一种基于无人机的人体遥感测温监测识别系统

本发明涉及人体遥感测温监测技术领域，具体来说，涉及一种基于无人机的人体遥感测温监测识别系统。

背景技术：

红外人体测温设备广泛应用于学校复学、企业园区需要测量体温的场景。但在使用过程中，红外人体测温传感器面临两个问题：传感器测温准确性受环境温度影响，如南方城市与北方城市的温差达到20多摄氏度，同一个城市早上和中午的温差也较大，这给红外测温的准确性带来一定的困难；人体表面皮肤温度受环境温度影响较大，如在寒风中被测人员的额头温度普遍比在室内额头的温度要低，这也给红外人体测温造成一定影响；为解决这个问题，行业内比较可行的做法是增加一个黑体模块作为基准参考温度，有了外置黑体模块，红外测温传感器自动对所测温度进行修正、补偿。该方案的缺点是黑体模块成本高，且安装受使用场地限制，增加人力成本。该方法可以规避红外测温传感器受不同环境温度的影响，但还无法规避人体表面皮肤受环境温度的影响。

此外，目前在疫情防控工作中，由于公共群体不宜使用人工逐一测量体温的方式，传统的巡逻方式采用人工巡逻，效率较低。

针对相关技术中的问题，目前尚未提出有效的解决方案。

技术实现要素：

针对相关技术中的问题，本发明提出一种基于无人机的人体遥感测温监测识别系统，以克服现有相关技术所存在的上述技术问题。

本发明的技术方案是这样实现的：

一种基于无人机的人体遥感测温监测识别系统，包括无人机模组和服务端，所述无人机模组和所述服务端通过内置通信模块进行信息传输，所述无人机模组包括控制模块、探测器模块、飞行控制模块、工业双目摄像模块和红外热成像模块，所述服务端包括图像处理模块，其中；

所述控制模块，用于进行信息处理和进行指令控制；

所述探测器模块，用于获得障碍物信息，将障碍物信息传输至控制模块；

所述飞行控制模块，用于进行控制无人机飞行并进行避障；

所述工业双目摄像模块，用于获取图像信息，其中包括人脸图像信息和障碍物图像信息。

所述红外热成像模块，用于获取人体体温信息并传输至所述控制模块；

所述图像处理模块，用于对所述工业双目摄像模块采集图像信息进行处理。

进一步的，所述图像处理模块，包括以下步骤：

预先进行构件尺度空间，其图像的尺度空间，表示为：

l(x,y,σ)＝g(x,y,σ)*i(x,y)

其中，(x,y)为空间坐标，σ为尺度坐标，其尺度坐标越大，越趋近于整体特征，尺度坐标越小，越趋近于细节特征，

g(x,y,σ)为尺度可变高斯函数，表示为:

基于dog函数构建高斯差分尺度空间，表示为：

d(x,y,σ)＝l(x,y,kσ)-l(x,y,σ)

得到图像的尺度空间后，对尺度空间中的极值点进行检测，并进行选取极值点；

进行计算主方向，包括求取极值点的梯度方向，根据梯度的方向进行旋转，使描述子具有旋转不变性，极值点的梯度，表示为：

梯度幅值，表示为：

m(x,y)＝sqrt((l(x+1,y)-(l(x-1,y))²+(l(x,y+1)-(l(x,y-1))²)

