CN112070185A - 基于Re-ID的非接触式发烧人员追踪***及其追踪方法 - Google Patents
基于Re-ID的非接触式发烧人员追踪***及其追踪方法 Download PDFInfo
- Publication number
- CN112070185A CN112070185A CN202010810436.2A CN202010810436A CN112070185A CN 112070185 A CN112070185 A CN 112070185A CN 202010810436 A CN202010810436 A CN 202010810436A CN 112070185 A CN112070185 A CN 112070185A
- Authority
- CN
- China
- Prior art keywords
- retrieval
- body temperature
- person
- sample
- neural network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 206010037660 Pyrexia Diseases 0.000 title claims abstract description 30
- 230000036760 body temperature Effects 0.000 claims abstract description 63
- 230000002159 abnormal effect Effects 0.000 claims abstract description 51
- 238000003062 neural network model Methods 0.000 claims abstract description 41
- 238000012544 monitoring process Methods 0.000 claims abstract description 29
- 238000012163 sequencing technique Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000004891 communication Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000009529 body temperature measurement Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000003322 Coinfection Diseases 0.000 description 1
- 208000035473 Communicable disease Diseases 0.000 description 1
- 241000711573 Coronaviridae Species 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 239000000645 desinfectant Substances 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 239000012567 medical material Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
- G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/532—Query formulation, e.g. graphical querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- 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
-
- 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)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Heart & Thoracic Surgery (AREA)
