基于深度学习的人脸口罩检测系统设计文献综述

全文总字数：3279字

自2020年以来，新冠疫情在全球肆虐，佩戴口罩成为了全民共识，在人流量较大的地铁站等公共场所，采用人力去检查人流中是否有人不按照防疫要求佩戴口罩，就显得有些费时费力了。

因此，要设计一款能够自动检测的工具，帮助工作人员快速进行检测，而人脸口罩检测系统就能够帮助防疫工作人员提高检测效率，快速识别隐形风险，统筹疫情防控管理，在预防新冠病毒，提高人民群众防范病毒意识，保护人民群众生命健康安全等方面起到了重要的作用。

一．国内外研究现状目前，人脸口罩检测技术主要分为两类：一种是基于传统图像特征的目标检测算法和另一种基于深度学习的目标检测算法。

传统的目标检测算法主要采用人工设计的目标物特征，如HOG(Histogram of Oriented Gradient)、Haar(Haarlike features)等，将这些特征送入SVM(Support Vector Machines)等分类器中进行目标检测，这种检测算法在深度学习方法出现之前较为常用，但是传统的方法并不具备较强的泛化能力，检测结果常常不尽如人意，此外，如何设计好的目标物特征，极大地影响了最后的检测效果，而寻找到一个好的目标物特征较为耗时，需要设计者手动去调整参数，工作量大，最后的效果也未必很好。

在2014年之后，深度学习的方法逐渐热门起来，而基于深度学习的目标检测算法主要有两个分支：以R-CNN，Fast R-CNN，Faster R-CNN等算法为代表的基于候选框的两阶段目标检测算法；另一条路线是以YOLO，SSD等为代表的单阶段目标检测算法。

对于两阶段的目标检测算法，主要解决的是两个子任务：图像的识别与图像的定位，图像的识别可以采用分类器进行分类，在实际工程中已经能取得不错的结果，而图片的定位则有多种算法，滑窗法等等；对于单阶段目标检测而言，它能够同时预测边界框与类别，相比于两阶段，它的处理速度更加快，实时性更好，但是在检测效果上不如两阶段的好，精度不够高。

在基于深度学习的人脸检测算法中，为了满足对于实时性的要求，国内外倾向于选用SSD算法与YOLO算法，而SSD算法是较为常用的算法模型， SSD的优点就是它生成的候选框(default box) 是多尺度的，这是因为SSD生成d的候选框(default box) 的特征图(feature map) 不仅仅是CNN输出的最后一层，还是利用比较浅层的特征图(feature map)生成的default box，所以SSD对于小目标的检测一定会优于YOLO，适合于对图片中的人脸部分进行检测，同时，又因为SSD生成的多尺度default box一定有更高概率找到更加贴近于参考标准(ground truth)的候选框，所以模型的稳定性也优于YOLO，因此人脸口罩检测系统的设计也往往采用SSD算法，在它的基础之上加以改进。

二．发展趋势随着计算机算力的不断提升，目前来看，国内外的人脸口罩检测方法主要采用深度学习，检测算法偏向于采用单目标的SSD和YOLO算法，模型经过训练之后，在多个数据集上都能取得不错的识别效果，实时性能也符合实际应用的要求，但是也存在着一些设计上的缺陷，比如数据集太小，训练结果不具有很高的泛化能力，没有加入一些错误的佩戴图片，只能够检测人脸上是否有口罩，甚至用其他物体遮挡脸部的部分区域也能够通过检测，这样的系统设计出来，并不具有很好的应用能力，给工作人员带来了额外的负担，因此，在未来的人脸检测系统设计中，应当充分考虑到错误的口罩佩戴方式，增加数据集的数量，将更多的图片放入模型中训练，提高模型的泛化能力。

此外，迁移学习在目标检测中也表现出色，通过借用已经训练好的网络，适当地修改网络的层数，也能得到出色的训练结果，当前普遍应用的SSD算法就是基于VGG16网络，修改部分层，从而实现良好的目标检测能力。

以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。