CN112434578B - 口罩佩戴规范性检测方法、装置、计算机设备和存储介质 - Google Patents

口罩佩戴规范性检测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN112434578B
CN112434578B CN202011266984.XA CN202011266984A CN112434578B CN 112434578 B CN112434578 B CN 112434578B CN 202011266984 A CN202011266984 A CN 202011266984A CN 112434578 B CN112434578 B CN 112434578B
Authority
CN
China
Prior art keywords
mask
pixel
face image
region
acquiring
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
CN202011266984.XA
Other languages
English (en)
Other versions
CN112434578A (zh
Inventor
俞依杰
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.)
Zhejiang Dahua Technology Co Ltd
Original Assignee
Zhejiang Dahua 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 Zhejiang Dahua Technology Co Ltd filed Critical Zhejiang Dahua Technology Co Ltd
Priority to CN202011266984.XA priority Critical patent/CN112434578B/zh
Publication of CN112434578A publication Critical patent/CN112434578A/zh
Application granted granted Critical
Publication of CN112434578B publication Critical patent/CN112434578B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/24—Classification techniques
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种口罩佩戴规范性检测方法、装置、计算机设备和存储介质，该方法包括：获取待检测的人脸图像；根据所述人脸图像，判断所述人脸图像中的口罩存在状态；当判断所述人脸图像中存在口罩时，获取所述人脸图像的多个关键点，并根据所述关键点提取多个目标区域；对多个所述目标区域进行像素点特征计算，得到像素特征值；基于所述像素特征值，判断与所述人脸图像对应的行人的口罩佩戴状态是否规范。本申请在实现降低检测成本的同时，可以提高口罩佩戴状态的检测准确率。

Description

口罩佩戴规范性检测方法、装置、计算机设备和存储介质
技术领域
本申请涉及图像识别技术领域，特别是涉及一种口罩佩戴规范性检测方法、装置、计算机设备和存储介质。
背景技术
在疫情防控的过程中，口罩的佩戴在减轻疫情传播方面至关重要，因此各小区、超市、车站等人群流量较大点地方都有工作人员检查口罩佩戴情况，若行人口罩佩戴不规范，例如口罩只遮住嘴巴或者只是挂在下巴上，工作人员会提示该行人重新戴好口罩。但是该检查方法需要耗费大量人力，检测效果依赖于检查人员个人的识别能力及工作态度，并且在人流量大时可能出现漏检等情况。
现有的自动人脸口罩检测方案利用闸机或热成像人体测温仪等设备上的相机对人脸上是否带有口罩进行检测，当发现不规范的口罩佩戴人员时，不能有效地判断该佩戴人员的口罩佩戴状态，并没有起到安全防范的效果。
相关技术中通过图像识别来判断人脸的口罩佩戴状态，如根据人脸区域中口罩的纹理特征以及人脸区域的口罩覆盖面积信息来确定口罩佩戴情况。但是不同个体人脸所佩戴口罩的情况差别极大，过强的先验无疑会导致该方法的鲁棒性不足，在遇到人脸姿态过大的情况时，口罩的纹理特征、口罩覆盖面积也将有极大的不同，预设条件将无法再作为判断依据，且该方法需要预先人为设置口罩纹理数据库来作为对比依据，耗费大量的人力成本。
发明内容
本申请实施例提供了一种口罩佩戴规范性检测方法、装置、计算机设备和存储介质，以至少解决相关技术中口罩佩戴规范性检测方法人力成本高、检测效率低的问题。
第一方面，本申请实施例提供了一种口罩佩戴规范性检测方法，包括：
获取待检测的人脸图像；
根据所述人脸图像，判断所述人脸图像中的口罩存在状态；
当判断所述人脸图像中存在口罩时，获取所述人脸图像的多个关键点，并根据所述关键点提取多个目标区域；
对多个所述目标区域进行像素点特征计算，得到像素特征值；
基于所述像素特征值，判断与所述人脸图像对应的行人的口罩佩戴状态是否规范。
在其中一些实施例中，所述目标区域包括：鼻头区域、嘴巴区域和下巴区域，则当判断所述人脸图像中存在口罩时，获取所述人脸图像的多个关键点，并根据所述关键点提取多个目标区域包括：
当判断所述人脸图像中存在口罩时，获取所述人脸图像的多个关键点；
基于所述关键点获取鼻头关键点、嘴巴关键点和下巴关键点；
根据所述鼻头关键点获取鼻头区域、根据所述嘴巴关键点获取嘴巴区域以及根据所述下巴关键点获取下巴区域。
在其中一些实施例中，根据所述鼻头关键点获取鼻头区域、根据所述嘴巴关键点获取嘴巴区域以及根据所述下巴关键点获取下巴区域，包括：
对鼻头关键点、嘴巴关键点和下巴关键点分别进行非凸形状填充，得到鼻头区域、嘴巴区域和下巴区域。
在其中一些实施例中，所述对多个所述目标区域进行像素点特征计算，得到像素特征值，包括：
根据多个所述目标区域的像素值，分别计算对应目标区域的第一像素均值和第一像素方差；
基于多个所述目标区域的第一像素方差得到第一整体标准差；
基于多个所述目标区域的第一像素均值和第一整体标准差，判断与所述人脸图像对应的人脸的口罩佩戴状态是否规范。
在其中一些实施例中，根据多个所述目标区域的像素值，分别计算对应目标区域的第一像素均值和第一像素方差之后，还包括：