- Library & Information Science (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于Re‑ID的非接触式发烧人员追踪***及其追踪方法,其中基于Re‑ID的非接触式发烧人员追踪***包括目标采集前端,包括红外热成像仪和与其电连接的至少两个摄像头;至少两个监控摄像头;主控端,主控端分别与目标采集前端和监控摄像群通信连接;基于Re‑ID的非接触式发烧人员追踪方法包括发现体温异常者,并体温异常者的人像;获取监控摄像头的拍摄画面;使用yolov3模型处理人像和拍摄画面,得到检索图和检索样本;对检索图和检索样本预处理后输入重识别神经网络模型,得到排序数据并分析出体温异常者的行踪;本发明实施例能够无接触检测人体体温并发现体温异常者,然后追踪体温异常者的行踪。
Description
技术领域
本发明涉及行人追踪技术领域,特别涉及一种基于Re-ID的非接触式发烧人员追踪***及其追踪方法。
背景技术
在一些传染病如新型冠状病毒肆虐的时候,为了控制疫情,需要对每个人进行体温检测,并调查其行踪,以便及时找出被感染者和与其接触过的人,并对他们进行隔离治疗,从而及时控制病毒的扩散,现有的社区型场景内的检测方式是在社区内安排多个测量点,每个测量点均有工作人员手持体温测量设备对过往的人进行体温检测并登记其个人信息,从而结合每个测量点的被测人员体温及其个人信息,即可发现体温异常者并了解其行踪,但是这种检测方式需要工作人员与被测人群接触,负责检测异常体温的工作人员面临着非常大的二次感染风险;这种方式需要在每个检测点安排工作人员,每名工作人员都需要配备口罩、消毒液、防护服等一次性消耗品和体温枪等检测工具,需要耗费很多人力物力,在物资紧缺的情况下,加重了防控疫情的困难程度;并且,若要找到体温异常者的行踪,需要人工检查每个检测点的被测人员的个人信息,这种追踪方式效率非常低。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种基于Re-ID的非接触式发烧人员追踪***,能够以无接触方式检测人体体温并发现体温异常者,然后追踪体温异常者的行踪。
本发明还提出一种基于上述基于Re-ID的非接触式发烧人员追踪***的基于Re-ID的非接触式发烧人员追踪方法。
根据本发明的第一方面实施例的一种基于Re-ID的非接触式发烧人员追踪***,包括:
目标采集前端,包括红外热成像仪和至少两个摄像头,所述红外热成像仪和所述摄像头电连接;
监控摄像群,包括至少两个监控摄像头;
主控端,所述主控端分别与所述目标采集前端和所述监控摄像群通信连接,能够存储并处理所述目标采集前端和所述监控摄像群发送的信息。
根据本发明实施例的一种基于Re-ID的非接触式发烧人员追踪***,至少具有如下有益效果:目标采集前端检测并获得体温异常者的人像,然后发送给主控端,目标采集前端附近的监控摄像头将拍摄画面发送给主控端,主控端基于 Re-ID技术处理体温异常者的人像和若干拍摄画面中的样本人像,处理后得到若干拍摄画面中与体温异常者相似度最高的样本人像,根据样本人像的时间和位置信息得到体温异常者的行踪,因此使用目标采集前端测温代替人工测温,工作人员能够远程检测并获得体温异常者的人像,避免工作人员被二次感染,并且减少人力物力的耗费,同时,使用主控端分析得到体温异常者的行踪,能够大大提高追踪体温异常者行踪的效率。
根据本发明的一些实施例,所述主控端包括控制器、计算机可读存储介质和处理器,所述控制器分别与所述目标采集前端和所述监控摄像群通信连接,所述计算机可读存储介质能够存储计算机程序和所述控制器发送的数据,所述处理器能够运行所述计算机程序。
根据本发明的第二方面实施例的一种基于Re-ID的非接触式发烧人员追踪方法,包括:
发现所述体温异常者,并获取所述体温异常者的人像;
获取所述监控摄像头的拍摄画面;
使用yolov3模型分别处理所述人像和所述拍摄画面,分别得到检索图和检索图库,所述检索图库包括至少两个检索样本;
对所述检索图和所述检索样本进行预处理;
将所述检索图和所述检索样本输入重识别神经网络模型,得到排序数据;
根据所述排序数据得到所述体温异常者的行踪。
根据本发明实施例的一种基于Re-ID的非接触式发烧人员追踪方法,至少具有如下有益效果:分别利用目标采集前端和监控摄像群获取体温异常者的人像和拍摄画面,然后分别将人像和拍摄画面经过yolov3模型、预处理和重识别神经网络模型得到排序数据,最后由排序数据得到体温异常者的行踪,从而无需人工测温,节省人力物力,同时还能大大提高追踪效率。
根据本发明的一些实施例,所述发现所述体温异常者,并获取所述体温异常者的人像包括:
所述红外热成像仪测量被测者的体温;
若所述体温大于预设值,则所述红外热成像仪向所述摄像头发送报警信息;
所述摄像头拍摄所述体温异常者,获得所述人像。
根据本发明的一些实施例,所述使用yolov3模型分别处理所述人像和所述拍摄画面,分别得到检索图和检索图库,所述检索图库包括至少两个检索样本之前包括以下步骤:
对所述yolov3模型进行训练,使其能够识别出人。
