System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于人工智能安全应用领域,涉及一种基于yolov8抗遮挡伪冒攻击的人脸口罩检测方法。
技术介绍
1、在当前公共卫生安全日益受到重视的背景下,基于深度学习的人脸口罩检测技术成为了一项重要的研究课题。这项技术不仅可以帮助监控和提醒公众正确佩戴口罩,还能在工厂等特定生产环境中减少有害颗粒物对人体的伤害,提高整体的卫生水平和生命安全。
2、传统的人脸口罩检测方法依赖于人工监督,但这种方法耗时且存在安全风险。因此,自动化的人脸口罩佩戴监控系统成为了迫切需求。随着深度学习技术的发展,尤其是gpu计算设备和大数据的助力,基于深度学习的人脸口罩检测技术逐渐成熟。这些技术通过端到端的训练深度学习视觉模型,能够自动化高精度的处理大量图像数据,实现高效准确的口罩检测。
3、得益于深度学习的高速发展,学术界涌现出很多基于深度学习的检测模型。大多数经典的物体检测算法依赖于卷积网络进行特征提取。一些优秀的基础网络如vggnet、googlenet和resnet在特征提取上表现出非凡的效果。目前,主流的人脸口罩检测技术主要分为两类:基于候选区域的两阶段检测(two-stage)算法和基于回归的单阶段(one-stage)检测算法。两阶段检测算法虽然准确,但速度较慢,不适合实时要求高的检测场景。相比之下,单阶段的检测算法如yolo系列算法,因其快速准确的特性而被广泛应用。yolo系列算法通过一次特征提取完成物体分类和位置预测,尤其适合实时性要求高的场景。但现有的口罩检测技术在追求高精度的同时,并没有很好的权衡模型计算量,导致检
4、专利申请cn202410220928.45一种口罩检测方法、系统、设备、介质和程序产品,该方法通过构造并训练初始织物分割网络,对待检测人脸图像进行图像分割,并通过所述分割结果来判断目标人脸的口罩佩戴情况。该方法通过分割结果中的像素比例来判断口鼻在目标人脸上所占的比例进而判断目标人脸是否正确佩戴口罩,然而,这种检测方法采用了较为经典的分割模型,图片的输入尺寸较小,难以实现高分辨率的图片分割,因此检测的细粒度较差,且无法正确判断待检测者未规范佩戴口罩的情况,此外,该方法没有考虑到现实的检测场景中容易出现的遮挡伪冒攻击,因此鲁棒性较差。
5、专利申请cn202311000170.5一种基于深度学习的口罩识别方法,该方法中基于yolov5构建口罩目标检测模型,在主干网中使用了sppcspcf结构,将送入了sppcspcf结构的特征图分为两部分,其中一部分进行常规卷积处理,另一部分进行spp处理,最后再将两部分进行concat操作合并在一起,在sppcspcf结构中将三个maxpool2d设置为串行结构并减少了特征图输入金字塔池化结构的通道数,提高了运行速度。该方法以yolov5s为基础构建目标检测模型导致该模型的的计算量较大,在计算设备有限时难以保证较好的实时性,同时,该方法没有考虑到现实的检测场景中容易出现的遮挡伪冒攻击,鲁棒性较差。
