《電子技術(shù)應(yīng)用》
您所在的位置:首頁(yè) > 其他 > 設(shè)計(jì)應(yīng)用 > 基于深度學(xué)習(xí)的口罩佩戴檢測(cè)與跟蹤
基于深度學(xué)習(xí)的口罩佩戴檢測(cè)與跟蹤
2022年電子技術(shù)應(yīng)用第5期
王 林,,南改改
西安理工大學(xué) 自動(dòng)化與信息工程學(xué)院,,陜西 西安710048
摘要: 佩戴口罩可以有效預(yù)防病毒的傳播,為減少通過(guò)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(xué)習(xí)的口罩佩戴檢測(cè)與跟蹤方法,,該方法分為檢測(cè)和跟蹤兩個(gè)模塊,。檢測(cè)模塊在YOLOv3網(wǎng)絡(luò)的基礎(chǔ)上引入空間金字塔池化結(jié)構(gòu),實(shí)現(xiàn)不同尺度的特征融合,;然后將損失函數(shù)改為CIoU損失,,減少回歸誤差,提升檢測(cè)精度,,為后續(xù)跟蹤模塊提供良好的條件,。跟蹤模塊采用多目標(biāo)跟蹤算法Deep SORT,對(duì)檢測(cè)到的目標(biāo)進(jìn)行實(shí)時(shí)跟蹤,,有效防止重復(fù)檢測(cè),,改善被遮擋目標(biāo)的跟蹤效果。測(cè)試結(jié)果表明,,該方法的檢測(cè)速度為38 f/s,,平均精度值達(dá)到為85.23%,相比原始YOLOv3算法提高了4%,,能達(dá)到實(shí)時(shí)檢測(cè)口罩佩戴情況的效果,。
中圖分類號(hào): TP391.4
文獻(xiàn)標(biāo)識(shí)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(xué)習(xí)的口罩佩戴檢測(cè)與跟蹤[J].電子技術(shù)應(yīng)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(lái),,人們所生活的環(huán)境空氣污染程度日益嚴(yán)重,由此引發(fā)了一系列的疾病,,尤其嚴(yán)重的是塵肺職業(yè)病,,發(fā)病率在持續(xù)增長(zhǎng)。再加上,,2019年12月,,新型冠狀病毒肺炎疫情(COVID-19)[1]的爆發(fā),使得人們不得不對(duì)此采取一定的措施,。大量證據(jù)表明,,佩戴口罩能有效緩解類似疾病的發(fā)生和傳播,所以在醫(yī)院,、后廚和化工廠等特殊場(chǎng)所佩戴口罩已是必然,。然而,佩戴口罩不僅需要個(gè)人自覺(jué)遵守,,更需要采取一定的措施進(jìn)行監(jiān)督管理,。

    目標(biāo)檢測(cè)目標(biāo)跟蹤[2]是計(jì)算機(jī)視覺(jué)中的一個(gè)基礎(chǔ)內(nèi)容?;谏疃葘W(xué)習(xí)的目標(biāo)檢測(cè)方法大致可以分為兩大類:一類是兩階段檢測(cè)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(cè)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(biāo)檢測(cè)算法,,具有較好的識(shí)別速度和檢測(cè)精度,。目標(biāo)跟蹤主要分為生成式方法和判別式方法。前者主要是對(duì)目標(biāo)進(jìn)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(qū)別在于其不僅學(xué)習(xí)目標(biāo)本身,更關(guān)注如何將前景和背景分開(kāi),,具有代表性的算法有KCF[12]和TLD[13]等,。作為多目標(biāo)跟蹤的Deep SORT[14]算法是在SORT目標(biāo)跟蹤算法基礎(chǔ)上的改進(jìn),使用了逐幀數(shù)據(jù)關(guān)聯(lián)和遞歸卡爾曼濾波的傳統(tǒng)單假設(shè)跟蹤方法,,在實(shí)時(shí)的目標(biāo)跟蹤過(guò)程中具有較好的性能,。




本文詳細(xì)內(nèi)容請(qǐng)下載:http://forexkbc.com/resource/share/2000004270




作者信息:

王  林,南改改

(西安理工大學(xué) 自動(dòng)化與信息工程學(xué)院,,陜西 西安710048)




wd.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng),,未經(jīng)授權(quán)禁止轉(zhuǎn)載。