CN111414887B - 基于yolov3算法的二次检测口罩人脸识别方法 - Google Patents

基于yolov3算法的二次检测口罩人脸识别方法 Download PDF

Info

Publication number
CN111414887B
CN111414887B CN202010233674.1A CN202010233674A CN111414887B CN 111414887 B CN111414887 B CN 111414887B CN 202010233674 A CN202010233674 A CN 202010233674A CN 111414887 B CN111414887 B CN 111414887B
Authority
CN
China
Prior art keywords
head
shoulder
data
mask
mask face
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010233674.1A
Other languages
English (en)
Other versions
CN111414887A (zh
Inventor
南阳
樊治国
黄惠南
张晋
秦康
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao Gaozhong Information Technology Co.,Ltd.
Original Assignee
Shanghai Gaozhong Information Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Gaozhong Information Technology Co ltd filed Critical Shanghai Gaozhong Information Technology Co ltd
Priority to CN202010233674.1A priority Critical patent/CN111414887B/zh
Publication of CN111414887A publication Critical patent/CN111414887A/zh
Application granted granted Critical
Publication of CN111414887B publication Critical patent/CN111414887B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出一种基于YOLOV3算法的二次检测口罩人脸识别方法，包括：收集现场监控视频，将视频隔帧保存为图片，作为口罩人脸识别的基本数据集；使用现场原始图片作为样本图片，对样本图片进行头肩区域和口罩人脸区域的数据标注，使用YOLOV3算法对头肩数据进行训练，生成头肩检测模型；使用YOLOV3算法对头肩区域内的口罩人脸数据进行训练，生成口罩人脸识别模型；输出口罩人脸识别的结果。本发明通过对图像使用YOLOV3头肩检测算法和YOLOV3口罩人脸识别的二次检测算法，定位出所有人体的头肩区域和对戴口罩人脸、未带口罩人脸的识别，在不同场景应用中通用性更好，识别准确度更高，克服了现有技术受光照、角度的影响。

