[发明专利]一种用于口罩佩戴检测的数据预处理方法

说明书

本发明公开了一种用于口罩佩戴检测的数据预处理方法，涉及数据处理技术领域，包括以下步骤：标定搜寻方向，其搜索原型的约简集tg表示训练集tr；获取选择类别，确定结果生成集，其中包括保留边框、中心或两种类型的点；获取生成机制，其中包括构建约简集tg；确定搜索的评估。本发明可针对不同类型的数据集，使得起到优化神经网络的效果，此外使口罩佩戴检测更加精准高效。

技术领域

本发明涉及数据处理技术领域，具体来说，涉及一种用于口罩佩戴检测的数据预处理方法。

背景技术

正确佩戴口罩出门是为了防止疫情扩散，此举得到了人们的广泛支持。但也带来了很多挑战——高密度的人流让基层排查人员面临着人手不足，以及接触疑似患者的风险，只有适应新情况的人工智能技术才能减轻他们的工作压力。目前应用的口罩检测模型，可在公共场所高密度人流的环境中，对佩戴口罩和未佩戴口罩的人脸进行快速识别标注，口罩佩戴检测已经在工厂车间和人流密集的公共场合得到较为广泛的应用，但是在神经网络发展完备的情况下，优化检测效果和节约存储是目前关注的重点，运用PrototypeSelection和Prototype Generation的数据预处理能使目标检测任务得到进一步优化提升，在提高分类精度和节约存储空间方面效果尤其显著。

目前，通过数据预处理来提高神经网络性能的研究是比较普遍和迫切的。Prototype Selection和Prototype Generation可以代表一种可行和有前途的技术来获得预期的结果，减少存储空间，提高分类精度。最近邻(KNN)规则是解决分类和模式识别任务最成功的技术之一。kNN实现简单，功能强大，因为它的理论性质保证了对于所有分布，其误差概率是Bayes误差概率的两倍以上。这个规则的初始实现没有学习阶段，因为它使用所有的训练集对象来分类新的输入数据，尽管分类精度很高，但该规则在时间响应，噪声敏感性和高存储要求方面存在一些缺点。这些弱点可以通过运用Prototype Selection和Prototype Generation得到解决。Prototype reduction techniques可以分为两种不同的方法，即Prototype Selection和Prototype Generation。前者包括选择原始训练数据的一个子集，而后者则是构建新的人工原型以提高神经网络分类的准确性。对于神经网络，尽管它的分类精度很高，但众所周知其依旧存在有几个缺点。这些缺点是阻止分类器成功应用的主要原因。为了存储定义决策规则的示例集而提出较高的高存储需求。此外，所有数据实例的存储也导致了决策规则计算过程中的高计算成本，这是由于测试样本和训练样本之间的相似性的多次计算造成的。则是神经网络(尤其是1NN)对噪声的容忍度很低，因为它认为所有的数据都是相关的，即使训练集可能包含不正确的数据。最后，神经网络对现有数据进行预测，并假设输入数据完美地划分了类之间的决策边界，这就造成了一定的误差。

因此，我们提出一种用于口罩佩戴检测的数据预处理方法。

发明内容

针对相关技术中的问题，本发明提出一种用于口罩佩戴检测的数据预处理方法，以克服现有相关技术所存在的上述技术问题。

本发明的技术方案是这样实现的：

一种用于口罩佩戴检测的数据预处理方法，包括以下步骤：

标定搜寻方向，其搜索原型的约简集tg表示训练集tr；

获取选择类别，确定结果生成集，其中包括保留边框、中心或两种类型的点；

获取生成机制，其中包括构建约简集tg；

确定搜索的评估。

进一步的，所述搜寻方向，包括：Incremental(增量搜索)、Decremental(递减搜索)、Batch(批处理)、Mixed(混合搜索)和Fixed(固定搜索)。

进一步的，所述获取选择类别，确定结果生成集，包括：Condensation、Edition和Hybrid。