理所述运动向量场，尤其是为了节省计算花费。
【附图说明】
[0026]本发明的这些和其他方面将根据下文描述的(一个或多个)实施例变得显而易见并且将参考下文描述的(一个或多个)实施例得到阐述。在附图中:
[0027]图1示出了描绘关于时间的婴儿运动的图，
[0028]图2示出了与参考信号相比的由已知方法获得的呼吸信号的图，
[0029]图3不出了根据本发明的设备和系统的图，
[0030]图4示出了运动向量场的图，
[0031]图5不出了显不若干源信号的图，
[0032]图6示出了图5中示出的源信号的功率谱的图，并且
[0033]图7示出了与参考信号相比的由提出的方法获得的呼吸信号的图。
【具体实施方式】
[0034]如上面提及的，对呼吸信息的检测基于对对象(通常是人，但也能够是动物)的身体部分的，尤其是胸部和/或腹部区的细微呼吸运动进行检测，所述身体部分示出由呼吸引起的运动。最好的位置通常包含边缘信息(针对可靠运动估计)以及由于呼吸的运动，这通常意味着它们被连接到胸部或腹部区域(但是这能够是覆盖新生儿或者肩膀的毯子或者在成人的针织衫上的清楚细节)。较小可能的区是趋向于独立于呼吸率运动的肢体或者寝具的不与胸部或腹部区域机械接触的部分。
[0035]这样的非侵扰的基于图像的呼吸监测对对象的非呼吸运动，即在各自的身体部分(例如，胸部和/或腹部区)中观测到的潜在地引入测量误差的任何非呼吸运动敏感。
[0036]—个主要的使用情形是对在新生儿I⑶(NI⑶；新生儿重症监护病房)处的新生婴儿的非接触式呼吸监测。如在描绘关于时间(即，关于帧数F)的婴儿运动(即，运动的像素的百分比)的信号图图1中图示的，当他/她清醒时婴儿常常具有身体运动。婴儿的非呼吸运动令呼吸信号测量有噪声或不准确。
[0037]图2示出了当婴儿的身体运动时的当前呼吸监测的范例的信号图。尤其是，关于时间(即，关于帧数F)将根据已知方法从图像获得的测量的呼吸信号Rl的强度I与由常规呼吸率检测器(例如，手环型传感器)或任何其他合适的测量装备(在该范例中，ECG传感器)获得的参考呼吸信号R2的强度I进行比较。如能够被看到的，所测量的呼吸信号Rl是不准确的。
[0038]基于图像的(或基于相机的)呼吸监测基于对尤其是在胸部/腹部区中的呼吸运动进行检测。在实践中，除呼吸之外，对象具有的其他非呼吸运动(例如，身体运动)以及噪声也引起胸部/腹部区中的运动。因此，所观测到的运动信号实际上是以下的混合:呼吸运动、非呼吸运动以及噪声，例如由于估计误差的噪声。假设这些源是不相关的。根据本发明，提出了应用变换(例如，盲信号(源)分离技术，例如PCA (主成分分析)或ICA(独立成分分析))来将所观测到的混合的运动信号(示出来自不同运动和噪声的不同贡献)分离到不同源中，并且然后选择表示呼吸的源信号。
[0039]图3示出了根据本发明的用于获得对象12的呼吸信息的设备10的第一示范性实施例。对象12躺在床14中，其中，对象12的头部被定位在枕头16上并且对象12被覆盖有毯子18。设备10包括成像单元20 (例如，摄像机)，所述成像单元用于采集从对象12的示出由呼吸引起的运动的身体部分24，尤其是从胸部或腹部区，所检测的一组图像数据22 ( S卩，图像序列或包括多个图像帧的视频数据)。设备10与成像单元20 —起形成如根据本发明提出的系统I。
[0040]总体而言，设备10包括运动信号计算单元30，所述运动信号计算单元用于针对对象的N个图像帧计算针对至少感兴趣区域的多个像素和/或多组像素的M个运动信号。此夕卜，变换单元32被提供用于，针对一些或全部运动信号，通过将变换应用到运动信号来计算表示在所述图像内的独立运动的多个源信号，以获得表示在所述图像帧内的独立运动的源信号。最后，选择单元34被提供用于通过检查针对所计算的所述源信号中的所述源信号中的一些或全部的一个或多个性质，来从表示所述对象的呼吸的所计算的所述源信号中选择源信号。
[0041]运动信号计算单元30，变换单元32以及选择单元34能够由独立元件(例如，处理器或软件功能)来实施，但是也能够由公共处理装置或计算机来表示及实施。在下文中将更加详细地解释各个单元的实施例。
