葛延良, 李德鑫, 王冬梅, 董太极, 贺 敏

(1.东北石油大学 电气信息工程学院, 大庆 163000; 2.中国移动通信集团黑龙江有限公司 大庆分公司, 大庆 163000)

0 引 言

根据世界卫生组织的通告,戴口罩是预防新型冠状病毒等空气传播传染病最有效的措施之一。疫情期间,为了有效减少新型冠状病毒的传播,在公共场所或室内工作时,应当佩戴口罩。采用人工监督和检测方法不仅耗费人力,还会存在与被检查人员接触从而感染病毒的风险。因此,对于企业和商场等公共场所来说,能够实时的进行口罩佩戴检测是非常有必要的。

随着深度学习技术的飞速发展,使得计算机视觉领域取得巨大进展。目标检测属于计算机视觉中非常重要的研究方向,目前主要有基于双阶段的目标检测算法和基于单阶段的目标检测算法两类。其中,基于双阶段的目标检测算法的典型代表主要有区域卷积神经网络(Region-convolutional neural network, R-CNN)[1]、快速的区域卷积神经网络(Fast Region-convolutional neural network, Fast R-CNN)[2]、更快的区域卷积神经网络(Faster Region-convolutional neural network, Faster R-CNN)[3]、基于掩码分割的区域卷积神经网络(Mask Region-convolutional neural network, Mask R-CNN)[4]、特征金字塔网络(Feature pyramid network, FPN)[5]等,此类算法对目标进行检测时分为两个步骤:首先生成一系列候选框,再用卷积神经网络进行分类和边框回归。基于单阶段的目标检测算法把生成候选框和分类回归这两个步骤合并在一个网络中进行,常见的基于单阶段目标检测算法有OverFeat[6]、单阶段多锚框目标检测器(Single shot multibox detector, SSMD)[7]、你只需看一次(You only look once, YOLO)[8-11]系列等。考虑到在实际监控任务中需要达到实时检测的目的,而单阶段的目标检测算法在检测速度上可以达到实时的效果。……