基于人脸测温技术的通道闸机人员身份识别方法.pdf

信息技术XINXIJISHU2023年第10 期基于人脸测温技术的通道闸机人员身份识别方法杨尔欣，刘育平，祝存平，高攀，吴相荣，王星龙（1.国网甘肃省电力公司后勤工作部，兰州7 3 0 0 0 0；2.国网思极飞天（兰州）云数科技有限公司，兰州7 3 0 0 0 0）摘要：以往体温测量方式效率较低，无法满足疫情防控的需求，为了测量流动人员体温，保障公共空间的安全，提出一种基于人脸测温技术的通道闸机人员身份识别方法。利用红外热像仪采集并处理热红外人脸图像；借助人脸测温技术中的黑体模块构建温度一一灰度模型，标注超温人员人脸图像；融合Gabor与SVD算法，提取超温人员人脸图像特征向量，构建与集成多分类器，识别超温人员的身份。实验数据显示，在不同特征向量维数下，应用提出方法获得的人脸测温误差较低，人员身份识别率高于最低限值，充分证实该方法的可行性。关键词：人脸测温技术；通道闸机；身份识别；人脸检测中图分类号：TN215D0I:10.13274/ki.hdzj.2023.10.021Personnel identification method of channel gate based on face temperature measurement technologyYANG Er-xin,LIU Yu-ping,ZHU Cun-ping,GAO Pan,WU Xiang-rong,WANG Xing-long(1.State Grid Gansu Electric Power Company Logistics Department,Lanzhou 730000,China;2.State GridSiji Feitian(Lanzhou)Cloud Data Technology Co.,Ltd.,Lanzhou 730000,China)Abstract:The efficiency of the former method of temperature measurement is low,which cannot meet therequirment of epidemic prevention.In order to measure the body temperature of floating personnel and en-sure the safety of public space,a channel gate personnel identification method based on face temperaturemeasurement technology is proposed.The infrared thermal imager is used to collect and process the thermalinfrared face image.With the help of the blackbody module in the face temperature measurement technolo-gy,the temperature gray model is constructed,the face image of overtemperature personnel is marked.And,the Gabor and SVD algorithm are fused,the feature vector of the face image of overtemperature per-sonnel is extracted.and multiple classifiers are constructed and integrated to identify the overtemperaturepersonnel.The experiment data show that under different feature vector dimensions,the face temperaturemeasurement obtained by the proposed method has low error,and the personnel identification rate is higherthan the minimum limit,which fully proves the feasibility of this method.Key words:face temperature measurement technology;channel gate;identification;face detection作者简介：杨尔欣（197 0），男，硕士，高级经济师，研究方向为后勤管理。一 112 一文献标识码：A文章编号：10 0 9-2 552(2 0 2 3)10-0 112-0 60引言机场、客/火车站、港口等都是人员流动性很基于人脸测温技术的通道闸机人员身份识别方法大的场所,为了确保城市公共安全，需要对公共场提取后的人脸区域图像包含多种信息，例如所的流动人员进行监控和身份识别。