STM32与OpenCV实现低成本人脸红外测温系统
1. 项目概述
这个基于STM32和OpenCV的人脸红外测温仪项目，是我在疫情期间为解决公共场所体温筛查需求而开发的实用型设备。传统额温枪需要近距离接触，而大型热成像仪又价格昂贵，这套系统正好填补了中小场所快速部署的空白。经过三个月的迭代开发，目前已经稳定运行在本地多家社区医院和学校入口处。
系统采用上下位机协同架构：STM32F103C8T6作为前端采集单元，通过I2C接口驱动MLX90614红外传感器获取体温数据；Windows上位机则调用OpenCV处理摄像头画面，实现人脸检测和温度可视化。两者通过115200bps的串口通信，构建了一套成本不到200元却能达到±0.5℃精度的测温方案。
关键创新点：通过人脸定位解决传统红外测温无法关联被测者的问题，配合语音+颜色的双重报警机制，实测筛查效率比人工测温提升5倍以上。
1.1 核心硬件配置
下位机硬件选型经过多次对比测试：
主控芯片：STM32F103C8T6（72MHz Cortex-M3）
- 选用原因：性价比高（<20元），自带硬件I2C和USART外设
- 注意：需启用内部8MHz RC振荡器并配置PLL倍频
温度传感器：MLX90614ESF-BAA（医疗级）
- 关键参数：测量范围0-50℃ 精度±0.5℃ FOV=35°
- 硬件连接：
VCC → 3.3V GND → GND SDA → PB7(复用开漏模式) SCL → PB6(需4.7K上拉电阻)
通信模块：CH340G USB转TTL
- 接线方式：
TXD → PA10(USART1_RX) RXD → PA9(USART1_TX)
- 接线方式：
1.2 软件架构设计
上位机采用Qt5.15+OpenCV4.5开发，主要模块包括：
- 视频采集线程：通过
cv::VideoCapture获取1080P@30fps画面 - 人脸检测服务：加载
res10_300x300.caffemodel深度学习模型 - 串口通信管理：使用
QSerialPort实现异步数据接收 - 报警决策引擎：温度阈值可动态配置（默认37.3℃）
// 温度解析伪代码示例 void parseSerialData(QByteArray data) { if(data.size() == 6 && data[0]==0xAA && data[5]==0x55) { float temp = ((data[1]<<8)|data[2]) * 0.02 - 273.15; if(temp > threshold) { emit alarmTriggered(temp); } } }2. 核心实现细节
2.1 STM32温度采集优化
传感器原始数据处理流程：
- I2C读取：每200ms读取RAM地址0x07的16位数据
- 关键代码：
HAL_I2C_Mem_Read(&hi2c1, 0x5A<<1, 0x07, 1, buffer, 2, 100);
- 关键代码：
- 温度转换：按公式
Tobj = (raw*0.02)-273.15计算 - 滑动滤波：采用5点加权平均算法
#define FILTER_SIZE 5 float filter_buf[FILTER_SIZE] = {0}; float moving_average(float new_val) { static uint8_t idx = 0; filter_buf[idx++] = new_val; if(idx >= FILTER_SIZE) idx = 0; return (filter_buf[0]*0.1 + filter_buf[1]*0.2 + filter_buf[2]*0.4 + filter_buf[3]*0.2 + filter_buf[4]*0.1); }
实测发现：传感器距离额头3-5cm时测量最准，需在外壳设计定位支架
2.2 OpenCV人脸检测加速
针对实时性要求做的优化：
- 图像预处理：
- 降采样到300x300分辨率
- 转换为灰度图减少计算量
- 模型选择：
- 对比测试后选用Caffe版的ResNet-10
- 比Haar级联准确率提升23%
- ROI优化：
# 伪代码：只检测画面中央60%区域 h, w = frame.shape[:2] roi = frame[int(h*0.2):int(h*0.8), int(w*0.2):int(w*0.8)]
2.3 温度-人脸匹配算法
解决多目标场景的对应关系：
- 坐标映射：将串口温度值绑定到最近的人脸区域
// 计算人脸中心点到温度显示位置的欧式距离 float dist = sqrt(pow((face.x+face.w/2) - temp_x, 2) + pow((face.y+face.h/2) - temp_y, 2)); - 时间同步：采用150ms的时间窗口进行数据对齐
- 异常处理：
- 丢失人脸时保留温度显示3秒
- 多温度输入时取平均值
3. 系统调试与优化
3.1 串口通信稳定性提升
遇到的典型问题及解决方案：
| 问题现象 | 排查方法 | 解决方案 |
|---|---|---|
| 数据丢包 | 逻辑分析仪抓波形 | 在STM32端添加硬件流控 |
| 温度跳变 | 校验和错误统计 | 改用CRC-8校验算法 |
| 通信延迟 | 时间戳比对 | 设置DMA双缓冲传输 |
关键配置参数：
// USART1初始化片段 huart1.Instance = USART1; huart1.Init.BaudRate = 115200; huart1.Init.WordLength = UART_WORDLENGTH_8B; huart1.Init.StopBits = UART_STOPBITS_1; huart1.Init.Parity = UART_PARITY_NONE; huart1.Init.HwFlowCtl = UART_HWCONTROL_RTS; // 启用硬件流控3.2 温度校准方法
现场部署时的校准步骤：
- 用标准水银温度计测量志愿者额头温度（如36.8℃）
- 同时记录MLX90614输出值（如37.2℃）
- 计算偏移量：
offset = 实测值 - 传感器值 - 在STM32程序中添加补偿：
float calibrated_temp = raw_temp + offset;
经验：不同肤色人群需要单独校准，建议准备亚洲/非洲人种样本各5组
4. 实际应用效果
在本地小学门口部署的测试数据：
| 指标 | 性能参数 |
|---|---|
| 测温速度 | 0.3秒/人 |
| 最大并发 | 5人/秒（需i5以上CPU） |
| 误报率 | <2%（环境温度25℃时） |
| 功耗 | 下位机85mA @5V |
遇到的典型场景问题：
- 强光干扰：逆光时人脸检测失败
- 解决方案：加装遮光罩
- 儿童身高差异：摄像头俯角不足
- 改进：设计可调节高度的支架
- 冬季低温：MLX90614需要预热
- 处理：上电后延迟30秒再测量
这个项目让我深刻体会到嵌入式与计算机视觉结合的强大潜力。后续计划移植到STM32H7系列，尝试直接用MCU运行轻量级人脸检测模型，进一步降低系统成本。