根据本发明的一些实施例,所述对所述检索图和所述检索样本进行预处理包括:对所述检索图和所述检索样本进行参数矫正、ISP优化和噪声去除。
根据本发明的一些实施例,所述将所述检索图和所述检索样本输入重识别神经网络模型,得到排序数据包括:
提取所述检索图的第一特征信息和所述检索样本的第二特征信息;
根据所述第一特征信息将所述检索图转换成第一矩阵向量,根据所述第二特征信息将所述检索样本转换成第二矩阵向量;
分别计算所述第一矩阵向量与每个所述检索样本的所述第二矩阵向量的距离,根据所述距离对每个所述检索样本进行排序,得到所述排序数据。
根据本发明的一些实施例,所述将所述检索图和所述检索样本输入重识别神经网络模型,得到排序数据之前包括以下步骤:
搭建原始重识别神经网络模型;
将训练数据导入所述原始重识别神经网络模型,得到训练排序数据;
根据所述训练排序数据计算首位命中率和平均精度;
若所述首位命中率大于预设首位命中率,且所述平均精度大于预设平均精度,则得到所述重识别神经网络模型。
根据本发明的一些实施例,所述搭建原始重识别神经网络模型包括:
使用Resnet50作为基础骨干网络;
在所述基础骨干网络中加入学习全局信息分支和关注局部细节信息分支的模型,得到所述原始重识别神经网络模型。
根据本发明的一些实施例,所述训练数据包括Market1501数据集和 DukeMTMC-reid数据集。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明实施例的一种基于Re-ID的非接触式发烧人员追踪***的结构示意图;
图2为本发明实施例的一种基于Re-ID的非接触式发烧人员追踪方法的流程示意图;
图3为图2示出的一种基于Re-ID的非接触式发烧人员追踪方法的检索图和检索样本输入重识别神经网络模型,得到排序数据的流程示意图;
图4为图2示出的一种基于Re-ID的非接触式发烧人员追踪方法的得到重识别神经网络模型的流程示意图;
附图标记:
目标采集前端100、红外热成像仪110、摄像头120、
监控摄像群200、监控摄像头210、
主控端300、控制器310、计算机可读存储介质320、处理器330。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,若干的含义是一个或者多个,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。
本发明的描述中,除非另有明确的限定,设置、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
参照图1,在本实施例中,一种基于Re-ID的非接触式发烧人员追踪***包括:目标采集前端100,包括红外热成像仪110和至少两个摄像头120,红外热成像仪110和摄像头120电连接;监控摄像群200,包括至少两个监控摄像头210;主控端300,主控端300分别与目标采集前端100和监控摄像群200通信连接,能够存储并处理目标采集前端100和监控摄像群200发送的信息;首先在若干个地方放置目标采集前端100,红外热成像仪110对经过的每一个行人进行体温检测,若行人体温超过预定值,即视为体温异常者,红外热成像仪110对摄像头 120发送报警信号,摄像头120接收到报警信号后对该体温异常者进行拍摄,至少两个非重叠视域的摄像头120分别对该体温异常者采集若干张照片并将照片发送给主控端300,主控端300调取并分析监控摄像头210的拍摄画面,提取拍摄画面中的样本人像,然后将体温异常者的人像与每一个样本人像进行对比,得到与体温异常者的人像最相似的样本人像,最相似的样本人像视为被监控摄像头拍摄到的体温异常者,然后根据每一个最相似的样本人像的时间和地点信息,得到体温异常者的行踪,从而大大提高了工作人员的追踪效率;在一些实施例中,主控端300分别与摄像头120和监控摄像群200通过数据线、无线网络或者蓝牙实现通信连接,在本实施例中,主控端分别与摄像头120和监控摄像群200通过无线网络连接,摄像头120和监控摄像群200通过无线网络将拍摄的人像和拍摄画面远程发送给主控端,从而工作人员可以远程获取体温异常者的人像,无需与被测人员接触,有效避免被二次感染的风险,同时无需在每个检测点安排工作人员,大大节省口罩、防护服等医疗物料的消耗。
参照图1,在一些实施例中,主控端300包括控制器310、计算机可读存储介质320和处理器330,控制器310分别与目标采集前端100和监控摄像群200 通信连接,计算机可读存储介质320能够存储计算机程序和控制器310发送的数据,处理器330能够运行计算机程序,从而目标采集前端100和监控摄像群200 分别将体温异常者的人像和拍摄画面发送给控制器310,控制器310将体温异常者的人像和拍摄画面发送给处理器330同时将其发送给计算机可读存储介质320 进行存储,处理器330运行计算机程序,分析体温异常者的人像和拍摄画面从而得到体温异常者的行踪。
