CN114414065A - 物体温度探测方法、装置、计算机设备和介质 - Google Patents

物体温度探测方法、装置、计算机设备和介质 Download PDF

Info

Publication number
CN114414065A
CN114414065A CN202210021354.9A CN202210021354A CN114414065A CN 114414065 A CN114414065 A CN 114414065A CN 202210021354 A CN202210021354 A CN 202210021354A CN 114414065 A CN114414065 A CN 114414065A
Authority
CN
China
Prior art keywords
image
infrared
tof
distance information
infrared image
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.)
Granted
Application number
CN202210021354.9A
Other languages
English (en)
Other versions
CN114414065B (zh
Inventor
汪进
毛跃辉
文皓
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.)
Gree Electric Appliances Inc of Zhuhai
Original Assignee
Gree Electric Appliances Inc of Zhuhai
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 Gree Electric Appliances Inc of Zhuhai filed Critical Gree Electric Appliances Inc of Zhuhai
Priority to CN202210021354.9A priority Critical patent/CN114414065B/zh
Publication of CN114414065A publication Critical patent/CN114414065A/zh
Application granted granted Critical
Publication of CN114414065B publication Critical patent/CN114414065B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • G01S17/894—3D imaging with simultaneous measurement of time-of-flight at a 2D array of receiver pixels, e.g. time-of-flight cameras or flash lidar
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • G01J2005/0077—Imaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Radiation Pyrometers (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种物体温度探测方法、装置、计算机设备、存储介质和计算机程序产品，其中，方法包括：获取TOF图像和红外图像，将所述TOF图像与所述红外图像进行图像融合，生成具有距离信息红外图像，根据所述具有距离信息红外图像，同时获取基于距离的温度补偿系数以及红外检测温度值，根据所述具有距离信息红外图像，同时获取基于距离的温度补偿系数以及红外检测温度值，采用基于距离的温度补偿系数对红外检测温度进行修正，由于考虑距离因素，因此能够更加准确探测得到物体温度。

Description

物体温度探测方法、装置、计算机设备和介质
技术领域
本申请涉及智能测控技术领域，特别是涉及一种物体温度探测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着科学技术的发展，出现了基于人工智能的自动化控制技术，应用该技术可以实现对设备的自动化、智能化控制。而自动化控制的基础是准确探测所需的相关参数，在这些相关参数中温度的探测是非常重要的一类。
在传统物体温度探测方案中，一般是通过红外探测的方式，例如目前的智能空调采用单个红外探头来进行温度探测，再基于探测到的温度进行空调温度的智能调整。这种方式虽然可以实现温度探测，但是在采用单个红外探头采集室内环境温度或者用户体温时，随着用户或者室内发热体等物体离红外探头距离越远，其探测得到温度的精度越低。
可见，传统单个红外探头探测温度的方式会随着探测距离的增加而探测精度下降，无法实现准确的物体温度探测。
发明内容
基于此，有必要针对传统物体温度探测方案不准确的问题，提供一种准确的物体温度探测方法、装置、计算机设备、存储介质和计算机程序产品。
第一方面，本申请提供了一种物体温度探测方法。所述方法包括：
获取TOF(Time of Flight，飞行时间)图像和红外图像；
将所述TOF图像与所述红外图像进行图像融合，生成具有距离信息红外图像；
根据所述具有距离信息红外图像，同时获取基于距离的温度补偿系数以及红外检测温度值；
根据所述温度补偿系数修正所述红外检测温度值，获取物体温度探测结果。
在其中一个实施例中，所述将所述TOF图像与所述红外图像进行图像融合，生成具有距离信息红外图像包括：
将所述TOF图像与所述红外图像输入至预设TOF图像与深度图像融合模型，获取具有距离信息红外图像。
在其中一个实施例中，所述将所述TOF图像与所述红外图像进行图像融合，生成具有距离信息红外图像包括：
根据所述红外图像，获取红外反转图像；
根据所述TOF图像和所述红外图像获取第一高低频融合图像、根据所述TOF图像和所述红外反转图像获取第二高低频融合图像以及根据所述TOF图像和所述红外图像获取线性加权图像；
根据所述第一高低频融合图像、所述第二高低频融合图像以及所述线性加权图像进行图像重构，生成具有距离信息红外图像。
在其中一个实施例中，所述根据所述第一高低频融合图像、所述第二高低频融合图像以及所述线性加权图像进行图像重构，生成具有距离信息红外图像包括：
将所述第一高低频融合图像、所述第二高低频融合图像以及所述线性加权图像分别进行色彩的分离，获取TOF图片集；
将所述TOF图像集中的TOF图像分别融合，并且基于不同所述TOF图像对应的色彩分量等比例原则进行图像的重构，生成具有距离信息红外图像。
在其中一个实施例中，所述根据所述红外图像，获取红外反转图像包括：
对所述红外图像进行色彩空间转换，得到红外反转图像。
在其中一个实施例中，上述物体温度探测方法还包括：
根据所述物体温度探测结果进行设备工况参数调节。
第二方面，本申请还提供了一种物体温度探测装置。所述装置包括：
数据获取模块，用于获取TOF图像和红外图像；
融合模块，用于将所述TOF图像与所述红外图像进行图像融合，生成具有距离信息红外图像；
参数提取模块，用于根据所述具有距离信息红外图像，同时获取基于距离的温度补偿系数以及红外检测温度值；
测温模块，用于根据所述温度补偿系数修正所述红外检测温度值，获取物体温度探测结果。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取TOF图像和红外图像；
将所述TOF图像与所述红外图像进行图像融合，生成具有距离信息红外图像；
根据所述具有距离信息红外图像，同时获取基于距离的温度补偿系数以及红外检测温度值；
根据所述温度补偿系数修正所述红外检测温度值，获取物体温度探测结果。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取TOF图像和红外图像；
将所述TOF图像与所述红外图像进行图像融合，生成具有距离信息红外图像；
根据所述具有距离信息红外图像，同时获取基于距离的温度补偿系数以及红外检测温度值；
根据所述温度补偿系数修正所述红外检测温度值，获取物体温度探测结果。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取TOF图像和红外图像；
将所述TOF图像与所述红外图像进行图像融合，生成具有距离信息红外图像；
根据所述具有距离信息红外图像，同时获取基于距离的温度补偿系数以及红外检测温度值；
根据所述温度补偿系数修正所述红外检测温度值，获取物体温度探测结果。
上述物体温度探测方法、装置、计算机设备、存储介质和计算机程序产品，获取TOF图像和红外图像，将所述TOF图像与所述红外图像进行图像融合，生成具有距离信息红外图像，根据所述具有距离信息红外图像，同时获取基于距离的温度补偿系数以及红外检测温度值，根据所述具有距离信息红外图像，同时获取基于距离的温度补偿系数以及红外检测温度值，采用基于距离的温度补偿系数对红外检测温度进行修正，由于考虑距离因素，因此能够更加准确探测得到物体温度。
附图说明
图1为一个实施例中物体温度探测方法的应用环境图；
图2为一个实施例中物体温度探测方法的流程示意图；
图3为另一个实施例中物体温度探测方法的流程示意图；
图4为TOF图像与红外图像融合模型架构示意图；
图5为一个应用实例中智能空调的结构框图；
图6为一个实施例中物体温度探测装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的物体温度探测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。终端102发送温度探测请求至服务器104，在该温度探测请求中携带有终端102采集到的TOF图像和红外图像，服务器104响应该温度探测请求，获取该请求中携带的TOF图像和红外图像，将TOF图像与红外图像进行图像融合，生成具有距离信息红外图像；根据具有距离信息红外图像，同时获取基于距离的温度补偿系数以及红外检测温度值；根据温度补偿系数修正红外检测温度值，获取物体温度探测结果。非必要的，服务器104可以将温度探测结果反馈至终端102。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
需要指出的是，本申请物体温度探测方法还可以直接应用于终端设备，例如可以直接应用于空调设备，空调设备应用本申请物体温度探测方法探测用户温度，进而实现运行参数(温度和风速)的精准控制，以给用户带来便捷与良好的体验。
在一个实施例中，如图2所示，提供了一种物体温度探测方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：
S200：获取TOF图像和红外图像。
ToF测距方法属于双向测距技术，它主要利用信号在两个异步收发机(Transceiver)(或被反射面)之间往返的飞行时间来测量节点间的距离。简单来说，TOF图像是包含有距离信息的图像。红外图像具体可以由红外图像采集设备采集得到。在实际应用中，可以通过TOF模块获取TOF图像，可以通过热红外模块来获取红外图像。
S400：将TOF图像与红外图像进行图像融合，生成具有距离信息红外图像。
TOF图像中携带有距离信息，红外图像中携带有表征温度的红外信息，将两个图像进行融合，生成具有距离信息红外图像。具体来说，融合过程中主要是将TOF图像和红外图像分别进行高低频信号的图像融合，以及线性加权的图像融合。
非必要的，可以通过TOF图像与深度图像融合模型来实现图像的融合，即将TOF图像和红外图像输入至预设TOF图像与深度图像融合模型中，得到输出的具有距离信息红外图像。预设TOF图像与深度图像融合模型是预先构建的具有TOF图像与红外图像融合功能的模型。
S600：根据具有距离信息红外图像，同时获取基于距离的温度补偿系数以及红外检测温度值。
具有距离信息红外图像中包含有距离信息和红外信息，针对相同时刻的图像同时获取基于距离的温度补偿系数以及红外检测温度值。具体来说，是针对物体相同位置来获取其对应的距离以及红外检测温度值。即针对同一个像素点(x，y)获取其对应的距离以及红外信息。这里所谓的距离信息是指红外图像采集设备与物体之间的距离，以红外图像采集设备为红外探头为例，这里的距离是指红外探头到采集对象(物体)之间的距离。由于距离越远红外信号衰减、外散的越严重，因此距离越远其需要越大幅度的修正，即温度补偿系数与距离成逆相关。具体补偿系数的多少可以通过查询红外图像采集设备性能参数得到。在实际应用中，该红外图像采集设备性能参数可以是通过红外图像采集设备出厂参数得到、或者是在实验环境下对红外图像采集设备进行测试得到。
S800：根据温度补偿系数修正红外检测温度值，获取物体温度探测结果。
根据温度补偿系数对红外检测温度值进行修正，准确获取物体温度探测结果。在实际应用中，具有距离信息红外图像中每个像素点不仅仅根据像素点对应的红外信息获取温度值，并且通过距离进行实时温度补偿，提高红外图像探测出物体温度的精度，实现高精度的物体温度探测。
上述物体温度探测方法，获取TOF图像和红外图像，将TOF图像与红外图像进行图像融合，生成具有距离信息红外图像，根据具有距离信息红外图像，同时获取基于距离的温度补偿系数以及红外检测温度值，根据具有距离信息红外图像，同时获取基于距离的温度补偿系数以及红外检测温度值，采用基于距离的温度补偿系数对红外检测温度进行修正，由于考虑距离因素，因此能够更加准确探测得到物体温度。
在其中一个实施例中，将TOF图像与红外图像进行图像融合，生成具有距离信息红外图像包括：
将TOF图像与红外图像输入至预设TOF图像与深度图像融合模型，获取具有距离信息红外图像。
预设TOF图像与深度图像融合模型的具体处理过程如下：将TOF图像和红外图像进行多尺度变换处理，得到多尺度变换后的图像，对变换后的图像中低频系数进行边缘特征、平均梯度特征的提取，对变换后的图像中高频系数进行相关信号强度比特征提取，通过边缘特征级融合指导像素级图像，当融合图像对应位置的分辨率分析系数同号时，对分辨率分析系数进行加权运算；当融合图像对应位置的分辨率分析系数异号时，融合图像对应位置的高频多分辨率分析系数的符号与待融合图像中绝对值较大的高频系数的符号相同；通过平均梯度特征自适应加权得到融合图像的低频系数，对低频系数和高频系数对应的图像进行多尺度逆变换，得到具有距离信息红外图像。
具体来说，首先对TOF图像和红外图像分别进行多尺度变换处理，在这里进行多尺度变换处理的目的是分别通过不同图像尺寸进行融合。将变换后得到的低频系数进行边缘特征、平均梯度特征的提取，同时对所获得的高频系数进行相关信号强度比特征的提取。然后，在决策模块中通过边缘特征级融合指导像素级图像融合得到高频系数。在合成模块中针对简单加权法易引起边缘或纹理局部模糊的问题分两种情况分别合成同一位置的多尺度分解系数，当对应位置的多分辨率分析系数同号时，对多分辨率分析系数进行简单的加权运算；当对应位置的多分辨率分析系数异号时，融合图像对应位置的高频多分辨率分析系数的符号与待融合图像中绝对值较大的高频系数的符号相同。最后通过平均梯度特征自适应加权得到融合图像的低频系数，对低频和高频系数进行多尺度逆变换得到融合图像具有距离信息图像。进一步的，多分辨率分析系数是通过多尺度变换处理得到的，即通过多尺度变换处理获得低频系数、高频系数和多分辨率分析系数三个系数，对应位置通过对应像素的x和y参数进行确定，同一个位置像素的x和y参数一致，基于上述三个系数进行图像多尺度逆变换，最终得到具有距离信息红外图像。
如图3所示，在其中一个实施例中，S400包括：
S420：根据红外图像，获取红外反转图像。
将红外图像进行色彩空间的转换，例如HSV、LAB转换来得到红外反转图像。
S440：根据TOF图像和红外图像获取第一高低频融合图像、根据TOF图像和红外反转图像获取第二高低频融合图像以及根据TOF图像和红外图像获取线性加权图像。
低频就是颜色缓慢地变化，也就是灰度缓慢地变化，就代表着那是连续渐变的一块区域，这部分就是低频。对于一幅图像来说，除去高频的就是低频了，也就是边缘以内的内容为低频，而边缘内的内容就是图像的大部分信息，即图像的大致概貌和轮廓，是图像的近似信息。高频就是频率变化快，就是相邻区域之间灰度相差很大，这就是变化得快。在图像中，一个影像与背景的边缘部位，通常会有明显的差别，也就是说变化那条边线那里，灰度变化很快，也即是变化频率高的部位。如图4所示，将TOF图像和红外图像进行高低频信号的图像融合以及进行线性加权的图像融合，分别获得第一高低频融合图像以及线性加权图像；另外，根据TOF图像和红外反转图像进行高低频信号的图像融合，得到第二高低频融合图像。
S460：根据第一高低频融合图像、第二高低频融合图像以及线性加权图像进行图像重构，生成具有距离信息红外图像。
针对已经得到的第一高低频融合图像、第二高低频融合图像以及线性加权图像进行图像重构，最终得到具有距离信息红外图像。
进一步的，上述重构过程包括：将第一高低频融合图像、第二高低频融合图像以及线性加权图像分别进行色彩的分离，获取TOF图片集；将TOF图像集中的TOF图像分别融合，并且基于不同TOF图像对应的色彩分量等比例原则进行图像的重构，生成具有距离信息红外图像。
具体来说，将三个融合得到的图像分别进行色彩的分离，获取TOF图片分别融合，将三个色彩分量按照等比例原则进行图像的重构，得到最终的融合彩色图像，在该最终的融合彩色图像既包含TOF信息同时也包含红外图像的相关信息。
在其中一个实施例中，上述物体温度探测方法还包括：根据物体温度探测结果进行设备工况参数调节。
在准确探测到物体温度之后，可以基于物体温度探测结果进行设备工况参数调节。下面以本申请物体温度探测方法应用于空调为例展开说明。
如图5所示，TOF和红外图像融合系统001包括TOF模块002和红外摄像头模块003，两个环境信息采集模块对检测区域范围内的电器设备分别进行检测，获取该区域内电器设备的TOF图像和热红外图像，根据所获信息数据驱动控制模块004实现数据处理和控制指令传递，空调的扬声器模块005根据收到的信令实现相应的提示信息的进行播报，同时通过WIFI通讯单元006与IOT(Internet of Things，物联网)云端服务器007进行信息的传输，将实时测出的温度值的有关信息发送至用户手机APP端008。整个过程中，根据对检测区域范围内房间及空间布局进行识别提取出温度进行距离差值进行温度补偿，这样的方法使红外图像采集到室内的温度值更接近物体温度的真实值，使得空调能够对不同布局空间的送风参数自行调节，具有的最优送风性能和调温性能。
应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的物体温度探测方法的物体温度探测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个物体温度探测装置实施例中的具体限定可以参见上文中对于物体温度探测方法的限定，在此不再赘述。
在一个实施例中，如图6所示，提供了一种物体温度探测装置，包括：
数据获取模块200，用于获取TOF图像和红外图像；
融合模块400，用于将TOF图像与红外图像进行图像融合，生成具有距离信息红外图像；
参数提取模块600，用于根据具有距离信息红外图像，同时获取基于距离的温度补偿系数以及红外检测温度值；
测温模块800，用于根据温度补偿系数修正红外检测温度值，获取物体温度探测结果。
上述物体温度探测装置，获取TOF图像和红外图像，将所述TOF图像与所述红外图像进行图像融合，生成具有距离信息红外图像，根据所述具有距离信息红外图像，同时获取基于距离的温度补偿系数以及红外检测温度值，根据所述具有距离信息红外图像，同时获取基于距离的温度补偿系数以及红外检测温度值，采用基于距离的温度补偿系数对红外检测温度进行修正，由于考虑距离因素，因此能够更加准确探测得到物体温度
在其中一个实施例中，融合模块400还用于将TOF图像与红外图像输入至预设TOF图像与深度图像融合模型，获取具有距离信息红外图像。
在其中一个实施例中，融合模块400还用于根据红外图像，获取红外反转图像；根据TOF图像和红外图像获取第一高低频融合图像、根据TOF图像和红外反转图像获取第二高低频融合图像以及根据TOF图像和红外图像获取线性加权图像；根据第一高低频融合图像、第二高低频融合图像以及线性加权图像进行图像重构，生成具有距离信息红外图像。
在其中一个实施例中，融合模块400还用于将第一高低频融合图像、第二高低频融合图像以及线性加权图像分别进行色彩的分离，获取TOF图片集；将TOF图像集中的TOF图像分别融合，并且基于不同TOF图像对应的色彩分量等比例原则进行图像的重构，生成具有距离信息红外图像。
在其中一个实施例中，融合模块400还用于对红外图像进行色彩空间转换，得到红外反转图像。
在其中一个实施例中，上述物体温度探测装置还包括调节模块，用于根据物体温度探测结果进行设备工况参数调节。
上述物体温度探测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储XX数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种物体温度探测方法。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取TOF图像和红外图像；
将TOF图像与红外图像进行图像融合，生成具有距离信息红外图像；
根据具有距离信息红外图像，同时获取基于距离的温度补偿系数以及红外检测温度值；
根据温度补偿系数修正红外检测温度值，获取物体温度探测结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将TOF图像与红外图像输入至预设TOF图像与深度图像融合模型，获取具有距离信息红外图像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据红外图像，获取红外反转图像；根据TOF图像和红外图像获取第一高低频融合图像、根据TOF图像和红外反转图像获取第二高低频融合图像以及根据TOF图像和红外图像获取线性加权图像；根据第一高低频融合图像、第二高低频融合图像以及线性加权图像进行图像重构，生成具有距离信息红外图像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将第一高低频融合图像、第二高低频融合图像以及线性加权图像分别进行色彩的分离，获取TOF图片集；将TOF图像集中的TOF图像分别融合，并且基于不同TOF图像对应的色彩分量等比例原则进行图像的重构，生成具有距离信息红外图像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
对红外图像进行色彩空间转换，得到红外反转图像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据物体温度探测结果进行设备工况参数调节。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取TOF图像和红外图像；
将TOF图像与红外图像进行图像融合，生成具有距离信息红外图像；
根据具有距离信息红外图像，同时获取基于距离的温度补偿系数以及红外检测温度值；
根据温度补偿系数修正红外检测温度值，获取物体温度探测结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将TOF图像与红外图像输入至预设TOF图像与深度图像融合模型，获取具有距离信息红外图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据红外图像，获取红外反转图像；根据TOF图像和红外图像获取第一高低频融合图像、根据TOF图像和红外反转图像获取第二高低频融合图像以及根据TOF图像和红外图像获取线性加权图像；根据第一高低频融合图像、第二高低频融合图像以及线性加权图像进行图像重构，生成具有距离信息红外图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将第一高低频融合图像、第二高低频融合图像以及线性加权图像分别进行色彩的分离，获取TOF图片集；将TOF图像集中的TOF图像分别融合，并且基于不同TOF图像对应的色彩分量等比例原则进行图像的重构，生成具有距离信息红外图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对红外图像进行色彩空间转换，得到红外反转图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据物体温度探测结果进行设备工况参数调节。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取TOF图像和红外图像；
将TOF图像与红外图像进行图像融合，生成具有距离信息红外图像；
根据具有距离信息红外图像，同时获取基于距离的温度补偿系数以及红外检测温度值；
根据温度补偿系数修正红外检测温度值，获取物体温度探测结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将TOF图像与红外图像输入至预设TOF图像与深度图像融合模型，获取具有距离信息红外图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据红外图像，获取红外反转图像；根据TOF图像和红外图像获取第一高低频融合图像、根据TOF图像和红外反转图像获取第二高低频融合图像以及根据TOF图像和红外图像获取线性加权图像；根据第一高低频融合图像、第二高低频融合图像以及线性加权图像进行图像重构，生成具有距离信息红外图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将第一高低频融合图像、第二高低频融合图像以及线性加权图像分别进行色彩的分离，获取TOF图片集；将TOF图像集中的TOF图像分别融合，并且基于不同TOF图像对应的色彩分量等比例原则进行图像的重构，生成具有距离信息红外图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对红外图像进行色彩空间转换，得到红外反转图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据物体温度探测结果进行设备工况参数调节。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种物体温度探测方法，其特征在于，所述方法包括：
获取TOF图像和红外图像；
将所述TOF图像与所述红外图像进行图像融合，生成具有距离信息红外图像；
根据所述具有距离信息红外图像，同时获取基于距离的温度补偿系数以及红外检测温度值；
根据所述温度补偿系数修正所述红外检测温度值，获取物体温度探测结果。
2.根据权利要求1所述的方法，其特征在于，所述将所述TOF图像与所述红外图像进行图像融合，生成具有距离信息红外图像包括：
将所述TOF图像与所述红外图像输入至预设TOF图像与深度图像融合模型，获取具有距离信息红外图像。
3.根据权利要求1所述的方法，其特征在于，所述将所述TOF图像与所述红外图像进行图像融合，生成具有距离信息红外图像包括：
根据所述红外图像，获取红外反转图像；
根据所述TOF图像和所述红外图像获取第一高低频融合图像、根据所述TOF图像和所述红外反转图像获取第二高低频融合图像以及根据所述TOF图像和所述红外图像获取线性加权图像；
根据所述第一高低频融合图像、所述第二高低频融合图像以及所述线性加权图像进行图像重构，生成具有距离信息红外图像。
4.根据权利要求3所述的方法，其特征在于，所述根据所述第一高低频融合图像、所述第二高低频融合图像以及所述线性加权图像进行图像重构，生成具有距离信息红外图像包括：
将所述第一高低频融合图像、所述第二高低频融合图像以及所述线性加权图像分别进行色彩的分离，获取TOF图片集；
将所述TOF图像集中的TOF图像分别融合，并且基于不同所述TOF图像对应的色彩分量等比例原则进行图像的重构，生成具有距离信息红外图像。
5.根据权利要求3所述的方法，其特征在于，所述根据所述红外图像，获取红外反转图像包括：
对所述红外图像进行色彩空间转换，得到红外反转图像。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述物体温度探测结果进行设备工况参数调节。
7.一种物体温度探测装置，其特征在于，所述装置包括：
数据获取模块，用于获取TOF图像和红外图像；
融合模块，用于将所述TOF图像与所述红外图像进行图像融合，生成具有距离信息红外图像；
参数提取模块，用于根据所述具有距离信息红外图像，同时获取基于距离的温度补偿系数以及红外检测温度值；
测温模块，用于根据所述温度补偿系数修正所述红外检测温度值，获取物体温度探测结果。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202210021354.9A 2022-01-10 2022-01-10 物体温度探测方法、装置、计算机设备和介质 Active CN114414065B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210021354.9A CN114414065B (zh) 2022-01-10 2022-01-10 物体温度探测方法、装置、计算机设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210021354.9A CN114414065B (zh) 2022-01-10 2022-01-10 物体温度探测方法、装置、计算机设备和介质

