Modules
		HR cv2 numpy UDP_server yolo3

Classes
		builtins.object RoiDetector   class RoiDetector(builtins.object)       Methods defined here: __init__(self, frame, framerate) Summary or Description of the Function :param frame(m*n array): frame from video/camera for calculatint height, width, number of channels in image :param framerate(int): framerate of video/camera animal(self, bbox, image) Summary or Description of the Function   :param bbox: (x,y,w,h) of detected subject :param image(m*n array): frame from video/camera (1)crop and show ROI    x = int(x+(x+w/3)) y = int(y+h/3) w= 90 h =90    crop_img = image[y:y+h,x:x+w]    cv2.imshow("animal",crop_img) (2)convert BGR TO YCBCR    im_rgb = cv2.cvtColor(crop_img, cv2.COLOR_BGR2RGB)    im_ycbcr = cv2.cvtColor(im_rgb, cv2.COLOR_RGB2YCR_CB) (3)average Y channel for raw cardiac signal and send raw signal to real display signal panel    luma,cb,cr = cv2.split(im_ycbcr)    signal = cv2.mean(luma)[0]    signal_animal = np.append(signal_animal,signal)    import UDP_server as udp    udp.send_signal_luma(signal_animal,"luma-raw") (4)bandpass filter and find send signal to heartrate function    BPsignal = HR.bandpass(signal_animal,1.5,4.2,self.framerate,3)##90bpm to 250bpm    HR.findHeartrate(BPsignal,self.framerate) :return: (x,y,w,h) of crop_img Data descriptors defined here: __dict__ dictionary for instance variables (if defined) __weakref__ list of weak references to the object (if defined)

Functions
		frameProcess() Summary or Description of the Function Process frames from video or webcam/camera, the main processing : (1) access video: cap = cv2.VideoCapture("11_Dorien/video3_Experiment2_S4_SubDorien.mp4")          or camera: cap = cv2.VideoCapture(0)     frame = cap.read()     framerate =cap.get(cv2.CAP_PROP_FPS) (3) Yolo to detect the subject:          import yolo3 as yl          largest_bbox = yl.postprocess(frame) (2) Using MOSSE tracker model which build-in Opencv to track ROI:         tracker = cv2.TrackerMOSSE_create()         tracker.init(frame, largest_bbox)         box = tracker.update(frame) (4)detect ROI and crop and process frames of the ROI:          Roi_Detector = RoiDetector(frame,framerate) #init class RoiDetector          Roi_Detector.animal(box,frame) #image processing and signal processing :return: main() Run frameProcess()

Data
		fr_num = 0 signal_animal = array([], shape=(0, 300), dtype=float64)