CN112528720B - 一种基于深度学习的红外体温测量系统 - Google Patents
一种基于深度学习的红外体温测量系统 Download PDFInfo
- Publication number
- CN112528720B CN112528720B CN202010257110.1A CN202010257110A CN112528720B CN 112528720 B CN112528720 B CN 112528720B CN 202010257110 A CN202010257110 A CN 202010257110A CN 112528720 B CN112528720 B CN 112528720B
- Authority
- CN
- China
- Prior art keywords
- iris
- infrared
- body temperature
- image
- measurement system
- 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.)
- Active
Links
- 238000009529 body temperature measurement Methods 0.000 title claims abstract description 23
- 238000013135 deep learning Methods 0.000 title claims abstract description 16
- 230000036760 body temperature Effects 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000012544 monitoring process Methods 0.000 claims abstract description 7
- 238000012795 verification Methods 0.000 claims abstract description 7
- 210000000554 iris Anatomy 0.000 claims description 134
- 238000000034 method Methods 0.000 claims description 16
- 238000005259 measurement Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 230000001502 supplementing effect Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 4
- 230000002159 abnormal effect Effects 0.000 abstract description 2
- 238000007405 data analysis Methods 0.000 abstract 1
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 2
- 229910052753 mercury Inorganic materials 0.000 description 2
- 208000035473 Communicable disease Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
Classifications
-
- 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
- G06V40/30—Writer recognition; Reading and verifying signatures
- G06V40/37—Writer recognition; Reading and verifying signatures based only on signature signals such as velocity or pressure, e.g. dynamic signature recognition
- G06V40/394—Matching; Classification
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C3/00—Measuring distances in line of sight; Optical rangefinders
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Image Analysis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种基于深度学习的红外体温测量系统,包括:红外高清摄像头,用于拍摄抓取虹膜图像;红外距离传感器,用于实时监测人眼距红外高清摄像头的距离;非接触式阵列红外温度传感器,用于采集人体体温数据;工业级嵌入式主板,与红外高清摄像头、红外距离传感器以及非接触式阵列红外温度传感器连接,用于对虹膜图像进行处理,进行身份验证,还用于当人眼距红外高清摄像头的距离达到预先设定距离时,触发红外高清摄像头拍照。本发明中的上述系统可用于各种公众场所的人员信息快速确认和人体体温精确测量,能够自动存储数据,体温异常自动预警,自带管理后台数据分析,智能监控变化趋势,当不同区域部署多台,远程云平台可以统一管理。