Publications (2)

Publication Number Publication Date
CN114414065A true CN114414065A (zh) 2022-04-29
CN114414065B CN114414065B (zh) 2024-02-23

Family

ID=81271647

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210021354.9A Active CN114414065B (zh) 2022-01-10 2022-01-10 物体温度探测方法、装置、计算机设备和介质

Country Status (1)

Country Link
CN (1) CN114414065B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108830819A (zh) * 2018-05-23 2018-11-16 青柠优视科技（北京）有限公司 一种深度图像与红外图像的图像融合方法及装置
CN110672212A (zh) * 2019-09-19 2020-01-10 珠海格力电器股份有限公司 一种空间三维温度场检测方法、计算机可读存储介质及智能家电
CN111537074A (zh) * 2020-03-31 2020-08-14 深圳奥比中光科技有限公司 一种温度测量方法及系统
CN113340433A (zh) * 2021-06-17 2021-09-03 浙江大华技术股份有限公司 温度测量方法、装置、存储介质及电子装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108830819A (zh) * 2018-05-23 2018-11-16 青柠优视科技（北京）有限公司 一种深度图像与红外图像的图像融合方法及装置
CN110672212A (zh) * 2019-09-19 2020-01-10 珠海格力电器股份有限公司 一种空间三维温度场检测方法、计算机可读存储介质及智能家电
CN111537074A (zh) * 2020-03-31 2020-08-14 深圳奥比中光科技有限公司 一种温度测量方法及系统
CN113340433A (zh) * 2021-06-17 2021-09-03 浙江大华技术股份有限公司 温度测量方法、装置、存储介质及电子装置

Also Published As

Publication number Publication date
CN114414065B (zh) 2024-02-23

Similar Documents

Publication Publication Date Title
Ma et al. Shadow detection of moving objects based on multisource information in internet of things
CN109584327B (zh) 人脸老化模拟方法、装置以及设备
Panek et al. Meshloc: Mesh-based visual localization
CN108401565B (zh) 基于改进的KAZE特征和Pseudo-RANSAC算法的遥感图像配准方法
US20230146924A1 (en) Neural network analysis of lfa test strips
CN114429555A (zh) 由粗到细的图像稠密匹配方法、系统、设备及存储介质
Li et al. Infrared and visible images fusion by using sparse representation and guided filter
CN112907557A (zh) 道路检测方法、装置、计算设备及存储介质
CN112991218A (zh) 图像处理的方法、装置、设备以及存储介质
Nguyen et al. ROI-based LiDAR sampling algorithm in on-road environment for autonomous driving
Feng et al. Low-light image enhancement algorithm based on an atmospheric physical model
CN113516697B (zh) 图像配准的方法、装置、电子设备及计算机可读存储介质
Song et al. Small UAV-based multi-temporal change detection for monitoring cultivated land cover changes in mountainous terrain
CN110009664B (zh) 一种基于响应图融合的红外目标跟踪方法及装置
Zhai et al. Image real-time augmented reality technology based on spatial color and depth consistency
Chen et al. A novel face super resolution approach for noisy images using contour feature and standard deviation prior
Zhang et al. End-to-end learning of self-rectification and self-supervised disparity prediction for stereo vision
Dan et al. Multifeature energy optimization framework and parameter adjustment-based nonrigid point set registration
CN114414065B (zh) 物体温度探测方法、装置、计算机设备和介质
CN116246142A (zh) 一种面向多传感器数据融合需求的三维场景感知方法
Xia et al. A coarse-to-fine ghost removal scheme for HDR imaging
CN117252914A (zh) 深度估计网络的训练方法、装置、电子设备及存储介质
Fan et al. Unified framework based on multiscale transform and feature learning for infrared and visible image fusion
Kalkan et al. Local image structures and optic flow estimation
CN115485735A (zh) 用于从rgbd视频生产ifc bim对象的密集3d建模方法

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
GR01 Patent grant
GR01 Patent grant