AI测温：复工潮里筑起的第一道防疫“屏障”
突发疫情下的迫切需求
如果你已经返程或者复工，不难发现，在车站、地铁站等交通枢纽，很多安检口架了一台摄像机，有工作人员观察着背后的显示屏，当行人经过时，屏幕上会显示人体的红外成像，温度在正常阈值内无感通过，疑似高温行人则会被拦截，由工作人员进行二次测温。
这样的场景正是基于AI测温技术的落地，相比传统的体温筛查手段，实现了无接触感应、高效率通行以及高温智能预警。常见的体温监测需要人工手持额温枪，工作负荷大，效率低下，也容易导致排队人群密集聚集，同时近距离的监测方式还加大了交叉感染的风险。疫情防控的焦灼需求之下，AI测温方案开始进入公众视野。
在公开的新闻报道中可以看到，百度AI多人体温快速检测解决方案在北京清河火车站落地应用，基于人脸关键点检测及图像红外温度点阵温度分析算法，这套方案可以对一定面积内乘客的额温进行检测，即使佩戴帽子和口罩也能进行快速筛查；商汤AI智慧防疫解决方案区域通行模块在北京首都机场3号航站楼站投入使用，系统自动对行人额温进行测量，如果出现疑似体温异常情况，发出实时声光和弹窗告警，对于未戴口罩的人员，系统也可以自动识别并提醒；旷视AI测温系统则应用在了海淀政务大厅和海淀区部分地铁站，系统支持大于3米的非接触远距离测温，其智能疑似高热报警带宽可达到1秒15人，且一套系统可以部署16个通道，基本保证一个地铁口的管控…
从技术层面看，AI测温由“红外测温+人脸识别”两项技术加持。人体是天然的热辐射体，且维持在比较稳定的状态，在特定范围内能够与周围环境区别开来，进行“分割”。人脸识别技术可以定位脸部测试区域，并将之映射到热成像的摄像头中。获取这片区域的温度后，再通过一定补偿算法来给出实际的体表温度。
从业内产品看，目前在市场上落地的主要还是采用“红外+可见光”双传感器的组合，用红外技术保证远距离实时测温，用AI视觉技术定位、识别和溯痕，以非接触、非配合式的方式实现大规模的人流筛查。
从应用目的看，AI测温主要适用于各类人流量大的出入口，进行较大范围内的初筛，对“疑似高温”识别预警。由于各技术企业的AI测温方案细节不同，产品精确度受限因素也有差异，加上行业标准也不统一，要进行更准确的测量，还需配合人工筛查。
测温精度是怎样炼成的
对于AI测温的产品和方案，测温精度是影响疫情管控成效的关键指标之一。当下众多企业推出的产品普遍标注的测温精度大概在±0.3℃—±0.5°C。当然理论上这个数值越小，代表误差越小，精度越高。
导致测量数值差异的因素主要与红外探测器的分辨率、是否配置黑体以及外部环境有关。
红外探测器的分辨率直接影响着热成像仪的清晰度。一般来说，分辨率越高，最小成像面积越小，识别被测物体的精准度越高。就记者目前在市场上了解到的AI测温产品来看，红外探测器的分辨率差异较大，常见的有384*288、256*192、160*120…当然像素越高，精度越高，造价越高。
黑体对于红外测温仪的校准至关重要，因此对于精度的影响也是不言而喻的。因为黑体能全部吸辐射能量，并全部辐射出去，用红外测温仪检测才没有能量损失，测得的温度才准确。也就是说，黑体在红外测温仪中是用来校正仪器的测温误差和标定仪器测温曲线的。据某个AI测温项目团队的测试发现，在有黑体的情况下AI测温方案的精度是±0.3℃，在没有黑体的情况下，方案的精度是±1℃。
此外，如果脱离环境温度来评估红外测温仪的精度也是不靠谱的。因为红外测温只能测物体表面的温度，在环境温差过大时需要调节时间，而且多数在零下环境中测量误差会比较大。北京的冬天，如果你从室外走进地铁站，工作人员用额温枪在你额头上扫一下，显示的温度可能也就三十度左右。日常生活中你可能常有这样的体验：室内测温比室外测温更“准确”，藏于袖中的腕内测温比暴露在外的额头测温更“准确”。
综合上述因素考量，现在市场上的AI测温方案为了要达到相对精确的测温效果，往往要结合分辨率较高的红外探测器与高精度黑体，而且在无特殊要求下，一般是部署在室内，甚至设置一定的过道来缓冲温差。不过出于成本等原因，也有一些公司在寻找一些能够代替黑体的方法来实现精度。从当前的实践来看，作为一道体温“初筛”的屏障，±0.5℃—±0.3℃的误差基本可以满足落地要求。
人脸识别与温感的技术联动
红外测温的技术已经相当成熟，其作用毋庸置疑，那么人脸识别在AI测温产品中发挥的是怎样的作用呢？就现有的技术方案来看主要集中在两点，其一，是通过捕捉人脸信息，将面部信息结构化提升检测精度；其二，结合大数据技术，通过人像数据库可以实行轨迹追踪，帮助抑制疫情扩散。
在传统的热成像红外测温技术中，环境因素干扰比较大，温度相近的物体是归为一类的，尤其是当环境温度越接近目标温度时，出现“误判”的可能就比较大。一个经典的例子是，如果在红外探测器下，小赵与同伴小钱手里的保温杯都被检测为38°，那么小赵与拿着保温杯的小钱都得被扣下来。如果能找到特定的检测区域进行个体的区分，那么检测的精准度就会上升。
