程長文，陳 瑋，陳勁宏，尹 鐘

(上海理工大學(xué) 光電信息與計算機(jī)工程學(xué)院，上海 200093)

隨著全球新冠疫情的爆發(fā)，公共場合口罩佩戴檢測的效率就顯得尤為重要。圖像檢測任務(wù)的核心是特征提取。相較于傳統(tǒng)方法，基于深度神經(jīng)網(wǎng)絡(luò)方法的特征提取具備更加豐富和完整的信息，因此本文使用深度學(xué)習(xí)的方法搭配深度學(xué)習(xí)模型來提高口罩佩戴檢測的效率。目前用于目標(biāo)檢測和臉部識別的模型存在一些缺點(diǎn)，例如文獻(xiàn)[1]提出的One-stage檢測的R-CNN(Region-based Convolutional Neural Network)以及文獻(xiàn)[2]提出的Faster R-CNN雖然檢測精度良好，但是檢測效率不理想，以至于其使用場景有限；文獻(xiàn)[3]提出的EfficientDet和文獻(xiàn)[4]提出的EfficientNet都是目標(biāo)檢測模型，主要優(yōu)點(diǎn)在于模型自身具有自適應(yīng)縮放的功能，但是其模型的精度和效率在識別任務(wù)中表現(xiàn)不理想；文獻(xiàn)[5]提出的RetinaFace面部識別模型，會捕捉到冗余的臉部特征，造成算力資源的浪費(fèi)。

針對當(dāng)下疫情發(fā)展的實際需求，本文對于上述模型特點(diǎn)進(jìn)行了總結(jié)：(1)大部分模型都是基于目標(biāo)檢測任務(wù)的特點(diǎn)，整體效率和精度受限于機(jī)器的性能和檢測的目標(biāo)大??；(2)重疊的目標(biāo)以及體積小的目標(biāo)會導(dǎo)致上述分類模型的識別精度下降[6]。基于以上原因，若將上述模型運(yùn)用到口罩檢測任務(wù)中，口罩佩戴檢測的場所人流密度較大、圖像采集點(diǎn)較遠(yuǎn)、目標(biāo)重合度和大小較復(fù)雜等背景特點(diǎn)會降低模型的效率和精度。

為此，本文提出了一種改進(jìn)的YOLO[7](You Only Look Once)口罩佩戴實時檢測方法。本文模型在文獻(xiàn)[8]提出的YOLOv4模型的基礎(chǔ)上進(jìn)行了優(yōu)化。YOLO模型的特點(diǎn)是采用單個神經(jīng)網(wǎng)絡(luò)可以一起完成對物品邊界和類別概率的預(yù)測，從而實現(xiàn)端到端的物品檢測。因此，使用YOLO模型可以在保持合理精度的同時提高檢測效率，使其成為真正意義上的實時檢測器。本文主要從3個方面優(yōu)化YOLOv4模型，從而提高模型對人臉口罩佩戴檢測的效率和精度：(1)在檢測效率上，本文在中間層和隱藏層使用了SiLU激活函數(shù)，相較于文獻(xiàn)[9]提出的YOLOv3模型中選用的Leaky ReLU激活函數(shù)，以及YOLOv4模型中使用的Mish激活函數(shù)，SiLU激活函數(shù)提升了模型的運(yùn)算效率。本文模型還添加了Focus結(jié)構(gòu)和自適應(yīng)圖片縮放的策略。其中Focus結(jié)構(gòu)的添加可對3層普通下采樣卷積進(jìn)行參數(shù)量的優(yōu)化，減少參數(shù)量，從而達(dá)到提速的效果。自適應(yīng)縮放有助于加快方法的檢測效率；(2)在泛化性上，本文采用了自適應(yīng)錨定框(Auto Learning Bounding Box Anchors)和優(yōu)化的數(shù)據(jù)增強(qiáng)(Data Augmentation)[10]，自適應(yīng)錨定框可以基于不同的數(shù)據(jù)集自動地學(xué)習(xí)分析，從而為每個數(shù)據(jù)集計算出適合的預(yù)設(shè)錨定框。數(shù)據(jù)增強(qiáng)可對解決模型訓(xùn)練過程中的“小對象問題”有著明顯的優(yōu)化，兩者相結(jié)合可提升模型的泛化能力；(3)在特征融合能力的提升上，本文方法將現(xiàn)有YOLOv4中Neck部分的CBL(卷積)替換為CSPNet模型中的CSP2。新的Neck部分的添加，提高了模型融合特征能力。