梯度方向，表示为：

计算各个点的方向，设定角度区间，若某一角度区间内具有最多的特征点，则该角度区间的正中方向即为该极值点的方向；

进行生成描述子，包括将坐标轴旋转为特征点的主方向，以特征点为中心，取其邻域x的空间，将空间分为个子空间，在每个子空间上计算梯度方向的累加值，形成一个特征描述子；

进行特征比对匹配，并进行多样本识别，获得特征的相似度进行对比，求取平均值，表示为：

其中，c为具有正确匹配特征点的对数，g(x)和h(x)采样图像特征点和样本图像特征点的对应关系，d(s，)r为相似度计算函数，dfinal为最终相似度。

进一步的，所述对尺度空间中的极值点进行检测，并进行选取极值点，包括以下步骤：

通过拟合二次函数对极值点进行筛选，基于dog函数在尺度空间的泰勒展开式，表示为：

对其求导，使之得，获取修正值，表示为：

将修正值代入到展开式，表示为：

若满足则该特征点为低对比度点，抛弃该特征点。

进一步的，还包括以下步骤：

剔除由边缘响应带来的干扰，包括判断主曲率的大小对干扰极值点进行筛选，包括以下步骤：

获取该点位置尺度的x的hessian矩阵，导数由采样点相邻差来估计，矩阵h，表示为：

其中，dxx表示dog金字塔中某一尺度的图像x方向求导两次；

d的主曲率和h的特征值成正比，令α为最大特征值，β为最小特征值，则：

tr(h)＝dxx+dyy＝α+β

det(h)＝dxxdyy-(dxy)²＝αβ

令α＝γβ，则：

若满足，则将极值点剔除，取γ＝10，获取极值点，即图像的代表特征点。

进一步的，所述进行特征比对匹配，包括以下步骤：

标定采集到的人脸图像，其特征为集合：

si＝(si1,si2,...,sin)

对比图像集合，表示为：

ri＝(ri1,ri2,...,rin)

则任意两点的相似度为其欧式距离，表示为：

对任意描述子sij，计算其与ri中所有描述子的相似度，得到一组相似度集合，对集合进行由大到小的排序，得到集合di，表示为：

di＝(d1,d2,...,dn)

在集合中取相似度最高的值d1，相似度次高值d2，则d1与d2。差值越大，匹配到的点可靠性越高，即区分度越高，表示为：

去除小于qthreshold的匹配序列，便可以得到采集图像和对比图像的特征对应关系，完成特征点的匹配。

进一步的，还包括进行对一个人脸识别的训练，包括以下步骤：

预先分别选取每个样本图像，计算其与其他的样本图像计算相似度，选取相似度之和最高的图片作为基准样本图像；

提取基准样本图像的特征点，构成样本特征点点集，并为每个特征点引入权值w；

再用样本特征点点集去匹配其余的样本图像，若特征点点集的特征点在别的样本图像中成功匹配，则：

w＝w×di

di为匹配到的特征点的相似度，对其权值进行归一化，构成多样本情况下的样本特征，人脸识别，表示为：

最终通过判断dfinal，是否大于r来判断人脸身份。

进一步的，所述无人机模组，还包括gps模块，用于获取当前位置信息并传输至服务端。

进一步的，所述探测器模块为超声波模块。

本发明的有益效果：

本发明基于无人机的人体遥感测温监测识别系统，通过集成无人机模组和服务端，其集成控制模块、探测器模块和飞行控制模块以及工业双目摄像模块和红外热成像模块，其通过获得障碍物信息，将障碍物信息传输至控制模块进行控制无人机飞行并进行避障，并获取人体体温信息和采集人脸图像信息进行识别，实现基于无人机上搭载红外热成像摄像头，可在公共场所进行轨迹巡逻，将巡逻画面实时传送至服务端自动检测行人体温，完成公共场所巡逻及人群体温筛查，具有高效、节省人力等优点。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明实施例的一种基于无人机的人体遥感测温监测识别系统的原理框图；

图2是根据本发明实施例的一种基于无人机的人体遥感测温监测识别系统的流程示意图；

图3是根据本发明实施例的一种基于无人机的人体遥感测温监测识别系统的场景示意图；

图4是根据本发明实施例的一种基于无人机的人体遥感测温监测识别系统的特征示意图；

图5是根据本发明实施例的一种基于无人机的人体遥感测温监测识别系统的多样本人脸识别示意图。

图中：

1、无人机模组；2、服务端；3、通信模块；4、控制模块；5、探测器模块；6、飞行控制模块；7、工业双目摄像模块；8、红外热成像模块；9、图像处理模块。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。

根据本发明的实施例，提供了一种基于无人机的人体遥感测温监测识别系统。

如图1-图5所示，根据本发明实施例的基于无人机的人体遥感测温监测识别系统，包括无人机模组1和服务端2，无人机模组1和服务端2通过内置通信模块3进行信息传输，无人机模组1包括控制模块4、探测器模块5、飞行控制模块6、工业双目摄像模块7和红外热成像模块8，服务端2包括图像处理模块9，其中；

