[发明专利]基于深度学习的厨师帽和口罩佩戴的检测方法

说明书

本发明提供了一种基于深度学习的厨师帽和口罩佩戴的检测方法，包括：采集包括厨房场景内的人头图像；对所述人头图像进行预处理，构建人头检测数据集；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；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；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，分别输出包括厨师帽和口罩的预测边界框和类别的结果。

技术领域

本发明主要涉及图像处理领域，尤其涉及一种基于深度学习的厨师帽和口罩佩戴的检测方法。

背景技术

口罩是一种常用的生活用品，能够有效的防止粉尘，有害气体，唾液飞沫等进出口鼻。在医院等卫生场所，佩戴口罩既能够保证自身不受传染病流行的危害；在工地、工厂等作业环境具有较大粉尘的区域，应该佩戴口罩防止自身因吸入粉尘而对自身健康造成危害。另外，在一些重点监控场所，例如ATM取款机，可疑分子会为了避免被摄像头抓拍而会刻意用口罩遮挡住面部。而对于这些需要识别是否佩戴口罩的场所，目前并没有一种方法能够快速并大量的自动检测相关人员是否按照要求佩戴口罩。若通过人工的方式去检验既要耗费大量的人力资源，且当人流过多的情况下很难保证能够监测到每个人是否佩戴口罩。因此目前在应该佩戴口罩的场所，亟需一种能够自动快速且准确地检测人员是否佩戴口罩的方法。

一种人员佩戴口罩情况的检测方法以及装置(专利号： CN109101923A)和基于视频的工服工帽穿戴状态自动识别方法与报警系统(专利号：CN109117827A)利用阈值分割和帧差法检测目标区域，再使用目标区域的色彩空间分布判断工作人员是否佩戴指定帽子和口罩。基于人工设计特征的传统图像处理方法，应用场景单一、不稳定，一旦背景发生变化，准确率会严重下降。

基于图像识别的工作区域安全帽佩戴的检测方法(专利号： CN109697430A)采用SSD或YOLO目标检测框架检测图像中的人体头部目标和安全帽目标，并得到人体头部和安全帽的分类信息和相应目标的区域位置信息。再根据人头区域和安全帽区域的重叠大小判断工作人员是否佩戴安全帽。该方法需要检测两个目标(人头和帽子)增加了检测的难度，计算重叠区域使得流程变的复杂且不可控。

一种电力领域危险工作区域内安全帽佩戴状态检测方法(专利号：CN110070033A)采用Tiny-YOLO模型对人、佩戴安全帽的人和未佩戴安全帽的人进行检测并分类。该方法使用整体特征对目标部分进行预测，会出现很多冗余特征对最终预测进行干扰。 Tiny-YOLO虽然速度快、占用内存小，但相应损失的是准确率。

施工现场的安全帽佩戴检测方法、装置、设备及存储介质(专利号：CN110222672A)使用SSD模型对人头部分进行检测并直接预测是否佩戴安全帽。该方法实现了从定位到预测一步到位的方法，但不利于后期开发。由于SSD模型的分类损失函数使用的是 Softmax，这就导致了SSD在一个目标区域预测一个种类，不可再添加其他功能。另外SSD不能对边界框进行聚类，不能很好的拟合anchor框的形状，导致检测的区域不是很准。SSD的运行速度也一直是个问题，由于使用了VGG作为基础网络，它的检测只能达到8fps，离实时检测的距离还很远。

综上所述，目前对帽子和口罩存在的方法主要有以下缺点：第一，应用场景单一，不稳定；第二，目标简单，流程复杂；第三，不能够针对目标提取特征；第四，速度慢；第五，准确率低；第六，占用内存大；第七，可扩展性低。

发明内容

针对上述问题，本发明要解决的技术问题是提供适应不同场景下对多个目标进行检测的方法，通过模型处理和深度学习，有效提取并识别特征。

为解决上述技术问题，本发明提供了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：