传统的识别器官、轮廓等,但是由于设备摆放角度、环境等多方法主要采用人工方式对可疑人员进行核实，而种因素的影响,致使人脸图像会出现位置不端正优化后的方法，如文献1 基于多尺度分区统一（偏斜、旋转）等现象，会影响人员身份识别的准确化LBP算子，可提高对井下人员人脸识别准确率,因此,对原始人脸图像进行几何归一化处理。率;文献2 使用多任务级联卷积神经网络,提出人脸图像校正角度计算公式为：了一种轻量级多姿态人脸识别方法；文献3 提cosO出一种基于多方向Gabor特征图稀疏表示的人脸x,y,1=u,u,1-sine识别方法，利用稀疏表示分类方法，将同一方向不同尺度的Gabor特征进行融合，并赋予自适应权重,实现人脸识别。流动人员较多的场所，通道闸机不仅要识别人员身份，还需要测量流动人员体温，识别出超温人员。文献4 利用汞式水银计测温方法，将数据存储至PC端或发送至远程诊疗机构的设备或装置中。但以往方法都是以人工方式测量，浪费大量的人力物力，且效率不高,容易造成通道堵塞。为此，提出基于人脸测温技术的通道闸机人员身份识别方法。1通道闸机人员身份识别方法研究1.1热红外人脸图像的采集与处理为了准确地识别通道闸机人员身份，应用红外热像仪对人脸图像进行采集及处理。红外热像仪光学模块感知原理为：Vs=JR,d,d入J入式中,V，表示红外热像仪的响应函数；入表示红外辐射响应波段;R表示热辐射光线的灵敏性；、表示热辐射的平均通量。依据公式（1），适当地加大设备的摄取范围，尽可能地获取更加完整的流动人员人脸图像。但是人脸图像中包含大量的无用像素，会影响体温测量与身份识别，需要对人脸图像进行一定的预处理5。预处理主要分为三个阶段，分别为人脸图像粗分割、几何归一化与灰度归一化6 。利用矩形模板对人脸图像进行粗分割，该方法不但能够去除无用像素，也能减少人员身份识别的运算量，提升人员身份识别的整体效率7 法一一杨尔欣等sing0cos0(2)001式中，（,y）表示角度校正后的人脸图像像素；（u,)表示角度校正前的人脸图像像素;表示人脸图像校正角度，也就是水平线与眼睛连线的夹角8-9 。另外,受到人员与设备之间的距离因素影响，人脸图像的比例也会存在着较大的差别，需要设置固定的比例，对人脸图像尺寸进行统一化处理：x,y,1=u,u,1o r o(3)L001J式中，r表示设置的人脸图像尺寸固定比例。为了增加人脸图像的统计学特征，对其进行灰度统一化处理。人脸灰度轮廓图像如图1所示。(1)灰度轮廓线偏斜角度1偏斜角度2dd图1人脸灰度轮廓图像根据图1,设置人脸图像灰度级的出现概率为：nkP(r)n式中,p（r）表示第k个灰度级的出现概率；n表一113 一r00d0.5d左眼右眼1.5d(4)基于人脸测温技术的通道闸机人员身份识别方法示图像包含像素的总数量；n表示第k个灰度级相应的像素总数量。需要注意的是,h取值范围为0,L,其中,L是灰度级数量。则灰度统一化处理后的灰度级为：S:=T(Tt)=Zp.(r)式中,S表示处理后的人脸图像灰度级;T（r）的取值范围为0,1。至此，完成了热红外人脸图像的采集与处理，为后续通道闸机人员人脸测温提供基础数据。1.2流动人员人脸测温模型以上述处理后的人脸图像为基础，借助红外热像仪人脸测温技术中的黑体模块构建温度灰度模型，完成流动人员人脸测温，保障公共空间的安全性10 ,利用光谱辐射获取人脸温度信息，辐射功率与人脸绝对温度之间存在着一定的规律，表达式为：P,(AT)=exp(e/AT)-T式中,P（入T)表示黑体对应的辐射功率；入表示辐射光线的波长；T表示流动人员人脸的绝对温度;C1与c2表示黑体辐射规律的参数。黑体辐射度P,（T)与绝对温度之间存在着正比例关系,表达式为：P,(T)=T4式中，表示 Stefan-Boltzmann law定理对应的常量。在既定的人体温度范围内，一般物体的黑体辐射功率是稳定的，故可以确定流动人员温度数值为：PT80式中,T表示人员温度数值;P(T)表示物体的单色辐出度；8 表示物体的辐射系数。将公式（8）计算结果与绝对温度阈值T*进行对比,若TT*,认为流动人员温度正常;若TT*，温度异常,将其定为超温人员，进行格外标注。一 114一一杨尔欣等1.3超温人员人脸图像特征提取以上述获取的超温人员人脸图像为依据,对其特征进行提取，为最终超温人员身份的识别提供充足的数据支撑。依据人脸图像特征提取需求,融合Gabor与SVD算法，提取人脸图像特征，具体步骤如下=(5)j=0=0nC入 5-146(T)&(入)所示：步骤一：加载超温人员的热红外人脸图像A，通过归一化、校准等操作进行标准化处理,设置处理后人脸图像尺寸为MN;步骤二:选取适当的 Gabor滤波器核函数,结合步骤一输出的人脸图像进行卷积运算，获取特征矩阵块，每一个Gabor滤波均对应一个特征矩阵块,将其称为Gabor特征子图,记为G,u；步骤三：将步骤二获得的Gabor特征子图G,划分为pq块,将其简称为Gabor特征分块矩阵,其尺寸为ST;步骤四：加载Gabor特征分块矩阵,对其进行分解，获取奇异值特征向量12 ,利用特征向量的最大值代表分块矩阵的特征数值；(6)步骤五:利用步骤四能够获取pq的特征值,对其进行串联处理,即可获得Gabor特征子图G.