本发明专利技术公开了一种口罩佩戴识别检测方法、装置、存储介质以及系统。通过根据所述初始图像制作混合图像数据，对所述混合图像数据进行滤波以及去雾复原处理从而获取待识别图像，并根据基于CBAM注意力模型和深度卷积神经网络的口罩佩戴识别检测模型对所述待识别图像进行识别，该识别检测方法、装置、存储介质以及系统提升了雾霾天气下口罩佩戴识别的准确率；进一步地，本发明专利技术提供的一种口罩佩戴识别检测方法、装置、存储介质以及系统还通过对训练好的第一口罩佩戴识别检测模型进行剪枝压缩以及推理加速，从而实现模型部署的轻量化，从而提升计算资源的利用率。升计算资源的利用率。升计算资源的利用率。
【技术实现步骤摘要】
一种口罩佩戴识别检测方法、装置、存储介质及系统
[0001]本专利技术涉及口罩佩戴识别检测
，尤其涉及一种口罩佩戴识别检测方法、装置、存储介质及系统。
技术介绍
[0002]依靠肉眼观察是否佩戴口罩不仅耗费人力物力，而且有极大的漏检风险和近距离接触的感染风险。但是，在雾霾天气条件下拍摄的图像的质量非常模糊，目标检测效果较差。在雾霾天气情况下准确识别人们是否佩戴口罩，是智能机器人的重要任务之一，亟需一种基于图像处理的高精度高速度的口罩佩戴检测算法。
[0003]在现有技术中，通常将雾霾天气环境下口罩识别的过程分解成两个子任务：消除雾霾干扰和人脸口罩检测。消除雾霾干扰是将机器人获取的图像分解为干净图像及其对应的雾霾干扰信息，可以恢复更多原始模糊物体和误识别物体的潜在信息。这种方法通过研究大气悬浮颗粒对光的散射作用，建立大气散射模型，了解图像退化的物理机理，并反演复原出未降质前的图像。这是一类专门针对雾天图像的图像复原的方法，复原出来的图像效果真实，接近降质前景物原景。人脸口罩检测是指利用深度卷积神经网络对干净图像中的行人面部进行检测，然后判断图片中的人面部是否佩戴有口罩。随着深度学习技术的发展，这些任务的实现可以借助ResNet、MobileNet、BiLSTM等深度神经网络及其配套学习算法更好实现。
[0004]但是，现有技术仍存在如下缺陷：在恶劣天气，如雾天和弱光情况下，所获取的图像可视性差、色彩失真，质量下降，给后续的人脸口罩识别带来大量问题。且要识别的目标较小，更加大了识别困难；存在检测速度慢和识别准确率低等缺点，难以平衡图像增强和人脸口罩识别的任务。
[0005]因此，当前需要一种口罩佩戴识别检测方法、装置、计算机可读存储介质以及系统，从而克服现有技术中存在的上述缺陷。
技术实现思路
[0006]本专利技术实施例提供一种口罩佩戴识别检测方法、装置、计算机可读存储介质以及系统，从而提升口罩佩戴的识别检测准确性。
[0007]本专利技术一实施例提供一种口罩佩戴识别检测方法，所述识别检测方法包括：获取初始图像，根据所述初始图像制作混合图像数据，并将所述混合图像数据输入预设的滤波器模块中以获取待识别图像；所述滤波器模块由预设的参数预测器进行参数估计和设置；通过预设的口罩佩戴识别检测模型，对所述待识别图像进行识别检测，获取所述待识别图像中的口罩佩戴情况；所述口罩佩戴识别检测模型包括预设的深度卷积神经网络以及预设的CBAM注意力模型。
[0008]作为上述方案的改进，根据所述初始图像制作混合图像数据，并将所述混合图像数据输入预设的滤波器模块中以获取待识别图像，具体包括：根据所述初始图像制作混合
图像数据，并对所述混合图像数据进行暗通道先验和定义以相应获取灰度图；对所述灰度图进行最小值滤波以获取滤波图像，根据所述滤波图像以及空间透视现象计算折射率，并根据所述折射率以及预设的去雾图像处理公式，建立大气散射模型；根据所述大气散射模型，对所述混合图像数据进行复原，获取待识别图像。
[0009]作为上述方案的改进，所述滤波器模块由预设的参数预测器进行参数估计和设置，具体包括：根据预设的尺寸对所述混合图像数据进行大小调整以获取调整图像；将所述调整图像输入预设的参数预测器中以估计所述滤波器模块的超参数组；所述参数预测器根据预设的ResNet网络形成；根据所述超参数组对所述滤波器模块进行参数设置。
[0010]作为上述方案的改进，所述识别检测方法还包括：获取混合图像数据以及预设的待训练模型，初始化网络Backbone，并设置网络学习率；所述待训练模型包括预设的第一CBAM注意力模型以及预设的第一深度卷积神经网络；根据预设的尺寸，对混合图像数据进行调整以获取第一训练图像，并将所述第一训练图像输入预设的第一深度卷积神经网络，获得所述滤波器模块的超参数；根据所述超参数对所述滤波器模块进行参数调整，并将所述混合图像数据输入所述滤波器模块中以获取增强图像组；所述增强图像组包括多个增强图像；根据特征金字塔网络以及预设的第一CBAM注意力模型，对所述增强图像进行特征提取和融合以获取待检测特征，根据预设的检测头以及所述待检测特征，获取检测结果以及对应的第一损失值，并反向传递所述第一损失值以更新所述第一CBAM注意力模型；根据所述检测结果以及预设的提取增强方法，对所述增强图像进行图像处理以获取增强处理图像以及对应的二次增强特征，通过预设的识别头以及所述二次增强特征，对所述增强处理图像进行识别以获取识别结果以及对应的第二损失值，反向传递所述第二损失值并判断所述待训练模型是否收敛；若不收敛，则根据所述第二损失值更新所述第一深度卷积神经网络，并重复上述步骤；若收敛，则将所述待训练模型存储为第一口罩佩戴识别检测模型，并将所述第一口罩佩戴识别模型作为口罩佩戴识别模型输出。
