KR20220163998A - 열 이미징 시스템 및 방법에서의 비접촉 온도 측정 - Google Patents

Abstract

본 발명의 시스템 및 방법은 장면의 적외선 이미지를 캡처하도록 구성된 이미지 캡처 구성요소, 및 이미지에서 표적을 식별하고, 이미지를 기반으로 표적과 관련된 온도 데이터를 획득하고, 온도 데이터를 평가하고 해당하는 온도 분류를 결정하며, 이 온도 분류에 따라 상기 식별된 표적을 처리하도록 구성된 논리 장치를 포함한다. 이 논리 장치는 사람을 식별하고 이미지의 서브세트에서 그 사람을 추적하며, 신경망에 의해 식별된 표적 특징점을 기반으로 이미지의 서브세트에서 표적에 대한 측정위치를 식별하고, 하나 이상의 캡처된 열 이미지로부터의 해당 값을 사용하여 대응 위치의 온도를 측정한다. 논리 장치는 온도 데이터를 사용하여 표적의 심부 체온을 계산하여 표적이 발열 여부를 결정하고 하나 이상의 흑체를 사용하여 교정하도록 추가로 구성된다.

Description

열 이미징 시스템 및 방법에서의 비접촉 온도 측정

관련 출원에 대한 상호 참조

본 출원은 2020년 4월 6일에 출원되고 제목이 "열 이미징 시스템 및 방법에서의 비접촉 온도 측정"인 미국 임시특허출원번호 63/006,063의 이익을 주장하며, 이는 그 전체가 참고로 여기에 포함된다.

본 출원은 2020년 10월 12일에 출원되고 제목이 "열 이미징 시스템 및 방법에서의 비접촉 온도 측정"인 미국 임시특허출원번호 63/090,691의 이익을 주장하며, 이는 그 전체가 참고로 여기에 포함된다.

기술분야

본 개시내용의 하나 이상의 실시형태는 일반적으로 비접촉 온도 측정에 관한 것이며, 보다 구체적으로는, 예를 들어 건강 선별검사 응용에서 사용하기 위해 열 데이터(thermal data)를 수신하고 처리하기 위한 시스템 및 방법에 관한 것이다.

열화상 카메라는 열이 있는 개인을 식별하는 데 도움을 주기 위해 사람들의 표면 온도를 측정하는 데 사용될 수 있다. 열화상 카메라는 통제된 특정 환경에서 적절하게 작동하지만, 공공장소, 혼잡한 환경, 및 사람들이 자유롭게 움직이는 기타 환경에서 비접촉 열 측정 시스템을 배치할 때 문제에 직면한다. 개인을 잘못 식별하거나(위양성) 감염된 개인을 누락(위음성)하지 않기 위해 실시간 처리, 변하는 환경에의 적응, 및 정확한 결정이 중요한 대유행 중에 열이 있는 개인을 식별하는 것과 같은 중요한 응용에서 추가적인 문제가 발생한다.

예를 들어, 열화상 카메라를 사용한 개인 선별검사는 병목 현상을 일으켜 사람들의 이동을 지연시키고 대기 중인 사람들을 서로 더 가깝게 위치시킬 수 있다. 이러한 병목 현상은 공항 및 기차역과 같이 통행량이 많은 지역에서 감염 전파 위험을 증가시킬 수 있다. 어떤 상황에서는, 예를 들면 직장(사무실, 제조 현장), 교실, 대중교통, 법정, 또는 한 집단의 사람들이 전염병/대유행(예를 들면 계절성 독감)에 감염 또는 재발할 수 있는 기타 장소에서 사람들을 그룹으로 또는 집단으로 모니터링하는 것이 바람직하다.

전술한 내용을 고려하면, 비접촉 온도 측정을 위한 개선된 시스템 및 방법이 당업계에 계속 필요하다.

비접촉 온도 측정을 위한 개선된 시스템 및 방법이 본 명세서에서 설명된다. 본 개시내용의 범위는 참조에 의해 이 섹션에 통합되는 특허청구범위에 의해 정해진다. 본 개시내용의 실시형태에 대한 더 완전한 이해와 추가적인 이점의 실현은 하나 이상의 실시형태에 대한 다음의 상세한 설명을 고려함으로써 당해 기술분야의 통상의 기술자에게 제공될 수 있을 것이다. 우선 간략하게 설명될 첨부된 도면들을 참조할 것이다.

도 1a는 본 개시내용의 하나 이상의 실시형태에 따라, 체크포인트에 배치되어 체온이 상승한 사람을 식별하도록 구성된 예시적인 열 이미징 시스템을 도시한다.
도 1b는 본 개시내용의 하나 이상의 실시형태에 따라, 예시적인 열 이미징 시스템을 도시한다.
도 1c는 본 개시내용의 하나 이상의 실시형태에 따라, 열 이미징 시스템의 예시적인 동작을 도시한다.
도 1d는 하나 이상의 실시형태에 따라, 위양성 및 위음성을 피하기 위한 증분(delta) 고려사항을 도시한다.
도 2a는 본 개시내용의 하나 이상의 실시형태에 따라, 예시적인 열 이미징 모니터링 시스템을 도시한다.
도 2b는 본 개시내용의 하나 이상의 실시형태에 따라, 예시적인 열화상 카메라 폼 팩터 및 예시적인 구현을 예시한다.
도 2c는 본 개시내용의 하나 이상의 실시형태에 따라, 예시적인 열화상 카메라 구현을 도시한다.
도 3a는 본 개시내용의 하나 이상의 실시형태에 따라, 예시적인 바이러스 검출 시스템 및 네트워크를 도시한다.
도 3b는 본 개시내용의 하나 이상의 실시형태에 따라, 원격 바이러스 검출 시스템의 예를 도시한다.
도 3c는 본 개시내용의 하나 이상의 실시형태에 따라, 예시적인 바이러스 검출 훈련 프로세스를 예시한다.
도 3d는 본 개시내용의 하나 이상의 실시형태에 따라, 예시적인 바이러스 검출 인증 프로세스를 예시한다.
도 3e는 본 개시내용의 하나 이상의 실시형태에 따라, 주석이 달린 훈련 이미지를 도시한다.
도 3f는 본 개시내용의 하나 이상의 실시형태에 따라, 훈련 데이터세트를 위한 예시적인 얼굴 자세 및 주석이 달린 속성을 도시한다.
도 3g 내지 3l은 본 개시내용의 하나 이상의 실시형태에 따라, 훈련 데이터세트에서의 예시적인 거리 변동을 예시한다.
도 3m은 하나 이상의 실시형태에 따라, 대상의 상승한 온도를 검출하기 위한 예시적인 프로세스를 도시한다.
도 4는 본 개시내용의 하나 이상의 실시형태에 따라, 장면 정보를 흑체로서 사용하는 예시적인 프로세스를 도시하는 흐름도이다.
도 5a는 본 개시내용의 하나 이상의 실시형태에 따라, 도 4의 프로세스에서 사용될 수 있는 예시적인 흑체 데칼(decal)을 예시한다.
도 5b는 본 개시내용의 하나 이상의 실시형태에 따라, 예시적인 수동 흑체 및 원격측정 시스템을 도시한다.
도 6은 본 개시내용의 하나 이상의 실시형태에 따라, 사람 얼굴 위의 픽셀을 식별하기 위한 예시적인 프로세스를 예시하는 흐름도이다.
도 7은 하나 이상의 실시형태에 따라, 시간 경과에 따른 온도 측정치를 예시하는 차트이다.
도 8은 본 개시내용의 하나 이상의 실시형태에 따라, 드리프트 모니터링(drift monitoring)을 포함하는 예시적인 입체 열 시스템을 도시한다.
도 9는 본 개시내용의 하나 이상의 실시형태에 따라, 예시적인 공항 밀리미터파 스캐너를 도시한다.
도 10a는 본 개시내용의 하나 이상의 실시형태에 따라, 예시적인 샘플링 인터페이스를 도시한다.
도 10b는 본 개시내용의 하나 이상의 실시형태에 따라, 체온 상승 스캐닝을 위한 예시적인 방법을 도시한다.
도 10c는 본 개시내용의 하나 이상의 실시형태에 따라, 도 10a의 방법을 사용하는 예시적인 이미지를 도시한다.
도 11은 하나 이상의 실시형태에 따라, 체온 상승 검출 시스템에서 경보 임계값에 결합된 등온선을 사용하는 예시적인 방법을 도시한다.
도 12a 및 12b는 하나 이상의 실시형태에 따라, 측정 정확도를 증가시키기 위해 온도 오프셋을 사용하는 예시적인 접근법을 도시한다.
본 개시내용의 실시형태 및 이들의 이점은 다음의 상세한 설명을 참조함으로써 가장 잘 이해된다. 하나 이상의 도면에 예시된 유사한 요소를 식별하기 위해 유사한 참조 번호가 사용됨을 이해해야 한다.

본 개시는 다양한 실시형태에서 비접촉 온도 측정을 위한 개선된 시스템 및 방법을 설명한다. 여기에 공개된 다양한 시스템 및 방법은 개인 선별검사를 위한 열화상 카메라(예: 핸드헬드(handheld) 열화상 카메라, 고정된 위치의 열화상 카메라 등), 군중과 통행량이 많은 지역을 포함하는 다양한 환경에서 사람들의 실시간 선별검사를 제공하기 위해 배치된 시스템, 그리고 상승한 피부 또는 신체 온도를 검출하기 위한 기타 온도 측정 시스템과 함께 사용될 수 있다.

본 개시내용은 처리 및 정확성을 개선하고, 전염병 또는 대유행 동안 감염성 질병을 가진 사람들을 모니터링 및 통제하는 것과 같은 중요한 시나리오를 위해 사용될 수 있다(예를 들면, COVID-19와 같은 코로나바이러스의 세계적 발병 동안 바이러스 확산을 모니터링함). 감염성 질병의 확산을 검출, 추적 및 억제하는 것은 종종 정부와 의료 전문가가 바이러스 확산을 늦추고 억제하는 데 도움이 되는 우선사항이다. 본 명세서에 개시된 일부 실시형태에서, 열 이미징 시스템(thermal imaging system)은 열이 있는 개인을 검출하기 위한 신속한 선별검사를 제공하기 위해 통행량이 많은 장소에 배치될 수 있다. 열 이미지 및/또는 기타 데이터는 군중 속의 사람들을 검출, 태그 부여 및 추적하고, 사람의 머리 위치를 식별하고, 얼굴 특징부(예: 사람의 이마)를 식별하고, 사람 이마, 눈의 코너 또는 기타 원하는 위치의 온도 측정치를 얻기 위해 기계 학습을 통해 분석된다. 일부 실시형태에서, 추적되는 사람의 특정 온도 측정 위치를 겨냥하기 위해 줌 광학계(zoom optics)가 사용된다.

바이러스/감염 모니터링을 위한 열 이미징

다양한 실시형태에서, 감시 및 보안 조치의 증가는 물론 모니터링 및 대응 자산의 우선순위 지정을 지원하기 위해 대규모 군중 내에서 열이 있는 개인을 신속하게 식별하는 데 활용될 수 있는 열 이미징 처리기술이 설명된다. 이 기술은 정부, 의료서비스 제공자, 공공/민간 기업, 개인 및/또는 기타 단체에서 여러 임무 영역에 걸쳐 강화된 상황 인식을 제공하는 데 사용될 수 있다. 일부 실시형태에서, 열 이미징 장치는 군중의 온도를 자율적으로 측정하는 것을 가능하게 하는 기계 학습 시스템을 사용하여 분석되는 파노라마 고해상도 열 이미지를 캡처하도록 구성된다. 상기 열 이미징 장치는, 상승한 체온을 가질 수도 있는 개인을 신속하게 식별함으로써 예를 들어 그 개인을 군중으로부터 격리하고 및/또는 그 개인이 군중 속에 들어가는 것을 방지하고 후속 진단 선별검사를 위해 그 개인을 우선처리하도록 구성될 수 있다.

여기에 공개된 실시형태들은 COVID-19와 같은 질병의 잠재적인 공중 전파를 실시간으로 능동 추적할 수 있도록 하는 상황 인식을 개선하는 데 도움이 된다. 질병의 확산은 계절적일 수 있으며(예: 독감 시즌은 일반적으로 겨울을 포함함) 효과적인 완화 접근법, 인구 통계(demographics), 면역 및 기타 요인을 포함한 다양한 요인으로 인해 완화될 수 있다. 효과적인 백신이 승인되기 전의 재유행 가능성은 질병이 억제되는 것처럼 보일 경우라도 집단들에 막대한 취약성을 남긴다. 여기에 공개된 시스템과 방법은 백신이 완성되고 널리 배포되기 전 기간을 포함하여 질병의 재현을 신속하게 식별하고 예방하기 위해 취약한 집단들에 대한 지속적이고 추정적인 감시를 제공하는 새로운 열 이미징 플랫폼을 제공한다.

일 구현에서, 특정 관심 집단을 보호하기 위한 시스템이 설계된다. 이 시스템은 직장(예: 공장, 병원 등), 학교, 상점, 가정 및 기타 장소에 배치될 수 있다. 구내를 지속적으로 모니터링하고 특정 기준을 충족하는 사람(또는 기타 원하는 개체)의 조기 검출을 위해 열화상 카메라가 배치된다. 상기 시스템은 질병의 치료를 지원 및 보조하고 확산의 영향을 최소화하기 위해 자산의 우선순위를 지정함으로써 상황 인식을 제공하도록 구성될 수 있다.

다른 구현에서, 잠재적으로 아픈 사람들을 차단하는 조치를 취하기 위한 목적으로 진입 지점(POE: points of entry)에서 사람들을 선별검사함으로써 장소를 보호하도록 시스템이 구성된다. 이 시스템은 예를 들어 공항, 기차역 및 지하철 역, 유람선, 공연 장소(예: 경기장, 극장) 및 기타 장소와 같은 대량 통행 장소에 배치될 수 있다. 상기 시스템은 대규모 사람들의 선별검사를 자동화하는 고속 처리 시스템을 통해 잠재적인 오염을 최소화하도록 구성될 수 있다. 일부 실시형태에서, 상기 시스템은 열 이미지를 캡처하고, 사람 및 다른 관심 개체에 태그를 부여하고, 하나 이상의 장면을 통해 태그가 붙은 사람 및 개체의 위치를 추적한다.

이제 본 출원의 실시형태들이 도 1a, 1b 및 1c를 참조하여 더 상세하게 설명될 것이다. 도 1a는 열이 있음을 나타낼 수 있는 상승된 온도를 가진 사람들을 식별하기 위해 많은 군중을 감시하도록 구성된, 체크포인트에 배치된 예시적인 열 이미징 시스템을 도시한다. 열은 종종 감염의 초기 증상으로 나타나며, 바이러스에 감염되었을 수 있는 사람들을 선별검사 및/또는 격리하기 위해 많은 공항 및 기타 대중 수송 환경에서 온도 검출이 이루어지고 있다. 온도 측정은 중요한 의료 자산의 우선순위 지정을 지원하기 위해 글로벌 의료 위기에서 피상적인 선별검사 환자분류 기술에서 사용될 수 있다.

