[发明专利]基于Slim-YOLOv3的口罩佩戴情况检测方法

权利要求书

1.一种基于Slim-YOLOv3的口罩佩戴情况检测方法，其特征在于，包括：实时获取人脸视频数据，对人脸视频数据进行预处理；将预处理后的人脸图像输入到训练好的改进Slim-YOLOv3模型中，判断用户是否正确佩戴口罩；所述改进的Slim-YOLOv3模型包括骨干网络ECADarknet-53、特征增强及预测网络以及解码网络；

训练改进的Slim-YOLOv3模型的过程包括：

S1：获取原始数据集，对原始数据集进行预处理，得到训练样本集和测试样本集；

S2：对训练样本集和测试样本集中的数据进行分类和重新标注处理；

S3：将分类后的训练样本集输入到骨干网络Darknet-53中进行多尺度变换，提取多个尺度特征；

S4：将多个尺度特征输入到特征增强及预测网络中，得到分类预测结果；

S5：将分类预测结果输入到解码网络中进行解码；

S51：将每个网格点加上对应的x_offset和y_offset，得到预测框的中心；其中x_offset和y_offset分别表示网格左上角坐标(x,y)和实际预测的点x和y方向上的偏移量；

S52：将先验框和h、w结合，并计算出预测框的长和宽；其中h，w分别表示预测框的尺度缩放值；

S53：通过位置信息与实际标注信息计算定位损失，通过预测类别信息和实际标注类别信息计算分类损失；

S54：判断真实框在图片中的位置，判断其属于哪一个网格点去检测；

S55：计算真实框与先验框重合程度，并选取重合度最高的先验框进行验证；

S56：获得网络应该有的预测结果，将其与实际的标注结果对比；

S6：根据解码结果计算模型的损失函数；

其中，λ_coord和λ_noobj为对应项的权重，S²表示网格个数，B表示每个网格产生候选框的个数，表示第i个网格的第j个深度学习目标检查算法的锚框anchor box是否负责预测这个对象，表示第i个网格的第j个anchor box不负责预测这个对象，x_i表示第i个网格实际中心点的横坐标，y_i表示第i个网格实际中心点的纵坐标，第i个网格的第j个anchorbox预测并解码后的中心点横坐标，表示第i个网格的第j个anchor box预测并解码后的中心点纵坐标，ω、h分别表示目标的宽和高，分别表示解码后目标的宽和高，C表示目标预测框内含有目标物体的置信度，表示解码后目标预测框内含有目标物体的置信度，classes表示数据集的所有类别，P表示目标属于类别c的概率，表示解释目标属于类别c的概率；

S7：将测试集中的数据输入到模型进行预测，根据预测结果对模型的损失函数进行优化，当损失函数变化较小或达到迭代次数时，完成模型的训练。

2.根据权利要求1所述的一种基于Slim-YOLOv3的口罩佩戴情况检测方法，其特征在于，对原始数据集进行预处理包括：将原始数据集中的数据进行压缩、翻转以及改变图像的明暗程度，得到增强的图像数据；对增强后的图像数据进行分割，得到训练样本集和测试样本集。

3.根据权利要求1所述的一种基于Slim-YOLOv3的口罩佩戴情况检测方法，其特征在于，对训练样本集和测试样本集中的数据进行分类的过程包括：根据原始数据集的图像人脸佩戴口罩情况划分为三类，包括规范佩戴口罩图、不规范佩戴口罩图以及不佩戴口罩图；采用改进的图像无监督自分类方法SCAN对不规范佩戴口罩图进行再次分类，得到了多个子类。