一种基于身份识别的人体温度趋势检测方法及装置与流程

1.本发明属于图像识别技术领域，具体涉及一种基于身份识别的人体温度趋势检测方法及装置。


背景技术：

2.各级防控单位针对相关人员管控都在利用红外测温装置进行筛查。在人脸识别的同时，完成人体温度检测，实现对疑似人员筛查，已成为目前防控的主要手段。
3.但上述方式对于特定人员在已经感染病毒，但还未发生体温过高情况时，不能实现报警筛查。从而不能百分之百实现防控，出现漏网之鱼。
4.因此，为了避免出现这样情况，构建一种能够更加科学、更加准确和效率更高的温度检测系统及方法，显得十分必要。
5.现有技术中，体温检测方式具有多样性，主要分为接触式和非接触式。接触式体温检测最常见的就是水银温度计，通过将其放置于人体腋下、口腔或肛门等部位3至5分钟测量体温，不仅耗时长，而且皮肤接触测量存在很大的交叉感染风险，不适用于大规模群体的体温检测；非接触式体温测量现在逐步普及，包括电子体温计、红外线体温检测仪等，通过探测耳温、额温等方式获取体温。虽然效率大大提高，一般几秒钟就可以读数，但在大流量群体场景检测时，仍无法完全避免非必要的皮肤接触，而且逐个检测容易出现群体等待，导致交通阻塞的情况出现，无法完全解决及时、快速、安全检测群体体温的问题。
6.目前，市场也逐步出现基于红外技术的体温检测仪器，但他们只是采集行人体温和红外图像，显示在屏幕上，只针对个别体温异常人员进行现场干预或提醒，尚未进行人脸识别，也没建立群体健康档案，无法形成大规模群体体温异常人员的统计和分析，提前预测传染病的发生及扩散。而且，受各地区医疗水平和疫情上报渠道存在差异化的影响，上层决策者往往无法及时了解传染病扩散规模和程度，及时采取适当措施和决策部署，生产企业也不能及时了解未来一段时间的市场需求，导致医疗物资短缺的问题。


技术实现要素：

7.有鉴于此，本发明的主要目的在于提供一种基于身份识别的人体温度趋势检测方法及装置，其基于人脸识别，获取人体在不同环境温度下，多个不同时间段的温度数据，使用预设的数据模型进行数据分析和数据校正，以去除噪声干扰，实现了在复杂环境下的人体温度智能识别；具有检测效率高、检测准确率高和智能化程度高的优点。
8.为达到上述目的，本发明的技术方案是这样实现的：一种基于身份识别的人体温度趋势检测方法，所述方法执行以下步骤：步骤1：实时获取当前时刻下目标区域内人体的体温数据、环境温度数据、区域地理位置数据和人脸图像数据；步骤2：基于获取的人脸图像数据，进行人脸识别，得到该人脸图像数据对应的人体的身份信息；将得到的身份信息、体温数据、环境温度数据、区域地理位置和当前时刻的
时间数据进行一对一绑定，得到绑定数据包；步骤3：将绑定数据包发送至云服务器，云服务对接收到的绑定数据包进行存储；步骤4：云服务器基于绑定数据包内的身份信息、体温数据、环境温度数据、区域地理位置和当前时刻的时间数据，进行数据分析，以判断是否出现体温异常；若出现体温异常，则进行预警。
9.进一步的，所述步骤1还包括：对获取到的当前时刻下目标区域内人体的体温数据、环境温度数据、区域地理位置数据和人脸图像数据进行数据处理的步骤，具体包括：步骤1.1：针对体温数据、环境温度数据依次进行数据规约处理和数据标准化处理；步骤1.2：针对人脸图像数据，进行图像去噪处理，包括：图像平滑处理和中值滤波处理。
10.进一步的，所述步骤1.1包括：进行数据规约处理，包括：去平均值、计算协方差矩阵、计算协方差矩阵的特征值与特征向量、对特征值从大到小排序、保留最大的特征向量、将数据转换到特征向量构建的新空间中；最后得到处理后的新的数据，这些数据之间两两不相干，但保持原有的信息；进行数据标准化处理，将数据按比例缩放，使之落入一个小的特定区间；其中，使用如下的转换函数，对数据进行线性变换，使结果落到[0,1]区间，转换函数如下： ；其中，为数据标准化处理后的结果；为待处理的数据；为数据中的最小值；为数据中的最大值。
[0011]
