基于红外注意力提升机制的热成像测温区域实例分割

摘要

AI+热成像人体温度监测系统被广泛用于人群密集的人体实时温度测量.此类系统检测人的头部区域进行温度测量,由于各类遮挡,温度测量区域可能太小而无法正确测量.为了解决这个问题,该文提出一种融合红外注意力提升机制的无锚点实例分割网络,用于实时红外热成像温度测量区域实例分割.该文所提出的实例分割网络在检测阶段和分割阶段融合红外空间注意力模块(ISAM),旨在准确分割红外图像中的头部裸露区域,以进行准确实时的温度测量.结合公共热成像面部数据集和采集的红外热成像数据集,制作了"热成像温度测量区域分割数据集"用于网络训练.实验结果表明:该方法对红外热成像图像中头部裸露测温区域的平均检测精度达到88.6％,平均分割精度达到86.5％,平均处理速度达到33.5 fps,在评价指标上优于大多数先进的实例分割方法.