基于多个所述目标区域的第一像素方差和像素值，计算得到对应目标区域的第二像素均值和第二像素方差；
基于多个所述目标区域的第二像素方差得到对应目标区域的第二整体标准差；
基于所述第二像素均值和第二整体标准差，判断与所述人脸图像对应的人脸的口罩佩戴状态是否规范。
在其中一些实施例中，基于多个所述目标区域的第一像素均值和第一整体标准差，判断与所述人脸图像对应的人脸的口罩佩戴状态是否规范，包括：
当鼻头区域与嘴巴区域的第一像素均值之差小于第一均值阈值、鼻头区域与下巴区域的第一像素均值之差大于第二均值阈值且第一整体标准差大于第一整体标准差阈值时，判定口罩仅覆盖所述人脸图像中的下巴区域，所述口罩佩戴状态为不规范。
在其中一些实施例中，基于多个所述目标区域的第一像素均值和第一整体标准差，判断与所述人脸图像对应的人脸的口罩佩戴状态是否规范，包括：
当嘴巴区域与下巴区域的第一像素均值之差小于第一均值阈值、嘴巴区域和鼻头区域的第一像素均值之差大于第二均值阈值且第一整体标准差大于第二整体标准差阈值时，判定口罩仅覆盖所述人脸图像中的嘴巴区域和下巴区域，所述口罩佩戴状态为不规范；所述第二均值阈值大于所述第一均值阈值；
否则，判定口罩覆盖所述人脸图像中的鼻头区域、嘴巴区域和下巴区域，所述口罩佩戴状态为规范。
在其中一些实施例中，基于所述像素特征值，判断与所述人脸图像对应的行人的口罩佩戴状态是否规范之后，还包括：
获取检测场景；所述检测场景包括防疫场景和识别场景；
当所述检测场景为防疫场景时，若所述口罩佩戴状态为不规范，则返回禁止行人通行信息，并获取所述行人的身份信息进行系统录入；
在所述检测状态为识别场景的情况下，若所述口罩佩戴状态为不规范，则根据预设规则确定是否返回禁止行人通行信息，以及是否获取所述行人的身份信息进行系统录入。
在其中一些实施例中，获取所述人脸图像的多个关键点，并根据所述关键点提取多个目标区域之前，还包括：
通过灰度变换对所述人脸图像进行图像增强。
第二方面，本申请实施例提供了一种口罩佩戴规范性检测装置，包括：
人脸图像获取单元，用于获取待检测的人脸图像；
口罩存在状态判断单元，用于根据所述人脸图像，判断所述人脸图像中的口罩存在状态；
目标区域提取单元，用于当判断所述人脸图像中存在口罩时，获取所述人脸图像的多个关键点，并根据所述关键点提取多个目标区域；
像素特征值计算单元，用于对多个所述目标区域进行像素点特征计算，得到像素特征值；
口罩佩戴状态判断单元，用于基于所述像素特征值，判断与所述人脸图像对应的行人的口罩佩戴状态是否规范。
第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器以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，所述处理器执行所述计算机程序时实现如上述第一方面所述的口罩佩戴规范性检测方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的口罩佩戴规范性检测方法。
相比于相关技术，本申请实施例提供的口罩佩戴规范性检测方法，通过根据所述人脸图像，判断所述人脸图像中的口罩存在状态，并当判断所述人脸图像中存在口罩时，根据人脸图像中的关键点提取多个目标区域；对多个所述目标区域进行像素点特征计算得到像素特征值，基于所述像素特征值，判断与所述人脸图像对应的行人的口罩佩戴状态是否规范。本申请没有复杂的预设条件，不需要预设口罩纹理模板库进行口罩特征对比，而是利用图像的数字特征进行计算检测，能够减少口罩纹理库纹理特征多样性和人脸特征多样性对口罩佩戴规范检测的影响，适应更多的人群和场景，对大姿态的人脸的口罩佩戴状况也有很好的检测效果，在实现降低检测成本的同时，可以提高口罩佩戴状态的检测准确率。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的口罩佩戴规范性检测方法的应用场景示意图；
图2是本申请其中一个实施例中口罩佩戴规范性检测方法的流程示意图；
图3是本申请其中一个实施例中提取多个目标区域的流程示意图；
图4是本申请其中一个实施例中68点人脸关键点的示意图；
图5本申请其中一个实施例中目标区域的划分示意图；
图6本申请其中一个实施例中口罩佩戴规范性检测装置的结构框图；
图7本申请其中一个实施例中计算机设备的结构示意图。
附图说明：102、监控设备；104/71、处理器；201、人脸图像获取单元；202、口罩存在状态判断单元；203、目标区域提取单元；204、像素特征值计算单元；205、口罩佩戴状态判断单元；70、总线；72、存储器；73、通信接口。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
本实施例提供的口罩佩戴规范性检测方法可以应用于如防疫、医用或实验等场景下口罩佩戴状况检测过程中。图1是根据本申请实施例的口罩佩戴规范性检测方法的应用场景示意图，如图1所示，通过监控设备102获取待检测的人脸图像，处理器104基于所述人脸图像判断与所述人脸图像对应的行人的口罩佩戴状态是否规范，从而对行人进行阻断或放行，达到安全防范的效果。其中，监控设备102可以为摄像头或者相机，处理器104可以由服务器或者芯片实现。
本实施例提供了一种口罩佩戴规范性检测方法。图2是根据本申请实施例的口罩佩戴规范性检测方法的流程图，如图2所示，该流程包括如下步骤：
步骤S101，获取待检测的人脸图像。
步骤S102，根据所述人脸图像，判断所述人脸图像中的口罩存在状态。
在本实施例中，可以基于使用基于深度学习的人脸检测算法得到待检测的人脸图像，然后通过口罩分类算法确定人脸图像中的口罩存在状态。具体地，可以采用语义分割算法对人脸图像中的口罩进行识别。可以通过口罩分类算法确定人脸图像中的口罩存在状态，如基于深度学习的语义分割算法Unet，能够使用很少的训练图像得到较为精确的分割结果，同时该算法还能保证较高的图像处理速度，并不会对人脸识别的实时性产生较大影响。通过该语义分割算法能够得到人脸图像中所有属于口罩的像素，从而能够将口罩区域精确地分割出来。
步骤S103，当判断所述人脸图像中存在口罩时，获取所述人脸图像的多个关键点，并根据所述关键点提取多个目标区域。
在本实施例中，当判断所述人脸图像中存在口罩时，需要通过人脸关键点提起进一步判定所述人脸图像对应的行人的口罩佩戴状态是否规范。
