CN111401349A - 一种人脸测温方法、装置、电子设备及存储介质 - Google Patents

Abstract

本申请提供一种人脸测温方法、装置、电子设备及存储介质，用于改善测量人脸温度的准确度较低的问题。该人脸测温方法包括：获得人脸图像和人脸图像对应的人脸温度矩阵，人脸温度矩阵表征目标人脸在人脸图像中的每个图像区域温度构成的矩阵；将人脸图像和人脸温度矩阵进行映射和筛选，获得有效区域矩阵，有效区域矩阵表征图像中的有效脸部区域的温度矩阵；根据人脸图像采集场景对有效区域矩阵进行修正，获得有效区域矩阵对应的真实温度矩阵；对真实温度矩阵中的温度数值进行加权计算，获得目标人脸的真实温度。

Description

一种人脸测温方法、装置、电子设备及存储介质

技术领域

本申请涉及人脸识别和图像处理的技术领域，具体而言，涉及一种人脸测温方法、装置、电子设备及存储介质。

背景技术

人脸识别（Face Recognition），是一项计算机技术研究领域，人脸识别属于生物特征识别技术，是对生物体（一般特指人）本身的生物特征来区分生物体个体；广义的人脸识别实际包括构建人脸识别系统的一系列相关技术，包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等；而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。

图像处理，是指对图像进行分析、加工、和处理，使其满足视觉、心理或其他要求的技术；图像处理是信号处理在图像领域上的一个应用；当前大多数的图像均是以数字形式存储，因而图像处理很多情况下指数字图像处理；图像处理是信号处理的子类，另外与计算机科学、人工智能等领域也有密切的关系。

目前，体温测量是疫情防控的重要手段，在疫情防控的场景中，体温测量的主要方式为：使用电子体温枪对人的身体部位的温度进行测量，人的身体部位具体例如：额头和脸部等等。

在具体的实践中发现，使用电子体温枪对人的身体部位的温度进行测量时，存在很多种影响因素导致测量温度与实际的真实温度差异很大，这里的影响因素例如：电子体温枪的故障因素等；也就是说，使用电子体温枪测量人脸温度的准确度较低。

发明内容

本申请实施例的目的在于提供一种人脸测温方法、装置、电子设备及存储介质，用于改善测量人脸温度的准确度较低的问题。

本申请实施例提供了一种人脸测温方法，包括：获得人脸图像和人脸图像对应的人脸温度矩阵，人脸温度矩阵表征目标人脸在人脸图像中的每个图像区域温度构成的矩阵；将人脸图像和人脸温度矩阵进行映射和筛选，获得有效区域矩阵，有效区域矩阵表征图像中的有效脸部区域的温度矩阵；根据人脸图像采集场景对有效区域矩阵进行修正，获得有效区域矩阵对应的真实温度矩阵；对真实温度矩阵中的温度数值进行加权计算，获得目标人脸的真实温度。在上述的实现过程中，首先，获得人脸图像中的每个图像区域温度构成的人脸温度矩阵，然后对人脸温度矩阵进行映射和筛选，获得有效区域矩阵，再根据人脸图像采集场景对有效区域矩阵进行修正获得真实温度矩阵，最后，对真实温度矩阵中的温度数值进行加权计算，获得目标人脸的真实温度；也就是说，该方法通过采样和修正目标人脸的多点温度值，然后进行加权计算，有效地避免了测量过程中的影响因素，以及单点测量温度值的误差，从而提高了测量人脸温度的准确度。

可选地，在本申请实施例中，将人脸图像和人脸温度矩阵进行映射和筛选，包括：识别出人脸图像中的多个关键点，多个关键点表征图像中的有效脸部区域的关键位置；根据人脸图像中的多个关键点对人脸温度矩阵进行映射和筛选。在上述的实现过程中，通过识别出人脸图像中的多个关键点，多个关键点表征图像中的有效脸部区域的关键位置；根据人脸图像中的多个关键点对人脸温度矩阵进行映射和筛选；根据人脸图像中的多个关键点对人脸温度矩阵进行映射和筛选，可以有效地消除测温矩阵与人脸像素点无重合部分对测温准确性的影响，从而提高了有效区域矩阵的准确度。

可选地，在本申请实施例中，根据人脸图像采集场景对有效区域矩阵进行修正，包括：对多个关键点进行分析，获得人脸眼间距，人脸眼间距表征人脸图像中的两个眼睛之间的距离；根据预设标尺比例和人脸眼间距，确定目标人脸与人脸温度矩阵的采集设备之间的采集距离；根据采集距离对有效区域矩阵进行第一修正，第一修正用于补偿采集距离导致的热量流失。在上述的实现过程中，通过人脸关键点分析取得人脸眼间距，并计算目标人脸与人脸温度矩阵的采集设备之间的采集距离，来补偿因为采集距离导致的热量流失。

可选地，在本申请实施例中，根据人脸图像采集场景对有效区域矩阵进行修正，包括：获得环境温度矩阵，环境温度矩阵表征对目标人脸的背景环境进行采集获得的温度矩阵；计算人脸温度矩阵和环境温度矩阵之间的差异值；根据差异值对有效区域矩阵进行第二修正，第二修正用于消除环境温度因素带来的影响。在上述的实现过程中，通过获得环境温度矩阵，环境温度矩阵表征对目标人脸的背景环境进行采集获得的温度矩阵；计算人脸温度矩阵和环境温度矩阵之间的差异值；根据差异值对有效区域矩阵进行第二修正，以消除环境温度因素对于人体温度测量准确性的影响，从而使得目标人脸的真实温度更加准确。

