基金项目：铜陵学院2022年大学生创新创业训练项目

项目名称：人间有味—研制新型“茶沐益”n97口罩

基金编号：S202310383217X

引言

  随着传染病毒的流行，佩戴口罩已经成为了一种常态。社会要求人们在工作和出行时一定要戴好口罩，以避免病毒在人群中蔓延。所以，在公共场所必须对口罩进行有效的佩戴和检测，以保证公众的健康和社会的稳定。论文提出利用计算机视觉来进行口罩佩戴和佩戴规范性检测，不仅能避免检测人员和他人接触感染的风险，也能提高检测效率。传染病毒的传播方式之一就是被感染者通过咳嗽、打喷嚏、呼吸、交谈等方式传染他人，所以必须要戴口罩，同时对街上的行人进行检查，也就成了首要任务。口罩识别除了要识别脸部外，还必须准确识别口罩使用者是否戴上口罩，对识别算法和使用细节特性的能力都有较高的要求。所以，通过相关研究和知识的查询，需要怎样去检测被遮挡的人脸是一个很有意义的问题。

一、国内外研究现状

近年来，随着深度学习在人工智能、电脑视觉等领域的迅速发展，在人脸识别、图像分类、物体识别等方面也取得了令人瞩目的成绩。目前国内尚无专门的口罩佩戴检测算法，本文采用了深度学习技术。目前已有大量的基于深度学习的对象检测方法，该方法无需生成候选点，而是直接进行目标对象的自动回归，如 YOLO、SSD等one-stage算法。这类算法有很好的检测速度，但其检测准确率很低。还有two-stage系列算法，它包括Fast R-CNN、Faster R-CNN等，首先生成候选区域，然后对候选区域进行分类并修改边界，虽然two-stage对检测有比较高的准确率，但是它的网络相对复杂，因此在检测速度上不如one-stage。与此同时， YOLO算法在经过了几代人的不断修改和完善后，已经逐步弥补了许多缺点。从YOLOv1、YOLOv2到YOLOv3，不但在检测准确率上有很大的提高，同时也大大改善了对小目标的探测能力。而文献^[1]对小目标检测和检测速度的算法进行了研究，实验结果显示，改进后的YOLOv3能够较快地实现对移动设备的实时检测。

另一方面，关于口罩规范佩戴识别的研究近年来还很少，但利用皮肤来检测人脸口罩的启发，联想到可以通过检测人脸中鼻和嘴周围皮肤的暴露状况来判断口罩是否佩戴规范。皮肤检测主要有基于RGB、基于HSV和基于YCrCb的检测算法。之前的实验研究发现单纯基于RGB或HSV颜色空间来判断皮肤的方法容易受到亮度的影响，鲁棒性较低，而在YCrCb颜色空间中肤色像素具有一定聚类性，分布相对集中，不易受到亮度的干扰，更适合应用于皮肤检测。文献^[2]利用YCrCb对其进行肤色检测，实验结果表明，人脸口罩检测的mPA达到89.4%，口罩佩戴规范的识别率达到82.48%，满足实际应用的需求。

二、口罩图像处理方法

网上查到得到的人脸图像可能会有很大噪音等情况，输入的人脸图像数据存在这些情况必定会影响输出的结果，因此为了保证输出结果的质量需要对图像进行预处理，处理方法如下：

（一）灰度化方法

简单来说，就是将一张彩色照片变成一张黑白照片。RGB模式下的彩色图象在每一象素中可以提取超过一千六百万个数值，这将会导致图像的识别工作变得复杂。灰度化就是令R=G=B，因此每个像素的数值范围就变成了0-255。

（二）直方图均衡化方法

直方图的均衡化就是将直方图中的不平衡变成了一种平衡，这样就可以让直方图中的各个数值都均匀的分布了。直方图均衡能很好地处理背景，前景太亮或者太黑，能纠正不充分的曝光和过度的曝光问题。在此基础上，利用均衡函数将其恢复为原始的直方图。