Description
技术领域
本发明涉及生物特征识别技术与人体体温测量领域,特别是涉及一种基于深度学习的红外体温测量系统。
背景技术
随着人们生活水平与科学技术的发展,社会对健康管理的需求越来越大,对固定人群场所进行日常通行签到和体温监测变的尤其重要,准确的身份验证和高精度的体温检测也成为社会各个领域关注的热点。
传统的身份验证方法主要分为两类:特殊物品或特定口令。特殊物品即个人证件或者IC卡,特殊口令即通过比对用户ID和密码的形式来验证用户的合法性,但是个人证件容易丢失并且可能被伪造,IC卡识别效率低,同时用户密码也存在被盗取的可能,信息安全难以保证。传统的身份验证方式在速度、安全和便捷等方面己经不符合社会发展的需求。
体温数据是人员健康评估的重要依据,尤其是当出现流行性、易感染性疾病时,对社会安全会产生严重的威胁。测量人员体温是预防的最佳办法,传统的体温测量主要有手持水银体温计测量,电子体温计,手持水银体温计测量时间长,需人工读数,误差大。电子体温计虽然支持体温读数,但必须接触身体部位才能测量温度,在公众场所,接触式测温可能间接感染疾病,风险性大,无法实际应用。两种传统体温测量方法均无智能化、无法实现非接触式安全主动测量,无法保证检测效率。在公众场所,目前主要使用的是红外热像仪,需要特殊黑体校准热像温度数据,但设备成本高,难以部署,而且多数基于人脸识别技术个人信息暴漏较多,存在泄漏个人信息安全隐患。
发明内容
本发明的目的是提供一种基于深度学习的红外体温测量系统,实现快速安全的身份验证、高精度的非接触式体温测量以及体温异常预警和后端监控变化趋势、语音智能提示等多样性功能。
为实现上述目的,本发明提供了如下方案:
一种基于深度学习的红外体温测量系统,所述测量系统包括:
红外高清摄像头,用于拍摄抓取虹膜图像;
红外距离传感器,用于实时监测人眼距所述红外高清摄像头的距离;
非接触式阵列红外温度传感器,用于采集人体体温数据;
工业级嵌入式主板,与所述红外高清摄像头、所述红外距离传感器以及所述非接触式阵列红外温度传感器连接,用于对所述虹膜图像进行处理,进行身份验证,还用于当人眼距所述红外高清摄像头的距离达到预先设定距离时,触发所述红外高清摄像头拍照。
可选的,所述测量系统还包括:
红外补光灯,用于自动亮度补偿。
可选的,所述测量系统还包括:
可触摸显示屏,与所述工业级嵌入式主板连接,用于显示虹膜识别的个人信息以及当前个人体温。
可选的,所述测量系统还包括:
报警模块,与所述工业级嵌入式主板连接,用于当测量的人体体温超过正常体温时进行报警。
可选的,对所述虹膜图像进行处理包括:
获取虹膜图像;
对所述虹膜图像进行预处理;
对预处理后的虹膜图像进行真伪鉴别,得到真实虹膜;
提取所述真实虹膜的感兴趣区域;
基于CNN特征编码的深度神经网络,以所述虹膜感兴趣区域作为输入,得到特征虹膜;
采用Euclidean距离匹配算法计算特征虹膜与待识别虹膜之间编码的Euclidean距离;
判断所述Euclidean距离是否大于设定阈值,若大于,则两个虹膜非同类,若小于或等于,则两个虹膜信息为同类。
可选的,对所述虹膜图像进行预处理具体包括:
对所述虹膜图像进行虹膜初定位及图像归一化;
将图像中的虹膜大小,调整到系统识别设置的固定尺寸,并进行直方图均衡化。
可选的,所述对预处理后的虹膜图像进行真伪鉴别,得到真实虹膜具体包括:
按照滑动窗口采样方法将特征图采样为多个的虹膜子区域,将分成的子区域应用于CNN网络训练,在经过预先设定次数的迭代计算之后,得到收敛的虹膜子块真伪鉴别分类器模型;
在将待分类虹膜图像分成若干个子块;
采用所述虹膜子块真伪鉴别分类器模型对所述子块进行分类,并对每个子块进行真伪性判断,得到每个虹膜子块的分类结果;所述分类结果包括:真实虹膜子块的个数和伪造虹膜子块的个数;
将所述分类结果与设定的阈值进行比较,若真实虹膜子块的个数大于等于设定阈值,则该虹膜为真实的虹膜,若真实虹膜子块的个数小于设定阈值则为伪造虹膜,退出此次识别,系统自动语音提示当前被测为伪造虹膜。
可选的,提取所述真实虹膜的感兴趣区域具体包括:
在所述真实虹膜图像上任意选取3个图像区域大小为124×124的区域,作为感兴趣区域。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明中的上述系统是一种基于深度学习的虹膜生物特征快速识别与高精度红外传感器体温测量的集成终端系统,可用于各种公众场所的人员信息快速确认和人体体温精确测量,能够自动存储数据,体温异常自动预警,自带管理后台数据分析,智能监控变化趋势,当不同区域部署多台,远程云平台可以统一管理,整个系统平台具有高效性、安全性、精准性以及稳定性且可灵活部署。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例基于深度学习的红外体温测量系统结构示意图;
