■ 文/劉子龍 周志鵬 萬(wàn)森 許瑞

1.安徽科大擎天科技有限公司 2.安徽省公安廳科技信息化處

關(guān)鍵字：人臉口罩佩戴識(shí)別技術(shù) 智慧社區(qū) 疫情防控

1 引言

社區(qū)通過(guò)傳統(tǒng)的視頻監(jiān)控手段可以實(shí)現(xiàn)社區(qū)進(jìn)出人員的身份識(shí)別，滿足社區(qū)通行管理和安全監(jiān)控需求。疫情防控期間，佩戴口罩是疫情防控的最佳手段，也是人員出行的基本要求。但在佩戴口罩的情況下，人臉識(shí)別系統(tǒng)如何做到戴口罩刷臉通行，避免接觸感染，成為疫情防控和治安防控要求下的新難題。

傳統(tǒng)的口罩識(shí)別技術(shù)采用MTCNN（多任務(wù)級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)）或SSD（單發(fā)多邊框檢測(cè)器）網(wǎng)絡(luò)作為口罩佩戴識(shí)別的網(wǎng)絡(luò)模型，在識(shí)別準(zhǔn)確率和識(shí)別速度等方面不盡如人意，給社區(qū)疫情防控工作帶來(lái)不便，進(jìn)而帶來(lái)疫情傳播風(fēng)險(xiǎn)。因此，為解決傳統(tǒng)識(shí)別方法中識(shí)別率和準(zhǔn)確率低等問(wèn)題，我們對(duì)傳統(tǒng)SSD架構(gòu)進(jìn)行了改進(jìn)，增加對(duì)戴口罩人臉的檢測(cè)，實(shí)現(xiàn)自動(dòng)準(zhǔn)確且快速地識(shí)別人臉或視頻中的人物是否佩戴口罩，有效預(yù)防感染、防控疫情。

2 傳統(tǒng)口罩佩戴識(shí)別的網(wǎng)絡(luò)模型

2.1 MTCNN網(wǎng)絡(luò)

對(duì)于口罩識(shí)別功能，目前大多采用神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別，很多安防監(jiān)控系統(tǒng)通過(guò)系統(tǒng)升級(jí)來(lái)實(shí)現(xiàn)口罩識(shí)別。例如，采用MTCNN（多任務(wù)級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)）作為口罩佩戴識(shí)別的網(wǎng)絡(luò)模型，在光譜圖像上標(biāo)記ROI（感興趣區(qū)域）的目標(biāo)區(qū)域，獲取坐標(biāo)和類別信息，訓(xùn)練SVM（支持向量機(jī)）分類器，進(jìn)而針對(duì)是否佩戴口罩進(jìn)行分類判斷。該方法的缺點(diǎn)在于光譜成像儀成本高，且識(shí)別流程冗余，速度慢。

2.2 SSD網(wǎng)絡(luò)

傳統(tǒng)的SSD（單發(fā)多邊框檢測(cè)器）網(wǎng)絡(luò)同樣可以作為口罩佩戴識(shí)別的網(wǎng)絡(luò)模型。采用視頻監(jiān)控圖像作為檢測(cè)輸入，降低了采樣端設(shè)備安裝和使用成本，但采用SSD方案仍然存在模型的魯棒性差、識(shí)別準(zhǔn)確率低等缺點(diǎn)。同時(shí)，該方法對(duì)硬件處理性能要求較高，網(wǎng)絡(luò)模型的識(shí)別速率相對(duì)較慢，導(dǎo)致系統(tǒng)實(shí)時(shí)性不足。除此之外，檢測(cè)目標(biāo)對(duì)象用衣物或手臂捂住口鼻、天氣及環(huán)境因素等很多非系統(tǒng)原因也會(huì)導(dǎo)致識(shí)別系統(tǒng)的識(shí)別準(zhǔn)確率降低。