控制模块4，用于进行信息处理和进行指令控制；

探测器模块5，用于获得障碍物信息，将障碍物信息传输至控制模块4；

飞行控制模块6，用于进行控制无人机飞行并进行避障；

工业双目摄像模块7，用于获取图像信息，其中包括人脸图像信息和障碍物图像信息。

红外热成像模块8，用于获取人体体温信息并传输至控制模块4；

图像处理模块9，用于对工业双目摄像模块7采集图像信息进行处理。

借助于上述技术方案，通过集成无人机模组1和服务端2，其集成控制模块4、探测器模块5和飞行控制模块6以及工业双目摄像模块7和红外热成像模块8，其通过获得障碍物信息，将障碍物信息传输至控制模块4进行控制无人机飞行并进行避障，并获取人体体温信息和采集人脸图像信息进行识别，实现基于无人机上搭载红外热成像摄像头，可在公共场所进行轨迹巡逻，将巡逻画面实时传送至服务端自动检测行人体温，完成公共场所巡逻及人群体温筛查，具有高效、节省人力等优点。

另外，具体的，其图像处理模块9，包括以下步骤：

预先进行构件尺度空间，其图像的尺度空间，表示为：

l(x,y,σ)＝g(x,y,σ)*i(x,y)

其中，(x,y)为空间坐标，σ为尺度坐标，其尺度坐标越大，越趋近于整体特征，尺度坐标越小，越趋近于细节特征，

g(x,y,σ)为尺度可变高斯函数，表示为:

应用dog(differenceofgaussian)函数构建高斯差分尺度空间，表示为：

d(x,y,σ)＝l(x,y,kσ)-l(x,y,σ)

如图3所示，其dog金字塔的每一层都是由上一层的两个相邻空间进行差分计算所得，直到dog金字塔的顶端。高斯差分图像描述的是像素值的变化情况，如果相同位置的像素没有变化，即认为没有特征。

得到图像的尺度空间后，对尺度空间中的极值点进行检测。每一个采样点需要与自身尺度上的8个邻域点、该尺度之上尺度空间内的9个邻域点，以及该尺度之下的尺度空间内的9个邻域点，总计26个邻域点进行比较。如果该采样点大于或小于所有26个邻域点，则认为该采样点是图像在该尺度的一个极值点。

进行选取极值点：为了去除对比度较低、不稳定的极值点，增强匹配的稳定性和抗噪声能力，通过一种拟合二次函数对极值点进行筛选。

利用dog函数在尺度空间的泰勒展开式，表示为：

对其求导，使之得0，求得其修正值，表示为：

将修正值代入到展开式，表示为：

若满足则该特征点为低对比度点，抛弃该特征点。

另外，由于dog算子具有较强的边缘响应，所以还需要剔除由边缘响应带来的干扰。dog函数在横跨边缘的方向有较大的主曲率，而在垂直边缘的方向有较小的主曲率，判断主曲率的大小就可以对干扰极值点进行筛选，具体的：

首先计算该点位置尺度的2x2的hessian矩阵，导数由采样点相邻差来估计，矩阵h，表示为：

其中，dxx表示dog金字塔中某一尺度的图像x方向求导两次。

d的主曲率和h的特征值成正比，令α为最大特征值，β为最小特征值，则：

tr(h)＝dxx+dyy＝α+β

det(h)＝dxxdyy-(dxy)²＝αβ

令α＝γβ，则：

若满足则将极值点剔除，lowe建议γ＝10。最终得到一组稳定的极值点，即图像的代表特征点。通过对这组极值点进行特征描述，便可以得到sift特征。

计算主方向：首先求取极值点的梯度方向，根据梯度的方向进行旋转，可以使描述子具有旋转不变性，极值点的梯度为：

梯度幅值，表示为：

m(x,y)＝sqrt((l(x+1,y)-(l(x-1,y))²+(l(x,y+1)-(l(x,y-1))²)

梯度方向，表示为：

计算各个点的方向，设定角度区间，如果某一角度区间内具有最多的特征点，则该角度区间的正中方向即为该极值点的方向。角度区间根据精度不同通常设为36个，即每10度一个。

另外，生成描述子，如图4所示，将坐标轴旋转为特征点的主方向，然后以特征点为中心，取其邻域8x8的空间。之后将空间分为4个子空间，在每个子空间上计算梯度方向的累加值，即可形成一个特征描述子，