图2为本发明实施例系统设备接口图;
图3为本发明实施例对虹膜图像进行处理方法流程图。
符号说明:红外高清摄像头1、红外距离传感器2、非接触式阵列红外温度传感器3、红外补光灯4、可触摸显示屏5以及报警模块6、USB串行接口7、12V电源接口8、RS485接口9、RJ45接口10以及继电器信号线接口11。
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做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。
本发明的目的是提供一种基于深度学习的红外体温测量系统,实现快速安全的身份验证、高精度的非接触式体温测量以及体温异常预警和后端监控变化趋势、语音智能提示等多样性功能。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例基于深度学习的红外体温测量系统结构示意图,如图1所示,所述系统包括:红外高清摄像头1、红外距离传感器2、非接触式阵列红外温度传感器3、工业级嵌入式主板、红外补光灯4、可触摸显示屏5以及报警模块6;
所述红外高清摄像头用于拍摄抓取虹膜图像。
具体的,所述红外高清摄像头专门用于拍摄抓取虹膜图像,支持1080P图像分辨率,且摄像头前加有定制的带通滤光片,只允许通过波长在350nm~850nm波段的红外光,所述带通滤光片的中心波长为850±2nm,主要作用是抗干扰,减少色彩失真。
所述红外距离传感器用于实时监测人眼距所述红外高清摄像头的距离,当其处于一个合理的距离范围内,所述红外距离传感器辅助摄像头抓取眼部图像,所述红外距离传感器的有效测量距离10~80cm,工作环境温度在-10~60℃。
所述非接触式阵列红外温度传感器用于采集人体体温数据,传感器可测量的温度范围在10℃~55℃,测温精度在1℃,工作环境温度范围在-40~85℃,在整个工作温度范围内传感器已经进行校准,不需要额外黑体校准装置,可检测的红外波段在5.5~14um之间,可测温距离在0.7~2m。所述非接触式阵列红外温度传感器结合多传感器数据融合技术,实现远距离非接触多点体温测量。
如图2所示的通信接口,RJ45接口用于进行计算机网络数据传输。RG485接口用于串口通信。继电器信号线接口,控制闸机开关门,可用于后续扩展连接门禁系统。USB串口,支持可移动硬盘导出平台存储数据。
所述工业级嵌入式主板与所述红外高清摄像头、所述红外距离传感器以及所述非接触式阵列红外温度传感器连接。所述工业级嵌入式主板用于对所述虹膜图像进行处理,进行身份验证。所述工业级嵌入式主板还用于当人眼距所述红外高清摄像头的距离达到预先设定距离时,触发所述红外高清摄像头拍照。所述工业级嵌入式主板搭载训练好用于虹膜识别的深度学习模型,进行前向计算,得出当前被测个体信息。嵌入式主板CPU性能:双核1.8GHz和四核1.4GHz,存储方案:4GBRAM和16GBROM,通信接口支持RJ45接口、USB3.0、RG485接口、继电器信号线接口,输入电源DC12V,2A。其中,所述通信接口包括:RJ45接口、RG485接口以及继电器信号线接口。其中,RJ45接口用于进行计算机网络数据传输。RG485接口用于串口通信。继电器信号线接口用于控制闸机开关门,可用于后续连接门禁系统。
所述红外补光灯用于自动亮度补偿,保证拍摄到虹膜图像不受外界光照强度的影响,方便后期图像算法的处理。
所述可触摸显示屏与所述工业级嵌入式主板连接,所述可触摸显示屏用于显示虹膜识别的个人信息以及当前个人体温,且支持触摸操作,管理者可根据时间、人员、组别等要素随时查看数据。
所述报警模块与所述工业级嵌入式主板连接,所述报警模块用于当测量的人体体温超过正常体温时进行报警。
本发明中的实施例中报警模块具体为音箱。
图3为本发明实施例对虹膜图像进行处理方法流程图,如图3所示,所述方法包括:
步骤101:获取虹膜图像。
其中,是通过红外高清摄像头拍摄抓取虹膜图像。
步骤102:对所述虹膜图像进行预处理。
首先对采集到的眼部图像进行虹膜初定位,其次是图像归一化,将图像中的虹膜大小,调整到系统识别设置的固定尺寸,最后通过直方图均衡化,进行图像增强处理,提高图像中虹膜信息的辨识度和识别率。
上述的虹膜初定位,在拍摄抓取虹膜图像的时候难以仅保留虹膜区域,因此从整个眼部图像中定位出虹膜信息区域是虹膜识别过程的第一步,结合虹膜图像的灰度直方图,瞳孔区域和其余区域呈现出明显的差异化,根据此特点,采用基于Canny边缘检测结合Hough圆检测的内外边界定位算法,确定中眼部图像中的虹膜信息区域。
步骤103:对预处理后的虹膜图像进行真伪鉴别,得到真实虹膜。
采用基于多分块阈值分类CNN虹膜真伪鉴别算法,按照滑动窗口采样方法将特征图采样为多个的虹膜子区域,将分成的子区域应用于CNN网络训练,在经过一定轮数的迭代计算之后,得到收敛的虹膜子块真伪鉴别分类器模型,在真伪鉴别过程中,同样的将待分类虹膜图像分成若干个子块,将子块训练好的网络模型进行分类,分别对每个子块进行真伪性判断,得到每个虹膜子块的分类结果,然后将分类结果进行统计并与设定的阈值进行比较,从而鉴别出虹膜的真伪信息。假设阈值为S,即如果统计出鉴定为真的子块数大于等于S,则该虹膜为真实的虹膜,否则为伪造的虹膜。若判别为真实虹膜,则进行步骤三虹膜特征提取匹配,否则直接退出此次识别,系统自动语音提示当前被测为伪造虹膜。
