自然环境下实时人脸口罩检测与规范佩戴识别

新冠状病毒具有很强的传染性,规范佩戴口罩可以阻隔病毒通过空气中的飞沫、气溶胶等载体传播,然而在公共场合时有公民不佩戴口罩或不规范佩戴口罩的现象,不利于疫情防控工作的开展。为解决这一问题,提出了一种自然环境下的实时人脸口罩检测与规范佩戴识别方法,采用YOLOv4算法,在自然环境下对公民口罩佩戴情况进行检测。针对模型参数量大,难以部署应用的难题,引入轻量级骨干网络L-CSPDarkNet（LightCSPDarkNet）以提高模型的检测速度,同时提出轻量级特征增强模块Light-FEB（Light Feature Enhancement Black）和多尺度注意力机制Multi-Scale-Sam（MultiScaleSam）增强轻量级主干网络的特征提取能力。实验结果表明,该算法精度可达91.94%,相比于原始YOLOv4算法提高了3.55个百分点,检测速度达到75?frame/s,高于原始YOLOv4的35?frame/s,可满足实际应用的需求。     

多尺度特征融合的轻量化口罩佩戴检测算法

科学规范地佩戴口罩是预防新冠、流感等呼吸道传染病的有效方法,在当前疫情形势下,正确佩戴口罩显得尤为重要。已有的口罩佩戴检测算法多数存在结构复杂、训练难度较高和特征提取不足等问题,为此,提出一种多尺度特征融合的轻量化口罩佩戴检测算法L-MFFN-YOLO。以YOLOv4-Tiny网络为基础,L-MFFN-YOLO改进原始残差结构,使用轻量化残差模块促进模型快速收敛,在有效降低模型计算量的同时保证检测精度。在原网络、这2个尺度的基础上增加特征分支,以增强低特征层的信息表达能力并降低小目标的漏检率。通过多层级交叉融合结构最大程度地提取有用信息,从而提高特征利用率。除佩戴和未佩戴口罩2种情况外,在数据集中新增口罩佩戴不正确的类别并进行手工标注,实验结果表明,L-MFFN-YOLO算法的模型大小仅为5.8 MB,较原始网络YOLOv4-Tiny,其模型规模减小76%,mAP提高5.25个百分点,CPU下的处理时间快14 ms,能在资源受限的设备中满足口罩佩戴检测任务对准确率和实时性的要求。     

改进YOLOv7与DeepSORT的佩戴口罩行人跟踪

针对视频序列中因脸部遮挡、漏检而造成的无法正确判断行人是否佩戴口罩的问题,提出一种基于改进YOLOv7与DeepSORT的佩戴口罩行人跟踪算法。该算法将口罩检测、行人检测与跟踪相结合,通过在YOLOv7的主干网络中添加注意力机制,增加浅层特征图,加强网络对小目标的感知能力,提高口罩检测与行人检测精度;帧内关系模块利用匈牙利算法进行帧内目标关联,对行人进行口罩佩戴标记;将方向差因素加入到DeepSORT算法的关联代价中,消除跟踪轨迹的历史预测方向和新检测速度方向不一致问题;使用改进的DeepSORT算法对行人进行跟踪,并对每条轨迹进行口罩佩戴标记更新,实现对佩戴口罩与未佩戴口罩行人的跟踪。实验结果表明,改进的YOLOv7网络平均检测精度mAP50相比原始算法提升了3.83个百分点;在MOT16数据集上,该算法的跟踪准确性MOTA相较DeepSORT算法提高了17.1个百分点,跟踪精度MOTP提高了2.6个百分点。与检测算法相比,提出的算法能够跟踪到更多的行人是否佩戴了口罩,具有更好的效果。     

多尺度融合的YOLOv3人群口罩佩戴检测方法

在新型冠状病毒疫情防控要求下,商场、车站等公共场所人群环境下佩戴口罩成为人们出行的必要条件。由于在人群环境下往往存在人员密集,容易相互遮挡,且目标尺度较小等影响,口罩佩戴检测容易出现误检、漏检等问题。针对这些问题,在YOLOv3算法的基础上,提出一种基于改进YOLOv3的人群口罩佩戴检测算法。添加浅层特征图,在原来的3尺度检测结构上增加浅层检测尺度形成4尺度检测结构,提高检测准确率;引入自上而下和自下而上的多尺度融合结构,进一步利用特征信息,实现特征增强;选用CIoU损失函数进行边框回归,提高定位精度。实验结果表明,改进的YOLOv3算法的平均精度均值达到了93.66%,相比于原YOLOv3算法提高了5.61个百分点。相比于其他主流算法,该算法在口罩佩戴检测任务中有更高的检测精度,具有很好的实用性。     

