[发明专利]基于Slim-YOLOv3的口罩佩戴情况检测方法

说明书

本发明属于深度学习目标检测和计算机视觉技术领域，具体涉及一种基于Slim‑YOLOv3的口罩佩戴情况检测方法，该方法包括：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Slim‑YOLOv3模型中，判断该用户是否正确佩戴口罩；本发明通过一种基于Slim‑YOLOv3的口罩佩戴情况视频检测方法，加上采用改进的无监督自分类方法对不规范佩戴口罩的数据进行子类划分，使得口罩佩戴视频检测任务可以更加精确快速的实现。且提出的网络更加简洁，使得应用成本进一步降低。

技术领域

本发明属于深度学习目标检测和计算机视觉技术领域，具体涉及一种基于Slim-YOLOv3的口罩佩戴情况检测方法。

背景技术

由于有害的气体、气味、飞沫、病毒等均是通过空气侵入人体，通过规范佩戴口罩可以有效的防范该物质侵入人体。规范佩戴口罩的作用不仅仅是防止病毒从无症状者身上传播给他人，降低二次传播的概率以保护其他人，同时也可以保护佩戴者，减少佩戴者所接触的病毒的接种量，使得病毒感染风险更低。

近年来，深度学习在目标检测、图像分类、语义分割等领域取得了巨大的进展。结合卷积神经网络的各类算法，无论是精度还是运算速度都取得了巨大的进展。口罩佩戴情况视频检测任务是一个目标检测问题，目标检测是结合目标分类和目标定位的多任务深度学习问题。

目前，根据实际检测任务的需求，视频检测需要解决两大关键技术：

(1).实时性；现场视频检测需要保证实时，才能有效的捕捉当前任务对象口罩佩戴情况；

(2).高精度；只有精确的得出当前对象口罩佩戴情况，才能起到有效的辅助作用。

目前，虽然在实际应用中已经出现很多口罩佩戴情况视频检测的设备，但往往高检测精度的设备消耗的计算资源较贵，廉价的检测器无法达到高精度。

发明内容

为解决以上现有技术存在的问题，本发明提出了一种基于Slim-YOLOv3的口罩佩戴情况检测方法，该方法包括：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，判断该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Darknet-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；

S6：根据解码结果计算模型的损失函数；

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。

优选的，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。

优选的，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。