【51CTO.com原創稿件】隨著越來越多的企業開始復工，新型冠狀肺炎疫情也到了“外防輸入、內防擴散”的疫情防控關鍵期。尤其是各大城市的火車站、汽車站、地鐵站、機場，還有寫字樓、居民社區等人口密集區域，紛紛嚴陣以待，出入口的體溫篩查已經成為一種剛需。

　　突發疫情下的迫切需求

　　如果你已經返程或者復工，不難發現，在車站、地鐵站等交通樞紐，很多安檢口架了一臺攝像機，有工作人員觀察著背后的顯示屏，當行人經過時，屏幕上會顯示人體的紅外成像，溫度在正常閾值內無感通過，疑似高溫行人則會被攔截，由工作人員進行二次測溫。

　　這樣的場景正是基于AI測溫技術的落地，相比傳統的體溫篩查手段，實現了無接觸感應、高效率通行以及高溫智能預警。常見的體溫監測需要人工手持額溫槍，工作負荷大，效率低下，也容易導致排隊人群密集聚集，同時近距離的監測方式還加大了交叉感染的風險。疫情防控的焦灼需求之下，AI測溫方案開始進入公眾視野。

　　在公開的新聞報道中可以看到，百度AI多人體溫快速檢測解決方案在北京清河火車站落地應用，基于人臉關鍵點檢測及圖像紅外溫度點陣溫度分析算法，這套方案可以對一定面積內乘客的額溫進行檢測，即使佩戴帽子和口罩也能進行快速篩查；商湯AI智慧防疫解決方案區域通行模塊在北京首都機場3號航站樓站投入使用，系統自動對行人額溫進行測量，如果出現疑似體溫異常情況，發出實時聲光和彈窗告警，對于未戴口罩的人員，系統也可以自動識別并提醒；曠視AI測溫系統則應用在了海淀政務大廳和海淀區部分地鐵站，系統支持大于3米的非接觸遠距離測溫，其智能疑似高熱報警帶寬可達到1秒15人，且一套系統可以部署16個通道，基本保證一個地鐵口的管控…

　　從技術層面看，AI測溫由“紅外測溫+人臉識別”兩項技術加持。人體是天然的熱輻射體，且維持在比較穩定的狀態，在特定范圍內能夠與周圍環境區別開來，進行“分割”。人臉識別技術可以定位臉部測試區域，并將之映射到熱成像的攝像頭中。獲取這片區域的溫度后，再通過一定補償算法來給出實際的體表溫度。

　　從業內產品看，目前在市場上落地的主要還是采用“紅外+可見光”雙傳感器的組合，用紅外技術保證遠距離實時測溫，用AI視覺技術定位、識別和溯痕，以非接觸、非配合式的方式實現大規模的人流篩查。

　　從應用目的看，AI測溫主要適用于各類人流量大的出入口，進行較大范圍內的初篩，對“疑似高溫”識別預警。由于各技術企業的AI測溫方案細節不同，產品精確度受限因素也有差異，加上行業標準也不統一，要進行更準確的測量，還需配合人工篩查。

　　測溫精度是怎樣煉成的

　　對于AI測溫的產品和方案，測溫精度是影響疫情管控成效的關鍵指標之一。當下眾多企業推出的產品普遍標注的測溫精度大概在±0.3℃—±0.5°C。當然理論上這個數值越小，代表誤差越小，精度越高。

　　導致測量數值差異的因素主要與紅外探測器的分辨率、是否配置黑體以及外部環境有關。

　　紅外探測器的分辨率直接影響著熱成像儀的清晰度。一般來說，分辨率越高，最小成像面積越小，識別被測物體的精準度越高。就記者目前在市場上了解到的AI測溫產品來看，紅外探測器的分辨率差異較大，常見的有384*288、256*192、160*120…當然像素越高，精度越高，造價越高。

　　黑體對于紅外測溫儀的校準至關重要，因此對于精度的影響也是不言而喻的。因為黑體能全部吸輻射能量，并全部輻射出去，用紅外測溫儀檢測才沒有能量損失，測得的溫度才準確。也就是說，黑體在紅外測溫儀中是用來校正儀器的測溫誤差和標定儀器測溫曲線的。據某個AI測溫項目團隊的測試發現，在有黑體的情況下AI測溫方案的精度是±0.3℃，在沒有黑體的情況下，方案的精度是±1℃。

