CN112304435A - 一种结合人脸识别的人体热成像测温方法 - Google Patents

一种结合人脸识别的人体热成像测温方法 Download PDF

Info

Publication number
CN112304435A
CN112304435A CN202011079259.1A CN202011079259A CN112304435A CN 112304435 A CN112304435 A CN 112304435A CN 202011079259 A CN202011079259 A CN 202011079259A CN 112304435 A CN112304435 A CN 112304435A
Authority
CN
China
Prior art keywords
face
target object
network
image
measurement method
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
Application number
CN202011079259.1A
Other languages
English (en)
Inventor
罗育泽
韩冠亚
李苗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Zhongda Digital Home Engineering Technology Research Center Co ltd
Original Assignee
Guangzhou Zhongda Digital Home Engineering Technology Research Center Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Zhongda Digital Home Engineering Technology Research Center Co ltd filed Critical Guangzhou Zhongda Digital Home Engineering Technology Research Center Co ltd
Priority to CN202011079259.1A priority Critical patent/CN112304435A/zh
Publication of CN112304435A publication Critical patent/CN112304435A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • 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
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification

Abstract

本发明公开了一种结合人脸识别的人体热成像测温方法。利用热红外探测器获取目标对象的热图像，之后采用BP神经网络把目标对象热图像与基准物体热图像比较，获取目标对象的绝对温度；利用摄像头获取所述目标对象的人脸图像，利用人脸特征提取网络提取所述目标对象的人脸特征并识别所述目标对象，并连接公安数据库，从公安数据库获取所述目标对象的人员信息；当探测到所述目标对象的所述绝对温度高于预设的阈值时，进行预警，记录所述绝对温度及对应的所述人员信息，并且向后台和工作人员做实时反馈。本发明可以高效地进行体温检测，并且能大大减少工作人员感染机会；将人脸识别和体温检测集成在一起，可以自动记录被检测人员的身份信息。

