基于YOLOV3算法的二次检测口罩人脸识别方法技术

本发明专利技术提出一种基于YOLOV3算法的二次检测口罩人脸识别方法，包括：收集现场监控视频，将视频隔帧保存为图片，作为口罩人脸识别的基本数据集；使用现场原始图片作为样本图片，对样本图片进行头肩区域和口罩人脸区域的数据标注，使用YOLOV3算法对头肩数据进行训练，生成头肩检测模型；使用YOLOV3算法对头肩区域内的口罩人脸数据进行训练，生成口罩人脸识别模型；输出口罩人脸识别的结果。本发明专利技术通过对图像使用YOLOV3头肩检测算法和YOLOV3口罩人脸识别的二次检测算法，定位出所有人体的头肩区域和对戴口罩人脸、未带口罩人脸的识别，在不同场景应用中通用性更好，识别准确度更高，克服了现有技术受光照、角度的影响。

【技术实现步骤摘要】
基于YOLOV3算法的二次检测口罩人脸识别方法
本专利技术属于人脸识别
，尤其涉及一种基于YOLOV3算法的二次检测口罩人脸识别方法。
技术介绍
口罩人脸识别是利用计算机视觉技术判断图像或者视频序列中的行人是否存在未带口罩的情况，在一些需要佩戴口罩的特定场合，比如食堂、饭店等员工需要佩戴口罩上岗，或由于特殊情况，需要行人佩戴口罩的场景，都可以适用。目前市面上的口罩人脸识别系统，常用的方式先对人脸进行检测，再对人脸进行区域划分，统计分析脸部下方区域的颜色信息，进而判断人脸是否佩戴口罩的方式。但在实际现场应用中，人脸的倾斜角度不同，不同光线的干扰也不同，导致传统方式的精度并不理想。因此，现有技术需要改进。
技术实现思路
为解决上述技术问题，本专利技术提出了一种基于YOLOV3算法的二次检测口罩人脸识别方法。基于本专利技术实施例的一个方面，公开一种基于YOLOV3算法的二次检测口罩人脸识别方法，包括：收集现场监控视频，将视频隔帧保存为图片，作为口罩人脸识别的基本数据集；使用现场原始图片作为样本图片，对样本图片进行头肩区域和口罩人脸区域的数据标注，使用YOLOV3算法对头肩数据进行训练，生成头肩检测模型；使用YOLOV3算法对头肩区域内的口罩人脸数据进行训练，生成口罩人脸识别模型；输出口罩人脸识别的结果，所述口罩人脸识别的结果包括戴口罩人脸、未戴口罩人脸、转身后头部区域三类图像目标。基于本专利技术的上述基于YOLOV3算法的二次检测口罩人脸识别方法的另一个实施例中，所述使用现场原始图片作为样本图片，对样本图片进行头肩区域和口罩人脸区域的数据标注，使用YOLOV3算法对头肩数据进行训练，生成头肩检测模型包括：使用现场原始图片作为样本图片，对样本图片进行头肩区域的数据标注；对图像的Anchorbox进行聚类及YOLOV3网络参数设置，提高图像识别的精度，减少网络时间复杂度；对头肩图像进行预处理和数据增强，通过对图像样本进行迭代训练，得到训练好的头肩检测模型。基于本专利技术的上述基于YOLOV3算法的二次检测口罩人脸识别方法的另一个实施例中，所述对图像Anchorbox进行聚类及YOLOV3网络参数设置，提高图像识别的精度，减少网络时间复杂度包括：在待训练的头肩数据集里统计头肩目标框的长和宽，选择多个初始聚类中心点，逐一计算所有数据对象到各个聚类中心点的距离，将数据对象分配给距离最短的集合；在YOLOV3的darknet53结构中增加SPP模块，将局部特征和全局特征的特征图融合；对YOLOV3的darknet53结构中所有卷积层的卷积核数量进行剪枝减半，降低网络的时间复杂度。基于本专利技术的上述基于YOLOV3算法的二次检测口罩人脸识别方法的另一个实施例中，所述对头肩图像进行预处理和数据增强，通过训练图像样本和迭代训练，得到训练好的头肩检测模型包括：对原始图片数据进行预处理和数据增强，网络进行加载，得到图像数据；将图片分成S*S个网格，S为13、26和52三种不同的图像尺寸；将每个网格检测中心点落在该网格范围内的目标，预测出3个预测框，每个预测框对应C+5个值，C为检测目标的类别数，得到C个类别的置信得分P(C，Oobject)，头肩检测中类别C为1，5个值分别为预测框的坐标(x，y)、预测框的宽度w和高度h、以及存在检测目标的置信得分P(C，Oobject)；通过每个预测框对应的C+5个值计算得到预测框置信得分Sconf；对头肩检测训练设置最大迭代次数，直至训练数据集输出的损失函数值不大于阈值或达到设置的最大迭代次数，得到训练好的头肩检测模型。基于本专利技术的上述基于YOLOV3算法的二次检测口罩人脸识别方法的另一个实施例中，所述预测框置信得分Sconf为：Sconf＝P(Ci|Oobject)×P(Oobject)×I(truth，pred)；式中，预测框中存在检测物体时P(Oobject)＝1，否则P(Oobject)＝0，P(Ci|Oobject)为网络预测i类的置信得分，i表示类别标号，I(truth，pred)为预测目标框与真实目标框的交并比；通过非极大值抑制算法筛选出预测框置信得分Sconf为：式中，i表示类别标号，M为置信得分大的候选框，bi为被比较的物体预测框，I(M，bi)为M与bi的交并比，Nt为抑制阈值。基于本专利技术的上述基于YOLOV3算法的二次检测口罩人脸识别方法的另一个实施例中，所述对标定头肩数据的图片进行口罩人脸检测识别，生成口罩人脸识别模型包括：截取原始图片中所有人体的头肩区域，将原始大图中口罩人脸的标定数据转换为相对于头肩区域的标定数据；通过K-means聚类方法对待训练的口罩人脸数据集进行聚类对YOLOV3的darknet53结构中每个卷积层的卷积核数量进行剪枝砍半，减少算力损耗；设置口罩人脸识别模型训练的最大迭代次数，直至训练数据集输出的损失函数值不大于阈值或达到设置的最大迭代次数时停止训练，得到训练好的口罩人脸识别网络。基于本专利技术的上述基于YOLOV3算法的二次检测口罩人脸识别方法的另一个实施例中，所述图片中的头肩数据、口罩人脸数据进行标定的格式为VOC格式。基于本专利技术的上述基于YOLOV3算法的二次检测口罩人脸识别方法的另一个实施例中，所述图片中的头肩数据、口罩人脸数据进行标定时，头肩数据标定包括一类，类别名为Headshoulder；口罩人脸数据标定包括三类，包括未佩戴口罩人脸的类别名为Face，佩戴口罩人脸的类别名为Mask_Face，转身头部区域的类别名为Back_Head。与现有技术相比，本专利技术具有以下优点：采用本专利技术的基于YOLOV3算法的二次检测口罩人脸识别方法通过先对图像使用YOLOV3头肩检测算法进行处理，定位出所有人体的头肩区域，然后在头肩区域使用YOLOV3口罩人脸识别算法，对戴口罩人脸和未带口罩人脸进行二次检测识别，判断是否佩戴口罩，本专利技术的二次检测方式在不同场景应用中通用性更好，识别准确度更高，克服了现有技术受光照、角度等的影响，提高了口罩人脸识别准确性、鲁棒性以及适应性，本专利技术对网络的结构进行剪枝，模型推理时间提高35％左右。附图说明图1为本专利技术提出的基于YOLOV3算法的二次检测口罩人脸识别方法的流程图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。下面结合附图和实施例对本专利技术提供的一种基于YOLOV3算法的二次检测口罩人脸识别方法进行更详细地说明。图1为本专利技术提出的基于YO本文档来自技高网...