参照图1-图2,在本实施例中,基于上述一种基于Re-ID的非接触式发烧人员追踪***的一种基于Re-ID的非接触式发烧人员追踪方法包括:S110发现体温异常者,并获取体温异常者的人像;S120获取监控摄像头的拍摄画面;S210 使用yolov3模型分别处理人像和拍摄画面,分别得到检索图和检索图库,检索图库包括至少两个检索样本;S220对检索图和检索样本进行预处理;S400将检索图和检索样本输入重识别神经网络模型,得到排序数据;S500根据排序数据得到体温异常者的行踪。
首先,目标采集前端100检测行人的体温,从正面及侧面角度分别拍摄若干张体温异常者的人像并将其发送给主控端300,yolov3模型能够从一个画面中识别行人并用矩形框将行人分割出来,主控端300使用yolov3模型处理来自目标采集前端100的人像,得到体温异常者在摄像头120视野中从出现到消失不同角度的检索图,主控端300调取监控摄像群200的拍摄画面并将其输入yolov3模型,yolov3模型用矩形框截取拍摄画面中的行人,得到出现在拍摄画面中的若干行人的若干检索样本,若干检索样本构成检索图库。
然后,对每个检索样本、检索图进行预处理使其符合重识别神经网络模型的统一输入标准,将经过预处理的检索样本和检索图输入已训练好的重识别神经网络模型,重识别神经网络模型分别计算检索图与每个检索样本的欧氏距离,欧氏距离越小说明该检索样本与检索图相似度越高,反之则越低,根据欧氏距离对每个检索样本进行排序得到排序数据,分析排序数据即可得到若干与检索图相似度最高的检索样本,与检索图相似度最高的检索样本即可视为监控摄像头拍下的体温异常者的图像,根据每个相似度最高的检索样本的时间和地点信息,即可分析得到体温异常者的行踪。
参照图1-图2,在一些实施例中,S110发现体温异常者,并获取体温异常者的人像包括:红外热成像仪110测量被测者的体温;若体温大于预设值,则红外热成像仪110向摄像头120发送报警信息;摄像头120拍摄体温异常者,获得人像;每个体温检测点均放置有红外热成像有110,红外热成像仪110对经过的每一个行人测温,当检测到体温异常的行人时,红外热成像仪110向摄像头120 发送报警信息,摄像头120接收到报警信息后开始对体温异常者拍摄人像,从而摄像头120无需一直保持拍摄状态,避免拍摄不必要的图像,节省电量和存储空间。
参照图2,在一些实施例中,S210使用yolov3模型分别处理人像和拍摄画面,分别得到检索图和检索图库,检索图库包括至少两个检索样本之前包括以下步骤:对yolov3模型进行训练,使其能够识别出人;yolov3模型根据用户的需求能够识别出特定的物体,因此在使用yolov3模型处理人像和拍摄画面之前,需要对yolov3模型进行训练,使其输出为人类,即能够从图像中识别出人并用矩形框将其分割出来。
参照图2,在一些实施例中,S220对检索图和检索样本进行预处理包括:对检索图和检索样本进行参数矫正、ISP优化和噪声去除,每个检索样本来自于不同的监控摄像头,每个检索样本与检索图也由不同的摄像头拍摄而得,而不同摄像头的拍摄环境、摄像参数不同,导致每个检索样本、检索图的光照强度、噪声等信息均不同,这会影响重识别神经网络模型对图片的识别精度,因此需要对检索样本和检索图进行预处理,对其进行参数矫正、ISP优化和噪声去除。
参照图3,在一些实施例中,S400将检索图和检索样本输入重识别神经网络模型,得到排序数据包括:S410提取检索图的第一特征信息和检索样本的第二特征信息;S420根据第一特征信息将检索图转换成第一矩阵向量,根据第二特征信息将检索样本转换成第二矩阵向量;S430分别计算第一矩阵向量与每个检索样本的第二矩阵向量的距离,S440根据距离对每个检索样本进行排序,得到排序数据;每个检索样本代表监控摄像头的拍下的一名行人,重识别神经网络模型首先分别提取检索图和各检索样本的特征信息,然后根据其特征信息分别将检索图和各检索样本转换成矩阵向量,再分别计算检索图的矩阵向量与各检索样本的矩阵向量之间的欧氏距离,欧氏距离越小代表该检索样本与检索图越相似,说明该检索样本代表的行人与体温异常者越相似,若检索样本与检索图的欧氏距离小于预设值,则将该检索样本代表的行人视为体温异常者,分析每个与检索图的欧氏距离小于预设值的检索样本的时间和地点信息,即可得到体温异常者的行踪。
