一种基于深度学习的人脸口罩佩戴检测方法技术

本发明专利技术公开了一种基于深度学习的人脸口罩佩戴检测方法，包括如下步骤：S1、数据准备并制作训练集；S2、构建YOLOV4目标检测模型；S3、人脸口罩佩戴检测模型进行视频流实时检测；S4、通过YOLOV4的特征提取网络，提取三个特征层，三个特征层的预测结果分别对应三个边界框的位置；通过先验框对边界框的预测与回归，就可以获得多个边界框的信息，通过非极大值抑制算法，保留置信分最高的边界框作为目标的检测框，从而确定检测框的最终位置，检测识别未佩戴口罩人员。本发明专利技术实现了对佩戴口罩和未佩戴口罩人员的检测识别，通过采用YOLOV4目标检测算法，识别的精确度和速度大大提高。

A face mask wearing detection method based on deep learning

【技术实现步骤摘要】
一种基于深度学习的人脸口罩佩戴检测方法
本专利技术涉及图像识别
，具体涉及一种基于深度学习的人脸口罩佩戴检测方法。
技术介绍
近期全球新型冠状病毒肆虐，戴口罩的人急剧增多，这就给我们提供了海量样本数据。收集训练样本，建立全球最大口罩人脸数据集，并向社会开放，这为当前及今后可能发生类似的公共卫生安全事件，能够采取智能管控，减少人民生命财产的损失。基于人脸口罩数据，设计相应口罩遮挡人脸检测和识别算法，能够帮助社区封闭的人员进出管控、车站、机场的人脸识别闸机以及人脸门禁考勤设备的升级，所以快速而精确的检测识别出人们佩戴口罩的问题急需解决，对于日后生活中的安全管理及智能化信息管理具有重要的意义。一项检测率高的人脸口罩识别技术必须要有相应的目标检测算法相结合，而随着深度学习的兴起，一种新的基于卷积神经网络的目标检测算法应运而生，其中最具代表性的就是YOLO算法。目前最新的YOLOV4算法采用了CSPDarknet53(CrossStagePartialDarknet53，简称CSPDarknet53)作为其骨干网络，该骨干网络具有更大的感受本文档来自技高网...

【技术保护点】
1.一种基于深度学习的人脸口罩佩戴检测方法，其特征在于，包括如下步骤：/nS1、数据准备并制作训练集；/nS2、构建YOLOV4目标检测模型；/nS3、人脸口罩佩戴检测模型进行视频流时检测；/nS4、通过YOLOV4的特征提取网络，提取三个特征层，三个特征层的预测结果分别对应三个边界框的位置；通过先验框对边界框的预测与回归，就可以获得多个边界框的信息，通过非极大值抑制算法，保留置信分最高的边界框为目标的检测框，从而确定检测框的最终位置，检测识别未佩戴口罩人员。/n

【技术特征摘要】
1.一种基于深度学习的人脸口罩佩戴检测方法，其特征在于，包括如下步骤：
S1、数据准备并制作训练集；
S2、构建YOLOV4目标检测模型；
S3、人脸口罩佩戴检测模型进行视频流时检测；
S4、通过YOLOV4的特征提取网络，提取三个特征层，三个特征层的预测结果分别对应三个边界框的位置；通过先验框对边界框的预测与回归，就可以获得多个边界框的信息，通过非极大值抑制算法，保留置信分最高的边界框为目标的检测框，从而确定检测框的最终位置，检测识别未佩戴口罩人员。


2.如权利要求1所述的基于深度学习的人脸口罩佩戴检测方法，其特征在于，步骤S1包括：
S11、获取训练样本数据，对样本数据进行整理、清晰和重新标注；
S12、将样本数据进行分类，将图片进行数据增强，生成更多的训练样本，形成训练集；
S13、对获得的训练集进行标注，标注类别分为两类，分别是戴口罩的mask(0)和未戴口罩的nomask(1)。


3.如权利要求2所述的基于深度学习的人脸口罩佩戴检测方法，其特征在于，获取训练样本数据包括从AIZOO与RMFD数据集中获取、网上收集手捂图片、视频帧抽取图片。


4.如权利要求2所述的基于深度学习的人脸口罩佩戴检测方法，其特征在于，步骤S12中，对图片进行数据增强的方法包括改变图片的旋转角度、调整图片的饱和度、曝光量和色调。


5.如权利要求2所述的基于深度学习的人脸口罩佩戴检测方法，其特征在于，对训练集进行标注具体为，建立XOY像素坐标系，其中O为像素坐标系的原点，通过labelImg软件对目标进行框选，得到一个矩形标记框，其中，xo代表标记框中心点的像素横坐标，yo代表标记框中心点的像素纵坐标，(xmin，ymin)代表标记框左上角的像素坐标，(xmax，ymax)代表标记框右下角的像素坐标，W和H分别代表了图像的总宽度和总高度；
分别将标记框中心点的像素横、纵坐标和标记框的宽度、高度进行归一化处理，得到YOLO...

【专利技术属性】
技术研发人员：温秀兰，姚波，赵艺兵，孙乔，崔伟祥，宋爱国，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：江苏;32