CN111507306A - 一种基于ai人脸距离检测的温度误差补偿方法 - Google Patents
一种基于ai人脸距离检测的温度误差补偿方法 Download PDFInfo
- Publication number
- CN111507306A CN111507306A CN202010361874.5A CN202010361874A CN111507306A CN 111507306 A CN111507306 A CN 111507306A CN 202010361874 A CN202010361874 A CN 202010361874A CN 111507306 A CN111507306 A CN 111507306A
- Authority
- CN
- China
- Prior art keywords
- face
- temperature
- thermal imaging
- distance
- imaging image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000000007 visual effect Effects 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000001931 thermography Methods 0.000 claims description 65
- 238000001228 spectrum Methods 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 6
- 230000036760 body temperature Effects 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000009529 body temperature measurement Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 4
- 230000005180 public health Effects 0.000 description 4
- 230000002040 relaxant effect Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 241000711573 Coronaviridae Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/0022—Radiation pyrometry, e.g. infrared or optical thermometry for sensing the radiation of moving bodies
- G01J5/0025—Living bodies
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/80—Calibration
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
- G01K13/20—Clinical contact thermometers for use with humans or animals
- G01K13/223—Infrared clinical thermometers, e.g. tympanic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J2005/0077—Imaging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种基于AI人脸距离检测的温度误差补偿方法，属于计算机视觉技术领域。所述温度误差补偿方法包括：步骤1、环境配置准备；步骤2、建立位置对应关系；步骤3、在所述可视化图像中进行人脸检测；步骤4、计算人脸温度；步骤5、采集数据；步骤6、训练模型并计算人脸距离；步骤7、完善温度补偿算法。
Description
技术领域
本发明提出了一种基于AI人脸距离检测的温度误差补偿方法，属于计算机视觉技术领域。
背景技术
受新冠状病毒的疫情影响，非接触性人脸测温是全世界目前最迫切的需求，各大摄像头厂商分别推出非接触性红外线测温与可见光双通道摄像头设备，但是这种设备的检测条件非常苛刻，尤其是检测范围。
