基于红外和可见光的车站行人温度检测系统技术方案

一种基于红外和可见光的车站行人温度检测系统，包括前端采集设备和后端接收处理设备；所述前端采集设备是红外激光一体化摄像头；后端处理设备包括交换机和图像融合测温服务器；所述红外激光一体化摄像头采集到的红外视频帧和可见光视频帧通过交换机传给图像融合测温服务器；图像融合测温服务器对红外视频帧的红外图像和可见光视频帧的可见光图像进行处理并根据处理结果进行告警；所述图像融合测温服务器中，先对图像融合进行检测，再多目标跟踪体温检测。本发明专利技术解决了大场景下难以精准快速测温的难题，可以满足大场景的快速测温需求。需求。需求。

【技术实现步骤摘要】
基于红外和可见光的车站行人温度检测系统


[0001]本专利技术涉及目标检测领域，具体涉及一种基于红外和可见光的车站行人温度 检测系统。
技术背景
[0002]以某城市地铁举例，截止2019年12月，该城市地铁已开通运营线路23条 车站405座车站，运营里程达679.5公里，日均客运量超过1200万人次，其中 1/4的车站(96座)常态化限流，客流十分密集。
[0003]车站乘客体温检测工作尤为重要。传统接触式的水银及电子体温计无法满足 疫情防护的安全需求；非接触式的体温计主要以红外线非接触式测温计为主，按 照测温部位分为额温、腕温及耳温的测量仪，一般适用于近距离的人工测量，测 量距离在5cm以内。非接触近距离人工测量的优点是精度较准确，适用于少数人 群的测量；其缺点是乘客需排队等候、检测时间在2
‑
3秒左右，需地铁安排专人 身穿防护服逐一测量体温，容易导致车站客流排队滞留，影响乘客出行，在高峰 时段难以满足地铁大客流快速出行需求。目前部分地铁也装备了非配合式热成像 测温设备，但目前普遍存在测温精度不高(一般
±
0.3℃
‑±
1℃)，监控范围小， 响应速度慢等缺点，仍难以满足地铁大客流通行测温需要。
[0004]随着智慧城市的建设，监控系统已经完全融入了人们的生活，是公共场合安 全的重要保证。监控系统中主要的研究内容包括行人检测、行人跟踪、行人再识 别和行人视觉属性识别。行人检测是指在图像中搜索是否存在行人，同时给出行 人的位置区域信息。行人跟踪可以获得行人的移动轨迹，即使目标脱离监控摄像 头范围，也可以根据移动轨迹进行大致的方向预测。行人再识别是给定目标行人 的图像，在视频中找出目标行人。行人视觉属性识别是指识别行人的性别、年龄、 发型、服装等语义属性特征，可以得到一个行人的描述。
[0005]目前，红外激光一体化摄像头为大客流情况下的精准温度监测提供了技术支 持。通过挖掘、融合可见光与热感图像中的行人信息与温度信息，可以满足大场 景的快速测温需求，并且实现体温异常目标跟踪，具有一定的研究价值和社会意 义。