Description

一种结合人脸识别的人体热成像测温方法
技术领域
本发明涉及计算机视觉、人工智能技术领域，具体涉及一种结合人脸识 别的人体热成像测温方法。
背景技术
检测人体的体温常见的做法是用测温枪，需要测量的时候，派工作人员 拿测温枪逐个对检测对象测量。但是这种方法存在一定的不足之处，第一， 效率慢：需要工作人员逐个进行检测，并且有的地方人流量不好预测，如果 安排检测人员过多，则会浪费人力物力，如果安排不足，则会导致大家排队 检测时间过长。第二，检测的工作人员容易被感染：当检测到体温过高时， 有可能对方是具有传染的病毒，如果这样，则检测人员与其进行近距离接触， 也容易被感染。第三，当目标对象的温度超过预设阈值时，需要登记此检测 对象的人员信息，手动登记信息的收集信息时间长，并且容易感染到其他疾 病。
发明内容
本发明的目的是克服现有方法的不足，提出了一种结合人脸识别的人 体热成像测温方法。本发明解决的主要问题是，一，如何高效、安全、自动 检测人群的体温，需实现自动检测体温，提高检测效率，并且减少工作人员 被感染的机会；二，如何将人脸识别和温度测试集成在一起，从而自动记录 被检测人员的信息。
为了解决上述问题，本发明提出了一种结合人脸识别的人体热成像测 温方法，所述方法包括：
利用热红外探测器获取目标对象的热图像，之后采用BP神经网络把目 标对象热图像与基准物体热图像比较，获取目标对象的绝对温度；
利用摄像头获取所述目标对象的人脸图像，利用人脸特征提取网络提 取所述目标对象的人脸特征并识别所述目标对象，并连接公安数据库，从公 安数据库获取所述目标对象的人员信息；
当探测到所述目标对象的所述绝对温度高于预设的阈值时，进行预警， 记录所述绝对温度及对应的所述人员信息，并且向后台和工作人员做实时 反馈。
优选地，所述BP神经网络的结构，具体为：
神经网络结构有1个输入层，2个中间层，1个输出层；
神经网络使用的激活函数为sigmoid函数；
神经网络中，不同层之间进行全连接，网络输入的是热红外图像的数值， 输出的是绝对温度。
优选地，所述利用人脸特征提取网络提取所述目标对象的人脸特征并 识别所述目标对象，具体为：
用包含不同光照条件或者遮挡的人脸图片减去标准光照条件下的无遮 挡人脸图像，得到外部变量字典；
将人脸样本库和所述外部变量字典中的图片进行分块处理，并输入所 述人脸特征提取网络中提取特征，得到分块特征字典；
将待识别人脸图像进行分块处理，并输入所述人脸特征提取网络中提 取特征，并求出其与分块特征字典的联合概率表示；
综合整体与部分特征的最大概率分类情况得出最终的识别结果。
优选地，所述人脸特征提取网络，具体为：
人脸特征提取网络由深度残差网络修改而成，深度残差网络结构中的 全连接层替换为特征图平均池化层，前层网络中的池化层替换为全卷积网 络结构；
人脸特征提取网络使用残差搬移卷积结构，其每个卷积操作后面都会 接一个Leaky ReLU激活层，残差搬移卷积结构采用分离型卷积以及组点卷 积的操作。
本发明提出的一种结合人脸识别的人体热成像测温方法，可以高效地 进行体温检测，并且能大大减少工作人员感染机会；将人脸识别和体温检测 集成在一起，可以自动记录被检测人员的身份信息。
附图说明
图1是本发明实施例的一种结合人脸识别的人体热成像测温方法的总 体流程图；
图2是本发明实施例的人脸特征提取网络的结构图；
图3是本发明实施例的利用人脸特征提取网络识别目标对象的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进 行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例， 而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有 作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范 围。
图1是本发明实施例的一种基于场景识别的草图图像翻译方法的总体 流程图，如图1所示，该方法包括：
S1，利用热红外探测器获取目标对象的热图像，之后采用BP神经网络 把目标对象热图像与基准物体热图像比较，获取目标对象的绝对温度；
S2，利用摄像头获取所述目标对象的人脸图像，利用人脸特征提取网络 提取所述目标对象的人脸特征并识别所述目标对象，并连接公安数据库，从 公安数据库获取所述目标对象的人员信息；
S3，当探测到所述目标对象的所述绝对温度高于预设的阈值时，进行预 警，记录所述绝对温度及对应的所述人员信息，并且向后台和工作人员做实 时反馈。
步骤S1，具体如下：
热红外探测器可以获取红外热图像，即给出物体表面辐射温度的定性 描述，如果要根据热图像获取物体的绝对温度，需要采用与基准物体热图像 比较的方来获取绝对温度。在本实施例中，使用BP神经网络的方法来获取 绝对温度。
神经网络结构有1个输入层，2个中间层，1个输出层；神经网络使用 的激活函数为sigmoid函数；神经网络中，不同层之间进行全连接，网络输 入的是热红外图像的数值，输出的是绝对温度。
步骤S2，具体如下：
S2-1，人脸特征提取网络，其结构如图2所示，包括：
深度残差网络是目前应用广泛的神经网络，深度残差网络结构中包含 了全连接层，而全连接层中的参数占了整个网络中参数的绝大部分。这会导 致网络的计算量巨大，运行速度缓慢，从而造成其在硬件环境有所限制的现 实场景中难以应用。针对这个问题，本方法提出用特征图平均池化层取代全 连接层。通过对最后一层卷积层输出的每个特征图进行平均池化，可以得到 维度与最后一层特征图通道数相同的特征向量。与原来使用全连接层相比， 使用特征图平均池化层不会带来参数量的增加，因此大大减少了网络的计算量，使得整个网络运行速度更快。另一方面，在前层网络中，采用全卷积 网络结构，去掉原来残差神经网络中的池化层，直接用步长为2的卷积核 对特征图进行下采样，从而减少由于池化带来的信息损失。