进一步的，所述步骤1.2包括：进行中值滤波处理：获取两个带方向特性的中值滤波模板；根据确定的像素方向，选择中值滤波模板；使用选择的中值滤波模板对人脸图像数据中的每个像素进行滤波；进行图像平滑处理：对人脸图像数据循环进行预设次数的双边滤波以及变换域滤波，以获得中间图像；根据最小二乘法对所述人脸图像数据、所述中间以及预设平滑图像构造最小二乘模型；利用范数定义所述预设平滑图像的像素强度以及梯度，以获得所述预设平滑图像的约束函数；根据所述最小二乘模型以及所述约束函数得到平滑能量目标函数；利用半二次分裂法以及交替固定变量法求解所述平滑能量目标函数，以获得平滑图像。
[0012]
进一步的，所述步骤2：基于获取的人脸图像数据，进行人脸识别的方法包括：确定人脸图像数据中的待识别区域，基于该待识别区域进行人脸识别；其中，确定人脸图像数据中的待识别区域的方法包括：获取人脸图像数据中每相邻两帧人脸图像之间人脸区域的重合度，得到多个重合度；根据所述多个重合度，从所述多帧人脸图像中筛选出重合度最高所对应的人脸区域，得到待识别的人脸区域。
[0013]
进一步的，所述获取人脸图像数据中每相邻两帧人脸图像之间人脸区域的重合度，得到重合度的方法执行以下步骤：使用如下公式确定人脸识别区域的水平视场角与垂
直视场角：；其中，为人脸识别区域的水平视场角，为人脸识别区域的垂直视场角；和为变换矩阵；和为人脸识别区域的横纵坐标最大值，和为变换后的横纵坐标最大值；、、和为配准参数；通过确定的水平视场角和垂直视场角，确定人脸比较区域，对人脸比较区域进行重合度获取，得到重合度。
[0014]
进一步的，所述步骤4：云服务器基于绑定数据包内的身份信息、体温数据、环境温度数据、区域地理位置和当前时刻的时间数据，进行数据分析，以判断是否出现体温异常；若出现体温异常，则进行预警的方法包括：基于时间数据、环境温度数据和体温数据，获取不同环境温度下，多个不同时间段的体温数据；若在同一区域地理位置下，在同一时间段的体温升高数值超过设定的阈值范围，则判断出现体温异常，进行预警。
[0015]
一种基于身份识别的人体温度趋势检测装置，所述装置包括：数据获取单元，配置用于实时获取当前时刻下目标区域内人体的体温数据、环境温度数据、区域地理位置数据和人脸图像数据；数据处理单元，配置用于基于获取的人脸图像数据，进行人脸识别，得到该人脸图像数据对应的人体的身份信息；将得到的身份信息、体温数据、环境温度数据、区域地理位置和当前时刻的时间数据进行一对一绑定，得到绑定数据包；数据发送单元，配置用于将绑定数据包发送至云服务器，云服务对接收到的绑定数据包进行存储；云服务器，配置用于基于绑定数据包内的身份信息、体温数据、环境温度数据、区域地理位置和当前时刻的时间数据，进行数据分析，以判断是否出现体温异常；若出现体温异常，则进行预警。
[0016]
进一步的，所述数据获取单元对获取到的当前时刻下目标区域内人体的体温数据、环境温度数据、区域地理位置数据和人脸图像数据还将进行数据处理，具体包括：针对体温数据、环境温度数据依次进行数据规约处理和数据标准化处理；针对人脸图像数据，进行图像去噪处理，包括：图像平滑处理和中值滤波处理。
[0017]
进一步的，所述针对体温数据、环境温度数据依次进行数据规约处理和数据标准化处理包括：进行数据规约处理，包括：去平均值、计算协方差矩阵、计算协方差矩阵的特征值与特征向量、对特征值从大到小排序、保留最大的特征向量、将数据转换到特征向量构建的新空间中；最后得到处理后的新的数据，这些数据之间两两不相干，但保持原有的信息；进行数据标准化处理，将数据按比例缩放，使之落入一个小的特定区间；其中，使用如下的转换函数，对数据进行线性变换，使结果落到[0,1]区间，转换函数如下：；其中，为数据标准化处理后的结果；为待处理的数据；为数据中的最小值；为数据中的最大值。
[0018]
本发明的一种基于身份识别的人体温度趋势检测方法及装置，具有如下有益效
果：其基于人脸识别，获取人体在不同环境温度下，多个不同时间段的温度数据，使用预设的数据模型进行数据分析和数据校正，以去除噪声干扰，实现了在复杂环境下的人体温度智能识别；具有检测效率高、检测准确率高和智能化程度高的优点。主要通过以下过程实现：1.人脸识别和体温检测的结合：本发明通过建立同一区域/环境，基准体温自学习模型。通过获取每个人在不同环境温度下，多个不同时间段的温度数据，一旦发现该人员温度在同一时间段升高0.3℃（或某个设定温度）以上的趋势就进行提前预警。正在轻微发烧的人群；2.数据的处理：本发明针对采集到的体温数据和人脸图像数据均进行了数据的处理，以保证后续的人脸识别准确率更高，以及体温检测的准确率更高；针对不同的数据采用不同的数据处理方法，提升数据处理的效果；3.高效的人脸识别算法：本发明在进行人脸识别过程中，首先通过获取重合度来确定人脸区域，因为获取到的图像往往会因为各种因素导致图像的质量出现差别，而通过重合度来获取人脸区域，可以以较高的准确率确定人脸区域，以便提升图像识别的准确率和效率。