圖1為本文所提出的改進(jìn)YOLO模型的框架。圖2為改進(jìn)YOLO檢測方法的訓(xùn)練和檢測流程。

圖1 改進(jìn)YOLO檢測方法的訓(xùn)練和檢測流程Figure 1. Training and detection process of improved-YOLO detection method

圖2 改進(jìn)YOLO模型框架Figure 2. Improved-YOLO model framework

1 YOLO目標(biāo)檢測

1.1 YOLO的發(fā)展歷程

YOLO系列是從YOLO、YOLOv2 、YOLOv3和YOLOv4不斷發(fā)展而來的目標(biāo)檢測模型。其與Faster R-CNN單例檢測器將目標(biāo)檢測劃分為一元回歸有所不同。YOLO的框架如圖3所示，其主要思想是將輸入的圖像分割成N×N的網(wǎng)格。該模型對每個網(wǎng)格都進(jìn)行單獨(dú)的檢測，對每個單元格都進(jìn)行邊界框預(yù)測和預(yù)測框的置信度計算。置信度可以反映物體存在于網(wǎng)格中的概率，若存在概率高，則相應(yīng)的置信度就高，反之一樣。置信度的計算式為

(1)

每個網(wǎng)格都能預(yù)測目標(biāo)對象的存在概率C?？偣差A(yù)測6(5+C)個值，即 (x，y，w，h)以及置信度C。其中(x，y)代表網(wǎng)格的中心坐標(biāo)，(w，h)代表網(wǎng)格的寬度和高度。

受Faster R-CNN的啟發(fā)，YOLOv2借鑒了先驗框的思想進(jìn)行檢測，可以簡化問題并簡化網(wǎng)絡(luò)的學(xué)習(xí)過程。除了先驗框外，YOLOv2還引入了批處理的歸一化[11]和跳躍連接[12]，顯著提升了定位和回溯的能力。

圖3 YOLO的模型預(yù)測Figure 3. YOLO modelprediction

基于YOLOv2，研究人員又提出了更優(yōu)的目標(biāo)檢測框架YOLOv3。受文獻(xiàn)[13]提出的特征金字塔框架的推動，YOLOv3主要升級了檢測的維度。其分別在3個不同的維度檢測，有效地解決了檢測對象大小變化的問題。與以往的基于區(qū)域識別的檢測器相比，YOLO模型使用了3個主要的模塊，本文將在以下章節(jié)逐個說明。

1.2 主干網(wǎng)絡(luò)部分(Backbone)

CSPDenseNet的前饋傳遞和權(quán)重更新計算式分別如式(2)～式(7)所示

(2)

(3)

(4)

(5)

(6)

(7)

式中，*表示卷積操作；[·]表示堆疊；k表示密集層個數(shù)；f表示權(quán)重更新的函數(shù)?？梢园l(fā)現(xiàn)，Dense Layers的梯度是各自積分的，X″0是獨(dú)立積分的。

1.3 Neck部分(SPP模塊和FPN+PAN模塊)

Neck部分主要是為了更好地提取融合特征，從而提高模型性能。其中，Spatial Pyramid Pooling(SPP)[17]模塊使用了最大池化，將不同尺度的特征圖進(jìn)行Concat操作，具體實現(xiàn)如式(4)和式(5)所示。另外，F(xiàn)eature Pyramid Network(FPN)[18]特征金字塔網(wǎng)絡(luò)其實就是不同尺度的特征融合預(yù)測。PAN部分主要借鑒了圖像分割領(lǐng)域PANet[19]。YOLOv4在PAN部分運(yùn)用了其拆分的思想，從而進(jìn)一步提高特征提取的能力。Neck部分的模型結(jié)構(gòu)如圖4所示。