其中，所述人脸关键点检测也称为人脸关键点检测、定位或者人脸对齐，是指给定人脸图像，定位出人脸面部的关键区域位置，包括眉毛、眼睛、鼻子、嘴巴、脸部轮廓等。可以通过人脸关键点提取算法对人脸图像中的关键点进行提取，本实施例中的人脸关键点提取算法可以为21点关键点检测、68点关键点检测或者81点关键点检测。通常情况下，关键点会标注眉、眼、鼻、嘴和下巴等区域，因此可以根据人脸图像中关键点的位置对人脸图像进行分割得到目标区域的位置。其中，本实施例中的目标区域的位置和数量可以根据检测需求进行设置，本申请不做具体限定。
步骤S104，对多个所述目标区域进行像素点特征计算，得到像素特征值。
在本实施例中，所述像素特征计算可以是基于对应目标区域的像素点的极差、均值、方差等统计特征值，通过对所述多个所述目标区域的进行像素点特征计算，得到像素特征值，可以得到对应目标区域的像素值统计结果。
步骤S105，基于所述像素特征值，判断与所述人脸图像对应的行人的口罩佩戴状态是否规范。
在本实施例中，人脸中的口罩佩戴情况是通过口罩是否正确覆盖指定位置的目标区域来判断的。根据所述像素特征值，可以判定对应目标区域是否有口罩覆盖，进而得到所述人脸图像对应的行人的口罩佩戴状态。例如，可以基于所述像素特征值与预设的像素阈值之差、或基于不同目标区域的像素特征值的相互关系获取对应目标区域的口罩覆盖情况。可以理解，根据不同检测场景下不同的覆盖标准，可以设置不同的判定标准，本申请不做具体限定。
综上，本申请实施例提供的口罩佩戴规范性检测方法，通过根据所述人脸图像，判断所述人脸图像中的口罩存在状态，并当判断所述人脸图像中存在口罩时，根据人脸图像的关键点提取多个目标区域；对多个所述目标区域进行像素点特征计算得到像素特征值，基于所述像素特征值，判断与所述人脸图像对应的行人的口罩佩戴状态是否规范。本申请没有复杂的预设条件，不需要预设口罩纹理模板库进行口罩特征对比，而是利用图像的数字特征进行计算检测，能够适应更多的人群和场景，同时不会人脸的巨大差异导致计算出来的口罩和人脸面积比例不对而导致的错误判断，对大姿态的人脸的口罩佩戴状况也有很好的检测效果，在实现降低检测成本的同时，可以提高口罩佩戴状态的检测准确率。
下面通过优选实施例对本申请实施例进行描述和说明。
在其中一些实施例中，可以使用基于深度学习的人脸检测算法获取待检测的人脸图像，例如，基于RetinaNet和TinyYolo的人脸检测算法实现人脸目标的获取。其中，RetinaNet目标检测算法是一种通用的目标检测算法，通过对图像中的左眼、右眼、鼻尖和嘴角进行检测获取目标，解决了正负样本比例严重失衡的问题。本实施例中采用RetinaNet的检测头来进行人脸检测。而TinyYolo是在Yolo的基础上经过进一步轻量化设计得到的，Yolo也是一种通用的目标检测算法，为了能够将本申请中的方法用于内存较小的芯片设备，本实施例中将方法的骨干网络替换为TinyYolo的轻量化骨干网络，去掉了Yolo使用的darknet网络中的残差结构，使用下采样分别为8、16、32的输出特征作为RetinaNet检测头的输入。
如图3所示，在上述实施例的基础上，在其中一些实施例中，所述目标区域包括：鼻头区域、嘴巴区域和下巴区域，则步骤S103，包括：
步骤S1031，当判断所述人脸图像中存在口罩时，获取所述人脸图像的多个关键点；
步骤S1032，基于所述关键点获取鼻头关键点、嘴巴关键点和下巴关键点；
步骤S1033，根据所述鼻头关键点获取鼻头区域、根据所述嘴巴关键点获取嘴巴区域以及根据所述下巴关键点获取下巴区域。
在本实施例中，采用68点人脸关键点提取算法进行人脸关键点的提取，图4是根据本申请实施例的68点人脸关键点的示意图，如图4所示，图中序号0至67表示不同的关键点，本实施例中的68点人脸关键点提取算法是利用神经网络非线性映射能力学习面部图像到关键点的映射，得到的面部特征点有着固定的序号顺序，通过这些关键点序号，可以很容易地得到需要的目标区域。例如，序号30至35始终代表鼻头的位置，可以作为鼻头区域关键点；序号36至45代表眼睛的位置，可以作为眼区域关键点；序号61至63与65至67始终代表嘴唇的中心位置，可以作为嘴巴区域关键点，序号5至11始终代表下巴的位置，可以作为下巴区域关键点，因此本方法可通过这些关键点来提取对应的目标区域。
在上述实施例的基础上，在其中一些实施例中，步骤S1033，包括：对鼻头关键点、嘴巴关键点和下巴关键点分别进行非凸形状填充，得到鼻头区域、嘴巴区域和下巴区域。具体的，将鼻头关键点之间形成的区域确定为鼻头区域、将嘴巴关键点之间形成的区域确定为嘴巴区域，以及将下巴关键点之间形成的区域确定为下巴区域。
在上述实施例的基础上，在其中一些实施例中，对多个所述目标区域进行像素点特征计算，得到像素特征值，具体包括：根据多个所述目标区域的像素值，分别计算对应目标区域的第一像素均值和第一像素方差；基于多个所述目标区域的第一像素方差得到第一整体标准差；基于多个所述目标区域的第一像素均值和第一整体标准差，判断与所述人脸图像对应的人脸的口罩佩戴状态是否规范。
在本实施例中，存在4种口罩佩戴情况：1、未佩戴口罩；2、口罩覆盖鼻子、嘴巴和下巴，视为正常佩戴；3、口罩仅覆盖嘴部；4、口罩仅覆盖下巴。因此，鼻头区域、嘴巴区域和下巴区域为三个重要区域。图5是根据本申请实施例的目标区域的划分示意图。如图5所示，本实施例中的目标区域设置为鼻区域、嘴巴区域和下巴区域，可以根据这三个目标区域的像素特征值判断行人的口罩佩戴情况。
具体的，首先，根据多个所述目标区域的像素值，分别计算对应目标区域的第一像素均值，所述第一像素均值表示信号中直流分量的大小，用E(x)表示。在图像中一般表示为：
其中，x为目标区域中的各个像素点的像素值，n为感兴趣区中像素值总量，对于高斯白噪声信号而言，它的均值为0。
然后，基于目标区域的第一像素均值计算得到第一像素方差，所述第一像素方差描述信号的波动范围，表示信号中交流分量的强弱，在图像中表示为：
进一步的，基于多个所述目标区域的第一像素方差得到第一整体标准差，标准差是方差的算术平方根，能反映一个数据集的离散程度。由于部分人脸在没有佩戴口罩的情况下，上述三个目标区域的第一像素均值也会较为相似，通过增加整体标准差的约束，将第一整体标准差作为是否规范佩戴口罩的判断依据之一，能够使得口罩佩戴的判断更为准确。
最后，基于多个所述目标区域的第一像素均值和第一整体标准差与预设阈值进行比对，来综合判断与所述人脸图像对应的人脸的口罩佩戴状态是否规范，具体如下：
