压缩视频中远程心率估计的深度脉冲信号放大
本文提出了一个两阶段的端到端 RPPG 信号恢复方法,该方法包括视频增强和 RPPG 信号恢复两个阶段。实验结果表明,该方法在压缩视频上表现出色,并且具有很好的泛化能力。
Jul, 2019
该研究利用图像处理技术恶化视频质量,模拟挑战性条件,评估了非学习和基于学习的 rPPG 方法在恶劣数据上的表现。结果显示这些限制条件下的准确率显著下降,因此建议应用去噪和修填等恢复技术来改善心率估计结果并提高方法的鲁棒性和适应性。
Apr, 2023
本文提出了一种基于低光照条件下的远程心率测量的技术性解决方案,并通过一个大规模的数据集,评估了在不同光照变化下 rPPG 算法(Green、ICA 和 POS)的性能,并发现在低光照条件下,人脸检测算法无法检测人脸,脉冲信号的振幅降低将导致噪声信号占主导地位,并且基于色度的方法在皮肤色调假设方面存在局限性,提出的解决方案可以有效地提高脉冲信号的信噪比和精度。
Mar, 2023
通过使用深度时空网络重建精确的远程光学心电图信号,我们提出了一种 rPPG 测量方法,能够从面部视频中测量心率和心率变异性,并在心房颤动检测和情感识别方面取得了有前途的成果。
May, 2019
本文介绍了一种新的、精确的、实时的远程光学心率监测方法,可以测量心率、提取脉搏波形并计算心率变异性,无需特定的训练,可在实际应用中得到良好的结果。
Sep, 2019
本文提出了两种对非接触式心率估计中长度和面部运动造成的误差进行修正的方法,并且使用一个双流双分辨率框架来训练模型以学习稳健的面部信号特征,实验证明了所提出方法的优越性。
Nov, 2022
本文提出了一种新的基于生成对抗神经网络的框架,名为 PulseGAN,用于通过去噪染色信号产生逼真的远程光电容积脉搏测量 (rPPG) 脉搏信号,以提高健康监控和情感识别的准确性。该框架在公共 UBFC-RPPG 数据库中得到了验证,表明 PulseGAN 可以有效地提高波形质量,进而增强心率 (HR)、心率变异性 (HRV) 和心动间隔 (IBI) 的准确性,且显著优于其他方法。
Jun, 2020
本文提出了一种数据扰动的方法,通过提取少量含有身份相关信息的面部区域进行像素洗牌和模糊处理来解决 Remote Photoplethysmography 数据的隐私问题,实验表明该方法可将面部识别算法的准确性降低 60%,而对 rPPG 提取几乎不产生影响,可作为一种有效的隐私保护方案。
Jun, 2023
研究表明,当前基于深度学习的 Remote Photoplethysmography (rPPG) 模型倾向于学习训练数据集中的脉搏波特征,作者提出的一种扩充训练数据集范围和变化性的方法成功缓解了这种倾向,进一步提高了模型的泛化能力。
May, 2023
通过系统调查和详细比较,我们证明了在具有挑战性的环境下提高远程视频脉搏波图 (rPPG) 测量的方法的有效性,从而为更可靠和有效的远程生命体征监测技术的发展做出了贡献。
May, 2024