(8)

(9)

(11)

(12)

(13)

(14)

(15)

式中，Kh表示核的高度；Sh表示高度方向的步長；Ph表示高度方向的填充數(shù)量，需要乘以2；ceil(·)函數(shù)表示向上取整，用于核和步長的計算；floor(·)函數(shù)表示向下取整，用于Padding的計算。

圖4 Neck部分的模型結(jié)構(gòu)Figure 4. Model structure ofthe Neck part

1.4 Head網(wǎng)絡(luò)輸出層

FPN輸出的3個分支，通過兩層卷積輸出預(yù)測的Head。錨定框的應(yīng)用是網(wǎng)絡(luò)輸出層的主要特點(diǎn)。Head層的最終輸出向量包含對象得分、類概率和包圍框。YOLOv3、YOLOv4與本文模型都是使用一樣結(jié)構(gòu)的Head層。不同大小的物體在模型中需要使用不同縮放尺寸的Head來檢測，其中每個Head一共使用3×(2個類+1個概率+4個坐標(biāo))個錨定框，一共18個Channels。

2 改進(jìn)YOLO的檢測方法

2.1 輸入層優(yōu)化

現(xiàn)有的YOLOv4模型使用了標(biāo)準(zhǔn)的馬賽克增強(qiáng)(Mosaic Augmentation)。Mosaic Augmentation參考了CutMix[20]數(shù)據(jù)增強(qiáng)方式。CutMix數(shù)據(jù)增強(qiáng)的原理就是將兩張圖片按照一定比例地混合合成一張新的圖片，以此來有效地利用訓(xùn)練像素并保留區(qū)域信息來維持正則化效果。Mosaic數(shù)據(jù)增強(qiáng)的改進(jìn)在于，一次性讀取4張圖片，并將4張圖片進(jìn)行相應(yīng)的翻轉(zhuǎn)、縮放和色域變化之后按照比例混合輸出一張圖片。這樣做的優(yōu)勢在于豐富了檢測物體的背景，提高了模型對于不同背景的泛化能力。

本文的方法優(yōu)化了數(shù)據(jù)增強(qiáng)模塊，添加了圖像的視角變換，色域變換方面拆分為色度、飽和度和明度3個方向調(diào)整。添加了相應(yīng)參數(shù)的設(shè)置文件，可以依據(jù)不同數(shù)據(jù)集手動調(diào)整相應(yīng)變換的概率。表1顯示了可以調(diào)整的參數(shù)清單。

表1 數(shù)據(jù)增強(qiáng)可以調(diào)整的參數(shù)

在自適應(yīng)錨定框的計算方面，對于不同的數(shù)據(jù)集和檢測目標(biāo)，在YOLO模型中需要初始設(shè)定適合訓(xùn)練數(shù)據(jù)集的錨定框尺寸。在模型進(jìn)行訓(xùn)練中，模型會在初始的錨定框上輸出預(yù)測框，從而和數(shù)據(jù)集中標(biāo)注的真實框進(jìn)行對比，計算兩者的置信度，再來反向更新預(yù)測框，從而優(yōu)化網(wǎng)絡(luò)的參數(shù)。所以采用多尺度預(yù)測目標(biāo)區(qū)域和類別信息[21]對模型的優(yōu)化尤為重要，圖5所示就是針對本文數(shù)據(jù)集計算得出的錨定框。

圖5 本文數(shù)據(jù)集計算得出的初始化錨定框Figure 5. Boundingbox anchors from the data set in this study

現(xiàn)有的YOLOv3和YOLOv4初始化錨定框的設(shè)定需要通過單獨(dú)的kmeans_for_anchors.py程序單獨(dú)計算。本文將錨定框的計算放置到訓(xùn)練代碼中，從而實現(xiàn)每次訓(xùn)練時能夠自適應(yīng)地計算不同數(shù)據(jù)集的最優(yōu)錨定框。