Description

基于YOLOV3算法的二次检测口罩人脸识别方法
技术领域
本发明属于人脸识别技术领域，尤其涉及一种基于YOLOV3算法的二次检测口罩人脸识别方法。
背景技术
口罩人脸识别是利用计算机视觉技术判断图像或者视频序列中的行人是否存在未带口罩的情况，在一些需要佩戴口罩的特定场合，比如食堂、饭店等员工需要佩戴口罩上岗，或由于特殊情况，需要行人佩戴口罩的场景，都可以适用。
目前市面上的口罩人脸识别系统，常用的方式先对人脸进行检测，再对人脸进行区域划分，统计分析脸部下方区域的颜色信息，进而判断人脸是否佩戴口罩的方式。但在实际现场应用中，人脸的倾斜角度不同，不同光线的干扰也不同，导致传统方式的精度并不理想。
因此，现有技术需要改进。
发明内容
为解决上述技术问题，本发明提出了一种基于YOLOV3算法的二次检测口罩人脸识别方法。
基于本发明实施例的一个方面，公开一种基于YOLOV3算法的二次检测口罩人脸识别方法，包括：
收集现场监控视频，将视频隔帧保存为图片，作为口罩人脸识别的基本数据集；
使用现场原始图片作为样本图片，对样本图片进行头肩区域和口罩人脸区域的数据标注，使用YOLOV3算法对头肩数据进行训练，生成头肩检测模型；
使用YOLOV3算法对头肩区域内的口罩人脸数据进行训练，生成口罩人脸识别模型；
输出口罩人脸识别的结果，所述口罩人脸识别的结果包括戴口罩人脸、未戴口罩人脸、转身后头部区域三类图像目标。
基于本发明的上述基于YOLOV3算法的二次检测口罩人脸识别方法的另一个实施例中，所述使用现场原始图片作为样本图片，对样本图片进行头肩区域和口罩人脸区域的数据标注，使用YOLOV3算法对头肩数据进行训练，生成头肩检测模型包括：
使用现场原始图片作为样本图片，对样本图片进行头肩区域的数据标注；
对图像的Anchor box进行聚类及YOLOV3网络参数设置，提高图像识别的精度，减少网络时间复杂度；
对头肩图像进行预处理和数据增强，通过对图像样本进行迭代训练，得到训练好的头肩检测模型。
基于本发明的上述基于YOLOV3算法的二次检测口罩人脸识别方法的另一个实施例中，所述对图像Anchor box进行聚类及YOLOV3网络参数设置，提高图像识别的精度，减少网络时间复杂度包括：
在待训练的头肩数据集里统计头肩目标框的长和宽，选择多个初始聚类中心点，逐一计算所有数据对象到各个聚类中心点的距离，将数据对象分配给距离最短的集合；
在YOLOV3的darknet53结构中增加SPP模块，将局部特征和全局特征的特征图融合；
对YOLOV3的darknet53结构中所有卷积层的卷积核数量进行剪枝减半，降低网络的时间复杂度。
基于本发明的上述基于YOLOV3算法的二次检测口罩人脸识别方法的另一个实施例中，所述对头肩图像进行预处理和数据增强，通过训练图像样本和迭代训练，得到训练好的头肩检测模型包括：
对原始图片数据进行预处理和数据增强，网络进行加载，得到图像数据；
将图片分成S*S个网格，S为13、26和52三种不同的图像尺寸；
将每个网格检测中心点落在该网格范围内的目标，预测出3个预测框，每个预测框对应C+5个值，C为检测目标的类别数，得到C个类别的置信得分P(C,Oobject)，式中Oobject为网格范围内的目标，头肩检测中类别C为1，5个值分别为预测框的坐标(x,y)、预测框的宽度w和高度h、以及存在检测目标的置信得分P(Oobject)；
通过每个预测框对应的C+5个值计算得到预测框置信得分Sconf；
对头肩检测训练设置最大迭代次数，直至训练数据集输出的损失函数值不大于阈值或达到设置的最大迭代次数，得到训练好的头肩检测模型。
基于本发明的上述基于YOLOV3算法的二次检测口罩人脸识别方法的另一个实施例中，所述预测框置信得分Sconf为：
Sconf＝P(Ci,Oobject)×P(Oobject)×I(truth,pred)；
式中，预测框中存在检测物体时P(Oobject)＝1，否则P(Oobject)＝0，P(Ci,Oobject)为C个检测目标中第i类的置信得分，i表示检测目标的类别标号，I(truth,pred)为预测目标框与真实目标框的交并比；
通过非极大值抑制算法筛选出预测框置信得分Sconf为：
Figure GDA0002824617270000031
式中，i表示类别标号，M为置信得分大的候选框，bi为被比较的物体预测框，I(M,bi)为M与bi的交并比，Nt为抑制阈值。
基于本发明的上述基于YOLOV3算法的二次检测口罩人脸识别方法的另一个实施例中，所述对标定头肩数据的图片进行口罩人脸检测识别，生成口罩人脸识别模型包括：
截取原始图片中所有人体的头肩区域，将原始大图中口罩人脸的标定数据转换为相对于头肩区域的标定数据；
通过K-means聚类方法对待训练的口罩人脸数据集进行聚类
对YOLOV3的darknet53结构中每个卷积层的卷积核数量进行剪枝砍半，减少算力损耗；
设置口罩人脸识别模型训练的最大迭代次数，直至训练数据集输出的损失函数值不大于阈值或达到设置的最大迭代次数时停止训练，得到训练好的口罩人脸识别网络。
