一种口罩佩戴检测与跟踪方法、装置及存储介质制造方法及图纸

本发明专利技术使用yolov5算法代替人眼检测，提高入口处口罩检测的效率与精确率，同时降低人工成本。此外，对于通过入口检测的人群，本发明专利技术将与场地内设备结合，运用yolov5

【技术实现步骤摘要】
一种口罩佩戴检测与跟踪方法、装置及存储介质


[0001]本专利技术涉及计算机视觉
，尤其是指一种口罩佩戴检测与跟踪方法、设备、装置及计算机存储介质。

技术介绍

[0002]如今，公共场合口罩的佩戴还是必不可少。而实际上，许多地方入口处的口罩检测形同虚设，不少行人可以混在人群中通过，亦或是通过入口的检测出后便脱去了口罩，口罩检测设置的最终目的根本无法达到。公共场合入口处口罩的检测普遍采用人眼检测的方式，存在着效率低，精确度低等问题。少数公共场合已经在入口处使用机器进行检测，但是也仅限于入口处的检测，依然无法解决通过检测后人们脱去口罩的问题。
[0003]因此，如何对通过入口检测的人群进行口罩佩戴检测是目前待解决的问题。

技术实现思路

[0004]为此，本专利技术所要解决的技术问题在于克服现有技术中无法检测通过入口人群的口罩佩戴状况的问题。
[0005]为解决上述技术问题，本专利技术提供了一种口罩佩戴检测与跟踪方法，包括：
[0006]将获取到的第一视频帧图像输入到训练好的YOLO5网络中；
[0007]利用YOLO5网络中的backbone部分进行特征提取，得到多张不同尺度的特征图；
[0008]利用YOLO5网络中的Neck部分分别对所述多张不同尺度的特征图进行 FPN+PAN操作，得到多张目标特征图；
[0009]利用YOLO5网络中的pridict部分分别对所述多张目标特征图进行目标检测得到预测框，并进行筛选得到目标预测框；
[0010]根据所述目标预测框的口罩佩戴标记状况，选取未佩戴口罩的目标，并初始化未佩戴口罩目标的轨迹；
[0011]继续对下一视频帧图像进行目标检测，利用deepsort算法对所述未佩戴口罩的目标轨迹进行状态评估和关联匹配。
[0012]优选地，所述关联匹配包括：
[0013]观测当前帧之后的连续多帧，若当前帧内未佩戴口罩的目标连续匹配成功次数达到阈值，则判定有新未佩戴口罩的目标出现；
[0014]若连续匹配失败次数达到阈值，则将当前帧内未佩戴口罩的目标轨迹删除。
[0015]优选地，所述YOLO5网络中的backbone部分卷积层均采用Ghost卷积层。
[0016]优选地，所述Ghost卷积层使用1*1大小的卷积核，步长设置为1，并选用SiLU函数作为激活函数。
[0017]优选地，所述利用所述YOLO5网络中的pridict部分分别对所述多张目标特征图进行目标检测得到预测框，并进行筛选得到目标预测框包括：
[0018]去除置信度超过预设阈值的预测框，并利用非极大值抑制算法去除重叠度超过阈
值且类别一致的预测框，得到目标预测框。
[0019]优选地，所述YOLO5网络的训练过程包括：
[0020]选取数据集，并对图像中的目标进行标注，标注的真实框包含目标的整个头部；
[0021]对所述数据集进行Mosaic数据增强；
[0022]利用kmeans聚类算法对增强后的数据集进行自适应锚框计算，得到训练集；
[0023]计算当前训练集的图片最佳尺寸，并对图像进行尺寸统一；
[0024]将统一尺寸后的训练集输入所述YOLO5网络进行训练，直至损失函数收敛。
[0025]优选地，所述利用kmeans聚类算法对增强后的数据集进行自适应锚框计算，得到训练集后还包括：
[0026]将所述训练集中的正样本进行扩充，增大所述正样本在所述训练集中的比例。
[0027]本专利技术还提供了一种口罩佩戴检测与跟踪的装置，包括：
[0028]输入模块，用于将获取到的第一视频帧图像输入到训练好的YOLO5网络中；
[0029]特征图提取模块，用于利用YOLO5网络中的backbone部分进行特征提取，得到多张不同尺度的特征图；
[0030]特征融合模块，用于利用YOLO5网络中的Neck部分分别对所述多张不同尺度的特征图进行FPN+PAN操作，得到多张目标特征图；
[0031]目标检测模块，用于利用YOLO5网络中的pridict部分分别对所述多张目标特征图进行目标检测得到预测框，并进行筛选得到目标预测框；
[0032]轨迹初始化模块，用于根据所述目标预测框的口罩佩戴标记状况，选取未佩戴口罩的目标，并初始化未佩戴口罩目标的轨迹；