参照图4,在一些实施例中,S400将检索图和检索样本输入重识别神经网络模型,得到排序数据之前包括以下步骤:搭建原始重识别神经网络模型;S330 将训练数据导入原始重识别神经网络模型,得到训练排序数据;S340根据训练排序数据计算首位命中率和平均精度;S350若首位命中率大于预设首位命中率,且平均精度大于预设平均精度,则S360得到重识别神经网络模型;若首位命中率不大于预设首位命中率,或者平均精度不大于预设平均精度,则返回至步骤 S330将训练数据导入原始重识别神经网络模型,得到训练排序数据,对原始重识别神经网络模型再次训练;首位命中率和平均精度是评价重识别神经网络模型常用的参数,经过不断的训练使原始重识别神经网络模型的首位命中率和平均精度均大于预设值,能够保证重识别神经网络模型的输出更加可靠。
参照图4,在一些实施例中,搭建原始重识别神经网络模型包括:S310使用Resnet50作为基础骨干网络;S320在基础骨干网络中加入学习全局信息分支和关注局部细节信息分支的模型,得到原始重识别神经网络模型;Resnet50为重识别技术领域公开的基础骨干网络,在Resnet50模型中加入学习全局信息分支和关注局部细节信息分支的模型,调用模型后进行参数初始化:num_classes设为 datamanager.num_train_pid,优化算法设为adam,学习速率设为0.0003, lr_scheduler设为single_step,stepsize设为20,即可得到本申请所需要的原始重识别神经网络模型。
参照图4,在一些实施例中,训练数据包括Market1501数据集和DukeMT MC-reid数据集;Market1501数据集和DukeMTMC-reid数据集为行人重识别领域常用的训练数据集,用训练数据集对重识别神经网络模型训练,使原始的神经网络模型具有重识别功能。
上面结合附图对本发明实施例作了详细说明,但是本发明不限于上述实施例,在所述技术领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (10)
1.一种基于Re-ID的非接触式发烧人员追踪***,其特征在于,包括:
目标采集前端,包括红外热成像仪和至少两个摄像头,所述红外热成像仪和所述摄像头电连接;
监控摄像群,包括至少两个监控摄像头;
主控端,所述主控端分别与所述目标采集前端和所述监控摄像群通信连接,能够存储并处理所述目标采集前端和所述监控摄像群发送的信息。
2.根据权利要求1所述的一种基于Re-ID的非接触式发烧人员追踪***,其特征在于,所述主控端包括控制器、计算机可读存储介质和处理器,所述控制器分别与所述目标采集前端和所述监控摄像群通信连接,所述计算机可读存储介质能够存储计算机程序和所述控制器发送的数据,所述处理器能够运行所述计算机程序。
3.应用于权利要求1所述的一种基于Re-ID的非接触式发烧人员追踪***的追踪方法,其特征在于,包括:
识别所述体温异常者,并获取所述体温异常者的人像;
获取所述监控摄像头的拍摄画面;
使用yolov3模型分别处理所述人像和所述拍摄画面,分别得到检索图和检索图库,所述检索图库包括至少两个检索样本;
对所述检索图和所述检索样本进行预处理;
将所述检索图和所述检索样本输入重识别神经网络模型,得到排序数据;
根据所述排序数据得到所述体温异常者的行踪。
4.根据权利要求3所述的一种基于Re-ID的非接触式发烧人员追踪方法,其特征在于,所述发现所述体温异常者,并获取所述体温异常者的人像包括:
基于所述红外热成像仪测量被测者的体温;
若所述体温大于预设值,则所述红外热成像仪向所述摄像头发送报警信息;
控制/基于所述摄像头拍摄所述体温异常者,获得所述人像。
5.根据权利要求3所述的一种基于Re-ID的非接触式发烧人员追踪方法,其特征在于,所述使用yolov3模型分别处理所述人像和所述拍摄画面,分别得到检索图和检索图库,所述检索图库包括至少两个检索样本之前,包括以下步骤:
对所述yolov3模型进行训练,使其能够识别出人。
6.根据权利要求3所述的一种基于Re-ID的非接触式发烧人员追踪方法,其特征在于,所述对所述检索图和所述检索样本进行预处理包括:对所述检索图和所述检索样本进行参数矫正、ISP优化和噪声去除。
7.根据权利要求3所述的一种基于Re-ID的非接触式发烧人员追踪方法,其特征在于,所述将所述检索图和所述检索样本输入重识别神经网络模型,得到排序数据包括:
提取所述检索图的第一特征信息和所述检索样本的第二特征信息;
根据所述第一特征信息将所述检索图转换成第一矩阵向量,根据所述第二特征信息将所述检索样本转换成第二矩阵向量;
分别计算所述第一矩阵向量与每个所述检索样本的所述第二矩阵向量的距离,根据所述距离对每个所述检索样本进行排序,得到所述排序数据。
8.根据权利要求3所述的一种基于Re-ID的非接触式发烧人员追踪方法,其特征在于,所述将所述检索图和所述检索样本输入重识别神经网络模型,得到排序数据之前包括以下步骤:
搭建原始重识别神经网络模型;
