智能人脸口罩识别系统设计

本文针对公共场所人群口罩佩戴情况的监测需求,设计并实现了一种基于PyramidBox的人脸口罩佩戴识别系统。该系统能够在复杂背景和光照条件下准确地检测出人脸区域,并判断人脸是否佩戴了口罩,并对未佩戴者进行实时提示。PyramidBox算法是一种用于人脸检测的单阶段算法,本文增加了一个二分类器来判断人脸是否佩戴口罩,并结合颜色检测和肤色提取技术来提高识别准确率。最后,本文在WIDER FACE数据集、MAFA数据集和自采集数据集上进行了大量实验,并与其他主流人脸检测算法进行了定量和定性分析,结果表明本文提出的系统设计在准确率、鲁棒性、速度等方面均具有优势,适用于机场、火车站、学校等公共场所,可以有效地提高安全管理水平。     

基于YOLOv5的疫情防控口罩佩戴检测系统设计与实现

面对当前疫情防控的实际需求,自动化检测可以减少管理人员与他人接触感染的风险且能使疫情防控管理更加高效。针对人脸佩戴口罩识别问题,利用深度学习的神经网络自动提取目标特征的优点,将获取的数据集通过LabelImg标注软件进行标注,使用YOLOv5目标检测算法训练网络模型,实现对佩戴口罩和未佩戴口罩的检测;通过PyQt5设计并实现了疫情防控口罩佩戴检测系统,提高了疫情防控效率。     

基于迁移学习与RetinaNet的口罩佩戴检测的方法

本文提出一种基于深度学习的方法,通过迁移学习与RetinaNet网络来对人们是否佩戴口罩进行检测。训练后模型的在验证集下的AP值为86.45%。通过比较RetinaNet与时下流行的目标检测网络YOLOv3在不同人脸数和相同人脸类别数情况下的检测效果,表明RetinaNet的J值高于YOLOv3,且在测试中展现了良好的检测效果。     

基于YOLOv5与目标追踪算法的戴口罩人脸识别系统

针对后疫情时代人脸识别系统无法在佩戴口罩的情况下准确识别人脸的问题,基于OpenCV库和Dilb库架构系统,引入YOLOv5目标检测算法替代Dlib原有的人脸目标区域检测算法。通过检测算法获取一系列目标特征值的坐标位置后,采用CentriodTracking目标追踪算法来处理这些特征,从而实现对佩戴口罩人脸图像的快速识别,系统同时实现了用户注册、数据录入、信息管理和日志等功能。     

嵌入式口罩佩戴检测系统研究与实现

常态化疫情防控形势下,公共场合佩戴口罩可以有效降低交叉感染风险,针对口罩佩戴检测中的小目标检测困难以及实时性较差的问题,提出了基于嵌入式平台Jetson nano的口罩佩戴检测系统,通过增加YOLOv3-tiny的主干网络层深度,引入注意力机制以及TensorRT模块,提升了嵌入式系统口罩佩戴检测任务的精度和实时性,改进后的YOLOv3-tiny算法mAP值达到了87.5％,FPS为20.4,相较于改进前精度提升12.3％,帧率提升10.4 fps.     

基于YOLOv5网络模型的人员口罩佩戴实时检测

近年来,随着硬件算力的提升和人工智能算法的创新发展,使得深度学习算法在目标检测方面有着广泛的应用。针对现有人工方式查看人员口罩佩戴情况的不足,提出了一种基于深度学习YOLOv5算法实现对口罩佩戴情况的实时检测。算法首先将数据集进行归一化处理,再将数据接入YOLOv5网络进行迭代训练,并将最优权重数据保存用作测试集测试,算法通过tensorboard可视化显示训练和测试结果。实验结果表明,所提算法检测的准确性高,实时性强,满足实际使用需求。     

基于视频的人脸识别校园安全接送系统的研究

校园安全接送作为一个严肃的社会问题,需要及时发现不明身份人员混入校园等隐患,而市场上大多数的校园人脸识别系统,基本上都需要专用的硬件设备,且只支持单人逐个检测,这无疑提高了推广的成本.针对以上问题,本文提出了使用普通摄像头的支持多人的人脸识别系统.首先采用YOLOv3算法训练人脸数据集,利用K-Means++算法改进先验框中心位置的预测,提高边界框的准确性,得到人脸检测器,对视频中的行人进行人脸检测;之后利用本文的人脸图像质量评价FIQUE算法对人脸进行筛选,增加高质量的人脸图像占比;最后使用Inception-ResNet-v1模型提取人脸特征,进行识别.本文方法利用学校现有的摄像头设备,提高了系统的普及率.实验证明了本文多人识别系统的实时性和鲁棒性良好.     

基于Jetson Nano的人脸口罩识别系统设计

人脸和口罩识别在许多现代应用中有广泛需求,包括安全检查、身份认证以及工业安全等方面。探讨了基于Jetson Nano的人脸口罩识别系统,旨在实现对个体是否佩戴口罩的准确判断。该系统使用先进的人脸识别算法来定位图像中的人脸区域,然后应用深度学习模型对人脸区域进行口罩检测。所有的数据处理和模型推理均在Jetson Nano上实现,从而使系统具有较高的运行效率和可移植性。在多个不同环境和视角下进行测试,结果显示该系统在各种复杂条件下都展示出较高的识别准确率,并能处理高达30帧/s的实时图像。不仅证明了Jetson Nano在图像识别和实时数据处理方面的高性能,还为开发多种人脸识别应用提供了有力的技术支持。     

基于改进YOLOv3的安全帽检测方法研究

针对目前对工业现场安全帽佩戴检测过程中出现的检测准确率低和实时性弱问题,提出一种基于YOLOv3的改进模型。首先,采用K-Means++聚类算法,优化获取安全帽佩戴检测的先验框尺寸;在YOLOv3特征提取网络之后引入注意力模块(scSE);并在网络预测阶段,引入残差模块。实验表明：在自制安全帽佩戴检测数据集实验中平均准确率达到88.16%。相较于原始的YOLOv3算法,改进后算法对安全帽检测平均准确度有一定程度的提高。     

非约束环境下基于YOLOv3-Tiny多模型融合方式的快速人脸定位算法

非约束环境下的人脸定位算法是诸多面部感知应用系统中的关键基础模块,一直是极具挑战性的课题。随着海量训练数据集的出现及深度学习技术的发展,基于深层卷积神经网络的视觉目标检测方法取得了突破性的进展,YOLOv3-Tiny是其中一种具有较高准确率的快速通用目标检测算法,但由于其输出神经元的物理感受野范围会随网络输入尺寸的固定而被限定,使其无法在具有尺度范围跨度过大的非约束人脸检测中充分发挥其检测性能。为了有效扩展YOLOv3-Tiny网络检测神经元的有效感知范围,文章提出了一种基于YOLOv3-Tiny多模型融合方式的快速人脸定位算法。首先根据人脸尺寸对原始图像集的标签数据进行筛选,划分为不同的子集,并利用它们分别对多个具有不同有效感知范围的YOLOv3-Tiny模型进行训练。接着,利用多模型对输入图像独立进行推理,并基于非极大值抑制算法及相应的尺度约束阈值实现检测结果的有效融合。实验结果显示,该算法能够有效利用多模型各自的检测优势,实现跨度尺度范围下的无约束人脸检测,具有重要应用潜力。