张路达，邓 超

河南理工大学 物理与电子信息学院，河南 焦作454003

在疫情常态化的形势下，佩戴口罩是切断病毒传播途径最简便有效的方式，可以有效降低人与人相互交叉感染的风险。疫情期间，商场、车站等公共场所禁止未佩戴口罩人员进入。公共场所多为人群密集区域，通过人工方式大面积检查口罩佩戴情况会耗费大量的人力与时间，并且容易造成漏检，因此实现一种具有实时性的高精度的口罩佩戴检测算法是十分必要的。

近年来，随着卷积神经网络的兴起，传统的利用手工设计图像特征的目标检测方法已经发展为基于深度学习的目标检测方法[1-2]。相比于传统的检测方法，基于深度学习的目标检测算法其优势在于无需进行人工的特征设计，具有优秀的特征表达能力以及优良的检测精度。目前基于深度学习的主流目标检测算法依据其设计思想，主要分为两类：第一类是基于区域建议的二阶段目标检测算法。此类算法将目标检测分为两个阶段，第一个阶段生成可能包含目标的候选区域（Region Proposal），第二个阶段利用卷积神经网络完成对候选区域的目标位置与类别的预测及识别，得到最终的检测结果，其代表有R-CNN[3]、Fast R-CNN[4]、Faster R-CNN[5]等。第二类是基于回归的一阶段目标检测算法。该类算法将目标检测看成一个回归问题，不再生成候选区域，直接完成从原始图像的输入到物体位置和类别的输出，是一种端到端的目标检测算法，此类算法拥有更快的检测速度，其代表作有SSD[6]、YOLO[7]、YOLOv2[8]、YOLOv3[9]等。……