附图说明
[0019]
图1为本发明实施例提供的一种基于身份识别的人体温度趋势检测方法的方法流程示意图；图2为本发明实施例提供的一种基于身份识别的人体温度趋势检测方法及装置的装置结构示意图。
具体实施方式
[0020]
下面结合附图及本发明的实施例对本发明的方法作进一步详细的说明。
[0021]
实施例1如图1所示，一种基于身份识别的人体温度趋势检测方法，所述方法执行以下步骤：步骤1：实时获取当前时刻下目标区域内人体的体温数据、环境温度数据、区域地理位置数据和人脸图像数据；步骤2：基于获取的人脸图像数据，进行人脸识别，得到该人脸图像数据对应的人体的身份信息；将得到的身份信息、体温数据、环境温度数据、区域地理位置和当前时刻的时间数据进行一对一绑定，得到绑定数据包；步骤3：将绑定数据包发送至云服务器，云服务对接收到的绑定数据包进行存储；步骤4：云服务器基于绑定数据包内的身份信息、体温数据、环境温度数据、区域地理位置和当前时刻的时间数据，进行数据分析，以判断是否出现体温异常；若出现体温异常，则进行预警。
[0022]
具体的，人体的体温是反应人体健康程度的重要参数之一，在相当比例的健康判断中发挥着高效作用。
[0023]
根据一般体温理论，人体的正常体温为37℃，这也被市场上的绝大多数体温检测
产品作为产品技术逻辑设计的理论依据，将37℃作为人体的基本体温阈值。部分产品为了降低错误预警发生率，在37℃点阈值的基础上设置了限定范围的可调整策略，或者设置了误差范围。进而将实际检测结果与阈值比较，输出结论性信号，如是否为可能的病毒携带者等。
[0024]
然而，以上设计逻辑存在以下问题：37℃的正常体温结论是有前提条件的。
[0025]
前提条件的一方面，该体温值是大量样本的平均值，并不是所有样本的真值，具有统计学意义，但不具备个体含义。举例来说：如果测量样本是甲、乙和丙共三人，其中甲的体温是36.5℃，乙的体温是37.2℃，丙的体温是37.3℃，在医学上三人体温都是正常体温，三人的体温平均值是37.0℃。但对于甲而言，如果其体温升高到37.3℃，则在医学上乙有低烧的可能，但同样是37.3℃的乙和丙，则不存在低烧可能。在实际中，根据统计结论可以发现，不同的人种、不同的生活区域（如西南和东北，亚洲和美洲等地域的不同）会导致平均正常体温的不同。
[0026]
前提条件的另一方面，样本的测量应具有相对稳定且前后一致的测定条件的，一般地，可以以水银温度计测量口腔或者腋下五分钟以上作为测定条件。具体比如，对同一个个体而言，其腋下温度、额头温度、口腔温度均不相同，而且差别较大，一般可达到2-3℃，远远超出了代表健康程度的体温变化值（如温度升高1℃即可认为存在发烧症状）。这在实践中为监管工作带来了隐患可能：按一般监管规定，体温检测会设定以预警值，通常为不超过37.5℃（也根据具体的检测对象而定）。但由于检测环境的开放性，会导致测试条件无法固定，部分现场检测为了满足程序的正当性要求，通常会更换检测点（如本该检测颈部衣服覆盖部位体温的，更换为检测暴露的额温），以满足被检测对象符合温度条件的需求，使监管形同虚设。如甲的腋下温度达到37.8℃，但暴露的额头温度为37.0℃，这会导致通过额头温度检测的方式不预警而通过腋下温度检测出现预警的矛盾结论。
[0027]
所以，无论是样本个体地差异还是测量条件的变化，都会使37℃的体温阈值失去意义。
[0028]
