赵 耀

（中国铁路设计集团有限公司 电化电信工程设计研究院，天津 300308）

疫情防控常态化对铁路客运站的管理工作提出了新的挑战。长期安排专人测温成本高、速度慢，如何更高效地监测旅客体温信息，避免旅客发生交叉感染，成为亟须解决的问题。

目前，常用的技术存在单人测温效率低、手工记录数据慢、受噪声热点影响测温数据不准、单人脸测温技术不稳健等因素导致的测温精度低、单人脸抓拍漏测率高等问题[1]，无法应对铁路客运站大流量场景的防疫测温工作。因此，需设计一种适应大流量测温场景，通用性强，且可复制的测温方案[2]。

为此，本文结合人像检测、人员跟踪、红外热成像技术，设计大流量智能测温系统。基于人像检测技术[3]可快速抓拍并保存人像信息；通过人员跟踪技术可在相对较长时间内，有效跟踪测温范围内每一位旅客的人体，并准确定位旅客人脸及额头位置；进而通过红外热成像技术获取每一位旅客的连续的人脸及额头测温平均值，实现测温数据与人脸信息的准确关联，从而在保证大客流场景下的低漏测、高效测温的同时，能有效获取精准的体温数据。所提方案能提高管理人员防疫测温的工作效率，降低人力成本，打造旅客进站乘车的无感测温体验，助力铁路客运站疫情期间的安全高效运行。

1 核心技术

1.1 人脸检测模型

系统采用Faceboxes[4]作为基础人脸检测框架，对视频流中的人脸和人头进行检测，其模型架构如图1 所示，由骨架网络、特征金字塔、多任务损失函数3 部分组成。其中，骨架网络用于提取人脸图像全局特征；特征金字塔用于从骨架网络的全局特征中获取不同尺度下的图像特征；多任务损失函数用于网络训练。

图1 人脸检测模型结构

图1 中，conv 为Convolution的缩写，代表卷积层，conv 1、conv 2、……、convn代表n个不同的卷积层；卷积层上方的参数，如“3×3×4，s1”表示卷积核尺寸为3×3，卷积层的输出通道为4，s 为stride的缩写，指卷积核的移动步长，s1 表示移动步长为1，s2 表示移动步长为2。

1.1.1 骨架网络

骨架网络用于提取人脸图像全局特征。为了在计算资源有限情况下实现大流量、高分辨率、高精度、实时的人脸检测，本文设计了如图1 所示的骨架网络。为克服高分辨率人脸图像对计算资源的消耗，骨架网络在conv 1、conv 2、conv 3、conv 5 中连续使用步长为2的卷积层进行快速降采样操作。为减少降采样过程中的信息丢失，骨架网络在conv 4、conv 6、conv 7、conv 8、conv 9 使用步长为1的卷积层进行特征学习。图1 中3×3 卷积（图1 中白色方块）接1×1 卷积（图1 中灰色方块）为depth-wised 卷积层[5]，使用该卷基层代替传统卷积层可显著提升模型在CPU 和移动处理器上的计算速度。

1.1.2 特征金字塔

特征金字塔用于从骨架网络的全局特征中获取不同尺度下的图像特征。特征金字塔由conv 11、conv 12、conv 13 及其后接的1×1 conv 构成。

1.1.3 多任务损失函数

多任务损失函数包括SmoouthL1 损失函数[4]和Focal 损失函数[5]。其中，SmoouthL1 损失函数为回归人脸检测框损失函数，其计算公式为

其中，x为模型回归层输出值；y为真实值。

Focal 损失函数为对人脸框进行前景、背景分类的损失函数，其计算公式为

其中，label=1 表示为正样本，label=0 表示为背景；置信度p为网络的输出，用于判断检测框中的物体是人脸和人头还是背景；α ∈(0,1)用来控制正负样本对整体损失的贡献，其值减小时正样本的权重增大；γ ＞0，为超参数，用于减少易分样本的损失。

系统通过对人脸进行检测、跟踪、抓拍、评分、筛选等一系列操作，结合对采集到的人脸照片进行质量检测，自动选出符合人脸提取条件的人脸照片进行抓拍并输出。

1.2 人员跟踪

基于人脸检测算法，将每帧中的图像进行比对后，形成连续的人脸位置信息，从而保证在测温人员持续行走不停留的情况下，实现对其额头的持续温度检测，提高了检测温度的准确性，人员跟踪流程如图2 所示。

图2 人员跟踪流程

1.3 红外热成像技术

被测物发射的红外线辐射，通过光学镜头收集后被红外探测器所获取[6]。因辐射能量和温度存在对应关系，通过信号处理系统将辐射能量（温度）以不同灰度显示出来[7]。基于该红外辐射原理，测温系统通过红外探测器检测被测物的红外辐射能量，并使用黑体（用于标定红外系统的基准源）进行测温标定，建立灰度与温度的准确对应关系，来实现测温功能。通过将采集到的黑体的视频监控信息与红外辐射信息关联，提高系统的测温精度。

2 系统设计

2.1 系统总体架构

大流量智能测温系统总体架构如图3 所示，包括基础层、资源层、算法层、业务层。其中，基础层包括摄像头、黑体、工控机等基础终端设备，实现对人脸图像及测温信息的采集、处理及存储；资源层包括人脸信息、人体信息、温度信息等；算法层包括人像检测、人头检测、人员跟踪、红外热成像等；业务层包括现场测温、Web 端统计查询、移动端统计查询。该系统总体架构设计实现了测温数据采集、数据存储、算法处理及功能应用的模块化部署，便于业务应用的动态扩展和快速升级。

图3 智能测温系统总体架构

2.2 系统工作流程

本文针对大流量智能测温系统，制定旅客的进站流程，如图4 所示。

图4 大流量智能测温系统工作流程

（1）旅客到达铁路客运站后，在进站过程中，系统若检测到旅客温度正常，则自动抓拍人脸并跟踪，同时记录体温，自动汇总客流统计数据，移动端及管理后台可查询相关数据。

（2）若系统检测到旅客体温超过阈值，则自动报警，提醒工作人员通过手持设备对该旅客进行体温复核。若复核温度正常，则在系统中输入复核温度；若复核温度确认超过阈值，则系统将通过移动端通知医疗人员进行处理。

3 系统性能对比

对大流量智能测温系统、人脸识别测温系统、人脸测温一体机、手持测温枪[8]等方案进行对比分析，如表1 所示。由表1 可知，大流量智能测温系统在系统功能、响应速度、测温效果及安全性等方面具备一定优势。

表1 大流量智能测温系统与其他测温系统性能对比

4 结束语

随着国内经济的逐渐复苏，铁路客运站客流量不断增长的同时，也给铁路相关管理部门的日常防控工作带来了巨大压力。大流量智能测温系统可较好地解决客运站在大客流场景下的精准、快速测温问题，减轻管理人员的防控工作压力，提升铁路客运工作效率，优化旅客乘车体验，保障铁路客运业务的安全稳定运行。但是，该系统仍需要不断完善，研究、提升其应用水平，未来应考虑如何实现该系统与刷脸通行、人像识别预警、客流监测等系统的协同[9]。