CN112115818B - 口罩佩戴识别方法 - Google Patents

口罩佩戴识别方法 Download PDF

Info

Publication number
CN112115818B
CN112115818B CN202010906573.6A CN202010906573A CN112115818B CN 112115818 B CN112115818 B CN 112115818B CN 202010906573 A CN202010906573 A CN 202010906573A CN 112115818 B CN112115818 B CN 112115818B
Authority
CN
China
Prior art keywords
face
network
sample
mask
training
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
CN202010906573.6A
Other languages
English (en)
Other versions
CN112115818A (zh
Inventor
张立国
孙胜春
金梅
张少阔
张子豪
张勇
刘博�
郎梦园
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.)
Yanshan University
Original Assignee
Yanshan University
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 Yanshan University filed Critical Yanshan University
Priority to CN202010906573.6A priority Critical patent/CN112115818B/zh
Publication of CN112115818A publication Critical patent/CN112115818A/zh
Application granted granted Critical
Publication of CN112115818B publication Critical patent/CN112115818B/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
    • G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • 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)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种口罩佩戴识别方法，其内容包括：进行人脸检测模型训练和进行口罩佩戴识别模型训练，人脸检测模型训练过程包括：搭建基于MTCNN的人脸检测网络，训练得到鲁棒性较高的人脸检测模型，实现光谱图像中人脸区域和面部关键点位置的预测，缩小口罩佩戴模型检测范围。口罩识别模型训练过程包括：在人脸光谱图像上标记样本ROI，通过样本ROI文件获取样本坐标信息和类别信息，构建数据集；通过训练SVM分类器，得到模型参数，用于人脸图像中口罩的识别。该方法能够实现自动无接触口罩佩戴检测，对人脸定位速度快，检测速度快，能够准确辨别用衣物遮挡口鼻与正确佩戴口罩两种情况，大大减少因衣物遮挡而造成的误检，准确率高。