此外，还使用了残差搬移卷积模块。在残差搬移卷积模块中，每个卷积 操作后面都会接一个Leaky ReLU激活层，这样能增加网络的非线性扩展能 力。另外，残差搬移卷积结构通过分离型卷积以及组点卷积的操作大大降低 了网络的计算量，从而提升其运行速度。
S2-2，利用S2-1的人脸特征提取网络提取目标对象的人脸特征并识别 目标对象的过程如图3所示，包括：
用包含不同光照条件或者遮挡的人脸图片减去标准光照条件下的无遮 挡人脸图像，得到外部变量字典；
将人脸样本库和所述外部变量字典中的图片进行分块处理，并输入所 述人脸特征提取网络中提取特征，得到分块特征字典；
将待识别人脸图像进行分块处理，并输入所述人脸特征提取网络中提 取特征，并求出其与分块特征字典的联合概率表示；
综合整体与部分特征的最大概率分类情况得出最终的识别结果。
S2-3，在S2-2对人脸图片进行分块处理的过程中，需要使用人脸字典， 即经过聚类算法处理后的人脸数据。人脸字典构建如下：
设初始样本库人脸字典(聚类算法处理前的人脸数据)中第j个类别人 脸字典的集合表示如下式。
Fj＝[f(j-1)×n+1,f(j-1)×n+2,…,f(j-1)×n+n]
其中j＝1,2,…,c。c表示的是人脸样本类别个数。K-means++算法的初 始聚类中心选择过程如下：
(1)随机选择一个样本作为第一个初始聚类中心。
(2)分别计算其他样本到初始聚类中心的最短距离sj，并除以所有样 本最短距离的和，得到这些样本被取为下一个初始聚类中心的概率值pj，即
Figure BDA0002717774490000061
(3)根据pj求出各样本对应的累加概率lj。
(4)用一个随机函数产生一个0到1之间的随机数。随机数落在累加 概率区间所对应的样本将会被选为下一个初始聚类中心。
(5)以此类推，可以选出t个初始聚类中心。
在得到t个互相距离较远的初始聚类中心后，即可利用k-means算法对 该人脸字典样本进行聚类。将聚类中心向量作为字典元素，即可构建出所需 精简人脸字典用于后续人脸分类。
通过k-means++算法对属于同一个类别的人脸图片进行聚类，并用得到 的聚类中心作为字典元素来构建人脸字典。将用聚类算法处理人脸样本库 字典
Figure BDA00027177744900000713
表示如下式。
Figure BDA0002717774490000071
其中
Figure BDA0002717774490000072
Figure BDA0002717774490000073
表示的是聚类后的人脸样本库字典元素。
Figure BDA0002717774490000074
表示的 是聚类后每个类别人脸样本的个数。另一方面，对于聚类后的外部变量字典
Figure BDA0002717774490000075
表示如下式：
Figure BDA0002717774490000076
S2-4，在S2-2中对人脸图片进行分块处理过程如下：
针对现实情况下由于人脸受遮挡，或者人脸表情剧烈变化造成的人脸 识别正确率下降的问题，本方法提出对人脸图片进行分块，利用分块人脸的 局部不变性来增强人脸识别对遮挡物和表情等变化的鲁棒性。对于S2-3中 人脸字典中的某个元素
Figure BDA0002717774490000077
将其重排列成一个图像矩阵
Figure BDA0002717774490000078
其中h表示图像矩阵的宽，w表示图像矩阵的高，h×w＝ d。将该图像矩阵分割成p×p个图像块
Figure BDA0002717774490000079
g＝1,2,..,N。N＝p×p。 在本实施例中，p设定为4。之后，将这些图像块输入训练好的S2-1的人脸 特征提取网络中，得到分块深度人脸特征
Figure BDA00027177744900000710
类似的，可以得到人 脸字典中其他元素的分块深度人脸特征。最终，构建样本库深度分块人脸字 典
Figure BDA00027177744900000711
如下：
Figure BDA00027177744900000712
其中
Figure BDA0002717774490000081
Figure BDA0002717774490000082
表示的是样本库中第j个类别的第i个元素的第g个分块特征。
同理，得到外部变量深度分块字典
Figure BDA0002717774490000083
如下：
Figure BDA0002717774490000084
其中
Figure BDA0002717774490000085
表示的是外部变量字典V的第g个分块特征集合。
本发明实施例提出的一种结合人脸识别的人体热成像测温方法，可以 高效地进行体温检测，并且能大大减少工作人员感染机会；将人脸识别和体 温检测集成在一起，可以自动记录被检测人员的身份信息。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分 步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算 机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁盘或光盘 等。
另外，以上对本发明实施例所提供的一种结合人脸识别的人体热成像 测温方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施 方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其 核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体 实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解 为对本发明的限制。

