基于MobileNet V2的口罩人脸检测.pdf

第卷 第期沈 阳 化 工 大 学 学 报.收稿日期:作者简介:付美伦()女陕西渭南人硕士研究生在读主要从事机器视觉人脸识别的研究.通信联系人:洪悦()男陕西咸阳人讲师博士主要从事物联网技术及应用、机器学习与计算机智能优化算法、复杂工业过程操作优化问题的智能建模研究.文章编号:()基于 的口罩人脸检测付美伦 洪 悦(沈阳化工大学 信息工程学院 辽宁 沈阳)摘 要:很多场所和环境要求人员佩戴口罩才准许进入.当由人工进行口罩人脸检测时耗时且漏检率、错检率高.因此设计一个用于检测人脸是否佩戴口罩的模型显得十分重要并且该模型需要具备轻量、快速、精度高的特点以便将其应用于实时视频检测.首先对传统 模型进行改进缩小模型深度提高其计算速率然后建立了 张图像的人脸数据库并进行手工标注最后利用该人脸数据库对改进后的模型进行训练最终训练完成的模型仅 .通过实验对比该模型与其他三种口罩检测模型的检测精确度、损失值和检测速度对戴口罩的人脸该检测模型的平均检测精确度提高了 以上检测速度也快于其他三类.关键词:口罩人脸检测 人脸识别 :./.中图分类号:文献标识码:作为人脸检测的一个分支口罩人脸检测成为热点问题.邹佰翰等提出了基于轻量级 的口罩人脸检测方法该研究一定程度上解决了大面积遮挡时的人脸检测的难点在人数少、环境简单的场景下检测的精准率和召回率都非常高但是面对人数多的复杂场景其性能无法满足要求.王艺皓等研究了复杂场景下基于改进 的口罩佩戴检测算法该算法以 算法为基础解决了人群密集、背景复杂时检测人脸是否佩戴口罩的问题.但是 算法模型深度过深训练速度慢识别速度也较慢并不适用于实时视频中口罩人脸检测.所以本文针对传统方法的不足提出使用改进的 模型对实时视频中的人脸进行定位并辨别该人脸是否佩戴口罩.人脸口罩检测本质上还是属于人脸检测问题但实际检测时需要进行两部分工作:检测图像中是否存在人脸 辨别图像中的人脸是否佩戴口罩.但是当前公开的免费口罩人脸数据集较少检测情况多变实时视频检测对模型轻量级、检测速度要求较高这些问题都是口罩人脸检测的重点、难点问题.改进的 模型 模型的核心思想是在模型轻量化和模型性能上折中寻找一个恰好的平衡点使得模型足够轻量化并可在其他终端上使用同时又能保证其性能的最优化.选择使用深度可分离卷积来代替传统卷积以减少模型的计算量.两种卷积如图 所示.训 练 不 易 陷 入 过 拟 合 是对 的改进同样是一个轻量级卷积神经网络.但是 结构简单不能很好利用图像的特征识别目标.本文引入/等操作进行图像特征融合对 模型进行了改进.首先改变 顶部将头部的 沈 阳 化 工 大 学 学 报 年 模型放在基本模型的顶部将基本模型的所有层循环并冻结以保证不在第一次训练中更新.其次在模型后半部分加入二维平均池化操作将大量的参数运算简化.最后连接新的 层将上一步的多维输入一维化连接 层进行分类连接 层对模型进行“减负”再次接入 层分类输出结果.添加的模型部分及其参数设置如图 所示.图 左部分为改进前的模型连接的右部分即为改进的模型.图 传统卷积与深度可分离卷积比较 图 改进模型的流程 改进的 模型训练模型在 中编程实现编程语言为 深度学习框架为 实验平台为具有 处理器和用于加速模型训练的 的服务器.在训练模型时按照 的比例划分测试集和训练集.模型训练方式采用 优化器对网络进行优化初始学习率设为 训练迭代次数为 批次大小 设置为.训练模型使用自己手工标记的数据集从 和其他几个人脸数据库筛选提取了其中 张人脸图像将其分为 张标记好的“”标签图像和 张“”标签图像.因为目前口罩人脸模型数据库比较少(只有 为武汉大学在 年 月公布的全球首个免费开放的口罩人脸数据集)因此使用已有的人脸数据集给其添加“口罩”生成自己的口罩人脸数据集以此进行模型训练.为了评价训练模型的性能使用 模块的 ()函数中的两个指标对该训练模型进行评价.