基于目标检测的口罩识别系统的设计与实现

摘 要

随着深度学习和计算机视觉的快读发展，与此有关的技术设备已经被大幅度的使用，并且不仅仅在这两个方面，更在许许多多的领域都有使用。众所周知，图像理解之中的最重要的一个步骤即为目标检测，和为目标检测，其实很简单，在捕获的大量图像信息之中，选取最为感兴趣的目标，并且进一步确定它们的各类信息，如位置大小等等，如此的工作正是机器视觉这一领域之中的关键核心之一。目标检测是计算机视觉领域中的基础，因为其关于着物体的分类任务，还有物体的定位任务，所以该项技术对于图像理解的重要程度不言而喻。
2020年新冠肺炎席卷全球，新型冠状病毒可以通过呼吸道飞沫等方式传播,正确佩戴口罩可以有效切断新冠肺炎病毒的传播途径，是预防感染的有效措施。国内公众场合要求佩戴口罩，而商场、餐饮、地铁等人员密集型的场所对人流量高峰时段的应对措施往往令人力不从心，而且自然场景中通常存在遮挡、密集人群和小尺度目标等复杂因素,对人脸佩戴口罩的检测效果产生影响。
针对该问题,本系统了在复杂场景下的口罩佩戴检测算法，可以自动准确且快速地识别图片或视频中人物是否佩戴口罩，有着重要的应用场景和市场前景。本系统采用基于深度学习的One-stage目标检测算法的一种即YOLO-v4这一算法。
在过去，人脸检测模型并不完善，只能对于单纯的人脸进行识别，而我们要介绍的人脸口罩识别与之前的系统不同，对于人脸的识别产生了两种不同的类别，即为戴或不戴口罩这两种类别本系统采用的YOLO-v4是最新的强悍的目标检测技术，首先将待检测的图片进行特征提取后分层分类，再对目标进行检测，判断目标为0或1，即佩戴口罩或没有佩戴口罩。
关键词：人脸识别；口罩识别；目标检测；YOLO算法

Abstract
With the rapid development of deep learning and computer vision, related technologies have been widely used in many fields. As an important part of image understanding, object detection is one of the core problems in the field of machine vision. Its task is to find out all the interested objects in the image and determine their position and size. Object detection is an important basic research in the field of computer vision. It is the technology of object classification and location. It is an important basic technology of image content understanding.
In 2020, novel coronavirus pneumonia novel coronavirus pneumonia swept the world. New Coronavirus can spread through respiratory droplets. Wearing masks correctly can effectively cut off the transmission of new crown pneumonia virus, and is an effective measure to prevent infection. It is required to wear masks in domestic public places. However, the response measures of people intensive places such as shopping malls, restaurants and subways during the peak period of people flow often make people not pay attention to it. Moreover, complex factors such as occlusion, dense crowd and small-scale targets often exist in natural scenes, which have an impact on the detection effect of wearing masks.
To solve this problem, this system proposes a mask wearing detection algorithm in complex scenes, which can automatically, accurately and quickly identify whether the person in the picture or video is wearing a mask. It has important application scenarios and market prospects. The system adopts a kind of yolo-v4 algorithm based on one stage target detection algorithm of deep learning.
Compared with the ordinary face detection model, there is only one category of face, and the face mask detection adds one category, and becomes two categories: the face with mask and the face without mask. Yolo-v4 used in this system is the latest robust target detection technology. Firstly, the image to be detected is extracted and classified hierarchically, and then the target is detected to judge whether the target is 0 or 1, that is, whether the mask is worn or not.
Key words: Face recognition; Mask recognition; target detection; YOLO

目 录

一、绪论 5
（一）选题背景及意义 5
（二）国内外研究现状 5
（三）本文主要研究内容 7
二、相关技术介绍 7
（一）目标检测 7
（二）YOLO算法 10
三、系统总体设计 15
（一）系统需求分析 15
（二）系统功能设计 15
四、系统实现 16
（一）图像预处理 16
（二）图像识别 18
（三）代码实现 23
五、总结与展望 31
主要参考文献 32