Description

口罩佩戴识别方法
技术领域
本发明涉及一种口罩佩戴识别方法，属于目标检测领域。
背景技术
在医院、公共交通等人流密集的场所，工作人员需要对行人是否佩戴口罩进行一个个排查，工作量相当大。现有的口罩检测方法一般无法辨别是正确佩戴口罩还是手部或者衣物遮挡，因此需要一种新方法来准确辨别正确佩戴口罩与存在遮挡两种情况。
发明内容
本发明的目的是提供一种口罩佩戴识别方法，提高生产线上形态各异的、不规则的复杂零件的分拣速度和分拣准确率，提高分拣效率，从而提高生产力。
一种口罩佩戴识别方法，该方法包括以下步骤：
S1、进行人脸检测模型训练，包括如下步骤：
S11、使用成像光谱仪采集1000张样本人脸图片，对样本数据进行采集和扩充，得到5000张样本人脸图片，使训练出的人脸检测模型具有高的鲁棒性；
S12、使用图像标注软件对样本图片中的人脸进行标注，框选出图中的人脸并标记出人脸中的关键点，标记的5个人脸关键点分别为左右眼、鼻子和左右嘴角；
S13、搭建基于多任务卷积神经网络MTCNN的人脸检测模型，进行人脸检测模型的训练，通过训练网络输出网络模型，用训练好的模型预测图像中是否存在人脸以及人脸、关键点的坐标位置；
多任务卷积神经网络损失函数包括人脸分类
Figure BDA0002661687080000021
边界框回归
Figure BDA0002661687080000022
和关键点定位
Figure BDA0002661687080000023
三部分，具体包括：
Figure BDA0002661687080000024
其中，xi为输入样本，pi为样本是人脸的概率，
Figure BDA0002661687080000025
表示真实边界框标签；
Figure BDA0002661687080000026
其中，
Figure BDA0002661687080000027
表示网络预测的回归目标，
Figure BDA0002661687080000028
表示真实框坐标；
Figure BDA0002661687080000029
其中，
Figure BDA00026616870800000210
表示网络预测的第i个面部关键点的坐标，
Figure BDA00026616870800000211
表示第i个面部关键点的真实坐标；
整体损失函数如下：
Figure BDA00026616870800000212
其中，N为训练样本的数量，αj表示任务的重要性，在建议网络P-Net和精修网络R-Net中，αdet＝1、αbox＝0.5、αlandmark＝0.5；在输出网络O-Net中，αdet＝1、αbox＝0.5、αlandmark＝1，βi j为样本标签，Li j表示上面的分类、回归或者定位的损失函数；
S2、进行口罩佩戴识别模型训练，包括如下步骤：
针对口罩佩戴识别问题，训练支持向量机分类器，用以对人脸检测模型得出的人脸图像进行光谱分类，以实现口罩识别；
S21、训练集、测试集的构建：首先通过图像软件在人脸光谱图像上进行样本感兴趣区域的标记，感兴趣区域的类型选择为点，分别用不同颜色标定各样本，每类样本选择1000个点，标记完所有样本后计算标记样本的可分离度，符合条件后保存样本感兴趣区域文件，通过其获取样本感兴趣区域的坐标信息和标签信息，将感兴趣区域的坐标信息转化为对应位置点的波段信息，构建训练集和测试集；
S22、确定初始化参数，完成训练：支持向量机核函数选择多项式核函数，其定义如下：
K(x,y)＝(gamma*x*y+coef0)degree (5)
其中，x，y表示原始样本，多项式核函数中的gamma初始化为0.33，多项式核函数中的coef0初始化为1，多项式核函数的次数degree初始化为6，通过训练得到模型参数；
S23、通过支持向量机分类器实现口罩佩戴识别：通过训练好的支持向量机分类器对待分类图像进行分类时先将单个波段的图像拉伸为一个列向量，将预测图像转化为2维矩阵进行预测，再将得到的预测结果对应到相应位置，进行可视化显示。
优选地，所述S13中，人脸检测模型的训练过程为：S131、将图像进行不同尺度的变换，构建图像金字塔，以适应不同大小人脸的检测；S132、使用建议网络P-Net网络对图像金字塔进行特征提取和边框标定，使用较浅层简单的卷积神经网络快速生成人脸候选窗口，供精修网络R-Net进一步处理；S133、精修网络R-Net对生成的候选框进行细化选择，过滤掉大部分错误输入并再次进行边界框回归和关键点定位，进一步优化过滤候选区域；S134、输出网络O-Net通过较精修网络R-Net多出的一层卷积结构识别面部区域并回归面部的5个特征点。
优选地，所述S12中，标注完所有图片后，输出xml文件，保存标注信息，并将xml文件转换成txt文件，其中负样本、正样本、部分样本和关键点样本的比例为3:1:1:2，标签分别为0、1、2、3。
优选地，MTCNN将人脸区域检测与人脸关键点检测放在一起，通过建议网络P-Net、精修网络R-Net和输出网络O-Net三个网络级联，分步精调，实现人脸区域及人脸关键点坐标位置的预测，缩小基于光谱图像的口罩识别范围。
优选地，所用光谱仪采集的光谱图像光谱通道不少于9个，通过面部关键点定位结合人脸区域光谱图像分类辨别正确佩戴口罩与衣物遮挡情况。
与现有技术相比，本发明具有以下有益效果：
(1)人脸定位速度快，能在定位人脸的同时进行面部关键点的定位；
(2)通过高光谱图像分类技术实现口罩佩戴的识别，能够准确辨别用衣物遮挡口鼻与正确佩戴口罩两种情况，大大减少因衣物遮挡而造成的误检。
(3)能够实现自动无接触口罩佩戴检测，检测速度快，准确率高。
附图说明
图1是本发明的口罩佩戴识别整体流程图；
图2是人脸检测模型训练过程的流程图；
图3是口罩佩戴识别模型训练过程的流程图；以及
图4是口罩佩戴识别结果的示意图。
具体实施方式
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。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。
需要注意的为，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
下面结合附图与具体实施方式对本发明提出的口罩佩戴识别方法及检测装置作进一步详细说明。
图1为本发明口罩佩戴识别整体流程，主要包括人脸区域检测和口罩佩戴识别两部分。人脸检测基于多任务卷积神经网络MTCNN对采集的光谱图像进行人脸及面部关键点的检测，得到人脸区域图像，缩小口罩识别范围；口罩佩戴识别基于训练好的SVM分类模型对人脸区域图像进行分类，根据口鼻处的分类结果实现口罩佩戴的识别，减少面部遮挡情况下的误检误判。
一种口罩佩戴识别方法，其基于多任务卷积神经网络MTCNN的人脸检测模型训练过程如图2所示，主要包括如下步骤：
MTCNN将人脸区域检测与人脸关键点检测放在一起，通过建议网络P-Net、精修网络R-Net和输出网络O-Net三个网络级联，分步精调，实现人脸的准确检测。本发明针对人脸检测问题，搭建基于MTCNN的人脸检测网络，通过训练好的模型预测光谱图像中的人脸区域及人脸关键点的坐标位置。
第一步样本数据的采集和扩充：使用成像光谱仪采集1000张样本人脸图片。之后对数据进行扩充，增加输入图像的可变性，使训练出的人脸检测模型具有更高的鲁棒性。一方面调整图像的亮度、对比度、色度、饱和度，并随机加入噪声，另一方面对采集的图像进行随机缩放、裁剪和旋转。最终共得到5000张样本人脸图片。
第二步样本图片的标注：使用labelimg图像标注软件对样本图片中的人脸进行标注，框选出图中的人脸并标记出人脸中的关键点，标记的5个人脸关键点分别为左右眼、鼻子和左右嘴角。标注完所有图片后，输出xml文件，保存标注信息，并将xml文件转换成txt文件。其中负样本、正样本、部分样本和关键点样本的比例为3:1:1:2，标签分别为0、1、2、3。
第三步人脸检测模型的训练：本发明针对人脸检测问题，搭建基于MTCNN的人脸检测模型。首先将图像进行不同尺度的变换，构建图像金字塔，以适应不同大小人脸的检测；之后使用建议网络P-Net网络对图像金字塔进行特征提取和边框标定，使用较浅层简单的CNN快速生成人脸候选窗口，供精修网络R-Net进一步处理；精修网络R-Net对生成的候选框进行细化选择，过滤掉大部分错误输入并再次进行边界框回归和关键点定位，进一步优化过滤候选区域；最后输出网络O-Net通过较精修网络R-Net多出的一层卷积结构识别面部区域并回归面部的5个特征点。
