本发明公开了一种红外热像体温监测仪的自校准方法，可实现自动校准，同时，在校准前，会通过红外热像体温监测仪获取的检测区域的温度信息对行人进行初步判断，若判定监测区域内没有行人，则进行自动校准，否则，判定监测区域内可能存在行人，并通过红外图像S进一步判断监测区域是否存在行人，若不存在，则进行自动校准，否则，重复执行对行人的判断，直至判定监测区域内不存在行人后完成温度的自动校准。该红外热像体温监测仪的自校准方法，可避免校准期间因卡顿而造成信息漏报的现象，可实现红外热像体温监测仪对视场范围内的行人体温的连续检测，保证检测的准确性和稳定性。
1.红外热像体温监测仪的自校准方法，其特征在于，包括如下步骤：S1：判断距离上一次红外热像体温监测仪进行校准的时间是否达到时长t1，若是，则执行S2，否则，继续监控距离上一次红外热像体温监测仪进行校准的时间的时长；
S2：利用红外热像体温监测仪，实时获取监测区域的红外图像S以及温度T，之后，遍历温度T并判断其中是否存在大于预设温度阈值T0的值，若不存在，则判定监测区域内没有行人，满足自动校准条件，执行S4，否则，判定监测区域内可能存在行人，执行S3；
S3：判断红外图像S中是否存在行人，若存在，则延时t2时长，并返回至S2继续执行，否则，执行S4；
S4：通过串口控制红外热像体温监测仪进行温度自动校准，并在完成自动校准后返回至S1，等待下一次校准。
2.按照权利要求1所述红外热像体温监测仪的自校准方法，其特征在于：S2中，预设温度阈值T0的值为35℃。
3.按照权利要求1所述红外热像体温监测仪的自校准方法，其特征在于：S3中判断红外图像S中是否存在行人包括如下步骤：S31：获取监测区域中温度大于预设温度阈值T0的值，并查找其在红外图像S中位置坐标，认定这些坐标点组成的区域为疑似目标检测区域S0，并在疑似目标检测区域S0的基础上向外扩5～8个像素，得到区域S1；
S32：在区域S1中提取目标的轮廓特征，并将上述特征信息输入到经过训练的BP神经网络，实现对目标的识别。
4.按照权利要求3所述红外热像体温监测仪的自校准方法，其特征在于：S32中，目标的轮廓特征包括目标的外部轮廓特征以及圆形度特征。
5.按照权利要求4所述红外热像体温监测仪的自校准方法，其特征在于：S32中，目标的轮廓特征的提取方法如下：利用Sobel算子对区域S1进行边缘提取得到目标的轮廓S2，并将轮廓S2的轮廓信息作为目标的外部轮廓特征。
6.按照权利要求5所述红外热像体温监测仪的自校准方法，其特征在于：S32中，将目标的圆形度信息作为其圆形度特征，圆形度是区域边界周长的平方与其面积的比值，得到目标的轮廓S2后，计算S2的面积以及S2的周长，其中，S2的面积为轮廓S2内像素点个数，S2的周长为相邻像素点的距离的累加和，圆形度的计算公式为： 其中，Sk为目标的面积，即S2的面积，Lk为目标的周长，即为S2的周长。
7.按照权利要求1所述红外热像体温监测仪的自校准方法，其特征在于：S32前，还包括训练BP神经网络的步骤，其中，BP神经网络的训练过程如下：采用BP神经网络，将不同体型、性别、身高的行人，分别以不同的行走速度在室内环境下的行走视频作为其训练信号，同时，选取箱子、盒子等物体的运动视频作为神经网络的训练信号。
8.按照权利要求7所述红外热像体温监测仪的自校准方法，其特征在于：BP神经网络隐含层节点数为20，隐含层神经元采用tansig函数，输出层采用logsig函数。
9.按照权利要求1所述红外热像体温监测仪的自校准方法，其特征在于：S1中，t1为30～60min。
10.按照权利要求1所述红外热像体温监测仪的自校准方法，其特征在于：S3中，t2为5～10s。
红外热像体温监测仪的自校准方法
技术领域
[0001] 本发明涉及红外热像体温监测仪的自动校准领域，特别提供了一种红外热像体温监测仪的自校准方法，尤其涉及红外热像体温监测仪在行人体温异常监测过程中的自校准
方法。
背景技术
[0002] 随着红外热像技术在人体温度测量的应用越来越广泛，体温异常检测尤其关乎人们生命和社会稳定，因此，对红外热像体温监测仪的测量精度与稳定性的要求也越来越高，