基于AI人脸距离检测的温度误差补偿技术，以补偿技术为例，目前采用的解决方法有如下：使用非接触性红外线测温与可见光双通道摄像头设备，首先在设备上会设置两个参数（检测距离，人体发射率），通过这两个参数建立补偿模型，在摄像机上进行计算，在可见光的通道检测到人脸的位置信息，根据两个通道的位置的对应关系，转换为热成像上的位置，然后取人脸位置的热成像图像的最高值、平均值等等，最后根据之前建立的补偿模型修正温度值，但是补偿方式还是存在不少问题，比如说双光通道图像检测视角范围不一致导致的人脸位置偏差、检测温度的精度受距离影响等等。
发明内容
本发明为了解决现有为题中人脸跟摄像机之间的距离（即人脸距离）的检测准确率低造成人脸温度检测的错误率较高的问题，提出了一种基于AI人脸距离检测的温度误差补偿方法，所采取的的技术方案如下，
所述温度误差补偿方法包括：
步骤1、环境配置准备：选择可见光与高精度的红外光双光谱设备，所述红外光双光谱设备将两个通道的视角最大的重合，从而扩大检测范围，配置基于深度学习的人脸检测算法、人脸距离计算模型和温度补偿算法所需要的计算机环境；其中，人脸距离是指人脸与所述双光谱摄像头之前的距离；
步骤2、建立位置对应关系：利用平移缩放方式调整可视化图像和热成像图像的位置，建立所述可视化图像与热成像图像的位置对应关系；
步骤3、在所述可视化图像中进行人脸检测：使用人脸检测数据集通过深度学习方法训练人脸检测模型，利用所述人脸检测模型以及所述人脸模型的权重文件检测出可视化图像中的人脸以及人脸的位置信息；
步骤4、计算人脸温度：根据步骤3获得的位置对应关系，计算得到热成像图像人脸以及人脸温度；
步骤5、采集数据：采集人脸距离数据，并利用所述人脸距离数据生成数据集；
步骤6、训练模型并计算人脸距离：利用步骤4中获得的所述热成像图像人脸作为输入，并以步骤5获得的人脸距离数据作为结果建立神经网络模型；并对所述神经网络模型进行训练获得人脸距离检测模型，并将步骤4获得的热成像图像人脸输入至所述人脸距离检测模型求得与所述热成像图像人脸对应的人脸距离；
步骤7、完善温度补偿算法：利用所述数据集中的人脸参数建立温度补偿函数。
进一步地，步骤1所述红外光双光谱设备的精度误差要求为±0.5℃范围内。
进一步地，步骤1所述人脸检测算法采用基于候选区域的人脸检测算法或多任务人脸检测算法；所述人脸距离计算模型采用基于关键点检测的距离转化模型、人脸属性识别模型或人脸大小转化距离模型；所述温度补偿算法采用线性回归算法或非线性回归算法。
进一步地，步骤2所述建立所述可视化图像与热成像图像的位置对应关系的具体过程为：
第一步、利用画中画方式对齐所述可视化图像和热成像图像；其中，热成像图像在最上层，并对所述热成像图像进行透明度、大小和位置设置；
第二步、所述可视化图像和热成像图像对齐后，保存热成像图像的位置位移（Δx，Δy）和比例转化scale；
第三步、确定可见光坐标为（x0，y0），热成像坐标为（x1，y1），坐标系采用opencv图片坐标系，则可见光坐标、热成像坐标与位置位移（Δx，Δy）和比例转化之间的关系为：
进一步地，步骤4所述计算得到热成像图像人脸以及人脸温度的过程为：
步骤一、利用所述可视化图像与热成像图像的位置对应关系，将所述所述可视化图像中的人脸框的位置信息转化为热成像图像人脸位置坐标
；其中，x、y为人脸框中心的坐标值，w为人脸框宽度，h为人脸框高度；
步骤二、从所述热成像图像中截取框内图像，人脸温度矩阵；
步骤三、利用人脸温度矩阵计算得出人脸温度值t，例如，利用人脸温度矩阵通过最大数、中位数和平均数等方式计算人脸温度值t。
进一步地，步骤5所述采集数据的数据过程为：采集样本数为20个人，分别采集所述20个人未戴口罩时的样本数据和戴口罩时的样本数据，其中，所述样本数据的要求为：样本体温满足36℃～39℃的公差为0.2℃的等差数列，采集距离满足1m～6m的公差为0.5m的等差数列，角度满足正对摄像头-60°～60°的公差为10°的等差数列；最终得到未戴口罩数据集2860，戴口罩数据集2860。
进一步地，步骤6所述利用数据集训练人脸距离计算模型的过程包括：
第1步、将所述数据集随机分为三个部分：训练集Q1、验证集Q2和测试集Q3；
第2步、以所述热成像人脸为输入，以所述数据集中的人脸距离数据为结果建立神经网络模型；