技术实现思路

[0006]为了解决现有技术中的技术问题，本专利技术提出一种基于红外和可见光的车站 行人温度检测系统，包括前端采集设备和后端接收处理设备；所述前端采集设备 是红外激光一体化摄像头；后端处理设备包括交换机和图像融合测温服务器；所 述红外激光一体化摄像头采集到的红外视频帧和可见光视频帧通过交换机传给 图像融合测温服务器；图像融合测温服务器对红外视频帧的红外图像和可见光视 频帧的可见光图像进行处理并根据处理结果进行告警；所述图像融合测温服务器 中，先对图像融合进行检测，再多目标跟踪体温检测。
[0007]所述对图像融合进行检测是采用改进的YOLOv5目标检测网络对输入的红外 图像
和可见光图像进行融合和检测；对YOLOv5目标检测网络的改进方法为：
[0008]首先，采用基于DenseFuse的特征融合模块对红外图像和可见光图像进行特 征融合：对于红外图像和可见光图像中任一种，在特征融合模块中，特征提取部 分的C1层提取粗糙特征，然后用DenseBlock层提取深度特征；再用融合层融合 红外图像和可见光图像的特征图；特征重建部分使用卷积层来重构最终融合的图 像；
[0009]然后，在YOLOv5目标检测网络中对最终融合的图像进行处理，并采用三个 Decoupled Head解耦头预测模块分别对目标框的类别及预测分数、正负样本和 目标框的坐标信息进行预测；最后通过Concat模块把预测结果堆叠到一起输出；
[0010]对改进后的YOLOv5目标检测网络进行训练后，得到所需检测网络，把对红 外图像和可见光图像输入训练后的网络模型，经处理后得到目标的检测框。
[0011]本专利技术采用可见光和红外图像特征级融合的思想，提出了一种基于红外和可 见光的车站行人温度检测系统，解决了大场景下难以精准快速测温的难题，可以 满足大场景的快速测温需求，具有一定的研究价值和社会意义。
附图说明
[0012]图1是本系统的硬件原理框图；
[0013]图2是本系统的处理流程图；
[0014]图3是本系统的改进的YOLOv5目标检测网络示意图；
[0015]图4是本系统得到的检测图片与现有系统得到检测图片的对比示意图；
[0016]图5是基于DenseFuse的特征融合模块示意图；
[0017]图6a是加法融合策略图；
[0018]图6b是L1
‑
范数融合策略图。
具体实施方式
[0019]下面结合附图与具体实施方式对本专利技术进一步说明。
[0020]参考图1、2，一种基于红外和可见光的车站行人温度检测系统，包括前端 采集设备和后端接收处理设备；所述前端采集设备是红外激光一体化摄像头；后 端处理设备包括交换机和图像融合测温服务器；所述红外激光一体化摄像头采集 到的红外视频帧和可见光视频帧通过交换机传给图像融合测温服务器；图像融合 测温服务器对红外视频帧的红外图像和可见光视频帧的可见光图像进行处理并 根据处理结果进行告警；所述图像融合测温服务器中，先对图像融合进行检测， 再多目标跟踪体温检测。
[0021]所述对图像融合进行检测是采用改进的YOLOv5目标检测网络对输入的红外 图像和可见光图像进行融合和检测；参考图3，对YOLOv5目标检测网络的改进 方法为：
[0022]首先，采用基于DenseFuse的特征融合模块对红外图像和可见光图像进行特 征融合：对于红外图像和可见光图像中任一种，在特征融合模块中，特征提取部 分的C1层提取粗糙特征，然后用DenseBlock层提取深度特征；再用融合层融合 红外图像和可见光图像的特征图；特征重建部分使用卷积层来重构最终融合的图 像；
[0023]然后，在YOLOv5目标检测网络中对最终融合的图像进行处理，并采用三个 Decoupled Head解耦头预测模块分别对目标框的类别及预测分数、正负样本和 目标框的
坐标信息进行预测；最后通过Concat模块把预测结果堆叠到一起输出；
[0024]对改进后的YOLOv5目标检测网络进行训练后，得到所需检测网络，把对红 外图像和可见光图像输入训练后的网络模型，经处理后得到目标的检测框。
[0025]基于DenseFuse的特征融合模块中，DenseFuse网络架构包括特征提取部分、 融合层和特征重建部分：
[0026]特征提取部分包括C1层和DenseBlock层，C1层提取粗糙特征，DenseBlock 层提取深度特征；
[0027]将红外图像和可见光图像分别输入特征提取部分，由特征提取部分分别提取 它们的特征图；红外图像和可见光图像的特征图再由融合层融合；在融合层中， 对特征图执行加法策略或者L1
‑
范数策略；
[0028]特征重建部分使用卷积层来重构最终融合的图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于红外和可见光的车站行人温度检测系统，包括前端采集设备和后端接收处理设备；所述前端采集设备是红外激光一体化摄像头；后端处理设备包括交换机和图像融合测温服务器；所述红外激光一体化摄像头采集到的红外视频帧和可见光视频帧通过交换机传给图像融合测温服务器；图像融合测温服务器对红外视频帧的红外图像和可见光视频帧的可见光图像进行处理并根据处理结果进行告警；所述图像融合测温服务器中，先对图像融合进行检测，再多目标跟踪体温检测，其特征是所述对图像融合进行检测是采用改进的YOLOv5目标检测网络对输入的红外图像和可见光图像进行融合和检测；对YOLOv5目标检测网络的改进方法为：首先，采用基于DenseFuse的特征融合模块对红外图像和可见光图像进行特征融合：对于红外图像和可见光图像中任一种，在特征融合模块中，特征提取部分的C1层提取粗糙特征，然后用DenseBlock层提取深度特征；再用融合层融合红外图像和可见光图像的特征图；特征重建部分使用卷积层来重构最终融合的图像；然后，在YOLOv5目标检测网络中对最终融合的图像进行处理，并采用三个Decoupled Head解耦头预测模块分别对目标框的类别及预测分数、正负样本和目标框的坐标信息进行预测；最后通过Conc...

【专利技术属性】
技术研发人员：吕其修，张华，李鸿，
申请(专利权)人：江苏集萃未来城市应用技术研究所有限公司，
类型：发明
国别省市：