基于DCN-SERes-YOLOv3的人脸佩戴口罩检测算法

2020年新冠疫情爆发,佩戴口罩是有效抑制疫情反弹的重要措施之一,研究利用机器视觉技术检测人脸是否佩戴口罩有重要的现实意义。本文针对视频图像中人脸佩戴口罩时存在遮挡、检测目标较小、特征信息不明显、目标靠近群体不易识别等问题,提出一种基于DCN-SERes-YOLOv3的人脸佩戴口罩检测算法。首先,采用ResNet50与YOLOv3相结合的方式,将主干网络替换为ResNet50残差网络,为了平衡模型的精度与速度,对残差块中的卷积层改进并加入平均池化层,降低模型的损失与复杂度,提高检测速度;其次,将ResNet50残差网络中第4个残差块的常规卷积替换为DCN可变形卷积,提高模型适应人脸佩戴口罩时发生几何形变的能力;最后,引入SENet通道注意力机制,增强特征信息的表达能力。实验结果表明,本文算法的平均精度值高达95.36%,比传统YOLOv3算法提高了约4.1个百分点,且检测速度提高了11.7 fps,本文算法提高了检测人脸佩戴口罩任务的精度与速度,有较好的应用前景。     

改进FCOS的复杂场景口罩佩戴检测算法

针对在复杂场景口罩佩戴检测中存在的多尺度、多角度和遮挡等问题，提出一种基于改进FCOS的复杂场景口罩佩戴检测算法。在算法的骨干网络中引入Res2Net的分组残差连接结构，提高网络对不同尺度口罩的特征提取能力，并在其中集成可变形卷积，拓展其对未知形状物体的建模能力；设计一种集成注意力机制的特征金字塔，为不同的特征通道赋予不同的权重，抑制无用的特征信息；根据目标口罩的相关统计特征自动地划分正负样本，提高不同尺度口罩的样本质量，并引入Generalized Focal Loss联合训练样本的分类分数和定位质量分数，提升算法性能。实验结果表明，在复杂场景下的口罩佩戴检测中，该改进算法的mAP相比于原始FCOS提高6.7个百分点，同时与一些主流的目标检测算法相比，该改进算法也具有更好的效果和鲁棒性。     

融合注意力机制的 YOLOv5 口罩检测算法

新冠疫情期间正确佩戴口罩可以有效防止病毒的传播,针对公共场所存在的人员密集、检测目 标较小等加大检测难度的问题,提出一种以 YOLOv5s 模型为基础并引入注意力机制融合多尺度注意力权重的 口罩佩戴检测算法。在 YOLOv5s 模型的骨干网络中分别引入 4 种注意力机制,抑制无关信息,增强特征图的 信息表达能力,提高模型对小尺度目标的检测能力。实验结果表明,引入 CBAM 模块后较原网络 mAP 值提升 了 6.9 个百分点,在 4 种注意力机制中提升幅度最明显,而引入 NAM 模块后在损失少量 mAP 的情况下使参 数量最少,最后通过对比实验选用 GIoU 损失函数计算边界框回归损失,进一步提升定位精度,最终结果较 原网络 mAP 值提升了 8.5 个百分点。改进模型在不同场景下的检测结果证明了该算法对小目标检测的准确 率和实用性。     

改进YOLOv4-tiny的疫情协同口罩佩戴检测方法

口罩的佩戴对于疫情防控起着极其重要的作用，针对大规模人群下口罩佩戴检测实时性欠佳、难以部署的问题，提出了一种改进YOLOv4-tiny的疫情协同口罩佩戴检测方法。该算法以YOLOv4-tiny为基础，用两个Resblock-D模块替代CSP模块，降低特征提取网络复杂度，提升检测速度；引入SPP，增加了网络的感受野，使网络满足任意尺寸的影像输入，并增强算法的鲁棒性；引入两层CA注意力机制，提高算法的利用率以保证检测精确度。通过实验检测结果表明，相较于原始YOLOv4-tiny，所提网络mAP提升了0.5个百分点，达到94.0%，检测速度提升了3.96 FPS。在保证检测速度有少量提升的基础上有效提高了检测速度，综合性能得到提升。     

基于轻量级结构重参数化网络的口罩检测算法

常态化疫情防控形势下,火车站、地铁站等公共场所人群密集,容易发生病毒的传播。针对人群密集场所口罩目标较小、模型参数量大、难以部署的问题,提出一种改进的轻量级结构重参数化网络。在Retinaface算法上,使用双重级联金字塔网络替换原有的特征融合网络,增强特征信息,提高对小尺度目标的检测效果;同时使用结构重参数化网络RepVGG替换原有的MobileNet0.25主干网络,在模型训练时,通过残差结构提高模型特征提取能力,在模型推理时,通过模型结构重新参数化减少模型参数,提高推理速度。实验结果表明,本文算法在GPU上帧率达到92.59 fps,在自建数据集的3个不同等级的验证集上的平均准确率（mAP）达到94.17%、93.30%、86.88%,相比原始Retinaface算法分别提高了1.17个百分点、2.89个百分点、5.35个百分点,可以更好地在自然场景中进行口罩佩戴检测。     