第3步、利用所述训练集Q1、验证集Q2和测试集Q3对所述神经网络模型进行训练、验证和测试，生成训练好的人脸距离计算模型；
第4步、将所述热成像图像人脸输入至所述人脸距离检测模型求得与所述热成像图像人脸对应的人脸距离。
进一步地，所述神经网络采用以数值和图片同时输入的多输入神经网络、以图片为输入的卷积神经网络或以人脸框和人脸关键点组成的全数值MLP多层感知网络。
进一步地，所述训练集Q1、验证集Q2和测试集Q3的样本数比例为：7：1：2。
进一步地，步骤7所述利用所述数据集中的人脸参数建立线性函数的过程为：利用人脸参数与每个被测人的当前距离下需要补偿的温度值建立二维坐标系，并利用真实人脸温度建立三维坐标系，用线性回归、非线性回归或神经网络模型建立出温度补偿函数，所述温度补偿函数如下：
其中，
为当前距离下需要补偿的温度值；T为修正后的人脸温度；l表示人脸距离；t表示当前设备测出的人脸温度值。
本发明的有益效果为：
本发明提出的一种基于AI人脸距离检测的温度误差补偿方法，能够有效提高双光谱摄像头的检测范围与精确度，从而放宽该设备的使用条件，增加监控闸口的人流量，方便人们出行，为公共卫生安全做出积极贡献。同时，提高了温度测量的准确性和精度，并且提高了人脸温度检测的效率。并且本发明提出的基于AI人脸距离检测的温度误差补偿方法能够有效提高双光谱摄像头的检测范围与精确度，从而放宽该设备的使用条件，增加监控闸口的人流量，方便人们出行，为公共卫生安全做出积极贡献。同时，提高了温度测量的准确性和精度，并且提高了人脸温度检测的效率。
附图说明
图1为本发明所述方法的原理图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明的实施例为了解决现有为题中人脸跟摄像机之间的距离（即人脸距离）的检测准确率低造成人脸温度检测的错误率较高的问题，提出了一种基于AI人脸距离检测的温度误差补偿方法，具体如下：
一种基于AI人脸距离检测的温度误差补偿方法，所述温度误差补偿方法包括：
步骤1、环境配置准备：选择可见光与高精度的红外光双光谱设备，所述红外光双光谱设备将两个通道的视角最大的重合，从而扩大检测范围，配置基于深度学习的人脸检测算法、人脸距离计算模型和温度补偿算法所需要的计算机环境；其中，人脸距离是指人脸与所述双光谱摄像头之前的距离；
步骤2、建立位置对应关系：利用平移缩放方式调整可视化图像和热成像图像的位置，建立所述可视化图像与热成像图像的位置对应关系；
步骤3、在所述可视化图像中进行人脸检测：使用人脸检测数据集通过深度学习方法训练人脸检测模型，利用所述人脸检测模型以及所述人脸模型的权重文件检测出可视化图像中的人脸以及人脸的位置信息；
步骤4、计算人脸温度：根据步骤3获得的位置对应关系，计算得到热成像图像人脸以及人脸温度；
步骤5、采集数据：采集人脸距离数据，并利用所述人脸距离数据生成数据集；
步骤6、训练模型并计算人脸距离：利用步骤4中获得的所述热成像图像人脸作为输入，并以步骤5获得的人脸距离数据作为结果建立神经网络模型；并对所述神经网络模型进行训练获得人脸距离检测模型，并将步骤4获得的热成像图像人脸输入至所述人脸距离检测模型求得与所述热成像图像人脸对应的人脸距离；
步骤7、完善温度补偿算法：利用所述数据集中的人脸参数建立温度补偿函数。
其中，步骤1所述红外光双光谱设备的精度误差要求为±0.5℃范围内。并且，步骤1所述人脸检测算法采用基于候选区域的人脸检测算法或多任务人脸检测算法；所述人脸距离计算模型采用基于关键点检测的距离转化模型、人脸属性识别模型或人脸大小转化距离模型；所述温度补偿算法采用线性回归算法或非线性回归算法。例如，人脸检测模型MTCNN、DARKNET等。
步骤2所述建立所述可视化图像与热成像图像的位置对应关系的具体过程为：
第一步、利用画中画方式对齐所述可视化图像和热成像图像；其中，热成像图像在最上层，并对所述热成像图像进行透明度、大小和位置设置；
第二步、所述可视化图像和热成像图像对齐后，保存热成像图像的位置位移（Δx，Δy）和比例转化scale；
第三步、确定可见光坐标为（x0，y0），热成像坐标为（x1，y1），坐标系采用opencv图片坐标系，则可见光坐标、热成像坐标与位置位移（Δx，Δy）和比例转化之间的关系为：
步骤4所述计算得到热成像图像人脸以及人脸温度的过程为：
步骤一、利用所述可视化图像与热成像图像的位置对应关系，将所述所述可视化图像中的人脸框的位置信息转化为热成像图像人脸位置坐标