的特征向量13,记为DER*;步骤六：将全部特征向量进行重新组合，即可获得人脸图像的终极特征向量集，记为S=Do.0，Do,1,D1,o,D,u,其维数为vxupq。(7)至此，完成提取超温人员人脸图像的特征向量，为最终识别超温人员身份提供准确的数据支持。1.4超温人员身份识别基于上述提取的超温人员人脸图像特征向量，构建与集成多分类器，实现超温人员身份识别，为公共空间的安全提供保障。(8)多分类器构建与集成流程如图2 所示。如图2 所示，选取加权相加集成方法，对基分类器进行有效的集成14,集成过程需要确定基分类器的对应权重，其计算公式为：W;=T:/Zr:式中,r;表示基分类器对应的人员身份识别率；u(9)基于人脸测温技术的通道闸机人员身份识别方法超温人员人脸超温人员人脸图像特征向量图像特征向量D.P.,D.P.D,Gabor训练集oGabor训练集1训练训练分类器GSCO分类器GSC1+分类器GSC7.+W。W总分类器TC图2 多分类器构建与集成流程图表示基分类器的数量1总分类器表达式为：TC=Zw,SCC,式中，SGC，表示第i个基分类器至此，利用人脸测温技术实现了通道闸机人员身份的识别。2实例测试2.1实验数据库构建选取某城市客运站的某一个通道闸机作为实验场所，将通过该通道闸机的人员作为实验对象，对50 名流动人员体温及身份进行识别，另外采用两种传统的测温方法作为对比方法，以此验证提出方法的应用性能。实验现场如图3所示。21图3实验现场示意图一杨尔欣等超温人员人脸整理红外热像仪获取的50 名流动人员不同图像特征向量姿势与角度的人脸红外图像共137 M,构建实验数据库。经过2 0 次误差训练，选择其中8 0%（40 组D.P.,图像数据）共计12 0 M的数据作为测试集合。2.2实验准备阶段依据公式（1），基于红外热像仪制定人脸图Gabor训练集7像采集与处理程序，如图4所示。训练驱动电路W背景存储器伪彩色编码(10)视频模块显示图4人脸图像采集与处理程序示意图测试的软硬件环境如表1所示。依据不同Gabor核函数的尺度,对多分类器进行集成,确定最佳的Gabor核函数尺度。表1测试软硬件环境测试环境型号参数红外热像仪CEM DT-870YS图像采集卡PCI-V504CPUIntel i9-11900通道闸机模/数转换器存储器存储数据库流动人员显示器集成电路PC程序红外热像仪编码工具红外光谱数据分析软件在不同Gabor核函数尺度下,测试基分类器的人员身份识别率,以此为基础,确定最佳的Ga-115一红外CCD模/数转换器背景噪声去除非均匀性校正人脸图像存储GAIAVISION BAO1Yottamaster PS200U3Indian Face Database乐华LH070-215-M2 081STM32F091VBT6Windows 10IR-ToolsOmnic 8.2摄像头部分图像预处理实时显示器100基于人脸测温技术的通道闸机人员身份识别方法bor核函数尺度,具体测试结果如图5所示。100(5,5)806040200图5Gabor核函数尺度测试结果图如图5所示，当Gabor核函数尺度为（5,5)时，对应的基分类器人员身份识别率较高，表明最佳的Gabor核函数尺度为(5,5）。2.3实验结果分析以上述构建的实验数据库确定的最佳Gabor核函数尺度为基础，进行通道闸机人员身份识别实验，判断人脸测温误差与人员身份识别率。为了提升实验结论的准确性,分别在不同人脸图像特征向量维数下进行实验，验证提出方法的性能与适用性。人脸测温误差与人员身份识别率计算公式为：T=T-T xW;R=u式中,T表示人脸测温误差;T与T分别表示测量温度及实际温度；R，表示超温人员身份总识别率。计算人脸测温误差数据，具体如表2 所示。表2 人脸测温误差数据表特征向量维数测量温度T实际温度T1036.82035.93036.1 4037.25037.06036.57036.1 8036.4 一116 一一杨尔欣等表2 中，人脸测温误差范围为0.1 0.8，误差较低。获得人员身份识别率如图6 所示。(4,6)(3,7)01020304050607基分类器序号(11)误差36.2.0.635.10.835.90.2 36.7 0.536.2.0.836.2.0.336.00.1 36.50.1 95.0090.009086.25 87.508075706050401020304050607080特征向量维数图6 人员身份识别率示意图如图6 所示，应用提出方法后，人员身份识别率范围为7 2.50%9 5.0 0%，其中，当特征向量维数为6 0 时，获得的人员身份识别率低于最低限值,经过后期排查得知,这是因为实验数据记录错误。利用汞式水银计测温法、GEDASH4000无线体温监护仪和本文红外线测温法测试测温效率。因测量人员和测量仪器有限，传统方法测温每10个人为一个测试组,测试完成后再测下一组。三种方法的测温时间结果如表3所示。表3三种方法测温时间测量人数水银计无线体温监护仪本文方法10420930134018.55024由表3所示，本文方法测温时间最高仅为1.5min,测温效率明显高于其他两种方法,且可以实现连续测温，避免了人员聚集的情况3结束语本文设计了通道闸机人员身份识别方法，有效结合了人脸测温技术与人脸识别技术,利用红92.5085.0082.50-72.50510152025最低限值(min)0.30.60.91.11.5基于人脸测温技术的通道闸机人员身份识别方法外热像仪采集并处理热红外人脸图像，融合Ga-【7 陈放,刘晓瑞，杨明业.