一种无接触温度测量与身份识别系统

摘要

本发明公开了一种基于测温、测距传感器和摄像头的无接触温度测量与身份识别系统，测温传感器采用GY‑906红外测温传感器，测距模块采用ATK‑VL53L0X激光测距模块，测温微控制单元MCU采用STM32，图像处理模块核心采用堪智K210芯片；所述红外测温传感器、激光测距模块与微控制单元MCU通过不同I2C总线连接，测温微控制单元MCU与图像处理模块使用TTL串口通信。该系统通过温度补偿算法补正距离产生的测温误差，实现远距离测温，通过图像处理算法和YoloV2网络，实现特征学习和识别；本系统可实现远距离测量人体温度、人脸识别、口罩检测，快速录入人脸的功能，具有准确度高、速度快、成本低的特点。

说明书

技术领域

本发明属于信息技术领域，更具体地，涉及一种无接触温度测量与身份识别系统。

背景技术

由于新冠发热的病症及对人口流动的管控需要，急需一种测温和身份识别的装置，传统的测温方式，如水银体温计、红外测温枪等，因为测量时间较长、需要接触测温或者测量距离短、需要人工操作等缺点，无法很好地满足防疫大环境下的需求。同时，戴口罩能有效防止人与人之间的病菌传播，疫情期间，要求人人出门佩戴口罩，在人流量较大的地方，如学校出入口、小区出入口等处，要求设点对出入人群佩戴口罩情况进行监督和管控。

在测温装置中，红外测温传感器具有非接触式测量、测量范围广，测温速度快等优点，因此被广泛应用于各种测温仪器当中，在疫情期间发挥了相当重要的作用。但线状的红外测量模块会因为红外线扩散和传播中的损失导致无法实现远距离精准测量，常用的手持式红外测温仪有效测温距离只有10CM，而远距离测量的红外热成像仪需要几十倍的成本。因此，如何实现远距离体温检测及口罩检测或人脸识别是目前亟需解决的技术问题。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提出了一种基于测温、测距传感器和摄像头的无接触温度测量与身份识别系统，能对目标个体进行远距离体温检测及口罩检测或人脸识别。

为实现上述目的，本发明提供了一种基于测温、测距传感器和摄像头的无接触温度测量与身份识别系统，包括：测温模块、测距模块、图像处理模块和微控制单元，其中，所述测温模块和所述测距模块通过两路I2C总线与所述微控制单元连接，由所述微控制单元从所述测温模块中读取温度值，从所述测距模块中读出距离值，然后采用距离温度补正弥补距离产生的测温误差以进行远距离测温；

所述图像处理模块与所述微控制单元使用TTL电路连接进行串口通信，以通过所述图像处理模块进行图像处理结合摄像头实现特征学习和识别。

在一些可选的实施方案中，所述微控制单元，用于将从所述测温模块中获取的温度数据进行线性变换为摄氏温度，然后基于最小二乘法构造减法补偿模型以降低红外测温由于距离影响时的误差。

在一些可选的实施方案中，所述微控制单元，首先由Δy＝y

在一些可选的实施方案中，所述图像处理模块，包括：

人脸坐标获取单元，用于通过第一卷积神经网络模型基于从摄像头获取的人脸图像中获取人脸坐标；

调整单元，用于根据人脸坐标对人脸图像中包含人脸的部分进行剪裁和长宽调整得到待矫正图像；

人脸特征点提取单元，用于通过第二卷积神经网络模型从裁剪和调整后的图像中提取包括眼、鼻、嘴的人脸特征点；

放射变换单元，用于使用标准人脸面部特征点信息作为参考值，基于提取到的人脸特征点对待矫正图像进行仿射变换；

人脸特征图提取单元，用于基于仿射变换后的图像，通过第三卷积神经网络模型得到人脸特征图；

入库单元，用于将提取到的人脸特征图入库，以提供比对样本；

特征比对单元，用于将实时获取的人脸特征图与入库的人脸特征图进行欧氏距离比对，超过特定的阈值判断为不一样的人脸，在阈值之内判断为同一个人，从而实现身份识别。

在一些可选的实施方案中，所述人脸坐标获取单元，用于采用YoloV2网络，将摄像头捕获到的图片输入到YoloV2网络，完整运行YoloV2网络以获得图片中所有人脸的坐标信息。

