應(yīng)用紅外線熱成像技術(shù)與圖像處理技術(shù)的兒童睡眠監(jiān)護(hù)系統(tǒng)設(shè)想

邢焱皓 楊二龍 丁岳

摘 ?要： 兒童睡眠監(jiān)護(hù)系統(tǒng)的設(shè)計(jì)基于紅外線熱成像技術(shù)、圖像后處理技術(shù)、軟件APP開發(fā)技術(shù)等，通過圖像后處理算法的開發(fā)，對(duì)兒童睡眠監(jiān)護(hù)系統(tǒng)的開發(fā)進(jìn)行測試，進(jìn)一步提高了兒童睡眠監(jiān)護(hù)系統(tǒng)的完善性。

關(guān)鍵詞： 紅外線熱成像技術(shù);圖像后處理技術(shù)

中圖分類號(hào)： P237; TP3 ???文獻(xiàn)標(biāo)識(shí)碼： A ???DOI：10.3969/j.issn.1003-6970.2020.09.022

【Abstract】： The design of childrens sleep monitoring system is based on infrared thermal imaging technology， image post-processing technology， software app development technology， etc. through the development of image post-processing algorithm， the development of children's sleep monitoring system is tested， which further improves the perfection of childrens sleep monitoring system.

【Key words】： Infrared thermal imaging technology; Image post-processing technology

0 ?引言

紅外線是電磁輻射頻段的一個(gè)頻段，電磁波的頻率范圍為105 Hz-1025 Hz。紅外線于1800年被英國物理學(xué)家賀胥爾發(fā)現(xiàn)?？茖W(xué)研究表明，不僅太陽光中有紫外線，包括人體只要溫度超過絕對(duì)零度，就輻射紅外線。紅外線又稱為熱輻射線 。利用紅外線探測裝置， 將物體紅外輻射場測出， 并通過計(jì)算機(jī)技術(shù)轉(zhuǎn)換成圖像， 即為“熱圖”[1]?；诩t外線分布的三個(gè)規(guī)律：熱輻射的分布規(guī)律;輻射功率隨溫度的變化規(guī)律;輻射的空間分布規(guī)律，本文旨在結(jié)合圖像處理技術(shù)探討兒童睡眠監(jiān)護(hù)系統(tǒng)的設(shè)想與開發(fā)[2-3]。

1 ?兒童睡眠監(jiān)護(hù)系統(tǒng)的總體設(shè)計(jì)思路

兒童睡眠監(jiān)護(hù)系統(tǒng)主要包括兩大部分，第一部分為根據(jù)人體輻射出不同強(qiáng)度紅外線，應(yīng)用計(jì)算機(jī)原理，轉(zhuǎn)換成熱圖像，用于兒童睡眠狀態(tài)評(píng)估。第二部分為對(duì)熱圖像進(jìn)行處理，分析，發(fā)出預(yù)警信號(hào)。

1.1 ?紅外線熱成像儀的方式

目前，紅外線成像裝置主要有兩種選擇方式： ???1. 制冷式紅外線熱成像;2. 非致冷式紅外線熱成像。制冷式紅外線熱成像基于熱傳感器為核心，其特點(diǎn)為溫度分辨率較高，溫度測量精度較高，缺點(diǎn)為需要液氮或電制冷，機(jī)械掃描導(dǎo)致增加故障;非制冷紅外線熱成像采用熱敏感器為核心，特點(diǎn)為無需液氮或電制冷，使用、維護(hù)方便，無機(jī)械掃描，故障率低。其缺點(diǎn)為溫度分辨率低，溫度測量精度較低。兩者的熱成像轉(zhuǎn)化熱圖如圖1，圖2所示。

1.2 ?圖像處理算法

對(duì)采集的兒童紅外線熱圖進(jìn)行處理，采用基于K-maens聚類算法的圖像區(qū)域分割。所謂圖像分割就是把圖像分成各具特性的區(qū)域并提取感興趣目標(biāo)的技術(shù)與過程，是目標(biāo)檢測和模式識(shí)別的基礎(chǔ)。現(xiàn)有的圖像分割方法主要有：基于閾值的分割方法、基于區(qū)域的分割方法、基于邊緣的分割方法、基于特定理論的分割方法等。聚類分析是一種無監(jiān)督的學(xué)習(xí)方法，能夠從研究對(duì)象的特征數(shù)據(jù)中發(fā)現(xiàn)關(guān)聯(lián)規(guī)則，因而使一種強(qiáng)大的、有力的處理方法。聚類法進(jìn)行圖像分割就是將圖像空間中的像素點(diǎn)用對(duì)應(yīng)的特征向量表示，根

據(jù)它們在特征空間的特征相似性，對(duì)特征空間進(jìn)行分割，然后將其映射回原圖像空間，得到分割結(jié)果，其中，K均值和模糊C均值聚類（FCM）算法使最常用的聚類算法[4-6]。