基于本发明的上述基于YOLOV3算法的二次检测口罩人脸识别方法的另一个实施例中，所述图片中的头肩数据、口罩人脸数据进行标定的格式为VOC格式。
基于本发明的上述基于YOLOV3算法的二次检测口罩人脸识别方法的另一个实施例中，所述图片中的头肩数据、口罩人脸数据进行标定时，头肩数据标定包括一类，类别名为Headshoulder；
口罩人脸数据标定包括三类，包括未佩戴口罩人脸的类别名为Face，佩戴口罩人脸的类别名为Mask_Face，转身头部区域的类别名为Back_Head。
与现有技术相比，本发明具有以下优点：
采用本发明的基于YOLOV3算法的二次检测口罩人脸识别方法通过先对图像使用YOLOV3头肩检测算法进行处理，定位出所有人体的头肩区域，然后在头肩区域使用YOLOV3口罩人脸识别算法，对戴口罩人脸和未带口罩人脸进行二次检测识别，判断是否佩戴口罩，本发明的二次检测方式在不同场景应用中通用性更好，识别准确度更高，克服了现有技术受光照、角度等的影响，提高了口罩人脸识别准确性、鲁棒性以及适应性，本发明对网络的结构进行剪枝，模型推理时间提高35％左右。
附图说明
图1为本发明提出的基于YOLOV3算法的二次检测口罩人脸识别方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
下面结合附图和实施例对本发明提供的一种基于YOLOV3算法的二次检测口罩人脸识别方法进行更详细地说明。
图1为本发明提出的基于YOLOV3算法的二次检测口罩人脸识别方法的流程图，如图1所示，所述基于YOLOV3算法的二次检测口罩人脸识别方法包括：
10，收集现场监控视频，将视频隔帧保存为图片，作为口罩人脸识别的基本数据集；视频采集主要采集人体的头部和肩部的图像。
20，对现场原始图片作为样本图片，对样本图片进行头肩区域的数据标注，通过YOLOV3算法进行头肩区域检测识别，生成头肩检测模型；
30，对标定头肩数据的图片进行口罩人脸检测识别，生成口罩人脸识别模型；
40，输出口罩人脸识别的结果，所述口罩人脸识别的结果包括戴口罩人脸、未戴口罩人脸、转身头部的人脸头部三类图像目标。
使用现场原始图片作为样本图片，对样本图片进行头肩区域和口罩人脸区域的数据标注，使用YOLOV3算法对头肩数据进行训练，生成头肩检测模型包括：
使用现场原始图片作为样本图片，对样本图片进行头肩区域的数据标注；
在头肩区域内对口罩人脸进行二次检测识别；在实际的实施过程中，摄像机对人脸图像的拍摄角度是多种多样的，但是整体而言有五种状态：正脸佩戴口罩、正脸未佩戴口罩、侧脸佩戴口罩、侧脸未佩戴口罩、转身无法检测人脸。由于现场人员佩戴口罩的颜色各不相同，主要分为3种颜色：白色、蓝色、黑色。因此在对口罩人脸进行标注时，主要分为三类标准：人脸标签，人脸角度正负90度以内的未佩戴口罩的区域标定为Face；口罩标签，人脸角度正负90度以内的佩戴口罩的区域标定为Mask_Face；转身标定，人体转身无法检测到人脸的人头区域标定为Back_Head；
对图像Anchor box进行聚类及YOLOV3网络参数设置，提高图像识别的精度，减少网络时间复杂度；
对头肩图像进行预处理和数据增强，通过对图像样本进行迭代训练，得到训练好的头肩检测模型。
所述对图像Anchor box进行聚类及YOLOV3算法进行网络参数设置，提高图像识别的精度，减少网络时间复杂度包括：
在待训练的头肩数据集里统计头肩目标框的长和宽，选择多个初始聚类中心点，逐一计算所有数据对象到各个聚类中心点的距离，将数据对象分配给距离最短的集合；在本发明的实施例中图像聚类算法采用K-means聚类算法，由于摄像机现场采集的原始图像大小一般为1920*1080像素，且口罩人脸识别的项目主要在边缘设备上运行，综合考虑网络输入的宽高修改为416*416像素，通过K-means聚类方法在待训练的头肩图像数据集里统计头肩目标框的长和宽，选择9个初始聚类中心点，逐一计算所有数据对象到各个聚类中心点的距离，之后将数据对象分配给距离最短的集合。在本发明的一个实施例中采用3个尺度的9个初始Anchor box值分别为：(8,16),(14,28),(24,43),(33,66),(56,58),(58,95),(98,128),(171,220),(326,337)；
在YOLOV3的darknet53结构中增加SPP模块，将局部特征和全局特征的特征图融合，这样可以丰富最终特征图的表达能力，提高精度；
对YOLOV3的darknet53结构中所有卷积层的卷积核数量进行剪枝减半，降低网络的时间复杂度；YOLOV3的darknet53结构中共有52层卷积层，为了减少头肩检测在边缘设备上进行模型推理的算力消耗，对原始darknet-53中所有卷积层的卷积核数量进行剪枝减半，降低网络的时间复杂度。原始网络与剪枝网络的卷积核参数对比如下表所示：
原始与剪枝网络卷积核参数对比
Figure GDA0002824617270000071
所述对头肩图像进行预处理和数据增强，通过对图像样本进行迭代训练，得到训练好的头肩检测模型包括：
对原始图片数据进行预处理和数据增强，网络进行加载，得到图像数据；