在一些可选的实施方案中，所述人脸特征点提取单元，用于将已经调整好了的人脸图像载入用于提取人脸特征点的第二卷积神经网络模型以获得特征点坐标，其中，第二卷积神经网络模型较第一卷积神经网络模型减少了卷积层，增加了两个填充层和一个反量化层进行微调。

在一些可选的实施方案中，所述人脸特征图提取单元，用于将经过仿射变换校准的图片载入用于比对人脸特征图提取的第三卷积神经网络模型，将返回可以载入特征库的人脸特征图，其中，第三卷积神经网络模型包含卷积层、量化层、反量化层以及池化层。

在一些可选的实施方案中，所述图像处理模块，还用于将摄像头获取的图片载入第四卷积神经网络模型，然后通过卷积提取特征图后，与戴口罩的特征图库与不带口罩的特征图库一一对比，最后找出欧氏距离最小的特征图，并返回该特征图所属的图库种类与相似度，其中，第四卷积神经网络模型中包括戴口罩的特征图和不戴口罩的特征图。

在一些可选的实施方案中，所述测温模块为无接触温度测量模块，其采用MLX90614传感器，通信接口使用标准IIC协议，由所述微控制单元从所述MLX90614传感器内部RAM中读取到16位温度数据，其中包含环境温度数据和传感器测量物体的温度数据，分别存储在不同的RAM地址，然后使用IIC协议定向对不同地址的温度数据进行读取。

在一些可选的实施方案中，所述图像处理模块使用K210芯片。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

(1)通过本发明能够在较大距离(如0～2m)以内精准测量体温(误差不超过0.2摄氏度)；

(2)通过本发明能方便地进行身份识别和口罩检测，并具有相当高的精准度。本系统还具有学习时间极短的特性，新面孔在几十毫秒的时间内便能学习成功。

(3)通过本发明无需使用红外扫描仪及FPGA等昂贵神经网络硬件，具有成本低可靠性好的特点。

附图说明

图1是本发明实施例提供的一种系统结构框图；

图2是本发明实施例提供的一种系统的工作流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

在本发明实例中，“第一”、“第二”等是用于区别不同的对象，而不是用于描述特定的顺序或先后次序。

本发明的无接触温度测量与身份识别系统，采用低成本线状的红外测量模块外加激光测距模块，加入测温距离这个因子，通过算法补正了因为距离产生的测温误差，在低成本下实现了高精度远距离测量。在图像处理芯片中，K210具有独立卷积神经网络(Convolutional Neural Networks,CNN)处理单元，RAM容量大，可加载较大的神经网络和图片，适合较快速的图像处理，以及运行小型CNN。使用K210运行口罩检测和人脸识别的神经网络，识别速度均在几十毫秒以内，可以实现实时检测和录入。本发明系统难点在于通过测量测温距离，准确在算法中补正距离产生的测温误差；人脸识别时，先快速识别人脸，再将人脸部分图像剪裁后标准化，准确提取特征点后将特征与数据库比对。

如图1所示，本发明实施例提供的一种基于测温、测距传感器和摄像头的无接触温度测量与身份识别系统，包括使用测温模块和测距模块实现远距离测量温度，使用K210芯片进行图像处理结合摄像头实现特征学习和识别；测温模块和测距模块与微控制单元MCU通过两路I2C总线连接，K210图像处理模块与微控制单元MCU使用TTL电路连接进行串口通信。

使用温度测量方法读出温度，采用距离温度补正算法弥补距离产生的测温误差进行远距离测温；采用图像处理算法和YoloV2网络实现人脸识别、人脸录入及口罩检测，如图2所示，以下进行详细说明。

温度测量方法：

(1)传感器数据读取方法

无接触温度测量模块采用MLX90614传感器，通信接口使用标准IIC协议，该传感器正常工作时可直接从内部RAM中读取到16位温度数据，其中包含环境温度数据和传感器测量物体的温度数据，分别存储在不同的RAM地址，使用IIC协议可以定向对不同地址的温度数据进行读取。

(2)原始数据处理与计算

MLX90614传感器返回的16位数据需要进行线性变换才能变为摄氏温度，首先将16位数据进行缩放，即把原始数据乘以0.02的缩放倍率转化为开氏温度，然后加上绝对零度转换为理论摄氏温度，最后加上一个线性偏移修正因子转换为实际摄氏温度。计算公式如下：

y＝data×0.02-273.15+e (1)

