口罩佩戴检测方法及系统技术方案

本发明专利技术提供了一种口罩佩戴检测方法及系统，其方法包括：获取数据集，其中数据集中包含人脸和人脸佩戴口罩的图像数据；将数据集中的图像分成未佩戴口罩、规范佩戴口罩和不规范佩戴口罩三个类别；将分类后的图像输入到MTCNN网络中构建人脸检测定位模型；人脸检测定位模型将定位到的人脸图像数据输入到MobileNetV1网络训练得到口罩检测模型；在口罩佩戴情况检测时，人脸检测定位模型对输入图像进行人脸检测和定位，在检测和定位到人脸后，截取人脸图像，将截取的人脸图像数据传输至口罩检测模型进行口罩佩戴情况检测，其系统包括图像获取模块、人脸检测定位模块和口罩检测模块。本发明专利技术，具有较高的准确率，在训练集中准确率达到99.34％，在测试集中准确率达到98.75％。在测试集中准确率达到98.75％。在测试集中准确率达到98.75％。

【技术实现步骤摘要】
口罩佩戴检测方法及系统


[0001]本专利技术涉及人工智能计算机视觉
，具体地，涉及口罩佩戴检测方法及系统。

技术介绍

[0002]目前许多公共场所的口罩检测仍基本采用人工监督的方式，但像地铁、机场等人流众多的场合，完全依靠人力检测不仅会增加工作人员被感染的风险，检测结果也会受到人的精力和视力范围的影响。而且近年来计算机技术快速发展，基于深度学习的视频图像目标检测技术逐渐发展起来。当前已有的一些视频口罩检测大多数是利用 one
‑
stage算法实现，如SSD(Single Shot MultiBox Detector)、YOLO(You Only LookOnce)等，这类算法会在检测到人脸的同时判断是否佩戴了口罩。但是利用这些算法仍然存在模型过大、需要GPU(Graphics Processing Unit)加持和不便于嵌入式应用的情况。
[0003][0004]针对上述问题，急需新的方法，能够高效、准确地实现口罩的规范佩戴检测，并同时保证嵌入式应用和部署的要求。

