[发明专利]基于深度学习的厨师帽和口罩佩戴的检测方法

权利要求书

1.一种基于深度学习的厨师帽和口罩佩戴的检测方法，其特征在于，所述方法包括：

步骤一，采集包括厨房场景内的人头图像；

步骤二，对所述人头图像进行预处理，构建人头检测数据集，所述数据集包括厨师帽和口罩的训练集和测试集；

步骤三，将所述训练集放入卷积特征器提取包括所述厨师帽和所述口罩相关的特征，通过K-means聚类方法产生Anchor box个数来生成预测的人头边界框，并通过候选框与真实框的交并比为评价标准，提升所述人头边界框和类别预测的准确性；

步骤四，将所述训练集数据输入YOLOv3网络进行重复训练，获得卷积层的权重值和偏置值，输出所述训练集数据的损失函数值；

步骤五，将所述训练好的模型进行模型压缩到满足实时检测条件时进行检测，根据所述训练好的模型检测所述人头图像，通过Resnet18网络分别进行所述厨师帽和所述口罩的训练，分别输出包括厨师帽和口罩的预测边界框和类别的结果。

2.根据权利要求1所述的一种基于深度学习的厨师帽和口罩佩戴的检测方法，其特征在于，

所述步骤一中进一步包括：

将所述人头图像padding成正方形，所述正方形的大小为N*N之间进行训练，添加矩形标签为真实边界框形成所述检测数据集；

其中，N的取值范围包括736～1024。

3.如权利要求1或2所述的一种基于深度学习的厨师帽和口罩佩戴的检测方法，其特征在于，所述步骤三中进一步包括：

所述Anchor box个数等于所述K-means聚类方法时的K值，所述交并比IOU为：

当所述IOU不低于0.5时的预测的候选目标边框作为初始候选目标边框。

4.如权利要求3所述的一种基于深度学习的厨师帽和口罩佩戴的检测方法，其特征在于，所述步骤四中，

采用自适配归一公式应用在所述YOLOv3网络中卷积层的处理上，所述自适配归一公式为：

其中，n、c、I和j分别代表样本数目、通道数目、通道的高和通道的宽，每一个像素表示为h_ncij，归一化后的像素值为γ和β分别代表缩放系数和偏移系数；

其中，所述自适配归一化的每个样本每个通道的均值和方差由批归一化、层归一化和实例归一化共同决定的，w_k为加权系数。

5.根据权利要求4所述的一种基于深度学习的厨师帽和口罩佩戴的检测方法，其特征在于，

所述训练集和测试集包括戴帽、不戴帽、戴口罩、不戴口罩和不确定戴口罩若干种情况。

6.根据权利要求5所述的一种基于深度学习的厨师帽和口罩佩戴的检测方法，其特征在于，所述步骤一在训练时，

采用添加矩形标签作为真实边界框，所述真实边界框包括含人体头部和帽子区域。