[發明專利]一種基于深度學習的竊賊面罩檢測方法

在審

• 申請號: 202310075674.7
• 申請日: 2023-02-07
• 公開（公告）號: CN116503589A
• 公開（公告）日: 2023-07-28
• 發明（設計）人: 陳苗苗;曾慶喜;唐自興;萬政;楊亮亮;江發欽
• 申請（專利權）人: 珠海安聯銳視科技股份有限公司
• 主分類號: G06V10/26
• 分類號: G06V10/26;G06V40/16;G06V10/764;G06V10/774;G06V10/778;G06V10/82
• 代理公司: 廣州瑞之凡知識產權代理事務所(普通合伙) 44514
• 代理人: 廖夏林

1.一種基于深度學習的竊賊面罩檢測方法，其特征在于具體包括如下步驟：

S1、竊賊面罩數據集的收集和制作：

S11、收集竊賊面罩數據集，通過在互聯網相應的網站上進行爬取得到竊賊面罩及竊賊的圖片，以及通過搜索查找關鍵詞并進行人工篩選得到的竊賊面罩及竊賊圖片；

S12、制作竊賊面罩檢測的正樣本數據和負樣本數據，使用標注工具將收集好的竊賊面罩數據集按照收集的類別進行分類，其中將面罩數據集單獨記為一個類別為facemask，并將單純人臉和戴口罩的人臉分別作為兩個不同的類別，記為face和mask，并對其進行類別標注作為負樣本，然后將其他的數據全部作為負樣本不進行類別的區分。

S2、模型訓練：

S21、竊賊面罩數據處理，選用基于YOLOX和基于yolov5的框架分別使用同樣的數據集進行訓練，并將轉換好格式的數據集按照網絡訓練需要的格式創建文件夾并將圖片數據和標注數據放到對應的文件夾里面；

S22、竊賊面罩檢測模型訓練，通過目標檢測算法對竊賊面罩進行檢測，將竊賊面罩數據、單純人臉數據以及戴口罩的人臉數據分成3個不同的類別進行訓練。

S3、設備端應用：將步驟S2中訓練好的竊賊面罩檢測模型加載到設備端，通過設備端對待檢測的圖片進行檢測，首先確定檢測到的竊賊面罩目標的位置，然后使用目標跟蹤算法對檢測到的竊賊面罩目標位置信息進行跟蹤，最后對跟蹤的竊賊面罩目標圖片進行摳取抓圖，得到檢測竊賊面罩目標的輸出結果。

2.如權利要求1所述的基于深度學習的竊賊面罩檢測方法，其特征在于，所述步驟S11中，在收集竊賊面罩圖片時，為了能夠獲得較高的檢測準確率，需要同時收集一些單純人臉、戴口罩的人臉、黑色背包、黑色帽子、黑色手套數據作為負樣本數據，其中將單純人臉和戴口罩的人臉作為兩個單獨的類別，分別記為face和mask，這種制作數據集負樣本的方式，可以進一步降低竊賊面罩檢測識別的誤報率。

3.如權利要求1或2所述的基于深度學習的竊賊面罩檢測方法，其特征在于，所述步驟S12中制作竊賊面罩檢測的正樣本數據和負樣本數據的具體步驟為：

S121、將收集好的竊賊面罩數據集按照收集的類別進行分類，其中將面罩數據集單獨記為一個類別為facemask，并將單純人臉和戴口罩的人臉分別作為兩個不同的類別，記為face和mask，進行類別標注作為負樣本，剩余其他的數據全部作為負樣本不進行類別的區分；

S122、使用labelImg標注工具，使用facemask作為類別標簽，框的box信息為竊賊面罩包裹的頭部和面部位置的信息進行竊賊面罩標注；

S123、將單純人臉和戴口罩的人臉分別標注為和竊賊面罩不同的類別，分別記為face和mask，標注框的box信息分別為單純人臉和戴口罩的人臉的位置信息，在標注單純人臉數據時，使用已經訓練好的人臉檢測模型進行標注，得到未標注人臉數據的標簽，然后人工再去糾正模型標注的這部分標簽，最終得到單純人臉的標注信息，戴口罩的人臉數據使用使用標注工具labelImg進行手動標注。

4.如權利要求1或3所述的基于深度學習的竊賊面罩檢測方法，其特征在于，所述步驟S21中，在制作數據時，當使用基于YOLOX的網絡框架時，選用PASCALVOC標注格式，當使用基于yolov5的框架時，需要將已經標注好的PASCALVOC格式的標注文件轉換為適用于yolov5網絡的yolo格式的標注文件，然后將轉換好格式的數據集按照網絡訓練需要的格式創建文件夾并將圖片數據和標注數據放到對應的文件夾里面。

5.如權利要求1所述的基于深度學習的竊賊面罩檢測方法，其特征在于，所述步驟S22中，為了降低誤報率，可以收集一些人的背影和側面的數據集，并對肉眼能看到人臉的圖片數據進行標注，看不到清晰人臉以及人頭背影的，直接將其作為負樣本數據不進行標注，最后將這些新增的數據合到以往的訓練數據集中進行訓練得到訓練模型，再次對這個訓練好的模型進行測試，循環往復，直至將模型訓練到誤報率在可接受的范圍內且能投入到實際應用中。