[发明专利]一种基于改进型卷积神经网络口罩佩戴状态检测方法

说明书

本发明涉及一种基于改进型卷积神经网络口罩佩戴状态检测方法。在训练阶段，首先在特定场景下，对摄像机保存的视频，使用视频分帧技术得到图片集，再通过数据集快速扩充的方式，获得高质量的数据集。然后通过对YOLO‑V3网络进行改进包括使用k‑means聚类算法、BN层参数合并到卷积层等方式，通过训练，得到最终的检测模型。在此基础之上，使用python级联分类器先期识别人脸，再利用最终模型进行检测分类，这使得YOLO‑V3模型的检测目标的准确率达到了90％以上，速度也达到了35帧/s，改进后的方法具有对口罩佩戴状态检测准确率高、实时性强的特点，从而在实际应用中，可以减少误判的概率，提高了系统可靠性，具有很高的使用价值和应用前景。

技术领域

本发明涉及图像处理技术领域，特别涉及一种基于改进型卷积神经网络口罩佩戴状态检测方法。

背景技术

在公共场合正确有效的佩戴口罩，可有效阻隔飞沫传播，在一定程度上，可有效降低自己被他人感染的风险，从而能够有效抑制病毒传播。目前在公共场合主要依赖于人工来监督人员的口罩佩戴情况，但是这种方式存在浪费大量人力物力的问题，同时在人流量较大时，依赖人工的方式效率低下、近距离接触未正确有效佩戴的人员还容易导致被感染的风险。

近年来，随着计算机视觉的快速发展，尤其是基于卷积神经网络模型的不断发展，我们可以将卷积神经网络应用于口罩佩戴检测场景中，通过连接电脑的摄像头即可完成口罩佩戴识别工作，从而提高公共卫生防护能力、节约社会资源和运营成本、降低人力资源成本。

然而现有技术存在检测准确率不高、速度不快的问题，从而会导致漏报、误报的情况产生，因此并不能很好地满足现场应用场景的需要。

发明内容

针对上述问题，本发明提供一种改进型卷积神经网络(YOLO-V3)口罩佩戴状态检测方法，并采用如下技术方案：

一种基于改进型YOLO-V3口罩佩戴检测方法，包括如下步骤：

S1步骤：建立行人口罩佩戴检测数据集；

S2步骤：实现行人口罩佩戴检测数据集扩增，并将扩增后的数据集按照一定的比例分为训练集、测试集和验证集；

S3步骤：使用图像标注软件，对经步骤S2的数据集进行标注；

S4步骤：通过卷积神经网络对标注的数据集进行网络训练，获得口罩佩戴检测模型；

S5步骤：在验证集中，遍历口罩佩戴检测模型对口罩佩戴检测的准确率和速度，得到卷积神经网络训练后的口罩佩戴检测权重模型；

S6步骤：将待检测的视频图像输入所述口罩佩戴检测权重模型，卷积神经网络输出图像中的人员口罩佩戴状态检测结果，根据检测结果对于没有按照规定佩戴口罩的人员，在现场自动提醒该人员佩戴好口罩。

作为优选，在步骤S1中，具体包括：

S1.1：通过对摄像机在公共场合下保存的视频，利用基于python视频分帧/分割技术，获取图片；

S1.2：设置视频分帧/分割间隔为每隔35帧截取一次画面；

S1.3：对分帧后的图片，手动删减掉重影模糊的图片或者不存在目标的图片。

作为优选，本发明在步骤S2中，具体包括：

S2.1：通过python的PIL(Python Image Library)库对原始图像进行左右翻转和图像增强，从而对数据集进行扩充；

S2.2：设置训练集、测试集和验证集比例为7：1：2。

作为优选，本发明在步骤S3中，具体包括：

S3.1：使用Labelimg软件，在Window平台或者Linux平台实现图像人工标注；