【技术保护点】
1.一种基于YOLOV3算法的二次检测口罩人脸识别方法，其特征在于，包括：/n收集现场监控视频，将视频隔帧保存为图片，作为口罩人脸识别的基本数据集；/n使用现场原始图片作为样本图片，对样本图片进行头肩区域和口罩人脸区域的数据标注，使用YOLOV3算法对头肩数据进行训练，生成头肩检测模型；/n使用YOLOV3算法对头肩区域内的口罩人脸数据进行训练，生成口罩人脸识别模型；/n输出口罩人脸识别的结果，所述口罩人脸识别的结果包括戴口罩人脸、未戴口罩人脸、转身后头部区域三类图像目标。/n

【技术特征摘要】
1.一种基于YOLOV3算法的二次检测口罩人脸识别方法，其特征在于，包括：
收集现场监控视频，将视频隔帧保存为图片，作为口罩人脸识别的基本数据集；
使用现场原始图片作为样本图片，对样本图片进行头肩区域和口罩人脸区域的数据标注，使用YOLOV3算法对头肩数据进行训练，生成头肩检测模型；
使用YOLOV3算法对头肩区域内的口罩人脸数据进行训练，生成口罩人脸识别模型；
输出口罩人脸识别的结果，所述口罩人脸识别的结果包括戴口罩人脸、未戴口罩人脸、转身后头部区域三类图像目标。


2.根据权利要求1所述的基于YOLOV3算法的二次检测口罩人脸识别方法，其特征在于，所述使用现场原始图片作为样本图片，对样本图片进行头肩区域和口罩人脸区域的数据标注，使用YOLOV3算法对头肩数据进行训练，生成头肩检测模型包括：
使用现场原始图片作为样本图片，对样本图片进行头肩区域的数据标注；
对图像的Anchorbox进行聚类及YOLOV3网络参数设置；
对头肩图像进行预处理和数据增强，通过训练图像样本和迭代训练，得到训练好的头肩检测模型。


3.根据权利要求2所述的基于YOLOV3算法的二次检测口罩人脸识别方法，其特征在于，所述对图像Anchorbox进行聚类及YOLOV3网络参数设置包括：
在待训练的头肩数据集里统计头肩目标框的长和宽，选择多个初始聚类中心点，逐一计算所有数据对象到各个聚类中心点的距离，将数据对象分配给距离最短的集合；
在YOLOV3的darknet53结构中增加SPP模块，将局部特征和全局特征的特征图融合；
对YOLOV3的darknet53结构中所有卷积层的卷积核数量进行剪枝减半。


4.根据权利要求2所述的基于YOLOV3算法的二次检测口罩人脸识别方法，其特征在于，所述对头肩图像进行预处理和数据增强，通过训练图像样本和迭代训练，得到训练好的头肩检测模型包括：
对原始图片数据进行预处理和数据增强，网络进行加载，得到图像数据；
将图片分成S*S个网格，S为13、26和52三种不同的图像尺寸；
将每个网格检测中心点落在该网格范围内的目标，预测出3个预测框，每个预测框对应C+5个值，C为检测目标的类别数，得到C个类别的置信得分P(C,Oobject)，头肩检测中类别C为1，5个值分别为预测框的坐标(x,y)、预测框的宽度...

【专利技术属性】
技术研发人员：南阳，樊治国，黄惠南，张晋，秦康，
申请(专利权)人：上海高重信息科技有限公司，
类型：发明
国别省市：上海;31