Plataforma móvil para la detección y el seguimiento de personas con alta temperatura corporal a través del procesamiento en tiempo real de imágenes en el espectro infrarrojo

Abstract

En este Trabajo de Fin de Grado se ha desarrollado e implementado un sistema de medida de la temperatura corporal. En el último año, con la aparición de la pandemia de COVD-19, causada por el virus SARS-CoV-2, ha sido necesario el desarrollo de sistemas capaces de detectar personas sospechosas de portar la enfermedad en entornos públicos. Uno de los indicadores de esta enfermedad es la fiebre alta. Por esto, se ha desarrollado un sistema de bajo coste para realizar un seguimiento de personas y estimar, en tiempo real, su temperatura corporal. En términos de visión, el sistema consta de dos sensores de cámara: un sensor infrarrojo y un sensor de espectro visible para llevar a cabo la tarea de reconocimiento de rostros. Al contar con ambos sensores se detallarán dos opciones o métodos para llevar a cabo esta tarea, desarrollando las ventajas y desventajas de cada uno de ellos. Ambos métodos se basan en el uso de OpenCV, una librería que implementa los algoritmos de detección necesarios. Todo ello trabajando sobre la plataforma Raspberry Pi 3B. Esta tarea de reconocimiento de rostros es la tarea limitante respecto a rendimiento y fluidez del sistema, ya que esto conlleva un gran coste computacional. El procedimiento seguido para estimar la temperatura corporal consta de varias fases. La primera de ellas consiste en la detección del rostro de la persona mediante el uso de redes neuronales. Una vez se tiene delimitada la región de interés, se le aplica un filtrado de Gauss para suavizar la imagen, y se realiza una segmentación empleando el método de Otsu para eliminar aquellas zonas más frías de la imagen que pudieran alterar el cálculo del valor de temperatura. Finalmente, y tras la calibración correcta del sensor de imagen infrarrojo, podemos obtener valores de temperatura a partir de valores de intensidad de píxel. Para llevar a cabo el seguimiento de rostros ha sido necesario diseñar y construir una plataforma que integre todos los componentes hardware empleados para la visión, junto con dos servomotores con los que variaremos las posiciones de Pitch y Yaw del sistema de cámaras. Aprovechando la tarea de detección, aplicaremos un control sobre estos servomotores con el objetivo de que el centro de la ROI detectada quede lo más centrada posible en la imagen, es decir, se intentará que el centro de la ROI coincida con el centro de la imagen. Veremos las limitaciones que tenemos a la hora de cumplir este objetivo, debido a la resolución mínima de los servomotores. El sistema se ha construido y testado de forma satisfactoria. Es capaz de realizar la detección de rostros a velocidades de 3 frames por segundo cuando se detectan uno o dos rostros en imagen. Este rendimiento baja un poco cuando se detectan más rostros (en torno a 5 rostros o más) en la misma imagen, lo que podemos considerar como un buen rendimiento teniendo en cuenta que es un sistema de especificaciones muy limitadas, y que además de la tarea de detección, también realiza el seguimiento de la persona.

In this final Degree project, a body temperature measurement system was developed and implemented. In the last year, because of the COVID-19 pandemic, the development of systems that can detect sick people has been necessary. Fever is one of the indicators of this disease, and that is why a low-cost system has been developed for people tracking and body temperature measurement in real-time. The system has two camera sensors: an infrared sensor and a normal vision sensor to do the face recognition work. Two methods will be detailed, with their advantages and disadvantages. Both of them are based on the use of OpenCV, which is a library that implements the necessary detection algorithm, working on the Raspberry Pi 3B. This faces recognition work needs a big computational cost, so is the principal restriction for the system’s efficiency. To estimate the body temperature, first of all, we need to detect the face using neural networks. When the region of interest is delimitated, the image is filtered with a Gaussian filter. Then, the Otsu method is used to remove the coldest areas that could deteriorate the temperature value. Finally, after the correct calibration of the infrared sensor, we can get a temperature value from the intensity pixel value. The faces tracking function is added too. The design and construction of a platform were necessary to integrate all hardware devices used. Pitch and Yaw positions of the cameras system will be modified with two servo motors. Using the detection work, a servomotor control will be applied. The goal is to match the ROI’s center with the center of the image. That is limited by the servomotor resolution. The systems have been built and tested successfully. It can detect faces at 3 frames per second when one or two faces appear in the image. This performance decreases a bit when a few faces are detected at the same time, but that is a good result because also the platform control is implemented in this lowcost system.