体积小,重量轻,成本低,使用方便,测量准确等,具有很好的应用前景。
摘要：介绍一种以AT89C2051为控制核心的智能人体心率检测装置的设计方法。利用光电传感器采集人体脉搏信号,经过前置级放大、滤波、积分比较等信号处理电路,将其转换成脉冲电压信号,再利用单片机对脉冲信号进行处理计算出心率并显示。由于传感器信号十分微弱,其幅度一般在微伏到毫伏的数量级范围,且夹杂着各种噪声和干扰,因此要求前置级放大电路具有高增益、高共模抑制比等技术指标。实验结果表明,系统硬件、软件设计方案合理,实现了微小信号放大、显示及报警功能。具有测量灵敏度高、实时性好、性价比高等优点。
关键词：心率,光电转换,前置级放大,噪声分析
参考文献
[1]刘文,唐辉,商洪涛.光电脉搏传感器在脉搏采集中的研究[J].中国医学装备,2005(9):22-23.
[2]何道清.传感器与传感器技术[M].北京:科学出版社,2004.
[3]高晋占.微弱信号检测[M].北京:清华大学出版社,2004.
[4]楼刚,李伟,邓学博.小信号放大设计电路[J].浙江理工大学学报,2007(11):661-664.
[5]侯俊钦,吴小培,杨一军.微伏信号放大系统设计[J].计算机技术与发展,2007(10):198-201.
[6]佚名.智能传感器中仪表放大器的应用[J].电子元器件应用,2006(6):45-47.
[7]康华光.电子技术基础:模拟部分[M].北京:高等教育出版社,2000.
[8]沈翠风.光电式智能心率检测仪[J].盐城工学院学报,2002(6):66-67.
[9]晁阳.单片机MCS-51原理及应用开发教程[M].北京:清华大学出版社,2007.
[10]戴君伟,王博亮.光电脉搏传感器的研制与噪声分析[J].传感器技术,2006(6):67-69.