[发明专利]一种基于全卷积单步目标检测算法的口罩佩戴识别方法和装置

说明书

本发明公开了基于全卷积单步目标检测算法的口罩佩戴识别方法和装置，属于图像处理技术领域。第一步，创建全卷积单步目标检测模型并初始化，构建数据集；第二步，改进全卷积单步目标检测网络模型，将口罩数据集用于模型的训练，输出训练结果后对全卷积单步目标检测模型迭代训练，调整参数，得到预期的测试效果；第三步，为拓展算法应用范围，将模型部署到人工智能开发板装置。本发明可用于公共场所的人脸口罩佩戴识别，助力疫情防控常态化条件下加快恢复生产生活秩序。

技术领域

本发明属于图像处理技术领域，尤其涉及基于全卷积单步目标检测算法的口罩佩戴识别方法和装置。

背景技术

从2019年底爆发的新型冠状病毒引发肺炎疫情严重影响了国家经济发展和社会秩序，给人们的生产生活带来了极大的困难。除中国等少数几个国家外，2020年其他国家经济将呈现不同程度的衰退。新冠肺炎病毒对人们的生命安全造成极大威胁。对截止2020年5月19日，据世界卫生组织(WHO)情况，新冠肺炎病毒已在全球感染超450万人，致超30万人死亡。有研究表明，新冠肺炎病毒可通过空气中的飞沫、气溶胶进行传播扩散，而佩戴口罩是做好个人防护、防止病毒传播的有效措施。虽然目前没有专门应用于人脸口罩佩戴检测的算法和装置，但是随着深度学习在计算机视觉领域的发展，基于神经网络的目标检测算法在行人目标检测、人脸检测、遥感图像目标检测、医学图像检测和自然场景文本检测等领域都有着广泛的应用。

因此，实现对人员密集型公共场所的人脸口罩佩戴检测与识别上升为做好社会治理的重大需求。口罩佩戴检测属于目标检测，目的是定位人脸或口罩位置，并对其进行分类，进而判断人是否佩戴口罩。目前，开源和应用的口罩检测算法均基于深度学习，通过设计卷积神经网络，训练标注的人脸和口罩数据，实现口罩检测的目的。

传统的目标检测使用多步骤过程。最著名的检测器是Viola Joins检测器，它能够实现实时检测。该算法通过Haar特征描述符，采用积分图像方法提取特征，选择有用的特征，并通过级联检测器检测物体。这些年来，基于深度学习的目标检测得益于较高的鲁棒性和较强的特征提取能力。目前，目标检测领域可分为两大类，一阶段和两阶段。两阶段目标检测在第一阶段生成区域建议，然后在第二阶段微调这些区域建议。两级目标检测可以提供较高的检测性能，但速度较慢。

R-CNN是一个经典的两阶段目标检测算法，R-CNN是由R.Girshick等人提出的，R-CNN使用选择性搜索来建议一些可能包含对象的候选区域，之后，将候选区域输入CNN模型以提取特征，再使用支持向量机(SVM)来识别对象类别。但是，R-CNN的第二阶段计算资源消耗大，因为网络必须以一对一的方式检测候选区域并使用单独的SVM进行最终分类。FasterR-CNN通过引入ROI Pooling一次输入所有候选区域来解决此问题。最后，在FasterR-CNN中提出了区域建议网络(RPN)来代替选择性搜索，以提高检测的速度。FasterR-CNN将每个单独的检测组件(例如区域建议，特征提取网络，分类网络)集成到端到端神经网络结构中。一阶段检测器仅利用单个神经网络检测对象。为了检测准确，应该预先定义一些指定对象的宽高比的锚点框。相比于两阶段，一阶段目标检测为了提高检测速度降低了一些性能。例如，YOLO将图像分为若干单元格，然后尝试将锚点框与每个单元格的对象匹配，但是这种方法不适用于较小的对象。研究人员发现，一阶段目标检测仅使用最后一个特征输出就不能获得很好的效果，因为最后一个特征图具有固定的接收场，只能在原始图像上观察某些区域。为改进这一不足，SSD中引入了多尺度检测，它可以对多个特征图进行检测，以检测不同大小的人脸。为了提高检测精度，Lin等人通过结合SSD和FPN体系结构提出了视网膜网络(RetinaNet)，该卷积神经网络还包括一种新的焦点损失功能以减轻类不平衡问题。

全卷积单步目标检测是由澳大利亚阿德莱德大学团队在2019年的发表的全卷积单步目标检测算法。在传统的目标检测算法中，主要引入了anchor来提升目标检测的效果，例如Faster R-CNN就提供了9种尺寸的anchor用于检测。

但是anchor的引入会导致两个主要的问题：