Optimize-at-Capture: Highly-adaptive Exposure Controlling for In-Vehicle Non-contact Heart-rate Monitoring

📄 arXiv: 2605.04397v1 📥 PDF

作者: Jieying Wang, Xinqi Cai, Caifeng Shan, Wenjin Wang

分类: cs.CV, eess.SY

发布日期: 2026-05-06

💡 一句话要点

提出一种自适应曝光控制框架，用于车载非接触式心率监测，提升动态光照下的性能。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 远程生理监测 rPPG 车载系统 曝光控制 自适应算法

📋 核心要点

  1. 现有车载rPPG系统在动态光照下性能显著下降，主要原因是缺乏针对rPPG优化的曝光控制策略。
  2. 提出一种自适应曝光控制框架，通过预测皮肤反射来主动调整曝光参数，使ROI保持在最佳动态范围内。
  3. 实验结果表明，该方法在各种驾驶场景下均优于固定曝光和标准自动曝光，显著提高了心率监测的准确性和成功率。

📝 摘要（中文）

远程光电容积脉搏波描记法(rPPG)在智能车辆中对驾驶员进行连续心率监测具有广阔前景。然而，其性能会因高度动态的光照变化而严重降低。一个关键但被忽视的因素是视频采集过程中缺乏曝光控制——大多数现有系统依赖于固定曝光设置或相机内置的自动曝光，这两种方法都无法在驾驶过程中快速变化的光照条件下保持面部亮度稳定。为了解决这一问题，我们提出了一种高度自适应的曝光控制框架，该框架基于历史皮肤反射的预测模型主动调整曝光参数。与标准自动曝光不同，我们的方法专门针对rPPG测量进行了优化，确保感兴趣区域(ROI)的皮肤区域保持在rPPG信号提取的最佳动态范围内。作为本研究的重要贡献，我们引入了ExpDrive，这是一个公开的车载生理监测数据集，包含来自48名受试者在真实驾驶条件下采集的同步面部视频和参考ECG。大量实验表明，我们的方法始终优于固定曝光和标准自动曝光策略。具体而言，它将平均绝对误差(MAE)降低了6.31 bpm(从14.1 bpm降至7.79 bpm)，并显著提高了32.3个百分点的成功率(p < 0.001)(从24.9%提高到57.2%)。值得注意的是，它明显改善了在低光(阴雨)和高眩光(晴天)条件下的非接触式心率监测性能，验证了曝光感知采集设计的有效性。

🔬 方法详解

问题定义：车载环境下，光照条件快速变化，传统的固定曝光或相机自带的自动曝光无法保证面部ROI区域的亮度稳定，导致rPPG信号质量下降，心率监测精度降低。现有方法缺乏针对rPPG信号特点的优化，无法有效应对动态光照挑战。

核心思路：核心在于预测皮肤反射，并以此为依据主动调整曝光参数。通过历史皮肤反射数据建立预测模型，提前预判下一时刻的光照变化趋势，从而调整曝光，保证ROI区域的亮度稳定在适合rPPG信号提取的动态范围内。这种前瞻性的调整策略优于被动响应的自动曝光。

技术框架：该框架主要包含以下几个阶段：1) ROI检测与跟踪：检测并跟踪面部皮肤区域。2) 皮肤反射预测：基于历史ROI区域的亮度信息，建立预测模型，预测下一时刻的皮肤反射强度。3) 曝光参数调整：根据预测的皮肤反射强度，调整相机的曝光参数（如曝光时间、ISO等），使ROI区域的亮度保持在最佳范围内。4) rPPG信号提取与心率估计：从调整曝光后的视频中提取rPPG信号，并估计心率。

关键创新：关键创新在于针对rPPG信号特点的自适应曝光控制策略。与传统的自动曝光不同，该方法不是简单地追求整体图像的亮度平衡，而是专注于保持ROI区域的亮度稳定，从而优化rPPG信号的质量。此外，利用预测模型进行前瞻性调整，避免了传统自动曝光的滞后性。

关键设计：皮肤反射预测模型的具体形式未知，但可能采用了时间序列预测方法，如卡尔曼滤波或循环神经网络。曝光参数的调整策略需要根据相机的具体型号和性能进行优化。损失函数的设计可能包含两部分：一是保证ROI区域亮度稳定的损失，二是保证图像质量的损失（如避免过曝或欠曝）。

📊 实验亮点

实验结果表明，该方法在真实驾驶场景下显著优于固定曝光和标准自动曝光策略。具体而言，平均绝对误差(MAE)降低了6.31 bpm(从14.1 bpm降至7.79 bpm)，成功率提高了32.3个百分点(从24.9%提高到57.2%)。在低光和高眩光等极端光照条件下，该方法依然表现出良好的性能，验证了其鲁棒性和有效性。

🎯 应用场景

该研究成果可应用于智能汽车的驾驶员生理状态监测系统，实现对驾驶员心率的实时、非接触式监测，从而评估驾驶员的疲劳程度、情绪状态等，提高驾驶安全性。此外，该技术也可扩展到其他需要稳定光照条件下的远程生理信号监测场景，如远程医疗、智能家居等。

📄 摘要（原文）

Remote photoplethysmography (rPPG) holds great promise for continuous heart-rate monitoring of drivers in intelligent vehicles. However, its performance is severely degraded by the highly dynamic illumination changes. A critical yet overlooked factor is the lack of exposure controlling during video acquisition -- most existing systems rely on either fixed exposure settings or camera build-in auto-exposure, both of which fail to maintain stable facial brightness under rapidly changing lighting conditions during driving. To address this gap, we propose a highly-adaptive exposure controlling framework that proactively adjusts exposure parameters based on predictive modeling of historical skin reflections. Unlike standard auto-exposure, our method is specifically optimized for rPPG measurement, ensuring the skin region of interest (ROI) remains within the optimal dynamic range for rPPG signal extraction. As an important contribution of this study, we introduce ExpDrive, a public in-vehicle physiological monitoring dataset comprising synchronized facial video and reference ECG from 48 subjects captured under real driving conditions. Extensive experiments demonstrate that our method consistently outperforms fixed exposure and standard auto-exposure strategies. Specifically, it reduces the Mean Absolute Error (MAE) by 6.31 bpm (from 14.1 to 7.79 bpm) and significantly increases the success rate by 32.3 percentage points (p < 0.001) (from 24.9% to 57.2%) across challenging driving scenarios. Notably, it clearly improved the performance of non-contact heart-rate monitoring in both low-light (rainy) and high-glare (sunny) conditions, validating the efficacy of exposure-aware acquisition design.