6、专利申请cn202211664167.9一种基于改进的yolov5人脸口罩识别方法及系统,该方法使用网络剪枝法对yolov5算法模型压缩,优化网络空间减少参数计算避免过拟合,并在csp模块后增加cbam卷积注意力模块,增强密集小尺度目标特征表达能力;其次使用隐层剪枝法和卷积核剪枝法调整yolov5网络大小削减冗余结构,选取ciou目标损失函数,通过对yolov5模型边界框损失函数bboxloss的改进提升模型感知力,降低预测误差;最后对改进后的yolov5经过数据集训练得到相应的算法模型并有机结合到人脸识别系统交互界面,搭建实时人脸口罩识别系统。该方法在数据集划分的过程中只有正确佩戴口罩和没有佩戴口罩两类数据样本,数据划分的粒度较粗,难以保证在实际检测过程中对不规范佩戴口罩者的检测准确性,同时,该方法没有考虑到现实的检测场景中容易出现的遮挡伪冒攻击,鲁棒性较差。
7、专利申请cn202310860746.9基于hi-disclbp的卷积神经网络人脸面部口罩识别方法,该方法基于hi-disclbp的卷积神经网络,通过三点对齐法对人脸面部定位,对定位后的人脸面部图像进行rgb色彩空间向hi色彩空间转换,再融合disclbp特征提取,形成hi-disclbp多特征融合图像;训练基于squeezenet卷积神经网络深度学习模型的数据集,直至模型训练结果达到预期的效果,测试通过基于hi-disclbp处理后的人脸面部图像,对图像进行裁剪、增强以及噪声去除操作处理,并融合squeezenet卷积神经网络提取图像的高级特征进行识别,输出人脸面部口罩佩戴情况。squeezenet卷积神经网络深度学习模型作为早期的深度学习分类网络,只能接受32×32×3较低分辨率的图片,这与当前的主流图像采集设备不符,而且该模型只能输出单张图片的分类结果,难以应对在图片中对多个目标同时进行检测的场景,另外,该方法不能防御现实的检测场景中容易出现的遮挡伪冒攻击,当被检测者有意遮挡面部时,模型往往会给出错误的预测。
8、专利申请cn202310732956.x一种基于改进型ssd算法的口罩佩戴识别方法,该方法基于ssd卷积神经网络,通过对数据集添加高斯噪声和对部分低亮度图片增加亮度,并扩容样本,得到了泛化性更好的训练数据集;该方法将原ssd模型的网络主干网络vgg-16替换为mobienet-v模型,并使用深度可分离卷积来构建轻量级深度神经网络,并在模型中引入了基于eca注意力机制的ecanet模块,通过一维卷积网络模块来完成跨通道间的信息交互,该方法在模型训练时引入focal loss函数用于减少易分离样本的损失对总损失的影响。ssd作为较为经典的二阶段cnn目标检测网络,检测准确性低,而且由于模型内部有着大量的常规卷积核残差模块,模型的计算复杂度较高因而实时性较差;同时,该方法不能防御现实的检测场景中容易出现的遮挡伪冒攻击,鲁棒性较差。
9、专利申请cn202110740788.x一种基于深度相机的口罩识别方法该方法通过深度相机获取包含人脸的深度图,然后将获取的深度图片裁剪为仅包含下半部分人脸的深度图片并提取人脸下半部分的轮廓,通过计算空间特征与频率特征识别人脸是否佩戴口罩和识别人脸佩戴的口罩种类。该方法需要造价较为昂贵的深度相机对被检测者进行图片采集,且对拍摄角度较为严格,可能无法正确识别检测者的侧脸图片,同时,该方法不能防御现实的检测场景中容易出现的遮挡伪冒攻击,鲁棒性较差。
10、专利申请cn202111181138.2一种基于改进fcos的人脸口罩检测系统及方法,该方法基于fcos(fully convolutional one-stage object detector,全卷积单阶段目标检测器)的目标检测方法基础上,在模型的网络的颈部添加了pan模块,并使用特征金字塔网络和pan模块进行特征融合,对图本文档来自技高网...
