应用红外线热成像技术与图像处理技术的儿童睡眠监护系统设想
2020-11-30邢焱皓杨二龙丁岳董琦胡诗雯徐永良
邢焱皓 杨二龙 丁岳 董琦 胡诗雯 徐永良
摘 要： 儿童睡眠监护系统的设计基于红外线热成像技术、图像后处理技术、软件APP开发技术等，通过图像后处理算法的开发，对儿童睡眠监护系统的开发进行测试，进一步提高了儿童睡眠监护系统的完善性。
关键词： 红外线热成像技术;图像后处理技术
中图分类号： P237; TP3 文献标识码： A DOI：10.3969/j.issn.1003-6970.2020.09.022
本文著录格式：邢焱皓，杨二龙，丁岳，等. 应用红外线热成像技术与图像处理技术的儿童睡眠监护系统设想[J]. 软件，2020，41（09）：7880
【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
红外线是电磁辐射频段的一个频段，电磁波的频率范圍为105 Hz-1025 Hz。红外线于1800年被英国物理学家贺胥尔发现。科学研究表明，不仅太阳光中有紫外线，包括人体只要温度超过绝对零度，就辐射红外线。红外线又称为热辐射线 。利用红外线探测装置， 将物体红外辐射场测出， 并通过计算机技术转换成图像， 即为“热图”[1]。基于红外线分布的三个规律：热辐射的分布规律;辐射功率随温度的变化规律;辐射的空间分布规律，本文旨在结合图像处理技术探讨儿童睡眠监护系统的设想与开发[2-3]。
1 儿童睡眠监护系统的总体设计思路
儿童睡眠监护系统主要包括两大部分，第一部分为根据人体辐射出不同强度红外线，应用计算机原理，转换成热图像，用于儿童睡眠状态评估。第二部分为对热图像进行处理，分析，发出预警信号。
1.1 红外线热成像仪的方式
目前，红外线成像装置主要有两种选择方式： 1. 制冷式红外线热成像;2. 非致冷式红外线热成像。制冷式红外线热成像基于热传感器为核心，其特点为温度分辨率较高，温度测量精度较高，缺点为需要液氮或电制冷，机械扫描导致增加故障;非制冷红外线热成像采用热敏感器为核心，特点为无需液氮或电制冷，使用、维护方便，无机械扫描，故障率低。其缺点为温度分辨率低，温度测量精度较低。两者的热成像转化热图如图1，图2所示。
1.2 图像处理算法
对采集的儿童红外线热图进行处理，采用基于K-maens聚类算法的图像区域分割。所谓图像分割就是把图像分成各具特性的区域并提取感兴趣目标的技术与过程，是目标检测和模式识别的基础。现有的图像分割方法主要有：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法、基于特定理论的分割方法等。聚类分析是一种无监督的学习方法，能够从研究对象的特征数据中发现关联规则，因而使一种强大的、有力的处理方法。聚类法进行图像分割就是将图像空间中的像素点用对应的特征向量表示，根据它们在特征空间的特征相似性，对特征空间进行分割，然后将其映射回原图像空间，得到分割结果，其中，K均值和模糊C均值聚类（FCM）算法使最常用的聚类算法[4-6]。
K-means算法原理为首先从数据样本中选取K个点作为初始聚类中心;其次计算各个样本到聚类的距离，把样本归到离它最近的那个聚类中心所在的类;然后计算新形成的每个聚类的数据对象的平均值来得到新的聚类中心;最后重复以上步骤，直到相邻两次的聚类中心没有任何变化，说明样本调整结束，聚类准则函数达到最优。其具体流程如图3所示。
K-means图像分割算法简捷，具有很强的搜索力，适合处理数据量大的情况，在数据挖掘和图像处理中得到广泛的应用。采用K-means进行图像分割，将图像的每个像素点的灰度或者RGB作为样本（特征向量），因此整个图像构成了一个样本集合，从而把图像分割任务转换为对数据集合的聚类任务。在此特征空间中运用K-means聚类算法进行图像区域分割，最后抽取图像区域的特征[7-8]。
1.3 儿童睡眠监护系统的客户端界面设计
儿童睡眠监护系统目标使用群体为0-5岁，家长登录客户端可实时监控儿童的睡眠情况，尤其是儿童在独立睡眠时是否“蹬被”。当儿童蹬被后，通过红外线热传感器将信号传输到系统，系统自动根据图像分析判断出是否“蹬被”，并发出警告信号传输到家长的客户端提醒。儿童睡眠监护系统的客户端界面功能设计主要包括儿童睡眠“蹬被”提醒、儿童睡醒提醒，儿童活动提醒，儿童活动提醒等功能。客户端支持手机Andriod和iOS操作系统，以APP形式应用。该系统采用云端计算技术，即数据分析、发布等都在云计算中完成。
2 儿童睡眠监护系统的图像处理程序实现（节选）
2.1 样本距离（matlab实现）
