History

PEAandDA ff11a09b8b 代码迁移		2024-06-20 18:22:33 +08:00
..
README.md	代码迁移	2024-06-20 18:22:33 +08:00
RespirationRateDetector.py	代码迁移	2024-06-20 18:22:33 +08:00
demo.py	代码迁移	2024-06-20 18:22:33 +08:00
params.py	代码迁移	2024-06-20 18:22:33 +08:00

README.md

Video-based Respiration Rate Detection Algorithm

该项目是一个基于视频图像的呼吸频率检测算法的实现。它可以从视频中提取人体的呼吸曲线并计算呼吸频率。该算法使用了光流法、相关性引导的光流法、滤波、归一化等技术来提高检测精度。同时，它提供了多种呼吸频率计算方法供选择，包括FFT、Peak Counting、Crossing Point和Negative Feedback Crossover Point等。

文件结构

params.py: 包含所有可配置的参数及其默认值。
RespirationRateDetector.py: 实现了呼吸频率检测算法的核心逻辑。
demo.py: 演示程序，从摄像头读取视频流并实时显示呼吸曲线和呼吸频率。

使用方法

克隆该项目到本地。
安装所需的Python依赖包，OpenCV、NumPy、SciPy、Matplotlib。
根据需要在params.py中调整参数设置。
运行demo.py启动演示程序。

程序将打开一个窗口显示从摄像头捕获的视频流，并在另一个窗口中绘制实时呼吸曲线。同时，它还会在视频窗口上显示使用不同方法计算得到的呼吸频率值。

核心算法

该算法的核心步骤包括：

光流法：使用光流法跟踪视频中的特征点，并计算这些特征点的运动幅度和。
相关性引导的光流法：通过计算每个特征点与呼吸曲线的相关性，筛选出与呼吸相关的特征点，以提高检测精度。
滤波：对原始呼吸曲线进行带通滤波，去除高频和低频噪声。
归一化：将滤波后的呼吸曲线进行归一化处理。
呼吸频率计算：使用FFT、Peak Counting、Crossing Point和Negative Feedback Crossover Point等多种方法计算呼吸频率。

参数说明

params.py中包含了该算法的所有可配置参数及其默认值。主要参数包括：

--video-path: 输入视频文件的路径。默认值为'./1.mp4'。
--FSS: 是否启用特征点选择策略(Feature Point Selection Strategy)。默认为True。
--CGOF: 是否启用相关性引导的光流法(Correlation-Guided Optical Flow Method)。默认为True。
--filter: 是否对呼吸曲线进行滤波。默认为True。
--Normalization: 是否对呼吸曲线进行归一化。默认为True。
--RR_Evaluation: 是否计算呼吸频率。默认为True。

其他参数控制光流法、特征点选择策略、滤波和呼吸频率计算的具体设置。