；其中，x、y为人脸框中心的坐标值，w为人脸框宽度，h为人脸框高度；
步骤二、从所述热成像图像中截取框内图像，人脸温度矩阵；
步骤三、利用人脸温度矩阵计算得出人脸温度值t，例如，利用人脸温度矩阵通过最大数、中位数和平均数等方式计算人脸温度值t。
步骤5所述采集数据的数据过程为：采集样本数为20个人，分别采集所述20个人未戴口罩时的样本数据和戴口罩时的样本数据，其中，所述样本数据的要求为：样本体温满足36℃～39℃的公差为0.2℃的等差数列，采集距离满足1m～6m的公差为0.5m的等差数列，角度满足正对摄像头-60°～60°的公差为10°的等差数列；最终得到未戴口罩数据集2860，戴口罩数据集2860。
步骤6所述利用数据集训练人脸距离计算模型的过程包括：
第1步、将所述数据集随机分为三个部分：训练集Q1、验证集Q2和测试集Q3；
第2步、以所述热成像人脸为输入，以所述数据集中的人脸距离数据为结果建立神经网络模型；
第3步、利用所述训练集Q1、验证集Q2和测试集Q3对所述神经网络模型进行训练、验证和测试，生成训练好的人脸距离计算模型；
第4步、将所述热成像图像人脸输入至所述人脸距离检测模型求得与所述热成像图像人脸对应的人脸距离。
其中，所述训练集Q1、验证集Q2和测试集Q3的样本数比例为：7：1：2。
步骤7所述利用所述数据集中的人脸参数建立线性函数的过程为：利用人脸参数与每个被测人的当前距离下需要补偿的温度值建立二维坐标系，并利用真实人脸温度建立三维坐标系，用线性回归、非线性回归或神经网络模型建立出温度补偿函数，所述温度补偿函数如下：
其中，
为当前距离下需要补偿的温度值；T为修正后的人脸温度；l表示人脸距离；t表示当前设备测出的人脸温度值。
本发明实施例提出的一种基于AI人脸距离检测的温度误差补偿方法，能够有效提高双光谱摄像头的检测范围与精确度，从而放宽该设备的使用条件，增加监控闸口的人流量，方便人们出行，为公共卫生安全做出积极贡献。同时，提高了温度测量的准确性和精度，并且提高了人脸温度检测的效率。并且本发明提出的基于AI人脸距离检测的温度误差补偿方法能够有效提高双光谱摄像头的检测范围与精确度，从而放宽该设备的使用条件，增加监控闸口的人流量，方便人们出行，为公共卫生安全做出积极贡献。同时，提高了温度测量的准确性和精度，并且提高了人脸温度检测的效率。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种基于AI人脸距离检测的温度误差补偿方法，其特征在于，所述温度误差补偿方法包括：
步骤1、环境配置准备：选择可见光与高精度的红外光双光谱设备，所述红外光双光谱设备将两个通道的视角最大的重合，配置基于深度学习的人脸检测算法、人脸距离计算模型和温度补偿算法所需要的计算机环境；其中，人脸距离是指人脸与所述双光谱摄像头之前的距离；
步骤2、建立位置对应关系：利用平移缩放方式调整可视化图像和热成像图像的位置，建立所述可视化图像与热成像图像的位置对应关系；
步骤3、在所述可视化图像中进行人脸检测：使用人脸检测数据集通过深度学习方法训练人脸检测模型，利用所述人脸检测模型以及所述人脸模型的权重文件检测出可视化图像中的人脸以及人脸的位置信息；
步骤4、计算人脸温度：根据步骤3获得的位置对应关系，计算得到热成像图像人脸以及人脸温度；
步骤5、采集数据：采集人脸距离数据，并利用所述人脸距离数据生成数据集；
步骤6、训练模型并计算人脸距离：利用步骤4中获得的所述热成像图像人脸作为输入，并以步骤5获得的人脸距离数据作为结果建立神经网络模型；并对所述神经网络模型进行训练获得人脸距离检测模型，并将步骤4获得的热成像图像人脸输入至所述人脸距离检测模型求得与所述热成像图像人脸对应的人脸距离；
步骤7、完善温度补偿算法：利用所述数据集中的人脸参数建立温度补偿函数。
2.根据权利要求1所述温度误差补偿方法，其特征在于，步骤1所述红外光双光谱设备的精度误差要求为±0.5℃范围内。
3.根据权利要求1所述温度误差补偿方法，其特征在于，步骤1所述人脸检测算法采用基于候选区域的人脸检测算法或多任务人脸检测算法；所述人脸距离计算模型采用基于关键点检测的距离转化模型、人脸属性识别模型或人脸大小转化距离模型；所述温度补偿算法采用线性回归算法或非线性回归算法。
4.根据权利要求1所述温度误差补偿方法，其特征在于，步骤2所述建立所述可视化图像与热成像图像的位置对应关系的具体过程为：