[0042]针对由成像单元20 (例如，RGB相机、红外相机等)采集的输入图像(例如，视频流或图像序列)，首先在运动信号计算单元30的实施例中计算运动向量场。针对运动估计，稀疏和密集二者，的许多选项是可能并且有用的。例如，如在Gautama, T.和Van Hulle1M.Μ.的 A Phase-based Approach to the Estimat1n of the Optical Flow Field UsingSpatial Filtering, IEEE Trans.Neural Networks,第 13 卷、第 5 号、第 1127-1136 页(2002)中描述的光学流算法能够被应用于获得密集运动向量场，如例如在图4中示出的。备选地，如在 G.de Haan、P.W.A.C Biezen、H.Huijgen 以及 0.A.0jo 的 True Mot1nEstimat1n with 3-D Recursive Search Block-Matching, IEEE Trans.Circuits andSystems for Video Technology，第3卷、第368-388页(1993)中描述的块匹配运动估计算法或者基于片段的运动估计能够被应用于获得像素的每块/组/片段运动向量。最后，Lucas-Kanade(KLT)特征追踪器(或者类似的算法)能够适于并且用于发现局部特征点的对应性并且生成稀疏运动向量场。还能够并且有效地计算仅针对所谓的特征点的运动，例如利用哈里斯检测器所检测的运动，这实现能够被输入到另外的算法的稀疏向量场(不针对所有位置可用)。
[0043]代替于在全部图像帧上计算运动向量，能够针对运动向量计算，人工地或者自动地选择感兴趣区域(ROI)。此外，为了降低计算花费，在进一步处理之前，还能够对密集的或基于块的计算的运动向量场进行下采样。基于片段的或稀疏的向量场也能够被预处理，以(进一步)降低被提供到随后的处理的运动向量的数量。该预处理可以涉及下采样或分组，并且可以涉及使用中值滤波器、截尾均值滤波器等的运动向量的非线性组合。
[0044]给定所计算的运动向量，基于在局部区域内部的运动向量，来计算针对在ROI中的多个或每个局部区域的运动信号。局部区域能够是像素(例如，在上面提及的下采样之后)或多个像素(例如，3x3像素)。运动信号能够是所述区域内部的运动向量的均值的中值。关于N帧(例如，N = 50)的在每个位置处的运动信号是长度为N的一个数据样本。假设在ROI中有M点(或区域)，M*N的数据矩阵被获得以进行进一步处理。
[0045]在变换单元32的实施例中，如本领域中广为人知的盲信号分离算法(例如，在Cardoso, J.-F.的 Blind signal separat1n:statistical principles, Proceedings ofthe IEEE，第86卷、第10号、第2009-2025页(1998年10月)中描述的)(例如，PCA)或它们(例如，PCA和ICA)的组合被应用于运动信号的数据矩阵，从而得到一组分离的源信号。
[0046]在一个实施例中，PCA被采用。从运动信号计算单元30的上面解释的实施例获得的用于PCA的输入数据(MxN)表示关于图像帧的序列中的N帧的M区域的运动。这些M区域中的每个给出具有长度为N的运动信号。通过将PCA应用到MxN数据矩阵，具有对应的本征值的(长度M的)多个特征向量被获得。特征向量包含被给予这些M信号中的每个的权重，以提供加权的平均运动信号(即，源信号，也被称为主成分)。对应于个体特征向量的信号是正交的，即它们的协方差等于零。又换言之，它们表示视频中的独立运动。这些中的一个被希望为是呼吸运动，所述呼吸运动应当被发现在图像帧的序列中的打扰运动分量中。换言之，本征值表示对应的源信号(主成分)的方向中的原始信号的变化。
[0047]通常，针对M个运动信号，表示所述图像内的独立运动的Q个源信号(其中，2 ^ P ^ M并且2 < Q < P)在变换单元中被计算。特征向量的最大数量等于区域数量M。然而在现实情况下，具有最高本征值的仅较小数量Q(例如，10或20特征向量)可以被使用。在实施例中，使用多个特征向量，其具有在合理范围中的本征值(针对希望的呼吸