在一种具体的实施方式中，当鼻头区域与嘴巴区域的第一像素均值之差小于第一均值阈值、鼻头区域与下巴区域的第一像素均值之差大于第二均值阈值且第一整体标准差大于第一整体标准差阈值时，判定口罩仅覆盖所述人脸图像中的下巴区域，所述口罩佩戴状态为不规范。具体的，可通过下式进行判断：
在上式中，e为像素均值，m，j，n分别代表嘴巴、下巴和鼻头，s为第一整体标准差，对应的，em为嘴巴区域的像素均值，en为鼻头区域的像素均值，ej为下巴区域的像素均值。θ1为第一预设阈值(即均值下界)，θ2为第二预设阈值(即均值上界)，τ1为第一整体标准差阈值。其中，所述第一预设阈值θ1、第二预设阈值θ2和所述第一整体标准差阈值τ1可根据人脸图像统计结果或实际应用场景进行适应性设置，本申请不做具体限定。在本实施例中，当鼻头区域与嘴巴区域的第一像素均值之差小于第一均值阈值时，即满足式(3)约束条件时，可以判断口罩均覆盖所述鼻头区域与嘴巴区域或均未覆盖所述鼻头区域与嘴巴区域。在满足式(3)约束条件的前提下，当鼻头区域与下巴区域的第一像素均值之差大于第二均值阈值时，即满足式(4)约束条件时，可以判断口罩均未覆盖所述鼻头区域与嘴巴区域。需要说明的是，所述第一整体标准差阈值对应当口罩仅覆盖下巴区域时的人脸图像中目标区域像素点的整体标准差，当第一整体标准差大于第一整体标准差阈值时，即满足式(5)约束条件时，可以辅助判定所述口罩均未覆盖所述鼻头区域与嘴巴区域，即口罩覆盖情况为覆盖下巴区域，提高判定结果的准确性。
在上述实施例的基础上，在一种具体的实施方式中，当嘴巴区域与下巴区域的第一像素均值之差小于第一均值阈值、嘴巴区域和鼻头区域的第一像素均值之差大于第二均值阈值且第一整体标准差大于第二整体标准差阈值时，判定口罩仅覆盖所述人脸图像中的嘴巴区域和下巴区域，所述口罩佩戴状态为不规范；所述第二均值阈值大于所述第一均值阈值。具体的，可通过下式进行判断：
在上式中，τ2为第二整体标准差阈值，所述第二整体标准差阈值大于第一整体标准差阈值，所述第二整体标准差阈值对应当口罩仅覆盖所述嘴巴区域与下巴区域时的人脸图像中目标区域像素点的整体标准差，可根据实际情况进行设置，例如：可以设置τ2为τ1的合理倍数。在本实施例中，当嘴巴区域与下巴区域的第一像素均值之差小于第一均值阈值时，即满足式(6)约束条件时，可以判断口罩均覆盖所述嘴巴区域与下巴区域，或均未覆盖所述嘴巴区域与下巴区域。在满足式(6)约束条件的前提下，当嘴巴区域和鼻头区域的第一像素均值之差大于第二均值阈值时，即满足式(7)约束条件时，可以判断口罩均覆盖所述嘴巴区域与下巴区域，且未覆盖鼻头区域。当第二整体标准差大于第二整体标准差阈值时，即满足式(8)约束条件时，可以辅助判定所述口罩覆盖情况为仅覆盖所述嘴巴区域与下巴区域。
否则，当所述嘴巴区域、鼻头区域和下巴区域的像素均值以及第一整体标准差阈值均不满足上述(3)-(8)的约束条件时，判定口罩覆盖所述人脸图像中的鼻头区域、嘴巴区域和下巴区域，所述口罩佩戴状态为规范。
在上述实施例的基础上，在其中一些实施例中，考虑到每个人人脸的肤色差异较大，而口罩的色差则相对稳定，直接利用第一像素均值和第一整体标准差来判断，判断阈值将很难界定。为了降低判断阈值的数值，可以进一步使用三个目标区域第一像素方差作为三个输入值分别求解对应目标区域的第二像素均值和第二整体标准差，使得判断结果更为精确。具体为：基于多个所述目标区域的第一像素方差和像素值作为第二像素均值计算公式的输入，计算得到对应目标区域的第二像素均值和第二像素方差；基于多个所述目标区域的第二像素方差得到对应目标区域的第二整体标准差；基于所述第二像素均值和第二整体标准差，判断与所述人脸图像对应的人脸的口罩佩戴状态是否规范。所述第二像素均值、第二像素方差和第二整体标准差的求解方法与前述相同，本申请在此不做赘述。
在上述实施例的基础上，在其中一些实施例中，步骤S105之后，还包括：
步骤S106，获取检测场景；所述检测场景包括防疫场景和识别场景；
步骤S107，当所述检测场景为防疫场景时，若所述口罩佩戴状态为不规范，则返回禁止行人通行信息，并获取所述行人的身份信息进行系统录入；
步骤S108，在所述检测状态为识别场景的情况下，若所述口罩佩戴状态为不规范，则根据预设规则确定是否返回禁止行人通行信息，以及是否获取所述行人的身份信息进行系统录入。
在本实施例中，可以设置不同等级的检测状态，以灵活调整针对不同口罩佩戴状态的行人的措施，具体为，在判断与人脸图像对应的行人的口罩佩戴状态是否规范之后，获取检测状态，其中，检测状态可以根据实际场景设置为一级、二级和三级，代表不同的检测等级，每个检测等级的严格程度都不相同，在本实施例中，检测状态分为防疫和识别两种，且防疫场景下的检测更为严格。
在检测状态为防疫的情况下，若口罩佩戴状态为不规范，则返回禁止行人通行信息，并获取行人的身份信息进行系统录入，本实施例中的不规范包括没有佩戴口罩、口罩仅覆盖下巴、以及口罩仅覆盖嘴巴和下巴，行人的身份信息包括姓名、工号等，身份信息可以通过对行人进行人脸识别，将识别结果与预先存储的人脸库进行对比得到。具体地，将待检测人脸图像中的人脸特征与人脸库中预先存储的人脸特征进行匹配，在匹配成功的条件下，将人脸图像中行人的口罩佩戴状态与行人的身份信息进行关联，上传到后端进行统计操作。
在检测状态为识别的情况下，若口罩佩戴状态为不规范，则根据预设规则确定是否返回禁止行人通行信息，以及是否获取所述行人的身份信息进行系统录入。识别场景下对行人的口罩佩戴要求较低，是否返回禁止行人通行信息，以及是否获取所述行人的身份信息进行系统录入都可以根据实际场景灵活设置。例如，可以设置在行人未佩戴口罩，以及行人的口罩仅覆盖下巴的情况下，获取行人的身份信息并上传到后端进行统计操作，但是返回允许行人通行信息。
通过本实施例中的方法，可以分别设置各个安检口的检测状态，提升安检效果和效率，且各个安检口之间的通行效率互不影响。
在上述实施例的基础上，在其中一些实施例中，步骤S103之前，还包括：通过灰度变换对所述人脸图像进行图像增强。
在本实施例中，在获取所述人脸图像的多个关键点之前，需要对人脸图像进行预处理操作，例如通过灰度变换对人脸图像进行图像增强，本实施例中采用直方图均衡化来增强图像。其中，直方图均衡化是一种常用的灰度变换方法，实质上是对图像进行非线性拉伸，重新分配图像的像素值，使一定灰度范围内像素值的数量大致相等，达到图像增强的目的。通常情况下，使用累积分布函数对图像进行映射处理，使得处理后像素在各个灰度范围内均匀分布。