第一步、利用画中画方式对齐所述可视化图像和热成像图像；其中，热成像图像在最上层，并对所述热成像图像进行透明度、大小和位置设置；
第二步、所述可视化图像和热成像图像对齐后，保存热成像图像的位置位移（Δx，Δy）和比例转化scale；
第三步、确定可见光坐标为（x0，y0），热成像坐标为（x1，y1），坐标系采用opencv图片坐标系，则可见光坐标、热成像坐标与位置位移（Δx，Δy）和比例转化之间的关系为：
5.根据权利要求1所述温度误差补偿方法，其特征在于，步骤4所述计算得到热成像图像人脸以及人脸温度的过程为：
步骤一、利用所述可视化图像与热成像图像的位置对应关系，将所述所述可视化图像中的人脸框的位置信息转化为热成像图像人脸位置坐标
；其中，x、y为人脸框中心的坐标值，w为人脸框宽度，h为人脸框高度；
步骤二、从所述热成像图像中截取框内图像，人脸温度矩阵；
步骤三、利用人脸温度矩阵计算得出人脸温度值t。
6.根据权利要求1所述温度误差补偿方法，其特征在于，步骤5所述采集数据的数据过程为：采集样本数为20个人，分别采集所述20个人未戴口罩时的样本数据和戴口罩时的样本数据，其中，所述样本数据的要求为：样本体温满足36℃～39℃的公差为0.2℃的等差数列，采集距离满足1m～6m的公差为0.5m的等差数列，角度满足正对摄像头-60°～60°的公差为10°的等差数列；最终得到未戴口罩数据集2860，戴口罩数据集2860。
7.根据权利要求1所述温度误差补偿方法，其特征在于，步骤6所述利用数据集训练人脸距离计算模型的过程包括：
第1步、将所述数据集随机分为三个部分：训练集Q1、验证集Q2和测试集Q3；
第2步、以所述热成像人脸为输入，以所述数据集中的人脸距离数据为结果建立神经网络模型；
第3步、利用所述训练集Q1、验证集Q2和测试集Q3对所述神经网络模型进行训练、验证和测试，生成训练好的人脸距离计算模型；
第4步、将所述热成像图像人脸输入至所述人脸距离检测模型求得与所述热成像图像人脸对应的人脸距离。
8.根据权利要求7所述温度误差补偿方法，其特征在于，所述训练集Q1、验证集Q2和测试集Q3的样本数比例为：7：1：2。
9.根据权利要求1所述温度误差补偿方法，其特征在于，步骤7所述利用所述数据集中的人脸距离参数建立线性函数的过程为：利用人脸参数与每个被测人的当前距离下需要补偿的温度值建立二维坐标系，并利用真实人脸温度建立三维坐标系，用线性回归、非线性回归或神经网络模型建立出温度补偿函数，所述温度补偿函数如下：
其中，
为当前距离下需要补偿的温度值；T为修正后的人脸温度；l表示人脸距离；t表示当前设备测出的人脸温度值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010361874.5A CN111507306A (zh) | 2020-04-30 | 2020-04-30 | 一种基于ai人脸距离检测的温度误差补偿方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010361874.5A CN111507306A (zh) | 2020-04-30 | 2020-04-30 | 一种基于ai人脸距离检测的温度误差补偿方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111507306A true CN111507306A (zh) | 2020-08-07 |
Family
ID=71869723
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010361874.5A Pending CN111507306A (zh) | 2020-04-30 | 2020-04-30 | 一种基于ai人脸距离检测的温度误差补偿方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111507306A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112146761A (zh) * | 2020-08-14 | 2020-12-29 | 上海数川数据科技有限公司 | 一种基于机器学习的人体测温补偿方法 |
| CN112254821A (zh) * | 2020-10-16 | 2021-01-22 | 盈合(深圳)机器人与自动化科技有限公司 | 通过视觉测距补偿体温检测精度的方法及装置 |
