为了阻止新冠疫情的传播,有必要研制集测温和人脸识别一体化的设备。相对于可见光人脸识别,红外人脸识别更适合于光照不足或者夜间情况,可以有效地对疫情下的夜间聚集人员进行识别。而目前红外测温技术比较成熟,因此,本文重点研究基于红外热成像的人脸识别方法。本文的研究主要包含了以下几个方面:（1）红外热成像人脸数据的采集和预处理。使用FOTRIC228s系列红外热像仪对30人每人连续拍摄3分钟,获得平均每人近3000张人脸数据。采用对比度增强、直方图均衡化、中值滤波等预处理;利用Sobel算子提取人脸轮廓并定位,并进行了归一化处理。（2）在研究传统人脸识别方法的基础上提出了基于温度块特征的红外人脸识别方法。对温度矩阵数据进行平均池化处理,然后提取块均值特征、标差特征和差分特征等融合组成多特征矩阵数据,采用相关系数法进行分类。将该方法与经典的主成分分析方法（PCA）进行对比,实验结果表明:基于PCA的分类识别率为92.10%,而基于块特征的方法识别率可以达到98.90%。（3）文中研究了AlexNet、GoogleNet、DenseNet121、ResNet18、MnasNet1＿0和MobileNet＿V2等6种图像处理的经典深度学习模型并进行了迁移应用,提出了一种基于AlexNet模型裁剪获得的精简模型——LAlexNet。实验结果表明:对本文的数据集进行测试,各经典模型的平均识别率优于98.6%。LAlexNet识别率比AlexNet低了1.3%,但是模型存储大小和测试开销分别为前者的1%和30%。文中还研究了小样本训练时的鲁棒性,实验结果表明:基于温度块特征提取的方法比深度学习法具有更好的小样本训练鲁棒性。（4）基于智能硬件进行系统集成。使用M256型号的红外热成像镜头采集红外人脸,在Jetson Nano英伟达智能边缘计算硬件上部署模型并进行识别。对系统功能和性能进行了验证实验。实验结果表明,本系统使用LAlexNet模型进行实验平均测试时间仅为24ms,系统功能和性能都达到了设计要求。图[38] 表[18] 参[76]