一种基于视觉技术的是否正确佩戴口罩检测方法技术

本发明专利技术属于人工智能技术领域，具体地说，是一种基于视觉技术的是否正确佩戴口罩检测方法，包括以下步骤：制作检测对象数据集；对现有YOLOv3

【技术实现步骤摘要】
一种基于视觉技术的是否正确佩戴口罩检测方法


[0001]本专利技术属于人工智能中视觉
，具体地说，是一种基于视觉技术的是否正确佩戴口罩检测方法。

技术介绍

[0002]目前已知新冠病毒传播最主要途径就是飞沫传播，因此在公共场合正确配搭口罩显得尤其重要。近几年国内公共场合也开始逐步重视卫生健康安全，努力确保公共场合下的人们正确佩戴口罩。但就现存的公共场合下口罩安检方案仍存在着很多问题，诸多细节方面存在不足之处，且自动化程度较低。
[0003]目前已有的口罩佩戴检测有以下方案：
[0004](1)基于人力的口罩佩戴检测方案
[0005]人力安检是指采用传统人工的方式，让安检人员佩戴好口罩等防疫装备处于公共场合的进出口位置。以人眼判别的方式对进出口的人员进行是否佩戴口罩的判断。
[0006](2)基于传统肤色判别的口罩佩戴视觉检测方案
[0007]该方案首先需要使用人脸检测器，去捕获目标人脸。然后，使用HSV颜色空间或是YcrCb颜色空间对目标的人脸肤色面积和非肤色面积进行提取计算，通过一定阈值关系判断目标人物是否佩戴口罩。
[0008](3)基于深度学习的口罩佩戴视觉检测方案
[0009]通过搭建目标检测神经网络，制作佩戴口罩的数据集，对目标检测网络进行训练，得到对应的目标检测器，直接对目标人物是否佩戴口罩进行检测。
[0010]人力安检是否佩戴口罩方案形式简单且操作方便，但是由于人与人彼此接触的关系，很容易导致交叉感染的发生，并且由安检人员去判读目标人物是否正确佩戴口罩太过主观化，容易出现纰漏；基于传统肤色判别的口罩佩戴视觉检测方案，首先依赖于人类检测器优异程度，其次使用单一颜色空间提前肤色对于复杂光照与类似肤色的口罩辨别效果很差，极易影响判别结果，同时，无法判断常态化判断目标是否正确佩戴口罩；基于深度学习的口罩佩戴视觉检测方案是现在比较主流的方法之一，但是目前较多情况下目标检测网络仅可以判断目标人物是否佩戴口罩，不能判断目标是否正确佩戴口罩，基于深度学习的口罩佩戴视觉检测方案十分依赖于训练集中对不规范佩戴口罩标定的质量，由于实际检测时目标人物佩戴口罩的差异，对于这情况这种方案鲁棒性较弱易受干扰、泛化性较弱难以推广。