[0033]轨迹计算模块，用于继续对下一视频帧图像进行目标检测，利用deepsort算法对所述未佩戴口罩的目标轨迹进行状态评估和关联匹配。
[0034]本专利技术还提供了一种口罩佩戴检测与跟踪的设备，包括：
[0035]存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现上述一种口罩佩戴检测与跟踪方法的步骤。
[0036]本专利技术还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述一种口罩佩戴检测与跟踪方法的步骤。
[0037]本专利技术的上述技术方案相比现有技术具有以下优点：
[0038]本专利技术使用yolov5算法代替人眼检测，提高入口处口罩检测的效率与精确率，同时降低人工成本。此外，对于通过入口检测的人群，本专利技术将与场地内设备结合，运用yolov5
‑
deepsort算法实时检测，并对场地内违规脱掉口罩的目标进行跟踪计数，并进行提醒，真正规范公共场合口罩佩戴的行为。
附图说明
[0039]为了使本专利技术的内容更容易被清楚的理解，下面根据本专利技术的具体实施例并结合附图，对本专利技术作进一步详细的说明，其中：
[0040]图1是本专利技术口罩佩戴检测与跟踪方法的实现流程图；
[0041]图2是训练损失曲线示意图；
[0042]图3是YOLOv5网络的P曲线；
[0043]图4是YOLOv5网络的R曲线；
[0044]图5是YOLOv5网络的PR曲线；
[0045]图6是YOLOv5网络的F1参数曲线；
[0046]图7是训练精度曲线示意图；
[0047]图8是本专利技术实施例提供的一种口罩佩戴检测与跟踪方法的具体流程图；
[0048]图9是本专利技术实施例提供的一种口罩佩戴检测与跟踪的装置的结构框图。
具体实施方式
[0049]本专利技术的核心是提供一种口罩佩戴检测与跟踪方法、装置、设备及计算机存储介质，可以实时监测通过入口人群的口罩佩戴状况。
[0050]为了使本
的人员更好地理解本专利技术方案，下面结合附图和具体实施方式对本专利技术作进一步的详细说明。显然，所描述的实施例仅仅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。
[0051]请参考图1，图1为本专利技术所提供的口罩佩戴检测与跟踪方法的实现流程图；具体操作步骤如下：
[0052]S101：将获取本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种口罩佩戴检测与跟踪方法，其特征在于，包括：将获取到的第一视频帧图像输入到训练好的YOLO5网络中；利用YOLO5网络中的backbone部分进行特征提取，得到多张不同尺度的特征图；利用YOLO5网络中的Neck部分分别对所述多张不同尺度的特征图进行FPN+PAN操作，得到多张目标特征图；利用YOLO5网络中的pridict部分分别对所述多张目标特征图进行目标检测得到预测框，并进行筛选得到目标预测框；根据所述目标预测框的口罩佩戴标记状况，选取未佩戴口罩的目标，并初始化未佩戴口罩目标的轨迹；继续对下一视频帧图像进行目标检测，利用deepsort算法对所述未佩戴口罩的目标轨迹进行状态评估和关联匹配。2.根据权利要求1所述的口罩佩戴检测与跟踪方法，其特征在于，所述关联匹配包括：观测当前帧之后的连续多帧，若当前帧内未佩戴口罩的目标连续匹配成功次数达到阈值，则判定有新未佩戴口罩的目标出现；若连续匹配失败次数达到阈值，则将当前帧内未佩戴口罩的目标轨迹删除。3.根据权利要求1所述的口罩佩戴检测与跟踪方法，其特征在于，所述YOLO5网络中的backbone部分卷积层均采用Ghost卷积层。4.根据权利要求3所述的口罩佩戴检测与跟踪方法，其特征在于，所述Ghost卷积层使用1*1大小的卷积核，步长设置为1，并选用SiLU函数作为激活函数。5.根据权利要求1所述的口罩佩戴检测与跟踪方法，其特征在于，所述利用所述YOLO5网络中的pridict部分分别对所述多张目标特征图进行目标检测得到预测框，并进行筛选得到目标预测框包括：去除置信度超过预设阈值的预测框，并利用非极大值抑制算法去除重叠度超过阈值且类别一致的预测框，得到目标预测框。6.根据权利要求1所述的口罩佩戴检测与跟踪方法，其特征在于，所述YOLO5网络的训练过程包括：选取数据集，并对图像中的目标进行标注，标...

【专利技术属性】
技术研发人员：钱泽宇，周世兵，陈若男，何宏，陈博豪，高鹏豪，
申请(专利权)人：江南大学，
类型：发明
国别省市：