도 1a에 도시된 바와 같이, 고해상도 열화상 카메라(52)를 포함하는 시스템(50)이 수송 허브에서 승객 선별검사를 위한 선별검사 체크포인트에서 사용될 수 있다. 선별검사 체크포인트에서의 열 이미징은 열이 있을 수 있고 의료 전문가의 추가 진단 선별검사가 필요한 사람을 식별하는 데 도움이 되는 보조도구로서 사용될 수 있다. 도시된 예의 단계 1에서, 고해상도 열화상 카메라(52)를 포함하는 시스템(50)은 하나 이상의 체크포인트에서 사람들의 원격 모니터링을 제공하기 위해 배치된다. 단계 2에서, 조작자(54)는 디스플레이(56) 상의 데이터와 열 이미징 시스템(50)에 의해 결정된 상승된 온도의 식별을 본다. 선별검사 중인 사람이 열이 있는 것으로 결정되면, 단계 3에서, 그 사람은 추가 선별검사(예를 들어 의료 전문가에 의한)를 위해 두 번째 장소로 이동하도록 안내된다. 1차 체크포인트나 2차 선별검사 장소에서 상승된 온도가 검출되지 않으면 그 사람은 체크포인트를 통과할 수 있다. 그렇지 않다면, 그 사람은 건강이 좋지 않아 다른 사람을 감염시킬 위험이 있는 것으로 결정되어 체크포인트 통과가 차단될 수 있다. 일부 실시형태에서, 열화상 카메라(52)는, 예를 들면 피부 표면 온도의 차이를 선별검사함으로써, 모바일 보조 진단 도구로서 사용하기 위해 높은 온도 해상도를 갖는 핸드헬드 장치에 보안 체크포인트로서 통합된다.

도 1b를 참조하면, 하나 이상의 실시형태에 따라, 감염성 질병 모니터링에 사용될 수 있는 예시적인 열 이미징 시스템(100)이 이제 설명될 것이다. 열 이미징 시스템(100)은 장면(170)에 있는 사람의 온도를 식별, 추적 및 모니터링하기 위해 열 이미지를 캡처하고 처리하는 데 사용될 수 있다. 도시된 바와 같이, 열 이미징 시스템(100)은 그 시야에 있는 장면(170)을 이미징(imaging) 하기 위해 사용될 수 있다. 열 이미징 시스템(100)은 처리 구성요소(110), 메모리 구성요소(120), 이미지 캡처 구성요소(130), 광학 구성요소(132)(예를 들어, 카메라 구성요소(101)의 구멍(134)을 통해 전자기 방사선을 수신하고 이 전자기 방사선을 이미지 캡처 구성요소(130)에 전달하도록 구성된 하나 이상의 렌즈), 이미지 캡처 인터페이스 구성요소(136), 디스플레이 구성요소(140), 제어 구성요소(150), 통신 구성요소(152), 및 기타 감지 구성요소(142)를 포함한다.

다양한 실시형태에서, 열 이미징 시스템(100)은, 예를 들어 카메라 구성요소(101) 시야 내 장면(170)의 이미지 프레임을 캡처하기 위해 카메라 구성요소(101)를 포함하는 핸드헬드 열 이미징 장치 및/또는 고정식 열 이미징 장치로서 구현될 수 있다. 일부 실시형태에서, 카메라 구성요소(101)는 이미지 캡처 구성요소(130), 광학 구성요소(132), 및 보호 용기에 수용된 이미지 캡처 인터페이스 구성요소(136)를 포함할 수 있다. 열 이미징 시스템(100)은 장면(170)을 이미징하고 연관된 열 이미지 데이터를 제공하도록 구성된 임의의 유형의 카메라 시스템을 나타낼 수 있다. 열 이미징 시스템(100)은 다양한 유형의 고정된 위치 및 환경(예를 들어, 공항, 이벤트 장소, 사무실 건물 등)에 있는 카메라 구성요소(101)와 함께 구현될 수 있다. 일부 실시형태에서, 카메라 구성요소(101)는 장면(170)의 연속적인 이미지를 캡처하기 위해 고정된 시설에 설치될 수 있다. 일부 실시형태에서, 열 이미징 시스템(100)은 휴대용 장치를 포함할 수 있고 예를 들어 핸드헬드 장치로서 구현될 수 있고 및/또는 다른 예에서 다양한 유형의 휴대용 장치 및/또는 차량(예를 들어, 지상-기반 차량, 선박, 항공기, 우주선, 또는 기타 차량)에 결합될 수 있다.

처리 구성요소(110)는 예를 들어 마이크로프로세서, 단일-코어 프로세서, 다중-코어 프로세서, 마이크로컨트롤러, 논리 장치(예: 처리 동작들을 수행하도록 구성된 프로그램 가능 논리 장치), 디지털 신호 처리(DSP) 장치, 실행 가능한 명령어(예: 소프트웨어, 펌웨어 또는 기타 명령어)를 저장하기 위한 하나 이상의 메모리, 및/또는 명령어를 실행하여 여기에 설명된 다양한 동작들 중 임의의 것을 수행하기 위한 처리 장치 및/또는 메모리의 임의의 다른 적절한 조합을 포함할 수 있다. 처리 구성요소(110)는 여기서 설명되는 방법 및 처리 단계들을 수행하기 위해 구성요소들(101, 102, 120, 140, 142, 150, 152)과 인터페이스하고 통신하도록 구성된다. 처리 구성요소(110)는 또한, 이미지 처리 모듈(180), 사람 추적 모듈(182), 및 온도 분석 모듈(184)을 통해, 이미지 캡처 구성요소(130)에 의해 캡처된 이미지 내 개체를 검출 및 분류하도록 구성된다.

처리 동작들 및/또는 명령들은 처리 구성요소(110)의 일부로서 소프트웨어 및/또는 하드웨어에, 또는 메모리 구성요소(120)에 저장될 수 있는 코드(예를 들어, 소프트웨어 또는 구성 데이터)에 통합될 수 있음을 이해해야 한다. 여기에 개시된 동작들 및/또는 명령들의 실시형태는 여기에 개시된 다양한 방법을 수행하기 위해 컴퓨터(예를 들어, 논리 또는 프로세서-기반 시스템)에 의해 실행될 비-일시적 방식(예: 메모리, 하드 드라이브, 컴팩트 디스크(CD), 디지털 비디오 디스크(DVD), 또는 플래시 메모리)으로 기계 판독 가능 매체에 의해 저장될 수 있다.

메모리 구성요소(120)는, 일 실시형태에서, 데이터 및 정보를 저장하기 위한 하나 이상의 메모리 장치(예를 들어, 하나 이상의 메모리)를 포함한다. 상기 하나 이상의 메모리 장치는 RAM(Random Access Memory), ROM(Read-Only Memory), EEPROM(Electrically-Erasable Read-Only Memory), 플래시 메모리 또는 기타 유형의 메모리와 같은 휘발성 및 비휘발성 메모리 장치를 포함하는 다양한 유형의 메모리를 포함할 수 있다. 일 실시형태에서, 처리 구성요소(110)는 본 명세서에 설명된 방식으로 다양한 방법, 프로세스 및 동작들을 수행하기 위해 메모리 구성요소(120) 및/또는 기계 판독가능 매체에 저장된 소프트웨어를 실행하도록 구성된다.

이미지 캡처 구성요소(130)는, 일 실시형태에서, 장면(170)의 이미지를 나타내는 이미지 신호를 캡처하기 위한 하나 이상의 센서를 포함한다. 일 실시형태에서, 이미지 캡처 구성요소(130)의 센서는 장면(170)의 캡처된 열 이미지 신호를 디지털 데이터로서 표현(예를 들어, 변환)을 제공한다(예를 들어, 센서의 일부로서 포함되거나 열 이미징 시스템(100)의 일부로서 센서로부터 분리된 아날로그-디지털 변환기를 통해). 상기 열 센서는 기판상에 어레이 또는 다른 방식으로 구현된 복수의 적외선 센서(예를 들어, 적외선 검출기)를 포함할 수 있다. 예를 들어, 일 실시형태에서, 적외선 센서는 초점면 어레이(FPA: focal plane array)로서 구현될 수 있다. 적외선 센서는 예를 들어 중파 적외선 파장 대역(MWIR), 장파 적외선 파장 대역(LWIR), 및/또는 특정 구현에서 요구될 수 있는 기타 열 이미징 대역을 포함하는 표적 장면으로부터 적외선 복사(예: 적외선 에너지)를 검출하도록 구성될 수 있다. 적외선 센서는 예를 들어 마이크로볼로미터로서, 또는 복수의 픽셀을 제공하기 위해 임의의 원하는 어레이 패턴으로 배열된 다른 유형의 열 이미징 적외선 센서로서 구현될 수 있다.

처리 구성요소(110)는 이미지 캡처 구성요소(130)로부터 이미지 신호를 수신하고, 이미지 신호를 처리하고(예를 들어, 처리된 이미지 데이터를 제공하기 위해), 메모리 구성요소(120)에 이미지 신호 또는 이미지 데이터를 저장하고, 및/또는 메모리 구성요소(120)로부터 저장된 이미지 신호를 검색하도록 구성된 논리 장치일 수 있다. 다양한 양태에서, 처리 구성요소(110)는 원격지에 위치될 수 있고, 처리 구성요소(110)는, 본 명세서에 설명된 바와 같이, 이미지 캡처 인터페이스 구성요소(136)와의 유선 또는 무선 통신을 통해 이미지 캡처 구성요소(130)로부터 이미지 신호를 원격으로 수신하도록 구성될 수 있다.

디스플레이 구성요소(140)는 이미지 디스플레이 장치(예를 들어, 액정 디스플레이(LCD)) 또는 다양한 다른 유형의 일반적으로 알려진 비디오 디스플레이 또는 모니터를 포함할 수 있다. 제어 구성요소(150)는, 다양한 실시형태에서, 키보드, 제어 패널 유닛, 그래픽 사용자 인터페이스, 또는 기타 사용자 입력/출력과 같은 사용자 입력 및/또는 인터페이스 장치를 포함할 수 있다. 제어 구성요소(150)는, 예를 들어 디스플레이 스크린의 다양한 부분을 터치하는 사용자로부터 입력 신호를 수신하도록 구성된 터치 스크린 장치와 같은, 디스플레이 장치 및 사용자 입력 장치 둘 다로서 작동하도록 디스플레이 구성요소(140)의 일부로서 통합되도록 구성될 수 있다.

처리 구성요소(110)는 (예를 들어, 이미지 캡처 구성요소(130)로부터 데이터 및 정보를 수신함으로써) 이미지 캡처 인터페이스 구성요소(136)와 통신하도록 구성될 수 있다. 이미지 캡처 인터페이스 구성요소(136)는 이미지 캡처 구성요소(130)로부터 이미지 신호(예를 들어, 이미지 프레임)를 수신하고, 이미지 신호를 처리 구성요소(110)에 직접 또는 하나 이상의 유선 또는 무선 통신 구성요소(예를 들어, 연결(137)로 표시됨)를 통해 여기에 추가로 설명된 통신 구성요소(152)의 방식으로 통신하도록 구성될 수 있다. 카메라 구성요소(101) 및 처리 구성요소(110)는 다양한 실시형태에서 서로 근접하게 또는 떨어져 위치될 수 있다.

통신 구성요소(152)는 네트워크 내의 다른 장치들을 포함하는 클라우드/네트워크(154)와의 통신을 위해 적응된 네트워크 인터페이스 구성요소로서 구현될 수 있고 하나 이상의 유선 또는 무선 통신 구성요소를 포함할 수 있다. 다양한 실시형태에서, 클라우드/네트워크(154)는 단일 네트워크 또는 다수 네트워크의 조합으로 구현될 수 있고, 무선 근거리 통신망, 광역 통신망, 인터넷, 클라우드 네트워크 서비스, 및/또는 기타 적절한 유형의 통신 네트워크를 포함하는 유선 또는 무선 네트워크를 포함할 수 있다.

다양한 실시형태에서, 열 이미징 시스템(100)은 장면(170) 내 사람들의 온도를 실시간으로 검출, 추적 및 결정하는 능력을 제공한다. 예를 들어, 열 이미징 시스템(100)은 카메라 구성요소(101)(예를 들어, 적외선 카메라)를 사용하여 장면(170)의 이미지를 캡처하도록 구성될 수 있다. 캡처된 이미지는 처리 구성요소(110)에 의해 수신되어 메모리 구성요소(120)에 저장될 수 있다. 이미지 처리 모듈(180) 및 사람 추적 모듈(182)은 검출된 사람에 대응하는 장면(170)의 픽셀 값들의 서브세트를 상기 캡처된 이미지들 각각으로부터 추출할 수 있다. 온도 분석 모듈(184)은 상기 추적된 사람들의 온도를 추정하기 위해 이용 가능한 정보를 분석하고 그 결과를 시스템 설계 선호에 따라 메모리 구성요소(120), 데이터베이스 또는 기타 메모리 저장소에 저장한다. 일부 실시형태에서, 열 이미징 시스템(100)은 열 이미지 데이터 또는 기타 감지된, 계산된 및/또는 결정된 데이터를 네트워크(154)(예를 들어, 인터넷 또는 클라우드)를 통해 원격 처리 및/또는 저장을 위해 호스트 시스템(156) 및 데이터베이스(157)로 전송할 수 있다.

사람 추적 모듈(182) 및 온도 분석 모듈(184)은 사람을 검출하고, 사람을 추적하고, 사람의 온도를 결정하기 위해 상기 캡처된 열 이미지 및 기타 데이터의 분석을 제공하도록 구성된다. 사람 추적 모듈(182)은, 예를 들어 장면(170)에 대응하는 영역을 통한 통행 흐름을 측정하기 위해, 기타 사람을 세고 추적하는 기능을 더 포함할 수 있다. 다양한 실시형태에서, 사람 추적 모듈(182)은 사람을 검출/추적하고 그들의 온도를 결정하기 위한 추가 데이터를 제공하는 기타 센서 및/또는 하나 이상의 데이터베이스와 인터페이스 한다. 예를 들어, 상기 데이터베이스는 사람을 식별하기 위한 기준, 알려진 조건들의 참조 이미지, 각 이미지 캡처 장치에 대한 시야 매개변수(예를 들어, 검출된 사람 및 개체의 크기 및 위치를 추정에 사용하기 위한), 상기 이미지 캡처 장치에 공통인 학습된 및 구성된 활동들, 및 기타 사람 추적 정보를 저장할 수 있다.

온도 분석 모듈(184)은 추적된 사람의 하나 이상의 열 이미지를 분석하여 그 사람의 온도를 결정한다. 일부 실시형태에서, 온도 분석 모듈(184)은 추적된 사람의 측정 위치를 검출하고, 원하는 위치를 확대하도록 카메라 구성요소(101)에 지시하고(예를 들어, 줌 광학계(102)가 있는 적외선 카메라와 같은 광학 또는 디지털 줌 구성요소를 통해), 및 상기 측정 위치의 열 이미지를 캡처하도록 구성된다. 온도 분석 모듈(184)은 다른 감지 구성요소(142)로부터의 다른 감지된 데이터, 및 시스템에 관한 시스템 데이터 및 환경 매개변수를 더 수신할 수 있다. 일부 실시형태에서, 다양한 각도 및/또는 거리에서 얼굴을 식별한 다음 사람의 온도를 측정하기에 가장 좋은 지점을 찾기 위해 얼굴 인식이 사용된다.

기타 감지 구성요소(142)는, 감지된 응용 또는 구현에 따라, (예를 들어, 각각의 감지 구성요소(142)로부터 센서 정보를 수신함으로써) 처리 구성요소(110)에 정보를 제공하는 환경 및/또는 작동 센서를 포함할 수 있다. 다양한 실시형태에서, 기타 감지 구성요소(142)는 환경 조건, 예를 들면 내부 및/또는 외부 온도 조건, 조명 조건(예를 들어, 낮, 밤, 황혼 및/또는 새벽), 습도 수준, 특정 기상 조건(예: 맑음, 비, 및/또는 눈), 거리(예: 레이저 거리 측정기), 주변 소리, 가시 이미지 센서, 및/또는 기타 센서 유형에 관련된 데이터 및 정보를 제공하도록 구성될 수 있다. 따라서, 기타 감지 구성요소(142)는 이미지 캡처 구성요소(130)에 의해 제공되는 데이터에(예를 들어, 이미지 외관에) 영향을 미칠 수 있는 다양한 조건(예를 들어, 환경적 조건)을 모니터링하기 위해 당업자에게 공지된 하나 이상의 기존 센서를 포함할 수도 있다.