累计分布函数单调递增的性质和0到1的值域能够使得像素无论怎样映射都能保证原来的大小关系不变，同时保证像素映射函数的值域在0到255之间，不会越界，如公式4所示：
在公式(9)中，sk表示像素的累积概率，n是图像中像素的总和，nk是当前灰度级的像素个数，L是图像中可能的灰度级总数，L-1为灰度范围，j表示当前灰度级下的像素编号。对人脸图像中的每个像素求得累计概率后，再乘上灰度范围即可得到每个像素在映射后的灰度值。
需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例还提供了一种口罩佩戴规范性检测装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图6是根据本申请实施例的口罩佩戴规范性检测装置的结构框图，如图6所示，该装置包括：人脸图像获取单元201、口罩存在状态判断单元202、目标区域提取单元203、像素特征值计算单元204和口罩佩戴状态判断单元205。
人脸图像获取单元201，用于获取待检测的人脸图像；
口罩存在状态判断单元202，用于根据所述人脸图像，判断所述人脸图像中的口罩存在状态；
目标区域提取单元203，用于当判断所述人脸图像中存在口罩时，获取所述人脸图像的多个关键点，并根据所述关键点提取多个目标区域；
像素特征值计算单元204，用于对多个所述目标区域进行像素点特征计算，得到像素特征值；
口罩佩戴状态判断单元205，用于基于所述像素特征值，判断与所述人脸图像对应的行人的口罩佩戴状态是否规范。
在其中一个实施例中，所述目标区域包括：鼻头区域、嘴巴区域和下巴区域，则目标区域提取单元203包括：关键点获取模块、子关键点获取模块和目标区域获取模块。
关键点获取模块，用于当判断所述人脸图像中存在口罩时，获取所述人脸图像的多个关键点；
子关键点获取模块，用于基于所述关键点获取鼻头关键点、嘴巴关键点和下巴关键点；
目标区域获取模块，用于根据所述鼻头关键点获取鼻头区域、根据所述嘴巴关键点获取嘴巴区域以及根据所述下巴关键点获取下巴区域。
在其中一个实施例中，目标区域获取模块，具体用于：
对鼻头关键点、嘴巴关键点和下巴关键点分别进行非凸形状填充，得到鼻头区域、嘴巴区域和下巴区域。
在其中一个实施例中，所述像素特征值计算单元204，包括：第一计算模块、第二计算模块和第一判断模块。
第一计算模块，用于根据多个所述目标区域的像素值，分别计算对应目标区域的第一像素均值和第一像素方差；
第二计算模块，用于基于多个所述目标区域的第一像素方差得到第一整体标准差；
第一判断模块，用于基于多个所述目标区域的第一像素均值和第一整体标准差，判断与所述人脸图像对应的人脸的口罩佩戴状态是否规范。
在其中一个实施例中，所述像素特征值计算单元204，还包括：第三计算模块、第四计算模块和第二判断模块。
第三计算模块，用于基于多个所述目标区域的第一像素方差和像素值，计算得到对应目标区域的第二像素均值和第二像素方差；
第四计算模块，用于基于多个所述目标区域的第二像素方差得到对应目标区域的第二整体标准差；
第二判断模块，用于基于所述第二像素均值和第二整体标准差，判断与所述人脸图像对应的人脸的口罩佩戴状态是否规范。
在其中一个实施例中，第一判断模块，具体用于：
当鼻头区域与嘴巴区域的第一像素均值之差小于第一均值阈值、鼻头区域与下巴区域的第一像素均值之差大于第二均值阈值且第一整体标准差大于第一整体标准差阈值时，判定口罩仅覆盖所述人脸图像中的下巴区域，所述口罩佩戴状态为不规范。
在其中一个实施例中，第一判断模块，具体用于：
当嘴巴区域与下巴区域的第一像素均值之差小于第一均值阈值、嘴巴区域和鼻头区域的第一像素均值之差大于第二均值阈值且第一整体标准差大于第二整体标准差阈值时，判定口罩仅覆盖所述人脸图像中的嘴巴区域和下巴区域，所述口罩佩戴状态为不规范；所述第二均值阈值大于所述第一均值阈值；
否则，判定口罩覆盖所述人脸图像中的鼻头区域、嘴巴区域和下巴区域，所述口罩佩戴状态为规范。
在其中一个实施例中，口罩佩戴规范性检测装置还包括：检测场景获取单元、第一通行判断单元和第二通行判断单元。
检测场景获取单元，用于获取检测场景；所述检测场景包括防疫场景和识别场景；
第一通行判断单元，用于当所述检测场景为防疫场景时，若所述口罩佩戴状态为不规范，则返回禁止行人通行信息，并获取所述行人的身份信息进行系统录入；
第二通行判断单元，用于在所述检测状态为识别场景的情况下，若所述口罩佩戴状态为不规范，则根据预设规则确定是否返回禁止行人通行信息，以及是否获取所述行人的身份信息进行系统录入。
在其中一个实施例中，口罩佩戴规范性检测装置还包括：图像增强单元。
图像增强单元，用于通过灰度变换对所述人脸图像进行图像增强。
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
另外，结合图2描述的本申请实施例口罩佩戴规范性检测方法可以由计算机设备来实现。图7为根据本申请实施例的计算机设备的硬件结构示意图。
计算机设备可以包括处理器71以及存储有计算机程序指令的存储器72。
具体地，上述处理器71可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中，存储器72可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器72可包括硬盘驱动器(Hard Disk Drive，简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive，简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus，简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器72可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器72可在数据处理装置的内部或外部。在特定实施例中，存储器72是非易失性(Non-Volatile)存储器。