（三）去噪方法

在采集图像资料的过程中可能会产生大量的噪声，其中有椒盐噪声、高斯噪声等。这种方式可以去除图像中的所有噪音。

（四）归一化方法

归一化，即通过对图像进行一定的规范处理，从而得到一幅规格化的图像，即通过不变性来找出一套参数，从而消除某些功能对图像的影响。简单来说就是找到图像中恒定的量,不管对它进行任何形状、亮度或者其他的变化,都可以使变化后的图象和原始图形归于一个类别。

三、图像预处理技术

图像预处理是在图像识别的早期阶段进行的一种相应的技术手段，它可以使被识别的图片尽可能地减少受干扰。由于在正常情况下采集的图像会受到光照、环境、噪声等因素的干扰，从而使其无法直接辨认。文章主要从图像预处理的角度，阐述了它的工作原理和过程。

（一）图像灰度化

在对彩色图象进行处理时，不仅占用了大量的空间，而且还会增加计算工作量。因此，在进行图像识别之前，对图像的颜色没有任何要求。在进行预处理之前，必须先进行灰度处理，去除各种不需要的颜色，从而增强图像的识别能力，只保留 RGB颜色图案。有三种图象灰度化方法入下：

（二）最大值法

在图象灰度方法中，最大值法是最简单直接的一种方法，它直接选取 RGB中的最大值，用最大的点表示该颜色空间，如公式3-1所示。

gray=max（R，G，B）                      （3-1）

（三）平均值法

平均值法是一种最接近于图象饱和度的方法，用 RGB三个点的平均数，用平均值来替代这个区域的色彩空间，如公式3-2所示。

gray=（R+G+B）/3                         （3-2）

（四）加权方法

加权方法是通过将WR、WG、WB分配不同大小值的权重，并且把它们赋予给R、G、B，同时还需要将灰度值进行加权处理，例如公式3-3所示。

gray＝WRR+WGG+WBB  

结论

目前图像识别算法受到周围环境影响较大，由于脸部遮挡、光照、人脸的极端偏转角度以及分辨率低，使得人脸检测在实际应用中还面临很多挑战。特别是在低光照条件下，采集到的图像由于低可见度和信噪严重影响人脸检测效果^[4]。而基于深度学习的方法具有强大的特征学习能力及较高的检测精度，所以为了能够落实到实际应用中，需要进行优化。

文章使用基于深度学习机器视觉识别技术，优化识别精度，削弱检测码对光照的敏感度，在当前疫情防控环境下进行场景应用创新。

从网上搜集了大量佩戴口罩和不带口罩的图片，手动进行标注，建立了自己的数据集，而得到的检测模型是由YOLOv3运行出来的。经过在包含280张图片的测试集上进行测试，平均检测准确度为91.48%，预测一张图片需要秒0.16秒，实时检测速度为5.5帧每秒，模型的体积为235MB；对现有结果不满意，又用Tiny-YOLO 模型继续训练，经过不断调试超参数，得到了平均检测准确度为92.10%、预测一张图片只需要0.03秒、实时检测速度为25.5帧每秒、模型体积为33MB的更优秀的模型，最后用Pyqt5编写了图形界面；可以一键打开摄像头进行检测，并对视频流进行处理，发现未佩戴口罩者，发出报警提示。

参考文献

[1] 张培栋. 基于深度学习目标检测算法研究[D].长春工业大学,2020.

[2] 肖俊杰.基于YOLOv3和YCrCb的人脸口罩检测与规范佩戴识别[J].软件,2020,41(07):164-169.

[3] 王旭. 低分辨率和有遮挡人脸检测研究[D].哈尔滨工业大学,2020.DOI:10.27061/d.cnki.ghgdu.2020.003708.

[4] 王传聪. 基于深度学习的复杂环境下人脸检测方法研究[D].西安电子科技大学,2018.

[5] 戴晓溪. 自动驾驶领域中轻量级YOLO网络的多级检测[D].天津大学,2019.DOI:10.27356/d.cnki.gtjdu.2019.000870.