[发明专利]一种佩戴口罩行为检测方法及装置

说明书

本发明公开了一种佩戴口罩行为检测方法及装置，采用训练样本对构建的目标检测模型进行训练，在训练时，所述目标检测模型对深度残差网络的残差学习单元中残差模块输出的特征信号进行挤压和激活操作，得到特征信号对应的权重，并通过乘法运算将所述权重与残差模块输出的特征信号进行融合，然后将残差学习单元的输出通过特征金字塔网络获取特征图金字塔；最后对每层特征图金字塔分别进行目标分类和检测框位置回归。本发明在智能监督员工需佩戴口罩才能进入管控区域的基础上有效地达到了小范围内疫情防控的效果，提高了检测精度。

技术领域

本发明属于行为检测技术领域，它涉及图像目标检测算法，尤其涉及一种佩戴口罩行为检测方法及装置，具体是一种在摄像头下检测出未佩戴口罩行为的方法和装置。

背景技术

在发生病毒疫情时，为了防止聚集传染风险，在复杂环境或无法确定风险的环境下佩戴口罩是非常有必要的，对于复工的场所加强个人防护，杜绝未带口罩，就成为疫情发生情况下急需解决的一个问题。

图像目标检测就是找出图像中感兴趣的目标，并确定它们的类别和位置。近年来基于深度学习以及基于卷积神经网络的图像目标检测技术迅速发展，例如基于候选区域的One-stage系列(R-CNN，SPPNet，Fast R-CNN，Faster R-CNN)目标检测算法，和基于回归方法的Two-stage系列(YOLOv1，SSD，YOLOv2，YOLOv3)目标检测算法相继被提出。One-stage系列算法在检测目标时需要提取上千个候选框并对每一个候选框进行特征计算，所以特征计算复杂，检测速度低，耗费时间长。Two-stage系列目标检测算法虽然检测速度较快但由于类不平衡问题导致检测精度相对One-stage较低，尤其在进行中小目标检测时效果不佳。因此这种检测速度与检测精度不可兼得的局面一直成为目标检测的瓶颈。

针对该问题，有相关文献提出了RetinaNet，如图1所示，该网络的基础网络使用的是深度残差网络Resnet，然后在不同尺度的feature map建立金字塔，也就是FPN网络，这样就获得了丰富且多尺度的卷积特征金字塔，并且在FPN的每个层级连接回归和分类2个子网用于回归和分类预测。RetinaNet虽然通过重塑标准交叉熵损失函数成功解决了类不平衡的问题，但检测精度仍然有待提高。

发明内容

本申请的目的是提供一种佩戴口罩行为检测方法及装置，以提高佩戴口罩行为的检测精度。

为了实现上述目的，本申请技术方案如下：

一种佩戴口罩行为检测方法，包括：

采用训练样本对构建的目标检测模型进行训练，在训练时，所述目标检测模型对深度残差网络的残差学习单元中残差模块输出的特征信号进行挤压和激活操作，得到特征信号对应的权重，并通过乘法运算将所述权重与残差模块输出的特征信号进行融合，然后将残差学习单元的输出通过特征金字塔网络获取特征图金字塔；最后对每层特征图金字塔分别进行目标分类和检测框位置回归；

采集待检测人员的单人脸区域图片，采用训练好的目标检测模型进行佩戴口罩行为检测，并通过软化非极大值抑制法来得到置信度最高的检测结果；

根据多次的检测结果及其置信度，判断待检测人员是否佩戴口罩。

进一步的，所述根据多次的检测结果及其置信度，判断待检测人员是否佩戴口罩，包括：

如果第一张单人脸区域图片的检测结果为是并置信度在第一阈值以上，则判定结果为该待检测人员已佩戴口罩，并为其放行；

如果第一张单人脸区域图片的检测结果为否并置信度在第二阈值以上则继续检测第二张单人脸区域图片；如果第二张单人脸区域图片的检测结果为是并且置信度在第一阈值以上，则继续检测第三张单人脸区域图片；如果第三张单人脸区域图片的检测结果为是并且置信度在第一阈值以上，则判定结果为待检测人员已佩戴口罩，并为其放行；