将图片分成S*S个网格，S为13、26和52三种不同的图像尺寸，即将图片分成13*13、26*26和52*52三种不同尺寸的网格；
将每个网格检测中心点落在该网格范围内的目标，预测出3个预测框，每个预测框对应C+5个值，C为检测目标的类别数，得到C个类别的置信得分P(C,Oobject)，式中Oobject为网格范围内的目标，头肩检测中类别C为1，5个值分别为预测框的坐标(x,y)、预测框的宽度w和高度h、以及存在检测目标的置信得分P(Oobject)；
通过每个预测框对应的C+5个值计算得到预测框置信得分Sconf；
对头肩检测训练设置最大迭代次数，直至训练数据集输出的损失函数值不大于阈值或达到设置的最大迭代次数，得到训练好的头肩检测模型。
所述预测框置信得分Sconf为：
Sconf＝P(Ci,Oobject)×P(Oobject)×I(truth,pred)；
式中，预测框中存在检测物体时P(Oobject)＝1，否则P(Oobject)＝0，P(Ci,Oobject)为C个检测目标中第i类的置信得分，i表示检测目标的类别标号，I(truth,pred)为预测目标框与真实目标框的交并比；
通过非极大值抑制算法筛选出预测框置信得分Sconf为：
Figure GDA0002824617270000081
式中，i表示类别标号，M为置信得分大的候选框，bi为被比较的物体预测框，I(M,bi)为M与bi的交并比，Nt为抑制阈值。
在本发明的实施例中，头肩检测训练设置的最大迭代次数为80000次，初始化学习率为0.001，batch_size设置为32，decay为0.0005，momentum为0.9，根据损失下降的趋势，可以适当调节学习率和batch_size的值，直至训练数据集输出的损失函数值不大于阈值或达到设置的最大迭代次数时停止训练，得到训练好的头肩检测模型。
对标定头肩数据的图片进行口罩人脸检测识别，生成口罩人脸识别模型包括：
截取原始图片中所有人体的头肩区域，将原始大图中口罩人脸的标定数据转换为相对于头肩区域的标定数据；口罩人脸识别模型的输入主要为头肩区域，因为头肩区域的宽高大多集中在200*400像素之间，因此口罩人脸识别网络的输入修改为256*256大小；
通过K-means聚类方法对待训练的口罩人脸数据集进行聚类；本发明实施例采用3个尺度的9个初始Anchor box值分别为：(64,80),(77,66),(79,91),(98,79),(92,109),(124,108),(114,132),(164,130),(143,189)
对YOLOV3的darknet53结构中每个卷积层的卷积核数量进行剪枝砍半，减少算力损耗；
设置口罩识别模型训练的最大迭代次数，直至训练数据集输出的损失函数值不大于阈值或达到设置的最大迭代次数时停止训练，得到训练好的口罩人脸识别网络。
在本发明的实施例中，口罩识别模型的训练设置的最大迭代次数为50000次，初始化学习率为0.001，batch_size设置为64，decay为0.0005，momentum为0.9，根据损失下降的趋势，可以适当调节学习率和batch_size的值，直至训练数据集输出的损失函数值小于等于阈值或达到设置的最大迭代次数时停止训练，得到训练好的口罩人脸识别网络。
所述图片中的头肩数据、口罩人脸数据进行标定的格式为VOC格式。
所述图片中的头肩数据、口罩人脸数据进行标定时，头肩数据标定包括一类，类别名为Headshoulder；
口罩人脸数据标定包括三类，包括未佩戴口罩人脸的类别名为Face，佩戴口罩人脸的类别名为Mask_Face，转身头部区域的类别名为Back_Head。
对原图先进行头肩检测，如果头肩目标置信度分数大于0.5，判断为人体头肩部分，在此头肩区域中进行口罩人脸的二次检测识别，将口罩人脸的阈值分数设置为0.6，类别为0且置信度分数大于0.6时，人脸为正常人脸Face，类别为1且置信度分数大于0.6时，人脸为口罩人脸Mask_Face，类别为2且置信度分数大于0.6时，为转身状态即Back_Head。
对于本领域技术人员而言，显然本发明实施例不限于上述示范性实施例的细节，而且在不背离本发明实施例的精神或基本特征的情况下，能够以其他的具体形式实现本发明实施例。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明实施例的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明实施例内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统、装置或终端权利要求中陈述的多个单元、模块或装置也可以由同一个单元、模块或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施方式仅用以说明本发明实施例的技术方案而非限制，尽管参照以上较佳实施方式对本发明实施例进行了详细说明，本领域的普通技术人员应当理解，可以对本发明实施例的技术方案进行修改或等同替换都不应脱离本发明实施例的技术方案的精神和范围。