일부 실시형태에서, 장면(170) 내 표적(103)의 정확한 열 온도 측정치를 제공하기 위해 줌 광학계(102)를 갖는 적외선 카메라가 제공된다. 카메라 구성요소(101)는, 장면 내 사람을 식별하고 추적하는 신경망 알고리즘을 실행하여 넓은 장면(170)에서 사람을 식별하기 위해 360도 이미징을 제공하는 넓은 시야(FOV) 적외선(IR) 마이크로볼로미터 카메라를 포함할 수 있다. 사람 추적 구성요소(182)에 의해 사람이 식별된 후, 줌 광학계(102)를 갖는 쌍 IR 카메라로 하여금 표적(103)에 초점을 맞추고, 시간이 지남에 따라 필요한 데이터 포인트의 수를 결정하고 경보를 작동하는 편차에 대한 임계값을 설정하는 알고리즘에 의해 분석될 일련의 온도 측정을 수행하도록 지시한다. 그런 다음 시스템은 의료 전문가의 추가 진단 평가를 위해 대상을 격리해야 한다고 보고한다(예를 들어, 다른 시스템에, 모니터링하는 사람 등에게).

일부 실시형태에서, 카메라 구성요소(101)는 가시광선 카메라이며 사람 추적 모듈(182)은 캡처된 이미지에 대해 얼굴 인식을 수행하고 장면(170)에서 얼굴이 위치하는 곳을 결정하도록 구성된다. 줌 광학계(102)가 있는 쌍 IR 카메라와 같은 열화상 카메라는 얼굴이 위치한 열 이미지 내 영역을 식별하기 위해 가시광선 카메라와 정렬 및 교정된다. 다양한 실시형태에서, 가시광선 카메라의 시야는 적어도 상기 쌍 열화상 카메라만큼 크다. 캡처된 이미지들의 정렬은 두 카메라 간의 지향 오차, 회전, 시야 및 왜곡의 차이를 정확하게 교정함으로써 용이하게 된다. 열 이미지 내 측정을 얼굴로 알려진 위치로 제한함으로써 온도 측정의 신뢰성을 높일 수 있다. 일부 실시형태에서 얼굴이 가려지거나 얼굴이 아닌 가열된 영역이 있는 경우 거부될 수 있다.

일부 실시형태에서, 열화상 카메라는 알려진 온도로 교정되고 장면(170)의 절대 온도를 결정할 수 있다. 상기 두 개의 카메라는 한 카메라의 픽셀을 다른 카메라의 픽셀에 매핑할 수 있도록 (공장에서) 추가로 교정될 수 있다. 일부 실시형태에서, 카메라에 대해 결정될 매개변수는 지향 차이(팬/틸트), 회전 차이(롤), FOV의 차이(줌) 및/또는 왜곡의 차이를 포함한다. 이러한 차이는 공장 교정 프로세스에서 결정될 수 있다. 또한, 두 카메라 사이의 거리(시차)는 교정을 위해 시스템에 의해 사용되는 매개변수일 수 있으며, 일부 실시형태에서는 가능한 한 작게 설정된다.

사람 추적 모듈(182)은 얼굴의 크기 및 방향은 물론 안경, 안면 마스크, 턱수염 등과 같은 기타 변화하는 요인을 검출하도록 구성된다. 인식되고 식별된 얼굴로부터 열 이미지 내 해당 위치가 위에서 언급한 교정 조건을 사용하여 추론될 수 있다. 열 이미지에서, 얼굴이 있는 것으로 알려진 위치에서, 그리고 가장 정확한 온도의 측정이 이루어질 수 있는 표적 위치에서, 온도가 측정될 수 있다. 시각적 얼굴 인식은, 사람의 피부 온도에 가깝지만 실제 사람이 아닌 개체의 잘못된 측정을 피하기 위해 사용될 수 있다. 시야를 통해 사람을 추적하고 카메라에 대한 얼굴 방향이 정확한 결과를 생성할 것으로 예상되는 순간에 피부 온도를 측정하는 것이 사용될 수 있다.

기타 감지 구성요소(142)는 무선 통신을 통해 정보를 처리 구성요소(110)에 중계하는 장치를 포함할 수 있다. 예를 들어, 각각의 감지 구성요소(142)는 위성으로부터, 로컬 브로드캐스트(예를 들어, 무선 주파수) 전송을 통해, 모바일 또는 셀룰러 네트워크를 통해 및/또는 기반시설의 정보 비콘을 통해 또는 다양한 기타 유선 또는 무선 기술을 통해, 정보를 수신하도록 구성될 수 있다.

다양한 실시형태에서 상기 열 이미징 시스템은, 여기에 설명된 하나 이상의 시스템 및 방법, 예를 들면 이것은 표적에서 열화상 카메라까지의 거리, 표적의 고해상도 이미지 캡처 및 분석(예를 들어, 표적의 픽셀 수를 늘리기 위한 시스템 및 방법), 측정할 표적 상의 영역 식별, 측정 및 추적하기 위한 표적 상의 시간, 현장에서 시스템의 교정, 시야 또는 복사측정 교정에서 흑체의 존재, 표적의 관심 영역(예: 누관)에 대한 액세스, 시야에 들어간 후 온도 안정화 시간(예를 들어, 표적이 외부에서 들어오는 경우 표적 온도는 새로운 환경에 적응하는 데 시간이 필요할 수 있음) 요인, 및/또는 기타 요인을 사용하여 높은 정확도를 달성하고 측정 오차를 줄이도록 구성된다.

도 1c를 참조하면, 하나 이상의 실시형태에 따라 열 이미징 시스템(예를 들어, 열 이미징 시스템(100))의 예시적인 동작이 이제 설명될 것이다. 여기에 설명되는 시스템 및 방법은 상승된 신체 및/또는 피부 온도를 검출하기 위한 기존 기술에 비해 향상된 신뢰성 및 정확도를 제공한다. 일부 실시형태에서, 상기 기술들은 가변적인 환경 조건과 장면 내 사람들의 평균 온도를 처리하지 못하는 절대 온도 비교에 비해 성능을 개선하기 위해 사람 간(예를 들어, 다른 사람과 비교하여)에 적용된다. 일부 실시형태에서, 본 명세서에 기술된 체온 상승 검출은 교정을 위해 장면에서 흑체를 필요로 하지 않지만, 원하는 경우 선택적으로 흑체를 사용할 수 있으며, 이는 기존 시스템에 비해 배치의 유연성을 향상시킨다. 여기에 설명되는 시스템 및 방법은 카메라로부터의 거리 및 사람 간의 차이를 비롯한 여러 요인을 보상할 수 있다.

예시된 실시형태에서, 프로세스(190)는 단계(191)에서 장면의 열 이미지를 캡처하고 처리함으로써 시작된다. 열 이미지는 군중을 모니터링하기 위해 실시간으로 캡처될 수 있고 및/또는 나중의 처리를 위해 캡처되고 저장될 수 있다. 일부 실시형태에서, 사람을 식별하는 것을 돕기 위해 열 이미지와 정렬될 수 있는 가시광선 이미지, 오디오, 시간, 날짜, 장소, 온도 및 기타 데이터와 같은 다른 데이터도 캡처된다. 상기 열 이미지는, 군중 흐름 병목지점에 및/또는 여기에 설명된 바와 같은 온도 측정을 위해 사람의 열 이미지를 캡처하기에 적합한 다른 위치에 배치될 수 있는 열화상 카메라에 의해 캡처된다.

단계 192에서, 상기 캡처된 열 이미지는 관심 있는 사람을 식별하기 위해 처리된다. 이미지 내의 사람들이 검출 및 추적되며, 시스템은 추가 온도 검출 처리를 위해 한 명 이상의 추적된 사람을 식별하도록 구성된다. 일부 실시형태에서, 상기 캡처된 열 이미지들의 프레임들 간의 모션 통계가 장면에서 움직이는 사람을 식별하는 데 사용된다. 다른 실시형태에서, 훈련된 합성곱(convolution) 신경망(또는 다른 기계 학습 모듈)이 하나 이상의 열 이미지를 수신하고 그 이미지에서 사람을 식별하도록 구성된다. 시스템은 이미지 내 사람의 위치(예를 들어, 그 사람을 둘러싸는 경계 상자), 그 사람의 크기를 식별하도록 추가로 구성될 수 있다. 그런 다음 한 명 이상의 식별된 사람이 추가 처리를 위해 별도로 선택되고 해당 사람의 온도를 결정한다. 시스템은 자동 사람 식별을 사용할 수 있고, 사람이 키오스크와 상호 작용하여 자율-식별할 수 있으며, 사용자 유도 식별을 사용하여 시스템이 특정 개인들에 초점을 맞추게 할 수 있으며, 및/또는 기타 사람 식별 기술이 사용될 수 있다.

단계 194에서, 시스템은 상기 관심 있는 사람과 관련된 온도 데이터를 결정하기 위해 하나 이상의 열 이미지를 처리한다. 일부 실시형태에서, 시스템은 사용자의 온도를 측정하기 위해 단계 191에서 캡처된 이미지를 사용한다. 다른 실시형태에서, 시스템은 상기 관심 있는 사람을 추적하여, 이미지 내 가시적 이마 및/또는 이미지 내 눈과 같은 열 이미지 캡처 기회를 식별한다. 시스템은 이미지를 캡처하고, 그 사람을 확대하여 이미지를 캡처하며, 및/또는 다른 이미지 캡처 단계를 수행하도록 지시받을 수 있다. 열 이미지가 촬영된 후, 그 열 이미지를 처리하여 측정 위치를 식별하고 그 측정 위치에서 온도를 결정한다. 일부 실시형태에서, 단계 194는 신경망을 작동하여 군중 속에서 인간을 식별하고 각 개인과 연관된 측정 위치(예를 들어, 이마)를 결정하는 것을 포함한다. 그런 다음 시스템은 측정 위치에 대해 목표 줌(예: 광학 줌, 디지털 줌 등)을 수행하고 그 사람의 온도 측정에 사용하기 위해 새로운 열 이미지를 캡처할 수 있다.

다양한 실시형태에서, 시스템은 상기 관심 있는 사람의 심부 온도를 결정 및/또는 추정하기 위해 하나 이상의 열 이미지 및/또는 기타 데이터를 처리하도록 구성된다. 상기 처리는 피부 온도를 검출하고 그 피부 온도를 사용하여 그 사람의 심부 체온을 결정하는 것을 포함할 수 있다. 예를 들어, 피부 온도는 4-5분 이내에 안정되므로, 심부 체온과 상관관계를 제공할 수 있다. 일부 실시형태에서, 열 이미지는 0.1도 80%의 시간 이내 및 0.2도 100%의 시간 이내의 정확도 범위를 위해 구성된 고화질 열화상 카메라를 사용하여 캡처되어, 시스템이 사람 간 온도의 작은 변화를 정확하게 검출할 수 있게 한다. 다양한 실시형태에서, 상기 장면은 저비용 프로세스를 사용하는 측정을 위해 흑체로서 처리된다.

일부 실시형태에서, 시스템은 심부 체온을 추정하기 위해 다수의 측정 포인트를 사용한다. 온도 분포를 갱신하기 위해 자동화된 알고리즘을 사용할 수 있다. 다른 측정 기술은 측정 정확도를 높이기 위한 사용자 온도 오프셋 기능, 및/또는 깊이 맵 및 모니터링 시스템 드리프트(예: 거리 보상)를 위한 스테레오 열 이미징을 포함할 수 있다. 다양한 카메라 매개변수 및 처리 매개변수가 온도 정확성을 개선하기 위해 조정되거나 보상될 수 있으며, 이는 표적의 거리, 이미지 해상도, 측정할 표적 상의 영역, 표적 상의 시간(time on target), 현장 교정, 흑체 또는 복사측정 교정의 사용, 특정 관심 영역(예: 이마, 누관), 표적 온도 안정화 시간 등을 포함한다. 다양한 실시형태에서, 상기 매개변수는 심부 체온 및/또는 기타 온도-관련 데이터를 식별하도록 훈련된 신경망에 입력을 위한 특징을 추출하기 위해 처리된다.

다음으로, 시스템은, 단계 195에서, 관심 인물과 관련된 온도 데이터를 평가하고 그 개인을 분류한다. 다양한 실시형태에서, 상기 관심 인물의 체온 상승 여부를 결정하기 위해 상기 온도 데이터가 평가된다. 일부 실시형태에서, 측정 위치에서 열화상 카메라로부터의 직접 판독이 사용된다. 다른 실시형태에서, 시스템은 더 정확한 분류 결과를 얻기 위해 다른 이용 가능한 데이터를 평가한다. 예를 들어, 시스템은 장면을 통과하는 사람들에 대해 평균 온도 측정값을 결정하기 위해 상기 캡처된 열 이미지를 처리할 수 있다(예를 들어, 환경 조건과 관련된 온도의 시간적 변화에 대응하여 관심 있는 사람의 후속 열 이미지 처리를 조정하기 위해). 시스템은 연령(예: 어린 아동, 노인 등)과 같은 기준에 따라 사람들을 그룹화하여 각 그룹에 대해 평균 온도의 정확한 평가를 제공하도록 구성될 수 있다. 상기 그룹화는 예를 들어 대략적인 나이를 결정하는 얼굴 인식 프로세스에 기초할 수 있다. 상기 온도 데이터는 기준선 수치와 비교되고, 다른 데이터 및 기준에 기초하여 조정되고, 신경망을 통해 처리되고, 및/또는 다른 처리가 수행될 수 있다.

다양한 실시형태에서, 시스템은 관심 있는 사람의 추정된 심부 체온 및/또는 측정된 피부 온도(또는 눈과 같은 다른 부위 온도)를 통계적으로 유사한 다른 사람들의 평균 온도와 비교한다. 일부 실시형태에서, 검출된 사람들을 그룹으로(예를 들어, 연령 범위, 성별, 크기별로) 분류하도록 신경망이 훈련될 수 있다. 각 부류의 사람들은 고유한 온도 모델을 가질 수 있으며, 이를 통해 시스템은 더욱 정확한 모델을 위한 위양성 및/또는 위음성 수를 제한하기 위해 온도 데이터를 즉석에서 조정할 수 있다. 이러한 그룹 조정된 측정은, 시스템에 의해 모니터링되는 영역을 통한 사람의 추적된 이동 경로(예를 들어, 온도는 사람이 건물에 들어갈 때 변한다) 또는 시간 경과에 따른 온도 변화와 같은, 여기에 설명된 다른 조정과 결합될 수 있다. 일부 실시형태에서, 온도 데이터 모델을 훈련된 신경망 및/또는 통계 분석 프로세스에 입력으로 제공하여 한 사람에 대해 조정된 온도를 결정할 수 있다. 다양한 실시형태에서, 시스템은 위양성 또는 상승된 체온(EBT: elevated body temperature)을 가진 사람을 놓치는 것을 피하기 위해 기준선 온도(예를 들어, 장면에 있는 사람들의 평균, 거리, 연령 범위와 같은 사람들의 그룹화, 이동 경로 등에 기초함)와 EBT 결정 사이에 적절한 증분을 가지고 훈련/구성된다(예를 들어, 도 1d 참조). 일부 실시형태에서, 상기 프로세스는 경보 임계값에 결합된 장면에 대한 등온선 데이터를 포함한다.