一、绪论

（一）选题背景及意义
随着现代化的发展，人们生活节奏越来越快，可以通过图像进行交流。从用户的角度来看，图像不受当地语言等因素的限制，能够更好地表达和传达人们的情感信息，可以作为快速表达的载体。对我们来说，编辑文本是很容易的，但是图像中传递的内容和信息非常大。因此，如何方便、有效地找到关键信息并利用图像成为图像处理领域的一个关键研究问题。近年来，由于其在场景中的广泛应用，图像识别成为图像研究领域的一个热点。在畜牧业中，我们可以通过监测牲畜的生长状况、活桩的形状和形状来判断，定期定量喂养牲畜，监测其生长发育情况。在工业上，关键问题可以通过图像识别来解决。在医学上，高清图像可以用来扫描身体的各个部位。此外，图像在日常活动中也起着至关重要的作用，如高速列车安检中的人脸识别，以及机上乘客的身份信息；平日停车时，采用车牌识别技术进入停车场；申请身份证时，每个公民都会输入自己的指纹信息，以便将来进行安全验证。总之，图像在我们的日常生活中是不可或缺的。利用传统方法或深度学习方法快速有效地识别图像和提取颜色特征信息具有重要意义。
在机器视觉中，图像识别是一个关键问题。图像识别的精度主要取决于图像关键部位的定位精度。首先，图像处理是图像预处理。经过预处理后的图像特征提取算法有sift、LBP和Haar。通过一系列的步骤，我们可以准确地识别图像的内容。获取图像的方法有很多种，但我们必须利用摄影工具将采集到的图像数据存储在数据库中以备不时之需，而对受损图像的处理就是对图像中我们需要的图像进行切割，以确定其统一的格式和大小。对于图像质量较差的图像，可以对图像进行去噪、增强和一系列的预处理，以方便以后的使用。获取完整的特征信息是反映用户需求、服务于整个行业的关键，因此这一步是图像识别的基础过程，细化来说就是先要提取需要去识别的图像的特征，然后再利用分类器来把相同特征的归为一类，实现分组，从而实现对图像的识别。
人工智能和机器学习的发展也为图像识别提供了极好的资源。机器学习就是让机器拥有与人类相同的大脑，使机器能够独立地学习和分析问题。人类知识的获得是一个漫长而反复的过程。在人类进化的过程中，人们通过学习和理解知识来理解自己需要获得的东西。通过不断的实践，人们可以获得相关的技能，并分析和总结在这个过程中获得的经验。机器学习类似于人脑的学习，使机器学习不再是科幻电影的场景。人类通过眼睛捕捉周围的所有信息，并将视网膜成像传输到大脑，获得相关的图像特征。机器视觉就是通过各种设备获取相关的图像。经过特征提取，机器可以通过学习识别相关对象，并通过计算机或音频设备显示学习的内容。分类器训练是机器学习的关键。通过不断的训练
并对分类器进行调整，得到分类器模型，对误差范围较小的目标进行识别。机器学习包括无监督学习、有监督学习和半监督学习。
目前，图像处理已经成为一个热门话题，人脸识别技术在图像处理中得到了广泛的应用。如何快速有效地识别图像信息并处理相关特征成为人们关注的焦点。将机器学习应用于图像识别可以大大提高识别效率和准确率。在机器学习中，传统的模型是卷积神经网络模型。在ilsvrc-2012比赛中，卷积神经网络算法取得了优异的成绩。该模型具有一系列优点，但在卷积神经网络的前向传播过程中，一些有用的图像信息会被丢弃，不能作为图像特征。因此，在设计过程中对丢弃的图像特征进行回收，采用多层信息融合的方法对传统的卷积神经网络模型进行改进，并利用该模型对人脸图像进行研究。
而我们清楚的是人脸识别无论是数字图像的处理方面还是在于计算机视觉领域的方面，其地位都是很高的，它能利用摄像机采集信息，并对其进行检测，还能快速识别出口罩佩戴情况，所以说该项技术对于当下疫情控制的意义是非常高的，在该方面的投入也是非常有必要的有价值的。面对突如其来的新一轮肺炎疫情，人们的生活秩序被严重扰乱。与普通流感不同，这种流行病可以通过人类唾液传播，并具有很强的感染他人的能力。最近，面对疫情，市面上的口罩越来越少。新型冠状病毒肺炎对该病的流行尤为重要。能有效阻断新型冠状肺炎病毒的传播。它能直接从源头检查，将人体唾液和气流从第一道屏障中隔离出来，有效保护自己和他人，不传播病毒。在中国的公共场所必须戴口罩。然而，在商场、餐厅、地铁等人员密集场所，应对客流高峰期的措施往往让人发自内心。一些人外出时不爱戴口罩，这给病毒提供了可乘之机，给自己和他人的生命带来重大安全隐患。如果有一套系统，通过对数字图像的采集和识别，识别出是否戴口罩的人，并做出相应的预警和报警就显得尤为重要和迫切。随着计算机视觉技术的发展，基于图像的面具识别迅速引起人们的关注。
（二）国内外研究现状
伴随着时代的不断发展，计算机已经走入了平常生活，对于计算机领域的不断发展我们是有目共睹的，特别是计算机视觉原理，被广泛应用，生活生产的许许多多领域都离不开该方面的种种技术，例如在智能交通的建设中，动态实施目标跟踪与定位起到了不可或缺的关键作用，同样的该项技术也被用在智能监控防盗，军事引用，医疗导航外科手术的器械实时定位之中，斌且起到着不可或缺的作用，具有极大的应用价值。
作为当下飞速发展的热门方向，目标检测已经被人们