　　此外，如果脫離環境溫度來評估紅外測溫儀的精度也是不靠譜的。因為紅外測溫只能測物體表面的溫度，在環境溫差過大時需要調節時間，而且多數在零下環境中測量誤差會比較大。北京的冬天，如果你從室外走進地鐵站，工作人員用額溫槍在你額頭上掃一下，顯示的溫度可能也就三十度左右。日常生活中你可能常有這樣的體驗：室內測溫比室外測溫更“準確”，藏于袖中的腕內測溫比暴露在外的額頭測溫更“準確”。

　　綜合上述因素考量，現在市場上的AI測溫方案為了要達到相對精確的測溫效果，往往要結合分辨率較高的紅外探測器與高精度黑體，而且在無特殊要求下，一般是部署在室內，甚至設置一定的過道來緩沖溫差。不過出于成本等原因，也有一些公司在尋找一些能夠代替黑體的方法來實現精度。從當前的實踐來看，作為一道體溫“初篩”的屏障，±0.5℃—±0.3℃的誤差基本可以滿足落地要求。

　　人臉識別與溫感的技術聯動

　　紅外測溫的技術已經相當成熟，其作用毋庸置疑，那么人臉識別在AI測溫產品中發揮的是怎樣的作用呢？就現有的技術方案來看主要集中在兩點，其一，是通過捕捉人臉信息，將面部信息結構化提升檢測精度；其二，結合大數據技術，通過人像數據庫可以實行軌跡追蹤，幫助抑制疫情擴散。

　　在傳統的熱成像紅外測溫技術中，環境因素干擾比較大，溫度相近的物體是歸為一類的，尤其是當環境溫度越接近目標溫度時，出現“誤判”的可能就比較大。一個經典的例子是，如果在紅外探測器下，小趙與同伴小錢手里的保溫杯都被檢測為38°，那么小趙與拿著保溫杯的小錢都得被扣下來。如果能找到特定的檢測區域進行個體的區分，那么檢測的精準度就會上升。

　　引入AI人臉識別技術的意義也就在這里。因為人臉或者說人的皮膚，發出的熱輻射相對穩定，受環境的影響相對較小，在復雜環境中，臉是人體與外部環境區分度最大的一個部分，更能與周圍環境相區別。以曠視的AI測溫技術為例，AI視覺技術捕捉到人臉后，通過“抓拍標定”可以將可見光畫面中的人臉、人體等生物信息進行結構化處理，分離出“額頭”、“人臉”、“人體”等部分，之后再與紅外測溫結果比對并標定，測溫精度由此提高。

　　另外，人臉識別技術的加持對于追蹤體溫異常人員行動軌跡、分析潛在感染人群也是一大利器。京東針對疫情研發的智能溫感篩查系統就充分利用了這一點。

　　據京東云與AI技術研發人員介紹：“我們將溫感與口罩遮擋下的面部識別等技術聯動，通行人員無須停留、也無需摘下口罩、帽子等即可快速進行體溫檢測，如遇體溫異常人員，系統可融合多維度數據，快速追溯其活動軌跡，提供接觸人群、潛在感染人數等智能分析，幫助有效抑制病毒感染擴散。”

　　這套系統通過紅外相機“抓取”人流中的高溫人員，快速定位體溫異常者。當出現超過預警體溫的人員時，系統立即報警，突出顯示在“疑似人員區域”界面，幫助現場工作人員迅速進行二次確認。更重要的是，系統可隨時查詢通過測溫卡口的所有人員信息和疑似人員信息，包括人臉照片、測試體溫值、通過時間，方便進行統計和事后追蹤。同時系統可以融合多維度數據，智能分析追溯疑似感染人員的行動軌跡，并且提供接觸人群、潛在感染擴散人群預測。此外，系統也支持與現有監測平臺和定位設備集成，可以形成完整的疫情防控體系。目前，京東智能溫感篩查系統已在全國10余個城市的人群密集區域、關鍵出入口落地應用。

　　遮擋人臉識別的“突圍”