在特定实施例中，存储器72包括只读存储器(Read-Only Memory，简称为ROM)和随机存取存储器(RandomAccess Memory，简称为RAM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory，简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory，简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory，简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory，简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器(Static Random-Access Memory，简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory，简称为DRAM)，其中，DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory，简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory，简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory，简称SDRAM)等。
存储器72可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器71所执行的可能的计算机程序指令。
处理器71通过读取并执行存储器72中存储的计算机程序指令，以实现上述实施例中的任意一种口罩佩戴规范性检测方法。
在其中一些实施例中，计算机设备还可包括通信接口73和总线70。其中，如图7所示，处理器71、存储器72、通信接口73通过总线70连接并完成相互间的通信。
通信接口73用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信接口73还可以实现与其他部件例如：外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线70包括硬件、软件或两者，将计算机设备的部件彼此耦接在一起。总线70包括但不限于以下至少之一：数据总线(Data Bus)、地址总线(Address Bus)、控制总线(Control Bus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制，总线70可包括图形加速接口(Accelerated Graphics Port，简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture，简称为EISA)总线、前端总线(Front Side Bus，简称为FSB)、超传输(Hyper Transport，简称为HT)互连、工业标准架构(Industry Standard Architecture，简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数(Low Pin Count，简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture，简称为MCA)总线、外围组件互连(Peripheral Component Interconnect，简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment，简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus，简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线70可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
该计算机设备可以基于获取到的程序指令，执行本申请实施例中的口罩佩戴规范性检测方法，从而实现结合图2描述的口罩佩戴规范性检测方法。
另外，结合上述实施例中的口罩佩戴规范性检测方法，本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种口罩佩戴规范性检测方法。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种口罩佩戴规范性检测方法，其特征在于，包括：
获取待检测的人脸图像；
根据所述人脸图像，判断所述人脸图像中的口罩存在状态；
当判断所述人脸图像中存在口罩时，获取所述人脸图像的多个关键点，并根据所述关键点提取多个目标区域；
对多个所述目标区域进行像素点特征计算，得到像素特征值；
基于所述像素特征值，判断与所述人脸图像对应的行人的口罩佩戴状态是否规范；
所述目标区域包括：鼻头区域、嘴巴区域和下巴区域，则当判断所述人脸图像中存在口罩时，获取所述人脸图像的多个关键点，并根据所述关键点提取多个目标区域包括：
当判断所述人脸图像中存在口罩时，获取所述人脸图像中的多个关键点；
基于所述关键点获取鼻头关键点、嘴巴关键点和下巴关键点；
根据所述鼻头关键点获取鼻头区域、根据所述嘴巴关键点获取嘴巴区域以及根据所述下巴关键点获取下巴区域；
所述对多个所述目标区域进行像素点特征计算，得到像素特征值，包括：
根据多个所述目标区域的像素值，分别计算对应目标区域的第一像素均值和第一像素方差；
基于多个所述目标区域的第一像素方差得到第一整体标准差；
基于多个所述目标区域的第一像素均值和第一整体标准差，判断与所述人脸图像对应的人脸的口罩佩戴状态是否规范。
2.根据权利要求1所述的口罩佩戴规范性检测方法，其特征在于，根据所述鼻头关键点获取鼻头区域、根据所述嘴巴关键点获取嘴巴区域以及根据所述下巴关键点获取下巴区域，包括：
对鼻头关键点、嘴巴关键点和下巴关键点分别进行非凸形状填充，得到鼻头区域、嘴巴区域和下巴区域。
3.根据权利要求1所述的口罩佩戴规范性检测方法，其特征在于，根据多个所述目标区域的像素值，分别计算对应目标区域的第一像素均值和第一像素方差之后，还包括：
基于多个所述目标区域的第一像素方差和像素值，计算得到对应目标区域的第二像素均值和第二像素方差；
基于多个所述目标区域的第二像素方差得到对应目标区域的第二整体标准差；
基于所述第二像素均值和第二整体标准差，判断与所述人脸图像对应的人脸的口罩佩戴状态是否规范；
其中，所述第二像素均值、所述第二像素方差为所述目标区域内基于所述第一像素方差作为输入值得到的用于降低判断阈值的参数值。