可选地，在本申请实施例中，对真实温度矩阵中的温度数值进行加权计算，获得目标人脸的真实温度，包括：使用预先训练的神经网络模型计算真实温度矩阵中的温度数值权重，获得多个温度数值权重；根据多个温度数值权重对真实温度矩阵中的温度数值进行加权计算，获得目标人脸的真实温度。在上述的实现过程中，通过使用预先训练的神经网络模型计算权重，再根据权重加权计算目标人脸的真实温度，有效地避免脸部边缘区域的权重过高导致真实温度不准确的情况，从而提高了人脸真实温度的准确率。

可选地，在本申请实施例中，获得人脸图像和人脸图像对应的人脸温度矩阵，包括：接收终端设备发送的人脸图像和人脸温度矩阵；在获得目标人脸的真实温度之后，还包括：向终端设备发送目标人脸的真实温度。在上述的实现过程中，通过电子设备与终端设备提供真实温度的测量服务，有效地减轻了终端设备的计算量，从而使得终端设备更快地获得真实温度。

可选地，在本申请实施例中，向终端设备发送目标人脸的真实温度，包括：对人脸图像进行人脸识别，获得人脸图像对应的人脸标识信息；向终端设备发送目标人脸的真实温度和人脸标识信息。在上述的实现过程中，通过电子设备与终端设备提供真实温度的测量服务和人脸识别服务，有效地减轻了终端设备的计算量，从而使得终端设备更快地获得真实温度和人脸标识信息。

本申请实施例还提供了一种人脸测温装置，包括：图像矩阵获得模块，用于获得人脸图像和人脸图像对应的人脸温度矩阵，人脸温度矩阵表征目标人脸在人脸图像中的每个图像区域温度构成的矩阵；区域矩阵获得模块，用于将人脸图像和人脸温度矩阵进行映射和筛选，获得有效区域矩阵，有效区域矩阵表征图像中的有效脸部区域的温度矩阵；温度矩阵获得模块，用于根据人脸图像采集场景对有效区域矩阵进行修正，获得有效区域矩阵对应的真实温度矩阵；真实温度获得模块，用于对真实温度矩阵中的温度数值进行加权计算，获得目标人脸的真实温度。

可选地，在本申请实施例中，区域矩阵获得模块，包括：图像关键识别模块，用于识别出人脸图像中的多个关键点，多个关键点表征图像中的有效脸部区域的关键位置；矩阵映射筛选模块，用于根据人脸图像中的多个关键点对人脸温度矩阵进行映射和筛选。

可选地，在本申请实施例中，温度矩阵获得模块，包括：人眼间距获得模块，用于对多个关键点进行分析，获得人脸眼间距，人脸眼间距表征人脸图像中的两个眼睛之间的距离；采集距离确定模块，用于根据预设标尺比例和人脸眼间距，确定目标人脸与人脸温度矩阵的采集设备之间的采集距离；第一修正操作模块，用于根据采集距离对有效区域矩阵进行第一修正，第一修正用于补偿采集距离导致的热量流失。

可选地，在本申请实施例中，温度矩阵获得模块，包括：环境矩阵获得模块，用于获得环境温度矩阵，环境温度矩阵表征对目标人脸的背景环境进行采集获得的温度矩阵；矩阵差异计算模块，用于计算人脸温度矩阵和环境温度矩阵之间的差异值；第二修正操作模块，用于根据差异值对有效区域矩阵进行第二修正，第二修正用于消除环境温度因素带来的影响。

可选地，在本申请实施例中，真实温度获得模块，包括：数值权重获得模块，用于使用预先训练的神经网络模型计算真实温度矩阵中的温度数值权重，获得多个温度数值权重；数值加权计算模块，用于根据多个温度数值权重对真实温度矩阵中的温度数值进行加权计算，获得目标人脸的真实温度。

可选地，在本申请实施例中，人脸测温装置，还包括：图像矩阵接收模块，用于接收终端设备发送的人脸图像和人脸温度矩阵；真实温度发送模块，用于向终端设备发送目标人脸的真实温度。

可选地，在本申请实施例中，真实温度发送模块，包括：人脸图像识别模块，用于对人脸图像进行人脸识别，获得人脸图像对应的人脸标识信息；温度信息发送模块，用于向终端设备发送目标人脸的真实温度和人脸标识信息。

本申请实施例还提供了一种电子设备，包括：处理器和存储器，存储器存储有处理器可执行的机器可读指令，机器可读指令被处理器执行时执行如上面描述的方法。

本申请实施例还提供了一种存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上面描述的方法。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1示出的本申请实施例提供的人脸测温方法的流程示意图；

图2示出的本申请实施例提供的人脸图像的示意图；

图3示出的本申请实施例提供的人脸图像对应的人脸温度矩阵的示意图；

图4示出的本申请实施例提供的有效区域矩阵在人脸图像中映射的示意图；

图5示出的本申请实施例提供的人脸图像对应的多个关键点的示意图；

图6示出的本申请实施例提供的对人脸温度矩阵进行映射的示意图；

图7示出的本申请实施例提供的确定采集距离的其中一种实施方式的示意图；

图8示出的本申请实施例提供的电子设备与终端设备进行交互的流程示意图；

图9示出的本申请实施例提供的人脸测温装置的结构示意图；

图10示出的本申请实施例提供的电子设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述。

在介绍本申请实施例提供的人脸测温方法之前，先介绍本申请实施例所涉及的一些概念：

卷积神经网络（Convolutional Neural Networks，CNN），是一种人工神经网络，人工神经网络的人工神经元可以响应周围单元，可以进行大型图像处理；卷积神经网络可以包括卷积层和池化层。卷积神经网络包括一维卷积神经网络、二维卷积神经网络以及三维卷积神经网络。一维卷积神经网络常应用于序列类的数据处理；二维卷积神经网络常应用于图像类文本的识别；三维卷积神经网络主要应用于医学图像以及视频类数据识别。