目前，现有的红外热像体温监测仪在运行一定时间后需要手动校准，校准的过程中红外热
像体温监测仪会卡顿3‑5秒，在此期间存在信息漏报的风险。
[0003] 因此，提出一种新的红外热像体温监测仪自动校准方法，以避免红外热像体温监测仪在校准期间因卡顿而造成漏报的现象，成为人们亟待解决的问题。
发明内容
[0004] 鉴于此，本发明的目的在于提供一种红外热像体温监测仪的自校准方法，以解决现有红外热像体温监测仪在行人体温监测过程中，会因为校准而产生的卡顿造成信息的漏
报的问题。
[0005] 本发明提供的技术方案是：红外热像体温监测仪的自校准方法，包括如下步骤：
[0006] S1：判断距离上一次红外热像体温监测仪进行校准的时间是否达到时长t1，若是，则执行S2，否则，继续监控距离上一次红外热像体温监测仪进行校准的时间的时长；
[0007] S2：利用红外热像体温监测仪，实时获取监测区域的红外图像S以及温度T，之后，遍历温度T并判断其中是否存在大于预设温度阈值T0的值，若不存在，则判定监测区域内没
有行人，满足自动校准条件，执行S4，否则，判定监测区域内可能存在行人，执行S3；
[0008] S3：判断红外图像S中是否存在行人，若存在，则延时t2时长，并返回至S2继续执行，否则，执行S4；
[0009] S4：通过串口控制红外热像体温监测仪进行温度自动校准，并在完成自动校准后返回至S1，等待下一次校准。
[0010] 优选，S2中，预设温度阈值T0的值为35℃。
[0011] 进一步优选，S3中判断红外图像S中是否存在行人包括如下步骤：
[0012] S31：获取监测区域中温度大于预设温度阈值T0的值，并查找其在红外图像S中位置坐标，认定这些坐标点组成的区域为疑似目标检测区域S0，并在疑似目标检测区域S0的基
础上向外扩5～8个像素，得到区域S1；
[0013] S32：在区域S1中提取目标的轮廓特征，并将上述特征信息输入到经过训练的BP神经网络，实现对目标的识别。
[0014] 进一步优选，S32中，目标的轮廓特征包括目标的外部轮廓特征以及圆形度特征。
[0015] 进一步优选，S32中，目标的轮廓特征的提取方法如下：利用Sobel算子对区域S1进行边缘提取得到目标的轮廓S2，并将轮廓S2的轮廓信息作为目标的外部轮廓特征。
[0016] 进一步优选，S32中，将目标的圆形度信息作为其圆形度特征，圆形度是区域边界周长的平方与其面积的比值，得到目标的轮廓S2后，计算S2的面积以及S2的周长，其中，S2的
面积为轮廓S2内像素点个数，S2的周长为相邻像素点的距离的累加和，圆形度的计算公式
为： 其中，Sk为目标的面积，即S2的面积，Lk为目标的周长，即为S2的周长。
[0017] 进一步优选，S32前，还包括训练BP神经网络的步骤，其中，BP神经网络的训练过程如下：采用BP神经网络，将不同体型、性别、身高的行人，分别以不同的行走速度在室内环境
下的行走视频作为其训练信号，同时，选取箱子、盒子等物体的运动视频作为神经网络的训
练信号。
[0018] 进一步优选，BP神经网络隐含层节点数为20，隐含层神经元采用tansig函数，输出层采用logsig函数。
[0019] 进一步优选，S1中，t1为30～60min。
[0020] 进一步优选，S3中，t2为5～10s。
[0021] 本发明提供的红外热像体温监测仪的自校准方法，可实现温度的定时校准，同时，在校准前，会通过红外热像体温监测仪获取的检测区域的温度信息对行人进行初步判断，
若判定监测区域内没有行人，则进行自动校准，否则，通过红外图像S进一步判断监测区域
是否存在行人，若不存在，则进行自动校准，否则，重复执行对行人的判断，直至判定监测区
域内不存在行人后完成温度的自动校准。
[0022] 本发明提供的红外热像体温监测仪的自校准方法，可实现温度的自动校准，可避免校准期间因卡顿而造成信息漏报的现象，可实现红外热像体温监测仪对视场范围内的行
人体温的连续检测，保证检测的准确性和稳定性。
具体实施方式