K-means算法原理為首先從數(shù)據(jù)樣本中選取K個(gè)點(diǎn)作為初始聚類中心;其次計(jì)算各個(gè)樣本到聚類的距離，把樣本歸到離它最近的那個(gè)聚類中心所在的類;然后計(jì)算新形成的每個(gè)聚類的數(shù)據(jù)對(duì)象的平均值來得到新的聚類中心;最后重復(fù)以上步驟，直到相鄰兩次的聚類中心沒有任何變化，說明樣本調(diào)整結(jié)束，聚類準(zhǔn)則函數(shù)達(dá)到最優(yōu)。其具體流程如圖3所示。

K-means圖像分割算法簡捷，具有很強(qiáng)的搜索力，適合處理數(shù)據(jù)量大的情況，在數(shù)據(jù)挖掘和圖像處理中得到廣泛的應(yīng)用。采用K-means進(jìn)行圖像分割，將圖像的每個(gè)像素點(diǎn)的灰度或者RGB作為樣本（特征向量），因此整個(gè)圖像構(gòu)成了一個(gè)樣本集合，從而把圖像分割任務(wù)轉(zhuǎn)換為對(duì)數(shù)據(jù)集合的聚類任務(wù)。在此特征空間中運(yùn)用K-means聚類算法進(jìn)行圖像區(qū)域分割，最后抽取圖像區(qū)域的特征[7-8]。

1.3 ?兒童睡眠監(jiān)護(hù)系統(tǒng)的客戶端界面設(shè)計(jì)

兒童睡眠監(jiān)護(hù)系統(tǒng)目標(biāo)使用群體為0-5歲，家長登錄客戶端可實(shí)時(shí)監(jiān)控兒童的睡眠情況，尤其是兒童在獨(dú)立睡眠時(shí)是否“蹬被”。當(dāng)兒童蹬被后，通過紅外線熱傳感器將信號(hào)傳輸?shù)较到y(tǒng)，系統(tǒng)自動(dòng)根據(jù)圖像分析判斷出是否“蹬被”，并發(fā)出警告信號(hào)傳輸?shù)郊议L的客戶端提醒。兒童睡眠監(jiān)護(hù)系統(tǒng)的客戶端界面功能設(shè)計(jì)主要包括兒童睡眠“蹬被”提醒、兒童睡醒提醒，兒童活動(dòng)提醒，兒童活動(dòng)提醒等功能?？蛻舳酥С质謾C(jī)Andriod和iOS操作系統(tǒng)，以APP形式應(yīng)用。該系統(tǒng)采用云端計(jì)算技術(shù)，即數(shù)據(jù)分析、發(fā)布等都在云計(jì)算中完成。

2 ?兒童睡眠監(jiān)護(hù)系統(tǒng)的圖像處理程序?qū)崿F(xiàn)（節(jié)選）

2.1 ?樣本距離（matlab實(shí)現(xiàn)）

3 ?兒童睡眠監(jiān)護(hù)系統(tǒng)APP架構(gòu)設(shè)計(jì)

3.1 ?開發(fā)環(huán)境

本系統(tǒng)的開發(fā)語言選擇Java，Java語言應(yīng)用廣泛，普及率高，其安全機(jī)制可防止其他代碼惡意攻擊，安全性高。Java內(nèi)置的類庫，有助于編程簡易，Java相比于C/C++語言的難以理解，更容易被接受[9-10]。

3.2 ?開發(fā)環(huán)境的部署

JDK系Java開發(fā)工具箱，其包含了很多實(shí)用的工具、運(yùn)行環(huán)境。因此，本系統(tǒng)下載安裝JDK配置JDK變量環(huán)境，變異環(huán)境的配置有效的提供了編譯的效率。Eclipse IDE for Java EE Developer也需要安裝[11-17]。

3.3 ?系統(tǒng)測試與發(fā)布

常規(guī)的系統(tǒng)測試方法有很多，本軟件系統(tǒng)采用黑盒測試，即不管內(nèi)部工作機(jī)制，只須達(dá)到結(jié)果的目標(biāo)，經(jīng)過后臺(tái)測試之后，沒有問題即可發(fā)布。測試的最后將apk文件上傳到APP服務(wù)提供商，提供下載安裝服務(wù)。