卷积循环神经网络（Convolutional Recurrent Neural Networks，CRNN），是指包括卷积神经网络（Convolutional Neural Networks，CNN）和循环神经网络（RecurrentNeural Network, RNN）的神经网络模型；CRNN例如可以是一种卷积循环神经网络结构，可以用于解决基于图像的序列识别问题，基于图像的序列识别问题例如可以是场景文字识别问题。

支持向量机（Support Vector Machine，SVM），是指一种监督式的机器学习算法，即通过将向量映射到一个更高维的空间里，在这个空间里建立有一个最大间隔超平面，从而实现对样本进行分类或回归分析，那些在间隔区边缘的训练样本点即为支持向量。SVM在高维或无限维空间中构造超平面或超平面集合，SVM可以用于分类、回归或其他任务；直观来说，分类边界距离最近的训练数据点越远越好，因为这样可以缩小分类器的泛化误差。

服务器是指通过网络提供计算服务的设备，服务器例如：x86服务器以及非x86服务器，非x86服务器包括：大型机、小型机和UNIX服务器。当然在具体的实施过程中，上述的服务器可以具体选择大型机或者小型机，这里的小型机是指采用精简指令集计算(Reduced Instruction Set Computing，RISC)、单字长定点指令平均执行速度（MillionInstructions Per Second，MIPS）等专用处理器，主要支持UNIX操作系统的封闭且专用的提供计算服务的设备；这里的大型机，又名大型主机，是指使用专用的处理器指令集、操作系统和应用软件来提供计算服务的设备。

需要说明的是，本申请实施例提供的人脸测温方法可以被电子设备执行，这里的电子设备是指具有执行计算机程序功能的设备终端或者上述的服务器，设备终端例如：智能手机、个人电脑（personal computer，PC）、平板电脑、个人数字助理（personal digitalassistant，PDA）、移动上网设备（mobile Internet device，MID）、网络交换机或网络路由器等。

在介绍本申请实施例提供的人脸测温方法之前，先介绍该人脸测温方法适用的应用场景，这里的应用场景包括但不限于：在人流量非常大的场所，使用该人脸测温方法测量进出人员的真实温度，以提高测量真实温度的效率；在一些应用场景中，在使用该人脸测温方法获得真实温度的同时，还可以识别出该人员的身份标识信息，记录真实温度与进出人员的身份标识信息的关联关系，并根据该关联关系查询、删除和修改关联关系等信息；若真实温度大于预设阈值，则电子设备进行预设动作，这里的预设阈值可以根据具体情况进行设置，例如：成人的预设阈值温度设置为37.2度，小朋友的预设阈值温度设置为38度等等，这里的预设动作例如：发出警示灯光、声音报警或者语音报警。

请参见图1示出的本申请实施例提供的人脸测温方法的流程示意图；该人脸测温方法的总体思路为：首先，获得人脸图像中的每个图像区域温度构成的人脸温度矩阵，然后对人脸温度矩阵进行映射和筛选，获得有效区域矩阵，再根据人脸图像采集场景对有效区域矩阵进行修正获得真实温度矩阵，最后，对真实温度矩阵中的温度数值进行加权计算，获得目标人脸的真实温度。也就是说，上述的人脸测温方法通过采样和修正目标人脸的多点温度值，然后进行加权计算，有效地避免了测量过程中的影响因素，以及单点测量温度值的误差，从而提高了测量人脸温度的准确度；该人脸测温方法可以包括：

步骤S110：获得人脸图像和人脸图像对应的人脸温度矩阵。

请参见图2示出的本申请实施例提供的人脸图像的示意图；人脸图像，是指表征目标人脸所在的图像，这里的目标人脸是指需要对该人脸进行温度检测的人脸，即需要获得真实温度的人脸；这里的真实温度受到很多因素的影响，这些影响的因素例如：周围的环境影响因素，以及人脸温度矩阵的采集设备与目标人脸之间的采集距离导致的热量流失影响因素等等。

上述的人脸图像的获得方式包括：第一种方式，使用图像采集设备对目标人脸的图像进行采集，获得人脸图像，这里的图像采集设备具体例如：单反彩色照相机、黑白照相机、监控摄像机、照相机或带摄像头的终端等，带摄像头的终端例如：手机、平板电脑或笔记本等；第二种方式，其他终端设备向电子设备发送人脸图像，然后电子设备接收其他终端设备发送的人脸图像；第三种方式，使用浏览器等软件获取互联网上的人脸图像，或者使用其它应用程序访问互联网获得人脸图像；第四种方式，获取预先存储的人脸图像，具体例如：从文件系统中获取人脸图像，或者从数据库中获取人脸图像。

请参见图3示出的本申请实施例提供的人脸图像对应的人脸温度矩阵的示意图；人脸温度矩阵，是指表征目标人脸在人脸图像中的每个图像区域温度构成的矩阵，这里的图像区域可以根据具体情况进行设置，例如图像区域可以是单个像素点，也可以是4个像素点，也可以是每隔预设距离的像素点等等。

