[发明专利]一种基于机器学习的人体测温补偿方法

说明书

本发明公开了一种基于机器学习的人体测温补偿方法，包括红外人体测温系统，所述红外人体测温系统包括红外测温仪、可见光摄像头、计算设备和显示屏，红外测温仪为一个接收被测物体红外辐射并将其转化为温度输出的装置。本发明中在测温补偿模型学习阶段，使用人脸识别技术实现对人体与红外测温仪之间的水平偏移距离及纵向垂直距离参数的自动采集，避免了费时费力的人工采样过程，便于直接在实际部署环境中对测温补偿模型进行校准，提高测温的精度，本发明中采用了将多种机器学习算法汇总的集成学习方法，相比目前普遍采用的单一线性回归算法模型，可以更好地满足各种不同复杂场景下的高精度测温需要。

技术领域

本发明涉及红外测温技术技术领域，具体为一种基于机器学习的人体测温补偿方法。

背景技术

近年来，流行性疾病对社会卫生安全构成了严重威胁，通过体温检测对疑似患者进行筛查是预防流行性疾病蔓延的重要手段，随着人工智能技术的发展，在应对流行的新型冠状病毒肺炎的斗争中，基于人脸识别的红外测温设备得到了广泛应用，该设备可以部署在人流量大的场所，满足非接触、大面积、远距离、快速筛查体温的需求。

红外测温技术利用红外辐射原理，通过收集人体发射的红外能量，并将其汇聚于检测器上，检测器把这些能量转化为电压信号，电压信号经过数据处理及曲线拟合，即可推算出被测人体温度，相比于传统的水银温度计测温方法，红外测温无需接触人体，具有安全、测温范围广、响应速度快的优点，配合人脸识别技术，将测温图谱与人脸位置进行匹配，可实现在大范围内对多人同时进行测温的能力，极大提升了对疑似感染者的筛选能力。

红外测温技术虽然具有上述优点，但是由于红外测温受环境因素影响较大，例如环境温度、被测物体距离、被测物体发射率、空气中的水蒸气和灰尘颗粒都会影响测量精度，特别是在复杂的户外环境，恶劣的工作条件给红外测温的准确性带来了严重挑战。

为了提高人体测温精度，目前一般从软件和硬件层面进行优化。软件层面一般是通过预先试验得到的测试数据，采用多元线性回归方法，建立人体体温测量实际值与测量距离、环境温度及红外测温器件输出的测量温度之间的关系。

硬件层面的优化则是使用分辨率更高的红外探测器件，并配合黑体进行实时温度校准，采用硬件校准虽然能取到较好的精度，但是存在设备成本高、部署复杂的缺点，为了提高测温设备的性价比，基于软件的测温补偿方法就显得尤为重要。

目前红外人体测温的补偿算法模型一般是在设备出厂前在实验室条件下测量计算得到的，该测量校准过程对环境及设备要求较高，需要较多的人工介入，比如需要使用超声波测距仪或者依靠人工测量红外测温仪(2)与被测人体的距离及位置偏移程度，由此造成数据采样数量困难，难以获得足够多的样本以求取更优的测温补偿模型参数。

并且，目前普遍使用的多元线性回归补偿模型虽然在实现上比较直观简单，但是由于实际部署环境的复杂性，在实验室环境获取的补偿模型未必能很好地适用于真实部署环境。

发明内容

本发明的目的在于提供一种基于机器学习的人体测温补偿方法，具备采集精度效率较高且适应复杂现实环境的优点，解决了背景技术中所提到的问题。

为实现上述目的，本发明提供如下技术方案：一种基于机器学习的人体测温补偿方法，包括红外人体测温系统，所述红外人体测温系统包括红外测温仪、可见光摄像头、计算设备和显示屏。

优选的，所述红外测温仪为一个接收被测物体红外辐射并将其转化为温度输出的装置。

优选的，所述可见光摄像头实时采集被测物体的图像，并将采集到的图像实时输出给计算设备。

优选的，所述计算设备接收红外测温仪输出的被测人体温度及环境温度，以及来自可见光摄像头的被测物体图像，计算设备负责执行人脸识别以及机器学习测温补偿算法，并将测温结果叠加到被测人体图像上，输出到显示屏上展示。