단계 196에서, 상기 관심 인물이 상기 평가에 따라 처리된다. 예를 들어, 상기 인물의 정상 체온을 갖는 경우, 그 인물에 대한 정보가 추가 통계 분석을 위해, 시스템 훈련을 위해, 또는 기타 처리를 위해 저장될 수 있다. 상기 인물이 상승된 체온(EBT)을 갖는 것으로 결정되면, 상기 추가 처리가 상기 분류에 기초하여 수행될 수 있다. 일부 시스템에서는, 상기 정보가 추가 분석을 위해 저장된다. 다른 시스템에서는, 시스템 사용자에게 EBT가 통지되고 상기 관심 인물은 후속 건강 선별검사 및 조치(예를 들면 질병 검사, 관심 인물의 격리, 관심 인물이 붐비는 장소에 진입하는 것을 예방, 및/또는 기타 조치)를 위해 다른 장소로 안내된다.

바이러스/감염 검출을 위한 지속적인 열 이미징

대유행 대응은 정부와 사회에 엄청난 도전이다. 전염병은 기업, 학교, 여행, 공공 활동 등에 혼란을 야기할 수 있다. 감염은 백신이 개발되기까지 몇 달 또는 몇 년 동안 지역사회 전파를 통해 증가할 수 있다. 모니터링 장치의 고밀도 배치는 열이 있는 사람을 신속하게 식별하고 그들이 다른 사람을 감염시키기 전에 군중으로부터 신속하게 격리하는 데 사용할 수 있다. 도 2a를 참조하면, 발열 가능성을 표시하는 상승된 온도에 대해 통행자(206)를 신속하게 선별검사하기 위해 열화상 카메라(202) 및 대화형 사용자 디스플레이(203)와 같은 모니터링 장치가 보안 요원(204)에 의해 사용될 수 있다. 피부에 대한 고해상도 열 이미지(212)를 제공하기 위해 핸드헬드 카메라(210)가 또한 사용될 수 있다.

기존 시스템에서, 열화상 카메라는, 일반적으로 보안 요원이 한 번에 한 사람을 선별검사하는 것으로 제한되는 PITL(Person-in-the-Loop) 접근 방식을 통해 보안 체크포인트에 통합된다. 이러한 접근 방식들은 군중 속에 상당한 백업(backup)을 생성하며 이는 감염을 퍼뜨릴 수 있는 사람들 사이의 훨씬 더 직접적인 접촉으로 이어질 수 있다. 많은 질병이 지역사회 전반에 걸친 일상적인 접촉과 함께 공기 중 오염을 통해 퍼질 수 있으며, 단순한 체크포인트 및 개별적인 선별검사의 사용은 바이러스 전파를 관리하고 완화하는 효과적인 방법이 아니다.

본 개시내용의 다양한 실시형태에서, 개선된 열화상 카메라 플랫폼은 다수의 개인을 선별검사하기 위한 새로운 기계 학습 접근법을 통합한다. 상기 플랫폼은 모니터링 네트워크에 무선으로 연결되어 새로운 전염병의 신속한 검출을 가능하게 함으로써 감염성 질병의 성장 및/또는 재현을 조기에 방지할 수 있다. 기계 학습은, 장면에서 실시간으로 사람들을 보다 효율적으로 식별하고, 대규모 그룹 내에서 사람들의 표면 온도를 추적하여 군중 속의 개인들 사이의 질병의 초기 지표로서 발열을 식별하는 데 사용된다.

열화상 카메라 플랫폼은 천장 또는 벽에 설치되는 연기 검출기 또는 열 보안 카메라와 유사한 폼 팩터를 가질 수 있다. 이미지(222)에 예시된 바와 같이 발열 선별검사를 위해 군중의 적외선 이미지를 캡처하는 데 사용될 수 있는 열 보안 카메라(220)와 열 보안 카메라(230)를 포함하는 열 이미징 카메라 폼 팩터의 예가 도 2b에 도시되어 있다. 일부 실시형태에서, 열화상 카메라 플랫폼은, 장면에서 사람을 식별하고 추적하는 신경망 알고리즘을 실행함으로써 넓은 장면에서 사람을 식별하기 위해 360도 이미징을 제공하는 넓은 시야(FOV) 적외선(IR) 마이크로볼로미터 카메라를 포함한다. 이러한 폼 팩터는 큰 이격 거리와 실시간 대영역 모니터링을 지원한다. 열화상 카메라로 한 사람이 식별되는 경우, 줌 광학계가 있는 쌍 IR 카메라가 표적에 초점을 맞추고, 시간이 지남에 따라 필요한 데이터 포인트 수를 결정하고 경보를 작동시키는 편차에 대한 임계값을 설정하기 위한 알고리즘에 의해 분석될 일련의 온도 측정을 수행할 것이다. 그런 다음 시스템은 의료 전문가의 추가 진단 평가를 위해 대상을 격리해야 한다고 모니터링하는 사람에게 보고한다. 도 2c를 참조하면, 열화상 카메라는 병원 대기실(240)에 배치될 수 있고 열이 있는 사람을 검출할 때 디스플레이(250) 상에 경보 신호를 보낼 수 있다(이미지 244). 열화상 카메라는 또한 예를 들어 사무실 환경(242) 및 제조 시설(246)에 배치될 수도 있다.

바이러스/감염 검출을 위한 기계 학습

본 개시의 다양한 양태는 훈련된 신경망 및/또는, 사람들의 검출 및 위치 파악을 위한 캡처된 이미지의 분석, 한 사람에 대해 측정 위치의 식별, 한 사람의 심부 체온의 결정, 및/또는 한 개인이 열이 있다는 결정을 포함하는 기타 기계 학습 프로세스를 사용하여 구현될 수 있다. 본 개시내용에서 사용될 수 있는 신경망 시스템 및 방법의 실시형태가 이제 도 3a 내지 3d를 참조하여 설명될 것이다.

도 3a를 참조하여, 바이러스 검출 시스템의 실시형태가 설명될 것이다. 바이러스 검출 시스템(300)은 데이터 처리 및/또는, 훈련, 저장, 및 바이러스 검출 시스템(300)에 의해 사용되는 신경망을 위한 기타 소프트웨어 실행 동작을 수행하는 애플리케이션 서버와 같은 하나 이상의 서버에서 구현될 수 있다. 일부 실시형태에서, 바이러스 검출 시스템(300)의 구성요소는 클라우드/네트워크(322)와 같은 통신 네트워크를 통해 분산될 수도 있다. 통신 네트워크(322)는 WLAN(무선 근거리 네트워크), 인터넷 또는 클라우드 네트워크와 같은 광역 네트워크, 그리고 여기에 설명되는 구성요소들 간의 통신을 용이하게 하는 데 적합한 기타 유선 또는 무선 통신 경로와 같은 하나 이상의 로컬 네트워크를 포함할 수 있다. 바이러스 검출 시스템(300)은 통신 네트워크(322)를 통해 하나 이상의 로컬 바이러스 감시 시스템(320)과의 통신을 용이하게 하도록 동작 가능한 통신 구성요소(314)를 포함한다.

다양한 실시형태에서, 바이러스 검출 시스템(300)은 클라우드-기반 바이러스 검출 시스템과 같은 네트워크로 연결된 바이러스 검출 시스템으로서 작동하거나, 열 이미지 및 하나 이상의 바이러스 감시 장치(예: 여기에 설명된 열 이미징 카메라)에서 실시간으로 캡처된 기타 데이터를 처리하는 바이러스 감시 시스템과 같은 전용 시스템에서 작동하도록 구성될 수 있다. 바이러스 검출 시스템(300)은 상기 캡처된 데이터를 분석하고 바이러스 결정에 관한 정보를 반환하도록 구성될 수 있다(예를 들어, 열이 있는 것으로 검출된 개인의 식별을 포함하는 경보). 바이러스 검출 시스템(300)은 또한 캡처된 데이터, 훈련 데이터세트, 및 기타 정보를 저장하기 위한 데이터베이스(302)를 포함할 수 있다.

도시된 바와 같이, 바이러스 검출 시스템(300)은 데이터 처리 및/또는 바이러스 검출 시스템(300)을 위한 기타 소프트웨어 실행 동작을 수행하는 하나 이상의 프로세서(304)를 포함한다. 프로세서(304)는 논리 장치, 마이크로컨트롤러, 프로세서, 특정용도 집적 회로(ASIC), 필드 프로그래머블 게이트 어레이(FPGA), 또는 메모리(306)에 저장된 소프트웨어 명령과 같은 적절한 명령을 실행하기 위해 바이러스 검출 시스템(300)에 의해 사용될 수 있는 기타 장치들을 포함할 수 있다. 메모리(306)는 바이러스 검출용 훈련 시스템(308), 기타 데이터 처리 알고리즘(310), 및 훈련된 바이러스 검출 신경망(312)(예를 들어, 데이터베이스(302)에 저장된 훈련 데이터세트에 의해 훈련된 합성곱 신경망), 및/또는 기타 애플리케이션을 포함한다.

메모리(306)는 이미지 데이터, 비디오 데이터, 오디오 데이터, 네트워크 정보를 포함하는 데이터 및 정보, 실행 가능한 명령어를 저장하는 하나 이상의 메모리 장치(예를 들어, 메모리 구성요소)로 구현될 수 있다. 메모리 장치는 RAM(Random Access Memory), ROM(Read-Only Memory), EEPROM(Electrically-Erasable Read-Only Memory), 플래시 메모리, 디스크 드라이브, 및 여기서 설명되는 기타 유형의 메모리와 같은 휘발성 및 비휘발성 메모리 장치를 포함하는 정보 저장을 위한 다양한 유형의 메모리를 포함할 수 있다.

각각의 로컬 바이러스 감시 시스템(320)은 열화상 카메라, 핸드헬드 비접촉 온도 감지 장치, 데스크톱 컴퓨터 또는 네트워크 서버와 같은 컴퓨팅 장치, 휴대폰과 같은 모바일 컴퓨팅 장치, 태블릿, 랩톱 컴퓨터, 또는 바이러스 검출 시스템(300) 내의 다른 장치들과 연결하기 위한 통신 회로(예를 들어, 무선 통신 회로 또는 유선 통신 회로)를 갖는 기타 컴퓨팅 장치와 같은 컴퓨팅 장치로서 구현될 수 있다. 일부 실시형태에서, 로컬 바이러스 감시 시스템(320)은 예를 들어, 무인 항공기, 무인 지상 차량 또는 기타 무인 차량과 같은 하나 이상의 무인 차량(예를 들면, 드론)을 포함할 수 있다. 무인 차량은, 예를 들어 조작자 감염을 제한하면서 장소를 감시하기 위해 배치될 수 있으며, 사람을 검출하고 체온이 상승한 개인을 식별할 수 있는 처리 시스템과 온도 센서로 구성될 수 있다. 일부 실시형태에서, 상기 드론은 근처 사람들에게 지시 또는 정보를 제공하기 위한 하나 이상의 확성기, 거리 센서(예를 들어, 레이저), 위치를 결정하기 위한 지피에스(GPS) 구성요소, 내비게이션 구성요소, 호스트 시스템 및/또는 조작자와의 통신을 위한 통신 구성요소, 및 필요한 사용을 위한 기타 구성요소를 포함할 수 있다. 드론은 공공장소에서 감염된 개인들을 식별하고, 격리를 모니터링하고, 고정식 및/또는 핸드헬드 온도 모니터링이 비실용적인 기타 시나리오에서 사용될 수 있다.

통신 구성요소(314)는 다양한 통신 프로토콜을 사용하여 다른 장치들과 통신하기 위한 회로를 포함할 수 있다. 다양한 실시형태에서, 통신 구성요소(314)는 유선 통신 목적을 위해 유선 통신 링크를 통해(예를 들어, 네트워크 라우터, 스위치, 허브, 또는 기타 네트워크 장치를 통해) 통신하도록 구성될 수 있다. 예를 들어, 유선 링크는 전력선 케이블, 동축 케이블, 광섬유 케이블, 또는 해당 유선 네트워크 기술을 지원하는 기타 적절한 케이블이나 전선으로 구현될 수 있다. 통신 구성요소(314)는 이더넷 인터페이스, 전력선 모뎀, 디지털가입자회선(DSL: Digital Subscriber Line) 모뎀, PSTN(Public Switched Telephone Network) 모뎀, 케이블 모뎀, 및/또는 유선 통신을 위한 기타 적절한 구성요소와 같은 유선 통신 구성요소를 통해 유선 네트워크 및/또는 장치와 인터페이스하도록 추가로 구성될 수 있다. 전용 유선 통신 프로토콜 및 인터페이스 역시 통신 구성요소(314)에 의해 지원될 수 있다.

하나 이상의 훈련된 바이러스 검출 신경망(370)은 도 3b에 도시된 바와 같이 원격 실시간 환경에서 구현될 수 있다. 바이러스 검출 시스템(350)은 열화상 카메라 또는, 열 이미지를 수신 및/또는 생성하고 여기에 설명된 하나 이상의 검출 프로세스를 사용하여 상기 수신된 열 이미지를 처리하기 위해 작동 가능한 기타 장치 또는 시스템을 포함할 수 있다. 예시된 실시형태에서, 바이러스 검출 시스템(350)은 하나 이상의 훈련된 신경망을 저장하고 그에 대해 신경망 런타임(run-time) 인터페이스(370)를 구현하기 위해 작동 가능한 프로세서 및 메모리(360)를 포함한다.

다양한 실시형태에서, 하나 이상의 신경망 및/또는 바이러스 검출 시스템에서 사용하기 위한 기타 기계 학습 알고리즘을 훈련하기 위해 바이러스 검출 정보를 갖는 훈련 데이터세트가 사용될 수 있다. 도 3c를 참조하여, 신경망 훈련 프로세스의 일 실시형태가 이제 설명된다. 일 실시형태에서, 신경망(380)은 최신 바이러스 검출 정보를 포함하는 훈련 데이터세트(382)를 수신하고 해당 데이터에 대한 분류를 출력하는 합성곱 신경망(CNN: convolutional neural network)이다. 본 개시내용은 가시광선 및/또는 열 이미지로부터 군중 속의 사람을 검출 및 추적하고, 한 개인의 온도 측정 위치를 검출하고, 한 개인의 온도(예를 들면, 심부 체온, 피부 온도 등)를 검출하고, 및/또는 발열의 유무를 결정하는 것을 포함하는(이에 한정되지 않음), 바이러스 검출 시스템의 하나 이상의 결정을 위해 훈련될 수 있는 복수의 신경망을 설명한다.

일부 실시형태에서, 훈련 데이터세트(382)는 본 명세서에 기술된 바와 같은 바이러스 감시 시스템에 대한 실시간 입력을 시뮬레이션하는 데이터를 포함하고, 적외선, 가시광선 또는 기타 유형의 카메라로부터 캡처된 실제 데이터, 및 환경으로부터 캡처된 기타 센터 데이터를 포함할 수 있다. 상기 데이터는 또한 실시간 센서 데이터를 시뮬레이션하기 위해 생성된 합성 데이터도 포함할 수 있다. 일 실시형태에서, 상기 훈련은 특징 추출, 복수의 합성곱 계층 및 풀링(pooling) 계층, 복수의 완전히 연결된 계층, 및 원하는 분류를 포함하는 출력 계층을 포함하는 신경망(380)을 통한 순방향 패스(forward pass)로 시작한다. 다음으로, 순방향 패스에서 생성된 오차(예를 들어, 라벨과 비교할 때 잘못 분류된 데이터)를 고려하여 CNN 매개변수를 갱신하기 위해 신경망(380)을 통한 역방향 패스(backward pass)가 사용될 수 있다. 다양한 실시형태에서, 본 개시에 따라 다른 훈련 프로세스가 사용될 수 있다.