上述人脸温度矩阵的获得方式包括：第一种方式，使用温度矩阵设备对目标人脸的温度进行采集，获得人脸温度矩阵；其中，这里的温度矩阵设备具体例如：红外矩阵的测温模块和温度传感器等；这里的目标人脸与图像采集设备的第一距离，与该目标人脸与温度矩阵设备的第二距离可以是相同的，具体例如：机器人的机械臂上均安装了图像采集设备和温度矩阵设备，且图像采集设备和温度矩阵设备安装在邻近的位置，当图像采集设备和温度矩阵设备分别对目标人脸进行采集时，就可以理解，图像采集设备与目标人脸的距离，和温度矩阵设备与目标人脸的距离是相等的；第二种方式，其他终端设备向电子设备发送人脸温度矩阵，然后电子设备接收其他终端设备发送的人脸温度矩阵；第三种方式，使用浏览器等软件获取互联网上的人脸温度矩阵，或者使用其它应用程序访问互联网获得人脸温度矩阵；第四种方式，获取预先存储的人脸温度矩阵，具体例如：从文件系统中获取人脸温度矩阵，或者从数据库中获取人脸温度矩阵。

在步骤S110之后，执行步骤S120：将人脸图像和人脸温度矩阵进行映射和筛选，获得有效区域矩阵。

请参见图4示出的本申请实施例提供的有效区域矩阵在人脸图像中映射的示意图；参照图中的黑色区域，黑色区域表示温度高于预设阈值的区域，这里的预设阈值可以根据具体情况进行设置，例如：将预设阈值设置为34.6度或者35度，也就是说，人体的温度通常在36度左右，若加上采集距离导致的热量流失和环境因素的影响，应该仍然在34.5度以上，因此，对这些温度值进行过滤，可以获得有效区域矩阵；这里的有效区域矩阵，是指表征图像中的有效脸部区域的温度矩阵，即该温度矩阵中的每个温度应该是脸部区域测量获得的温度，而不是环境区域的温度，这里的环境区域是指：目标人脸所在的背景墙、帽子、头发、口罩或者衣服等等。

上述步骤S120中的将人脸图像和人脸温度矩阵进行映射和筛选的实施方式可以包括如下步骤：

步骤S121：识别出人脸图像中的多个关键点。

请参见图5示出的本申请实施例提供的人脸图像对应的多个关键点的示意图；关键点是指表征人脸关键特征的关键点位，例如：眼睛、鼻子和嘴巴等等；这里的多个关键点，是指表征图像中的有效脸部区域的关键位置的标记点。

上述步骤S121中的识别出人脸图像中的多个关键点的实施方式例如：使用预先训练的神经网络模型识别出人脸图像中的多个关键点，这里具体可以采用的神经网络模型例如：CNN、CRNN和残差网络（Residual Network，ResNet）等等，其中，这里的CNN具体例如可以是：LeNet、AlexNet、VGG、GoogLeNet和ResNet等；这里的ResNet是指微软研究院的学者提出的卷积神经网络，ResNet的特点是容易优化，并且能够通过增加相当的深度来提高准确率；ResNet内部的残差块使用了跳跃连接，缓解了在深度神经网络中增加深度带来的梯度消失问题；这里的ResNet具体例如：ResNet22、ResNet38、ResNet50、ResNet101和ResNet152等等。

步骤S122：根据人脸图像中的多个关键点对人脸温度矩阵进行映射，获得目标人脸对应的人脸区域。

请参见图6示出的本申请实施例提供的对人脸温度矩阵进行映射的示意图；上述步骤S122的实施方式包括：第一种实施方式，根据人脸图像中的多个关键点大部分是在人脸区域内部的原理，且人脸温度矩阵中大于温度的预设阈值的温度值大部分被包括在人脸区域中，换句话说，人脸区域的多个关键点应全部被温度大于预设阈值的区域矩阵所覆盖，因此，两者重合就可以筛选出目标人脸对应的人脸区域，换句话说，筛选出人脸区域的多个关键点与温度大于预设阈值的区域矩阵相互重合的区域，即可获得目标人脸对应的人脸区域。第二种实施方式，根据测温的温度矩阵设备的视场角（Field Of View，FOV）和图像采集设备的分辨率参数对人脸温度矩阵的坐标系进行转换，获得转换后的人脸温度矩阵，这种转换可以消除人脸温度矩阵中的影响因素，获得较为真实的人脸温度矩阵，这里的影响因素例如：镜头中的太阳或灯光等光源；然后再根据人脸图像中的多个关键点对转换后的人脸温度矩阵进行筛选，获得目标人脸对应的人脸区域；其中，这里的筛选原理和第一实施方式类似，因此这里就不再赘述。

步骤S123：根据人脸区域对人脸温度矩阵进行筛选，获得有效区域矩阵。

上述步骤S123的实施方式例如：若上述人脸区域中对应的温度大于预设阈值，则从人脸温度矩阵筛选出来组成有效区域矩阵；其中，这里的预设阈值可以根据具体情况进行设置，例如：将预设阈值设置为34.6度或者35度，获得的有效区域矩阵请参照图6中的包括温度数值的矩阵，即该矩阵中的每个元素为人脸区域对应的温度数值。在上述的实现过程中，通过识别出人脸图像中的多个关键点，多个关键点表征图像中的有效脸部区域的关键位置；根据人脸图像中的多个关键点对人脸温度矩阵进行映射和筛选；根据人脸图像中的多个关键点对人脸温度矩阵进行映射和筛选，可以有效地消除测温矩阵与人脸像素点无重合部分对测温准确性的影响，从而提高了有效区域矩阵的准确度。

