一种基于YOLOv3的人脸佩戴口罩规范检测方法技术

本发明专利技术涉及一种基于YOLOv3的人脸佩戴口罩规范检测方法，属于图像检测领域。该方法为原始数据采集，数据预处理，数据标注，将YOLOv3模型主干网络全部替换成改进的轻量级网络ShuffleNetv2；将ShuffleNetv2网络的主干结构中添加ECA轻量级注意力机制。对得到的YOLOv3模型的Neck部分做进一步特征融合。将模型的回归损失函数替换成Loss

【技术实现步骤摘要】
一种基于YOLOv3的人脸佩戴口罩规范检测方法


[0001]本专利技术属于图像检测领域，涉及一种基于YOLOv3的人脸佩戴口罩规范检测方法。

技术介绍

[0002]卷积神经网络(CNNs)作为一种深度学习的模型架构，已成为图像处理和计算机视觉领域最为有效的方法。权值共享和局部感受野这两大特点减少了权值的数量，使得模型的运算复杂度下降；对图像的特征的平移不变性也使其具有良好的特征提取能力和高度的稳定性。
[0003]当前已有大量研究利用卷积神经网络进行目标检测和人脸识别方法探索，自2014年R.Girshick等人提出基于候选区域的R
‑
CNN深度学习模型起，产生了一批经典的目标检测算法，如FasterR
‑
CNN、SSD、YOLO等。这些模型的发展趋势大致上是，网络层数的不断加深以获得更好的特征提取能力，图像尺度不断增多以覆盖更广范围的特征。但模型越来越复杂也随之带来网络难以收敛、参数增长快、计算速度慢等问题，其中最显著的问题是随着模型复杂度的增加，很难部署到资源有限的设备上。
[0004]高精度实时的口罩佩戴检测系统较少，且缺乏对是否规范佩戴口罩的检测。现有的口罩佩戴检测的算法主要检测是否佩戴口罩。百度基于PyramidBox实现的口罩佩戴检测应用，将不规范佩戴口罩识别为不佩戴口罩，且许多不规范佩戴口罩的情况无法被识别。因此，利用轻量级的端到端的检测网络是口罩佩戴规范检测的更优选择。同时口罩佩戴规范检测除了存在通用目标检测领域的小目标准确率低的问题，还存在较暗光线、类间差异小的干扰。因此，需要一种轻量化的口罩人脸佩戴规范检测及语音提醒系统，进行模型训练，实现人脸口罩佩戴规范检测及语音提醒功能。