훈련된 신경망을 인증하기 위한 일 실시형태가 도 3d에 도시되어 있다. 실제 세계 데이터를 나타내는 완전한 주석이 달린 인증 테스트 데이터(392)의 세트가 훈련된 신경망(390)에 공급된다. 인증 테스트 데이터(392)는 분류할 다양한 열 이미지 데이터 및 센서 데이터를 포함한다. 검출된 오류(예를 들어, 이미지 오분류)는 훈련 모델을 갱신하기 위해 분석되어 상기 훈련 시스템에 피드백될 수 있으며, 이는 이어서 훈련 데이터세트(382)를 갱신한다. 다양한 실시형태에서, 검출된 오류는 데이터의 더 많은 예(예를 들어 더 많은 유형의 환경)를 추가함으로써 정정될 수 있으므로, 데이터의 해상도를 높이고 및/또는 열 모델링의 정확도를 높여, 데이터 유형을 구별하는 데 도움을 준다. 훈련 데이터 세트를 조정하여 정확도를 즉시 개선함으로써, 조작자는 정확한 바이러스 검출 감시 시스템을 구현하는 데 있어 비용이 많이 드는 지연을 피할 수 있다.

다양한 실시형태에서, 체온 상승 검출 시스템은 하나 이상의 훈련된 CNN과 함께 작동하도록 설계된다. 일부 실시형태에서, CNN-기반 얼굴 추적, 팬, 틸트 및 줌(PTZ) 카메라, 광학 줌이 있는 고해상도 적외선 카메라, 및/또는 표적의 얼굴에 열 이미지 픽셀을 유지하는(예를 들어, 측정 영역의 픽셀 수를 최소 임계값 이상으로 유지) 기타 시스템 및 방법을 사용함으로써, 측정 오차가 감소되고 상기 검출된 온도가 안정화된다.

일부 실시형태에서, CNN은, 측정에 이용 가능한 피부 및/또는 신체의 영역에 의존할 수 있는, 추적된 사람의 캡처된 픽셀들 내에서 최적의 측정 위치를 식별하도록 훈련된다. CNN은 표적의 이마, 누관 및/또는 기타 위치와 같이 측정 정확도를 위해 시스템에 가장 적합하다고 결정된 영역을 찾는다.

호텔 로비, 레스토랑, 쇼핑몰, 및 기타 통행량이 많은 장소와 같은 더 일반적인 응용에서, CNN은 열화상 카메라에서 추적된 사람까지의 거리를 결정하고, 카메라로부터의 표적 거리에 기초하여 온도 측정을 자동으로 조정하도록 훈련된다. 하나 이상의 카메라 시야에 걸쳐 사람을 추적하는 경우, 시스템은 연장된 기간에 걸쳐 변하는 사람의 온도를 모니터링하도록 추가로 구성될 수 있다. 이러한 실시형태에서, 시스템은 각각의 식별된 사람을 추적하고 사람에 대한 측정 메트릭의 품질을 유지할 수 있다. 일부 실시형태에서, 시스템은 측정 위치(예를 들어, 눈, 피부)를 식별하고, 표적 측정 위치에서 픽셀의 수(또는 매우 충분한 픽셀)를 식별하고, 카메라로부터의 거리, 표적 상의 시간, 및/또는 기타 매개변수를 측정하도록 구성된다. 일부 경우들에서, 평균 집단 피부 온도는 온도 측정이 충분히 신뢰할 수 있도록 고품질의 매개변수로 결정된 이미지로부터 결정될 수 있다.

많은 응용에서, 모니터링되는 사람들은 장면을 통해 이동하고, CNN은 카메라를 바라보는 얼굴, 안경이나 마스크를 착용하지 않은 얼굴 등과 같이 조건이 측정하기에 좋은 시간을 식별하도록 훈련된다. CNN은 또한 지시에 따라 안경이나 모자를 벗지 않은 사람과 같이 정확한 측정을 위한 절차를 준수하지 않는 사람을 식별하는 데에도 사용할 수 있다. 어떤 경우에는, 시스템은, 충분한 측정 메트릭을 갖는 시야(view)를 제공하지 않을 때 그 표적에게 알리도록 구성될 수 있다. 예를 들어, 시스템은 표적이 열 이미징 시스템을 바라보게 하여 열 이미징 시스템이 더 정확한 온도 측정을 위해 열 이미지를 캡처할 수 있도록 하기 위해 레이저, 지향성 사운드 또는 기타 지시를 포함할 수 있다.

다양한 실시형태에서, 시스템은 하나 이상의 신경망의 추가 분석 및/또는 훈련을 위해 현장에서 생성된 데이터를 저장하도록 구성된다. 예를 들어, 배치된 시스템로부터의 데이터는 CNN 훈련 프로세스에 피드백되어 특정 환경을 위해(예를 들어, 공항에 있는 사람들, 공공 스포츠 행사에 참석하는 사람들 등의 온도를 검출), 원하는 분류 목적을 위해(예를 들어, 특정 감염과 관련된 온도/증상 프로파일을 검출하도록 CNN을 훈련), 및/또는 더 정확한 성능을 위해 CNN을 개선할 수 있다. 일부 관할에서는, 개인정보보호 규정이 이러한 사용을 위한 데이터 공유를 금지/제한할 수 있다.

도 3e-g를 참조하여, CNN 훈련 시스템 및 방법의 추가 실시형태가 이제 설명될 것이다. 본 명세서에 개시된 바와 같이, 선별검사 온도 시스템은 사람들이 잠재적으로 열이 나는 상태인지 확인을 위해 사람을 측정하는 하나 이상의 열화상 카메라를 사용한다. 일부 실시형태에서, 다양한 각도 및/또는 거리에서 얼굴을 식별한 다음 그 사람의 온도를 측정하기 위해 원하는 위치를 찾는 데 얼굴 인식이 사용된다. 많은 시스템에서, 예를 들어 신뢰할 수 있는 결과를 위해 안각(canthus)의 정확한 온도 측정이 사용된다.

다양한 실시형태에서, 열 데이터에 대해 훈련된 CNN은, 추적기와 결합되어, 얼굴 검출, 얼굴 특징점(예: 안각), 머리 자세, 얼굴 속성(예: 안경, 마스크, 모자 등)을 포함하는 풍부한 정보 세트를 제공하는 데 사용된다. 이 추가 정보는 더 정확한 측정값을 생성하고 시스템 복잡성을 줄이기 위해 사용된다. 예를 들어, 다양한 실시형태의 시스템 및 방법은 측정할 사람을 식별하기 위해 얼굴 검출을 사용한다. 얼굴 특징점은 정확한 피부 온도 상승 측정 및 발열 선별검사를 위해 사용된다. 머리 자세를 추적함으로써, 시스템은 측정을 인증하기 위해 관심 있는 사람이 카메라를 쳐다보고 있는 시간을 식별할 수 있다. 상기 관심 있는 사람이 "카메라를 제대로 보았는지" 확인함으로써, 측정을 인증하기 위해 머리 자세가 사용된다. 측정을 인증하고 안각 가림(canthus occlusions)을 확인하기 위해 마스크 및 안경과 같은 속성이 추가로 사용된다. 자세 및 얼굴 검출을 사용하여, 시스템은 표적까지의 거리를 추가로 추정할 수 있다. 그 결과, 온도 상승 검출 시스템은 온도 측정 정확도의 향상을 위해 거리 효과를 보정할 수 있다.

도 3e에서, 얼굴 특징점 및 속성의 식별을 포함하는 얼굴 검출을 위해 열 훈련 이미지(400)에 주석을 붙인다. 예를 들어, 열 이미지(400)는 "사람"을 식별하는 경계 상자, "얼굴"의 위치를 식별하는 경계 상자, "마스크"의 위치를 식별하는 경계 상자와 같이 식별된 사람 또는 개체의 이미지(400) 내 위치를 식별하는 경계 상자와 같은 머리 자세 속성을 식별하는 다양한 주석을 포함한다. 사람의 턱, 사람의 입의 측면들, 코, 사람의 왼쪽 눈과 오른쪽 눈의 안 및 바깥 위치 등의 이미지 내 위치를 식별하는 주석과 같은 머리 자세 정보를 식별하는 다양한 얼굴 속성이 또한 포함될 수 있다. 상기 이미지들은 현장에서 수집되고, 테스트 시스템을 통해 현상되고, 합성적으로 생성되고, 및/또는 다른 방법으로 수집할 수 있다. 상기 주석은 사용 가능한 주석 및 연관된 위치 식별자(예를 들면, 상자, 점, 그래픽, 아이콘 또는 이미지(400)에 배치될 수 있는 기타 식별자)의 목록을 포함하는 사용자 인터페이스(410)를 통해 수동으로 확인될 수 있다. 상기 훈련된 CNN은 상승된 피부 및/또는 신체 온도를 검출하는 데 사용하기 위해 추적 시스템에 통합될 수 있다.

일부 실시형태에서, 하나 이상의 CNN은 얼굴 검출을 제공하도록 훈련된다. 상승된 피부 온도 검출 시스템에서 얼굴을 식별함으로써, 시스템은 열 이미지에 사람이 있을 때만 측정하도록 구성된다. 얼굴 검출은 열이 있는 사람과 비슷한 온도를 가진 장면 내의 다른 뜨거운 개체(뜨거운 컵)에 기인한 위양성을 줄이는 데 도움이 된다. 또한, 얼굴 검출은 측정 일관성, 사람 수 세기, 여러 사람 측정, 및 고정된 대상물을 요구하지 않은 시나리오에서의 온도 측정에 도움이 된다.

하나 이상의 CNN은 얼굴 위의 다양한 특징점의 국지화(localization)를 제공한다(예를 들어, 도 3e에 도시된 바와 같이). 일부 실시형태에서, 이러한 특징점들은 얼굴의 안각과 같이 측정 위치를 식별하는 데 사용된다. 안각은 사람의 심부 체온과 상관관계가 있는 얼굴 부위로서 발열 유무를 알려준다. 안각 특징점을 사용하는 경우, 관심 있는 최대 온도 영역이 식별되고 온도 측정에 사용된다. 그런 다음 상승된 온도 검출 시스템은 해당 측정을 사용하여 시스템 결정 규칙에 따라 그 사람이 열이 있는지를 결정할 수 있다. 여기에 설명된 특징점의 추가 이점은 고정된 대상물을 요구하지 않고 사람 얼굴 위의 잠재적인 열점(예: 더운 여름날)으로 인한 측정 편차/위양성을 줄이는 것을 포함하지만 이에 국한되지 않는다.

CNN은 특징 추적기와 결합되어 머리 자세 정보를 제공하기 위해 사용될 수 있다. 도 3f에서, 이미지(420)는 (예를 들어, 도 3e의 특징점에 대응하는) 특징점으로 식별된 얼굴을 도시한다. 시스템은 장면의 이미지를 캡처하고 훈련된 CNN을 통해 상기 이미지를 처리하여 얼굴의 위치와 추적된 각 특징(보이는 경우)을 식별한다. 시스템은 카메라에 대한 특징점들의 상대적 위치에 적어도 부분적으로 기초하여 추적 중인 사람이 카메라를 바라보았는지를 확인한다. 예를 들어, 이미지(422)는 아래를 보는 얼굴의 캡처된 이미지를 예시하고, 이미지(424)는 카메라를 바라보는 얼굴을 예시한다. 다양한 실시형태에서, 머리의 위치를 측정하고 특정 피치(pitch), 요(yaw) 및 롤(roll) 임계값과 비교하여 정확한 온도 측정을 위해 머리가 위치되는 이미지 캡처 시간을 결정한다. 사람이 다른 곳을 보고 있는 경우(예: 이미지(422)), 시스템은 그 측정을 유효하지 않은 것으로 표시할 수 있다. 사람이 임계값 내에서 카메라를 직시하고 있는 경우(예: 이미지(424)), 시스템은 해당 온도 측정을 유효한 것으로 표시할 수 있다. 일부 실시형태에서, 이 접근법은 사람이 카메라를 제대로 바라보도록 자동으로 신호를 보내 안각이 머리 자세로 인해 가려지는 상황을 방지하는 데 사용될 수 있다. 예를 들어, 계산된 피치, 롤 및/또는 요에 기초하여, 시스템은 사람이 카메라를 향해 자신의 머리를 조정하도록 신호를 보낼 수 있다. 또한, 더욱 완전한 정확도를 위해 측정에 대해 각도 보정을 적용할 가능성이 있다.

다양한 실시형태에서, CNN은 마스크 유무, 안경, 안각 가림 등의 속성을 제공한다. 안각 가림/안경은 측정을 무효화하고 가림(예를 들어 안경)을 제거하도록 사람에게 신호를 보내는 데 사용된다. 마스크 유무는, 측정 온도 편차의 잠재적 원인이 마스크로 인한 것일 수 있으므로, 온도 측정을 보정하는 데 사용될 가능성이 있다. 또한, 건물에 들어가는 사람이 요구되는 PPE를 착용하고 있는지 확인하는 데 사용될 수 있다.

위의 정보를 결합하여, 추적 시스템은 카메라에서 대상까지의 거리를 추정한다. 일부 실시형태에서, 훈련 데이터는 복수의 대상(460) 및 복수의 거리(470)에 대한 이미지(450)를 도시하는 도 3g 내지 3l에 예시한 것과 같은, 다양한 거리에서 대상의 훈련 이미지를 포함한다. 대상(460)는 각각 카메라로부터 상이한 거리(470)에서 측정된 온도를 가질 수 있으며, 그 결과 서로 다른 측정 온도가 될 수 있으며, 그 다음에 이것은 거리에 기초하여 조정된다. 다양한 실시형태에서, CNN은 카메라에서 대상까지의 거리를 결정하도록 훈련될 수 있고, 및/또는 상기 거리는 카메라의 알려진 속성 및 시스템 구성 및 장면에 대한 지식(예를 들어, 모니터링되는 진입로까지의 거리)을 사용하여 결정될 수 있다.

도 3m을 참조하면, 하나 이상의 실시형태에 따라, 대상의 상승된 온도를 검출하기 위한 예시적인 프로세스(480)가 이제 설명될 것이다. 단계(482)에서, 예를 들어 도 3a 내지 3l과 관련하여 위에서 설명된 바와 같이, 얼굴 특징점을 추적하도록 신경망이 훈련된다. 다양한 실시형태에서, 상기 얼굴 특징들은 대상(예를 들어, 한 명 이상의 사람)을 식별하는 경계 상자, 얼굴 특징 또는 개체(예를 들어, 얼굴, 마스크 등)를 식별하는 경계 상자, 및 복수의 얼굴 특징(예: 턱, 눈, 코, 입 등)의 위치를 포함할 수 있다. 단계 484에서, 장면의 캡처된 이미지를 처리하여 대상 및 얼굴 특징을 식별하기 위해 훈련된 신경망이 사용된다. 시스템은, 단계 486에서, 안각의 온도 측정의 잠재적인 보정을 가능하게 하는 사람의 얼굴까지의 추정된 거리를 포함할 수 있는 하나 이상의 얼굴 특징점(예를 들어, 눈 안각)과 연관된 관심 부위에서 온도를 측정한다. 단계 488에서, 시스템은 검출된 얼굴 특징점에 기초하여 머리 자세 방향을 측정한다. 일부 실시형태에서, 시스템은 명목상의 3차원 얼굴 모델을 가정하고 이를 특징점 및 자세에 매칭하며, 요, 롤 및/또는 피치를 측정하여 상기 대상가 카메라를 향하고 있는지 여부를 결정한다. 단계 490에서, 시스템은 측정된 머리 자세 방향을 하나 이상의 임계값과 비교하여 온도 측정을 인증한다. 머리 자세 방향이 상기 하나 이상의 임계값 내에 있으면 상기 온도는 인증된다. 그렇지 않으면 상기 온도 측정은 폐기될 수 있다. 또한, 시스템은 사람이 카메라에 너무 멀거나 너무 가까이 있는지 확인하여 온도 측정을 인증할 수 있으며, 상기 추정된 거리 및/또는 머리 자세 방향을 기초로 온도 측정을 조정할 수 있다. 가시적 이미지 대신 열 이미지에 대해 CNN을 사용함으로써, 상기 상승된 온도 검출 시스템은 보이는 안각을 국지화하고 그 위치를 열 이미지로 옮기려고 할 때 시차 문제를 수정할 필요가 없으므로, 측정 편차가 감소한다.