MTCNN损失函数包括人脸分类
Figure BDA0002661687080000061
边界框回归
Figure BDA0002661687080000062
和关键点定位
Figure BDA0002661687080000063
3部分，具体定义如下：
Figure BDA0002661687080000064
其中，xi为输入样本，pi为样本是人脸的概率，
Figure BDA0002661687080000065
表示真实边界框标签。
Figure BDA0002661687080000066
其中，
Figure BDA0002661687080000067
表示网络预测的回归目标，
Figure BDA0002661687080000068
表示真实框坐标。
Figure BDA0002661687080000069
其中，
Figure BDA00026616870800000610
表示网络预测的第i个面部关键点的坐标，
Figure BDA00026616870800000611
表示第i个面部关键点的真实坐标。
整体损失函数如下：
Figure BDA00026616870800000612
其中，N为训练样本的数量，αj表示任务的重要性，在建议网络P-Net和精修网络R-Net中，αdet＝1、αbox＝0.5、αlandmark＝0.5；在输出网络O-Net中，αdet＝1、αbox＝0.5、αlandmark＝1，βi j为样本标签，Li j表示上面的分类、回归或者定位的损失函数。
通过训练网络输出网络模型，用训练好的模型预测图像中是否存在人脸以及人脸、关键点的坐标位置。
一种口罩佩戴识别方法，其基于SVM的口罩佩戴识别模型训练过程如图3所示，主要包括如下步骤：
针对口罩佩戴识别问题，训练SVM分类器，用以对人脸检测模型得出的人脸图像进行光谱分类，达到口罩识别的目的。
第一步训练集、测试集的构建：首先通过ENVI软件在人脸光谱图像上进行样本ROI的标记，ROI类型选择为点，分别用不同颜色标定各样：本人脸为白色，口罩为黑色，其他为灰色，每类样本选择1000个点，标记完所有样本后通过ENVI计算ROI的可分离度，符合条件，之后保存样本ROI文件。MATLAB读取样本ROI文件，获取样本ROI中的坐标信息和标签信息，将ROI的坐标信息转化为对应位置点的波段信息，用以构建训练所用的数据集。其中训练集和测试集的比例为1:1。
第二步确定初始化参数，完成训练：SVM核函数选择多项式核函数，其定义如下：
K(x,y)＝(gamma*x*y+coef0)degree (5)
其中，x、y表示原始样本，核函数中的gamma初始化为0.33，核函数中的coef0初始化为1，多项式的次数degree设置为6。通过MATLAB的Libsvm软件包完成训练，得到模型参数。
第三步SVM分类器实现口罩佩戴识别：通过训练好的SVM分类器对待分类图像进行分类时先将单个波段的图像拉伸为一个列向量，将预测图像转化为2维矩阵进行预测，再将得到的预测结果对应到相应位置，进行可视化显示。图4为实验中的某次识别结果，黑色为识别的口罩。
最后根据人脸关键点的预测结果判断人员的口罩佩戴情况，如果口鼻位置的分类结果为口罩，则正确佩戴口罩；如果口鼻处分类结果不是口罩，并且人脸区域未检测到口罩，则未佩戴口罩；如果口鼻出检测结果不是口罩，且人脸区域检测到了口罩，则未正确佩戴口罩。
本发明的实例在Intel CORE i7-9750H，2.60GHz处理器、24.0G内存、64位Windows操作系统的计算机上进行仿真实验。实验所用成像光谱仪的光谱通道数为9个，波长范围为400-1100nm，像素空间分辨率为2048×2048，像素尺寸为5.5μm。
以上所述各实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应该理解：其依然能对前述实施例所记载的技术方案进行修改，或者对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (5)