| CN112525352A (zh) * | 2020-11-24 | 2021-03-19 | 深圳市高巨创新科技开发有限公司 | 一种基于人脸识别的红外测温补偿方法及终端 |
| CN113340438A (zh) * | 2021-07-08 | 2021-09-03 | 电子科技大学 | 一种航空发动机热端部件非接触温度场距离误差校准方法 |
| CN113361337A (zh) * | 2021-05-19 | 2021-09-07 | 中新智擎科技有限公司 | 一种人脸测温补偿方法、装置及电子设备 |
| CN114061761A (zh) * | 2021-11-17 | 2022-02-18 | 重庆大学 | 基于单目红外立体视觉矫正的远距离目标温度精确测量方法 |
| CN114509168A (zh) * | 2020-10-29 | 2022-05-17 | 中移物联网有限公司 | 一种红外测温方法、装置和电子设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102147835A (zh) * | 2010-11-26 | 2011-08-10 | 中华人民共和国深圳出入境检验检疫局 | 用于口岸车道的司机体温自动测量***及实现方法 |
| CN110738142A (zh) * | 2019-09-26 | 2020-01-31 | 广州广电卓识智能科技有限公司 | 一种自适应改善人脸图像采集的方法、***及存储介质 |
| CN111693147A (zh) * | 2020-06-12 | 2020-09-22 | 北京百度网讯科技有限公司 | 温度补偿的方法、装置、电子设备及计算机可读存储介质 |
| CN112819754A (zh) * | 2021-01-13 | 2021-05-18 | 浙江大华技术股份有限公司 | 一种人体测温方法、终端设备以及计算机可读存储介质 |
| CN113361337A (zh) * | 2021-05-19 | 2021-09-07 | 中新智擎科技有限公司 | 一种人脸测温补偿方法、装置及电子设备 |
-
2020
- 2020-04-30 CN CN202010361874.5A patent/CN111507306A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102147835A (zh) * | 2010-11-26 | 2011-08-10 | 中华人民共和国深圳出入境检验检疫局 | 用于口岸车道的司机体温自动测量***及实现方法 |
| CN110738142A (zh) * | 2019-09-26 | 2020-01-31 | 广州广电卓识智能科技有限公司 | 一种自适应改善人脸图像采集的方法、***及存储介质 |
| CN111693147A (zh) * | 2020-06-12 | 2020-09-22 | 北京百度网讯科技有限公司 | 温度补偿的方法、装置、电子设备及计算机可读存储介质 |
| CN112819754A (zh) * | 2021-01-13 | 2021-05-18 | 浙江大华技术股份有限公司 | 一种人体测温方法、终端设备以及计算机可读存储介质 |
| CN113361337A (zh) * | 2021-05-19 | 2021-09-07 | 中新智擎科技有限公司 | 一种人脸测温补偿方法、装置及电子设备 |
Non-Patent Citations (1)
| Title |
|---|
| 袁浩期等: "基于红外热像的行人面部温度高精度检测技术", 《红外技术》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112146761A (zh) * | 2020-08-14 | 2020-12-29 | 上海数川数据科技有限公司 | 一种基于机器学习的人体测温补偿方法 |
| CN112254821A (zh) * | 2020-10-16 | 2021-01-22 | 盈合(深圳)机器人与自动化科技有限公司 | 通过视觉测距补偿体温检测精度的方法及装置 |
| CN114509168A (zh) * | 2020-10-29 | 2022-05-17 | 中移物联网有限公司 | 一种红外测温方法、装置和电子设备 |
