[发明专利]一种基于深度学习的人脸口罩佩戴检测方法

说明书

本发明公开了一种基于深度学习的人脸口罩佩戴检测方法，包括如下步骤：S1、数据准备并制作训练集；S2、构建YOLOV4目标检测模型；S3、人脸口罩佩戴检测模型进行视频流实时检测；S4、通过YOLOV4的特征提取网络，提取三个特征层，三个特征层的预测结果分别对应三个边界框的位置；通过先验框对边界框的预测与回归，就可以获得多个边界框的信息，通过非极大值抑制算法，保留置信分最高的边界框作为目标的检测框，从而确定检测框的最终位置，检测识别未佩戴口罩人员。本发明实现了对佩戴口罩和未佩戴口罩人员的检测识别，通过采用YOLOV4目标检测算法，识别的精确度和速度大大提高。

技术领域

本发明涉及图像识别技术领域，具体涉及一种基于深度学习的人脸口罩佩戴检测方法。

背景技术

近期全球新型冠状病毒肆虐，戴口罩的人急剧增多，这就给我们提供了海量样本数据。收集训练样本，建立全球最大口罩人脸数据集，并向社会开放，这为当前及今后可能发生类似的公共卫生安全事件，能够采取智能管控，减少人民生命财产的损失。基于人脸口罩数据，设计相应口罩遮挡人脸检测和识别算法，能够帮助社区封闭的人员进出管控、车站、机场的人脸识别闸机以及人脸门禁考勤设备的升级，所以快速而精确的检测识别出人们佩戴口罩的问题急需解决，对于日后生活中的安全管理及智能化信息管理具有重要的意义。

一项检测率高的人脸口罩识别技术必须要有相应的目标检测算法相结合，而随着深度学习的兴起，一种新的基于卷积神经网络的目标检测算法应运而生，其中最具代表性的就是YOLO算法。目前最新的YOLOV4算法采用了 CSPDarknet53(Cross Stage PartialDarknet53，简称CSPDarknet53)作为其骨干网络，该骨干网络具有更大的感受野，对特征提取的能力更强，是一个能够从比较特殊的角度切入，在降低计算量的情况下依旧保持甚至提高卷积神经网络 (Convolutional Neural Network，简称CNN)能力的一种骨干网络，该网络能够通过梯度的变化从头到尾地集成到特征图中，在减少了计算量的同时还能保证准确率，与其它主流目标检测骨干网络相比，在相同帧率(Frames Per Second，简称 FPS)的情况下，CSPDarknet53网络的准确率更有竞争力。

YOLOV4是2020年4月刚刚发布的一个新型目标检测算法，作为一个全新的神经网络结构，相比于之前的YOLOV3，它重新设计了特征提取的骨干网络的结构，并且采用了全新的Mish激活函数，整个网络中大量采用卷积层，取消了全连接层。在微软出资标注的COCO(Common Object in Contex，简称COCO) 数据集上，该数据集有超过33万张图片，80个类别，YOLOV3在COCO数据集上检测效果良好，但还是存在实时性不高，检测精度低的情况，而YOLOV4 与YOLOV3相比，其在COCO数据集上的平均精度(Average Precision，简称AP) 和FPS分别提高了10％和12％，实时性提高，现如今将YOLOV4应用于人脸口罩佩戴检测领域，能够快速而精确的检测识别出人们佩戴口罩的情况。

发明内容

本发明针对现有技术中的不足，提供一种基于深度学习的人脸口罩佩戴检测方法，通过大量的训练样本，能够实现对佩戴口罩和未佩戴口罩人员的检测识别，增强了识别口罩的鲁棒性，在不同场景和环境中能够实现实时检测且泛化能力较强，检测速度及准确率也大大提高。

为实现上述目的，本发明采用以下技术方案：一种基于深度学习的人脸口罩佩戴检测方法，包括如下步骤：

S1、数据准备并制作训练集；

S2、构建YOLOV4目标检测模型；

S3、人脸口罩佩戴检测模型进行视频流实时检测；