1.一种口罩佩戴识别方法，其特征在于，该方法包括以下步骤：
S1、进行人脸检测模型训练，包括如下步骤：
S11、使用成像光谱仪采集1000张样本人脸图片，对样本数据进行采集和扩充，得到5000张样本人脸图片，使训练出的人脸检测模型具有高的鲁棒性；
S12、使用图像标注软件对样本图片中的人脸进行标注，框选出图中的人脸并标记出人脸中的关键点，标记的5个人脸关键点分别为左右眼、鼻子和左右嘴角；
S13、搭建基于多任务卷积神经网络MTCNN的人脸检测模型，进行人脸检测模型的训练，通过训练网络输出网络模型，用训练好的模型预测图像中是否存在人脸以及人脸、关键点的坐标位置；
多任务卷积神经网络损失函数包括人脸分类
Figure FDA0002661687070000011
边界框回归
Figure FDA0002661687070000012
和关键点定位
Figure FDA0002661687070000013
三部分，具体包括：
Figure FDA0002661687070000014
其中，xi为输入样本，pi为样本是人脸的概率，
Figure FDA0002661687070000015
表示真实边界框标签；
Figure FDA0002661687070000016
其中，
Figure FDA0002661687070000017
表示网络预测的回归目标，
Figure FDA0002661687070000018
表示真实框坐标；
Figure FDA0002661687070000019
其中，
Figure FDA00026616870700000110
表示网络预测的第i个面部关键点的坐标，
Figure FDA00026616870700000111
表示第i个面部关键点的真实坐标；
整体损失函数如下：
Figure FDA0002661687070000021
其中，N为训练样本的数量，αj表示任务的重要性，在建议网络P-Net和精修网络R-Net中，αdet＝1、αbox＝0.5、αlandmark＝0.5；在输出网络O-Net中，αdet＝1、αbox＝0.5、αlandmark＝1，βi j为样本标签，Li j表示上面的分类、回归或者定位的损失函数；
S2、进行口罩佩戴识别模型训练，包括如下步骤：
针对口罩佩戴识别问题，训练支持向量机分类器，用以对人脸检测模型得出的人脸图像进行光谱分类，以实现口罩识别；
S21、训练集、测试集的构建：首先通过图像软件在人脸光谱图像上进行样本感兴趣区域的标记，感兴趣区域的类型选择为点，分别用不同颜色标定各样本，每类样本选择1000个点，标记完所有样本后计算标记样本的可分离度，符合条件后保存样本感兴趣区域文件，通过其获取样本感兴趣区域的坐标信息和标签信息，将感兴趣区域的坐标信息转化为对应位置点的波段信息，构建训练集和测试集；
S22、确定初始化参数，完成训练：支持向量机核函数选择多项式核函数，其定义如下：
K(x,y)＝(gamma*x*y+coef0)degree (5)
其中，x，y表示原始样本，多项式核函数中的gamma初始化为0.33，多项式核函数中的coef0初始化为1，多项式核函数的次数degree初始化为6，通过训练得到模型参数；
S23、通过支持向量机分类器实现口罩佩戴识别：通过训练好的支持向量机分类器对待分类图像进行分类时先将单个波段的图像拉伸为一个列向量，将预测图像转化为2维矩阵进行预测，再将得到的预测结果对应到相应位置，进行可视化显示。
2.根据权利要求1所述的口罩佩戴识别方法，其特征在于，所述S13中，人脸检测模型的训练过程为：
S131、将图像进行不同尺度的变换，构建图像金字塔，以适应不同大小人脸的检测；
S132、使用建议网络P-Net网络对图像金字塔进行特征提取和边框标定，使用较浅层简单的卷积神经网络快速生成人脸候选窗口，供精修网络R-Net进一步处理；
S133、精修网络R-Net对生成的候选框进行细化选择，过滤掉大部分错误输入并再次进行边界框回归和关键点定位，进一步优化过滤候选区域；
S134、输出网络O-Net通过较精修网络R-Net多出的一层卷积结构识别面部区域并回归面部的5个特征点。
3.根据权利要求1所述的口罩佩戴识别方法，其特征在于，所述S12中，标注完所有图片后，输出xml文件，保存标注信息，并将xml文件转换成txt文件，其中负样本、正样本、部分样本和关键点样本的比例为3:1:1:2，标签分别为0、1、2、3。
4.根据权利要求2所述的口罩佩戴识别方法，其特征在于，多任务卷积神经网络MTCNN将人脸区域检测与人脸关键点检测放在一起，通过建议网络P-Net、精修网络R-Net和输出网络O-Net三个网络级联，分步精调，实现人脸区域及人脸关键点坐标位置的预测，缩小基于光谱图像的口罩识别范围。
5.根据权利要求1所述的口罩佩戴识别方法，其特征在于，所用光谱仪采集的光谱图像光谱通道不少于9个，通过面部关键点定位结合人脸区域光谱图像分类辨别正确佩戴口罩与衣物遮挡情况。
CN202010906573.6A 2020-09-01 2020-09-01 口罩佩戴识别方法 Active CN112115818B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010906573.6A CN112115818B (zh) 2020-09-01 2020-09-01 口罩佩戴识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010906573.6A CN112115818B (zh) 2020-09-01 2020-09-01 口罩佩戴识别方法