3 基于改進(jìn)后的SSD人臉口罩佩戴識(shí)別方法

本文設(shè)計(jì)了一種人臉口罩佩戴識(shí)別方法、系統(tǒng)及終端?；诟倪M(jìn)后的SSD網(wǎng)絡(luò)模型設(shè)計(jì)，解決了傳統(tǒng)識(shí)別方法誤檢率高和識(shí)別速率低、實(shí)時(shí)性差、易受環(huán)境等因素干擾等缺點(diǎn)。該識(shí)別方法包括以下過(guò)程。

3.1 原始數(shù)據(jù)集獲取

對(duì)社區(qū)真實(shí)的歷史監(jiān)控視頻數(shù)據(jù)分幀處理，選擇其中包含人臉的圖像，并人工將其分類標(biāo)記為佩戴口罩和未佩戴口罩兩類圖像，從而獲得包含兩類圖像的原始數(shù)據(jù)集。其中，原始數(shù)據(jù)集中佩戴口罩和未佩戴口罩的人臉圖像數(shù)量比為3:1。

3.2 數(shù)據(jù)集增強(qiáng)

采用數(shù)據(jù)集增強(qiáng)方法對(duì)原始數(shù)據(jù)集進(jìn)行預(yù)處理，將處理后的圖像增加到原始數(shù)據(jù)集中，獲得擴(kuò)增后的訓(xùn)練數(shù)據(jù)集。數(shù)據(jù)集增強(qiáng)方式包括：角度旋轉(zhuǎn)、隨機(jī)裁剪、亮度調(diào)整、對(duì)比度調(diào)整。

角度旋轉(zhuǎn)指對(duì)原始圖像進(jìn)行任意角度旋轉(zhuǎn)的變化，該過(guò)程中人物圖像主體的位置被改變，契合了真實(shí)場(chǎng)景下取景角度的差異。

隨機(jī)裁剪是對(duì)原始圖像進(jìn)行裁剪，在該變換情況下，人物主體在圖像中的大小比例發(fā)生改變，契合了真實(shí)場(chǎng)景下人物主體位置變化帶來(lái)的前景和后景的景深變化。

亮度調(diào)整是對(duì)圖像的亮度進(jìn)行調(diào)整，對(duì)比度調(diào)整是改變圖像的對(duì)比度。在這兩種調(diào)整情況下，圖像質(zhì)量被改變，契合了真實(shí)場(chǎng)景下因?yàn)楣饫w、空氣質(zhì)量等環(huán)境因素造成取像質(zhì)量不一的情況。

可見(jiàn)，數(shù)據(jù)集增強(qiáng)處理的應(yīng)用，有效解決了常規(guī)取景狀態(tài)下可能存在的各種影響成像質(zhì)量的問(wèn)題，也滿足了神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過(guò)程中準(zhǔn)確識(shí)別圖像中人物對(duì)口部進(jìn)行遮擋和欺騙行為等深層語(yǔ)義特征的識(shí)別要求，保障了神經(jīng)網(wǎng)絡(luò)最終識(shí)別準(zhǔn)確率。同時(shí)對(duì)于克服小樣本缺陷，改善神經(jīng)網(wǎng)絡(luò)的魯棒性，并最終達(dá)到工業(yè)化應(yīng)用的標(biāo)準(zhǔn)也具有重要意義。

3.3 神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建

將單發(fā)多邊框檢測(cè)器基礎(chǔ)網(wǎng)絡(luò)模型中的主干網(wǎng)絡(luò)替換為具有殘差結(jié)構(gòu)的DenseNet網(wǎng)絡(luò)，并在神經(jīng)網(wǎng)絡(luò)模型中引入具有特征融合的特征金字塔模塊，進(jìn)而構(gòu)建改進(jìn)后的基于單發(fā)多邊框檢測(cè)器的神經(jīng)網(wǎng)絡(luò)模型。其中，改進(jìn)后的神經(jīng)網(wǎng)絡(luò)模型對(duì)輸入數(shù)據(jù)集的識(shí)別處理過(guò)程包括如下步驟：

1）對(duì)輸入圖片進(jìn)行預(yù)處理，將圖片尺寸統(tǒng)一調(diào)整為300×300，所述圖片作為網(wǎng)絡(luò)模型的輸入神經(jīng)元；