将训练数据导入所述原始重识别神经网络模型,得到训练排序数据;
根据所述训练排序数据计算首位命中率和平均精度;
若所述首位命中率大于预设首位命中率,且所述平均精度大于预设平均精度,则得到所述重识别神经网络模型。
9.根据权利要求8所述的一种基于Re-ID的非接触式发烧人员追踪方法,其特征在于,所述搭建原始重识别神经网络模型包括:
使用Resnet50作为基础骨干网络;
在所述基础骨干网络中加入学习全局信息分支和关注局部细节信息分支的模型,得到所述原始重识别神经网络模型。
10.根据权利要求8所述的一种基于Re-ID的非接触式发烧人员追踪方法,其特征在于,所述训练数据包括Market1501数据集和DukeMTMC-reid数据集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010810436.2A CN112070185A (zh) | 2020-08-13 | 2020-08-13 | 基于Re-ID的非接触式发烧人员追踪***及其追踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010810436.2A CN112070185A (zh) | 2020-08-13 | 2020-08-13 | 基于Re-ID的非接触式发烧人员追踪***及其追踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112070185A true CN112070185A (zh) | 2020-12-11 |
Family
ID=73661567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010810436.2A Pending CN112070185A (zh) | 2020-08-13 | 2020-08-13 | 基于Re-ID的非接触式发烧人员追踪***及其追踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112070185A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112817342A (zh) * | 2020-12-23 | 2021-05-18 | 上海工程技术大学 | 融合人体检测技术和无线传感技术的讲者追踪***及应用 |
US11467034B2 (en) * | 2020-06-30 | 2022-10-11 | Ilooda Co., Ltd. | Temperature measuring device for tracked subject target region |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109344787A (zh) * | 2018-10-15 | 2019-02-15 | 浙江工业大学 | 一种基于人脸识别与行人重识别的特定目标跟踪方法 |
CN109934104A (zh) * | 2019-01-29 | 2019-06-25 | 武汉烽火众智数字技术有限责任公司 | 基于行人重识别的跨镜头的行人检索方法及*** |
CN110263697A (zh) * | 2019-06-17 | 2019-09-20 | 哈尔滨工业大学(深圳) | 基于无监督学习的行人重识别方法、装置及介质 |
CN111341461A (zh) * | 2020-02-24 | 2020-06-26 | 中国船舶重工集团公司第七一七研究所 | 红外疫情智能综合检测识别*** |
CN111414854A (zh) * | 2020-03-19 | 2020-07-14 | 银河水滴科技(北京)有限公司 | 一种目标人群轨迹追踪方法及装置 |
CN111426388A (zh) * | 2020-03-31 | 2020-07-17 | 高新兴科技集团股份有限公司 | 人员体温测量方法、***、计算机存储介质及电子设备 |
-
2020
- 2020-08-13 CN CN202010810436.2A patent/CN112070185A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109344787A (zh) * | 2018-10-15 | 2019-02-15 | 浙江工业大学 | 一种基于人脸识别与行人重识别的特定目标跟踪方法 |
CN109934104A (zh) * | 2019-01-29 | 2019-06-25 | 武汉烽火众智数字技术有限责任公司 | 基于行人重识别的跨镜头的行人检索方法及*** |