체온 상승 검출 시스템 및 방법

체온 상승 검출 시스템 및 방법의 하나 이상의 양태를 개선하기 위한 다양한 실시형태가 이제 나머지 도면을 참조하여 더 상세히 설명될 것이다.

1. 측정 안정성 개선을 위한 시스템 및 방법

하나 이상의 실시형태에서, 개선된 측정 안정성은 상기 장면(예를 들어, 도 1b의 장면(170))을 "흑체(black body)"로서 사용함으로써 달성될 수 있다. 도 4를 참조하면, 프로세스는, 단계 502에서, 장면의 캡처된 열 이미지 내에서 다수의 무작위 또는 미리 결정된 측정 위치를 선택하는 것을 포함할 수 있다. 다음으로, 단계 504에서, 국부 콘트라스트(local contrast)가 측정되는 반면, 높은 콘트라스트(contrast)를 갖는 지점(예를 들어, 강한 에지를 나타낼 수 있는 픽셀)을 배제한다. 높은 콘트라스트 지점은, 예를 들어 이웃하는 픽셀들의 콘트라스트를 비교하고 콘트라스트가 임계 콘트라스트 값을 초과하는 측정 위치를 배제함으로써, 결정될 수 있다. 일부 실시형태에서, 선택되는 픽셀의 수(N)는, 식별된 장면에서 낮은 공간 콘트라스트 지점들의 최소 세트를 갖도록 배제되는 모든 위치에 대해 새로운 위치를 선택함으로써, 일정하게 유지될 수 있다.

그 다음 단계 506에서, N개의 지점 각각에서의 신호가 시간에 따라 측정된다. 예를 들어, 상기 측정은 규칙적인 시간 간격(T)으로 취해질 수 있고 수집된 값들은 메모리에 저장될 수 있다. 다음으로, 단계 508에서, 시간 경과에 따른 상당한 신호 변동을 갖는 지점들(예를 들어, 임계값을 초과하는 신호의 표준 편차를 가짐)는 안정성을 개선하기 위해 사용된 지점들의 세트로부터 제외된다. 일부 실시형태에서, 위치의 수(N)는, 장면 내 낮은 시간 변동 지점들의 최소 세트가 식별되도록 배제되는 모든 위치에 대해 새로운 위치를 선택함으로써 일정하게 유지될 수 있다.

그 다음 시스템은 단계(510)에서 측정에서의 드리프트(drift)를 모니터링하고 보상한다. 일부 실시형태에서, N개의 안정 지점의 평균 또는 중앙값이 측정에서의 드리프트를 모니터링하기 위해 계산된다. 예를 들어, 이미지의 샘플링된 신호 값들에서 N개 샘플의 고도로 감쇠된 집계 값을 빼서 높은 시간 주파수 드리프트가 제거될 수 있다. 상기 집계 값은 사용된 샘플들의 평균/중앙값 또는 기타 가중치 조합일 수 있다. 공간과 시간의 안정성은 예를 들어 장면을 지나가는 사람들에 의해 자주 가려지는 특이값(outliers) 또는 픽셀 샘플을 제거하기 위해 지속적으로 모니터링될 수 있다. 느린 시간 드리프트는 전체 장면의 온도 변화를 보상하기 위해 허용될 수 있다.

일부 실시형태에서, 주변 온도에 있는 장면 내 표면에 달라붙은 검은색 데칼이 사용될 수 있다. 이 검은색 데칼 위치는 위에서 언급한 미리 결정된 측정 위치들 중 하나로서 사용될 수 있다. 상기 데칼이 부착된 표면은 주변 공기 온도 이외의 다른 어떤 것으로부터 상당한 가열을 받는 표면이 아니어야 한다. 도 5a에 도시된 바와 같이, 상기 데칼은 사용 중인 카메라에 대해 높은 대역 내 방사율을 가질 수 있다(예를 들면 그것은 Acktar Black과 같은 것일 수 있음). 상기 데칼은 주변 온도에 대해 상기 장면에서 기준점 역할을 한다. 높은 열 전도율을 갖는 표면에 적용되는 데칼의 한 가지 단점은 상기 데칼이 열화상 카메라/렌즈 조합이 추적하는 방식으로 기온 변화를 추적하지 못할 수 있다는 것이다. 이에 대해 한 가지 해결책은 데칼 아래에 스페이서 링을 사용하여 데칼이 그 아래에 공극(air void)을 갖도록 하는 것이다. 이것은 마이크로볼로미터 요소, 또는 뱀과의 열 접촉을 줄이기 위해 뱀의 얼굴에 있는 구멍을 가로질러 얇은 막이 펼쳐지는 방울뱀 및 살무사의 센서와 유사하다. 그러면 데칼은 더 낮은 유효 열 질량을 가질 수 있고 또한 열화상 카메라/렌즈 조합의 시간 상수에 더 가까운 열 시간 상수를 가지고 공기 온도를 추적할 수 있을 것이다. 알루미늄 디스크에 데칼을 적용함으로써 데칼의 시간 상수를 조정하는 것도 가능할 것이다. 디스크가 두꺼울수록, 실험적으로 결정할 수 있는 시간 상수가 높아진다. 장면의 표면에 직접 달라붙은 데칼은 이것이 달라붙은 부분의 열전도율에 따라 상이한 시간 상수를 가질 수 있다.

일부 실시형태에서, 사람으로부터 배경을 분리하는 이미지 처리 알고리즘을 사용하여 추가적인 안정성이 달성될 수 있다. 이것은, 학습된 배경을 식별하고 제거함으로써, 3차원 공간에서 개체를 식별하기 위한 이미지 분석 또는 공간 분석을 포함하는 다양한 기술을 통해 수행될 수 있다. 상기 배경은, 특히 수동 교정이 정기적으로 필요한 경우, 더 짧은 시간에 신호를 안정화하기 위해 사용될 수 있다.

도 5b를 참조하여, 낮은 시스템 비용 및 복잡성으로 열화상 카메라의 복사측정 정확도를 증가시키기 위해 사용될 수 있는 예시적인 흑체가 하나 이상의 실시형태에 따라 설명된다. 시스템(550)은 장면(562)의 열 이미지(예를 들어, 개체(566) 및 흑체(568)의 이미지를 포함하는 열 이미지(564))을 캡처하도록 구성된 열화상 카메라(560)를 포함한다. 장면(562)은 열화상 카메라(560)의 시야에 수동 흑체(570)를 포함한다. 다양한 실시형태에서, 상기 수동 흑체는 장면 내 복사측정 기준으로서 사용하기 위한 저가의 수동 흑체를 포함한다. 온도 센서(572)는 흑체에서 주변 온도를 감지하고 센서 정보를 원격측정 인터페이스(telemetric interface)를 통해 열화상 카메라(560)에 전송하기 위한 무선 인터페이스(574)를 포함한다.

이 시스템(550)에서, 시스템(550)이 흑체(570)에 대한 정확한 기준 온도를 제공하기 때문에 열화상 카메라(560)를 사용하는 원격 온도 측정의 정확도는 향상된다. 열화상 카메라(560)는 상기 장면의 열 이미지(564)를 캡처하며, 이것은 흑체(570)의 이미지(568)를 포함하고 상기 열 이미지의 해당 부분을 사용하여 픽셀을 온도와 관련시키는 정확한 기준을 제공한다. 이 시스템은 효과적이며 값비싼 능동 흑체 및/또는 실제 흑체 온도에 대한 지식이 필요하지 않다(여기서 실제 흑체 온도는 예를 들어 예열 시간 및 실제 흑체 온도에 대한 환경의 영향으로 인해 달라질 수 있음). 예시된 실시형태는 기존 시스템의 능동 흑체를 수동의 무동력 흑체로 대체하며 여기서 후자는 전자적 또는 다른 방법을 사용하여 흑체 온도의 고정확도 측정을 제공하고 그 다음에 이 온도를 원격측정 인터페이스(예: Bluetooth)를 사용하여 전달하여 흑체의 온도를 실시간으로 복사측정 열 이미징 센서에 중계한다.

일 실시형태에서, 수동 흑체(570)는 높은 방사율 코팅을 갖는 알루미늄 판을 포함한다. 상기 온도 센서는 보이는 표면과 열 접촉하는 디지털 출력을 가진 하나 이상의 저전력 고정밀 반도체 온도 센서이다. 열화상 카메라(560)에 대한 연결은 저전력 무선 링크(예: 블루투스)로서 이를 통해 흑체 온도가 중계된다. 온도 센서(572) 및 무선 인터페이스는 예를 들어 리튬 코인 전지를 사용하여 및/또는 태양광 발전 또는 기타 저전력 접근 방식을 사용하여 장기간 작동할 수 있다.

일부 실시형태에서, 시스템(550)은 또한 표면의 온도를 변동시키거나 변화시킬 수 있는 기류로부터 흑체를 보호하는 접을 수 있는 벨로우즈를 포함할 수 있다. 예를 들어, 동일한 벨로우즈를 사용하여 장면에서 흑체가 자립하도록 할 수 있다.

2. 인간 분류를 위한 측정 지점들의 모션 통계의 사용

발열 모니터링 시스템의 한 가지 과제는 캡처된 이미지 내의 지점들을 사람 얼굴의 일부인 것으로서 정확하게 식별하는 것이다. 본 개시는 샘플링된 데이터 지점들을 얼굴의 일부인 것으로 정확하게 분류할 수 있는 내장된 분석체계(built in analytics)를 갖는 개선된 열 이미징 시스템을 설명한다. 여기에 설명된 방법은 기존의 얼굴 검출 알고리즘보다 더 효율적이고 정확한 얼굴 검출을 제공한다.

어떤 사람이 정상보다 높은 피부 온도를 갖는지를 결정하기 위해서 인구 평균/중앙값 통계를 자동으로 갱신할 수 있도록 수집된 온도 값이 얼굴에서 나온 것임을 아는 것은 많은 시스템에 중요하다. 현재 상기 평균/중앙값을 수집하는 것은 사용자 상호 작용이 필요한 수동 프로세스이며 실수하기 쉽다. 사용자 피로로 인해 상기 인구 통계가 갱신되지 않을 수 있으며 따라서 자동화된 수집이 필요하다.

하나 이상의 실시형태에서, 샘플링된 최대값의 궤적이 분석된다. 장면을 통과하여 움직이는 사람들은 일반적으로 몇 가지 가능한 모션 경로를 따를 것이다. 그들은 카메라를 향해 걸어가거나 장면의 물리적 레이아웃과 카메라의 설치 위치에 의해 결정된 어떤 경로를 따라 FoV를 통과한다. 열화상 카메라는 장면에서 또는 장면 내의 일부 관심 영역(ROI)에서 최대 온도를 검출할 수 있다. 사람이 움직이고 있고 그 사람의 얼굴이 배경보다 더 높은 겉보기 온도를 갖는 경우 가장 높은 "온도" 픽셀의 위치는 픽셀 XY 평면에서 인식 가능한 경로를 따를 것이다. 예를 들어, 사람이 없는 경우 최대값은 매우 고요할 수 있으며 사람의 얼굴 피부에서 측정한 전형적인 값보다 낮은 값을 가질 수 있다. 상기 최대값 위치가 불규칙한 패턴으로 한 위치에서 다른 위치로 "점프"하는 경우 이것은 또한 상기 최대 측정값이 움직이는 한 사람의 얼굴에 속하지 않는다는 표시일 수도 있다. 이러한 값들은 또한 인구 통계 수집에서 제외될 수도 있다.

도 6을 참조하여, 하나 이상의 실시형태에 따라, 추적하고 측정할 샘플을 식별하기 위한 예시적인 프로세스(600)가 설명될 것이다. 먼저, 시스템은 단계 602에서 최대 샘플 값의 궤적을 결정한다. 다음으로, 단계 604에서 시스템은 상기 궤적을 하나 이상의 궤적 모델과 비교한다. 단계 606에서, 시스템은 미리 정의된 모션 궤적 모델을 추종한 샘플 값들을 수집한다. 예를 들어, 시스템은 미리 정의된 모션 궤적 모델을 추종하는 샘플 값들만 수집되도록 명시할 수 있다. 이러한 방식으로, 장면 내의 다른 위치(사람들이 다른 환경적 임계값에 노출되었기 때문에 이 위치에서 시스템이 모니터링하도록 설계된 그룹과 다른 피부 온도를 가질 것으로 예상될 수 있는 위치)에서 오는 사람들은 제외된다.

대안으로, 둘 이상의 모션 궤적이 정의될 수 있고, 해당 그룹들에 대해 별도의 통계가 수집될 수 있다. 이것은 예를 들어 한 지역에 들어오거나 나가는 사람들일 수 있다. 이를 통해 시스템은 샘플의 궤적에 따라 둘 이상의 개별 경보 레벨 세트를 가질 수 있다. 단계 608에서, 시스템은 해당 궤적 모델을 따르는 샘플 값에 대한 경보 조건을 검출한다.

3. 시간 경과에 따른 다수 측정을 사용한 실제 심부 체온의 추정

이제 도 7을 참조하여 실제 심부 체온을 추정하기 위한 실시형태를 설명한다. 차가운 외기에서 오는 사람과 따뜻한 차 안에서 오는 사람은 각자의 심부 체온이 유사해도 피부 온도가 매우 다르다는 것은 잘 알려진 사실이다. 이러한 차이는 사람이 동일한 환경(예: 공항 또는 기차역 내에서 대기)에 노출됨에 따라 시간이 지남에 따라 줄어들 것으로 예상된다. 동일한 개인을 추적함으로써(예를 들어, 추적 알고리즘을 통해 또는 이미지-기반 식별 및 재식별을 통해), 감시 시스템은 시간 경과에 따라 개인의 얼굴에서 피부 온도를 모니터링할 수 있다.

시간 경과에 따른 피부 온도의 변화율을 측정함으로써, 시스템은 그 사람이 결국 도달하게 될 "정상 상태" 점근 값을 추정할 수 있다. 이를 통해 시스템은 다른 환경에서 오는 사람들을 비교할 수 있으며 더 시원한 환경에서 오는 사람들에 대한 위음성 및 더 따뜻한 환경에서 오는 사람들에 대한 위양성의 수를 줄일 수 있다. 시간이 지남에 따라 수집된 샘플들은 동일한 열화상 카메라에서 온 것일 수 있다(예를 들어, 사람들이 대기열에 있고 따라서 오랫동안 FoV 내에 있는 경우), 또는 상기 샘플들은 모니터링 중인 사람들의 이동 경로를 따라 상이한 위치에 있는 상이한 열화상 카메라들에서 온 것일 수도 있다. 예를 들어, 한 사람이 공항 입구에서 그리고 나중에 그 사람이 체크인하거나 보안 검색대를 통과하려고 할 때 추적될 수 있다.

차트(700)는, 시스템이 미래 시간으로 추론하면 한 사람의 첫 번째 샘플링 시 큰 온도 차이가 매우 작은 차이로 감소될 수 있음을 예시한다. 예를 들어, 시스템은 새로운 환경에 적응할 때 얼굴 온도의 변화율을 모델링할 수 있으며, 이것은 그 다음에 "진정한" 심부 체온 또는 "진정한" 얼굴 온도를 추정하기 위해 그 사이에 어떤 알려진 시간을 갖는 최소 샘플들(예를 들어 단지 2개의 샘플)과 함께 사용될 수 있다.