Claims (4)

1.一种结合人脸识别的人体热成像测温方法，其特征在于，所述方法包括：
利用热红外探测器获取目标对象的热图像，之后采用BP神经网络把目标对象热图像与基准物体热图像比较，获取目标对象的绝对温度；
利用摄像头获取所述目标对象的人脸图像，利用人脸特征提取网络提取所述目标对象的人脸特征并识别所述目标对象，并连接公安数据库，从公安数据库获取所述目标对象的人员信息；
当探测到所述目标对象的所述绝对温度高于预设的阈值时，进行预警，记录所述绝对温度及对应的所述人员信息，并且向后台和工作人员做实时反馈。
2.如权利要求1所述的一种结合人脸识别的人体热成像测温方法，其特征在于，所述BP神经网络的结构，具体为：
神经网络结构有1个输入层，2个中间层，1个输出层；
神经网络使用的激活函数为sigmoid函数；
神经网络中，不同层之间进行全连接，网络输入的是热红外图像的数值，输出的是绝对温度。
3.如权利要求1所述的一种结合人脸识别的人体热成像测温方法，其特征在于，所述利用人脸特征提取网络提取所述目标对象的人脸特征并识别所述目标对象，具体为：
用包含不同光照条件或者遮挡的人脸图片减去标准光照条件下的无遮挡人脸图像，得到外部变量字典；
将人脸样本库和所述外部变量字典中的图片进行分块处理，并输入所述人脸特征提取网络中提取特征，得到分块特征字典；
将待识别人脸图像进行分块处理，并输入所述人脸特征提取网络中提取特征，并求出其与分块特征字典的联合概率表示；
综合整体与部分特征的最大概率分类情况得出最终的识别结果。
4.如权利要求3所述的一种结合人脸识别的人体热成像测温方法，其特征在于，所述人脸特征提取网络，具体为：
人脸特征提取网络由深度残差网络修改而成，深度残差网络结构中的全连接层替换为特征图平均池化层，前层网络中的池化层替换为全卷积网络结构；
人脸特征提取网络使用残差搬移卷积结构，其每个卷积操作后面都会接一个LeakyReLU激活层，残差搬移卷积结构采用分离型卷积以及组点卷积的操作。
CN202011079259.1A 2020-10-10 2020-10-10 一种结合人脸识别的人体热成像测温方法 Pending CN112304435A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011079259.1A CN112304435A (zh) 2020-10-10 2020-10-10 一种结合人脸识别的人体热成像测温方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011079259.1A CN112304435A (zh) 2020-10-10 2020-10-10 一种结合人脸识别的人体热成像测温方法

Publications (1)

Publication Number Publication Date
CN112304435A true CN112304435A (zh) 2021-02-02

Family

ID=74489566

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011079259.1A Pending CN112304435A (zh) 2020-10-10 2020-10-10 一种结合人脸识别的人体热成像测温方法

Country Status (1)

Country Link
CN (1) CN112304435A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112816073A (zh) * 2021-02-07 2021-05-18 深圳市今视通数码科技有限公司 一种基于人脸识别测温一体机的测温方法、系统及存储介质

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106056074A (zh) * 2016-05-27 2016-10-26 广东顺德中山大学卡内基梅隆大学国际联合研究院 一种基于区域稀疏的单张训练样本人脸识别方法
CN107392134A (zh) * 2017-07-14 2017-11-24 广州智慧城市发展研究院 一种基于联合分块的人脸识别方法及系统
CN108491783A (zh) * 2018-03-17 2018-09-04 武子锋 一种获取个人信息用于公共管理的软件系统方法
CN108830262A (zh) * 2018-07-25 2018-11-16 上海电力学院 自然状态下多角度人脸表情识别方法
CN109870617A (zh) * 2018-09-21 2019-06-11 浙江大学 一种基于宽度学习和红外图像时空特征的智能电厂电气设备故障诊断方法
CN110263768A (zh) * 2019-07-19 2019-09-20 深圳市科葩信息技术有限公司 一种基于深度残差网络的人脸识别方法
CN110383288A (zh) * 2019-06-06 2019-10-25 深圳市汇顶科技股份有限公司 人脸识别的方法、装置和电子设备
CN110570556A (zh) * 2019-08-16 2019-12-13 安徽多威尔智能科技有限公司 一种人脸识别的车牌识别系统
CN110674701A (zh) * 2019-09-02 2020-01-10 东南大学 一种基于深度学习的驾驶员疲劳状态快速检测方法
CN210199779U (zh) * 2019-07-16 2020-03-27 广州国音智能科技有限公司 一种信息采集设备
CN111126307A (zh) * 2019-12-26 2020-05-08 东南大学 联合稀疏表示神经网络的小样本人脸识别方法
CN111238650A (zh) * 2020-03-11 2020-06-05 中南大学 一种基于特殊红外光谱的高炉铁水测温方法及系统
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系统
CN111397744A (zh) * 2020-05-13 2020-07-10 金陵科技学院 体温连续远程监测并采用bp神经网络校正的检测预警系统
CN111504509A (zh) * 2020-06-17 2020-08-07 北京中云微迅信息技术有限公司 基于多层神经网络的测温方法
CN111595453A (zh) * 2020-05-27 2020-08-28 成都电科崇实科技有限公司 一种基于人脸识别的红外测温系统及方法
CN111681758A (zh) * 2020-05-15 2020-09-18 浙江科技学院 一种家庭健康的监测方法、监测系统以及监测装置