技术实现思路

[0011]本专利技术的主要目的在于克服现有视觉检测与标定技术的缺陷，设计了一种基于视觉技术的是否正确佩戴口罩检测方法。本专利技术基于YOLOv3设计了一种改进的CBAM
‑
YOLOv3
‑
SPPF算法，同时通过对比人脸中人眼，鼻子，嘴巴等关键信息的检测情况判断目标人物是否正确佩戴口罩。本专利技术所设计的检测方法主要针对正面照的情况进行检测识别，该方法不
仅极大提高了检测精度，而且可以有效判断出目标人物是否正确规范佩戴口罩。
[0012]本专利技术采用的具体技术方案如下：
[0013]一种基于视觉技术的是否正确佩戴的口罩检测方法，包括以下步骤：
[0014]S1：制作检测对象数据集，在现有Large
‑
scale CelebFaces Attributes(CelebA)Dataset人脸属性数据集中随机抽取10000张有效图片，使用LabelImg软件标定出所选10000张图片中的人眼，鼻子和嘴巴，并将其随机划分成训练集8000张以及测试集2000张；
[0015]S2：对现有YOLOv3
‑
SPP算法中K
‑
means聚类先验框大小的算法进行改进，使用SPPF模块对YOLOv3
‑
SPP网络模型进行改进，在检测头Head部分额外增加一个大尺寸的特征输出图，并在检测程序模块Head中融合CBAM注意力机制模块，得到改进后的CBAM
‑
YOLOv3
‑
SPPF算法；
[0016]S3：利用步骤S1所制作的数据集对CBAM
‑
YOLOv3
‑
SPPF算法进行训练，将训练后得到的最佳权重文件重新回馈至CBAM
‑
YOLOv3
‑
SPPF算法得到目标检测网络；
[0017]S4：使用上述目标检测网络检测目标，结合检测到的人眼，鼻子，嘴巴等信息后，采用一种特定位置肤色面积测量的方法判别目标人物是否正确佩戴口罩；
[0018]本专利技术的进一步改进，所述S1的过程包括：
[0019]S1.1、获得大量含有人脸五官特征的高清图片：
[0020]使用所写的python脚本随机从公开的Large
‑
scale CelebFaces Attributes(CelebA)Dataset人脸属性数据集中抽取10000张不同的有效人脸图片；
[0021]S1.2、将所抽取的10000张图片进行目标标定制作成数据集：
[0022]使用LabelImg软件对每张人脸图片中的人眼，鼻子，嘴巴区域画目标标记框，目标在图像中的位置信息指目标标记框的宽高信息(可以间接求出)，目标标记框的对角点在图像坐标系下的坐标信息。自动生成的.xml文件无法被YOLO网络所训练，使用python脚本voc_yolo将xml文件格式转换为txt文件格式。转换成的txt文件包含：类别ID编号，目标中心点x坐标/图片总宽度，目标中心点y坐标/图片总高度，目标框的宽带/图片总宽度，目标框的高度/图片总高度。转换完成后，将其分为8000个训练集，以及2000个测试集。
[0023]本专利技术的进一步改进，所述S2的过程包括：
[0024]S2.1、改进K
‑
means聚类算法，计算YOLOv3
‑
SPP的先验框大小：
[0025]该算法首先利用聚类中心距离远近的关系和轮盘赌算法去选取优秀的初始聚类中心，随后采用K
‑
means聚类算法进行迭代更新，最后再对聚类出的12个anchor数值进行变异微调，以寻求最优的anchor数值；
[0026]S2.2、YOLOv3
‑
SPP网络模型改进：
[0027]改进后得到的CBAM
‑
YOLOv3
‑
SPPF网络模型由Backbone、Neck和Head三部分构成，其中Backbone采用DarkNet53结构，用来进行特征提取，将原先Neck部分的SPP模块替换为SPPF模块，构成SPPF加FPN的组合，增强特征图特征表达能力的同时提高推理速度，在Head检测头部分额外增加一个大尺寸的特征输出图，提高网络对小型目标的检测精度，在四个检测头Head中分别加入CBAM注意力机制模块，提高网络学习能力。
[0028]本专利技术的进一步改进，所述S3的过程包括：
[0029]将训练集中的样本图像经过Mosaic数据增强方法处理后，输入到的CBAM
‑
YOLOv3
‑
SPPF算本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于视觉技术的是否正确佩戴的口罩检测方法，其特征在于，包括以下步骤：S1：制作检测对象数据集；S2：对现有YOLOv3
‑
SPP算法中K
‑
means聚类先验框大小的算法进行改进，使用SPPF模块对YOLOv3
‑
SPP网络模型进行改进，在检测头Head部分额外增加一个大尺寸的特征输出图，并在检测程序模块Head中融合CBAM注意力机制模块，得到改进后的CBAM
‑
YOLOv3
‑
SPPF算法；S3：利用S1所制作的数据集对CBAM
‑
YOLOv3
‑
SPPF算法进行训练，将训练后得到的最佳权重文件重新回馈至CBAM
‑
YOLOv3
‑
SPPF算法得到目标检测网络；S4：使用步骤S3得到的目标检测网络检测目标，结合检测到的人体面部信息后，采用特定位置肤色面积测量的方法判别目标人物是否正确佩戴口罩。2.根据权利要求1所述的基于视觉技术的是否正确佩戴的口罩检测方法，其特征在于，所述S1的具体过程包括：S1.1、获得大量含有人脸五官特征的高清图片：使用python脚本随机从公开的Large
‑
scale CelebFaces Attributes(CelebA)Dataset人脸属性数据集中抽取10000张不同的有效人脸图片；S1.2：将所抽取的10000张图片进行目标标定制作成数据集：使用LabelImg软件对每张人脸图片中的人眼、鼻子、嘴巴区域画目标标记框，自动生成的.xml文件无法被YOLO网络所训练，使用python脚本voc_yolo将xml文件格式转换为txt文件格式，转换成的txt文件包含：类别ID编号、目标中心点x坐标/图片总宽度、目标中心点y坐标/图片总高度、目标框的宽带/图片总宽度、目标框的高度/图片总高度，转换完成后，将其分为8000个训练集，以及2000个测试集。3.根据权利要求2所述的基于视觉技术的是否正确佩戴的口罩检测方法，其特征在于，所述S2的具体过程包括：S2.1、改进K
‑
means聚类算法，计算YOLOv3
‑
SPP的先验框大小：首先利用聚类中心距离远近的关系和轮盘赌算法去选取优秀的初始聚类中心，随后采用K
‑
means聚类算法进行迭代更新，最后再对聚类出的12个anchor数值进行变异微调，以寻求最优的anchor数值；S2.2、YOLOv3
‑
SPP网络模型改进：改进后得到的CBAM
‑
YOLOv3
‑
SPPF网络模型由Backbone、Neck和Head三部分构成，其中Backbone采用DarkNet53结构，用来进行特征提取，将原先Neck部分的SPP模块替换为SPPF模块，构成SPPF加FPN的组合，增强特征图特征表达能力的同时提高推理速度，在Head检测头部分额外增加一个大尺寸的特征输出图，提高网络对小型目标的检测精度，在四个检测头Head中分别加入CBAM注意力机制模块，提高网络学习能力。4.根据权利要求3所述的基于视觉技术的是否正确佩戴的口罩检测方法，其特征在于，所述S3的具体过程包括：将训练集中的样本图像经过Mosaic数据增强方法处理后，输入到的CBAM
‑
YOLOv3
‑
SPPF算法中，通过不断更新权值直到损...

【专利技术属性】
技术研发人员：王伟然，王龙，赵进，戴晓强，智鹏飞，朱琬璐，谷丽丽，朱安宏，
申请(专利权)人：江苏科技大学，
类型：发明
国别省市：