在步骤S120之后，执行步骤S130：根据人脸图像采集场景对有效区域矩阵进行修正，获得有效区域矩阵对应的真实温度矩阵。

上述步骤S130中的根据人脸图像采集场景对有效区域矩阵进行修正的实施方式包括：

第一种实施方式，根据目标人脸与人脸温度矩阵的采集设备之间的采集距离对有效区域矩阵进行修正，以消除采集距离导致的热量流失所带来的影响，该实施方式可以包括如下步骤：

步骤S131：对多个关键点进行分析，获得人脸眼间距。

人脸眼间距，是指表征人脸图像中的两个眼睛之间的距离；在具体的获得人脸眼间距的过程中，为了提高获得人脸眼间距的精度，在人脸眼间距的像素点小于预设数值的时候，即目标人脸距图像采集设备或温度矩阵设备过远时，可以引导用户在测温模块工作的最佳距离，从而取得更加真实和准确的人脸眼间距。

上述步骤S131中的获得人脸眼间距的实施方式例如：使用预先训练的区域卷积神经网络（Region Convolutional Neural Network，RCNN）从多个关键点对应的局部区域中确定出两个眼睛对应的区域，再根据两个眼睛对应的区域分别确定出两个眼睛对应的关键点，具体例如：眼睛对应的区域包括眼睛对应的关键点，因此，只需判断关键点是否在眼睛对应的区域，即可获得两个眼睛对应的关键点，然后计算两个眼睛对应的关键点之间的距离，获得人脸图像上的人脸眼间距；其中，这里的RCNN是第一个成功将深度学习应用到目标检测上的算法；RCNN基于卷积神经网络、线性回归和支持向量机（Support VectorMachine，SVM）等算法，来实现目标检测的目的。RCNN的基本原理为：可以在图片上使用穷举法选出所有物体可能出现的区域框，对这些区域框提取特征并使用图像识别方法分类，得到所有分类成功的区域后，通过非极大值抑制输出结果。由RCNN演化出来的fast RCNN和faster RCNN，这里的fast RCNN和faster RCNN均是在RCNN上作出的改进。

步骤S132：根据预设标尺比例和人脸眼间距，确定目标人脸与人脸温度矩阵的采集设备之间的采集距离。

请参见图7示出的本申请实施例提供的确定采集距离的其中一种实施方式的示意图；上述的步骤S132的实施方式例如：人脸图像上的人脸眼间距与采集距离具有第一映射关系，这里的第一映射关系的具体原理例如：若采集距离越大，则人脸图像上的人脸眼间距越小，若采集距离越小，则人脸图像上的人脸眼间距越大，因此，人脸图像上的人脸眼间距与采集距离成反比例关系，这里的反比例关系就可以理解为上述的第一映射关系。因此，当获知人脸图像上的人脸眼间距时，可以根据上述的第一映射关系对人脸眼间距进行计算，获得人脸眼间距对应的采集距离；具体例如：机器人上的机械臂上同时安装了图像采集设备和温度矩阵设备，图像采集设备与目标人脸的距离，和温度矩阵设备与目标人脸的距离是相等的；若实际的人脸眼间距为s，人脸图像上的眼间距为p，那么这里的预设标尺比例可以理解为s与p的比例，且图像采集设备中投影的人脸图像与图像采集设备的成像焦点的水平距离为x，那么目标人脸与成像焦点的水平距离为y，即目标人脸与人脸温度矩阵的采集设备之间的采集距离为y，这里的采集距离使用公式可以表示为y=xs/p，也就是说，这里的采集距离可以等于人脸图像与成像焦点的水平距离乘以预设标尺比例。可以理解的是，这里的人脸温度矩阵的采集设备就是指上面的温度矩阵设备，温度矩阵设备具体例如：红外矩阵的测温模块和温度传感器等。

步骤S133：根据采集距离对有效区域矩阵进行第一修正，第一修正用于补偿采集距离导致的热量流失。

上述的步骤S133的实施方式例如：采集距离与表征补偿热量流失的补偿温度矩阵有第二映射关系；若采集距离越大，则造成的热量流水也越多，需要补偿的热量温度也越多；若采集距离越小，则造成的热量流水也越少，需要补偿的热量温度也越少；因此，可以设置补偿温度矩阵，这里的补偿温度矩阵与采集距离成正比例关系，这里的正比例关系就可以理解为上述的第二映射关系。因此，可以根据第二映射关系对采集距离进行计算，获得补偿温度矩阵，再使用补偿温度矩阵或者权重乘以补偿温度矩阵，来对有效区域矩阵进行第一修正，第一修正的具体过程例如：将补偿温度矩阵或者权重乘以补偿温度矩阵加上有效区域矩阵。在上述的实现过程中，通过人脸关键点分析取得人脸眼间距，并计算目标人脸与人脸温度矩阵的采集设备之间的采集距离，来补偿因为采集距离导致的热量流失。

第二种实施方式，根据人脸温度矩阵和环境温度矩阵之间的差异值对有效区域矩阵进行修正，以消除环境因素对真实温度的测量所带来的影响，该实施方式可以包括如下步骤：

步骤S134：获得环境温度矩阵。

环境温度矩阵，是指表征对目标人脸的背景环境进行采集获得的温度矩阵；具体例如：若目标人脸附近有较大的热量来源，那么这些热量来源会投射在人脸区域，从而导致测量出的温度过高，因此，通过温度矩阵设备测量获得环境温度矩阵，可以根据环境温度矩阵排除大量热源对测温的影响因素。

上述步骤S134中的环境温度矩阵的获得方式包括：第一种方式，使用温度矩阵设备对没有目标人脸的环境温度进行采集，获得环境温度矩阵，或者通过多次对没有目标人脸的环境温度进行采集，获得多个温度矩阵，将多个温度矩阵的平均值确定为环境温度矩阵；第二种方式，其他终端设备向电子设备发送环境温度矩阵，然后电子设备接收其他终端设备发送的环境温度矩阵；第三种方式，使用浏览器等软件获取互联网上的环境温度矩阵，或者使用其它应用程序访问互联网获得环境温度矩阵；第四种方式，获取预先存储的环境温度矩阵，具体例如：从文件系统中获取环境温度矩阵，或者从数据库中获取环境温度矩阵。

