本文地址：https://blog.csdn.net/itnerd/article/details/109078291

实验效果

实验思路

用 opencv 打开摄像头，读取指定窗口区域的RGB分量均值，本实验读取前额皮肤
用 matplotlib 绘制动态序列曲线
用 HP 滤波过滤RGB序列的趋势部分，保留波动信息，如第2列图所示
对 HP 滤波后的残差，即波动信息，做FFT变换，获得信号频谱
绿色分量频谱的尖峰反映了心跳的频率，正常人的心跳频率在 1~2 Hz 之间

代码实现

采用多线程的模式:

线程一作为生产者，用于 opencv 读取图片中的RGB信号，并发送到一个公共队列 data_queue
线程二作为消费者，但实际不消费，只是读取公共队列上的信息并用 matplotlib 画图
当公共队列满了之后，线程一无法插入新数据，这时由线程一弹出队首的数据，即最早的信号值

线程一

class Producer(threading.Thread):def __init__(self,data_queue,*args,**kwargs):super(Producer, self).__init__(*args,**kwargs)self.data_queue = data_queuedef run(self):capture = cv2.VideoCapture(0)  # 0是代表摄像头编号，只有一个的话默认为0capture.set(cv2.CAP_PROP_FPS, 10)try:t0 = time.time()while (True):ref, frame = capture.read()frame = frame[:,::-1,:].copy()H, W, _ = frame.shapew, h = 40, 40x, y = W//2 -w//2, H//4-h//2area = frame[y:y + h, x:x + w, :]cv2.rectangle(frame, (x,y), (x+w,y+h), (0,255,0), 2)frame[:h,:w] = areat = time.time()-t0cv2.putText(frame, 't={:.3f}'.format(t), (10, H-10), cv2.FONT_HERSHEY_PLAIN, 1.2, (255, 255, 255), 2)cv2.imshow("face", frame)B = np.average(area[:,:,0])G = np.average(area[:,:,1])R = np.average(area[:,:,2])if self.data_queue.full():self.data_queue.queue.popleft()self.data_queue.put((t,B,G,R))c = cv2.waitKey(10) & 0xff  # 等待10ms显示图像，若过程中按“Esc”退出if c == 27:capture.release()breakexcept:traceback.print_exc()finally:capture.release()cv2.destroyAllWindows()if self.data_queue.full():self.data_queue.get()self.data_queue.put('Bye')print('Producer quit')

线程二

从公共队列中读取原始的 RGB 信号，做 HP 滤波，做傅里叶变换，作图

class Consumer(threading.Thread):def __init__(self,data_queue,*args,**kwargs):super(Consumer, self).__init__(*args,**kwargs)self.data_queue = data_queuedef run(self):time.sleep(1)fig, axes = plt.subplots(3, 3)axes[0, 0].set_title('原始信号')axes[0, 1].set_title('HP滤波残差')axes[0, 2].set_title('FFT频谱')axes[0, 0].set_ylabel('Blue')axes[1, 0].set_ylabel('Green')axes[2, 0].set_ylabel('Red')axes[2, 0].set_xlabel('Time(s)')axes[2, 1].set_xlabel('Time(s)')axes[2, 2].set_xlabel('Frequency(Hz)')start = Nonelines = [None, None, None]glines = [None, None, None]rlines = [None, None, None]flines = [None, None, None]BGR = [None, None, None]g = [None, None, None]r = [None, None, None]f = [None, None, None]num_fft = 256while True:# time.sleep(0.2)if self.data_queue.qsize() > 2:if self.data_queue.queue[-1] == 'Bye':breakts, BGR[0], BGR[1], BGR[2] = zip(*self.data_queue.queue)t = ts[-1] if len(ts) > 0 else 0for i in range(3):g[i] = hp(BGR[i], 1000)r[i] = BGR[i] - g[i]# FFTfor i in range(3):rr = r[i][-num_fft:]f[i] = np.fft.fft(rr, num_fft)f[i] = np.abs(f[i])[:num_fft//2]fs =len(rr)/ (ts[-1] - ts[-len(rr)])if start is None:start = 1lines[0] = axes[0,0].plot(ts, BGR[0], '-b')[0]lines[1] = axes[1,0].plot(ts, BGR[1], '-g')[0]lines[2] = axes[2,0].plot(ts, BGR[2], '-r')[0]glines[0] = axes[0,0].plot(ts, g[0], '-k')[0]glines[1] = axes[1,0].plot(ts, g[1], '-k')[0]glines[2] = axes[2,0].plot(ts, g[2], '-k')[0]rlines[0] = axes[0, 1].plot(ts, r[0], '-b')[0]rlines[1] = axes[1, 1].plot(ts, r[1], '-g')[0]rlines[2] = axes[2, 1].plot(ts, r[2], '-r')[0]flines[0] = axes[0, 2].plot(np.arange(num_fft//2)*fs/num_fft, f[0], '-b', marker='*')[0]flines[1] = axes[1, 2].plot(np.arange(num_fft//2)*fs/num_fft, f[1], '-g', marker='*')[0]flines[2] = axes[2, 2].plot(np.arange(num_fft//2)*fs/num_fft, f[2], '-r', marker='*')[0]for i in range(3):lines[i].set_xdata(ts)lines[i].set_ydata(BGR[i])glines[i].set_xdata(ts)glines[i].set_ydata(g[i])rlines[i].set_xdata(ts)rlines[i].set_ydata(r[i])flines[i].set_xdata(np.arange(num_fft//2)*fs/num_fft)flines[i].set_ydata(f[i])for i in range(3):axes[i,0].set_xlim([t - 10, t + 1])axes[i,0].set_ylim([np.min(BGR[i][-num_fft:]), np.max(BGR[i][-num_fft:])])axes[i, 1].set_xlim([t - 10, t + 1])axes[i, 1].set_ylim([np.min(r[i][-num_fft:]), np.max(r[i][-num_fft:])])axes[i, 2].set_xlim([0, fs//2])axes[i, 2].set_ylim([np.min(f[i]), np.max(f[i])])plt.pause(0.1)print('Consumer quit')