引入AI人脸识别技术的意义也就在这里。因为人脸或者说人的皮肤，发出的热辐射相对稳定，受环境的影响相对较小，在复杂环境中，脸是人体与外部环境区分度最大的一个部分，更能与周围环境相区别。以旷视的AI测温技术为例，AI视觉技术捕捉到人脸后，通过“抓拍标定”可以将可见光画面中的人脸、人体等生物信息进行结构化处理，分离出“额头”、“人脸”、“人体”等部分，之后再与红外测温结果比对并标定，测温精度由此提高。
另外，人脸识别技术的加持对于追踪体温异常人员行动轨迹、分析潜在感染人群也是一大利器。京东针对疫情研发的智能温感筛查系统就充分利用了这一点。
据京东云与AI技术研发人员介绍：“我们将温感与口罩遮挡下的面部识别等技术联动，通行人员无须停留、也无需摘下口罩、帽子等即可快速进行体温检测，如遇体温异常人员，系统可融合多维度数据，快速追溯其活动轨迹，提供接触人群、潜在感染人数等智能分析，帮助有效抑制病毒感染扩散。”
这套系统通过红外相机“抓取”人流中的高温人员，快速定位体温异常者。当出现超过预警体温的人员时，系统立即报警，突出显示在“疑似人员区域”界面，帮助现场工作人员迅速进行二次确认。更重要的是，系统可随时查询通过测温卡口的所有人员信息和疑似人员信息，包括人脸照片、测试体温值、通过时间，方便进行统计和事后追踪。同时系统可以融合多维度数据，智能分析追溯疑似感染人员的行动轨迹，并且提供接触人群、潜在感染扩散人群预测。此外，系统也支持与现有监测平台和定位设备集成，可以形成完整的疫情防控体系。目前，京东智能温感筛查系统已在全国10余个城市的人群密集区域、关键出入口落地应用。
遮挡人脸识别的“突围”
本次疫情的AI测温方案中，有一个比较共性的技术瓶颈——戴口罩下的人脸识别率不足。长期致力于三维人脸识别的AI安防企业的卢深视对这一技术难点进行了归因：
其一，戴口罩人脸的人脸检测和人脸关键点检测的精度受到口罩遮挡的影响会降低；
其二，由于口罩遮挡，人像信息减少，学习到的特征的判别性随之较少。具体来说，二维纹理信息会由于遮挡而丢失、三维形状信息会带有噪声；
其三，口罩类型比较多且口罩遮挡程度不一，如何更多地利用非遮挡区域的信息是主要问题。
围绕严重遮挡人脸识别方向，的卢深视于2020年1月中旬启动口罩识别项目，花了大概两周时间在1月底实现落地。
在的卢深视参与构建的温州地区多人智能通过筛查方案中，利用热成像体温检测手段配合人脸识别及比对技术，可快速确定体温异常人员及其身份，系统自动调出其过往行为轨迹，实现智能筛查与轨迹溯源。整个筛查过程无感、大角度可识别，满足疫情防控需求。这一破题过程事实上也经历了诸多曲折。
戴口罩人脸数据是第一个难关。要优化人脸识别算法模型，训练数据规模越大，优化效果越好。但是在试验阶段很难在短时间内采集到大量的戴口罩数据。为此，的卢深视采用了模拟遮挡的方法，生成大量二维、三维的遮挡数据。据的卢深视方面介绍，以三维遮挡数据来说，一般是先重建三维人脸模型，再将口罩的三维模板模型与三维人脸模型做非刚性对齐，从而完成模拟加口罩的操作。
数据之外，算法上也面临很大挑战。戴口罩人脸识别涉及的算法除了人脸检测、关键点检测和人脸特征提取算法外，还包括口罩（有无）检测或口罩区域检测。由于嘴部区域和鼻子区域受到了遮挡，相比无遮挡识别，困难显而易见。
的卢深视的研发团队基于人脸全局特征及局部特征相结合的方法，同时充分利用人脸未遮挡部位的三维几何信息进行三维人脸识别研究，尤其是增大了眼睛部分的特征，提升了模型在遮挡情况下的识别率。的卢深视的工作人员补充，在这一方案中，行人只要正确佩戴口罩即可，无需露出一定的鼻子特征。且目前在戴口罩场景下，识别准确率能达到97%。
在助力温州疫情防控的项目中，的卢深视还利用去年建立的三维人脸数据库样板，为疫情排查提供了依据。疫情爆发期间，温州在全市范围内实行村（居）民出行管控措施，要求全市每户家庭每两天指派一名家庭成员采购物资。为了保障此项管控举措的有效实施，的卢深视利用3D视觉人证比对终端设备搭配三维人像数据平台，形成人证比对及快速建库方案，在出入口进行刷脸核验，实现出入人员管控，同时对新增人员进行快速入库操作，后台大数据系统实时绘制人员行为轨迹，做到了智能排查、科学预警。
疫情之后：理性看待行业前景
在突发疫情面前，很多AI企业纷纷参与了AI测温方案的研发，其产品也多见于当下的公共场所，包括门禁、闸机也武装了测温功能，机器人、无人机也在测温一线试水。但疫情之后，测温是否会变成一种基础服务，成为社会机器的一部分，还没有定论。至少就眼下来看，AI测温要在日常生活里实现大规模落地，依然任重而道远。
从技术角度来说，AI测温方案本身依赖于红外测温和人脸识别的融合，但就技术成熟度而言，两者在这个方案中的融合程度还有待深入。而且在测温精度方面尚未形成统一的行业标准，业内标注的精度偏差值究竟基于怎样的测试条件，是否真的能达到这一效果，局外人其实不得而知。