其中，y为摄氏温度，data为从传感器中读取到的原始16位数据，0.02为缩放倍率，-273.15为绝对零度，e为线性偏移修正因子，其值在系统调试过程中确定。

温度补正算法：

红外测温模块是通过被测物体表面发出的辐射来确定物体温度的，在实际测量中，被测物体接收到的辐射包括自身辐射以及周围环境的辐射。测温距离越大，环境对其测量的精度影响也就越大。在本发明实施例中，基于最小二乘法构造一个减法补偿模型以降低红外测温时的误差，具体如下：

设红外测温模块的测量温度为y，目标实际温度为y

Δy＝y

然后使用matlab软件对得到的Δy进行多项式拟合，拟合方程为：

Δy＝a

X为红外测温模块到测量目标的距离值，a

y

身份识别方法：

身份识别过程包括人脸坐标获取，人脸局部图像剪裁及长宽调整，人脸特征点(眼、鼻、嘴)提取，人脸局部图像仿射变换，用于比对的人脸特征图提取，人脸特征入库，人脸特征比对。整个过程共用到了三个卷积神经网络模型，它们分别负责提取人脸坐标，提取人脸的特征点(2个眼睛，1个鼻子，嘴巴的2个角)，以及获取用于比对的人脸特征图。

(1)人脸坐标获取

采用YoloV2网络，将摄像头捕获到的图片输入到该YoloV2网络，完整运行该YoloV2网络以获得图片中所有人脸的坐标信息。该YoloV2网络包含高达23个卷积层，其主要作用就是从环境中把人脸的特征提取出来，然后和网络内部的人脸特征图库进行对比。由于卷积神经网络不全连接，单层的拟合特性较差，所以需要反复卷积以提高特征的提取度。

(2)人脸局部图像剪裁及长宽调整

使用上一步的坐标信息对图片中包含人脸的部分进行剪裁和长宽调整得到待矫正图像。

(3)提取人脸的特征点

将已经调整好了的人脸图像载入用于提取人脸特征点的神经网络以获得特征点坐标。该网络使用已经调整好了的人脸图像，不包含较多的环境成分，所以较前一个网络减少了很多卷积层，但网络结构变得更为复杂，增加了两个填充层和一个反量化层进行微调。这样做可以让网络的识别精度提高，从而精准的提取人脸中眼睛，鼻子，嘴巴等特征点。

(4)人脸局部图像仿射变换

使用标准人脸面部特征点信息作为参考值，使用上一步得到的人脸特征点值作为参数作为待矫正图像的参数，将面部图像进行仿射变换矫正。矫正的目的是给人脸特征图提取做预处理，以此得到效果更好的特征图数据。

(5)用于比对的人脸特征图提取

将经过仿射变换校准的图片载入用于比对的人脸特征图提取网络，将返回可以载入特征库的人脸特征图，该网络结构最为复杂，包含有非常多的卷积层，和更多的量化、反量化以及池化层，这样做的原因是用于比对的人脸特征图需要更为精细的特征值，该网络较找人脸和找特征点的神经网络更不能容许错误，所以在内存允许的范围内尽可能的提高网络的复杂程度与精细度。

(6)人脸特征入库

在学习模式将提取到的人脸特征图入库，以提供比对样本。

(7)特征比对

将实时获取的人脸特征图与入库的人脸特征图进行欧氏距离比对，超过特定的阈值判断为不一样的人脸，在阈值之内判断为同一个人，从而实现身份识别。

口罩识别方法：

口罩识别过程和找人脸过程类似，都是将图片载入YoloV2神经网络，然后通过卷积提取特征，不同的是口罩识别使用的神经网络内部集成了两种特征图，一种是戴口罩的特征图，另一种是不戴口罩的特征图，在该网络通过一系列卷积、池化后提取到特征图后，会与戴口罩的特征图库与不带口罩的特征图库一一对比，最后找出欧氏距离最小的特征图，并返回该特征图所属的图库种类与相似度。

需要指出，根据实施的需要，可将本申请中描述的各个步骤/部件拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件，以实现本发明的目的。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。