基于FasterRCNN的口罩佩戴檢測(cè)研究

劉攀，文漢云

摘要：在新冠病毒（COVID-19）全球肆虐的大背景下，為有效阻止新冠病毒在人群中傳播，多地要求在公眾場(chǎng)合佩戴口罩，針對(duì)這一問(wèn)題，提出一種基于FasterRCNN算法的口罩佩戴檢測(cè)方法，手動(dòng)通過(guò)labelimg進(jìn)行數(shù)據(jù)集標(biāo)定，再對(duì)深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，實(shí)驗(yàn)結(jié)果表明，該深度學(xué)習(xí)算法的檢測(cè)的準(zhǔn)確率達(dá)到97.57%，可以有效檢測(cè)人員的口罩佩戴情況。

關(guān)鍵詞：深度學(xué)習(xí);口罩佩戴檢測(cè);計(jì)算機(jī)視覺(jué)

中圖分類號(hào)：TP18? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2021）21-0014-03

開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

Research on Mask Wearing Detection Based on Faster RCNN

LIU Pan， WEN Han-yun

（School of Computer Science， Yangtze University， Jingzhou 434000， China）

Abstract： In the context of the global raging COVID-19 virus （COVID-19）， in order to effectively prevent the spread of the new coronavirus among the population， many places require masks to be worn in public. To address this problem， a mask wearing test based on the Faster RCNN algorithm is proposed. Methods： Manually calibrate the data set through labelimg， and then train the deep learning model. The experimental results show that the detection accuracy of the deep learning algorithm reaches 97.57%， which can effectively detect the wearing of masks.

Keywords： deep learning; mask wearing detection; computer vision

引言

自新冠病毒在全球爆發(fā)以來(lái)，世界各國(guó)的社會(huì)生產(chǎn)生活活動(dòng)陷入停滯，人民的生命健康、財(cái)產(chǎn)都遭受極大的威脅，為有效阻止新冠病毒[1]在人群中進(jìn)一步傳播，各地各部門(mén)要求人們出行佩戴口罩，本文提出的利用FasterRCNN[2-3]深度學(xué)習(xí)算法來(lái)進(jìn)行口罩佩戴檢測(cè)可以與紅外測(cè)溫系統(tǒng)結(jié)合起來(lái)，組成一個(gè)口罩佩戴檢測(cè)加紅外測(cè)溫的門(mén)禁系統(tǒng)，可以廣泛應(yīng)用于各大高中院校、公司、公園、商超等人流量大的場(chǎng)合，不僅可以有效避免檢測(cè)人員與他人近距離接觸，還可以對(duì)未佩戴口罩的人員進(jìn)行標(biāo)識(shí)，以便檢測(cè)人員實(shí)時(shí)進(jìn)行提醒。

用于口罩佩戴檢測(cè)的FasterRCNN深度學(xué)習(xí)算法是一種典型的two-stage目標(biāo)檢測(cè)算法，整個(gè)目標(biāo)檢測(cè)過(guò)程分為兩步，先由主干特征提取網(wǎng)絡(luò)生成特征層之后，再由其他算法生成一系列的候選框，two-stage目標(biāo)檢測(cè)算法的特點(diǎn)是檢測(cè)精度高，但檢測(cè)速度相對(duì)較慢，與之相對(duì)應(yīng)的有YOLO[4]、SSD等一些one-stage目標(biāo)檢測(cè)算法，one-stage算法直接將先驗(yàn)框的定位問(wèn)題轉(zhuǎn)化為回歸問(wèn)題一起處理，因此具有出色的檢驗(yàn)速度，但相對(duì)的檢測(cè)精度卻有所下降。本文所選擇的FasterRCNN算法是由何凱明等人在2015年提出的，該算法是在RCNN和FastRCNN算法的基礎(chǔ)上改進(jìn)而來(lái)的，該算法解決了RCNN[5]和FastRCNN[6]算法訓(xùn)練速度慢，檢測(cè)時(shí)間長(zhǎng)的問(wèn)題，將主干特征提取網(wǎng)絡(luò)生成的特征層共享，大大減少了計(jì)算量，提高了訓(xùn)練速度和檢測(cè)速度，為了保證口罩佩戴檢測(cè)的精度和準(zhǔn)度，本文選擇了FasterRCNN目標(biāo)檢測(cè)算法。

1 FasterRCNN目標(biāo)檢測(cè)算法

與RCNN和FastRCNN算法相比，F(xiàn)asterRCNN算法創(chuàng)造性地使用RPN（Region Proposal Network）代替原來(lái)的Selective Search方法產(chǎn)生建議窗口，通過(guò)共享特征層大大減少了計(jì)算量，從而提高了算法的檢測(cè)速度，F(xiàn)asterRCNN算法的原理如圖1所示。

FasterRCNN算法對(duì)輸入進(jìn)來(lái)的圖片在保持原有縱橫比的前提下重新調(diào)整為固定尺寸大小，然后通過(guò)主干網(wǎng)絡(luò)進(jìn)行特征提取得到特征層，將特征層輸入到RPN網(wǎng)絡(luò)中，經(jīng)過(guò)3x3的卷積，再分別對(duì)每個(gè)先驗(yàn)框進(jìn)行分類（前景和后景）和計(jì)算對(duì)應(yīng)先驗(yàn)框的偏移量，然后計(jì)算出proposals，而Roi Pooling層則利用proposals從特征層中提取的proposal feature送入后續(xù)全連接層和Softmax網(wǎng)絡(luò)進(jìn)行分類。

1.1主干特征提取網(wǎng)絡(luò)

FasterRCNN可以采取多種主干特征提取網(wǎng)絡(luò)，常見(jiàn)的有VGG、Resnet和Xception等，本文采用的是Resnet50網(wǎng)絡(luò)。Resnet網(wǎng)絡(luò)是一種深度殘差網(wǎng)絡(luò)，該網(wǎng)絡(luò)將前面若干層的某一層的數(shù)據(jù)輸出直接跳過(guò)多層引入到后面數(shù)據(jù)層的輸入部分，這意味著后面特征層的內(nèi)容會(huì)有一部分由前面的某一層線性貢獻(xiàn)，深度殘差網(wǎng)絡(luò)可以有效解決因網(wǎng)絡(luò)深度加深而產(chǎn)生的學(xué)習(xí)效率下降而準(zhǔn)確率無(wú)法有效提升的問(wèn)題，其結(jié)構(gòu)如圖2所示。