[0011]作为上述方案的改进，所述识别检测方法还包括：对所述第一口罩佩戴识别检测模型进行剪枝压缩以获取第一轻量模型；通过TensorRT对所述第一轻量模型进行推理加速以获取口罩佩戴识别检测模型。
[0012]作为上述方案的改进，根据所述检测结果以及预设的提取增强方法，对所述增强图像进行图像处理以获取增强处理图像以及对应的二次增强特征，具体包括：对所述增强图像进行图像矫正处理以获取增强处理图像；将所述增强处理图像传递给预设的ResNet34网络以提取矫正图像特征，并将所述矫正图像特征输入预设的BiLSTM网络进行特征增强以获取二次增强特征。
[0013]作为上述方案的改进，预设的去雾图像处理公式为：I(x)＝D+A＝J(x)t(x)+ A
∞
(1
‑
t(x))；其中，x表示像素点的位置，λ表示光的波长，L
∞
表示无穷远处的大气光值，I(x,λ)表示探测系统所获得的雾天图像，R(x,λ)表示要恢复的无雾图像， e
‑
β(λ)d(x)
为经过粒子衰减能够达到探测系统的光的比例。
[0014]本专利技术另一实施例对应提供了一种口罩佩戴识别检测装置，所述识别检测装置包括滤波处理单元以及佩戴识别单元，其中，所述滤波处理单元用于获取初始图像，根据所述初始图像制作混合图像数据，并将所述混合图像数据输入预设的滤波器模块中以获取待识别图像；所述滤波器模块由预设的参数预测器进行参数估计和设置；所述佩戴识别单元用
于通过预设的口罩佩戴识别检测模型，对所述待识别图像进行识别检测，获取所述待识别图像中的口罩佩戴情况；所述口罩佩戴识别检测模型包括预设的深度卷积神经网络以及预设的CBAM注意力模型。
[0015]作为上述方案的改进，所述滤波处理单元还用于：根据所述初始图像制作混合图像数据，并对所述混合图像数据进行暗通道先验和定义以相应获取灰度图；对所述灰度图进行最小值滤波以获取滤波图像，根据所述滤波图像以及空间透视现象计算折射率，并根据所述折射率以及预设的去雾图像处理公式，建立大气散射模型；根据所述大气散射模型，对所述混合图像数据进行复原，获取待识别图像。
...
【技术保护点】
【技术特征摘要】
1.一种口罩佩戴识别检测方法，其特征在于，所述识别检测方法包括：获取初始图像，根据所述初始图像制作混合图像数据，并将所述混合图像数据输入预设的滤波器模块中以获取待识别图像；所述滤波器模块由预设的参数预测器进行参数估计和设置；通过预设的口罩佩戴识别检测模型，对所述待识别图像进行识别检测，获取所述待识别图像中的口罩佩戴情况；所述口罩佩戴识别检测模型包括预设的深度卷积神经网络以及预设的CBAM注意力模型。2.根据权利要求1所述的口罩佩戴识别检测方法，其特征在于，根据所述初始图像制作混合图像数据，并将所述混合图像数据输入预设的滤波器模块中以获取待识别图像，具体包括：根据所述初始图像制作混合图像数据，并对所述混合图像数据进行暗通道先验和定义以相应获取灰度图；对所述灰度图进行最小值滤波以获取滤波图像，根据所述滤波图像以及空间透视现象计算折射率，并根据所述折射率以及预设的去雾图像处理公式，建立大气散射模型；根据所述大气散射模型，对所述混合图像数据进行复原，获取待识别图像。3.根据权利要求2所述的口罩佩戴识别检测方法，其特征在于，所述滤波器模块由预设的参数预测器进行参数估计和设置，具体包括：根据预设的尺寸对所述混合图像数据进行大小调整以获取调整图像；将所述调整图像输入预设的参数预测器中以估计所述滤波器模块的超参数组；所述参数预测器根据预设的ResNet网络形成；根据所述超参数组对所述滤波器模块进行参数设置。4.根据权利要求3所述的口罩佩戴识别检测方法，其特征在于，所述识别检测方法还包括：获取混合图像数据以及预设的待训练模型，初始化网络Backbone，并设置网络学习率；所述待训练模型包括预设的第一CBAM注意力模型以及预设的第一深度卷积神经网络；根据预设的尺寸，对混合图像数据进行调整以获取第一训练图像，并将所述第一训练图像输入预设的第一深度卷积神经网络，获得所述滤波器模块的超参数；根据所述超参数对所述滤波器模块进行参数调整，并将所述混合图像数据输入所述滤波器模块中以获取增强图像组；所述增强图像组包括多个增强图像；根据特征金字塔网络以及预设的第一CBAM注意力模型，对所述增强图像进行特征提取和融合以获取待检测特征，根据预设的检测头以及所述待检测特征，获取检测结果以及对应的第一损失值，并反向传递所述第一损失值以更新所述第一CBAM注意力模型；根据所述检测结果以及预设的提取增强方法，对所述增强图像进行图像处理以获取增强处理图像以及对应的二次增强特征，通过预设的识别头以及所述二次增强特征，对所述增强处理图像进行识别以获取识别结果以及对应的第二损失值，反向传递所述第二损失值并判断所述待训练模型...
【专利技术属性】
技术研发人员：刘娜，袁野，吴国栋，
申请(专利权)人：河南爬客智能机器人有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。