此外，体温检测的另一重要前提是时间稳定性，比如样本甲的颈部温度稳定状态下是37.0℃，但如果甲是刚从低温的户外到达检测点，可能检测温度会低于35.0℃。同理，如果甲刚从空调作用下环境温度达到30℃的车内下车检测，检测温度可能会达到38.0℃以上。这两种情况在实践中已经成为对检测预警监管的严重阻碍，是检测预警错误的重要因素实施例2在上一实施例的基础上，所述步骤1还包括：对获取到的当前时刻下目标区域内人体的体温数据、环境温度数据、区域地理位置数据和人脸图像数据进行数据处理的步骤，具体包括：步骤1.1：针对体温数据、环境温度数据依次进行数据规约处理和数据标准化处理；步骤1.2：针对人脸图像数据，进行图像去噪处理，包括：图像平滑处理和中值滤波处理。
[0029]
具体的，数据预处理（data preprocessing）是指在主要的处理以前对数据进行的
一些处理。如对大部分地球物理面积性观测数据在进行转换或增强处理之前，首先将不规则分布的测网经过插值转换为规则网的处理，以利于计算机的运算。另外，对于一些剖面测量数据，如地震资料预处理有垂直叠加、重排、加道头、编辑、重新取样、多路编辑等。
[0030]
数据归约主要有两个途径：属性选择和数据采样，分别针对原始数据集中的属性和记录。
[0031]
假定在公司的数据仓库选择了数据，用于分析。这样数据集将非常大。在海量数据上进行复杂的数据分析扣挖掘将需要很长时间，使得这种分析不现实或不可行。
[0032]
数据归约技术可以用来得到数据集的归约表示，它虽然小，但仍大致保持原数据的完整性。这样，在归约后的数据集上挖掘将更有效，并产生相同(或几乎相同)的分析结果。
[0033]
在数据分析之前，我们通常需要先将数据标准化（normalization），利用标准化后的数据进行数据分析。数据标准化也就是统计数据的指数化。数据标准化处理主要包括数据同趋化处理和无量纲化处理两个方面。数据同趋化处理主要解决不同性质数据问题，对不同性质指标直接加总不能正确反映不同作用力的综合结果，须先考虑改变逆指标数据性质，使所有指标对测评方案的作用力同趋化，再加总才能得出正确结果。数据无量纲化处理主要解决数据的可比性。数据标准化的方法有很多种，常用的有“最小—最大标准化”、“z-score标准化”和“按小数定标标准化”等。经过上述标准化处理，原始数据均转换为无量纲化指标测评值，即各指标值都处于同一个数量级别上，可以进行综合测评分析。
[0034]
实施例3在上一实施例的基础上，所述步骤1.1包括：进行数据规约处理，包括：去平均值、计算协方差矩阵、计算协方差矩阵的特征值与特征向量、对特征值从大到小排序、保留最大的特征向量、将数据转换到特征向量构建的新空间中；最后得到处理后的新的数据，这些数据之间两两不相干，但保持原有的信息；进行数据标准化处理，将数据按比例缩放，使之落入一个小的特定区间；其中，使用如下的转换函数，对数据进行线性变换，使结果落到[0,1]区间，转换函数如下：；其中，为数据标准化处理后的结果；为待处理的数据；为数据中的最小值；为数据中的最大值。
[0035]
实施例4在上一实施例的基础上，所述步骤1.2包括：进行中值滤波处理：获取两个带方向特性的中值滤波模板；根据确定的像素方向，选择中值滤波模板；使用选择的中值滤波模板对人脸图像数据中的每个像素进行滤波；进行图像平滑处理：对人脸图像数据循环进行预设次数的双边滤波以及变换域滤波，以获得中间图像；根据最小二乘法对所述人脸图像数据、所述中间以及预设平滑图像构造最小二乘模型；利用范数定义所述预设平滑图像的像素强度以及梯度，以获得所述预设平滑图像的约束函数；根据所述最小二乘模型以及所述约束函数得到平滑能量目标函数；利用半二次分裂法以及交替固定变量法求解所述平滑能量目标函数，以获得平滑图像。
[0036]
具体的，中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点。方法是用某种结构
的二维滑动模板，将板内像素按照像素值的大小进行排序，生成单调上升（或下降）的为二维数据序列。二维中值滤波输出为g（x,y）=med{f(x-k,y-l),(k,l∈w)} ，其中，f(x,y)，g(x,y)分别为原始图像和处理后图像。w为二维模板，通常为3*3，5*5区域，也可以是不同的的形状，如线状，圆形，十字形，圆环形等。
[0037]
实施例5在上一实施例的基础上，所述步骤2：基于获取的人脸图像数据，进行人脸识别的方法包括：确定人脸图像数据中的待识别区域，基于该待识别区域进行人脸识别；其中，确定人脸图像数据中的待识别区域的方法包括：获取人脸图像数据中每相邻两帧人脸图像之间人脸区域的重合度，得到多个重合度；根据所述多个重合度，从所述多帧人脸图像中筛选出重合度最高所对应的人脸区域，得到待识别的人脸区域。