4.根据权利要求1所述的口罩佩戴规范性检测方法，其特征在于，基于多个所述目标区域的第一像素均值和第一整体标准差，判断与所述人脸图像对应的人脸的口罩佩戴状态是否规范，包括：
当鼻头区域与嘴巴区域的第一像素均值之差小于第一均值阈值、鼻头区域与下巴区域的第一像素均值之差大于第二均值阈值且第一整体标准差大于第一整体标准差阈值时，判定口罩仅覆盖所述人脸图像中的下巴区域，所述口罩佩戴状态为不规范。
5.根据权利要求4所述的口罩佩戴规范性检测方法，其特征在于，基于多个所述目标区域的第一像素均值和第一整体标准差，判断与所述人脸图像对应的人脸的口罩佩戴状态是否规范，包括：
当嘴巴区域与下巴区域的第一像素均值之差小于第一均值阈值、嘴巴区域和鼻头区域的第一像素均值之差大于第二均值阈值且第一整体标准差大于第二整体标准差阈值时，判定口罩仅覆盖所述人脸图像中的嘴巴区域和下巴区域，所述口罩佩戴状态为不规范；所述第二均值阈值大于所述第一均值阈值；
否则，判定口罩覆盖所述人脸图像中的鼻头区域、嘴巴区域和下巴区域，所述口罩佩戴状态为规范。
6.根据权利要求1所述的口罩佩戴规范性检测方法，其特征在于，基于所述像素特征值，判断与所述人脸图像对应的行人的口罩佩戴状态是否规范之后，还包括：
获取检测场景；所述检测场景包括防疫场景和识别场景；
当所述检测场景为防疫场景时，若所述口罩佩戴状态为不规范，则返回禁止行人通行信息，并获取所述行人的身份信息进行系统录入；
在所述检测场景为识别场景的情况下，若所述口罩佩戴状态为不规范，则根据预设规则确定是否返回禁止行人通行信息，以及是否获取所述行人的身份信息进行系统录入。
7.根据权利要求1所述的口罩佩戴规范性检测方法，其特征在于，获取所述人脸图像的多个关键点，并根据所述关键点提取多个目标区域之前，还包括：
通过灰度变换对所述人脸图像进行图像增强。
8.一种口罩佩戴规范性检测装置，其特征在于，包括：
人脸图像获取单元，用于获取待检测的人脸图像；
口罩存在状态判断单元，用于根据所述人脸图像，判断所述人脸图像中的口罩存在状态；
目标区域提取单元，用于当判断所述人脸图像中存在口罩时，获取所述人脸图像的多个关键点，并根据所述关键点提取多个目标区域；
像素特征值计算单元，用于对多个所述目标区域进行像素点特征计算，得到像素特征值；
口罩佩戴状态判断单元，用于基于所述像素特征值，判断与所述人脸图像对应的行人的口罩佩戴状态是否规范。
9.一种计算机设备，包括存储器、处理器以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计算机程序时实现如权利要求1至7中任一项所述的口罩佩戴规范性检测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至7中任一项所述的口罩佩戴规范性检测方法。
CN202011266984.XA 2020-11-13 2020-11-13 口罩佩戴规范性检测方法、装置、计算机设备和存储介质 Active CN112434578B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011266984.XA CN112434578B (zh) 2020-11-13 2020-11-13 口罩佩戴规范性检测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011266984.XA CN112434578B (zh) 2020-11-13 2020-11-13 口罩佩戴规范性检测方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN112434578A CN112434578A (zh) 2021-03-02
CN112434578B true CN112434578B (zh) 2023-07-25

Family

ID=74699965

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011266984.XA Active CN112434578B (zh) 2020-11-13 2020-11-13 口罩佩戴规范性检测方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN112434578B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112906651B (zh) * 2021-03-25 2023-07-11 中国联合网络通信集团有限公司 目标检测方法及装置
CN113221703B (zh) * 2021-04-30 2024-06-11 平安科技（深圳）有限公司 基于无服务边缘计算的佩戴口罩监测方法、装置及设备
CN113314230A (zh) * 2021-05-27 2021-08-27 创新奇智(上海)科技有限公司 基于大数据的智能防疫方法、装置、设备及存储介质
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
CN113822152A (zh) * 2021-08-09 2021-12-21 中标慧安信息技术股份有限公司 用于监测市场内部食品商户衣着情况的方法
CN113837160B (zh) * 2021-11-29 2022-04-22 天津市中环系统工程有限责任公司 一种无预设信息下的常住人员和车辆识别方法
CN114255517B (zh) * 2022-03-02 2022-05-20 中运科技股份有限公司 一种基于人工智能分析的景区游客行为监测系统及方法
CN115205951B (zh) * 2022-09-16 2022-12-20 深圳天海宸光科技有限公司 一种戴口罩人脸关键点数据生成方法
CN115905733B (zh) * 2022-10-28 2024-03-08 广州地铁集团有限公司 一种基于机器视觉的口罩佩戴异常检测及轨迹追踪方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012012555A1 (en) * 2010-07-20 2012-01-26 SET Corporation Methods and systems for audience digital monitoring