技术实现思路

[0005]针对现有技术中的缺陷，本专利技术的目的是提供一种口罩佩戴检测方法及系统。
[0006]第一方面，本专利技术提供一种口罩佩戴检测方法，包括如下步骤：
[0007]步骤S1，获取数据集，其中数据集中包含人脸和人脸佩戴口罩的图像数据；
[0008]步骤S2,将所述数据集中的图像分成未佩戴口罩、规范佩戴口罩和不规范佩戴口罩三个类别；
[0009]步骤S3,将分类后的图像输入到MTCNN网络中构建人脸检测定位模型；
[0010]步骤S4,所述人脸检测定位模型将定位到的人脸图像数据输入到MobileNet V1网络训练得到口罩检测模型；
[0011]步骤S5,在口罩佩戴情况检测时，所述人脸检测定位模型对输入图像进行人脸检测和定位，在检测和定位到人脸后，截取人脸图像，将截取的人脸图像数据传输至口罩检测模型进行口罩佩戴情况检测。
[0012]可选地，所述步骤S3进一步包括：
[0013]步骤S301，将数据集中的图像进行不同尺度的变换，构建图像金字塔；
[0014]步骤S302，将得到的所述图像金字塔传入所述MTCNN网络的PNet网络层中，生成第一人脸候选框，利用所述第一人脸候选框截取出若干第一区域；
[0015]步骤S303，将所述候选框截取出的第一区域传入到所述MTCNN网络的RNet网络层中，对若干第一区域进行评分，判断出是否含有人脸，对所述第一人脸候选框进行区域修正，得到第二人脸候选框；
[0016]步骤S304，利用第二人脸候选框再次截取出若干第二区域，并传入到MTCNN网络的
ONet网络层中，所述ONet网络会再次判断是否含有人脸，并再次对所述第二人脸候选框进行修正，在所述ONet网络判断出含有人脸后，所述ONet网络根据人脸特征对人脸进行定位；
[0017]步骤S305，重复执行步骤S301至步骤S304，直至步骤S1中所搜集的数据集中的所有图像数据均进行了人脸检测和定位。
[0018]可选地，所述MobileNet V1网络在训练前进行参数设置，所述参数设置进一步包括：
[0019]用ModelCheckpoint函数设置权值保存的细节；
[0020]用ReduceLROnPlateau函数设置学习率下降的方式；
[0021]通过EarlyStopping函数设定训练早停方式；
[0022]设定训练的损失函数和损失函数的优化方法，并设置一次训练输入图片数量；
[0023]设定输入的所述定位到的人脸图像数据的增强方式。
[0024]可选地，所述步骤S4进一步包括：
[0025]步骤S401：将输入的定位到的人脸图像数据进行随机打乱，划分训练集和验证集；
[0026]步骤S402：设置输入到MobileNet V1网络的图片大小、类别数量和模型保存的位置；
[0027]步骤S403：选定MobileNet V1网络的预训练权重进行迁移学习得到口罩检测模型。
[0028]可选地，所述口罩检测模型训练时采用冻结训练和解冻训练相结合的方式。
[0029]进一步地，本专利技术还提供一种口罩佩戴检测系统，用于实施权利要求上述所述的口罩佩戴检测方法，其特征在于包括：
[0030]图像获取模块：用于获取数据集，其中数据集中包含人脸和人脸佩戴口罩的图像数据，并将所述数据集中的图像分成未佩戴口罩、规范佩戴口罩和不规范佩戴口罩三个类别；
[0031]人脸检测定位模块：对输入图像进行人脸检测和定位，在检测和定位到人脸后，截取人脸图像，将截取的人脸图像数据传输至口罩检测模块；
[0032]口罩检测模块：用于进行口罩佩戴情况检测。
[0033]与现有技术相比，本专利技术具有如下的有益效果：
[0034]本专利技术的口罩检测方法及系统具有较高的准确率，在训练集中准确率达到 99.34％，在测试集中准确率达到98.75％。
[0035]本专利技术的口罩检测方法及系统的口罩检测模型大小得到大幅缩减，仅为12.5MB，且能够不依赖GPU进行使用，满足了嵌入式应用和实时性的要求。
附图说明
[0036]通过阅读参照以下附图对非限制性实施例所作的详细描述，本专利技术的其它特征、目的和优点将会变得更明显：
[0037]图1为本专利技术实施例中视频口罩检测方法的步骤流程图；
[0038]图2为本专利技术实施例中MTCNN网络的结构示意图；
[0039]图3为本专利技术实施例中MobileNet V1的深度可分离卷积基本结构示意图；
[0040]图4为本专利技术实施例中模型的loss值随世代次数变化的曲线图；
[0041]图5为本专利技术实施例中模型的准确率随世代次数变化的曲线图；
[0042]图6为本专利技术实施例中视频口罩检测的效果图；
[0043]图7为本专利技术实施例中视频口罩检测系统的模块示意图。
具体实施方式
[0044]下面结合具体实施例对本专利技术进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本专利技术，但不以任何形式限制本专利技术。应当指出的是，对本领域的普通技术人员来说，在不脱离本专利技术构思的前提下，还可以做出若干变化和改进。这些都属于本专利技术的保护范围。
[0045]图1为本专利技术实施例中视频口罩检测方法的步骤流程图；图2为本专利技术实施例中MTCNN网络的结构示意图；图3为本专利技术实施例中MobileNet V1的深度可分离卷积基本结构示意图；图4为本专利技术实施例中模型的loss值随世代次数变化的曲线图；图5为本专利技术实施例中模型的准确率随世代次数变化的曲线图；图6为本专利技术实施例中视频口罩检测的效果图；图7为本专利技术实施例中视频口罩检测系统的模块示意图，请参阅图4，图5分别为本专利技术实施例中模型的loss值和准确率随世代次数变化的曲线。可以发现loss值总体上处于下降收敛趋本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种口罩佩戴检测方法，其特征在于，包括如下步骤：步骤S1，获取数据集，其中数据集中包含人脸和人脸佩戴口罩的图像数据；步骤S2,将所述数据集中的图像分成未佩戴口罩、规范佩戴口罩和不规范佩戴口罩三个类别；步骤S3,将分类后的图像输入到MTCNN网络中构建人脸检测定位模型；步骤S4,所述人脸检测定位模型将定位到的人脸图像数据输入到MobileNet V1网络训练得到口罩检测模型；步骤S5,在口罩佩戴情况检测时，所述人脸检测定位模型对输入图像进行人脸检测和定位，在检测和定位到人脸后，截取人脸图像，将截取的人脸图像数据传输至口罩检测模型进行口罩佩戴情况检测。2.根据权利要求1所述的口罩佩戴检测方法，其特征在于，所述步骤S3进一步包括：步骤S301，将数据集中的图像进行不同尺度的变换，构建图像金字塔；步骤S302，将得到的所述图像金字塔传入所述MTCNN网络的PNet网络层中，生成第一人脸候选框，利用所述第一人脸候选框截取出若干第一区域；步骤S303，将所述候选框截取出的第一区域传入到所述MTCNN网络的RNet网络层中，对若干第一区域进行评分，判断出是否含有人脸，对所述第一人脸候选框进行区域修正，得到第二人脸候选框；步骤S304，利用第二人脸候选框再次截取出若干第二区域，并传入到MTCNN网络的ONet网络层中，所述ONet网络会再次判断是否含有人脸，并再次对所述第二人脸候选框进行修正，在所述ONet网络判断出含有人脸后，所述ONet网络根据人脸特征对人脸进行定位；步骤S305，重复执行步骤S301至步骤S304，直至步骤S1中所搜集的数据集中的所有图...

【专利技术属性】
技术研发人员：黄季兵，邓菲，付恩宇宸，
申请(专利权)人：上海应用技术大学，
类型：发明
国别省市：