基于深度學習的口罩佩戴檢測與跟蹤
2022年電子技術應用第5期
王 林，南改改
西安理工大學 自動化與信息工程學院，陜西 西安710048
摘要： 佩戴口罩可以有效預防病毒的傳播，為減少通過人工方式檢查口罩佩戴情況所消耗的大量人力資源，提出一種基于深度學習的口罩佩戴檢測與跟蹤方法，該方法分為檢測和跟蹤兩個模塊。檢測模塊在YOLOv3網絡的基礎上引入空間金字塔池化結構，實現不同尺度的特征融合；然后將損失函數改為CIoU損失，減少回歸誤差，提升檢測精度，為后續跟蹤模塊提供良好的條件。跟蹤模塊采用多目標跟蹤算法Deep SORT，對檢測到的目標進行實時跟蹤，有效防止重復檢測，改善被遮擋目標的跟蹤效果。測試結果表明，該方法的檢測速度為38 f/s，平均精度值達到為85.23%，相比原始YOLOv3算法提高了4%，能達到實時檢測口罩佩戴情況的效果。
中圖分類號： TP391.4
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.211870
中文引用格式： 王林，南改改. 基于深度學習的口罩佩戴檢測與跟蹤[J].電子技術應用，2022，48(5)：21-26.
英文引用格式： Wang Lin，Nan Gaigai. Detection and tracking of mask wearing based on deep learning[J]. Application of Electronic Technique，2022，48(5)：21-26.
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.211870
中文引用格式： 王林，南改改. 基于深度學習的口罩佩戴檢測與跟蹤[J].電子技術應用，2022，48(5)：21-26.
英文引用格式： Wang Lin，Nan Gaigai. Detection and tracking of mask wearing based on deep learning[J]. Application of Electronic Technique，2022，48(5)：21-26.
Detection and tracking of mask wearing based on deep learning
Wang Lin，Nan Gaigai
School of Automation and Information Engineering，Xi′an University of Technology，Xi′an 710048，China
Abstract： Wearing a mask can effectively prevent the spread of the virus. In order to reduce the consumption of a large number of human resources in manual inspection of mask wearing, this paper proposes a method of mask wearing detection and tracking based on deep learning, which is divided into two modules: detection and tracking. Based on the YOLOv3 network, the spatial pyramid pooling structure is introduced into the detection module to realize the feature fusion at different scales, then the loss function is changed to CIoU loss to reduce the regression error improve detection accuracy, and provides good conditions for the subsequent tracking module. The tracking module adopts the multiple object tracking algorithm Deep SORT to track the detected objects in actual time, which can effectively avoid repeated detection and better the tracking effect of the occluded targets. The test results indicate that the detection velocity of this way is 38 f/s, and the average accuracy value is 85.23%, which is 4% higher than the original YOLOV3 algorithm, and can achieve the effect of real-time detection of mask wearing.
Key words : object detection；object tracking；mask wearing detection；YOLOv3；Deep SORT
0 引言
近年來，人們所生活的環境空氣污染程度日益嚴重，由此引發了一系列的疾病，尤其嚴重的是塵肺職業病，發病率在持續增長。再加上，2019年12月，新型冠狀病毒肺炎疫情(COVID-19)[1]的爆發，使得人們不得不對此采取一定的措施。大量證據表明，佩戴口罩能有效緩解類似疾病的發生和傳播，所以在醫院、后廚和化工廠等特殊場所佩戴口罩已是必然。然而，佩戴口罩不僅需要個人自覺遵守，更需要采取一定的措施進行監督管理。
目標檢測和目標跟蹤[2]是計算機視覺中的一個基礎內容。基于深度學習的目標檢測方法大致可以分為兩大類：一類是兩階段檢測器，最典型的是R-CNN系列，包括R-CNN[3]、Fast R-CNN[4]和Faster R-CNN[5]；另一類是單階段檢測器，包括YOLO[6]、SSD[7]和RetinaNet[8]等。其中，YOLOv3[9]是YOLO系列中最為廣泛使用的目標檢測算法，具有較好的識別速度和檢測精度。目標跟蹤主要分為生成式方法和判別式方法。前者主要是對目標進行建模，具有代表性的算法有CSK[10]和IVT[11]等；判別式方法相比生成式方法最大的區別在于其不僅學習目標本身，更關注如何將前景和背景分開，具有代表性的算法有KCF[12]和TLD[13]等。作為多目標跟蹤的Deep SORT[14]算法是在SORT目標跟蹤算法基礎上的改進，使用了逐幀數據關聯和遞歸卡爾曼濾波的傳統單假設跟蹤方法，在實時的目標跟蹤過程中具有較好的性能。
本文詳細內容請下載：http://m.jysgc.com/resource/share/2000004270。
作者信息：
王 林，南改改
（西安理工大學 自動化與信息工程學院，陜西 西安710048）
此內容為AET網站原創，未經授權禁止轉載。