| CN112525352A (zh) * | 2020-11-24 | 2021-03-19 | 深圳市高巨创新科技开发有限公司 | 一种基于人脸识别的红外测温补偿方法及终端 |
| CN113361337A (zh) * | 2021-05-19 | 2021-09-07 | 中新智擎科技有限公司 | 一种人脸测温补偿方法、装置及电子设备 |
| CN113340438A (zh) * | 2021-07-08 | 2021-09-03 | 电子科技大学 | 一种航空发动机热端部件非接触温度场距离误差校准方法 |
| CN113340438B (zh) * | 2021-07-08 | 2022-05-03 | 电子科技大学 | 一种航空发动机热端部件非接触温度场距离误差校准方法 |
| CN114061761A (zh) * | 2021-11-17 | 2022-02-18 | 重庆大学 | 基于单目红外立体视觉矫正的远距离目标温度精确测量方法 |
| CN114061761B (zh) * | 2021-11-17 | 2023-12-08 | 重庆大学 | 基于单目红外立体视觉矫正的远距离目标温度精确测量方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111507306A (zh) | 一种基于ai人脸距离检测的温度误差补偿方法 | |
| CN109815907B (zh) | 一种基于计算机视觉技术的仰卧起坐姿态检测与指导方法 | |
| CN109758355B (zh) | 一种基于人体穴位二维图像处理和三维立体定位方法 | |
| CN108629946B (zh) | 一种基于rgbd传感器的人体跌倒检测方法 | |
| CN104173054B (zh) | 基于双目视觉技术的人体身高测量方法及其装置 | |
| CN105054936B (zh) | 基于Kinect景深图像的快速身高和体重测量方法 | |
| CN110929710B (zh) | 一种基于视觉的仪表指针读数自动识别方法与*** | |
| CN110074788B (zh) | 一种基于机器学习的身体数据获取方法和装置 | |
| CN105930795A (zh) | 一种基于人体骨骼关节点间空间向量的行走状态识别方法 | |
| CN112215172A (zh) | 融合彩色图像与深度信息的人体卧姿三维姿态估计方法 | |
| CN109163657A (zh) | 一种基于双目视觉三维重建的圆形目标位姿检测方法 | |
| WO2022104817A1 (zh) | 一种非接触式体温测量方法和*** | |
| CN112418251B (zh) | 红外体温检测方法及*** | |
| CN111996883B (zh) | 一种检测公路路面宽度的方法 | |
| CN112146761A (zh) | 一种基于机器学习的人体测温补偿方法 | |
| CN107016697A (zh) | 一种高度测量方法及装置 | |
| CN109656033A (zh) | 一种区分液晶显示屏灰尘和缺陷的方法及装置 | |
| CN110477921B (zh) | 基于骨架折线Ridge回归的身高测量方法 | |
| CN112241700A (zh) | 一种额头精准定位的多目标额温测量方法 | |
| CN110456904A (zh) | 一种无需标定的增强现实眼镜眼动交互方法及*** | |
| CN115331125A (zh) | 一种基于双向高维向量欧式距离的桥梁全场变形监测方法 | |
| CN111444837A (zh) | 在极端环境下提升人脸检测可用性的测温方法及测温*** | |
| CN106595595A (zh) | 一种基于深度传感器的室内机器人定向方法 | |
| CN106482648A (zh) | 基于不动点的远距离面内小位移绝对监测装置及方法 | |
| CN104063689B (zh) | 一种基于双目立体视觉的人脸图像识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200807 |
|
| RJ01 | Rejection of invention patent application after publication |