步骤S135：计算人脸温度矩阵和环境温度矩阵之间的差异值。

上述步骤S135的实施方式例如：将人脸温度矩阵减去环境温度矩阵，或者将环境温度矩阵减去人脸温度矩阵，获得差值矩阵，将这里的差值矩阵确定为人脸温度矩阵和环境温度矩阵之间的差异值。

步骤S136：根据差异值对有效区域矩阵进行第二修正，第二修正用于消除环境温度因素带来的影响。

上述步骤S136的实施方式例如：根据上述的差异值或者差异矩阵对有效区域矩阵的温度值进行修正，这里修正的原理具体例如：若环境温度过高，那么过高的环境温度也会影响到有效区域矩阵中的温度值，因此，可以将有效区域矩阵减去差异值或减去差异矩阵，或者将有效区域矩阵减去带有权重的差异矩阵，来消除环境温度因素带来的影响。

在上述的实现过程中，通过获得环境温度矩阵，环境温度矩阵表征对目标人脸的背景环境进行采集获得的温度矩阵；计算人脸温度矩阵和环境温度矩阵之间的差异值；根据差异值对有效区域矩阵进行第二修正，以消除环境温度因素对于人体温度测量准确性的影响，从而使得目标人脸的真实温度更加准确。

在步骤S130之后，执行步骤S140：对真实温度矩阵中的温度数值进行加权计算，获得目标人脸的真实温度。

上述步骤S140的实施方式可以包括如下步骤：

步骤S141：使用预先训练的神经网络模型计算真实温度矩阵中的温度数值权重，获得多个温度数值权重。

上述步骤S141的实施方式例如：以多个温度矩阵为训练数据，以多个真实温度为训练标签，对卷积神经网络进行训练，获得训练后的神经网络模型；然后，使用预先训练的神经网络模型计算真实温度矩阵中的温度数值权重，获得多个温度数值权重；其中，这里的卷积神经网络包括：LeNet、AlexNet、VGG、GoogLeNet和ResNet等等。当然，在具体的实施过程中，可以对真实温度矩阵中的温度数值不同情况赋予不同的权重，这里的不同情况包括：第一种情况，将真实温度矩阵中最大的温度数值赋予较大的权重，这里的较大的权重例如可以是0.6或者0.8；第二种情况，将真实温度矩阵中的温度数值接近中位数的温度数值赋予较大的权重，这里的较大的权重例如可以是0.7或者0.8；第三种情况，真实温度矩阵中的温度数值接近平均值的温度数值赋予较大的权重，这里的较大的权重例如可以是0.75或者0.85；第四种情况，将真实温度矩阵中统计出的数量最多的温度数值予较大的权重，这里的较大的权重例如可以是0.8或者0.9等。

步骤S142：根据多个温度数值权重对真实温度矩阵中的温度数值进行加权计算，获得目标人脸的真实温度。

上述步骤S142的实施方式例如：根据多个温度数值权重对真实温度矩阵中的温度数值进行加权计算，获得目标人脸的真实温度；具体例如：若将真实温度矩阵中最大的温度数值赋予较大的权重，那么就相当于从真实温度矩阵中筛选出较大的温度数值作为目标人脸的真实温度；当然，权重赋予真实温度矩阵中的中位数、平均值和数量最多的温度数值原理也是类似的，因此，这里就不再赘述。在上述的实现过程中，通过使用预先训练的神经网络模型计算权重，再根据权重加权计算目标人脸的真实温度，有效地避免脸部边缘区域的权重过高导致真实温度不准确的情况，从而提高了人脸真实温度的准确率。

在上述的实现过程中，首先，获得人脸图像中的每个图像区域温度构成的人脸温度矩阵，然后对人脸温度矩阵进行映射和筛选，获得有效区域矩阵，再根据人脸图像采集场景对有效区域矩阵进行修正获得真实温度矩阵，最后，对真实温度矩阵中的温度数值进行加权计算，获得目标人脸的真实温度；也就是说，该方法通过采样和修正目标人脸的多点温度值，然后进行加权计算，有效地避免了测量过程中的影响因素，以及单点测量温度值的误差，从而提高了测量人脸温度的准确度。

请参见图8示出的本申请实施例提供的电子设备与终端设备进行交互的流程示意图；可选地，在本申请实施例中，执行上述人脸测温方法的电子设备还可以与终端设备进行交互，这里的电子设备与终端设备进行交互的具体过程可以包括如下步骤：

步骤S210：电子设备接收终端设备发送的人脸图像和人脸温度矩阵。

上述步骤S210的实施方式例如：电子设备通过传输控制协议（TransmissionControl Protocol，TCP）或者用户数据报协议（User Datagram Protocol，UDP）接收终端设备发送的人脸图像和人脸温度矩阵；其中，这里的TCP协议又名网络通讯协议，是一种面向连接的、可靠的、基于字节流的传输层通信协议；在因特网协议族中，TCP层是位于IP层之上，应用层之下的中间层；不同主机的应用层之间经常需要可靠的、像管道一样的连接，但是IP层不提供这样的流机制，而是提供不可靠的包交换；这里的UDP是User DatagramProtocol的简称，中文名是用户数据报协议，UDP协议是开放式系统互联（Open SystemInterconnection，OSI）参考模型中一种无连接的传输层协议。