【技术保护点】
1.一种基于YOLOv8抗遮挡伪冒攻击的人脸口罩检测方法,其特征在于:采用的检测系统包括人脸口罩数据集构建模块(1),基于YOLOv8的人脸口罩检测模型搭建模块(2),基于YOLOv8的人体姿态估计模型搭建模块(3),模型训练模块(4),基于YOLOv8抗遮挡伪冒攻击人脸口罩检测模块(5),以及通用图像采集模块,
2.根据权利要求1所述的一种基于YOLOv8抗遮挡伪冒攻击人脸口罩检测方法,其特征在于:所述的人脸口罩数据集构建模块(1)首先针对开源人脸口罩数据集(SF-MASK,MaskWearing)进行分辨率筛选,当长为w,高为h的图片的像素:w×h>=160000px,则保留该图片;随后,使用labelme软件对这些图片进行了手动标注,图片中未佩戴口罩的目标标记为“no mask”,未规范佩戴口罩的目标标记为“mistake mask”,正确佩戴口罩的目标标记为“mask”;接着,把图片集分成两部分,四分之三作为训练集,剩余的四分之一作为验证集,最后将该数据集传输至基于YOLOv8的人脸口罩检测模型训练模块(4-1)。
3.根据权利要求1所述的一
4.根据权利要求1所述的一种基于YOLOv8抗遮挡伪冒攻击人脸口罩检测方法,其特征在于:所述的基于YOLOv8的人体姿态估计模型搭建模块(3)改进和构建基于YOLOv8的人体姿态估计模型,包括通道特征融合增强模块(3-1)和损失函数改进模块(3-2);
5.根据权利要求1所述的一种基于YOLOv8抗遮挡伪冒攻击人脸口罩检测方法,其特征在于:所述的模型训练模块(4)负责训练人脸口罩和人体姿态估计模型,包括基于YOLOv8的人脸口罩检测模型训练模块(4-1)和基于YOLOv8的人体姿态估计模型训练模块(4-2);
6.根据权利要求1所述的一种基于YOLOv8抗遮挡伪冒攻击人脸口罩检测方法,其特征在于:基于YOLOv8抗遮挡伪冒攻击人脸口罩检测模块(5)负责对从通用图像采集模块获取的待检测图片进行检测,并将检测结果返回至图像采集模块,包括人脸口罩检测模块(5-1)和遮挡伪冒攻击检测模块(5-2);
7.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于:所述处理器执行所述程序时实现如上述权利要求1至6中的任意一项所述的基于YOLOv8抗遮挡伪冒攻击人脸口罩检测方法。
8.一种计算机可读存储介质,其上存储有计算机指令,其特征在于:该计算机指令被处理器执行时实现如权利要求1-6中任一项所述的基于YOLOv8抗遮挡伪冒攻击人脸口罩检测方法。
...【技术特征摘要】
1.一种基于yolov8抗遮挡伪冒攻击的人脸口罩检测方法,其特征在于:采用的检测系统包括人脸口罩数据集构建模块(1),基于yolov8的人脸口罩检测模型搭建模块(2),基于yolov8的人体姿态估计模型搭建模块(3),模型训练模块(4),基于yolov8抗遮挡伪冒攻击人脸口罩检测模块(5),以及通用图像采集模块,
2.根据权利要求1所述的一种基于yolov8抗遮挡伪冒攻击人脸口罩检测方法,其特征在于:所述的人脸口罩数据集构建模块(1)首先针对开源人脸口罩数据集(sf-mask,maskwearing)进行分辨率筛选,当长为w,高为h的图片的像素:w×h>=160000px,则保留该图片;随后,使用labelme软件对这些图片进行了手动标注,图片中未佩戴口罩的目标标记为“no mask”,未规范佩戴口罩的目标标记为“mistake mask”,正确佩戴口罩的目标标记为“mask”;接着,把图片集分成两部分,四分之三作为训练集,剩余的四分之一作为验证集,最后将该数据集传输至基于yolov8的人脸口罩检测模型训练模块(4-1)。
3.根据权利要求1所述的一种基于yolov8抗遮挡伪冒攻击人脸口罩检测方法,其特征在于:所述的基于yolov8的人脸口罩检测模型搭建模块(2)改进和构建基于yolov8的人脸口罩检测模型,包括卷积优化模块(2-1),检测头网络加速模块(2-2)和特征提取增强模块(2-3);
...
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。