基于活体检测和身份认证的bor与SVD算法进行了人脸图像粗分割、几何归人脸识别安防系统J.计算机应用,2 0 2 0,40（12）：一化与灰度归一化,引入人脸测温技术中的黑体3666-3672.8胡静,陶洋.基于RPCA的群稀疏表示人脸识别方法模块,构建温度一一灰度模型,增加了人脸图像的J.重庆邮电大学学报：自然科学版，2 0 2 0,32（3：统计学特征，为通道闸机人员身份识别技术提供459-468.新的理论支撑。下一阶段的研究目标,可以在本9桑高丽,郑增国,闫超.基于区域分割的表情鲁棒三文方法基础上,动态识别与跟踪目标人脸特征，自维人脸识别方法J.计算机应用研究,2 0 2 0,37（3）：动化、可视化地显示相关信息。914-918.参考文献：10张志强,王萍,于旭东，等.高精度红外热成像测温技术研究J.仪器仪表学报,2 0 2 0,41（5)：10-18.1】刘晓阳，霍祎炜.多尺度分区统一化LBP算子井下人员人脸识别方法J.煤炭科学技术，2 0 19,47（12）：116-123.2龚锐，丁胜，章超华，等.基于深度学习的轻量级和多姿态人脸识别方法J.计算机应用，2 0 2 0，40（3）：704-709.3徐望明,张培,伍世虔.基于多方向Gabor特征图稀疏表示的鲁棒人脸识别方法J.北京理工大学学报，2019,39(7):732 737.4汪学芹.ICU患者3种不同体温测量方法的研究分析J.心理月刊,2 0 2 0,15(8):2 2 1.5张润生，贺超，况朝青.基于深度神经网络的伪装人脸识别J.电子技术应用,2 0 2 0,46（5）：2 7-30.6 Klblin P,Bartler A,Fuller M.Image preprocessing foroutdoor luminescence inspection of large photovoltaicparksJ.Energies,2021,14(9):2508.去一杨尔欣等11钱建军，程曦,闫梦凯，等.稳健人脸感知方法在人体测温系统中的应用J中国科学：信息科学，2020,50(4):617-618.12魏祥坡,余旭初,谭熊，等.CNN和三维Gabor滤波器的高光谱图像分类J.计算机辅助设计与图形学学报,2 0 2 0,32(1):9 0 -9 8.13吴冰,杨翠，魏文英.Gabor滤波与数学形态学结合下激光图像亚像素边缘检测J.激光杂志，2 0 2 0，41(11):110-114.14于万波,王香香,王大庆.基于离散余弦变换基函数送代的人脸图像识别J.图学学报,2 0 2 0,41（1）：8892.15】孙玥,杨国为.具有拒识机制的分类器在人脸识别中的应用J.小型微型计算机系统，2 0 2 0,41（3)：656-661.（责任编辑：丁晓清）(上接第 111 页)3王全民,赵亚康.基于PageRank算法的校园好友关系分析J.计算机技术与发展，2 0 2 0 30（1）：140-143.4邓建新,单路宝,贺德强，等.缺失数据的处理方法及其发展趋势J.统计与决策,2 0 19,35（2 3）：2 8-345 Sun G,Wang F,Wang,et al.Application research on cu-bic spline interpolation based on particle swarm optimi-zation in mine pressure missing data C.2011 Interna-tional Conference on Information Management,InnovationManagement _and Industrial Engineering.Shenzhen,2011:87 90.6刘叶,吴晟,周海河,等.基于K-means聚类算法优化方法的研究J.信息技术,2 0 19,43（1：6 6-7 0.7杨华晖,孟晨，王成，等.基于目标特征选择和去除的改进K-means聚类算法J.控制与决策,2 0 19,34(6):1219-1226.8段桂芹,刘锋,邹臣嵩.改进K中心聚类算法在成绩评价中的应用J.信息技术,2 0 19（3）：40-43,47.9 Leon D,Aragon A,Sandoval J,et al.Clustering algo-rithms for risk-adjusted portfolio construction J.Proce-dia Computer Science,2017,108:1334-1343.10 Pezzotti N,Lelieveldt B P F,Maaten L V D,et al.Ap-proximated and user steerable tSNE for progressive vis-ual analytics J.IEEE Transactions on Visualizationand Computer Graphics,2017,23(7):1739-1752.（责任编辑：丁玥）一 117 一