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106056074A (zh) * 2016-05-27 2016-10-26 广东顺德中山大学卡内基梅隆大学国际联合研究院 一种基于区域稀疏的单张训练样本人脸识别方法
CN107392134A (zh) * 2017-07-14 2017-11-24 广州智慧城市发展研究院 一种基于联合分块的人脸识别方法及系统
CN108491783A (zh) * 2018-03-17 2018-09-04 武子锋 一种获取个人信息用于公共管理的软件系统方法
CN108830262A (zh) * 2018-07-25 2018-11-16 上海电力学院 自然状态下多角度人脸表情识别方法
CN109870617A (zh) * 2018-09-21 2019-06-11 浙江大学 一种基于宽度学习和红外图像时空特征的智能电厂电气设备故障诊断方法
CN110383288A (zh) * 2019-06-06 2019-10-25 深圳市汇顶科技股份有限公司 人脸识别的方法、装置和电子设备
CN210199779U (zh) * 2019-07-16 2020-03-27 广州国音智能科技有限公司 一种信息采集设备
CN110263768A (zh) * 2019-07-19 2019-09-20 深圳市科葩信息技术有限公司 一种基于深度残差网络的人脸识别方法
CN110570556A (zh) * 2019-08-16 2019-12-13 安徽多威尔智能科技有限公司 一种人脸识别的车牌识别系统
CN110674701A (zh) * 2019-09-02 2020-01-10 东南大学 一种基于深度学习的驾驶员疲劳状态快速检测方法
CN111126307A (zh) * 2019-12-26 2020-05-08 东南大学 联合稀疏表示神经网络的小样本人脸识别方法
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系统
CN111238650A (zh) * 2020-03-11 2020-06-05 中南大学 一种基于特殊红外光谱的高炉铁水测温方法及系统
CN111397744A (zh) * 2020-05-13 2020-07-10 金陵科技学院 体温连续远程监测并采用bp神经网络校正的检测预警系统
CN111681758A (zh) * 2020-05-15 2020-09-18 浙江科技学院 一种家庭健康的监测方法、监测系统以及监测装置
CN111595453A (zh) * 2020-05-27 2020-08-28 成都电科崇实科技有限公司 一种基于人脸识别的红外测温系统及方法
CN111504509A (zh) * 2020-06-17 2020-08-07 北京中云微迅信息技术有限公司 基于多层神经网络的测温方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112816073A (zh) * 2021-02-07 2021-05-18 深圳市今视通数码科技有限公司 一种基于人脸识别测温一体机的测温方法、系统及存储介质

Similar Documents

Publication Publication Date Title
CN111783576B (zh) 基于改进型YOLOv3网络和特征融合的行人重识别方法
CN107909027B (zh) 一种具有遮挡处理的快速人体目标检测方法
CN111797683A (zh) 一种基于深度残差注意力网络的视频表情识别方法
CN111754396B (zh) 脸部图像处理方法、装置、计算机设备和存储介质
CN111368672A (zh) 一种用于遗传病面部识别模型的构建方法及装置
CN109214373A (zh) 一种用于考勤的人脸识别系统及方法
CN107688830B (zh) 一种用于案件串并的现勘视觉信息关联图层生成方法
Kim et al. Fingerprint generation and presentation attack detection using deep neural networks
CN109145704B (zh) 一种基于人脸属性的人脸画像识别方法
TW202042113A (zh) 人臉辨識系統、建立人臉辨識之資料之方法及其人臉辨識之方法
WO2014011127A2 (en) An intelligent system for estimating gender from only fingerprints
Shahar et al. Face identity for face mask recognition system
Indulkar Alleviation of COVID by means of Social Distancing & Face Mask Detection Using YOLO V4
CN113076905B (zh) 一种基于上下文交互关系的情绪识别方法
CN113780145A (zh) 精子形态检测方法、装置、计算机设备和存储介质
CN112304435A (zh) 一种结合人脸识别的人体热成像测温方法
Mucha et al. Depth and thermal images in face detection-a detailed comparison between image modalities
CN110866458A (zh) 基于三维卷积神经网络的多人动作检测与识别方法与装置
Padmashini et al. Vision based algorithm for people counting using deep learning
CN111767784B (zh) 一种基于面部潜在血管分布的虚假人脸入侵检测方法
CN115457623A (zh) 停留时长检测方法、装置及服务器
Bharathi et al. An automatic real-time face mask detection using CNN
CN114387496A (zh) 一种目标检测方法和电子设备
Changgui et al. Hot-rolled, heavy-rail image recognition based on deep-learning network
CN112541403A (zh) 一种利用红外摄像头的室内人员跌倒检测方法

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: 20210202