[0023] 下面将结合具体的实施方案对本发明进行进一步的解释，但并不局限本发明。
[0024] 本发明提供了一种红外热像体温监测仪的自校准方法，包括如下步骤：
[0025] S1：判断距离上一次红外热像体温监测仪进行校准的时间是否达到时长t1，若是，则执行S2，否则，继续监控距离上一次红外热像体温监测仪进行校准的时间的时长，其中，
t1优选为30～60min，更优选为30min；
[0026] 红外热像体温监测仪每隔一段时间需要进行温度校准，以保证温度的准确性，本发明通过预设时长t1，启动温度自动校准，可避免手动校准，其中，时间可通过时钟计时器
获得。
[0027] S2：利用红外热像体温监测仪，实时获取监测区域的红外图像S以及温度T，之后，遍历温度T并判断其中是否存在大于预设温度阈值T0的值，若不存在，则判定监测区域内没
有行人，满足自动校准条件，执行S4，否则，判定监测区域内可能存在行人，执行S3，其中，预
设温度阈值T0的值优选为35℃；
[0028] 此步骤可以通过红外热像体温监测仪获取的检测区域的温度信息对行人进行初步判断，若不存在大于预设温度阈值T0的值，则判定监测区域内没有行人，满足自动校准条
件，否则，判定可能存在行人，通过红外图像S进一步判断监测区域是否存在行人。
[0029] S3：判断红外图像S中是否存在行人，若存在，则延时t2时长，并返回至S2继续执行，否则，执行S4，其中，t2优选为5～10s，更优选，为5s；
[0030] S4：通过串口控制红外热像体温监测仪进行温度自动校准，并在完成自动校准后返回至S1，等待下一次校准。
[0031] 该红外热像体温监测仪的自校准方法可实现温度的自动校准，预设时长t1和t2，当到达校准时长t1时，进一步确定是否满足自动校准条件，首先，通过红外热像体温监测仪
获取的检测区域的温度信息对行人进行初步判断，若不存在大于预设温度阈值T0的值，则
判定监测区域内没有行人，满足自动校准条件，进行自动校准，否则，通过红外图像S进一步
判断监测区域是否存在行人，若不存在，则满足自动校准条件，进行自动校准，否则，重复执
行对行人的判断，直至判定监测区域内不存在行人，并完成温度的自动校准。
[0032] 作为技术方案的改进，S3中判断红外图像S中是否存在行人包括如下步骤：
[0033] S31：获取监测区域中温度大于预设温度阈值T0的值，并查找其在红外图像S中位置坐标，认定这些坐标点组成的区域为疑似目标检测区域S0，并在疑似目标检测区域S0的基
础上向外扩5～8个像素，得到区域S1；
[0034] S32：在区域S1中提取目标的轮廓特征，并将上述特征信息输入到经过训练的BP神经网络，实现对目标的识别。
[0035] 其中，目标的轮廓特征包括目标的外部轮廓特征以及圆形度特征。
[0036] 其中，目标轮廓特征的提取步骤如下：利用Sobel算子对区域S1进行边缘提取得到目标的轮廓S2，并将轮廓S2的轮廓信息作为目标的外部轮廓特征。
[0037] 将目标的圆形度信息作为其圆形度特征，圆形度是区域边界周长的平方与其面积的比值，得到目标的轮廓S2后，计算S2的面积以及S2的周长，其中，S2的面积为轮廓S2内像素
点个数，S2的周长为相邻像素点的距离的累加和，圆形度的计算公式为： 其中，Sk
为目标的面积，即S2的面积，Lk为目标的周长，即为S2的周长。
[0038] S32前，还包括训练BP神经网络的步骤，其中，BP神经网络的训练过程如下：采用BP神经网络，将不同体型、性别、身高的行人，分别以不同的行走速度在室内环境下的行走视
频作为其训练信号，同时，选取箱子、盒子等物体的运动视频作为神经网络的训练信号。
[0039] 优选，BP神经网络隐含层节点数为20，隐含层神经元采用tansig函数，输出层采用logsig函数。
[0040] 本发明的具体实施方式是按照递进的方式进行撰写的，着重强调各个实施方案的不同之处，其相似部分可以相互参见。
[0041] 上面对本发明的实施方式做了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种
变化。