Publications (2)

Publication Number Publication Date
CN112115818A CN112115818A (zh) 2020-12-22
CN112115818B true CN112115818B (zh) 2022-03-11

Family

ID=73803881

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010906573.6A Active CN112115818B (zh) 2020-09-01 2020-09-01 口罩佩戴识别方法

Country Status (1)

Country Link
CN (1) CN112115818B (zh)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112686214A (zh) * 2021-01-26 2021-04-20 重庆大学 一种基于Retinaface算法的人脸口罩检测系统和方法
CN112766208A (zh) * 2021-01-28 2021-05-07 北京三快在线科技有限公司 一种模型训练的方法及装置
CN112906556A (zh) * 2021-02-09 2021-06-04 贵州大学 一种用于口罩佩戴检测的数据预处理方法
CN112818901B (zh) * 2021-02-22 2023-04-07 成都睿码科技有限责任公司 一种基于眼部注意力机制的戴口罩人脸识别方法
CN112818953A (zh) * 2021-03-12 2021-05-18 苏州科达科技股份有限公司 口罩佩戴状态识别方法、装置、设备及可读存储介质
CN113239739B (zh) * 2021-04-19 2023-08-01 深圳市安思疆科技有限公司 一种佩戴物的识别方法及识别装置
CN113221667B (zh) * 2021-04-20 2023-10-27 北京睿芯高通量科技有限公司 一种基于深度学习的人脸口罩属性分类方法及系统
CN113420675A (zh) * 2021-06-25 2021-09-21 浙江大华技术股份有限公司 一种口罩佩戴规范度的检测方法及装置
CN113553922A (zh) * 2021-07-05 2021-10-26 安徽中医药大学 一种基于改进型卷积神经网络口罩佩戴状态检测方法
CN113762200B (zh) * 2021-09-16 2023-06-30 深圳大学 基于lffd的口罩检测方法
CN113947795B (zh) * 2021-10-22 2022-07-26 苏州魔视智能科技有限公司 口罩佩戴检测方法、装置、设备及存储介质
CN114283462B (zh) * 2021-11-08 2024-04-09 上海应用技术大学 口罩佩戴检测方法及系统
CN114220143B (zh) * 2021-11-26 2024-04-19 华南理工大学 一种佩戴口罩的人脸识别方法
CN113963237B (zh) * 2021-12-22 2022-03-25 北京的卢深视科技有限公司 模型训练、戴口罩状态检测方法、电子设备及存储介质
CN114267077B (zh) * 2022-03-03 2022-06-21 杭州魔点科技有限公司 口罩佩戴识别的方法、系统、装置和介质
CN116631019B (zh) * 2022-03-24 2024-02-27 清华大学 基于面部图像的口罩适合性检测方法及装置
CN114663966B (zh) * 2022-05-25 2023-06-16 深圳市博德致远生物技术有限公司 基于人工智能的信息采集管理方法及相关装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017167775A1 (en) * 2016-03-30 2017-10-05 Koninklijke Philips N.V. Automated personnel identification and location, and automated procedure monitoring
CN110188730A (zh) * 2019-06-06 2019-08-30 山东大学 基于mtcnn的人脸检测与对齐方法
CN110381293A (zh) * 2019-06-18 2019-10-25 平安国际智慧城市科技股份有限公司 视频监控方法、装置及计算机可读存储介质
CN111428604A (zh) * 2020-03-19 2020-07-17 上海东普信息科技有限公司 面部佩戴口罩识别方法、装置、设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017167775A1 (en) * 2016-03-30 2017-10-05 Koninklijke Philips N.V. Automated personnel identification and location, and automated procedure monitoring
CN110188730A (zh) * 2019-06-06 2019-08-30 山东大学 基于mtcnn的人脸检测与对齐方法
CN110381293A (zh) * 2019-06-18 2019-10-25 平安国际智慧城市科技股份有限公司 视频监控方法、装置及计算机可读存储介质
CN111428604A (zh) * 2020-03-19 2020-07-17 上海东普信息科技有限公司 面部佩戴口罩识别方法、装置、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于视频的轨道交通车站乘客口罩佩戴检测及测温技术;谢征宇 等;《中国铁路》;20200315;第126-131页 *

Also Published As

Publication number Publication date
CN112115818A (zh) 2020-12-22

Similar Documents

Publication Publication Date Title
CN112115818B (zh) 口罩佩戴识别方法
US20200272902A1 (en) Pedestrian attribute identification and positioning method and convolutional neural network system
Nguwi et al. Detection and classification of road signs in natural environments
CN108288033B (zh) 一种基于随机蕨融合多特征的安全帽检测方法
US7912253B2 (en) Object recognition method and apparatus therefor
CN107273832B (zh) 基于积分通道特征与卷积神经网络的车牌识别方法及系统
Sahoo et al. Hand gesture recognition using PCA based deep CNN reduced features and SVM classifier
CN110826408B (zh) 一种分区域特征提取人脸识别方法
CN108647625A (zh) 一种表情识别方法及装置
CN114937232B (zh) 医废处理人员防护用具穿戴检测方法、系统和设备
CN110599463B (zh) 一种基于轻量级联神经网络的舌像检测及定位算法
CN116596875B (zh) 晶圆缺陷检测方法、装置、电子设备及存储介质
WO2022252737A1 (zh) 图像处理方法及装置、处理器、电子设备及存储介质
CN111401278A (zh) 安全帽识别方法、装置、电子设备及存储介质
CN113239805A (zh) 基于mtcnn的口罩佩戴识别方法
CN111881789B (zh) 肤色识别方法、装置、计算设备及计算机存储介质
Pattanaworapan et al. Signer-independence finger alphabet recognition using discrete wavelet transform and area level run lengths
Lee et al. Automatic recognition of flower species in the natural environment
CN108416304B (zh) 一种利用上下文信息的三分类人脸检测方法
Ahmed et al. Traffic sign detection and recognition model using support vector machine and histogram of oriented gradient
CN114399799A (zh) 一种基于YOLOv5网络的口罩佩戴检测方法
Amosov et al. Human localization in the video stream using the algorithm based on growing neural gas and fuzzy inference
Karahan et al. Age and gender classification from facial features and object detection with machine learning
CN105760828A (zh) 一种基于视觉的静态手势识别方法
CN114332058A (zh) 基于神经网络的血清质量识别方法、装置、设备及介质

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