()算法精度计算:.()其中:为检测到的目标类别与真实样本一致的数量即为真正类 为真负类 为所有样本数量.()算法交叉熵损失计算:()()().()其中:()为真实概率值分布()为预测概率值分布.损失即为计算预测概率分布与真实概率分布的相似程度从而对训练模型的性能进行评估.训练所得模型精确度值及损失值评估如图 所示.图 上方深蓝色的线与浅蓝色的线为本模型的精确度值(训练精度和测试精度)经过训练后检测人脸的精度趋近于 下方红色与绿色的线为损失值(训练损失值与测试损失值)经过训练后损失值趋于 .由该模型评估图可看出该模型的精确度较高且损失值较小表明该检测模型整体性能较优.与其他几类经典模型对比结果如表 所示.第 期付美伦等:基于 的口罩人脸检测 改进的 模型对佩戴口罩和无口罩的人脸检测的平均精确度为 与表中其他三种模型相比其检测精确度较优.且经过训练过程可知该模型足够轻量化经过 轮次训练共花费不到 每轮次训练时长 左右.不仅如此该模型平均 可检测出视频中的人脸明显快于其他三种.而且该模型在训练时内存消耗占本地 的 左右内存消耗在四种模型中最少.因此相较其他三类检测模型改进的 口罩人脸检测模型整体性能较优.图 训练所得模型的性能评价 表 不同检测模型的口罩人脸检测性能对比 检测模型精确度无口罩有口罩损失值检测时长/内存消耗/(占用测试 内存)基于 改进的 标准 改进的 测试及结果分析使用海康网络摄像头进行实时视频采集通过 协议读取视频并显示.测试环境搭建在 的 系统中选取 作为编程语言 硬件环境为 主频为 内存为 .()单张人脸识别测试单人未佩戴口罩、佩戴口罩、佩戴口罩低头、侧脸经过时模型的检测结果如图 所示.图 单人识别测试结果 沈 阳 化 工 大 学 学 报 年 由图 可以看出在对没有佩戴口罩的人脸进行检测时模型的检测精度可达到 且界面中显示“”在对人脸佩戴口罩正面、低头、侧脸情况下的人脸检测时界面显示“”且模型的检测精度分别为、.可见在测试低头时检测精度并不理想.这是因为训练集中人脸带口罩的图片数据较少要提高检测精度需扩充此类图片数据.()人群识别测试图 展示了在小于 人的情况下模型的检测结果.图 中包含正脸、佩戴口罩及肢体遮挡三种情况下的人脸检测结果.由结果可看出这三种情况下模型都能检测出人脸且模型能够识别佩戴口罩与肢体遮挡不会将肢体遮挡判断为佩戴口罩.如图 中右上方该人用手对脸进行遮挡时系统并不会将这种情况误判为已佩戴口罩且测试精确率较高.图 人群识别测试结果 结 语以 模型为基础将头部的 模型 放 在 基 本 模 型 顶 部 提 出 了 改 进 的 模型在自行整理标记的人脸数据库进行训练.针对需要佩戴口罩进入的场所和环境该模型在实时视频中能够快速检测出人脸是否佩戴口罩.与人工检测口罩人脸相比该算法大大提高了检测效率与传统算法、口罩人脸检测算法相比该算法改进了网络层次深、计算量大、识别时间长 等问题且其训练速度快识别精确度也比较理想.参考文献:邹佰翰秦亚亭苑晓兵等.基于轻量级 的口罩人脸检测方法现状研究.软件():.王艺皓丁洪伟李波等.复杂场景下基于改进 的口罩佩戴检测算法.计算机工程():.牛作东覃涛李捍东等.改进 的自然场景口罩佩戴检测算法.计算机工程与应用():./().:.王远大.开放人脸口罩检测服务借助 算法加快疫情防控.通信世界():.张进王贵成汪滢.基于模糊聚类的谷氨酸发酵过程故障诊断研究.沈阳化工大学学报():.:.:.吴尧邱卫根.基于改进的深度卷积神经网络的人脸识别.计算机工程与设计.():.何永强秦勤王俊鹏.改进深度学习块卷积神经网络的人脸表情识别.计算机工程与设计():.齐榕贾瑞生徐志峰等.基于 的轻量级目标检测网络.计算机应用与软件():.符秀辉 周文俊 赵茂鑫.基于改进 和 算法的室内环境图像匹配.沈阳化工大学学报():.第 期付美伦等:基于 的口罩人脸检测 ():.:(上接第 页)():()()().()()()/.: