CN117723158A - 非接触式体温监测系统及其方法 - Google Patents

Abstract

本申请公开了一种非接触式体温监测系统及其方法，涉及体温监测领域。其首先获取由红外热成像仪采集的被监控患者在预定时间段内多个预定时间点的热红外图像，接着，对所述各个预定时间点的热红外图像分别进行局部温度特征提取和全局投影融合以得到人体全局热红外温度特征向量的序列，然后，提取所述人体全局热红外温度特征向量的序列的热红外温度时域关联特征以得到时域关联人体全局热红外温度特征向量，最后，基于所述时域关联人体全局热红外温度特征向量，确定所述被监控患者是否存在温度变化异常。这样，可以实现对患者温度变化的实时监测和异常检测，有助于及时发现患者的异常情况。

Description

非接触式体温监测系统及其方法

技术领域

本申请涉及体温监测领域，且更为具体地，涉及一种非接触式体温监测系统及其方法。

背景技术

体温是人体健康的重要指标之一，监测体温对于疾病的预防、诊断和治疗具有重要意义。传统的体温监测方法主要通过接触式体温计进行，这种方法需要与人体接触，容易造成交叉感染，而且测量时间较长，不能实时、连续地监测体温变化。

对此，发明CN108143401A公开了一种体温监测预警系统，其采用红外热像仪和信息处理系统以实现对病患的实时温度检测及预警，克服了传统的接触式体温检测的缺陷。然而，由于不同人群的体温正常范围存在一定的差异，而所述体温监测预警系统使用固定的阈值来进行异常体温数据预警，无法对患者的温度变化情况进行分析，则可能导致对个体差异的忽视，使得系统的准确性受到影响。因此，期待一种优化的非接触式体温监测系统及其方法。

发明内容

有鉴于此，本申请提出了一种非接触式体温监测系统及其方法，其可以利用基于深度学习的人工智能技术对患者在多个时间点的热红外图像分别进行人体热红外温度特征提取，并挖掘出所述多个时间点的人体热红外温度特征的时域关联变化特征表示，以此来智能判断患者的温度变化情况是否正常。

根据本申请的一方面，提供了一种非接触式体温监测系统，其包括：

热红外成像模块，用于获取由红外热成像仪采集的被监控患者在预定时间段内多个预定时间点的热红外图像；

人体热红外温度全局感知模块，用于对各个预定时间点的热红外图像分别进行局部温度特征提取和全局投影融合以得到人体全局热红外温度特征向量的序列；

热红外温度时域关联编码模块，用于提取所述人体全局热红外温度特征向量的序列的热红外温度时域关联特征以得到时域关联人体全局热红外温度特征向量；

温度变化异常感知模块，用于基于所述时域关联人体全局热红外温度特征向量，确定所述被监控患者是否存在温度变化异常；

其中，所述温度变化异常感知模块，包括：

优化融合单元，用于对所述时域关联人体全局热红外温度特征向量和所述人体全局热红外温度特征向量的序列进行融合优化以得到优化后时域关联人体全局热红外温度特征向量；

分类判断单元，用于将所述优化后时域关联人体全局热红外温度特征向量通过分类器以得到分类结果，所述分类结果用于表示所述被监控患者是否存在温度变化异常；

其中，所述优化融合单元，用于：以如下融合优化公式对所述时域关联人体全局热红外温度特征向量和所述人体全局热红外温度特征向量的序列进行融合优化以得到所述优化后时域关联人体全局热红外温度特征向量；其中，所述融合优化公式为：

；

其中，是所述时域关联人体全局热红外温度特征向量，/>是所述人体全局热红外温度特征向量的序列级联得到的级联特征向量，/>和/>分别是所述时域关联人体全局热红外温度特征向量/>和所述人体全局热红外温度特征向量的序列级联得到的级联特征向量/>的第/>个特征值，/>和/>分别表示特征向量的一范数的平方和特征向量的二范数的平方根，所述时域关联人体全局热红外温度特征向量/>和所述级联特征向量/>具有相同的特征向量长度/>，且/>是权重超参数，/>表示向量的加法，/>表示向量的减法，表示数值的指数运算，所述数值的指数运算表示计算以所述数值为幂的自然指数函数值，/>是所述优化后时域关联人体全局热红外温度特征向量的第/>个特征值。

在上述的非接触式体温监测系统中，所述人体热红外温度全局感知模块，包括：

人体温度局部感知单元，用于分别提取所述各个预定时间点的热红外图像的人体局部温度特征以得到多个人体局部热红外温度特征向量的序列；

全局温度特征整合单元，用于对所述多个人体局部热红外温度特征向量的序列分别进行特征整合以得到所述人体全局热红外温度特征向量的序列。

在上述的非接触式体温监测系统中，所述人体温度局部感知单元，用于：

将所述各个预定时间点的热红外图像分别通过包含图像切分模块和ViT编码器的人体局部区域热红外温度特征提取器以得到所述多个人体局部热红外温度特征向量的序列。

在上述的非接触式体温监测系统中，所述人体温度局部感知单元，包括：

图像切分子单元，用于使用所述人体局部区域热红外温度特征提取器的图像切分模块对所述热红外图像进行分块处理以得到热红外图像块的序列；

嵌入编码子单元，用于使用所述人体局部区域热红外温度特征提取器的嵌入层分别对所述热红外图像块的序列中各个热红外图像块进行嵌入编码以得到热红外图像块嵌入向量的序列；

语义编码子单元，用于将所述热红外图像块嵌入向量的序列输入所述人体局部区域热红外温度特征提取器的ViT编码器以得到所述多个人体局部热红外温度特征向量的序列。

在上述的非接触式体温监测系统中，所述全局温度特征整合单元，用于：

使用投影层来分别整合所述多个人体局部热红外温度特征向量的序列以得到所述人体全局热红外温度特征向量的序列。

在上述的非接触式体温监测系统中，所述全局温度特征整合单元，用于：

以如下投影特征融合公式来对所述多个人体局部热红外温度特征向量的序列进行特征整合以得到所述人体全局热红外温度特征向量的序列；其中，所述投影特征融合公式为：

；

其中，到/>是所述多个人体局部热红外温度特征向量的序列中的第/>个人体局部热红外温度特征向量的序列，/>是所述人体全局热红外温度特征向量的序列，/>表示投影融合处理，/>表示级联处理。

在上述的非接触式体温监测系统中，所述热红外温度时域关联编码模块，用于：

将所述人体全局热红外温度特征向量的序列通过基于Bi-LSTM的热红外温度特征时序上下文编码器以得到所述时域关联人体全局热红外温度特征向量。

在上述的非接触式体温监测系统中，所述分类判断单元，包括：

全连接编码子单元，用于使用所述分类器的全连接层对所述优化后时域关联人体全局热红外温度特征向量进行全连接编码以得到全连接编码特征向量；

概率化子单元，用于将所述全连接编码特征向量输入所述分类器的Softmax分类函数以得到所述优化后时域关联人体全局热红外温度特征向量归属于各个分类标签的概率值，所述分类标签包括所述被监控患者的温度变化异常和所述被监控患者的温度变化正常；

分类结果确定子单元，用于将所述概率值中最大者对应的分类标签确定为所述分类结果。

根据本申请的另一方面，提供了一种非接触式体温监测方法，其包括：

获取由红外热成像仪采集的被监控患者在预定时间段内多个预定时间点的热红外图像；

对各个预定时间点的热红外图像分别进行局部温度特征提取和全局投影融合以得到人体全局热红外温度特征向量的序列；

提取所述人体全局热红外温度特征向量的序列的热红外温度时域关联特征以得到时域关联人体全局热红外温度特征向量；

基于所述时域关联人体全局热红外温度特征向量，确定所述被监控患者是否存在温度变化异常；

其中，基于所述时域关联人体全局热红外温度特征向量，确定所述被监控患者是否存在温度变化异常，包括：

对所述时域关联人体全局热红外温度特征向量和所述人体全局热红外温度特征向量的序列进行融合优化以得到优化后时域关联人体全局热红外温度特征向量；

将所述优化后时域关联人体全局热红外温度特征向量通过分类器以得到分类结果，所述分类结果用于表示所述被监控患者是否存在温度变化异常；

其中，对所述时域关联人体全局热红外温度特征向量和所述人体全局热红外温度特征向量的序列进行融合优化以得到优化后时域关联人体全局热红外温度特征向量，包括：以如下融合优化公式对所述时域关联人体全局热红外温度特征向量和所述人体全局热红外温度特征向量的序列进行融合优化以得到所述优化后时域关联人体全局热红外温度特征向量；其中，所述融合优化公式为：

；

其中，是所述时域关联人体全局热红外温度特征向量，/>是所述人体全局热红外温度特征向量的序列级联得到的级联特征向量，/>和/>分别是所述时域关联人体全局热红外温度特征向量/>和所述人体全局热红外温度特征向量的序列级联得到的级联特征向量/>的第/>个特征值，/>和/>分别表示特征向量的一范数的平方和特征向量的二范数的平方根，所述时域关联人体全局热红外温度特征向量/>和所述级联特征向量/>具有相同的特征向量长度/>，且/>是权重超参数，/>表示向量的加法，/>表示向量的减法，表示数值的指数运算，所述数值的指数运算表示计算以所述数值为幂的自然指数函数值，/>是所述优化后时域关联人体全局热红外温度特征向量的第/>个特征值。

在本申请中，其首先获取由红外热成像仪采集的被监控患者在预定时间段内多个预定时间点的热红外图像，接着，对所述各个预定时间点的热红外图像分别进行局部温度特征提取和全局投影融合以得到人体全局热红外温度特征向量的序列，然后，提取所述人体全局热红外温度特征向量的序列的热红外温度时域关联特征以得到时域关联人体全局热红外温度特征向量，最后，基于所述时域关联人体全局热红外温度特征向量，确定所述被监控患者是否存在温度变化异常。这样，可以实现对患者温度变化的实时监测和异常检测，有助于及时发现患者的异常情况。

附图说明

包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本申请的示例性实施例、特征和方面，并且用于解释本申请的原理。

图1示出根据本申请的实施例的非接触式体温监测系统的框图。

图2示出根据本申请的实施例的非接触式体温监测方法的流程图。

图3示出根据本申请的实施例的非接触式体温监测方法的架构示意图。

图4示出根据本申请的实施例的非接触式体温监测系统的应用场景图。

具体实施方式

下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例。基于本申请实施例，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，也属于本申请保护的范围。

如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。

以下将参考附图详细说明本申请的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

另外，为了更好的说明本申请，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本申请同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本申请的主旨。

针对上述技术问题，本申请的技术构思为利用基于深度学习的人工智能技术对患者在多个时间点的热红外图像分别进行人体热红外温度特征提取，并挖掘出所述多个时间点的人体热红外温度特征的时域关联变化特征表示，以此来智能判断患者的温度变化情况是否正常。这样，可以实现对患者温度变化的实时监测和异常检测，有助于及时发现患者的异常情况，提供早期干预和治疗的机会。

基于此，图1示出根据本申请的实施例的非接触式体温监测系统的框图示意图。如图1所示，根据本申请实施例的非接触式体温监测系统100，包括：热红外成像模块110，用于获取由红外热成像仪采集的被监控患者在预定时间段内多个预定时间点的热红外图像；人体热红外温度全局感知模块120，用于对所述各个预定时间点的热红外图像分别进行局部温度特征提取和全局投影融合以得到人体全局热红外温度特征向量的序列；热红外温度时域关联编码模块130，用于提取所述人体全局热红外温度特征向量的序列的热红外温度时域关联特征以得到时域关联人体全局热红外温度特征向量；以及，温度变化异常感知模块140，用于基于所述时域关联人体全局热红外温度特征向量，确定所述被监控患者是否存在温度变化异常。

应可以理解，热红外成像模块110的作用是通过红外热成像技术获取患者体表的热红外图像，这些图像可以反映患者体表的温度分布情况。人体热红外温度全局感知模块120的作用是对每个时间点的热红外图像进行分析，提取出图像中人体的局部温度特征，并将这些局部特征整合为全局特征向量序列，这可以帮助了解患者体表温度的整体变化趋势。热红外温度时域关联编码模块130的作用是对全局热红外温度特征向量序列进行时域关联分析，提取出特征向量之间的关联关系，这可以帮助捕捉到患者体表温度变化的动态特征。温度变化异常感知模块140的作用是对时域关联特征进行分析和比较，以检测患者体表温度的异常变化情况，通过设定合适的阈值或使用机器学习算法，可以判断患者体温是否超出正常范围，从而提供温度变化异常的感知和警报。综合来说，非接触式体温监测系统中的各个模块分别用于获取热红外图像、提取局部和全局温度特征、分析时域关联特征以及检测温度变化异常，这些模块的协作可以实现对患者体表温度变化的监测和异常检测。

具体地，在本申请的技术方案中，首先，获取由红外热成像仪采集的被监控患者在预定时间段内多个预定时间点的热红外图像。应可以理解，红外热成像仪通过红外辐射接收器接收患者发出的红外辐射信号，并将其转换为温度图像数据，在温度监测过程中不会对患者造成任何不适或干扰，可以在不接触患者的情况下进行温度监测，避免了传统接触式温度测量方法可能引入的交叉感染风险。通过获取由红外热成像仪采集的被监控患者在预定时间段内多个预定时间点的热红外图像，可以对患者的温度进行连续的监测，将患者的温度变化情况纳入考虑范围，进而挖掘出患者体温在这些时间点之间的温度变化情况，反映患者体温的变化趋势，例如温度的上升或下降速度、温度的稳定性等，以便更全面地了解患者的体温状态，进而判断患者的体温变化是否正常。

接着，考虑到人体的不同部位可能具有不同的温度，为了捕捉患者不同部位的温度信息，进一步将所述各个预定时间点的热红外图像通过包含图像切分模块和ViT编码器的人体局部区域热红外温度特征提取器以得到多个人体局部热红外温度特征向量的序列。也就是，将所述热红外图像切分成不同的局部区域，并利用ViT编码器分别提取各个局部区域的温度特征。本领域普通技术人员应知晓，ViT（Vision Transformer）编码器是一种基于Transformer架构的图像编码器。ViT编码器的设计思想是将图像看作是一个由像素组成的序列，类似于自然语言中的句子，利用Transformer架构对图块元素进行上下文编码。在本申请的技术方案中，首先将所述热红外图像切分成多个固定大小的图像块，将图像块作为ViT编码器的输入序列的元素，通过一系列Transformer层来对图像块输入序列进行上下文编码。在ViT编码器中，每个输入序列元素（即图像块）首先通过一个线性嵌入层进行维度转换，然后添加位置编码，以保留图像中的空间位置信息。接下来，利用自注意力机制（self-attention）对图像块嵌入向量的序列进行上下文建模，以捕捉到不同部位之间的温度关联性，提取出具有表征性的热红外图像局部区域温度特征表示，即所述人体局部热红外温度特征向量的序列。

然后，为了将人体的局部温度特征整合为全局特征表示，进一步使用投影层来分别整合所述各个人体局部热红外温度特征向量的序列以得到人体全局热红外温度特征向量的序列。应可以理解，所述人体局部热红外温度特征向量反映了单个时间点的人体局部区域温度特征。然而，仅仅依靠所述人体局部热红外温度特征向量无法完整地描述人体的整体温度状态。为了获得人体的整体温度特征表示，进一步使用投影层对所述人体局部热红外温度特征向量的序列进行整合，以形成人体全局热红外温度特征向量。这里，通过投影层的线性变换，可以将人体局部热红外温度特征向量的序列映射到一个共享的全局特征空间中，对每个人体局部热红外温度特征向量的维度进行统一，以实现特征的交互融合，并捕捉到人体局部热红外温度特征之间的关联性，获得人体的全局热红外温度特征表示，从而更全面地理解患者的体温状态。

相应地，所述人体热红外温度全局感知模块120，包括：人体温度局部感知单元，用于分别提取所述各个预定时间点的热红外图像的人体局部温度特征以得到多个人体局部热红外温度特征向量的序列；以及，全局温度特征整合单元，用于对所述多个人体局部热红外温度特征向量的序列分别进行特征整合以得到所述人体全局热红外温度特征向量的序列。

应可以理解，人体热红外温度全局感知模块120包括人体温度局部感知单元和全局温度特征整合单元两个单元。人体温度局部感知单元用于分别提取所述各个预定时间点的热红外图像的人体局部温度特征，它的作用是对每个时间点的热红外图像进行分析，提取出图像中人体的局部温度信息。这可以通过分析图像中不同区域的像素值或温度分布来实现，例如，可以检测人体的额头、颧骨、嘴唇等区域的温度，并将其转化为特征向量的形式。全局温度特征整合单元用于对所述多个人体局部热红外温度特征向量的序列进行特征整合，它的作用是将不同时间点的局部温度特征向量进行整合，得到一个表示整体人体温度特征的序列。这可以通过对局部特征向量进行加权、平均或其他统计分析来实现，整合后的特征向量可以更全面地描述人体的整体温度变化情况，为后续的温度变化异常检测提供基础。综合来说，人体热红外温度全局感知模块120中的人体温度局部感知单元用于提取局部温度特征，全局温度特征整合单元用于将局部特征整合为全局特征，这两个单元的协作可以提供对人体温度变化的全局感知和分析。

其中，在一个示例中，所述人体温度局部感知单元，用于：将所述各个预定时间点的热红外图像分别通过包含图像切分模块和ViT编码器的人体局部区域热红外温度特征提取器以得到所述多个人体局部热红外温度特征向量的序列。具体地，所述人体温度局部感知单元，包括：图像切分子单元，用于使用所述人体局部区域热红外温度特征提取器的图像切分模块对所述热红外图像进行分块处理以得到热红外图像块的序列；嵌入编码子单元，用于使用所述人体局部区域热红外温度特征提取器的嵌入层分别对所述热红外图像块的序列中各个热红外图像块进行嵌入编码以得到热红外图像块嵌入向量的序列；以及，语义编码子单元，用于将所述热红外图像块嵌入向量的序列输入所述人体局部区域热红外温度特征提取器的ViT编码器以得到所述多个人体局部热红外温度特征向量的序列。这里，应可以理解，在所述嵌入编码子单元中，各个预定时间点的热红外图像都需要经过所述人体局部区域热红外温度特征提取器的嵌入层进行嵌入编码处理。

在一个示例中，所述全局温度特征整合单元，用于：使用投影层来分别整合所述多个人体局部热红外温度特征向量的序列以得到所述人体全局热红外温度特征向量的序列。具体地，所述全局温度特征整合单元，用于：以如下投影特征融合公式来对所述多个人体局部热红外温度特征向量的序列进行特征整合以得到所述人体全局热红外温度特征向量的序列；其中，所述投影特征融合公式为：

；

其中，到/>是所述多个人体局部热红外温度特征向量的序列中的第/>个人体局部热红外温度特征向量的序列，/>是所述人体全局热红外温度特征向量的序列，/>表示投影融合处理，/>表示级联处理。

其次，考虑到人体的温度变化是一个动态的过程，具有一定的时序关联性，因此，为了获取患者体温在时域上的关联变化信息，将所述人体全局热红外温度特征向量的序列通过基于Bi-LSTM的热红外温度特征时序上下文编码器以得到时域关联人体全局热红外温度特征向量。本领域普通技术人员应知晓，Bi-LSTM（双向长短时记忆网络）是一种适用于时序数据建模的循环神经网络，其具有两个方向的LSTM（Long Short-Term Memory）单元，分别从前向和后向处理输入序列，可以同时捕捉到过去时间步和未来时间步的上下文信息。其中，LSTM是一种常用的循环神经网络，专门设计用于解决长期依赖问题。在传统的循环神经网络（RNN）中，由于梯度消失或梯度爆炸的问题，很难有效地处理长期依赖关系。而LSTM通过引入门控机制，可以更好地控制和更新记忆状态，从而有效地捕捉长期依赖关系。在本申请的技术方案中，通过基于Bi-LSTM的热红外温度特征时序上下文编码器在时序上对所述人体全局热红外温度特征向量的序列进行建模，能够捕捉到人体全局温度变化的时序关联性，进一步增强体温监测方案的准确性和可靠性。具体而言，所述人体全局热红外温度特征向量的序列首先通过前向LSTM进行处理，再通过反向LSTM进行处理，然后将前向和反向的隐藏状态连接起来，以同时考虑过去和未来的上下文信息，从而捕捉到患者温度的时序变化趋势和模式，进而更好地理解患者的体温状态。

相应地，所述热红外温度时域关联编码模块130，用于：将所述人体全局热红外温度特征向量的序列通过基于Bi-LSTM的热红外温度特征时序上下文编码器以得到所述时域关联人体全局热红外温度特征向量。

然后，将所述时域关联人体全局热红外温度特征向量通过分类器以得到分类结果，所述分类结果用于表示被监控患者是否存在温度变化异常。应可以理解，分类器是一种机器学习模型，可以根据输入样本的特征信息将样本分为不同的类别。在本申请的技术方案中，分类器被用于将患者的温度变化归类为正常或异常。首先，需要使用一组已知标记的样本对分类器进行训练，其中，训练样本包括正常和异常的温度变化情况。通过训练过程，分类器可以学习到正常样本和异常样本之间的特征模式和差异。当新的样本数据被输入到分类器中时，它会根据学习到的模式和差异进行判断，并给出相应的分类结果。也就是说，将所述时域关联人体全局热红外温度特征向量输入到训练完成的分类器中，分类器能够利用学习到的温度变化特征与不同标签之间的关联规律，对所述时域关联人体全局热红外温度特征向量进行分类判断，输出一个二分类结果，即“被监控患者的温度变化异常”或“被监控患者的温度变化正常”。如果分类结果表明患者的温度变化异常，则可以触发相应的警报或采取进一步的措施。这样，可以实现对患者温度变化的实时监测和异常检测，有助于及时发现患者的异常情况，提供早期干预和治疗的机会，从而提高患者的安全性和健康管理水平。

相应地，所述温度变化异常感知模块140，包括：优化融合单元，用于对所述时域关联人体全局热红外温度特征向量和所述人体全局热红外温度特征向量的序列进行融合优化以得到优化后时域关联人体全局热红外温度特征向量；以及，分类判断单元，用于将所述优化后时域关联人体全局热红外温度特征向量通过分类器以得到分类结果，所述分类结果用于表示所述被监控患者是否存在温度变化异常。

应可以理解，优化融合单元用于对时域关联人体全局热红外温度特征向量和人体全局热红外温度特征向量的序列进行融合优化，它的作用是通过对时域关联特征和全局特征进行融合优化，提高特征的表达能力和区分度，这可以通过使用融合算法（例如加权平均、特征选择、特征降维等）来实现，以获得更具有代表性和区分性的特征向量。分类判断单元的作用是将优化后的特征向量输入到分类器中，通过训练好的模型或规则判断患者体温是否异常。分类器可以是传统的机器学习算法（如支持向量机、随机森林等）或深度学习模型（如神经网络），用于学习和判断温度变化异常的模式。综合来说，温度变化异常感知模块中的优化融合单元用于对时域关联和全局特征进行融合优化，得到更好的特征表示，分类判断单元则将优化后的特征向量输入分类器，通过分类结果来表示被监控患者是否存在温度变化异常，这两个单元的协作可以实现对温度变化异常的判断和检测。

在本申请的技术方案中，所述人体局部热红外温度特征向量的序列中的每个人体局部热红外温度特征向量表达所述热红外图像在全局图像语义空间域经由图像切分确定的局部图像语义空间域下的局部空间域源图像语义上下文关联的图像语义特征，而使用投影层来分别整合所述各个人体局部热红外温度特征向量的序列以得到人体全局热红外温度特征向量的序列，并将所述人体全局热红外温度特征向量的序列通过基于Bi-LSTM的热红外温度特征时序上下文编码器以得到时域关联人体全局热红外温度特征向量后，所述时域关联人体全局热红外温度特征向量进一步表达基于局部时域间的图像语义特征分布的图像语义特征上下文关联的全局时域关联图像语义特征，因此，为了提升所述时域关联人体全局热红外温度特征向量的表达效果，考虑融合所述人体全局热红外温度特征向量的序列的局部时域内全局-局部图像语义空间域图像语义特征表示来优化所述全时域环境模式特征向量。

但是，考虑到所述时域关联人体全局热红外温度特征向量相对于所述人体全局热红外温度特征向量的序列具有全局-局部时序关联计算维度下的变化性，为了提升所述时域关联人体全局热红外温度特征向量和所述人体全局热红外温度特征向量的序列在基于分类器的类别判定下的融合效果，本申请的申请人优选地对所述时域关联人体全局热红外温度特征向量和所述人体全局热红外温度特征向量的序列进行融合优化。

相应地，在一个示例中，所述优化融合单元，进一步用于：以如下融合优化公式对所述时域关联人体全局热红外温度特征向量和所述人体全局热红外温度特征向量的序列进行融合优化以得到所述优化后时域关联人体全局热红外温度特征向量；其中，所述融合优化公式为：

；

其中，是所述时域关联人体全局热红外温度特征向量，/>是所述人体全局热红外温度特征向量的序列级联得到的级联特征向量，/>和/>分别是所述时域关联人体全局热红外温度特征向量/>和所述人体全局热红外温度特征向量的序列级联得到的级联特征向量/>的第/>个特征值，/>和/>分别表示特征向量的一范数的平方和特征向量的二范数的平方根，所述时域关联人体全局热红外温度特征向量/>和所述级联特征向量/>具有相同的特征向量长度/>，且/>是权重超参数，/>表示向量的加法，/>表示向量的减法，表示数值的指数运算，所述数值的指数运算表示计算以所述数值为幂的自然指数函数值，/>是所述优化后时域关联人体全局热红外温度特征向量的第/>个特征值。

这里，上述优化融合基于特征值粒度下的对应性来将所述时域关联人体全局热红外温度特征向量和所述人体全局热红外温度特征向量的序列的序列化融合表示进行基于向量尺度的前景流形和背景流形的划分，以在特征对应通道超流形体聚合机制下堆叠所述时域关联人体全局热红外温度特征向量和所述人体全局热红外温度特征向量的序列的动态的特征值通道化关联，从而标记所述时域关联人体全局热红外温度特征向量和所述人体全局热红外温度特征向量的序列间的变化的特征语义信息，实现根据所述时域关联人体全局热红外温度特征向量和所述人体全局热红外温度特征向量的序列间的语义内容在不同计算维度下的变化性的类全连接式堆叠融合，以提升所述时域关联人体全局热红外温度特征向量和所述人体全局热红外温度特征向量的序列的融合效果，从而改进所述时域关联人体全局热红外温度特征向量的表达效果，以提升其通过分类器得到的分类结果的准确性。

进一步地，所述分类判断单元，包括：全连接编码子单元，用于使用所述分类器的全连接层对所述优化后时域关联人体全局热红外温度特征向量进行全连接编码以得到全连接编码特征向量；概率化子单元，用于将所述全连接编码特征向量输入所述分类器的Softmax分类函数以得到所述优化后时域关联人体全局热红外温度特征向量归属于各个分类标签的概率值，所述分类标签包括所述被监控患者的温度变化异常和所述被监控患者的温度变化正常；以及，分类结果确定子单元，用于将所述概率值中最大者对应的分类标签确定为所述分类结果。

综上，基于本申请实施例的非接触式体温监测系统100被阐明，其可以实现对患者温度变化的实时监测和异常检测，有助于及时发现患者的异常情况。

如上所述，根据本申请实施例的所述非接触式体温监测系统100可以实现在各种终端设备中，例如具有非接触式体温监测算法的服务器等。在一个示例中，非接触式体温监测系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该非接触式体温监测系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该非接触式体温监测系统100同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该非接触式体温监测系统100与该终端设备也可以是分立的设备，并且该非接触式体温监测系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

图2示出根据本申请的实施例的非接触式体温监测方法的流程图。图3示出根据本申请的实施例的非接触式体温监测方法的系统架构的示意图。如图2和图3所示，根据本申请实施例的非接触式体温监测方法，其包括：S110，获取由红外热成像仪采集的被监控患者在预定时间段内多个预定时间点的热红外图像；S120，对所述各个预定时间点的热红外图像分别进行局部温度特征提取和全局投影融合以得到人体全局热红外温度特征向量的序列；S130，提取所述人体全局热红外温度特征向量的序列的热红外温度时域关联特征以得到时域关联人体全局热红外温度特征向量；以及，S140，基于所述时域关联人体全局热红外温度特征向量，确定所述被监控患者是否存在温度变化异常。

这里，本领域技术人员可以理解，上述非接触式体温监测方法中的各个步骤的具体操作已经在上面参考图1的非接触式体温监测系统的描述中得到了详细介绍，并因此，将省略其重复描述。

图4示出根据本申请的实施例的非接触式体温监测系统的应用场景图。如图4所示，在该应用场景中，首先，获取由红外热成像仪采集的被监控患者在预定时间段内多个预定时间点的热红外图像（例如，图4中所示意的D），然后，将所述各个预定时间点的热红外图像输入至部署有非接触式体温监测算法的服务器（例如，图4中所示意的S）中，其中，所述服务器能够使用所述非接触式体温监测算法对所述各个预定时间点的热红外图像进行处理以得到用于表示所述被监控患者是否存在温度变化异常的分类结果。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器，上述计算机程序指令可由装置的处理组件执行以完成上述方法。

本申请可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本申请的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

附图中的流程图和框图显示了根据本申请的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。在有些作为替换的实现中，方框中所标注的功能也可以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。

以上已经描述了本申请的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (9)

1.一种非接触式体温监测系统，其特征在于，包括：

热红外成像模块，用于获取由红外热成像仪采集的被监控患者在预定时间段内多个预定时间点的热红外图像；

人体热红外温度全局感知模块，用于对各个预定时间点的热红外图像分别进行局部温度特征提取和全局投影融合以得到人体全局热红外温度特征向量的序列；

热红外温度时域关联编码模块，用于提取所述人体全局热红外温度特征向量的序列的热红外温度时域关联特征以得到时域关联人体全局热红外温度特征向量；

温度变化异常感知模块，用于基于所述时域关联人体全局热红外温度特征向量，确定所述被监控患者是否存在温度变化异常；

其中，所述温度变化异常感知模块，包括：

优化融合单元，用于对所述时域关联人体全局热红外温度特征向量和所述人体全局热红外温度特征向量的序列进行融合优化以得到优化后时域关联人体全局热红外温度特征向量；

分类判断单元，用于将所述优化后时域关联人体全局热红外温度特征向量通过分类器以得到分类结果，所述分类结果用于表示所述被监控患者是否存在温度变化异常；

其中，所述优化融合单元，用于：以如下融合优化公式对所述时域关联人体全局热红外温度特征向量和所述人体全局热红外温度特征向量的序列进行融合优化以得到所述优化后时域关联人体全局热红外温度特征向量；其中，所述融合优化公式为：

；

其中，是所述时域关联人体全局热红外温度特征向量，/>是所述人体全局热红外温度特征向量的序列级联得到的级联特征向量，/>和/>分别是所述时域关联人体全局热红外温度特征向量/>和所述人体全局热红外温度特征向量的序列级联得到的级联特征向量的第/>个特征值，/>和/>分别表示特征向量的一范数的平方和特征向量的二范数的平方根，所述时域关联人体全局热红外温度特征向量/>和所述级联特征向量/>具有相同的特征向量长度/>，且/>是权重超参数，/>表示向量的加法，/>表示向量的减法，/>表示数值的指数运算，所述数值的指数运算表示计算以所述数值为幂的自然指数函数值，是所述优化后时域关联人体全局热红外温度特征向量的第/>个特征值。