步骤S220：电子设备将人脸图像和人脸温度矩阵进行映射和筛选，获得有效区域矩阵。

步骤S230：电子设备根据人脸图像采集场景对有效区域矩阵进行修正，获得有效区域矩阵对应的真实温度矩阵。

步骤S240：电子设备对真实温度矩阵中的温度数值进行加权计算，获得目标人脸的真实温度。

其中，上述的步骤S220至步骤S240的实施原理和实施方式与步骤S120至步骤S140的实施原理和实施方式是相似或类似的，因此，这里不再对该步骤的实施方式和实施原理进行说明，如有不清楚的地方，可以参考对步骤S120至步骤S140的描述。

步骤S250：电子设备向终端设备发送目标人脸的真实温度。

在上述的实现过程中，通过电子设备与终端设备提供真实温度的测量服务，有效地减轻了终端设备的计算量，从而使得终端设备更快地获得真实温度。上述步骤S250中的电子设备向终端设备发送目标人脸的真实温度的实施方式可以包括：

步骤S251：电子设备对人脸图像进行人脸识别，获得人脸图像对应的人脸标识信息。

上述步骤S251的实施方式例如：电子设备使用预设训练的人脸识别模型对人脸图像进行人脸识别，获得人脸图像对应的人脸标识信息；这里的人脸识别模型具体例如：LeNet、AlexNet、VGG、GoogLeNet或者ResNet等等。

步骤S252：电子设备向终端设备发送目标人脸的真实温度和人脸标识信息。

上述步骤S252的实施方式例如：电子设备通过超文本传输协议（Hyper TextTransfer Protocol，HTTP）和超文本传输安全协议（Hyper Text Transfer ProtocolSecure，HTTPS）向终端设备发送目标人脸的真实温度和人脸标识信息；其中，这里的HTTP是一个简单的请求响应协议，HTTP协议通常运行在传输控制协议（Transmission ControlProtocol，TCP）之上的协议；这里的HTTPS又被称为HTTP Secure，是一种通过计算机网络进行安全通信的传输协议；HTTPS开发的主要目的，是提供对网站服务器的身份认证，保护交换数据的隐私与完整性。

在具体的实践过程中，上述的终端设备在接收到目标人脸的真实温度时，还可以显示目标人脸的真实温度；若目标人脸的真实温度超过预设阈值，还可以闪亮警示灯光，以及使用语音报警。当然，上述的终端设备在接收到目标人脸的真实温度和人脸标识信息时，还可以同时显示目标人脸的真实温度和人脸标识信息，这里的人脸标识信息具体可以包括：姓名、公司名称和员工号码等，上述的同时显示目标人脸的真实温度和人脸标识信息，具体例如：显示目标人脸的图像、真实温度、姓名、公司名称和员工号码等。

在上述的实现过程中，通过电子设备与终端设备提供真实温度的测量服务和人脸识别服务，有效地减轻了终端设备的计算量，从而使得终端设备更快地获得真实温度和人脸标识信息。

请参见图9示出的本申请实施例提供的人脸测温装置的结构示意图；本申请实施例提供了一种人脸测温装置300，包括：

图像矩阵获得模块310，用于获得人脸图像和人脸图像对应的人脸温度矩阵，人脸温度矩阵表征目标人脸在人脸图像中的每个图像区域温度构成的矩阵。

区域矩阵获得模块320，用于将人脸图像和人脸温度矩阵进行映射和筛选，获得有效区域矩阵，有效区域矩阵表征图像中的有效脸部区域的温度矩阵。

温度矩阵获得模块330，用于根据人脸图像采集场景对有效区域矩阵进行修正，获得有效区域矩阵对应的真实温度矩阵。

真实温度获得模块340，用于对真实温度矩阵中的温度数值进行加权计算，获得目标人脸的真实温度。

可选地，在本申请实施例中，区域矩阵获得模块，包括：

图像关键识别模块，用于识别出人脸图像中的多个关键点，多个关键点表征图像中的有效脸部区域的关键位置。

矩阵映射筛选模块，用于根据人脸图像中的多个关键点对人脸温度矩阵进行映射和筛选。

可选地，在本申请实施例中，温度矩阵获得模块，可以包括：

人眼间距获得模块，用于对多个关键点进行分析，获得人脸眼间距，人脸眼间距表征人脸图像中的两个眼睛之间的距离。

采集距离确定模块，用于根据预设标尺比例和人脸眼间距，确定目标人脸与人脸温度矩阵的采集设备之间的采集距离。

第一修正操作模块，用于根据采集距离对有效区域矩阵进行第一修正，第一修正用于补偿采集距离导致的热量流失。

可选地，在本申请实施例中，温度矩阵获得模块，还可以包括：

环境矩阵获得模块，用于获得环境温度矩阵，环境温度矩阵表征对目标人脸的背景环境进行采集获得的温度矩阵。

矩阵差异计算模块，用于计算人脸温度矩阵和环境温度矩阵之间的差异值。

第二修正操作模块，用于根据差异值对有效区域矩阵进行第二修正，第二修正用于消除环境温度因素带来的影响。

可选地，在本申请实施例中，真实温度获得模块，包括：

数值权重获得模块，用于使用预先训练的神经网络模型计算真实温度矩阵中的温度数值权重，获得多个温度数值权重。

数值加权计算模块，用于根据多个温度数值权重对真实温度矩阵中的温度数值进行加权计算，获得目标人脸的真实温度。

可选地，在本申请实施例中，人脸测温装置，还包括：

图像矩阵接收模块，用于接收终端设备发送的人脸图像和人脸温度矩阵。

真实温度发送模块，用于向终端设备发送目标人脸的真实温度。

可选地，在本申请实施例中，真实温度发送模块，包括：

人脸图像识别模块，用于对人脸图像进行人脸识别，获得人脸图像对应的人脸标识信息。

温度信息发送模块，用于向终端设备发送目标人脸的真实温度和人脸标识信息。

应理解的是，该装置与上述的人脸测温方法实施例对应，能够执行上述方法实施例涉及的各个步骤，该装置具体的功能可以参见上文中的描述，为避免重复，此处适当省略详细描述。该装置包括至少一个能以软件或固件（firmware）的形式存储于存储器中或固化在装置的操作系统（operating system，OS）中的软件功能模块。