[0038]
具体的，人脸识别系统主要包括四个组成部分，分别为：人脸图像采集及检测、人脸图像预处理、人脸图像特征提取以及匹配与识别。
[0039]
人脸图像采集：不同的人脸图像都能通过摄像镜头采集下来，比如静态图像、动态图像、不同的位置、不同表情等方面都可以得到很好的采集。当用户在采集设备的拍摄范围内时，采集设备会自动搜索并拍摄用户的人脸图像。
[0040]
人脸检测：人脸检测在实际中主要用于人脸识别的预处理，即在图像中准确标定出人脸的位置和大小。人脸图像中包含的模式特征十分丰富，如直方图特征、颜色特征、模板特征、结构特征及haar特征等。人脸检测就是把这其中有用的信息挑出来，并利用这些特征实现人脸检测。
[0041]
主流的人脸检测方法基于以上特征采用adaboost学习算法，adaboost算法是一种用来分类的方法，它把一些比较弱的分类方法合在一起，组合出新的很强的分类方法。
[0042]
人脸检测过程中使用adaboost算法挑选出一些最能代表人脸的矩形特征(弱分类器)，按照加权投票的方式将弱分类器构造为一个强分类器，再将训练得到的若干强分类器串联组成一个级联结构的层叠分类器，有效地提高分类器的检测速度。
[0043]
人脸图像预处理：对于人脸的图像预处理是基于人脸检测结果，对图像进行处理并最终服务于特征提取的过程。系统获取的原始图像由于受到各种条件的限制和随机干扰，往往不能直接使用，必须在图像处理的早期阶段对它进行灰度校正、噪声过滤等图像预处理。对于人脸图像而言，其预处理过程主要包括人脸图像的光线补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波以及锐化等。
[0044]
人脸图像特征提取：人脸识别系统可使用的特征通常分为视觉特征、像素统计特征、人脸图像变换系数特征、人脸图像代数特征等。人脸特征提取就是针对人脸的某些特征进行的。人脸特征提取，也称人脸表征，它是对人脸进行特征建模的过程。人脸特征提取的方法归纳起来分为两大类：一种是基于知识的表征方法；另外一种是基于代数特征或统计学习的表征方法。
[0045]
基于知识的表征方法主要是根据人脸器官的形状描述以及他们之间的距离特性来获得有助于人脸分类的特征数据，其特征分量通常包括特征点间的欧氏距离、曲率和角度等。人脸由眼睛、鼻子、嘴、下巴等局部构成，对这些局部和它们之间结构关系的几何描述，可作为识别人脸的重要特征，这些特征被称为几何特征。基于知识的人脸表征主要包括基于几何特征的方法和模板匹配法。
[0046]
人脸图像匹配与识别：提取的人脸图像的特征数据与数据库中存储的特征模板进行搜索匹配，通过设定一个阈值，当相似度超过这一阈值，则把匹配得到的结果输出。人脸识别就是将待识别的人脸特征与已得到的人脸特征模板进行比较，根据相似程度对人脸的身份信息进行判断。这一过程又分为两类：一类是确认，是一对一进行图像比较的过程，另一类是辨认，是一对多进行图像匹配对比的过程。
[0047]
实施例6在上一实施例的基础上，所述获取人脸图像数据中每相邻两帧人脸图像之间人脸区域的重合度，得到重合度的方法执行以下步骤：使用如下公式确定人脸识别区域的水平视场角与垂直视场角：；其中，为人脸识别区域的水平视场角，为人脸识别区域的垂直视场角；和为变换矩阵；和为人脸识别区域的横纵坐标最大值，和为变换后的横纵坐标最大值；、、和为配准参数；通过确定的水平视场角和垂直视场角，确定人脸比较区域，对人脸比较区域进行重合度获取，得到重合度。
[0048]
实施例7在上一实施例的基础上，所述步骤4：云服务器基于绑定数据包内的身份信息、体温数据、环境温度数据、区域地理位置和当前时刻的时间数据，进行数据分析，以判断是否出现体温异常；若出现体温异常，则进行预警的方法包括：基于时间数据、环境温度数据和体温数据，获取不同环境温度下，多个不同时间段的体温数据；若在同一区域地理位置下，在同一时间段的体温升高数值超过设定的阈值范围，则判断出现体温异常，进行预警。
[0049]
