文獻(xiàn)標(biāo)識(shí)碼: A
DOI:10.16157/j.issn.0258-7998.211870
中文引用格式: 王林,南改改. 基于深度學(xué)習(xí)的口罩佩戴檢測(cè)與跟蹤[J].電子技術(shù)應(yīng)用,2022,48(5):21-26.
英文引用格式: Wang Lin,Nan Gaigai. Detection and tracking of mask wearing based on deep learning[J]. Application of Electronic Technique,2022,48(5):21-26.
0 引言
近年來(lái),人們所生活的環(huán)境空氣污染程度日益嚴(yán)重,由此引發(fā)了一系列的疾病,尤其嚴(yán)重的是塵肺職業(yè)病,發(fā)病率在持續(xù)增長(zhǎng)。再加上,2019年12月,新型冠狀病毒肺炎疫情(COVID-19)[1]的爆發(fā),使得人們不得不對(duì)此采取一定的措施。大量證據(jù)表明,佩戴口罩能有效緩解類似疾病的發(fā)生和傳播,所以在醫(yī)院、后廚和化工廠等特殊場(chǎng)所佩戴口罩已是必然。然而,佩戴口罩不僅需要個(gè)人自覺遵守,更需要采取一定的措施進(jìn)行監(jiān)督管理。
目標(biāo)檢測(cè)和目標(biāo)跟蹤[2]是計(jì)算機(jī)視覺中的一個(gè)基礎(chǔ)內(nèi)容?;谏疃葘W(xué)習(xí)的目標(biāo)檢測(cè)方法大致可以分為兩大類:一類是兩階段檢測(cè)器,最典型的是R-CNN系列,包括R-CNN[3]、Fast R-CNN[4]和Faster R-CNN[5];另一類是單階段檢測(cè)器,包括YOLO[6]、SSD[7]和RetinaNet[8]等。其中,YOLOv3[9]是YOLO系列中最為廣泛使用的目標(biāo)檢測(cè)算法,具有較好的識(shí)別速度和檢測(cè)精度。目標(biāo)跟蹤主要分為生成式方法和判別式方法。前者主要是對(duì)目標(biāo)進(jìn)行建模,具有代表性的算法有CSK[10]和IVT[11]等;判別式方法相比生成式方法最大的區(qū)別在于其不僅學(xué)習(xí)目標(biāo)本身,更關(guān)注如何將前景和背景分開,具有代表性的算法有KCF[12]和TLD[13]等。作為多目標(biāo)跟蹤的Deep SORT[14]算法是在SORT目標(biāo)跟蹤算法基礎(chǔ)上的改進(jìn),使用了逐幀數(shù)據(jù)關(guān)聯(lián)和遞歸卡爾曼濾波的傳統(tǒng)單假設(shè)跟蹤方法,在實(shí)時(shí)的目標(biāo)跟蹤過程中具有較好的性能。
本文詳細(xì)內(nèi)容請(qǐng)下載:http://ihrv.cn/resource/share/2000004270。
作者信息:
王 林,南改改
(西安理工大學(xué) 自動(dòng)化與信息工程學(xué)院,陜西 西安710048)