请参见图10示出的本申请实施例提供的电子设备的结构示意图。本申请实施例提供的一种电子设备400，包括：处理器410和存储器420，存储器420存储有处理器410可执行的机器可读指令，机器可读指令被处理器410执行时执行如上的方法。

本申请实施例还提供了一种存储介质430，该存储介质430上存储有计算机程序，该计算机程序被处理器410运行时执行如上的方法。

其中，存储介质430可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（Static Random Access Memory, 简称SRAM），电可擦除可编程只读存储器（Electrically Erasable Programmable Read-Only Memory, 简称EEPROM），可擦除可编程只读存储器（Erasable Programmable Read Only Memory, 简称EPROM），可编程只读存储器（Programmable Red-Only Memory, 简称PROM），只读存储器（Read-Only Memory, 简称ROM），磁存储器，快闪存储器，磁盘或光盘。

本申请实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其他的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请实施例的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本申请实施例各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。

以上的描述，仅为本申请实施例的可选实施方式，但本申请实施例的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请实施例揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请实施例的保护范围之内。

Claims (10)

1.一种人脸测温方法，其特征在于，包括：

获得人脸图像和所述人脸图像对应的人脸温度矩阵，所述人脸温度矩阵表征目标人脸在所述人脸图像中的每个图像区域温度构成的矩阵；

将所述人脸图像和所述人脸温度矩阵进行映射和筛选，获得有效区域矩阵，所述有效区域矩阵表征图像中的有效脸部区域的温度矩阵；

根据人脸图像采集场景对所述有效区域矩阵进行修正，获得所述有效区域矩阵对应的真实温度矩阵；

对所述真实温度矩阵中的温度数值进行加权计算，获得所述目标人脸的真实温度。

2.根据权利要求1所述的方法，其特征在于，所述将所述人脸图像和所述人脸温度矩阵进行映射和筛选，包括：

识别出所述人脸图像中的多个关键点，所述多个关键点表征图像中的有效脸部区域的关键位置；

根据所述人脸图像中的多个关键点对所述人脸温度矩阵进行映射和筛选。

3.根据权利要求2所述的方法，其特征在于，所述根据人脸图像采集场景对所述有效区域矩阵进行修正，包括：

对所述多个关键点进行分析，获得人脸眼间距，所述人脸眼间距表征所述人脸图像中的两个眼睛之间的距离；

根据预设标尺比例和所述人脸眼间距，确定所述目标人脸与所述人脸温度矩阵的采集设备之间的采集距离；

根据所述采集距离对所述有效区域矩阵进行第一修正，所述第一修正用于补偿所述采集距离导致的热量流失。

4.根据权利要求1所述的方法，其特征在于，所述根据人脸图像采集场景对所述有效区域矩阵进行修正，包括：

获得环境温度矩阵，所述环境温度矩阵表征对所述目标人脸的背景环境进行采集获得的温度矩阵；

计算所述人脸温度矩阵和所述环境温度矩阵之间的差异值；

根据所述差异值对所述有效区域矩阵进行第二修正，所述第二修正用于消除环境温度因素带来的影响。

5.根据权利要求1所述的方法，其特征在于，所述对所述真实温度矩阵中的温度数值进行加权计算，获得所述目标人脸的真实温度，包括：

使用预先训练的神经网络模型计算所述真实温度矩阵中的温度数值权重，获得多个温度数值权重；

根据所述多个温度数值权重对所述真实温度矩阵中的温度数值进行加权计算，获得所述目标人脸的真实温度。

6.根据权利要求1-5任一所述的方法，其特征在于，所述获得人脸图像和所述人脸图像对应的人脸温度矩阵，包括：

接收终端设备发送的所述人脸图像和所述人脸温度矩阵；

在所述获得所述目标人脸的真实温度之后，还包括：

向所述终端设备发送所述目标人脸的真实温度。

7.根据权利要求6所述的方法，其特征在于，所述向所述终端设备发送所述目标人脸的真实温度，包括：

对所述人脸图像进行人脸识别，获得所述人脸图像对应的人脸标识信息；

向所述终端设备发送所述目标人脸的真实温度和所述人脸标识信息。

8.一种人脸测温装置，其特征在于，包括：

图像矩阵获得模块，用于获得人脸图像和所述人脸图像对应的人脸温度矩阵，所述人脸温度矩阵表征目标人脸在所述人脸图像中的每个图像区域温度构成的矩阵；

区域矩阵获得模块，用于将所述人脸图像和所述人脸温度矩阵进行映射和筛选，获得有效区域矩阵，所述有效区域矩阵表征图像中的有效脸部区域的温度矩阵；

温度矩阵获得模块，用于根据人脸图像采集场景对所述有效区域矩阵进行修正，获得所述有效区域矩阵对应的真实温度矩阵；

真实温度获得模块，用于对所述真实温度矩阵中的温度数值进行加权计算，获得所述目标人脸的真实温度。

9.一种电子设备，其特征在于，包括：处理器和存储器，所述存储器存储有所述处理器可执行的机器可读指令，所述机器可读指令被所述处理器执行时执行如权利要求1至7任一所述的方法。

10.一种存储介质，其特征在于，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至7任一所述的方法。

Images