实施例8一种基于身份识别的人体温度趋势检测装置，所述装置包括：数据获取单元，配置用于实时获取当前时刻下目标区域内人体的体温数据、环境温度数据、区域地理位置数据和人脸图像数据；数据处理单元，配置用于基于获取的人脸图像数据，进行人脸识别，得到该人脸图像数据对应的人体的身份信息；将得到的身份信息、体温数据、环境温度数据、区域地理位置和当前时刻的时间数据进行一对一绑定，得到绑定数据包；数据发送单元，配置用于将绑定数据包发送至云服务器，云服务对接收到的绑定数据包进行存储；云服务器，配置用于基于绑定数据包内的身份信息、体温数据、环境温度数据、区域地理位置和当前时刻的时间数据，进行数据分析，以判断是否出现体温异常；若出现体温异常，则进行预警。
[0050]
具体的，本发明基于人脸识别，获取人体在不同环境温度下，多个不同时间段的温度数据，使用预设的数据模型进行数据分析和数据校正，以去除噪声干扰，实现了在复杂环境下的人体温度智能识别；具有检测效率高、检测准确率高和智能化程度高的优点。主要通过以下过程实现：
1.人脸识别和体温检测的结合：本发明通过建立同一区域/环境，基准体温自学习模型。通过获取每个人在不同环境温度下，多个不同时间段的温度数据，一旦发现该人员温度在同一时间段升高0.3℃（或某个设定温度）以上的趋势就进行提前预警。正在轻微发烧的人群；2.数据的处理：本发明针对采集到的体温数据和人脸图像数据均进行了数据的处理，以保证后续的人脸识别准确率更高，以及体温检测的准确率更高；针对不同的数据采用不同的数据处理方法，提升数据处理的效果；3.高效的人脸识别算法：本发明在进行人脸识别过程中，首先通过获取重合度来确定人脸区域，因为获取到的图像往往会因为各种因素导致图像的质量出现差别，而通过重合度来获取人脸区域，可以以较高的准确率确定人脸区域，以便提升图像识别的准确率和效率实施例9在上一实施例的基础上，所述数据获取单元对获取到的当前时刻下目标区域内人体的体温数据、环境温度数据、区域地理位置数据和人脸图像数据还将进行数据处理，具体包括：针对体温数据、环境温度数据依次进行数据规约处理和数据标准化处理；针对人脸图像数据，进行图像去噪处理，包括：图像平滑处理和中值滤波处理。
[0051]
实施例10在上一实施例的基础上，所述针对体温数据、环境温度数据依次进行数据规约处理和数据标准化处理包括：进行数据规约处理，包括：去平均值、计算协方差矩阵、计算协方差矩阵的特征值与特征向量、对特征值从大到小排序、保留最大的特征向量、将数据转换到特征向量构建的新空间中；最后得到处理后的新的数据，这些数据之间两两不相干，但保持原有的信息；进行数据标准化处理，将数据按比例缩放，使之落入一个小的特定区间；其中，使用如下的转换函数，对数据进行线性变换，使结果落到[0,1]区间，转换函数如下：；其中，为数据标准化处理后的结果；为待处理的数据；为数据中的最小值；为数据中的最大值。
[0052]
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0053]
需要说明的是，上述实施例提供的系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
[0054]
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0055]
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对
应的程序可以置于随机存储器（ram）、内存、只读存储器（rom）、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0056]
术语“第一”、
ꢀ“
第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
[0057]
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
[0058]
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
[0059]
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。