正值，若所述校准方向为正方向，则校准后的温度值等于测量结果加上校准量；若所述校准方向为负方向，则校准后的温度值等于测量结果减去校准量。
[0091]可选地，可通过显示屏以文字或图像方式输出校准后的温度值；或者，可通过语音输出模块(例如麦克风)以音频方式输出校准后的温度值；或者，可以同时通过显示屏和语音输出模块输出校准后的温度值。
[0092]本发明实施例中，调用温度传感器对目标物进行测温后，根据目标物的类型选择相应的校准模型并获取温度传感器的测量结果，根据所述测量结果所在的温度区间以及所述相应的校准模型确定校准方向和校准量；按照所述校准方向和所述校准量对所述测量结果进行校准并输出校准后的温度值。采用本发明实施例，针对不同的目标物类型和不同的温度区间对测量的温度值进行校准，可提高温度校准的准确性。
[0093]参见图6，是本发明的另一个实施例提供的终端的结构示意图。如图6所示，该终端可包括存储单元601、训练单元602、第一接收单元603、选择单元604、确定单元605、校准单元606、记录单元607和第一更新单元608，其中:
[0094]存储单元601，用于存储与至少两种目标物类型关联的至少两个校准算法以及携带类别标记的训练样本集，其中所述类别标记包括目标物类型标记和校准方向标记。
[0095]具体实施中，上述至少两个校准算法可以是基于同一个基础算法的不同改进算法，例如，可以是基于人工神经网络(Artificial Neural Network，简称ANN)算法的不同改进算法。ANN算法具有自学习、自组织、自适应以及很强的非线性函数逼近能力，拥有强大的容错性，是处理非线性系统的有力工具。上述至少两个校准算法的一些系数可以不同。
[0096]具体地，训练样本集中可包括多次测温的测量数据和校准数据，校准数据包括校准方向和校准量。每次测温的测量数据和校准数据为训练样本集中的一个元素。每个元素可携带类型标记，类型标记包括目标物类型标记和校准方向标记。可选地，目标物类型可包括生命体类型或物体类型。
[0097]作为一种可行的实施方式，训练样本集可以是在终端出厂前进行温度测量测试和校准得到的。
[0098]训练单元602，用于根据所述目标物类型标记对所述训练样本集中的每个元素执行相应的校准算法，训练得到与所述至少两种目标物类型相对应的至少两个校准模型。
[0099]针对训练样本集中的每个元素，根据携带的类型标记中的目标物类型标记可确定相应的校准算法，并将每个元素代入相应的校准算法进行训练，可得到与上述至少两种目标物类型相对应的至少两个校准模型。例如生命体温度校准模型和物体温度校准模型。
[0100]在一些可行的实施方式中，可通过树形图对所述至少两个校准模型进行管理。例如生命体温度校准模型的树形图可如图4所示，其中不同的层代表不同的温度区间划分粒度，每个节点表示一个温度区间，节点的不同填充样式代表不同的校准方向。随着训练样本集的元素越来多，温度区间的粒度越来越小，树形图的层数可越来越多。
[0101]第一接收单元603，用于接收用户输入的测温指令，调用温度传感器对目标物进行测温。
[0102]选择单元604，用于根据所述目标物的类型选择相应的校准模型，以及获取所述温度传感器的测量结果，其中所述相应的校准模型中包括多个预设温度区间对应的校准方向。
[0103]确定单元605，用于根据所述测量结果所在的温度区间以及所述相应的校准模型确定校准方向和校准量。
[0104]校准单元606，用于按照所述校准方向和所述校准量对所述测量结果进行校准并输出校准后的温度值。
[0105]作为一种可行的实施方式，第一接收单元603、选择单元604、确定单元605和校准单元606的【具体实施方式】可参考图1所示实施例中相应单元的【具体实施方式】，在此不赘述。
[0106]记录单元607，用于记录所述测量结果和所述校准后的温度值。
[0107]第一更新单元608，用于根据所述测量结果和所述校准后的温度值更新所述相应的校准模型。
[0108]在一些可行的实施方式中，每次测温后，终端可记录温度传感器的测量结果和校准后的温度值，将记录的数据加入上述训练样本集，以更新相应的校准模型。
[0109]具体实施中，随着训练样本集的元素越来越多，预设温度区间的划分可更加精细，校准模型的准确度将越来越高。
