[发明专利]一种基于神经网络的正确佩戴口罩识别方法

说明书

一种基于神经网络的正确佩戴口罩识别方法，包括数据准备和模型训练，所述数据准备为：利用一定数量的佩戴口罩和不佩戴口罩的人脸图像构建口罩佩戴的识别训练数据集，所述模型训练包括以下步骤，修改网络结构：在网络模型中增加一个用于回归人脸佩戴口罩置信度的检测头A；并修改训练模型中的总损失计算方法；检测模型微调：基于Retinaface人脸检测算法，优化Retinaface人脸检测算法的训练参数；模型重复训练：重复训练模型多次，每次训练前都进行检测模型微调，直至模型检测精度符合要求。

技术领域

本发明涉及图像识别领域，特别涉及一种基于神经网络的正确佩戴口罩识别方法。

背景技术

近年来，随着视频压缩编码技术、网络通讯技术及信息处理技术的进步，数字视频监控的商业化得到了极大的发展，因而对获得的海量视频数据进行处理并提取有价值信息的需求日益旺盛。随着数字图像处理技术、人工智能技术的发展，对这些海量视频数据进行自动目标检测、跟踪、识别，成为处理海量视频流、连续帧图像的智能化、高效化方式。通过算法进行自动识别、跟踪，还能够及时预警、避免安全事件，减少人力、财力的投入，有效提高视频监视系统的实时性及有效性。在传染性疾病大流行时期或医院等特殊场景下，通常要求相关人员必须正确佩戴口罩，因此正确佩戴口罩的检测和识别方法极具应用价值。

在深度学习技术的推动下，学术界和商业界已经存在多种相关技术，如MTCNN(公开号CN111931580A)、SSD(公开号CN111582068A)、Resnet(公开号CN111611874A)。但这些现有技术均存在速度太慢、高误检率、高漏检率、算法鲁棒性较差等问题。

现有的应用在正确佩戴口罩的识别方法主要有以下两种：

Two-stage方式：Two-stage方式将一个问题分成两步或多步完成，这种方式通常需要先用目标检测网络检测出人脸，然后再用分类网络判断人脸是否戴口罩，这种网络通常速度都比较慢，且检测网络得到的结果对最终结果影响较大。

One-stage方式：这类网络能够直接解决问题，具有实时性高、易于训练的优点。

发明内容

本发明的目的在于：提供了一种基于神经网络的正确佩戴口罩识别方法，通过对训练模型进行修改，在网络模型中加入用于回归人脸佩戴口罩置信度的检测头A，并且修改了训练模型中的总损失计算方法，并基于Retinaface人脸检测算法进行计算，使得训练出的模型对正确佩戴口罩的识别精度更高。

本发明采用的技术方案如下：

一种基于神经网络的正确佩戴口罩识别方法，包括数据准备和模型训练，所述数据准备为：利用一定数量的佩戴口罩和不佩戴口罩的人脸图像构建口罩佩戴的识别训练数据集，所述人脸图像中标记有人脸的5个关键点坐标，所述5个关键点为左眼、右眼、鼻尖、左嘴角和右嘴角，所述人脸图像中还标记有人脸框坐标位置，所述人脸框坐标位置包括左上点x、右下点y、人脸框宽w和人脸框高h；

所述模型训练基于的网络模型包括backbone、FPN和检测头，所述backbone用于提取人脸图像中的特征，所述FPN用于获取多尺度的特征，并提升小尺度目标的检测精度，所述检测头用于对backbone提取到的特征进行回归，得到人脸置信度、人脸框位置以及人脸关键点的坐标；

所述模型训练包括以下步骤，步骤S1，修改网络结构：在网络模型中增加一个用于回归人脸佩戴口罩置信度的检测头A；

并修改训练模型中的总损失计算方法，损失函数改为：

L＝2L_location+L_landmark+L_{face_conf}+L_{mask_conf}