主函数

N = 300
data_queue = Queue(N)p = Producer(data_queue)
p.start()
c = Consumer(data_queue)
c.start()p.join()
c.join()
print('EXIT')

实验总结

原始信号对环境光照、人体晃动非常敏感，会产生幅度较大的趋势变化，用 HP 滤波可以捕获这种整体趋势的变化，将其剔除
从图中可以看出，RGB 三个分量中，绿色分量最能反映心跳信息，和文献中的结果一致
求得信号的频谱之后，如何转化成心率？直接用频率乘以 60 即可
完整代码下载

python 使用摄像头监测心率相关推荐

Python 使用摄像头监测心率！这么强吗？
实验效果实验思路用 opencv 打开摄像头,读取指定窗口区域的RGB分量均值,本实验读取前额皮肤用 matplotlib 绘制动态序列曲线用 HP 滤波过滤RGB序列的趋势部分,保留波动信息 ...
Python 使用摄像头测试心率 webcam-pulse-detector
一.环境 1. 首先是githab上的开源项目本篇文章也只是搭建下环境,和遇到的一些问题,供大家参考连接:https://github.com/thearn/webcam-pulse-de ...
心跳之旅—iOS用手机摄像头检测心率(PPG)
本文中涉及到的要点主要有: AVCapture Core Graphics Delegate & Block RGB -> HSV 带通滤波基音标注算法(TP-Psola) 光电容积脉 ...
python实现摄像头拍照_使用Python控制摄像头拍照并发邮件
o1 前言为什么会有写这个程序的想法呢? 最初的想法是写一个可以用电脑前置摄像头拍照的程序,在舍友使用你电脑的时候,不经意间获取到一大堆奇葩舍友的表情包. 然后我又突发奇想,要不搞个开机启动吧,这样 ...
opencv python 从摄像头获取视频、帧率、分辨率等属性设置和使用
opencv python 从摄像头获取视频.帧率.分辨率等属性设置和使用文章目录: 1,为了获取视频,你应该创建一个 VideoCapture 对象.他的参数可以是设备的索引号,或者是一个视频文件 ...
python调用摄像头转向_教你如何利用python调用摄像头
这篇文章主要介绍了python调用摄像头的示例代码,帮助大家更好的理解和使用python,感兴趣的朋友可以了解下一.打开摄像头 import cv2 import numpy as np def v ...
python控制摄像头拍照_python+opencv+pyqt5控制摄像头在Qlabel上显示
import cv2 import numpy as numpy from PIL import * import sys from PyQt5.QtWidgets import * from PyQ ...
python捕获摄像头帧_Xuggler教程：帧捕获和视频创建
python捕获摄像头帧注意:这是我们的" Xuggler开发教程 "系列的一部分. 到目前为止,在我们的Xuggler教程系列中,我们已经对视频处理的Xuggler进行了介绍, ...
基于python的分布式扫描器_基于python的服务器监测系统的设计
基于 python 的服务器监测系统的设计高正 ; 徐浩 ; 余曼 [期刊名称] <电脑知识与技术> [年 ( 卷 ), 期] 2017(013)002 [摘要] 本文介绍了一种基于 P ...

python 使用摄像头监测心率

实验效果

实验思路

代码实现

线程一

线程二

主函数

实验总结

python 使用摄像头监测心率相关推荐

最新文章

热门文章