CN110263697A (zh) * | 2019-06-17 | 2019-09-20 | 哈尔滨工业大学(深圳) | 基于无监督学习的行人重识别方法、装置及介质 |
CN111341461A (zh) * | 2020-02-24 | 2020-06-26 | 中国船舶重工集团公司第七一七研究所 | 红外疫情智能综合检测识别*** |
CN111414854A (zh) * | 2020-03-19 | 2020-07-14 | 银河水滴科技(北京)有限公司 | 一种目标人群轨迹追踪方法及装置 |
CN111426388A (zh) * | 2020-03-31 | 2020-07-17 | 高新兴科技集团股份有限公司 | 人员体温测量方法、***、计算机存储介质及电子设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11467034B2 (en) * | 2020-06-30 | 2022-10-11 | Ilooda Co., Ltd. | Temperature measuring device for tracked subject target region |
CN112817342A (zh) * | 2020-12-23 | 2021-05-18 | 上海工程技术大学 | 融合人体检测技术和无线传感技术的讲者追踪***及应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR100886557B1 (ko) | 적응형 학습에 기반한 얼굴 인식 시스템 및 방법 | |
CN106886216B (zh) | 基于rgbd人脸检测的机器人自动跟踪方法和*** | |
JP5339476B2 (ja) | 画像処理システム、発熱者追跡方法、画像処理装置およびその制御方法と制御プログラム | |
Chen et al. | A fall detection system based on infrared array sensors with tracking capability for the elderly at home | |
CN102859554B (zh) | 对照设备 | |
JP5106356B2 (ja) | 画像監視装置 | |
CN105989608B (zh) | 一种面向智能机器人的视觉捕捉方法及装置 | |
JPWO2019038965A1 (ja) | 店舗装置、店舗管理方法、プログラム | |
CN110956118B (zh) | 目标对象检测方法和装置、存储介质及电子装置 | |
Kaixuan et al. | Target detection method for moving cows based on background subtraction | |
CN109543607A (zh) | 目标物异常状态检测方法、***、监护***及存储介质 | |
CN110728810B (zh) | 一种分布式目标监测***和方法 | |
CN110674680B (zh) | 活体识别的方法、装置、存储介质 | |
CN112070185A (zh) | 基于Re-ID的非接触式发烧人员追踪***及其追踪方法 | |
CN111091057A (zh) | 一种信息处理方法、装置及计算机可读存储介质 | |
CN113688794A (zh) | 身份识别方法、装置、电子设备和计算机可读存储介质 | |
JP5758165B2 (ja) | 物品検出装置および静止人物検出装置 | |
CN104392201A (zh) | 一种基于全向视觉的人体跌倒识别方法 | |
De Silva | Audiovisual sensing of human movements for home-care and security in a smart environment | |
CN114463779A (zh) | 吸烟识别方法、装置、设备及存储介质 | |
CN109982051A (zh) | 具有动物识别功能的监控摄像方法和监控相机 | |
CN116883946A (zh) | 老人异常行为实时检测方法、装置、设备及存储介质 | |
JP6893812B2 (ja) | 物体検出装置 | |
TWI777689B (zh) | 物件辨識暨體溫量測方法 | |
KR101340287B1 (ko) | 스마트 홈에서 마이닝 기반의 패턴 분석을 이용한 침입탐지 시스템 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201211 |