2.根据权利要求1所述的非接触式体温监测系统，其特征在于，所述人体热红外温度全局感知模块，包括：

人体温度局部感知单元，用于分别提取所述各个预定时间点的热红外图像的人体局部温度特征以得到多个人体局部热红外温度特征向量的序列；

全局温度特征整合单元，用于对所述多个人体局部热红外温度特征向量的序列分别进行特征整合以得到所述人体全局热红外温度特征向量的序列。

3.根据权利要求2所述的非接触式体温监测系统，其特征在于，所述人体温度局部感知单元，用于：

将所述各个预定时间点的热红外图像分别通过包含图像切分模块和ViT编码器的人体局部区域热红外温度特征提取器以得到所述多个人体局部热红外温度特征向量的序列。

4.根据权利要求3所述的非接触式体温监测系统，其特征在于，所述人体温度局部感知单元，包括：

图像切分子单元，用于使用所述人体局部区域热红外温度特征提取器的图像切分模块对所述热红外图像进行分块处理以得到热红外图像块的序列；

嵌入编码子单元，用于使用所述人体局部区域热红外温度特征提取器的嵌入层分别对所述热红外图像块的序列中各个热红外图像块进行嵌入编码以得到热红外图像块嵌入向量的序列；

语义编码子单元，用于将所述热红外图像块嵌入向量的序列输入所述人体局部区域热红外温度特征提取器的ViT编码器以得到所述多个人体局部热红外温度特征向量的序列。

5.根据权利要求4所述的非接触式体温监测系统，其特征在于，所述全局温度特征整合单元，用于：

使用投影层来分别整合所述多个人体局部热红外温度特征向量的序列以得到所述人体全局热红外温度特征向量的序列。

6.根据权利要求5所述的非接触式体温监测系统，其特征在于，所述全局温度特征整合单元，用于：

以如下投影特征融合公式来对所述多个人体局部热红外温度特征向量的序列进行特征整合以得到所述人体全局热红外温度特征向量的序列；其中，所述投影特征融合公式为：

；

其中，到/>是所述多个人体局部热红外温度特征向量的序列中的第/>个人体局部热红外温度特征向量的序列，/>是所述人体全局热红外温度特征向量的序列，/>表示投影融合处理，/>表示级联处理。

7.根据权利要求6所述的非接触式体温监测系统，其特征在于，所述热红外温度时域关联编码模块，用于：

将所述人体全局热红外温度特征向量的序列通过基于Bi-LSTM的热红外温度特征时序上下文编码器以得到所述时域关联人体全局热红外温度特征向量。

8.根据权利要求7所述的非接触式体温监测系统，其特征在于，所述分类判断单元，包括：

全连接编码子单元，用于使用所述分类器的全连接层对所述优化后时域关联人体全局热红外温度特征向量进行全连接编码以得到全连接编码特征向量；

概率化子单元，用于将所述全连接编码特征向量输入所述分类器的Softmax分类函数以得到所述优化后时域关联人体全局热红外温度特征向量归属于各个分类标签的概率值，所述分类标签包括所述被监控患者的温度变化异常和所述被监控患者的温度变化正常；

分类结果确定子单元，用于将所述概率值中最大者对应的分类标签确定为所述分类结果。

9.一种非接触式体温监测方法，其特征在于，包括：

获取由红外热成像仪采集的被监控患者在预定时间段内多个预定时间点的热红外图像；

对各个预定时间点的热红外图像分别进行局部温度特征提取和全局投影融合以得到人体全局热红外温度特征向量的序列；

提取所述人体全局热红外温度特征向量的序列的热红外温度时域关联特征以得到时域关联人体全局热红外温度特征向量；

基于所述时域关联人体全局热红外温度特征向量，确定所述被监控患者是否存在温度变化异常；

其中，基于所述时域关联人体全局热红外温度特征向量，确定所述被监控患者是否存在温度变化异常，包括：

对所述时域关联人体全局热红外温度特征向量和所述人体全局热红外温度特征向量的序列进行融合优化以得到优化后时域关联人体全局热红外温度特征向量；

将所述优化后时域关联人体全局热红外温度特征向量通过分类器以得到分类结果，所述分类结果用于表示所述被监控患者是否存在温度变化异常；

其中，对所述时域关联人体全局热红外温度特征向量和所述人体全局热红外温度特征向量的序列进行融合优化以得到优化后时域关联人体全局热红外温度特征向量，包括：以如下融合优化公式对所述时域关联人体全局热红外温度特征向量和所述人体全局热红外温度特征向量的序列进行融合优化以得到所述优化后时域关联人体全局热红外温度特征向量；其中，所述融合优化公式为：

；

其中，是所述时域关联人体全局热红外温度特征向量，/>是所述人体全局热红外温度特征向量的序列级联得到的级联特征向量，/>和/>分别是所述时域关联人体全局热红外温度特征向量/>和所述人体全局热红外温度特征向量的序列级联得到的级联特征向量的第/>个特征值，/>和/>分别表示特征向量的一范数的平方和特征向量的二范数的平方根，所述时域关联人体全局热红外温度特征向量/>和所述级联特征向量/>具有相同的特征向量长度/>，且/>是权重超参数，/>表示向量的加法，/>表示向量的减法，/>表示数值的指数运算，所述数值的指数运算表示计算以所述数值为幂的自然指数函数值，是所述优化后时域关联人体全局热红外温度特征向量的第/>个特征值。