function D=sampledist（X，C，method，varargin）
%计算样本空间和聚类中心C的距离
%X：样本空间
%C：聚类中心
%method：距离公式
%varargin：其他参数
% D：每个点到聚类中心的欧式距离
[n，p]=size（X）;
K=size（C，1）;
%初始化距离矩阵
D=zeros（n，K）;
switch lower（method（1））
case ‘e
for i=1：K
D（：，i）=（X（：，1）-C（i，1））.^2;
for j=2：p
D（：，i）=D（：，i）+（X（：，j）-C（i，j））.^2;
end
end
case ‘c
for i=1：K
D（：，i）=abs（X（：，1）-C（i，1））;
for i=1：K
D（：，i）=D（：，i）=D（：，i）+abs（X（：，j）-C（i，j））;
end
end
end
2.2 提取特征向量
像素点特征向量包括颜色、距离和纹理信息。
function vec=exactvector（img）
for j=1：n
for i=1：m
color=img（i，j，：）;
wx=1;wy=1;
dist=[];
texture=[];
vec（（j-1）*m+i，：）=[color（：）;dist（：）;texture（：）];
end
end
傳统的K-means算法在图像分割中只与特征向量有关，从而忽略了像素间的空间位置关系。基于Markov随机场图像分割的算法，通过实验验证分割方法在效果与效率上的有效性。
3 儿童睡眠监护系统APP架构设计
3.1 开发环境
本系统的开发语言选择Java，Java语言应用广泛，普及率高，其安全机制可防止其他代码恶意攻击，安全性高。Java内置的类库，有助于编程简易，Java相比于C/C++语言的难以理解，更容易被接受[9-10]。
3.2 开发环境的部署
JDK系Java开发工具箱，其包含了很多实用的工具、运行环境。因此，本系统下载安装JDK配置JDK变量环境，变异环境的配置有效的提供了编译的效率。Eclipse IDE for Java EE Developer也需要安装[11-17]。
3.3 系统测试与发布
常规的系统测试方法有很多，本软件系统采用黑盒测试，即不管内部工作机制，只须达到结果的目标，经过后台测试之后，没有问题即可发布。测试的最后将apk文件上传到APP服务提供商，提供下载安装服务。
4 结论与讨论
儿童睡眠监护系统主要包括红外线热成像图的信号转换，红外线热成像技术、图像后处理技术、APP开发技术等。其核心为红外线的热源信号采集、转换、算法及软件的开发测试等。0-3岁儿童对气温比较敏感，容易受气温影响出现发烧感冒等疾病，本系统的开发旨在帮助家长监护儿童的睡眠质量，降低疾病的发生，减少家长的监护劳动量。儿童睡眠监护系统的图像处理算法目前采用的是基于K-means算法，这种算法的要点在于K-means选定某种距离作为数据样本间的相似性度量，以聚类中心迭代终止判断条件，K-means算法在每次迭代中考察每个样本的分类是否正确，若不正确，则需要调整。此外，K-means以误差平方和准则函数来评价聚类性能。K-means聚类算法是解决图像处理的一个重要的算法。
5 结论
限于当前的技术水平，红外线成像装置目前采用非制冷式红外热成像技术，图像后处理技术采用聚类算法，由于样本量不足，下一步的研究需要考虑红外线成像装置的优化和算法的开发。
参考文献
[1]杨玚， 谢华成. 基于马尔科夫随机场与模拟退火算法的图像分割[J]. 软件， 2015， 36（4）： 40-43.
[2]郭璇， 郑菲， 赵若晗， 等. 基于阈值的医学图像分割技术的计算机模拟及应用[J]. 软件， 2018， 39（3）： 12-15.
[3]王春瑶， 陈俊周， 李炜. 超像素分割算法研究综述[J]. 计算机应用研究， 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]祝鹏飞， 冯伍法， 张斌， 等. 基于Quick Shift算法的高光谱影像分类[J]. 测绘科学技术学报， 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]杨卫莉.基于分水岭算法和图论的图像分割[J]. 计算机工程与应用， 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]林開颜， 徐立鸿， 吴军辉. 快速模糊C均值聚类彩色图像分割方法[J]. 中国图象图形学报， 2004， 9（2）： 159-163.