[0110]本发明实施例中，存储与至少两种目标物类型关联的至少两个校准算法以及携带类别标记的训练样本集，对所述训练样本集中的每个元素执行相应的校准算法，训练得到与所述至少两种目标物类型相对应的至少两个校准模型，调用温度传感器对目标物进行测温后，根据目标物的类型选择相应的校准模型并获取温度传感器的测量结果，根据所述测量结果所在的温度区间以及所述相应的校准模型确定校准方向和校准量；按照所述校准方向和所述校准量对所述测量结果进行校准并输出校准后的温度值，并根据测量结果和校准结果对相应的模型进行更新。采用本发明实施例，针对不同的目标物类型和不同的温度区间对测量的温度值进行校准，并对每次测温的测量结果和校准结果进行学习，可提高温度校准的准确性。
[0111]参见图7，是本发明的又一个实施例提供的终端的结构示意图。如图7所示，该终端可包括存储单元701、训练单元702、第一接收单元703、选择单元704、确定单元705、校准单元706、第二接收单元707和第二更新单元708，其中:
[0112]存储单元701，用于存储与至少两种目标物类型关联的至少两个校准算法以及携带类别标记的训练样本集，其中所述类别标记包括目标物类型标记和校准方向标记。
[0113]具体实施中，上述至少两个校准算法可以是基于同一个基础算法的不同改进算法，例如，可以是基于人工神经网络(Artificial Neural Network，简称ANN)算法的不同改进算法。ANN算法具有自学习、自组织、自适应以及很强的非线性函数逼近能力，拥有强大的容错性，是处理非线性系统的有力工具。上述至少两个校准算法的一些系数可以不同。
[0114]具体地，训练样本集中可包括多次测温的测量数据和校准数据，校准数据包括校准方向和校准量。每次测温的测量数据和校准数据为训练样本集中的一个元素。每个元素可携带类型标记，类型标记包括目标物类型标记和校准方向标记。可选地，目标物类型可包括生命体类型或物体类型。
[0115]作为一种可行的实施方式，训练样本集可以是在终端出厂前进行温度测量测试和校准得到的。
[0116]训练单元702，用于根据所述目标物类型标记对所述训练样本集中的每个元素执行相应的校准算法，训练得到与所述至少两种目标物类型相对应的至少两个校准模型。
[0117]针对训练样本集中的每个元素，根据携带的类型标记中的目标物类型标记可确定相应的校准算法，并将每个元素代入相应的校准算法进行训练，可得到与上述至少两种目标物类型相对应的至少两个校准模型。例如生命体温度校准模型和物体温度校准模型。
[0118]在一些可行的实施方式中，可通过树形图对所述至少两个校准模型进行管理。例如生命体温度校准模型的树形图可如图4所示，其中不同的层代表不同的温度区间划分粒度，每个节点表示一个温度区间，节点的不同填充样式代表不同的校准方向。随着训练样本集的元素越来多，温度区间的粒度越来越小，树形图的层数可越来越多。
[0119]第一接收单元703，用于接收用户输入的测温指令，调用温度传感器对目标物进行测温。
[0120]选择单元704，用于根据所述目标物的类型选择相应的校准模型，以及获取所述温度传感器的测量结果，其中所述相应的校准模型中包括多个预设温度区间对应的校准方向。
[0121]确定单元705，用于根据所述测量结果所在的温度区间以及所述相应的校准模型确定校准方向和校准量。
[0122]校准单元706，用于按照所述校准方向和所述校准量对所述测量结果进行校准并输出校准后的温度值。
[0123]作为一种可行的实施方式，第一接收单元703、选择单元704、确定单元705和校准单元706的【具体实施方式】可参考图1所示实施例中相应单元的【具体实施方式】，在此不赘述。
[0124]第二接收单元707，用于接收用户输入的校准温度值。
[0125]在一些可行的实施方式中，终端的测温结果显示界面可包括手动校准选项。若用户在测温结果显示界面上对该手动校准选项进行操作，可提示用户输入校准温度值。其中，该校准温度值可以是用户使用其他较精准的温度计对同一目标物进行测温得到的温度值。
[0126]第二更新单元708，用于根据所述测量结果和所述用户输入的校准温度值更新所述相应的校准模型。
[0127]具体实施中，可以将该测量结果和所述用户输入的校准温度值加入所述训练样本集，以更新相应的校准模型。随着训练样本集的元素越来越多，预设温度区间的划分可更加精细，校准模型的准确度将越来越高。
[0128]本发明实施例中，存储与至少两种目标物类型关联的至少两个校准算法以及携带类别标记的训练样本集，对所述训练样本集中的每个元素执行相应的校准算法，训练得到与所述至少两种目标物类型相对应的至少两个校准模型，调用温度传感器对目标物进行测温后，根据目标物的类型选择相应