Claims (6)

1.一种基于YOLOV3算法的二次检测口罩人脸识别方法，其特征在于，包括：
收集现场监控视频，将视频隔帧保存为图片，作为口罩人脸识别的基本数据集；
使用现场原始图片作为样本图片，对样本图片进行头肩区域和口罩人脸区域的数据标注，使用YOLOV3算法对头肩数据进行训练，生成头肩检测模型；
使用YOLOV3算法对头肩区域内的口罩人脸数据进行训练，生成口罩人脸识别模型；
输出口罩人脸识别的结果，所述口罩人脸识别的结果包括戴口罩人脸、未戴口罩人脸、转身后头部区域三类图像目标；
所述使用现场原始图片作为样本图片，对样本图片进行头肩区域和口罩人脸区域的数据标注，使用YOLOV3算法对头肩数据进行训练，生成头肩检测模型包括：
使用现场原始图片作为样本图片，对样本图片进行头肩区域的数据标注；
对图像的Anchor box进行聚类及YOLOV3网络参数设置；
对头肩图像进行预处理和数据增强，通过训练图像样本和迭代训练，得到训练好的头肩检测模型；
所述对头肩图像进行预处理和数据增强，通过训练图像样本和迭代训练，得到训练好的头肩检测模型包括：
对原始图片数据进行预处理和数据增强，网络进行加载，得到图像数据；
将图片分成S*S个网格，S为13、26和52三种不同的图像尺寸；
将每个网格检测中心点落在该网格范围内的目标，预测出3个预测框，每个预测框对应C+5个值，C为检测目标的类别数，得到C个类别的置信得分P(C,Oobject)，式中Oobject为网格范围内的目标，头肩检测中类别C为1，5个值分别为预测框的坐标(x,y)、预测框的宽度w和高度h、以及存在检测目标的置信得分P(Oobject)；
通过每个预测框对应的C+5个值计算得到预测框置信得分Sconf；
对头肩检测训练设置最大迭代次数，直至训练数据集输出的损失函数值不大于阈值或达到设置的最大迭代次数，得到训练好的头肩检测模型。
2.根据权利要求1所述的基于YOLOV3算法的二次检测口罩人脸识别方法，其特征在于，所述对图像Anchor box进行聚类及YOLOV3网络参数设置包括：
在待训练的头肩数据集里统计头肩目标框的长和宽，选择多个初始聚类中心点，逐一计算所有数据对象到各个聚类中心点的距离，将数据对象分配给距离最短的集合；
在YOLOV3的darknet53结构中增加SPP模块，将局部特征和全局特征的特征图融合；
对YOLOV3的darknet53结构中所有卷积层的卷积核数量进行剪枝减半。
3.根据权利要求1所述的基于YOLOV3算法的二次检测口罩人脸识别方法，其特征在于，所述预测框置信得分Sconf为：
Sconf＝P(Ci,Oobject)×P(Oobject)×I(truth,pred)；
式中，预测框中存在检测物体时P(Oobject)＝1，否则P(Oobject)＝0，P(Ci,Oobject)为C个检测目标中第i类的置信得分，i表示检测目标的类别标号，I(truth,pred)为预测目标框与真实目标框的交并比；
通过非极大值抑制算法筛选出预测框置信得分Sconf为：
Figure FDA0002824617260000021
式中，i表示类别标号，M为置信得分大的候选框，bi为被比较的物体预测框，I(M,bi)为M与bi的交并比，Nt为抑制阈值。
4.根据权利要求1所述的基于YOLOV3算法的二次检测口罩人脸识别方法，其特征在于，所述对标定头肩数据的图片进行口罩人脸检测识别，生成口罩人脸识别模型包括：
截取原始图片中所有人体的头肩区域，将原始大图中口罩人脸的标定数据转换为相对于头肩区域的标定数据；
通过K-means聚类方法对待训练的口罩人脸数据集进行聚类；
对YOLOV3的darknet53结构中每个卷积层的卷积核数量进行剪枝砍半，减少算力损耗；
设置口罩人脸识别模型训练的最大迭代次数，直至训练数据集输出的损失函数值不大于阈值或达到设置的最大迭代次数时停止训练，得到训练好的口罩人脸识别网络。
5.根据权利要求1所述的基于YOLOV3算法的二次检测口罩人脸识别方法，其特征在于，所述图片中的头肩数据、口罩人脸数据进行标定的格式为VOC格式。
6.根据权利要求1所述的基于YOLOV3算法的二次检测口罩人脸识别方法，其特征在于，所述图片中的头肩数据、口罩人脸数据进行标定时，头肩数据标定包括一类，类别名为Headshoulder；
口罩人脸数据标定包括三类，包括未佩戴口罩人脸的类别名为Face，佩戴口罩人脸的类别名为Mask_Face，转身头部区域的类别名为Back_Head。
CN202010233674.1A 2020-03-30 2020-03-30 基于yolov3算法的二次检测口罩人脸识别方法 Active CN111414887B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010233674.1A CN111414887B (zh) 2020-03-30 2020-03-30 基于yolov3算法的二次检测口罩人脸识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010233674.1A CN111414887B (zh) 2020-03-30 2020-03-30 基于yolov3算法的二次检测口罩人脸识别方法

Publications (2)

Publication Number Publication Date
CN111414887A CN111414887A (zh) 2020-07-14
CN111414887B true CN111414887B (zh) 2021-01-29

Family

ID=71491528

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010233674.1A Active CN111414887B (zh) 2020-03-30 2020-03-30 基于yolov3算法的二次检测口罩人脸识别方法

Country Status (1)

Country Link
CN (1) CN111414887B (zh)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111931623A (zh) * 2020-07-31 2020-11-13 南京工程学院 一种基于深度学习的人脸口罩佩戴检测方法
CN111931661A (zh) * 2020-08-12 2020-11-13 桂林电子科技大学 一种基于卷积神经网络的实时口罩佩戴检测方法
CN111985621A (zh) * 2020-08-24 2020-11-24 西安建筑科技大学 口罩佩戴实时检测的神经网络模型的搭建方法及实施系统
CN112001872B (zh) 2020-08-26 2021-09-14 北京字节跳动网络技术有限公司 信息显示方法、设备及存储介质
CN112132005A (zh) * 2020-09-21 2020-12-25 福州大学 一种基于聚类分析与模型压缩的人脸检测方法
CN112153343B (zh) * 2020-09-25 2022-09-02 北京百度网讯科技有限公司 电梯安全监控方法、装置、监控摄像头和存储介质
CN112232199A (zh) * 2020-10-15 2021-01-15 燕山大学 基于深度学习的佩戴口罩检测方法
CN112232205B (zh) * 2020-10-16 2022-05-27 中科智云科技有限公司 移动端cpu实时多功能人脸检测方法
CN112085010B (zh) * 2020-10-28 2022-07-12 成都信息工程大学 一种基于图像识别的口罩检测和部署系统及方法
CN112287827A (zh) * 2020-10-29 2021-01-29 南通中铁华宇电气有限公司 基于智慧灯杆的复杂环境行人口罩佩戴检测方法及系统
CN112381987A (zh) * 2020-11-10 2021-02-19 中国人民解放军国防科技大学 基于人脸识别的智能门禁防疫系统
CN112464827A (zh) * 2020-11-30 2021-03-09 深圳集智数字科技有限公司 口罩佩戴识别方法、装置、设备及存储介质
CN112347988A (zh) * 2020-11-30 2021-02-09 广联达科技股份有限公司 口罩识别模型的训练方法、装置、计算机设备和可读存储介质
CN113033284B (zh) * 2020-12-22 2022-10-25 迪比（重庆）智能科技研究院有限公司 一种基于卷积神经网络的车辆实时超载检测方法
US11436881B2 (en) 2021-01-19 2022-09-06 Rockwell Collins, Inc. System and method for automated face mask, temperature, and social distancing detection
WO2022213349A1 (zh) * 2021-04-09 2022-10-13 鸿富锦精密工业(武汉)有限公司 戴口罩人脸识别方法、装置、计算机存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103400110A (zh) * 2013-07-10 2013-11-20 上海交通大学 Atm取款机前的异常人脸检测方法
CN104091156A (zh) * 2014-07-10 2014-10-08 深圳市中控生物识别技术有限公司 一种身份识别方法及装置
CN105844245A (zh) * 2016-03-25 2016-08-10 广州市浩云安防科技股份有限公司 一种伪装人脸检测方法及系统
CN109934121A (zh) * 2019-02-21 2019-06-25 江苏大学 一种基于YOLOv3算法的果园行人检测方法
WO2019152983A2 (en) * 2018-02-05 2019-08-08 Board Of Trustees Of Michigan State University System and apparatus for face anti-spoofing via auxiliary supervision
CN110543868A (zh) * 2019-09-09 2019-12-06 福建省趋普物联科技有限公司 一种基于人脸识别和头肩检测的监控方法及系统
CN110706266A (zh) * 2019-12-11 2020-01-17 北京中星时代科技有限公司 一种基于YOLOv3的空中目标跟踪方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10733699B2 (en) * 2017-10-24 2020-08-04 Deep North, Inc. Face replacement and alignment

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103400110A (zh) * 2013-07-10 2013-11-20 上海交通大学 Atm取款机前的异常人脸检测方法
CN104091156A (zh) * 2014-07-10 2014-10-08 深圳市中控生物识别技术有限公司 一种身份识别方法及装置
CN105844245A (zh) * 2016-03-25 2016-08-10 广州市浩云安防科技股份有限公司 一种伪装人脸检测方法及系统
WO2019152983A2 (en) * 2018-02-05 2019-08-08 Board Of Trustees Of Michigan State University System and apparatus for face anti-spoofing via auxiliary supervision
CN109934121A (zh) * 2019-02-21 2019-06-25 江苏大学 一种基于YOLOv3算法的果园行人检测方法
CN110543868A (zh) * 2019-09-09 2019-12-06 福建省趋普物联科技有限公司 一种基于人脸识别和头肩检测的监控方法及系统
CN110706266A (zh) * 2019-12-11 2020-01-17 北京中星时代科技有限公司 一种基于YOLOv3的空中目标跟踪方法

Also Published As

Publication number Publication date
CN111414887A (zh) 2020-07-14

Similar Documents

Publication Publication Date Title
CN111414887B (zh) 基于yolov3算法的二次检测口罩人脸识别方法
CN108446617B (zh) 抗侧脸干扰的人脸快速检测方法
CN110543867B (zh) 一种多摄像头条件下的人群密度估测系统及方法
CN111126325B (zh) 一种基于视频的智能人员安防识别统计方法
CN111860160B (zh) 一种室内检测口罩佩戴的方法
CN107833221A (zh) 一种基于多通道特征融合和机器学习的漏水监测方法
CN111967393A (zh) 一种基于改进YOLOv4的安全帽佩戴检测方法
Shahbaz et al. Evaluation of background subtraction algorithms for video surveillance
CN105160297B (zh) 基于肤色特征的蒙面人事件自动检测方法
CN113516076A (zh) 一种基于注意力机制改进的轻量化YOLO v4安全防护检测方法
CN106845432A (zh) 一种人脸与人体共同检测的方法和设备
CN113903081A (zh) 一种水电厂图像视觉识别人工智能报警方法及装置
CN111539276B (zh) 一种在电力场景下安全帽实时检测的方法
CN111222478A (zh) 一种工地安全防护检测方法和系统
CN112232199A (zh) 基于深度学习的佩戴口罩检测方法
CN112183472A (zh) 一种基于改进RetinaNet的试验现场人员是否穿着工作服检测方法
CN112163572A (zh) 识别对象的方法和装置
CN112396635A (zh) 一种基于多设备的复杂环境下多目标检测方法
CN111767826A (zh) 一种定时定点场景异常检测方法
CN117475353A (zh) 基于视频的异常烟雾识别方法及系统
CN113052139A (zh) 一种基于深度学习双流网络的攀爬行为检测方法及系统
Zhang et al. Detection of Face Wearing Mask Based on AdaBoost and YCrCb
CN116403085A (zh) 一种基于多任务的变电站多指针仪表识别方法及装置
WO2023070955A1 (zh) 一种基于计算机视觉的港口作业区微小目标检测方法和装置
CN115995097A (zh) 一种基于深度学习的安全头盔佩戴标准判断方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address

Address after: 266318 building a of Daguhe Resort Management Committee, No. 1, Hong Kong Road, Jiaozhou City, Qingdao City, Shandong Province

Patentee after: Qingdao Gaozhong Information Technology Co.,Ltd.

Address before: Room 1208, building 20, 958 Zhenbei Road, Putuo District, Shanghai 200072

Patentee before: SHANGHAI GAOZHONG INFORMATION TECHNOLOGY Co.,Ltd.

CP03 Change of name, title or address