步骤104:提取所述真实虹膜的感兴趣区域。
步骤105:基于CNN特征编码的深度神经网络,以所述虹膜感兴趣区域作为输入,得到特征虹膜。
步骤106:采用Euclidean距离匹配算法计算特征虹膜与待识别虹膜之间编码的Euclidean距离。
步骤107:判断所述Euclidean距离是否大于设定阈值,若大于,则两个虹膜非同类,若小于或等于,则两个虹膜信息为同类。
步骤104-步骤107中,采用基于CNN特征编码的深度神经网络作为特征提取算法,每张虹膜图像选取三个ROI特征区域用于神经网络的输入,即是在原虹膜图像上任意选取3个图像区域大小为124×124的ROI特征区域,目的是为了提升神经网络进行特征学习时的稳定性与可靠性。将输入的124×124的ROI虹膜特征图像编码为4096维的虹膜特征向量,之后使用Euclidean距离匹配作为匹配算法,对虹膜特征计算相似度从而进行特征匹配。
上述的Euclidean距离匹配,在虹膜特征匹配阶段,将待匹配虹膜信息提取出三个ROI区域用于神经网络特征编码,编码结果为三个高维向量。为了量化不同编码之间的相似度,因此引入Euclidean距离作为评价两个向量之间差异的标准。在识别过程中,计算待识别虹膜与特征虹膜之间编码的Euclidean距离,当距离大于设定阈值T时即认为两张虹膜非同类,否则认为两个虹膜信息为同一个人的虹膜信息。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
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 (6)
1.一种基于深度学习的红外体温测量系统,其特征在于,所述测量系统包括:
红外高清摄像头,用于拍摄抓取虹膜图像;
红外距离传感器,用于实时监测人眼距所述红外高清摄像头的距离;
非接触式阵列红外温度传感器,用于采集人体、体温数据;
工业级嵌入式主板,与所述红外高清摄像头、所述红外距离传感器以及所述非接触式阵列红外温度传感器连接,用于对所述虹膜图像进行处理,进行身份验证,还用于当人眼距所述红外高清摄像头的距离达到预先设定距离时,触发所述红外高清摄像头拍照;
对所述虹膜图像进行处理包括:
获取虹膜图像;
对所述虹膜图像进行预处理;
对预处理后的虹膜图像进行真伪鉴别,得到真实虹膜,具体包括:
采用基于多分块阈值分类CNN虹膜真伪鉴别算法,按照滑动窗口采样方法将特征图采样为多个的虹膜子区域,将分成的子区域应用于CNN网络训练,在经过预先设定次数的迭代计算之后,得到收敛的虹膜子块真伪鉴别分类器模型;
在将待分类虹膜图像分成若干个子块;
采用所述虹膜子块真伪鉴别分类器模型对所述子块进行分类,并对每个子块进行真伪性判断,得到每个虹膜子块的分类结果;
将所述分类结果与设定的阈值进行比较,从而鉴别出虹膜的真伪信息,若真实虹膜子块的个数大于等于设定阈值,则该虹膜为真实的虹膜,若真实虹膜子块的个数小于设定阈值则为伪造虹膜,退出此次识别,系统自动语音提示当前被测为伪造虹膜;
提取所述真实虹膜的感兴趣区域;
基于CNN特征编码的深度神经网络,选取3个所述虹膜感兴趣区域作为输入,得到特征虹膜,并将输入的ROI特征图像编码为4096维的虹膜特征向量;
采用Euclidean距离匹配算法计算特征虹膜与待识别虹膜之间编码的Euclidean距离,包括:在虹膜特征匹配阶段,将待匹配虹膜信息提取出三个ROI区域用于神经网络特征编码,编码结果为三个高维向量;
判断所述Euclidean距离是否大于设定阈值,若大于,则两个虹膜非同类,若小于或等于,则两个虹膜信息为同类。
2.根据权利要求1所述的基于深度学习的红外体温测量系统,其特征在于,所述测量系统还包括:
红外补光灯,用于自动亮度补偿。
3.根据权利要求1所述的基于深度学习的红外体温测量系统,其特征在于,所述测量系统还包括:
可触摸显示屏,与所述工业级嵌入式主板连接,用于显示虹膜识别的个人信息以及当前个人体温。
4.根据权利要求1所述的基于深度学习的红外体温测量系统,其特征在于,所述测量系统还包括:
报警模块,与所述工业级嵌入式主板连接,用于当测量的人体体温超过正常体温时进行报警。
5.根据权利要求1所述的基于深度学习的红外体温测量系统,其特征在于,对所述虹膜图像进行预处理具体包括:
对所述虹膜图像进行虹膜初定位及图像归一化;
将图像中的虹膜大小,调整到系统识别设置的固定尺寸,并进行直方图均衡化。
6.根据权利要求1所述的基于深度学习的红外体温测量系统,其特征在于,提取所述真实虹膜的感兴趣区域具体包括:
在所述真实虹膜图像上任意选取3个图像区域大小为124×124的区域,作为感兴趣区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010257110.1A CN112528720B (zh) | 2020-04-03 | 2020-04-03 | 一种基于深度学习的红外体温测量系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010257110.1A CN112528720B (zh) | 2020-04-03 | 2020-04-03 | 一种基于深度学习的红外体温测量系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112528720A CN112528720A (zh) | 2021-03-19 |
CN112528720B true CN112528720B (zh) | 2024-04-05 |
Family
ID=74978684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010257110.1A Active CN112528720B (zh) | 2020-04-03 | 2020-04-03 | 一种基于深度学习的红外体温测量系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112528720B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1489105A (zh) * | 2002-10-09 | 2004-04-14 | 中国科学院自动化研究所 | 基于小波分析和过零点描述的虹膜识别方法 |
CN101923640A (zh) * | 2010-08-04 | 2010-12-22 | 中国科学院自动化研究所 | 基于鲁棒纹理特征和机器学习对伪造虹膜图像判别的方法 |
CN102973250A (zh) * | 2012-11-16 | 2013-03-20 | 中国人民解放军第四军医大学 | 一种非接触医用测温装置及其应用 |
CN204698531U (zh) * | 2015-06-18 | 2015-10-14 | 梁寒冰 | 一种体温计 |
CN105310659A (zh) * | 2014-07-31 | 2016-02-10 | 三星电子株式会社 | 用于提高无接触体温测量的精度的装置和方法 |
WO2017015731A1 (en) * | 2015-07-27 | 2017-02-02 | Iskrenov Tanyo Zefirov | Device for contactless measurement of the body temperature |
CN106778631A (zh) * | 2016-12-22 | 2017-05-31 | 江苏大学 | 一种虹膜识别预处理过程中快速滤除伪造虹膜的异质虹膜分类器设计方法 |
KR20180023198A (ko) * | 2016-08-25 | 2018-03-07 | 한결 | 체온 측정 장치 및 체온 측정 방법 |
CN108288053A (zh) * | 2018-03-01 | 2018-07-17 | 武汉轻工大学 | 一种虹膜图像的处理的方法、装置及计算机可读存储介质 |
CN208476409U (zh) * | 2018-07-06 | 2019-02-05 | 深圳理思科技有限公司 | 一种非接触式体温计 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6226578B2 (ja) * | 2013-06-13 | 2017-11-08 | キヤノン株式会社 | 画像符号化装置、画像符号化方法及びプログラム |
-
2020
- 2020-04-03 CN CN202010257110.1A patent/CN112528720B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1489105A (zh) * | 2002-10-09 | 2004-04-14 | 中国科学院自动化研究所 | 基于小波分析和过零点描述的虹膜识别方法 |
CN101923640A (zh) * | 2010-08-04 | 2010-12-22 | 中国科学院自动化研究所 | 基于鲁棒纹理特征和机器学习对伪造虹膜图像判别的方法 |
CN102973250A (zh) * | 2012-11-16 | 2013-03-20 | 中国人民解放军第四军医大学 | 一种非接触医用测温装置及其应用 |
CN105310659A (zh) * | 2014-07-31 | 2016-02-10 | 三星电子株式会社 | 用于提高无接触体温测量的精度的装置和方法 |
CN204698531U (zh) * | 2015-06-18 | 2015-10-14 | 梁寒冰 | 一种体温计 |
WO2017015731A1 (en) * | 2015-07-27 | 2017-02-02 | Iskrenov Tanyo Zefirov | Device for contactless measurement of the body temperature |
