[发明专利]一种低分辨率红外图像睡眠异常情况判断方法

说明书

技术领域

本发明涉及图像处理和人工智能技术领域，具体涉及一种低分辨率红外图像睡眠异常情况判断方法。

背景技术

目前，伴随着图像处理和采集技术的日益发展与成熟，人们日常生活中涌现了大量人工智能在图像处理方面的应用。被动远红外具有在黑夜可清晰成像、零辐射、非接触、隐私性好的特点，得到了广泛应用。但是远红外由于其采集技术成本高，所以针对普通家庭使用的低成本采集设备的分辨率很低。如何使用低分辨率被动远红外图像进行智能异常情况判决都有重要的意义，一方面，可以使用该技术形成高性价比、在黑夜可清晰成像、零辐射、非接触、隐私性好的异常情况产品；另一方面，也可以为较高分辨率的远红外图像提供技术参考。

异常情况判决最简单的就是人工判决。因此，人工判决在视频质量评估方法研究中往往是作为标准。然而实际应用中这种方法成本太高，可实施性太低。基于低分辨率被动远红外图像的睡眠异常情况判断方法研究的目的就是设计出相应系统来进行异常情况判决，从而，使得系统对异常情况判决和人工判决尽量一致。

经典图像智能判决方法通常包括三大主要步骤：特征生成，特征选择与提取，分类器训练。特征生成指的是从观测图像中获得有意义的特征信号；特征选择和提取是指对特征信号进行筛选和变换，生成对判决有意义而且分布较好的特征；分类器训练是指通过使用人工标记的类别进行训练或者通过特征数据本身的性质等方式设计出能与人工判决尽量一致的模型。

虽然现在有各种特征生成、特征选择与提取、分类器训练方法，但是还没有针对低分辨率被动远红外图像的智能判决方法，更不要说针对低分辨率被动远红外图像的睡眠异常情况的智能判决方法，因此有必要形成一套低分辨率被动远红外图像的睡眠异常情况的判决方法。

究其原因，在于普通的图像采用的是可见光成像，可见光具有丰富的纹理特征，在对可见光图像进行处理时，能够根据可见光图像的纹理特征进行特征生成和处理，其判决的难度较低。而红外图像并没有明显的类似可见光的丰富的纹理特征，要对低分辨红外图像进行处理，必须要实现在非常低甚至没有纹理特征的情况下实现特征生成。现有的红外图像处理方法，大都是针对高分辨率的红外图像进行的，高分辨图像具有像素高、图像清晰的特点，其像素点比较密集，在处理时，往往采用结构特征来进行特征提取。而低分辨率红外图像模糊不清、像素点分散，不具有明显的结构特征、位置信息和纹理信息等，采用结构特征来进行低分辨率红外图像的特征提取处理难度大，特征提取的准确度极低，从而导致图像情况判断不准确。此外，高分辨率红外图像的处理过程中，计算过程比较复杂。

发明内容

本发明的目的在于：针对上述判断低分辨率被动远红外图像时，高分辨率红外图像处理时采用的特征提取方法不适用于低分辨被红外图像的特征提取时，从而导致的图像判断不准确的问题，本发明提出一种低分辨率红外图像睡眠异常情况判断方法。

本发明采用的技术方案如下：

一种低分辨率红外图像睡眠异常情况判断方法，包括训练过程和检测过程：

训练过程：

步骤1：人工对N个分辨率为m×n的睡眠被动远红外图像进行类别标记，将已标记好类别的N个睡眠被动远红外图像输入图像库，并对输入图像库的N个图像进行预处理；

步骤2：对步骤1中预处理后的所有N个图像中的每个图像进行区域划分，对划分区域后的每个图像进行特征统计，每个图像的特征为M个。

步骤3：对步骤2中的所有N个图像的M个特征进行特征选择和提取，每个图像变换后得到P个特征；将步骤1中输入图像库中已经标记好类别的图像分成两部分，其中用来训练的图像N1个，N1个图像中包括有步骤1中标记的所有类别的图像；用来评估分类器性能的图像N2个，N2个图像中包括有步骤1中标记的所有类别的图像；

步骤4：对N1个图像中每个图像变换后的P个特征，使用分类器方法进行正常和异常情况的分类器训练，得到分类器参数C₁..C_j；

步骤5：使用N2个图像对步骤4训练好的分类器进行分类器评估，得到分类器的虚警率和准确率参数；

步骤6：修改步骤3中的特征变换方法、用来训练的图像个数N1、用来评估分类器性能的图像个数N2和步骤4的分类器方法，重复步骤3、步骤4、步骤5；选择最优虚警率和最优准确率参数对应的特征变换方法和分类器方法以及分类器参数，固化为指定的特征变换方法f、指定的分类器方法g和分类器参数C₁..C_j；

检测过程：