冉鹏飞，刘银华

（青岛大学 自动化学院，青岛266071）

从2019年12月开始，新型冠状病毒肺炎（COVID-19）席卷了中国31 个省（自治区、直辖市）和新疆生产建设兵团以及境外的许多国家[1]。目前中国已经复工复学，但全球疫情尚未得到控制，疫情还没有结束，人们对发热和呼吸道症状还要保持警惕。尤其是在人口密集的场合下，正确佩戴口罩是防控工作的重中之重。现在是否配戴口罩通常是工作人员来检查的，这种方法效率低下。本文研究了目标检测的相关算法，发现许多算法都可以用于检测是否佩戴口罩，但是复杂的光照条件会给佩戴口罩的检测过程带来许多问题。其检测复杂光照条件下的图像时会得不到理想效果。

现在基于深度学习的目标检测算法主要分为两种。第一种是双阶段的检测算法，这种算法将目标检测分成两个步骤，第一步是利用候选区域生成网络获取一个候选框，第二步通过卷积神经网络完成对候选框中候选目标位置与类别的检测。常见的双阶段目标检测算法主要是以Fast R-CNN[2]、Faster R-CNN[3]等为代表的算法。第二种是单阶段目标检测算法，它可以直接回归预测框，具有更快的检测速度。常见的单阶段目标检测算法SSD、YOLO 系列[4]等为代表。本文基于YOLOv4 算法为基础，针对在复杂光照条件下，口罩检测效果不好的情况，本文主要改善工作有以下几点：

（1）在YOLOv4 的主干网络中引入基于通道和空间注意力机制，同时在特征金字塔部分加入跨阶段局部网络，增强特征图的表达能力。……