进行特征比对匹配，对于采集到的人脸图像，其特征为集合：

si＝(si1,si2,...,sin)

对比图像集合，表示为：

ri＝(ri1,ri2,...,rin)

则任意两点的相似度为其欧式距离，表示为：

对任意描述子sij，计算其与ri中所有描述子的相似度，得到一组相似度集合，对集合进行由大到小的排序，得到集合di，表示为：

di＝(d1,d2,...,dn)

在集合中取相似度最高的值d1，相似度次高值d2，则d1与d2。差值越大，匹配到的点可靠性越高，即区分度越高，表示为：

去除小于qthreshold的匹配序列，便可以得到采集图像和对比图像的特征对应关系，完成特征点的匹配。

进行多样本识别，在利用进化算法获得特征的对应关系后，直接利用具有对应关系的特征的相似度进行对比，求取平均值，表示为：

其中c为具有正确匹配特征点的对数，g(x)和h(x)采样图像特征点和样本图像特征点的对应关系，d(s，r)为相似度计算函数，dfinal为最终相似度。

另外，当正确匹配率大于n时，认为是采样图像与样本图像中的人可能为同一人，以正确的对应关系计算相似度dfinal，如果dfinal大于r则认为是同一人，如果小于r则认为不是同一人，如果最佳覆盖率一直小于n时，认为不是同一人。

由于样本图像相对固定，而采样图像较为多变，所以提取样本图像的特征点构成样本特征保存起来，而将采样图像设为搜索空间，在识别时直接应用样本特征在采样图像中匹配，会提高识别的速度，尤其是在视频等实时应用环境中。人脸识别系统常常采用多样本匹配的方法，也就是每个用户会留下3-5张的样本图像用来和采样图像进行比对，由于存在多个样本，即存在一个人脸识别的训练过程，

此外，如图5所示，具体的，表示为：

首先分别选取每个样本图像，计算其与其他的样本图像计算相似度，选取相似度之和最高的图片作为基准样本图像。然后提取基准样本图像的特征点，构成样本特征点点集，并为每个特征点引入权值w，初始值为1，之后再用样本特征点点集去匹配其余的样本图像，如果特征点点集的特征点在别的样本图像中成功匹配，则：

w＝w×di

di为匹配到的特征点的相似度，在对所有特征点完成计算后，对其权值进行归一化，即权值最大值为1，其余按比例缩小为0到1之间的数，构成多样本情况下的样本特征。在进行人脸识别的过程中，直接应用样本特征在采样图像构成的搜索空间内匹配，完成识别过程，则人脸识别的公式，表示为：

最终仍通过判断dfinal，是否大于r来判断人脸身份。

借助于上述方案，其局部特征选取sift特征和，进化算法以粒子群优化算法进行特征匹配，求取采样图像特征点在样本图像上的最佳覆盖，以进化算法的遗传方法进行求取特征的整体最优解，即为特征点约束过程，以变异方法求取特征点的个体最优解，即特征点跳出局部极值过程，如此交替进行，形成了进化，最终的结果即为特征点匹配关系。在特征匹配完成后，具有对应关系的局部特征即为正确匹配的特征，统计这些特征点的相似度，即可以得到采样图像和样本图像中的人脸相似度，完成人脸识别。不仅能够有效完成特征点的匹配优化过程，对人脸面部的姿态变化、表情变化具有很强的鲁棒性，从而使基于局部特征和进化算法的人脸识别方法能够更加精确地完成人脸识别，相对于其他方法具有识别率高的优势。

综上所述，借助于本发明的上述技术方案，通过集成无人机模组1和服务端2，其集成控制模块4、探测器模块5和飞行控制模块6以及工业双目摄像模块7和红外热成像模块8，其通过获得障碍物信息，将障碍物信息传输至控制模块4进行控制无人机飞行并进行避障，并获取人体体温信息和采集人脸图像信息进行识别，实现基于无人机上搭载红外热成像摄像头，可在公共场所进行轨迹巡逻，将巡逻画面实时传送至服务端自动检测行人体温，完成公共场所巡逻及人群体温筛查，具有高效、节省人力等优点。

上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。