KR20180023198A (ko) * | 2016-08-25 | 2018-03-07 | 한결 | 체온 측정 장치 및 체온 측정 방법 |
CN106778631A (zh) * | 2016-12-22 | 2017-05-31 | 江苏大学 | 一种虹膜识别预处理过程中快速滤除伪造虹膜的异质虹膜分类器设计方法 |
CN108288053A (zh) * | 2018-03-01 | 2018-07-17 | 武汉轻工大学 | 一种虹膜图像的处理的方法、装置及计算机可读存储介质 |
CN208476409U (zh) * | 2018-07-06 | 2019-02-05 | 深圳理思科技有限公司 | 一种非接触式体温计 |
Non-Patent Citations (1)
Title |
---|
一种基于自适应阈值的图像伪造检测算法;康晓兵;魏生民;;计算机科学(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112528720A (zh) | 2021-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108549854B (zh) | 一种人脸活体检测方法 | |
Sun et al. | Improving iris recognition accuracy via cascaded classifiers | |
CN105868689B (zh) | 一种基于级联卷积神经网络的人脸遮挡检测方法 | |
CN103514438A (zh) | 人脸判断系统以及方法 | |
CN1898678A (zh) | 一种获取人脸图像的方法及人脸识别方法与系统 | |
Reese et al. | A comparison of face detection algorithms in visible and thermal spectrums | |
CN112396011A (zh) | 一种基于视频图像心率检测及活体检测的人脸识别系统 | |
KR20150112635A (ko) | 사람의 얼굴 정보를 이용한 얼굴인식 도어락 시스템 | |
Villariña et al. | Palm vein recognition system using directional coding and back-propagation neural network | |
CN202887214U (zh) | 基于人脸识别的人体身份识别装置 | |
CN107220623A (zh) | 一种人脸识别方法及系统 | |
CN111723595A (zh) | 人员身份识别方法和系统 | |
CN109740474A (zh) | 插队人员动态识别机构以及相应终端 | |
CN112528720B (zh) | 一种基于深度学习的红外体温测量系统 | |
He et al. | Contactless autofeedback iris capture design | |
CN111241918A (zh) | 一种基于人脸识别的车用防跟踪方法及系统 | |
CN110457880A (zh) | 一种基于动态远距离人脸虹膜识别安全身份认证装置及方法 | |
CN105897747A (zh) | 基于数字生物签名的数据存储方法、装置及智能设备 | |
Seal et al. | Minutiae based thermal human face recognition using label connected component algorithm | |
Wild et al. | Impact of (segmentation) quality on long vs. short‐timespan assessments in iris recognition performance | |
US7660443B2 (en) | Artificial eye distinguishing method and device, artificial eye distinguishing program, iris recognition method, false printed matter distinguishing method, and image distinguishing method | |
CN114120509A (zh) | 基于融合识别技术的区域准入授权装置 | |
TW202305653A (zh) | 物件辨識暨體溫量測方法 | |
CN207097001U (zh) | 一种人脸识别系统 | |
Logu et al. | Real‐Time Mild and Moderate COVID‐19 Human Body Temperature Detection Using Artificial Intelligence |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |