王 赫，王 剛，李芊諾，祝首安

(1.黑龍江科技大學 電子與信息工程學院，哈爾濱 150022； 2.黑龍江省科學院智能制造研究所，哈爾濱 150090)

0 引言

人工督促檢查是否佩戴口罩存在一定的局限性，效率較低，因此對佩戴口罩進行自動實時識別是解決問題的根本。結合計算機視覺和圖像處理的目標檢測技術已廣泛應用于各種圖像及視頻場景，用于檢測單個或多種目標，如汽車、垃圾、手勢、行人等，其在視頻安防、自動駕駛、交通監(jiān)控、無人機場景分析和機器人視覺等領域中有著廣泛的應用[1-2]。隨著卷積神經網絡的不斷發(fā)展，基于深度學習的目標檢測技術取得了突破，可分為單階段和雙階段網絡。關于傳統(tǒng)的目標檢測算法，Papageorgiou等提出了可直接從樣本學習特征的目標檢測框架[3]；Lowe等提出了SIFT尺寸不變特征的運動目標檢測技術[4]；Viola等提出了級聯(lián)分類器，即目標魯棒實時檢測技術[5]。此外還有光流法、幀差法、背景差法等[6]，采用的分類器主要有Bagging[7]、AdaBoost[8]及支持向量機SVM[9]等。

基于深度學習的目標檢測算法根據(jù)識別和分類兩個過程，確定目標位置和類別方式，可分為以YOLO系列為代表的單階段及以Faster RCNN為代表的雙階段。雙階段過程主要將檢測分為生成候選框和檢測識別兩個過程，對生成的候選框進行信息提取，利用卷積神經網絡完成目標檢測和識別。典型的網絡模型有SPPNet[10]、Fast RCNN[11]、Faster RCNN[12]、R-FCN[13]等。而單階段過程是將整個過程進行統(tǒng)一，利用CNN同時進行特征提取和回歸，具有結構簡單、計算效果高等優(yōu)勢。典型的網絡模型有YOLO[14]、SSD[15]、DSSD[16]、CornerNet[17]等。

目前，單階段和雙階段的許多目標檢測網絡都可以用于對人臉是否佩戴口罩任務的檢測，但這些網絡還需要解決一些難點，如在人流量密集的復雜場景的遮擋問題，口罩款式和顏色的多樣性問題。YOLOv5模型可完成實時目標檢測任務，對人臉佩戴口罩情況進行識別檢測，提升了口罩識別效果。

基于YOLOv5單階段目標檢測算法，實現(xiàn)對人臉是否佩戴口罩的目標檢測，通過改進主干網絡的CSP模塊，加入CA注意力機制，引入α-EIoU損失函數(shù)，提升了模型精度，解決了在分辨率低、背景雜亂、遮擋情況下識別效果不佳的問題。

2 改進的YOLOv5算法

2.1 CSPDarknet53網絡結構

YOLOv4算法中的主干特征提取CSPDarknet 53網絡是在YOLOv3主干網絡Darknet 53的基礎上，借鑒CSPNet算法，引入了5個CSP模塊。DarkNet-53網絡引入了殘差結構(Residual)及全卷積方式，大大降低了網絡訓練的難度。整個主干網DarkNet-53共包含53個卷積層(Convolutional Layer)，采用尺寸大小為 1×1和3×3的卷積核。

DarkNet-53框架中的卷積層基本單元(DBL)使用卷積+BN層+Leaky ReLU激活函數(shù)，替代并去除了全連接層與最大池化層。為解決過深的網絡而出現(xiàn)的梯度消失及過擬合等網絡退化問題，引入了Residual殘差模塊。其基本思路是借鑒ResNet網絡中的殘差結構思路，使用1×1和3×3的卷積核對不同層次的特征進行張量連接，引入短接的支路方式，將本層卷積層與上一層卷積層輸入相加結果，作為下一層卷積層的輸入特征圖。

CSP模塊的整體結構分為兩個基礎層部分，利用跨階段層次結構將它們連接在一起，這種模塊結構的優(yōu)勢是降低了計算量，提升了檢測速度，增強了CNN網絡的學習能力，降低了網絡模型的計算瓶頸和算法的內存成本。

YOLOv5相比于YOLOv4，同樣沿用了CSP模塊這種方式，不同之處是設計了兩種結構類型的CSP結構(CSP1_X和CSP2_X)。為解決層數(shù)增多而導致的梯度消失問題，主干網絡利用CSP1_X結構，增加了殘差結構，加大了層間的反向傳播的梯度值，得到了更為細粒度的特征，避免了網絡退化問題。為保留豐富的特征信息，在Neck網絡中引入了CSP2_X結構，相比于CSP1_X，將Resunit替換成了2*X個CBL，進而將骨干網絡分成兩個輸出，再利用concat得到更強融合能力的網絡結構。殘差結構可以得到更為細粒度的特征，因此在YOLOv5s的骨干網絡中，CSP1_X的結構并聯(lián)了殘差結構，獲得了更好效果的網絡模型。圖1為改進的CSP1_X結構。

圖1 改進的CSP1_X結構Fig.1 Improve CSP1_X structure

2.2 CA注意力機制的引入

為提高目標檢測的檢測速度，在YOLOv5框架中引入了CA(Coordinate Attention)注意力機制模塊。相比于通道注意力機制，其特征張量利用二維全局池化的方式轉換成單個特征向量，將通道注意力機制分為兩個過程完成，通過兩個一維特征編碼沿著兩個空間方向進行特征的聚合，可使整體向一個空間方向上進行遠程依賴的捕獲，向另一個方向保留更為精確的位置信息。將生成的特征圖進行編碼，得到一對方向感知和位置敏感的特征圖，互補地應用于輸入特征圖，在一定程度上增強了關注對象的目標表示。

2.3 損失函數(shù)

YOLOv5利用預測框與真實值之間的差值的損失函數(shù)，實現(xiàn)整體模型的梯度下降，利用規(guī)定范圍內的迭代次數(shù)，不斷更新網絡的權重和偏置矩陣，得到對應損失值最小情況下對應的每個錨框的坐標位置偏移量和類別分數(shù)，為進一步接近真實框，不斷微調先驗框得到預測框。模型使用的總體損失由置信度損失、分類損失及邊界框損失組成。采用二進制交叉熵損失函數(shù)，實現(xiàn)置信度和分類損失，公式如式(1)。本研究采用α-EIoU損失函數(shù)進行邊界框定位。

(1)

其中，BCELoss表示BCE損失函數(shù)，P′代表樣本預測值，y代表樣本真是類別。

在IOU的基礎上，將重疊區(qū)域、中心點距離和縱橫比的問題考慮進去，提出了CIOU版本，得到了更好的收斂效果，并有效地執(zhí)行邊界框回歸。CloU損失函數(shù)如式(2)所示。

(2)

CIOU損失函數(shù)通過增加衡量預測框和GT框縱橫比的方式，在一定程度上提升了預測框的檢測速度，但仍存在以下幾種問題：預測框進行回歸時，若預測框與GT框的縱橫比成線性關系，CIOU增加的懲罰因子則不能起作用；根據(jù)預測框的寬度和高度的梯度公式可知，當w和h有一方增加時，另一個值必減小，二者不能保持同增同減的狀態(tài)。提出EIOU來解決以上問題，EIOU損失函數(shù)如式(3)所示。

LEIOU=LIOU+Ldis+Lasp=

(3)

采用α-EIoU損失函數(shù)，是因為IOU損失函數(shù)對bbox尺度不變，可以訓練出效果更好的網絡模型，這種方式是對所有的IOU損失函數(shù)統(tǒng)一加上一個冪值α，因此所有的損失函數(shù)變?yōu)榱耸?4)。

(4)

通過更改主干網絡中的CSP模塊結構，引入了CA注意力機制和α-EIoU損失函數(shù)，提升了整體網絡模型的檢測精度。

3 實驗與結果

3.1 實驗環(huán)境和數(shù)據(jù)集

文中使用的環(huán)境是：anaconda+keras2.24+Pytorch1.7.1+cuda9.2，顯卡是NVDIA GTX2080。

使用的實驗數(shù)據(jù)集MaskData，是一個網上的多個開源數(shù)據(jù)集拼合合成的。實驗數(shù)據(jù)集MaskData共包含5 300張人臉佩戴口罩和未佩戴口罩的圖片，是在不同背景和不同光照條件下采集的人臉口罩圖片。其中，該數(shù)據(jù)集包含多種場景下的人臉口罩圖片，如在辦公室和會議等場景下的多人交流可能出現(xiàn)的各種表情的帶口罩和未戴口罩的情況，并使用LabelImage對數(shù)據(jù)集MaskData進行人工標注。將數(shù)據(jù)集劃分為訓練集、驗證集、測試集3部分用于模型的訓練，按訓練集占比80%、測試集占比10%、驗證集占比10%進行劃分。訓練完成后使用驗證集的效果對模型進行反饋，通過更改超參之后再訓練，得到最終效果最優(yōu)的模型。

3.2 訓練方案與結果分析

采用多項式衰減學習率調度策略，設置初始的學習率為0.001，批量大小為128，最小批量大小為32，動量取0.9，衰減系數(shù)為0.005。100批次后調整學習率為0.000 1。模型訓練完成之后在測試集完成測試，使用模型精度(Precision)、模型召回率(Recall)和均值平均精度(mAP)作為模型最終評價指標，結果如表1所示。

表1 YOLOv5模型對比實驗結果Tab.1 Comparison of experiment results of YOLOv5 model

由表1可知，改進的YOLOv4使用了在骨干網絡中改進的CSP模塊，并引入注意力機制及損失函數(shù)，在一定程度上提升了網絡模型檢測精度和平均準確率。

4 結論

對于口罩的自動識別屬于計算機視覺任務。目前，人臉口罩識別方法存在分辨率低、在背景雜亂及遮擋情況下識別效果不佳等問題。為了實現(xiàn)對人臉口罩的快速有效識別，提出一種基于YOLOv5的改進算法，使用更改主干網絡中的CSP1_X模塊并聯(lián)殘差結構，用于提高模型的檢測速度。加入CA注意力機制模型，引入α-EIoU損失函數(shù)替換GIOU損失函數(shù)，更快速精準地獲取特征。通過實驗對比和可視化結果表明，在多種復雜環(huán)境下仍有良好的檢測效果，改進后的網絡模型在檢測精度和準確率上有所提升。