2）輸入圖片經(jīng)過(guò)網(wǎng)絡(luò)模型中的多個(gè)卷積層后，進(jìn)入到DenseNet網(wǎng)絡(luò)；DenseNet網(wǎng)絡(luò)在前面層和后面層之間建立短路連接，增強(qiáng)訓(xùn)練過(guò)程中梯度的反向傳播，獲取準(zhǔn)確參數(shù)，得到第一個(gè)特征圖；

3）圖片繼續(xù)在卷積層中進(jìn)行前向傳播和后向參數(shù)調(diào)整傳播，并在經(jīng)過(guò)若干卷積層后依次獲得第二、三、四、五、六個(gè)特征圖；

4）利用神經(jīng)網(wǎng)絡(luò)模型產(chǎn)生的第一、第二和第三特征圖搭建特征金字塔結(jié)構(gòu)，通過(guò)神經(jīng)網(wǎng)絡(luò)模型中的特征金字塔模塊對(duì)特征圖進(jìn)行特征信息融合；

5）設(shè)置神經(jīng)網(wǎng)絡(luò)模型損失函數(shù)，然后對(duì)六個(gè)特征圖進(jìn)行目標(biāo)分類和位置定位，獲得特征圖的目標(biāo)檢測(cè)框；

6）通過(guò)非極大值抑制方法找到最佳目標(biāo)檢測(cè)框，消除冗余的目標(biāo)檢測(cè)框，進(jìn)而針對(duì)獲取最佳目標(biāo)檢測(cè)框，得到檢測(cè)目標(biāo)是否佩戴口罩的識(shí)別結(jié)果。

傳統(tǒng)SSD網(wǎng)絡(luò)模型的網(wǎng)絡(luò)架構(gòu)如圖1所示。

圖1 傳統(tǒng)SSD網(wǎng)絡(luò)模型的網(wǎng)絡(luò)架構(gòu)

在該網(wǎng)絡(luò)模型中，樣本圖像從左邊第一個(gè)模塊輸入，輸入圖像經(jīng)過(guò)預(yù)處理后，圖片規(guī)格統(tǒng)一調(diào)整為300×300，然后數(shù)據(jù)會(huì)經(jīng)過(guò)第二部分的主干網(wǎng)絡(luò)，傳統(tǒng)SSD網(wǎng)絡(luò)的主干網(wǎng)絡(luò)為VGG-16網(wǎng)絡(luò)，主干網(wǎng)絡(luò)中最后兩個(gè)全連接層為卷積層，隨后為增加的4個(gè)卷積層，依次為：conv8_2、conv9_2、conv10_2、conv11_2，在該網(wǎng)絡(luò)模型中，圖像信息最終經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)中的卷積操作達(dá)到conv5_3層，將該層卷積后的圖像作為第一個(gè)特征圖。

經(jīng)過(guò)conv5_3層后，圖像繼續(xù)在卷積層中前向傳播和后向參數(shù)調(diào)整傳播，經(jīng)過(guò)卷積操作，在conv7即第七全連接層中調(diào)整通道數(shù)，圖像在該層卷積后的輸出作為第二個(gè)特征圖。

在接下來(lái)的各卷積層中，四層網(wǎng)絡(luò)每層都會(huì)產(chǎn)生一個(gè)特征圖。因此，在卷積層結(jié)束后一共會(huì)產(chǎn)生六個(gè)特征圖，分別是conv5_3、conv7（FC7）、conv8_2、conv9_2、conv10_2、conv11_2。這六個(gè)特征圖都要經(jīng)過(guò)目標(biāo)分類和位置定位，不同的是這四個(gè)特征圖尺度大小不一樣，所能識(shí)別的物體體積不一樣，通常低層次的特征圖對(duì)小目標(biāo)的識(shí)別更為準(zhǔn)確。

隨著特征圖層次的提高，其所能識(shí)別的目標(biāo)體積也逐漸增大。上述六個(gè)特征圖會(huì)產(chǎn)生數(shù)量龐大的目標(biāo)檢測(cè)框。最終SSD網(wǎng)絡(luò)會(huì)將這些框進(jìn)行非極大值抑制(NMS)，篩選出一定區(qū)域內(nèi)屬于同一種類得分最大的框，將識(shí)別結(jié)果框出并顯示。

該項(xiàng)技術(shù)中，將傳統(tǒng)的VGG-16主干網(wǎng)絡(luò)改成了DenseNet網(wǎng)絡(luò)，可以使目標(biāo)檢測(cè)的神經(jīng)網(wǎng)絡(luò)層數(shù)變得更深，避免傳統(tǒng)識(shí)別網(wǎng)絡(luò)模型中出現(xiàn)的梯度爆炸和計(jì)算量變大的問(wèn)題，同時(shí)可以提高識(shí)別率。DenseNet網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 DenseNet網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)

在DenseNet網(wǎng)絡(luò)中，最左邊為輸入圖像，原始圖像輸入被等比縮放至300×300的尺寸，作為神經(jīng)網(wǎng)絡(luò)的輸入神經(jīng)元。經(jīng)過(guò)若干卷積層后，圖片會(huì)進(jìn)入DenseNet網(wǎng)絡(luò)，DenseNet網(wǎng)絡(luò)是在前面層和后面層之間建立短路連接，增強(qiáng)訓(xùn)練過(guò)程中梯度的反向傳播，更快更準(zhǔn)確地獲取參數(shù)。在DenseNet網(wǎng)絡(luò)中，x0是網(wǎng)絡(luò)的初始輸入；H1的輸入是x0，輸出是x1；而H2的輸入是x0和x1，輸出是x2，以此類推。在這種網(wǎng)絡(luò)構(gòu)架中，網(wǎng)絡(luò)更窄、參數(shù)更少，每個(gè)卷積層輸出特征圖的數(shù)量都很小，而且特征和梯度的傳遞更加有效，網(wǎng)絡(luò)更加容易訓(xùn)練。

在經(jīng)過(guò)主干網(wǎng)絡(luò)DenseNet后，數(shù)據(jù)網(wǎng)絡(luò)模型可以獲取第一個(gè)特征圖；再經(jīng)過(guò)若干卷積層，獲取第二個(gè)特征圖，第二個(gè)特征圖在conv7層中產(chǎn)生；圖像繼續(xù)在卷積層中進(jìn)行前向傳播和后向參數(shù)調(diào)整傳播；接下來(lái)的四層卷積層，分別為conv8_2、conv9_2、conv10_2、conv11_2，上述四層卷積層都會(huì)產(chǎn)生一個(gè)特征圖，在卷積層結(jié)束后一共會(huì)產(chǎn)生六個(gè)特征圖。

該技術(shù)的神經(jīng)網(wǎng)絡(luò)模型，在對(duì)圖像的特征提取過(guò)程中引入了特征金字塔結(jié)構(gòu)，對(duì)不同尺度的特征圖進(jìn)行特征融合，檢測(cè)對(duì)應(yīng)尺度的目標(biāo)。SSD網(wǎng)絡(luò)模型在訓(xùn)練過(guò)程中會(huì)產(chǎn)生六個(gè)不同尺度的特征圖，該項(xiàng)技術(shù)將前三個(gè)特征圖構(gòu)建特征金字塔結(jié)構(gòu)，目的是加強(qiáng)目標(biāo)特征提取，以獲取更完整的特征信息，提高目標(biāo)檢測(cè)的最終識(shí)別率。特征金字塔模型的架構(gòu)如圖3所示。

圖3 特征金字塔模型的架構(gòu)

特征金字塔模型中特征信息的融合過(guò)程如下：

原始的輸入特征圖沿特征金字塔模型左側(cè)最低層輸入，并自下向上獲得尺寸依次減小的第一、第二和第三特征圖；特征金字塔模型右側(cè)進(jìn)行自上向下的特征融合，其中最上方第四特征圖的輸入是由左側(cè)第三特征圖進(jìn)行卷積得到的，下一層級(jí)的第五特征圖輸入是由左側(cè)第二特征圖進(jìn)行卷積得到的，最后一個(gè)層級(jí)的第六特征圖輸入是由左側(cè)第一特征圖進(jìn)行卷積得到的。特征金字塔模型中，同一層級(jí)的左右特征圖進(jìn)行信息疊加從而實(shí)現(xiàn)特征圖的特征信息融合。

在該項(xiàng)技術(shù)的神經(jīng)網(wǎng)絡(luò)模型中，產(chǎn)生的六個(gè)特征圖都會(huì)進(jìn)行目標(biāo)分類和位置定位，因此，還需要定義識(shí)別定位過(guò)程中的損失函數(shù)。

上式中，X為當(dāng)前預(yù)測(cè)框的類別匹配信息，c為類別置信度預(yù)測(cè)值，l表示預(yù)測(cè)框坐標(biāo)，g表示真實(shí)框坐標(biāo)，N表示與該類別的校準(zhǔn)框匹配成功的默認(rèn)框數(shù)量，a為拉格朗日乘子，來(lái)平衡置信度誤差和位置誤差。

其中，置信誤差函數(shù)的表達(dá)式如下：

考慮到神經(jīng)網(wǎng)絡(luò)模型在識(shí)別檢測(cè)過(guò)程中產(chǎn)生候選框的數(shù)量過(guò)于龐大，該技術(shù)采用NMS（非極大值抑制）方法進(jìn)行候選框擇優(yōu)。

非極大值抑制方法的對(duì)目標(biāo)檢測(cè)框的處理過(guò)程如下：

1）依靠神經(jīng)網(wǎng)絡(luò)模型中的分類器獲取多個(gè)候選框及候選框中屬于類別的概率值；

2）對(duì)分類器得到的所有候選框進(jìn)行得分排序，選中最高分及其對(duì)應(yīng)的候選框；

3）遍歷其余的候選框，比較當(dāng)前最高分候選框的重疊面積IOU與設(shè)定閾值的關(guān)系，并作出如下判斷：

a）當(dāng)最高分候選框的重疊面積小于閾值時(shí)，則保留當(dāng)前候選框；

b）當(dāng)最高分候選框的重疊面積大于或等于閾值時(shí)，則將當(dāng)前候選框刪除。

4）重復(fù)步驟3），依次處理所有候選框，完成對(duì)候選框非極大值抑制處理過(guò)程，獲得最佳目標(biāo)檢測(cè)框。

3.4 神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練

需要對(duì)構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，以提高其對(duì)于目標(biāo)檢測(cè)對(duì)象的識(shí)別準(zhǔn)確率。該階段，需要根據(jù)具體的訓(xùn)練指標(biāo)要求設(shè)定訓(xùn)練階段的相關(guān)參數(shù)，這些參數(shù)包括學(xué)習(xí)率、迭代次數(shù)和衰減策略等。該項(xiàng)技術(shù)中，利用經(jīng)過(guò)數(shù)據(jù)集增強(qiáng)方法擴(kuò)增后的訓(xùn)練數(shù)據(jù)集作為樣本輸入，對(duì)基于SSD網(wǎng)絡(luò)改進(jìn)的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行迭代訓(xùn)練，訓(xùn)練完成后保存經(jīng)訓(xùn)練過(guò)的具有最優(yōu)識(shí)別效率的神經(jīng)網(wǎng)絡(luò)模型。

3.5 輸入檢測(cè)圖像獲取

神經(jīng)網(wǎng)絡(luò)模型在進(jìn)行目標(biāo)對(duì)象是否佩戴口罩的識(shí)別檢查過(guò)程中，輸入樣本數(shù)據(jù)是從視頻監(jiān)控中獲取的圖像。該項(xiàng)技術(shù)中，通過(guò)分幀方法將實(shí)時(shí)獲取的監(jiān)控視頻轉(zhuǎn)化為逐幀圖像，并識(shí)別出其中含有人臉的目標(biāo)圖像。

通常，一段視頻經(jīng)分幀后產(chǎn)生的圖像很多，在實(shí)際識(shí)別檢測(cè)過(guò)程中無(wú)需對(duì)所有圖像進(jìn)行輸入識(shí)別，否則會(huì)導(dǎo)致系統(tǒng)處理難度和數(shù)據(jù)量激增。因此，可以通過(guò)擇優(yōu)方式選擇其中的若干張作為輸入圖像進(jìn)行檢測(cè)。通常，選擇標(biāo)準(zhǔn)是人物主體在圖像的中央?yún)^(qū)域且圖像質(zhì)量較佳，圖像質(zhì)量的判斷指標(biāo)包括亮度、對(duì)比度和圖像噪點(diǎn)等。在針對(duì)逐幀圖像選取最佳圖像之后，還需要通過(guò)對(duì)目標(biāo)圖像進(jìn)行亮度調(diào)整和清晰度提升完成圖像預(yù)處理。其中，通常需要將圖像的亮度提升至可清晰辨認(rèn)人物主體的程度，而清晰度調(diào)整可通過(guò)圖像去噪等技術(shù)實(shí)現(xiàn)，最后再將預(yù)處理后的圖像作為目標(biāo)檢測(cè)圖像輸入。

3.6 口罩佩戴識(shí)別檢測(cè)

將實(shí)時(shí)監(jiān)控過(guò)程中提取并預(yù)處理后的目標(biāo)檢測(cè)圖像作為輸入，訓(xùn)練完成后的神經(jīng)網(wǎng)絡(luò)模型對(duì)其進(jìn)行識(shí)別和檢測(cè)，獲取檢測(cè)目標(biāo)對(duì)象是否佩戴口罩的識(shí)別結(jié)果。該處理結(jié)果可以通過(guò)語(yǔ)音或視頻圖像方式直接輸出，也可以傳輸?shù)狡渌δ芟到y(tǒng)中，作為后續(xù)管理執(zhí)行過(guò)程的依據(jù)。

4 基于改進(jìn)后的人臉口罩佩戴識(shí)別技術(shù)在實(shí)際應(yīng)用中的測(cè)試

人臉口罩佩戴識(shí)別技術(shù)通過(guò)對(duì)傳統(tǒng)SSD模型進(jìn)行改進(jìn)，將具有殘差結(jié)構(gòu)的DenseNet網(wǎng)絡(luò)和具有特征融合的特征金字塔（FNP）模塊引入到網(wǎng)絡(luò)模型中，提高了網(wǎng)絡(luò)模型的深度和對(duì)融合特征的提取性能，進(jìn)而提升網(wǎng)絡(luò)模型識(shí)別精度和處理速度。在社區(qū)疫情防控中，進(jìn)出人員在正確佩戴口罩的場(chǎng)景下，可以實(shí)現(xiàn)無(wú)接觸式的精準(zhǔn)快速身份識(shí)別。

為檢測(cè)該項(xiàng)技術(shù)方法的優(yōu)越性，本文進(jìn)行了MTCNN、SSD與改進(jìn)后的SSD網(wǎng)絡(luò)模型性能對(duì)比實(shí)驗(yàn)。測(cè)試應(yīng)用數(shù)據(jù)包含10個(gè)隨機(jī)小區(qū)，10萬(wàn)條人臉數(shù)據(jù)。性能評(píng)價(jià)指標(biāo)包括用于評(píng)估識(shí)別準(zhǔn)確率的mAP(均值平均精度）和用于評(píng)估檢測(cè)速率的FPS（每秒幀率）。具體參見(jiàn)表1。

表1 對(duì)比實(shí)驗(yàn)中各類目標(biāo)檢測(cè)方法的性能測(cè)試結(jié)果

從對(duì)比結(jié)果來(lái)看，改進(jìn)后的SSD網(wǎng)絡(luò)模型，相比于MTCNN模型，檢測(cè)精度提升了9.09%，檢測(cè)速度提高了8.1 FPS，效果比較明顯；相比于傳統(tǒng)SSD模型，檢測(cè)精度提高了7.27%，檢測(cè)速度提高了5.7 FPS。因此可以判定，改進(jìn)后的SSD網(wǎng)絡(luò)模型顯著提高了人臉口罩佩戴識(shí)別的準(zhǔn)確率和檢測(cè)速率，性能上有了明顯提升。

5 基于改進(jìn)后人臉口罩佩戴識(shí)別技術(shù)的社區(qū)疫情精準(zhǔn)防控系統(tǒng)

社區(qū)疫情精準(zhǔn)防控是一項(xiàng)復(fù)雜任務(wù)，因此，將改進(jìn)后的人臉口罩佩戴識(shí)別技術(shù)運(yùn)用到社區(qū)疫情精準(zhǔn)防控系統(tǒng)中，可有效提升社區(qū)疫情防控智能化水平。系統(tǒng)主要包括實(shí)時(shí)測(cè)溫單元、臉部跟蹤單元、信息掃描單元、閘機(jī)控制單元。具體如圖4所示。

圖4 社區(qū)疫情精準(zhǔn)防控系統(tǒng)架構(gòu)圖

實(shí)時(shí)測(cè)溫單元包括非接觸式紅外體溫測(cè)量?jī)x，采用紅外掃描的方式檢測(cè)體溫。

臉部跟蹤單元，包括改進(jìn)后的人臉口罩佩戴識(shí)別模塊和人臉精準(zhǔn)識(shí)別模塊（包含佩戴口罩場(chǎng)景）?？谡肿R(shí)別模塊識(shí)別是否佩戴口罩。人臉精準(zhǔn)識(shí)別模塊，通過(guò)采集人臉圖片（包含佩戴口罩場(chǎng)景）并提取人臉特征值，從而與信息掃描單元掃描的身份證信息上的人臉進(jìn)行特征值比對(duì)，實(shí)現(xiàn)人員精準(zhǔn)識(shí)別。

信息掃描單元包括身份信息掃描模塊、身份信息輸入模塊和健康碼信息掃描模塊。身份信息掃描模塊用以掃描身份證信息，包括身份證號(hào)、姓名、住址及人臉圖片等等。身份信息輸入模塊是針對(duì)未攜帶身份證者提供一個(gè)手動(dòng)輸入身份信息的界面。健康碼信息掃描模塊用以掃描并記錄健康碼，以及解讀其代表含義。

閘機(jī)控制單元包括信號(hào)接受模塊、閘機(jī)控制機(jī)和警報(bào)控制機(jī)。信號(hào)接受模塊用于接收是否放行以及是否發(fā)出警報(bào)指令，當(dāng)收到放行指令時(shí)，閘機(jī)控制機(jī)打開(kāi)閘門(mén)放行，當(dāng)收到發(fā)出警報(bào)指令時(shí)，警報(bào)控制機(jī)發(fā)出報(bào)警警示音。

我們選取5個(gè)社區(qū)，對(duì)每個(gè)社區(qū)全天出入人員進(jìn)行疫情防控識(shí)別（5個(gè)社區(qū)數(shù)據(jù)量分別為10000人次、12000人次、13000人次、16000人次、20000人次），判別是否體溫正常、佩戴口罩等。測(cè)試結(jié)果如圖5所示。

圖5 改進(jìn)前與改進(jìn)后的社區(qū)疫情防控系統(tǒng)準(zhǔn)確率測(cè)試

6 結(jié)語(yǔ)

社區(qū)是疫情防控的第一道防線，在社區(qū)疫情防控中，做好人臉識(shí)別檢測(cè)、體溫測(cè)量與人員管控，是有效防控疫情和進(jìn)行社區(qū)管理的重要舉措?；诟倪M(jìn)后人臉口罩佩戴識(shí)別技術(shù)的社區(qū)疫情精準(zhǔn)防控系統(tǒng)，有效解決傳統(tǒng)網(wǎng)絡(luò)模型下人臉識(shí)別圖像識(shí)別難度大、準(zhǔn)確率低、速度慢等難題，結(jié)合實(shí)時(shí)測(cè)溫與身份采集，促進(jìn)了疫情防控的智能化發(fā)展。同時(shí)，在社區(qū)人流量大、人員流動(dòng)性強(qiáng)的情況下，口罩佩戴識(shí)別做到高效、快速通行，真正實(shí)現(xiàn)“無(wú)接觸”服務(wù)，大大提升了疫情防控形勢(shì)下社區(qū)管理的智能化水平，保障了社區(qū)安全。