WO2017054605A1 (zh) * 2015-09-29 2017-04-06 腾讯科技（深圳）有限公司 一种图片的处理方法和装置
WO2018033155A1 (zh) * 2016-08-19 2018-02-22 北京市商汤科技开发有限公司 视频图像的处理方法、装置和电子设备
CN109101923A (zh) * 2018-08-14 2018-12-28 罗普特（厦门）科技集团有限公司 一种人员佩戴口罩情况的检测方法以及装置
WO2019165604A1 (zh) * 2018-02-28 2019-09-06 华为技术有限公司 一种发际线轮廓的定位方法、装置及计算机可读存储介质
WO2020147257A1 (zh) * 2019-01-16 2020-07-23 平安科技（深圳）有限公司 一种人脸识别方法和装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108229239B (zh) * 2016-12-09 2020-07-10 武汉斗鱼网络科技有限公司 一种图像处理的方法及装置
CN108319953B (zh) * 2017-07-27 2019-07-16 腾讯科技（深圳）有限公司 目标对象的遮挡检测方法及装置、电子设备及存储介质
CN111523473B (zh) * 2020-04-23 2023-09-26 北京百度网讯科技有限公司 口罩佩戴识别方法、装置、设备和可读存储介质
CN111522073B (zh) * 2020-04-26 2023-05-12 北京都是科技有限公司 目标对象佩戴口罩情况的检测方法及热红外图像处理器
CN111553266A (zh) * 2020-04-27 2020-08-18 杭州宇泛智能科技有限公司 识别验证方法、装置及电子设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012012555A1 (en) * 2010-07-20 2012-01-26 SET Corporation Methods and systems for audience digital monitoring
WO2017054605A1 (zh) * 2015-09-29 2017-04-06 腾讯科技（深圳）有限公司 一种图片的处理方法和装置
WO2018033155A1 (zh) * 2016-08-19 2018-02-22 北京市商汤科技开发有限公司 视频图像的处理方法、装置和电子设备
WO2019165604A1 (zh) * 2018-02-28 2019-09-06 华为技术有限公司 一种发际线轮廓的定位方法、装置及计算机可读存储介质
CN109101923A (zh) * 2018-08-14 2018-12-28 罗普特（厦门）科技集团有限公司 一种人员佩戴口罩情况的检测方法以及装置
WO2020147257A1 (zh) * 2019-01-16 2020-07-23 平安科技（深圳）有限公司 一种人脸识别方法和装置

Also Published As

Publication number Publication date
CN112434578A (zh) 2021-03-02

Similar Documents

Publication Publication Date Title
CN112434578B (zh) 口罩佩戴规范性检测方法、装置、计算机设备和存储介质
US10635890B2 (en) Facial recognition method and apparatus, electronic device, and storage medium
CN111488756B (zh) 基于面部识别的活体检测的方法、电子设备和存储介质
US10319096B2 (en) Automated tattoo recognition techniques
CN110363047B (zh) 人脸识别的方法、装置、电子设备和存储介质
WO2021003824A1 (zh) 基于图像识别的违章建筑识别方法、装置
CN109145742B (zh) 一种行人识别方法及系统
CN112434562B (zh) 口罩佩戴状态的检测方法、设备、电子装置和存储介质
WO2015149534A1 (zh) 基于Gabor二值模式的人脸识别方法及装置
CN105868689A (zh) 一种基于级联卷积神经网络的人脸遮挡检测方法
WO2021179471A1 (zh) 一种人脸模糊度检测方法、装置、计算机设备及存储介质
CN104992148A (zh) 基于随机森林的atm终端部分遮挡人脸关键点检测方法
CN104036278A (zh) 人脸算法标准脸部图像的提取方法
US20240013572A1 (en) Method for face detection, terminal device and non-transitory computer-readable storage medium
CN112613471B (zh) 人脸活体检测方法、装置及计算机可读存储介质
CN113239739A (zh) 一种佩戴物的识别方法及识别装置
WO2017054276A1 (zh) 一种生物特征身份识别方法及装置
Kareem Face mask detection using haar cascades classifier to reduce the risk of Coved-19
CN113569707A (zh) 活体检测方法、装置、电子设备以及存储介质
CN112001785A (zh) 一种基于图像识别的网贷欺诈识别方法及系统
CN112102348A (zh) 图像处理设备
CN113610071B (zh) 人脸活体检测方法、装置、电子设备及存储介质
CN115830686A (zh) 基于特征融合的生物识别方法、系统、装置及存储介质
CN115830720A (zh) 活体检测方法、装置、计算机设备和存储介质
Kizuna et al. The entering and exiting management system by person specification using Deep-CNN

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