基于改进SSD的口罩佩戴检测算法

新冠疫情近年来在全球肆虐,新冠病毒具有极强的传染性,在公共场所佩戴口罩可以阻断病毒的传播途径,有效遏止疫情的蔓延。利用计算机视觉技术对公共场合佩戴口罩行为进行检测具有重要意义,在疫情防控常态化条件下,需要对人脸口罩佩戴进行正确识别,同时要识别口罩佩戴是否正确。在实际检测环境中,口罩佩戴检测任务中的场景复杂多样,佩戴口罩的人脸目标尺度不一,正确与错误佩戴口罩特征差异小,难以检测。提出一种改进SSD算法的口罩佩戴检测算法。以SSD检测算法为基础,引入特征融合网络及协调注意力机制,重构特征提取网络,增强对细节信息的学习和处理能力。同时,将算法的分类预测分数和IoU分数进行合并表示,使用Quality Focal Loss函数调节正负样本的权重。在自制口罩佩戴检测数据集上的实验结果表明,该算法的平均精度均值达到96.28%,与原始算法相比提高了5.62%,对口罩佩戴检测具有良好的准确性和实用性,可满足疫情防控下的实际需求。     

基于改进的YOLOv3口罩佩戴检测和识别

新冠疫情仍在全球肆虐,佩戴口罩可以有效阻断新冠病毒传播,口罩佩戴检测系统能及时提醒公共场所活动的人佩戴口罩。针对该问题及小尺度目标检测困难的问题,提出了一种基于YOLOv3改进的网络模型Face_mask Net用于口罩佩戴检测。由于YOLOv3算法训练的网络模型对小目标检测率低,IoU值相同时不能反映预测框和目标框是否相交,以及传统NMS对于遮挡经常产生错误抑制情况,Face_mask Net改进了残差块和神经网络结构,引入SPP模块和CSPNet网络模块,并采用DIoU作为损失函数,DIoU-NMS算法作为分类器。实验结果表明,Face_mask Net可以有效提高目标检测准确率,AP75下的平均准确率为58.05%,相比由YOLOv3算法训练的网络模型提高了4.11%。     

改进YOLOv5s算法的安全帽佩戴检测

佩戴安全帽是施工过程中人员安全的重要保障之一,但现有的人工检测不仅耗时耗力而且无法做到实时监测,针对这一现象,提出了一种基于深度学习的安全帽佩戴检测算法。该算法以YOLOv5s网络为基础。在网络的主干网中引入CoordAtt坐标注意力机制模块,考虑全局信息,使得网络分配给安全帽更多的注意力,以此提升对小目标的检测能力;针对原主干网对特征融合不充分的问题,将主干网中的残差块替换成Res2NetBlock结构中的残差块,以此提升YOLOv5s在细粒度上的融合能力。实验结果表明：在自制的安全帽数据集中验证可知,与原有的YOLOv5算法相比,平均精度提升了2.3个百分点,速度提升了18 FPS,与YOLOv3算法相比,平均精度提升了13.8个百分点,速度提升了95 FPS,实现了更准确的轻量高效实时的安全帽佩戴检测。     

融合注意力机制的轻量级戴口罩人脸识别算法

COVID-19的全球化大流行使得佩戴口罩出行成为人们生活中的常态,这种防疫措施给人脸识别算法带来了新的挑战。针对这一问题,提出了一种口罩遮挡下的轻量级人脸识别算法,该算法改进GhostNet为主干特征提取网络;提出了融合空间注意力机制的FocusNet特征加强提取网络,使模型聚焦于未被口罩遮挡的上半脸区域;针对当前口罩遮挡人脸数据集不充分的问题,提出了一种采用三维人脸网络生成添加口罩遮挡的数据增强方法。实验表明,所提出的改进模型与基准模型相比,模型参数量降低84%的同时,戴口罩人脸的识别率提升4.29个百分点,较好地平衡了速度与精度。     

轻量化高精度卷积神经网络的安全帽识别方法

由于施工环境的复杂性,基于机器视觉的安全帽识别方法常常出现误检与漏检的情况。为提高复杂环境下安全帽识别的准确率,同时满足实时性要求,提出一种基于视觉感受野特性的轻量化高精度卷积神经网络。该卷积神经网络以RFBnet网络为基础,增加特征金字塔网络模块,使神经网络同时兼顾浅层语义信息和深层语义信息的表示能力,以实现复杂施工环境下不同形态与大小安全帽的识别。采用SE-Ghost模块在保持网络特征提取能力不变的情况下,对主干网络结构进行轻量化。为验证方法的性能,将基于感受野特性的轻量化卷积神经网络和当前主要卷积神经网络进行实验对比,结果表明,所提网络模型的检测准确率较YOLO-v3、RFBnet-300和RFBnet-512网络分别提高了1.60个百分点、3.62个百分点和0.98个百分点,检测速度达到20?frame/s。