4. 스테레오 열 시스템을 사용한 시스템 드리프트 모니터링

도 8을 참조하여, 하나 이상의 실시형태에 따라 재교정을 위해 시스템 드리프트를 모니터링하기 위한 예시적인 방법이 설명될 것이다. 시스템(800)은 적어도 2개의 열화상 카메라, 즉 스테레오 열 이미지를 제공하는 열화상 카메라 #1(802)와 열화상 카메라 #2(804)를 포함한다(예를 들어, 깊이 맵을 생성하기 위해). 별도의 온도 측정값(Temp1, Temp2)이 장면(810) 내 지점(812)에서 취해진다. 온도 측정값에 대한 거리 의존성이 있기 때문에, 상기 온도 측정값을 거리 조정하고(예를 들어, Temp1을 조정하기 위해 거리 D1을 사용하고 Temp2를 조정하기 위해 거리 D2를 사용함) 비교한다. 상기 두 값이 허용 가능한 오차 임계값 내에 있으면, 상기 측정값이 수용된다. 상기 조정된 측정값이 오차 임계값을 벗어나면, 시스템은 재교정 또는 서비스가 필요한 것으로 "표시(flagged)"될 수 있으며, 상기 측정값은 오차가 있는 것으로 표시될 수 있다.

5. 기존 군중 흐름 병목 지점에 집중 배치

도 9를 참조하여, 본 개시내용의 하나 이상의 실시형태에 따라, 바이러스를 검출하는 예시적인 공항 밀리미터파 스캐너가 이제 설명될 것이다. 밀리미터파 스캐너(900)와 같은 현존하는 밀리미터파 스캔 입구에 열화상 카메라를 추가하면 표적까지의 거리가 알려지거나 측정 가능한 표적 얼굴을 초점을 맞춰 측정할 수 있다. 밀리미터파 스캔에 필요한 전형적인 '손은 머리 위로, 손바닥은 바깥쪽으로' 자세는 얼굴/눈 영역(또는 기타 관심 영역: 손목 안쪽, 겨드랑이, 목 - 기준 또는 지시자 측정으로서 사용될 수 있는)의 쉬운 초점/캡처를 위해 알려진 방향에서 표적을 캡처하는 능력을 제공한다. 열화상 카메라(904)와 같은 카메라가 부착물로 추가되거나 스캐너에 통합될 수 있다.

일부 실시형태에서, 열화상 카메라(906)는, 사람(902)이 스캐너를 출입할 때 알려진 거리에서 그 사람의 열 이미지를 캡처하기 위해 스캐너(900)의 출입구(예를 들어, 스캐너의 외부 또는 근처)에 배치될 수 있다. 카메라 FOV 내 흑체 또는 '검은색 데칼'(위에 제시된 바와 같은)이 또한 연속 교정을 위해 사용될 수 있다. 높은/낮은 외부 온도와 관련된 대부분의 열 천이는 표적이 스캔 지점에 도달할 때까지 정상화될 것이며, 이는 더욱 정확한 온도 측정을 가능하게 한다.

기존 병목 지점에 열화상 카메라를 배치함으로써, 열 이미지가 밀리미터파 스캔과 동시에 캡처되고 평가될 수 있기 때문에 온도 스캔이 군중 흐름에 영향을 미치지 않을 것이다. 추가의 열화상 카메라는 가방 검사/키오스크 체크인 또는 TSA ID/여권 확인 지점과 같이 다른 알려진 지점에도 배치될 수 있다.

6. 카메라 드리프트를 보정하기 위한 저가 동력식 흑체의 사용

카메라 디지털 데이터가 장면 내 동력식 흑체 소스의 사용에 의해 드리프트-보정될 수 있는 경우, 복사측정으로(radiometrically) 교정되지 않은 열화상 카메라가 장면의 상대적 표면 온도를 모니터링하기 위해 사용될 수 있다. 상기 흑체는 섭씨 38도에 가까운 일정한 온도에서 또는 열이 있는 누군가의 이마 온도에서 작동한다. 상기 흑체 소스는 방사율이 높기 때문에 반사율이 매우 낮은 안정적인 복사 소스로서 역할을 한다. 이 소스는 비교적 작을 수 있으며 이 경우에서 크기가 약 1인치 x 0.5인치이다. 정확한 온도 측정을 위해 표적은 이미지에서 최소 10 x 10 픽셀의 겉보기 크기여야 한다는 요구 사항은 여기서 완화되는데, 이는 절대 온도를 측정할 필요가 없고 단지 안정적인 복사 소스만 필요하기 때문이다. 상기 흑체는 주변 온도보다 높은 온도에서 작동하기 때문에, 단지 가열되어야 하고 TE 냉각기가 필요하지 않다. 저가형 동력식 흑체는 가시 측면에 높은 방사율 흑색 코팅을 가진 알루미늄으로 만든 열-확산 판에 열적으로 접합된 권선형 전력 저항기로 구성될 수 있다. 금속 또는 세라믹 케이스 내 권선 저항기는 비교적 저렴하며 상기 케이스들은 위에 평평한 표면을 가져 다른 평평한 표면(이 경우 상기 열-확산 판)에 쉽게 부착할 수 있다. 상기 열-확산 판에는 상기 저항기 케이스 가까이 서미스터가 부착될 수 있다. 매우 간단한 전자 회로가 상기 서미스터의 저항을 모니터링하고 전력 트랜지스터 회로를 사용하여 상기 저항기에 대한 구동전류를 조정한다. 상기 흑체는 주변 온도 조건에서 매우 안정적으로 제어되는 온도에서 작동한다. 상기 흑체는 정확한 온도 값에서 작동할 필요는 없고 안정적이면 된다. 온도 안정성을 향상시키기 위해 상기 흑체의 전방 주위에서 카울링(cowling)을 사용함으로써 상기 볼 수 있는 표면으로부터 기류가 차단된다. 절대적인 온도 정밀도를 요구하지 않음으로써, 교정의 필요성이 제거되어 회로의 복잡성 감소와 실무 노동(touch labor)의 필요성 감소로 인해 비용이 절감된다. 온도 제어에 사용되는 서미스터는 저렴하고 섭씨 1도 미만의 호환성을 가지므로, 이 소스들은 모두 어쨌든 서로의 ± 0.5℃ 이내일 것이다.

일부 실시형태에서, 동력식 흑체를 위한 설계는 필름 히터로 가열된 5mm 코팅 알루미늄 판일 것이다. 이것은 권선형 저항기 개념보다 더 크고 더욱 균일하다는 이점이 있다. 상기 히터는 후면에 에폭시 부착된 서미스터를 갖도록 제조되며, 이 서미스터는 블루투스 또는 다른 인터페이스를 통해 카메라 시스템에 온도를 전달할 수 있는 제어 회로에 의해 판독될 수 있다. 상기 알루미늄 판에는 방사율이 매우 높은 검은색 데칼이 적용될 수 있다. 이것은 페인팅에 필요한 실무 노동을 줄인다. 상기 히터는 앱에서 블루투스를 통해 설정되거나 또는 호스트 PC에서 마이크로 USB 케이블을 통해 설정될 수 있는 조정 가능한 설정값을 가지고 PID 컨트롤러에 의해 제어될 수 있다. 일 실시형태에서, 흑체 용기 설계는 측면에 구멍이 있는 플라스틱 구체이다. 카메라는 구멍을 들여다보고 상기 구체 안쪽으로 1인치 움푹 들어간 판을 본다. 상기 구체는 상기 구멍이 카메라에 대해 정렬될 수 있도록 피벗 마운트(pivoting mount) 위에 있다. 상기 움푹 들어간 설계는 상기 흑체 방출 표면을 기류에 훨씬 덜 민감하게 만든다.

7. 온도 분포를 갱신하기 위한 자동화된 알고리즘

이제 온도 분포를 갱신하기 위한 실시형태가 설명될 것이다. 예시적인 알고리즘은 다음과 같다:

1. 온도 분포를 초기화함(평균 및 분산을 초기화함. 정상 온도보다 높은 발열 분포)

2. 가능한 모든 인간 온도(발열 포함)를 포함하는 등온선 경보 설정

3. 루프

4. 등온선 경보가 발생하면, 이미지를 캡처하여 SW로 전송

5. SW는 얼굴 검출 수행

6. 얼굴이 검출되면

7. 온도를 측정함

8. 온도가 임계값보다 높은 경우(또는 아마도 발열 분포에 더 가까울 경우)

9. 경보를 발생

10. 해당 분포를 갱신함(제어된 학습 요인에 의해)

11. 수면(시간 경과)

12. 3으로 돌아감.

다양한 실시형태에서, 시스템은 기존의 콘트라스트 척도(contrast measure)(얼굴 초점이 맞는지 여부), 모션 분할, 시각적 피부색 분포(적용 가능한 경우)를 사용하고, 및/또는 여러 알고리즘/속성을 결합하여 허위 경보를 줄인다.

상기 장면 내의 정적인 개체를 줄이거나 제거하기 위해, 가우시안 분포의 혼합에 기초한 모션 분할 알고리즘이 사용될 수 있다. 이러한 알고리즘에서, 모든 픽셀은, 예를 들어 평균 및 분산을 가지고, 가우스 분포로서 모델링된다. 픽셀이 분포에 가까우면(예를 들어, 상기 평균값과 분산 사이 어딘가에 있다면), 상기 픽셀은 배경이라고 말할 수 있고, 그렇지 않으면 전경이라고 한다. 이 절차는 상기 장면에 적응되고 정적인 개체를 배경으로 라벨을 붙이고 움직이는 개체를 전경으로 라벨을 붙일 것이다.

또한, 등온선을 사용함으로써, 원하는 온도 범위의 픽셀들만 전경 후보로 간주될 것이다. 이 절차를 통해, 상기 장면 내의 잘못된 오류의 수가 훨씬 더 줄어들 것이다. 상기 장면이 전경과 배경으로 분할된 후(예를 들어, 얼굴 픽셀 후보를 갖는 바이너리 맵(binary map)), 상기 바이너리 맵은 클러스터 크기 필터링될 수 있다. 이것은 형태학적 필터를 적용함으로써 수행될 수 있다(예를 들어, 열기 및 닫기(침식 팽창)). 이 절차는 노이즈 또는 위양성 얼굴 픽셀로 간주되는 작은 격리된 전경 픽셀을 여과할 것이다. 이전 단계들을 수행한 후, 나머지 전경 픽셀은 얼굴 검출 알고리즘으로 전송될 수 있는 "얼굴" 픽셀로 간주된다.

8. 상승한 체온 스캐닝 개선

일부 시스템에서는, 최대 온도가 있는 측정 상자가 사용되며 경보 임계값은 시스템에서 측정한 사람들의 평균 온도로부터의 증분(delta)을 기초로 한다. 평균값은 일반적으로 특정 수의 기준 사람들에 대해 버튼을 수동으로 눌러 조작자에 의해 갱신될 필요가 있다. 양호한 평균값을 얻으려면, 혼잡한 지역에 대해 다수의 기준 사람에 대해 매시간 한 번씩 이 프로세스가 수행되어야 할 것이다. 이 접근 방식의 한 가지 문제는 사용자가 이 프로세스를 항상 신뢰할 수 있게 수행하는 것은 아니므로, 상기 평균이 다수의 가능한 위양성 및 위음성으로 정해진다는 것이다.

다양한 실시형태에서, 시스템이 더 엄격한 한계를 사용할 수 있게 하여 위양성 및 위음성 모두를 감소시킬 수 있도록, 상기 평균값이 더 자주 갱신된다. 한 가지 접근 방식으로, 테스트 대상이 이미지에서 자신의 위치를 쉽게 수정할 수 있도록 이미지를 뒤집는 셀프 카메라 모드가 도입된다(예를 들면, 화면상의 윤곽선 또는 실루엣과 정렬됨). 다른 실시형태에서, 선별검사 모드에서의 GUI 지원이 도 10a에 도시된 바와 같이 제공된다.

예시한 바와 같이, 선별검사 모드가 활성화되면(이미지(A)에서와 같이), 관련 없는 오버레이가 모두 제거되고, 머리의 윤곽이 표시되어 개체/대상/환자가 자신을 올바른 거리에 정렬하도록 돕는다. 다른 유형의 사람, 다른 각도, 다른 거리 등을 수용하기 위해 다른 윤곽이 원하는 대로 제공될 수 있다. 또한, 얼굴의 중앙 부분을 덮는 상자가 활성화된다. 이미지(B)에서와 같이, 그래픽 디스플레이는 현재 평균 샘플, 델타 온도, 측정 상자의 현재 값, 및 스캔을 수행하기 위한 "스캔" 버튼을 표시한다.

선별검사 모드를 활성화하는 경우, 사용자는 여러 샘플(예: 10개 샘플)을 취하도록 지시된다. 샘플은 화면에서 "스캔" 버튼 또는 기타 선택 가능한 항목(예를 들면, "10회 추가 스캔이 더 필요하다"라는 텍스트)을 눌러 취해질 수 있다. 이미지(C)에서와 같이, 화면이 갱신되어 남은 스캔 수를 표시한다. X 분이 지나면, 이미지(D)에 표시된 것처럼, 새로운 샘플을 취하라는 알림이 사용자에게 표시된다. 경보가 작동되면, 이미지(E)에서와 같이, 오버레이 색상이 변경되어(예: 빨간색, 반짝임/깜박임 등) 사용자에게 경보를 발한다. 신호음 또는 기타 신호가 제공될 수도 있다.

다른 샘플링 접근 방식에서, 테스트 대상은 측정할 준비가 되었을 때 쉽게 액세스할 수 있는 버튼을 누르며 이에 의해 평균값이 갱신된다. 시각 이미지 흐름, 열 이미지 흐름, 또는 기타 흐름에 대해 얼굴 검출 알고리즘을 사용하여 얼굴을 검출하고 정렬된 IR 이미지에서 측정 상자를 설정할 수 있다.

도 10b 및 10c를 참조하여, 얼굴 검출에 대해 훈련하기 위한 예시적인 프레임워크 및 샘플 이미지가 이제 설명될 것이다. 이 접근 방식에서, 시각 이미지에서 검출된 얼굴로부터 IR 얼굴에 자동으로 주석을 달기 위해 IR 및 가시 이미지의 매칭이 사용될 수 있다. 프로세스(1000)는 단계 1002에서 IR 및 가시 이미지를 캡처하는 것으로 시작한다. 단계 1004에서, 캡처한 가시 이미지에 대해 얼굴 검출 알고리즘이 실행되고, 가능한 얼굴이 감지되면(단계 1006), 제2 얼굴 검출 알고리즘이 단계 1008에서 실행된다. 식별 가능한 랜드마크로 얼굴이 검출되면(단계 1010), 단계 1012에서 시스템은 상자를 설정하고 최대 온도를 측정한다. 온도 측정치가 기준 샘플에 대해 신뢰할 수 있는 한계 내에 있는 경우(단계 1014), 단계 1016에서 상기 측정치를 사용하여 평균을 갱신한다. 이 접근 방식을 사용하는 샘플 이미지들이 도 10c에 도시되어 있다.

9. EBT의 경보 임계값에 결합된 등온선

도 11의 이미지를 참조하여, EBT에서 경보 임계값에 결합된 등온선을 사용하는 일 실시형태가 이제 하나 이상의 실시형태를 참조하여 설명될 것이다. 사용자가 카메라의 EBT 기능을 사용할 때, 일반적으로 평균 온도 세트를 구축하고 어떤 사람이 평균 온도보다 x(C) 높은 온도일 때 경보를 발생하도록 카메라를 설정한다. 그러면 이 경보는 이미지(A)에서와 같이 이미지 오버레이 왼쪽에 빨간색의 깜박이는 값으로 표시된다. 그러나 군중 속에 많은 사람이 있는 경우 특히 사람들이 움직이는 경우, 경보를 발생시키는 사람이 누구인지 조작자에게 명확하지 않을 수 있다.