　　本次疫情的AI測溫方案中，有一個比較共性的技術瓶頸——戴口罩下的人臉識別率不足。長期致力于三維人臉識別的AI安防企業的盧深視對這一技術難點進行了歸因：

　　其一，戴口罩人臉的人臉檢測和人臉關鍵點檢測的精度受到口罩遮擋的影響會降低；

　　其二，由于口罩遮擋，人像信息減少，學習到的特征的判別性隨之較少。具體來說，二維紋理信息會由于遮擋而丟失、三維形狀信息會帶有噪聲；

　　其三，口罩類型比較多且口罩遮擋程度不一，如何更多地利用非遮擋區域的信息是主要問題。

　　圍繞嚴重遮擋人臉識別方向，的盧深視于2020年1月中旬啟動口罩識別項目，花了大概兩周時間在1月底實現落地。

　　在的盧深視參與構建的溫州地區多人智能通過篩查方案中，利用熱成像體溫檢測手段配合人臉識別及比對技術，可快速確定體溫異常人員及其身份，系統自動調出其過往行為軌跡，實現智能篩查與軌跡溯源。整個篩查過程無感、大角度可識別，滿足疫情防控需求。這一破題過程事實上也經歷了諸多曲折。

　　戴口罩人臉數據是第一個難關。要優化人臉識別算法模型，訓練數據規模越大，優化效果越好。但是在試驗階段很難在短時間內采集到大量的戴口罩數據。為此，的盧深視采用了模擬遮擋的方法，生成大量二維、三維的遮擋數據。據的盧深視方面介紹，以三維遮擋數據來說，一般是先重建三維人臉模型，再將口罩的三維模板模型與三維人臉模型做非剛性對齊，從而完成模擬加口罩的操作。

　　數據之外，算法上也面臨很大挑戰。戴口罩人臉識別涉及的算法除了人臉檢測、關鍵點檢測和人臉特征提取算法外，還包括口罩（有無）檢測或口罩區域檢測。由于嘴部區域和鼻子區域受到了遮擋，相比無遮擋識別，困難顯而易見。

　　的盧深視的研發團隊基于人臉全局特征及局部特征相結合的方法，同時充分利用人臉未遮擋部位的三維幾何信息進行三維人臉識別研究，尤其是增大了眼睛部分的特征，提升了模型在遮擋情況下的識別率。的盧深視的工作人員補充，在這一方案中，行人只要正確佩戴口罩即可，無需露出一定的鼻子特征。且目前在戴口罩場景下，識別準確率能達到97%。

　　在助力溫州疫情防控的項目中，的盧深視還利用去年建立的三維人臉數據庫樣板，為疫情排查提供了依據。疫情爆發期間，溫州在全市范圍內實行村（居）民出行管控措施，要求全市每戶家庭每兩天指派一名家庭成員采購物資。為了保障此項管控舉措的有效實施，的盧深視利用3D視覺人證比對終端設備搭配三維人像數據平臺，形成人證比對及快速建庫方案，在出入口進行刷臉核驗，實現出入人員管控，同時對新增人員進行快速入庫操作，后臺大數據系統實時繪制人員行為軌跡，做到了智能排查、科學預警。

　　疫情之后：理性看待行業前景

　　在突發疫情面前，很多AI企業紛紛參與了AI測溫方案的研發，其產品也多見于當下的公共場所，包括門禁、閘機也武裝了測溫功能，機器人、無人機也在測溫一線試水。但疫情之后，測溫是否會變成一種基礎服務，成為社會機器的一部分，還沒有定論。至少就眼下來看，AI測溫要在日常生活里實現大規模落地，依然任重而道遠。

　　從技術角度來說，AI測溫方案本身依賴于紅外測溫和人臉識別的融合，但就技術成熟度而言，兩者在這個方案中的融合程度還有待深入。而且在測溫精度方面尚未形成統一的行業標準，業內標注的精度偏差值究竟基于怎樣的測試條件，是否真的能達到這一效果，局外人其實不得而知。

　　從非技術角度來說，AI測溫設備本身造價不菲，因為目前主要供給政府等公共管理部門，所以成本方面的問題還不太凸顯。但實際上一方面是疫情管控下物資緊張，尤其是像紅外傳感器這樣的核心部件一直處于短缺狀態；另一方面，使用黑體和高精度的紅外探測器，會使方案成本大大增加，特別是對于無人機、刷臉門禁等產品來說，這個價格其實很難負擔。

　　未來，隨著更多AI測溫方案和產品的出現，大規模落地前景可期。但是需求痛點在哪里？應用場景是否有其必要性？業內應該更理性看待這項誕生于抗“疫”戰場的“新技術”。

【51CTO原創稿件，合作站點轉載請注明原文作者和出處為51CTO.com】