技术实现思路

[0005]有鉴于此，本专利技术的目的在于提供一种基于YOLOv3的人脸佩戴口罩规范检测方法。
[0006]为达到上述目的，本专利技术提供如下技术方案：
[0007]一种基于YOLOv3的人脸佩戴口罩规范检测方法，该方法包括以下步骤：
[0008]步骤1：分别从公开数据集和自己制作的数据中选取规范/不规范佩戴口罩以及不戴口罩的若干人脸图像，构成数据集。
[0009]步骤2：对步骤1中的数据集进行预处理，扩充数据集。
[0010]步骤3：对预处理后的图片进行标签标注，将标注后的数据按照9：1划分后分别作为检测网络的训练集与测试集；
[0011]步骤4：将YOLOv3模型的主干网络全部替换成改进的轻量级网络ShuffleNetv2；
[0012]步骤5：在主干网络中得到特征层P1、P2、P3、P4、P5后，添加ECA轻量级注意力机制；
[0013]步骤6：对YOLOv3模型的Neck部分特征融合，在Neck部分用FPN+PAN网络来替换。
[0014]步骤7：将Neck层的传统卷积换为结合标准卷积和深度可分离卷积并进行通道混
洗的鬼影混洗卷积GSconv模块。
[0015]步骤8：将YOLOv3的回归损失函数替换为SIoU
‑
Loss。
[0016]步骤9：将head层添加一个输出特征图尺寸为104x104的检测分支。
[0017]步骤10：将训练集输入到YOLOv3模型中训练，其中采用Adam优化器进行训练，当总损失值到达预设损失值，模型收敛，得到训练好的检测模型；
[0018]步骤11：将步骤3获得的测试集传入到训练好的检测模型中，自动检测图片中人脸佩戴口罩的类别。
[0019]步骤12：当检测到人脸未佩戴口罩或未规范佩戴口罩时，系统发出语音播报提醒人员戴好口罩。
[0020]可选的，所述佩戴口罩以及不戴口罩的若干人脸图像包括不佩戴口罩人脸图片、不规范佩戴口罩人脸图片、规范佩戴口罩人脸图片、人脸互相遮挡图片、被异物遮挡图片和小目标人脸图片。
[0021]可选的，所述步骤2中的预处理包括对图片进行旋转、亮度调整、镜像和添加高斯噪声操作。
[0022]可选的，所述对预处理后的图片进行标签标注是利用数据标注工具labelImg进行标注，标注类别包括：bounding box和classification；bounding box用来标注人脸在图片中位置，classification用来标注人脸的类别。
[0023]可选的，所述SIoU
‑
Loss具体为：
[0024][0025]式中，IoU为真实框与预测框的交并比，Δ是距离损失，Ω是形状损失。
[0026]本专利技术的有益效果在于：本专利技术能够细分是否规范佩戴口罩，有效地检测出未规范佩戴口罩的人脸目标异常状态，该模型在提高了检测准确率的同时，对模型的体积和检测速度上都有了不同程度的优化，模型的泛化能力更强，能够较好地应用于口罩佩戴智能检测移动终端。
[0027]本专利技术的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本专利技术的实践中得到教导。本专利技术的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
[0028]为了使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术作优选的详细描述，其中：
[0029]图1为本专利技术方法流程图；
[0030]图2为改进的shuffleNetv2Block示意图；
[0031]图3为本专利技术提供的ECA轻量级注意力机制结构示意图；
[0032]图4为本专利技术提供的FPN+PAN网络结构示意图；
[0033]图5为本专利技术提供的总体网络结构图；
[0034]图6为本专利技术训练结果图。
具体实施方式
[0035]以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本专利技术的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
[0036]其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利技术的限制；为了更好地说明本专利技术的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
[0037]本专利技术实施例的附图中相同或相似的标号对应相同或相似的部件；在本专利技术的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于YOLOv3的人脸佩戴口罩规范检测方法，其特征在于：该方法包括以下步骤：步骤1：分别从公开数据集和自己制作的数据中选取规范/不规范佩戴口罩以及不戴口罩的若干人脸图像，构成数据集；步骤2：对步骤1中的数据集进行预处理，扩充数据集；步骤3：对预处理后的图片进行标签标注，将标注后的数据按照9：1划分后分别作为检测网络的训练集与测试集；步骤4：将YOLOv3模型的主干网络全部替换成改进的轻量级网络ShuffleNetv2；步骤5：在主干网络中得到特征层P1、P2、P3、P4、P5后，添加ECA轻量级注意力机制；步骤6：对YOLOv3模型的Neck部分特征融合，在Neck部分用FPN+PAN网络来代替；步骤7：将Neck部分的传统卷积换为结合标准卷积和深度可分离卷积并进行通道混洗的鬼影混洗卷积GSConv模块；步骤8：将YOLOv3的回归损失函数替换为SIoU
‑
Loss；步骤9：将head层添加一个输出特征图尺寸为104x104的检测分支；步骤10：将训练集输入到YOLOv3模型中训练，其中采用Adam优化器进行训练，当总损失值到达预设损失值，模型收敛，得到训练好的检测模型；步骤11：将步骤3获得的测试集传入到训练好的检测模...

【专利技术属性】
技术研发人员：冉鹏，邵康树，刘薇，赖映兵，焦追追，王伟，孙大明，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：