應用紅外線熱成像技術與圖像處理技術的兒童睡眠監護系統設想

邢焱皓 楊二龍 丁岳

摘 ?要： 兒童睡眠監護系統的設計基于紅外線熱成像技術、圖像后處理技術、軟件APP開發技術等，通過圖像后處理算法的開發，對兒童睡眠監護系統的開發進行測試，進一步提高了兒童睡眠監護系統的完善性。

關鍵詞： 紅外線熱成像技術;圖像后處理技術

中圖分類號： P237; TP3 ???文獻標識碼： 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年被英國物理學家賀胥爾發現。科學研究表明，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， 并通過計算機技術轉換成圖像， 即為“熱圖”[1]。基于紅外線分布的三個規律：熱輻射的分布規律;輻射功率隨溫度的變化規律;輻射的空間分布規律，本文旨在結合圖像處理技術探討兒童睡眠監護系統的設想與開發[2-3]。

1 ?兒童睡眠監護系統的總體設計思路

兒童睡眠監護系統主要包括兩大部分，第一部分為根據人體輻射出不同強度紅外線，應用計算機原理，轉換成熱圖像，用于兒童睡眠狀態評估。第二部分為對熱圖像進行處理，分析，發出預警信號。

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，其特點為溫度分辨率較高，溫度測量精度較高，缺點為需要液氮或電制冷，機械掃描導致增加故障;非制冷紅外線熱成像采用熱敏感器為核心，特點為無需液氮或電制冷，使用、維護方便，無機械掃描，故障率低。其缺點為溫度分辨率低，溫度測量精度較低。兩者的熱成像轉化熱圖如圖1，圖2所示。

1.2 ?圖像處理算法

對采集的兒童紅外線熱圖進行處理，采用基于K-maens聚類算法的圖像區域分割。所謂圖像分割就是把圖像分成各具特性的區域并提取感興趣目標的技術與過程，是目標檢測和模式識別的基礎。現有的圖像分割方法主要有：基于閾值的分割方法、基于區域的分割方法、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督的學習方法，能夠從研究對象的特征數據中發現關聯規則，因而使一種強大的、有力的處理方法。聚類法進行圖像分割就是將圖像空間中的像素點用對應的特征向量表示，根

據它們在特征空間的特征相似性，對特征空間進行分割，然后將其映射回原圖像空間，得到分割結果，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據樣本中選取K個點作為初始聚類中心;其次計算各個樣本到聚類的距離，把樣本歸到離它最近的那個聚類中心所在的類;然后計算新形成的每個聚類的數據對象的平均值來得到新的聚類中心;最后重復以上步驟，直到相鄰兩次的聚類中心沒有任何變化，說明樣本調整結束，聚類準則函數達到最優。其具體流程如圖3所示。

K-means圖像分割算法簡捷，具有很強的搜索力，適合處理數據量大的情況，在數據挖掘和圖像處理中得到廣泛的應用。采用K-means進行圖像分割，將圖像的每個像素點的灰度或者RGB作為樣本（特征向量），因此整個圖像構成了一個樣本集合，從而把圖像分割任務轉換為對數據集合的聚類任務。在此特征空間中運用K-means聚類算法進行圖像區域分割，最后抽取圖像區域的特征[7-8]。

1.3 ?兒童睡眠監護系統的客戶端界面設計

兒童睡眠監護系統目標使用群體為0-5歲，家長登錄客戶端可實時監控兒童的睡眠情況，尤其是兒童在獨立睡眠時是否“蹬被”。當兒童蹬被后，通過紅外線熱傳感器將信號傳輸到系統，系統自動根據圖像分析判斷出是否“蹬被”，并發出警告信號傳輸到家長的客戶端提醒。兒童睡眠監護系統的客戶端界面功能設計主要包括兒童睡眠“蹬被”提醒、兒童睡醒提醒，兒童活動提醒，兒童活動提醒等功能。客戶端支持手機Andriod和iOS操作系統，以APP形式應用。該系統采用云端計算技術，即數據分析、發布等都在云計算中完成。

2 ?兒童睡眠監護系統的圖像處理程序實現（節選）

2.1 ?樣本距離（matlab實現）

3 ?兒童睡眠監護系統APP架構設計

3.1 ?開發環境

本系統的開發語言選擇Java，Java語言應用廣泛，普及率高，其安全機制可防止其他代碼惡意攻擊，安全性高。Java內置的類庫，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 ?開發環境的部署

JDK系Java開發工具箱，其包含了很多實用的工具、運行環境。因此，本系統下載安裝JDK配置JDK變量環境，變異環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 ?系統測試與發布

常規的系統測試方法有很多，本軟件系統采用黑盒測試，即不管內部工作機制，只須達到結果的目標，經過后臺測試之后，沒有問題即可發布。測試的最后將apk文件上傳到APP服務提供商，提供下載安裝服務。

4 ?結論與討論

兒童睡眠監護系統主要包括紅外線熱成像圖的信號轉換，紅外線熱成像技術、圖像后處理技術、APP開發技術等。其核心為紅外線的熱源信號采集、轉換、算法及軟件的開發測試等。0-3歲兒童對氣溫比較敏感，容易受氣溫影響出現發燒感冒等疾病，本系統的開發旨在幫助家長監護兒童的睡眠質量，降低疾病的發生，減少家長的監護勞動量。兒童睡眠監護系統的圖像處理算法目前采用的是基于K-means算法，這種算法的要點在于K-means選定某種距離作為數據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樣本的分類是否正確，若不正確，則需要調整。此外，K-means以誤差平方和準則函數來評價聚類性能。K-means聚類算法是解決圖像處理的一個重要的算法。

5 ?結論

限于當前的技術水平，紅外線成像裝置目前采用非制冷式紅外熱成像技術，圖像后處理技術采用聚類算法，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化和算法的開發。

參考文獻

[1]楊玚， 謝華成. 基于馬爾科夫隨機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. 基于閾值的醫學圖像分割技術的計算機模擬及應用[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]. 計算機應用研究， 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]. 測繪科學技術學報， 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]楊衛莉.基于分水嶺算法和圖論的圖像分割[J]. 計算機工程與應用， 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]. 中國圖象圖形學報， 2004， 9（2）： 159-163.