4 ?結(jié)論與討論

兒童睡眠監(jiān)護(hù)系統(tǒng)主要包括紅外線熱成像圖的信號(hào)轉(zhuǎn)換，紅外線熱成像技術(shù)、圖像后處理技術(shù)、APP開發(fā)技術(shù)等。其核心為紅外線的熱源信號(hào)采集、轉(zhuǎn)換、算法及軟件的開發(fā)測試等。0-3歲兒童對(duì)氣溫比較敏感，容易受氣溫影響出現(xiàn)發(fā)燒感冒等疾病，本系統(tǒng)的開發(fā)旨在幫助家長監(jiān)護(hù)兒童的睡眠質(zhì)量，降低疾病的發(fā)生，減少家長的監(jiān)護(hù)勞動(dòng)量。兒童睡眠監(jiān)護(hù)系統(tǒng)的圖像處理算法目前采用的是基于K-means算法，這種算法的要點(diǎn)在于K-means選定某種距離作為數(shù)據(jù)樣本間的相似性度量，以聚類中心迭代終止判斷條件，K-means算法在每次迭代中考察每個(gè)樣本的分類是否正確，若不正確，則需要調(diào)整。此外，K-means以誤差平方和準(zhǔn)則函數(shù)來評(píng)價(jià)聚類性能。K-means聚類算法是解決圖像處理的一個(gè)重要的算法。

5 ?結(jié)論

限于當(dāng)前的技術(shù)水平，紅外線成像裝置目前采用非制冷式紅外熱成像技術(shù)，圖像后處理技術(shù)采用聚類算法，由于樣本量不足，下一步的研究需要考慮紅外線成像裝置的優(yōu)化和算法的開發(fā)。

參考文獻(xiàn)

[1]楊玚， 謝華成. 基于馬爾科夫隨機(jī)場與模擬退火算法的圖像分割[J]. 軟件， 2015， 36（4）： 40-43.

[2]郭璇， 鄭菲， 趙若晗， 等. 基于閾值的醫(yī)學(xué)圖像分割技術(shù)的計(jì)算機(jī)模擬及應(yīng)用[J]. 軟件， 2018， 39（3）： 12-15.

[3]王春瑤， 陳俊周， 李煒. 超像素分割算法研究綜述[J]. 計(jì)算機(jī)應(yīng)用研究， 2014， 31（1）： 6-12.

[4]Felzenszwalb P F， Huttenlocher D P.Efficient Graph-Based Image Segmentation[J]. International Journal of Computer Vision， 2004， 59（2）： 167-181.

[5]Moore A P， Prince S J D， Warrell J， et al. Superpixel lattices[C]// 2008 IEEE Computer Society Conference on Computer Vision and Pattern Recognition （CVPR 2008）， 24-26 June 2008， Anchorage， Alaska， USA.IEEE， 2008.

[6]Wang C， Guo Y， Zhu J， et al. Video Object Co-Segmentation via Subspace Clustering and Quadratic Pseudo-Boolean Optimization in an MRF Framework[J]. IEEE Transactions on Multimedia， 2014， 16（4）： 903-916.

[7]Vincent L， Soille P.Watersheds in Digital Spaces： An Efficient Algorithm Based on Immersion Simulations[J]. IEEE Trans. patt. anal. & Machine. Intell， 1991， 13（6）： 583-598.

[8]Fukunaga K， Hostetler L .The estimation of the gradient of a density function， with applications in pattern recognition[J]. IEEE Transactions on Information Theory， 1975， 21（1）： 32-40.

[9]Achanta R， Shaji A， Smith K， et al. SLIC Superpixels[R]， EPFL Technical Report 149300， 2010： 1-15.

[10]祝鵬飛， 馮伍法， 張斌， 等. 基于Quick Shift算法的高光譜影像分類[J]. 測繪科學(xué)技術(shù)學(xué)報(bào)， 2011， 28（1）： 54-57.

[11]Froyland G， Padberg-Gehle K.Normalized cuts and image segmentation[J]. Chaos An Interdisciplinary Journal of Nonlinear Science， 2015， 22（8）： 888-905.

[12]Levinshtein A， Stere A， Kutulakos K N， et al. TurboPixels： Fast Superpixels Using Geometric Flows[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence， 2009， 31（12）： 2290-2297.

[13]楊衛(wèi)莉.基于分水嶺算法和圖論的圖像分割[J]. 計(jì)算機(jī)工程與應(yīng)用， 2007， 43（7）： 28-30.

[14]REN Xiao-feng， MALIK J.Learning a classification model for segmentation[C]//Proc of the 9th IEEE International Conference on Computer Vision.Washington DC： IEEE Computer Society， 2003： 10-17.

[15]ACHANTAR， SHAJI A， SMITH K， et al. SLIC superpixels compared to state-of-the-art superpixel methods[J]. IEEE Trans on Pattern Analysis and Machine Intelligence， 2012， 34（11）： 2274-2282.

[16]Dunn， J.C. A Fuzzy Relative of the ISODATA Process and Its Use in Detecting Compact Well-Separated Clusters[J]. Journal of Cybernetics， 1973， 3（3）： 32-57.

[17]林開顏， 徐立鴻， 吳軍輝. 快速模糊C均值聚類彩色圖像分割方法[J]. 中國圖象圖形學(xué)報(bào)， 2004， 9（2）： 159-163.