일부 실시형태에서, 경보를 발생시키는 영역에 등온선이 적용된다. 현재, 상기 등온선은 EBT에 적합하지 않은 절대 온도 임계값을 요구한다. 일 실시형태에서, EBT 기능의 등온선이 활성화되고 지속된다. 이것은 GUI에서 구현될 수 있으므로 사용자가 EBT 모드를 선택할 때, 사용자는 (사운드 설정 등과 함께) 등온선을 활성화할 수 있다. 이미지(B)는 경보 시 등온선이 있는 EBT용 인터페이스를 보여준다.

10. 측정 정확도를 높이기 위한 온도 오프셋

일부 열화상 카메라는 온도가 알려진 표면을 측정하고 이 온도를 사용하여 이미지 내 복사측정을 조정하기 위해 온도 오프셋 측정을 허용하는 기능을 포함한다. 이 기능은, 측정된 온도가 더 높은 정확성과 더 적은 비균일 보상(NUC: Non-Uniformity Compensation) 처리를 가지는 점을 포함하는 몇 가지 이점을 제공한다. 설명된 온도 오프셋을 사용함으로써, NUC가 비활성화될 수 있으며 이는 이미지 품질을 천천히 저하시킬 수 있지만, 복사측정 성능은 여전히 많은 응용에 대해 허용될 것이다.

발열 선별검사 시나리오에서 온도 오프셋을 사용하면 카메라 측정 오차를 최소화할 수 있다. 한 가지 접근 방식에서, 발열 선별검사 솔루션은, 수동 프로세스를 통해, 기준선을 얻기 위해 몇몇 사람들의 평균을 수행한다. 이 평균은 추운(또는 따뜻한) 지역(예: 외부)에서 오는 사람으로 인해 발생하는 카메라 측정 오차 및 오프셋을 제거하는 데 사용된다. 온도 오프셋을 사용하면 일부 특수한 상황에서 평균의 필요성을 줄일 수 있다. 예를 들어 사람들이 많은 시간을 보내는 건물 내부에 카메라가 배치된 경우이다. 이것은 예를 들어 점심 대기 열을 모니터링하여 누군가가 낮에 열이 났는지 확인하고, 병원을 포함한 대형 건물의 보행로를 모니터링하는 등을 위해 사용될 수 있다. 이 접근 방식의 설정이 도 12a에 도시되어 있다.

온도 오프셋은 또한 흑체가 있는 경우와 없는 경우에 대해서도 조정될 수 있다. 흑체를 갖는 것은 많은 시나리오에서 좋지 않을 수 있다. 다른 솔루션은 주변 온도를 측정하고 그 온도를 카메라로 보내는 장치를 사용하는 것이다. 이 장치는 주변 온도와 같은 온도를 갖는다. 이 접근 방식의 설정은 도 12b에 도시되어 있다.

적용 가능한 경우, 본 개시내용에 의해 제공된 다양한 실시형태는 하드웨어, 소프트웨어, 또는 하드웨어와 소프트웨어의 조합을 사용하여 구현될 수 있다. 또한, 적용 가능한 경우, 여기에 설명된 다양한 하드웨어 구성요소 및/또는 소프트웨어 구성요소는 본 개시내용의 사상을 벗어나지 않으면서 소프트웨어, 하드웨어, 및/또는 둘 다를 포함하는 복합 구성요소로 결합될 수 있다. 적용 가능한 경우, 여기에 설명된 다양한 하드웨어 구성요소 및/또는 소프트웨어 구성요소는 본 개시내용의 사상을 벗어나지 않으면서 소프트웨어, 하드웨어, 또는 둘 다를 포함하는 하위 구성요소들로 분리될 수 있다.

비일시적 명령어, 프로그램 코드, 및/또는 데이터와 같은, 본 개시내용에 따른 소프트웨어는 하나 이상의 비일시적 기계 판독 가능 매체에 저장될 수 있다. 여기에서 식별된 소프트웨어는 하나 이상의 범용 또는 전용 컴퓨터 및/또는 컴퓨터 시스템, 네트워크 및/또는 기타를 사용하여 구현될 수 있음이 또한 고려된다. 적용 가능한 경우, 여기에 설명된 다양한 단계들의 순서는 변경될 수 있고, 복합 단계로 결합될 수 있고, 및/또는 여기에 설명된 기능을 제공하기 위해 하위 단계들로 분리될 수 있다.

위에서 설명된 실시형태들은 본 발명을 예시하지만 제한하지 않는다. 또한, 본 발명의 원리에 따라 수많은 수정 및 변형이 있을 수 있음을 이해해야 한다. 따라서, 본 발명의 범위는 다음 청구범위에 의해서만 정해진다.

Claims (20)

1. 복수의 적외선 이미지에서 표적을 식별하는 단계;
   상기 적외선 이미지에 부분적으로 또는 전체적으로 기초하여 상기 표적과 관련된 온도 데이터를 획득하는 단계;
   해당하는 온도 분류를 결정하기 위해 상기 온도 데이터를 평가하는 단계; 및
   상기 온도 분류에 따라 상기 식별된 표적을 처리하는 단계를 포함하는, 방법.
2. 제1항에 있어서,
   상기 표적은 사람이며,
   상기 식별하는 단계는 상기 사람을 식별하고 상기 적외선 이미지들의 서브세트에 걸쳐 상기 사람을 추적하는 과정을 포함하며,
   상기 획득하는 단계는 상기 적외선 이미지의 상기 서브세트에서 상기 사람에 대해 측정 위치를 식별하는 과정과 상기 적외선 이미지들 중 하나 이상으로부터 대응하는 값을 사용하여 상기 위치와 관련된 온도 데이터를 결정하는 과정을 포함하며; 및
   상기 평가하는 단계는 상기 온도 데이터를 사용하여 상기 사람의 심부 체온을 계산하는 과정을 포함하는, 방법.
3. 제1항에 있어서,
   상기 평가하는 단계는 상기 표적을 열이 있거나 열이 없는 것으로 분류하도록 훈련된 합성공 신경망(CNN: Convolutional Neural Network)을 사용하는 과정을 포함하며,
   상기 처리하는 단계는 상기 온도 분류가 상기 표적이 열이 있음을 나타내는 경우 경보 조건을 생성하는 과정을 포함하는, 방법.
4. 제1항에 있어서,
   상기 획득하는 단계는 측정 위치로부터 획득한 열 데이터, 카메라 위치와 관련된 환경 데이터, 상기 카메라 위치와 관련된 복수의 사람들과 관련된 군중 온도 데이터, 및/또는 심부 체온을 생성하도록 훈련된 합성곱 신경망(CNN)을 사용하여 시간 경과에 따른 표적 온도 데이터를 분석하는 과정을 포함하는, 방법.
5. 제1항에 있어서,
   상기 식별하는 단계는 합성곱 신경망(CNN)을 이용하여 상기 적외선 이미지들을 분석하는 과정을 더 포함하며,
   상기 방법은:
   턱, 입, 코, 왼쪽 눈, 및/또는 오른쪽 눈을 포함하는 얼굴 특징점을 식별하도록 상기 CNN을 훈련시키는 단계;
   상기 표적과 이미지 캡처 장치 사이의 거리를 식별하도록 상기 CNN을 훈련시키는 단계; 및
   마스크, 안경, 및 모자 중 적어도 하나를 포함하는 이미지에서 하나 이상의 개체를 식별하도록 상기 CNN을 훈련시키는 단계를 포함하는, 방법.
6. 제1항에 있어서,
   상기 식별하는 단계는 상기 표적에 대해 하나 이상의 얼굴 특징점을 식별하는 과정을 포함하고;
   상기 획득하는 단계는 상기 하나 이상의 얼굴 특징점에 기초하여 관심 영역을 식별하는 과정 및 상기 적외선 이미지들 중 하나 이상으로부터 대응하는 값을 사용하여 상기 관심 영역의 온도를 측정하는 과정을 포함하고;
   상기 평가하는 단계는 상기 표적이 측정 위치에 있는지 여부를 결정하기 위해 상기 하나 이상의 얼굴 특징점에 기초하여 머리 자세 방향을 측정하는 과정을 포함하는, 방법.
7. 제1항에 있어서,
   상기 온도 데이터는 볼, 누관, 및 이마 중 적어도 하나를 포함하는 상기 표적 상의 측정 위치와 관련되며;
   상기 평가하는 단계는 상기 측정 위치를 상기 표적의 심부 체온과 상관시키는 과정을 포함하며;
   상기 방법은 상기 측정 위치를 식별하기 위해 상기 표적의 시각 이미지를 분석하는 단계를 더 포함하는, 방법.
8. 제1항에 있어서,
   상기 적외선 이미지를 캡처하도록 구성된 열화상 카메라의 시야에 수동 흑체를 배치하는 단계;
   상기 수동 흑체에 인접하게 온도 센서를 배치하는 단계;
   상기 흑체와 관련된 온도를 감지하는 단계;
   상기 감지된 온도를 상기 열화상 카메라에 무선으로 전송하는 단계; 그리고
   상기 감지된 온도와 상기 수동 흑체를 포함하는 적외선 이미지들 중 하나 이상을 사용하여 상기 열화상 카메라를 교정하는 단계를 포함하는, 방법.
9. 제1항에 있어서,
   알려진 온도를 갖는 표면의 온도를 측정하는 단계로서, 여기서 상기 표면은 흑체, 알려진 온도를 갖는 개체, 및 주변 온도를 측정하는 장치 중 적어도 하나인, 단계; 및
   측정 오차(measurement error)를 처리하기 위해 상기 측정된 온도를 사용하여 상기 온도 데이터를 조정하는 단계;
   를 더 포함하는, 방법.
10. 제1항에 있어서,
    상기 적외선 이미지를 캡처하는 열화상 카메라의 시야에 중공체(hollow body)를 제공하는 단계로서, 여기서 상기 중공체는 상기 열화상 카메라와 마주하는 단부에 높은 방사율 표면을 포함하는, 단계; 그리고
    상기 높은 방사율 표면의 이미지를 흑체로서 처리하는 단계;
    를 더 포함하는, 방법.
11. 제1항에 있어서,
    상기 획득하는 단계는:
    가시광선 카메라로 복수의 가시광선 이미지를 캡처하는 단계,
    상기 가시광선 이미지들에서 상기 표적을 추적하는 단계,
    상기 표적 상의 측정 위치를 식별하는 단계, 및
    열화상 카메라로 상기 적외선 이미지들을 캡처하는 단계를 포함하고,
    상기 가시광선 카메라는 상기 열화상 카메라보다 더 넓은 시야(FOV)를 가지는, 방법.
12. 제11항에 있어서,
    상기 측정 위치를 향해 확대/축소(zoom)하도록 상기 열화상 카메라에 지시하는 단계를 더 포함하며,
    여기서 상기 측정 위치는 상기 가시광선 이미지보다 상기 적외선 이미지에서 더 많은 픽셀을 포함하는, 방법.
13. 제1항에 있어서,
    상기 식별하는 단계는:
    장면의 복수의 가시광 이미지를 캡처하는 단계;
    상기 가시광 이미지들에서 원하는 측정 위치를 검출하는 단계;
    상기 원하는 측정 위치의 적외선 이미지를 획득하는 단계;
    상기 측정 위치 내의 복수의 랜드마크를 결정하기 위해 상기 적외선 이미지를 분석하는 단계;
    정확한 온도 측정의 가능성에 기초하여 상기 랜드마크들 중 하나를 선택하는 단계;
    상기 선택된 랜드마크와 관련된 관심 영역을 설정하는 단계;
    상기 관심 영역 내의 최대 온도를 측정하는 단계; 그리고
    상기 측정된 온도를 사용하여 상기 장면에 대한 기준 온도 데이터를 갱신하는 단계를 포함하는, 방법.
14. 제1항에 있어서,
    하나 이상의 캡처된 열 이미지에서 복수의 제1 측정 위치를 선택하는 단계;
    상기 제1 측정 위치의 국부 콘트라스트를 측정하고 높은 콘트라스트 임계값보다 높은 콘트라스트를 갖는 측정 위치를 제외하여, 복수의 제2 측정 위치를 생성하는 단계;
    시간에 따라 상기 제2 측정 위치들 각각에서 신호를 측정하는 단계;
    변동 임계값에 대해 시간에 따른 변동을 가지는 측정 위치를 제외하여, 복수의 제3 측정 위치를 생성하는 단계;
    상기 제3 측정 위치들 각각에서 상기 신호를 모니터링하는 단계; 그리고
    시스템 드리프트로 인한 신호 측정 오차를 줄이기 위해 상기 모니터링된 신호를 사용하는 단계;
    를 더 포함하는, 방법.
15. 제1항에 있어서,
    상기 획득하는 단계는 시간에 따라 측정 위치로부터의 온도 데이터를 샘플링하고 표적 온도 궤적을 하나 이상의 궤적 모델과 비교하는 과정을 포함하며;
    상기 평가하는 단계는 해당 궤적 모델을 상기 샘플링된 온도 데이터에 적용하고 상기 모델을 적용하여 심부 체온을 예측하는 과정을 포함하며;
    상기 방법은 해당 궤적 모델에 따라 상기 샘플링된 온도 데이터에 대한 궤적 경보 조건을 검출하는 단계를 더 포함하는, 방법.
16. 제1항에 있어서,
    장면 내의 표적에 대한 복수의 경로와 관련된 복수의 온도 프로파일을 결정하는 단계로서, 여기서 상기 경로들 중 하나 이상은 복수의 이미징 장치에 의해 캡처된 복수의 장면에 걸쳐 연장되는, 단계;
    상기 표적과 관련된 상기 경로들 중 하나를 결정하는 단계; 그리고
    상기 경로들 중 상기 결정된 하나에 대한 상기 온도 프로파일에 따라 상기 온도 데이터를 조정하는 단계;
    를 더 포함하는, 방법.
17. 제1항에 있어서,
    정확한 기준 온도 샘플을 획득하기 위해 사용자를 안내하도록 구성된 사용자 프롬프트를 갖는 사용자 인터페이스를 제공함으로써 기준 온도 샘플을 획득하는 단계;
    머리의 윤곽 및 정렬 상자 중 적어도 하나를 포함하는 원하는 표적과 관련된 시각적 표시를 제공하는 단계로서, 여기서 상기 시각적 표시는 표적 거리 및 각도 중 적어도 하나에 적응하는, 단계; 그리고
    상기 표적이 열이 있는 것으로 결정되면 경보 표시를 제공하는 단계;
    를 더 포함하는, 방법.
18. 제1항에 있어서,
    발열과 관련된 온도 분포를 초기화하는 단계;
    상기 온도 분포를 포함하는 등온선 경보 설정하는 단계;
    상기 등온선 경보에 대응하여 열 이미를 캡처하고 상기 열 이미지에서 얼굴 검출을 수행하는 단계;
    상기 얼굴의 온도를 측정하는 단계; 그리고
    상기 측정된 온도가 임계값보다 높으면 상기 온도 분포를 갱신하는 단계;
    를 더 포함하는, 방법.
19. 청구항 1의 방법을 수행하도록 구성된 시스템으로서,
    상기 적외선 이미지를 캡처하도록 구성된 열화상 카메라; 및
    상기 식별하는 단계, 상기 획득하는 단계, 상기 평가하는 단계 및 상기 처리하는 단계를 수행하도록 구성된 논리 장치를 포함하는, 시스템.
20. 제19항에 있어서,
    상기 열화상 카메라의 시야에 배치되는 수동 흑체;
    상기 수동 흑체에 인접하게 배치되어 상기 흑체와 관련된 온도를 감지하도록 구성된 온도 센서; 및
    상기 감지된 온도를 상기 열화상 카메라에 전송하도록 구성된 무선 인터페이스;
    를 더 포함하고,
    상기 논리 장치는 상기 감지된 온도와 상기 수동 흑체를 포함하는 적외선 이미지들 중 하나 이상을 사용하여 상기 열화상 카메라를 교정하도록 구성된, 시스템.

Images