在常見的目標(biāo)檢測模型中，自適應(yīng)圖片縮放對輸入模型的圖片尺寸有著長寬的要求。為了能夠盡可能地利用不同尺寸的數(shù)據(jù)集，模型需要對數(shù)據(jù)集中不同圖片的尺寸進(jìn)行調(diào)整以適應(yīng)模型的輸入要求。在YOLO模型中，常用的檢測尺寸有416×416和608×608。本文模型訓(xùn)練的是608×608。如圖6所示為對800×600長寬的圖像進(jìn)行縮放的過程。然而，現(xiàn)有的YOLO模型無論訓(xùn)練還是檢測都是將圖片強(qiáng)制縮放到指定的尺寸。本文對此進(jìn)行了優(yōu)化，在訓(xùn)練時對數(shù)據(jù)集全部縮放到預(yù)定的尺寸，但在方法檢測時采用np.mod(X，32)的計算方式縮減黑邊，從而提高模型檢測的效率。

圖6 自適應(yīng)圖片縮放的過程Figure 6. The process of adaptive image scaling

本文方法在檢測圖像中使用自適應(yīng)縮放的具體實現(xiàn)如圖7所示。

圖7 自適應(yīng)圖片縮放優(yōu)化步驟Figure 7. Adaptiveimage scaling optimization steps

自適應(yīng)縮放的優(yōu)化主要分為3步：(1)計算得出最小的縮放系數(shù)；(2)由最小的縮放系數(shù)確定圖像縮放的比例；(3)通過函數(shù)np.mod(X，32)確定填充的高度，從而得到變換后的圖片。本文方法的網(wǎng)絡(luò)經(jīng)歷了5次下采樣，故將函數(shù)的第2個參數(shù)設(shè)置為32，即25=32，所以用32進(jìn)行取余操作。

2.2 Neck部分優(yōu)化

在YOLOv4的Neck部分中，使用的是CBL。本文為了加強(qiáng)模型的特征融合能力，參考了CSPNet模型中的CSP2結(jié)構(gòu)，將Neck部分的CBL部分替換為CSP2。具體的模型框架如圖8所示。

圖8 Neck部分優(yōu)化結(jié)構(gòu)Figure 8. Neck partially optimized structure

2.3 激活函數(shù)優(yōu)化

本文使用SiLU(Sigmoid-Weighted Liner Unit， SiLU)激活函數(shù)替換YOLOv4現(xiàn)有的Mish激活函數(shù)。Mish函數(shù)的數(shù)學(xué)表達(dá)式如式(16)所示。SiLU也稱為Swish激活函數(shù)，最初是由Google Brain所提出的，實際上是Sigmoid函數(shù)的改進(jìn)版本。SiLU的表達(dá)式及其導(dǎo)數(shù)表達(dá)式如式(17)和式(18)。

(16)

(17)

(18)

2.4 添加Focus結(jié)構(gòu)

在YOLOv3和YOLOv4模型中并沒有Focus結(jié)構(gòu)。本文在輸入層之后添加Focus結(jié)構(gòu)，主要是進(jìn)行切片操作，對3層普通下采樣卷積進(jìn)行改進(jìn)。改進(jìn)后參數(shù)量減少，可以達(dá)到提速的效果。圖9展示的是Focus結(jié)構(gòu)中的切片示意圖，4×4×3的特征圖像經(jīng)過切片之后轉(zhuǎn)變?yōu)?2×12的特征圖像。

圖9 Focus切片示意圖Figure 9. Schematic diagram of Focus slice

本文方法輸入的尺寸為608×608×3，將其輸入到Focus結(jié)構(gòu)中，對其進(jìn)行切片操作，先變換為304×304×12的特征圖像，隨后輸入到模型經(jīng)過72個卷積核的卷積操作，最終變換為304×304×72的特征圖像。

3 實驗與分析

3.1 數(shù)據(jù)集的獲取

本文數(shù)據(jù)集主要來源于MAFA(Masked Faces)[22]data set(基本都是戴口罩的圖片)和WIDER FACE data set(基本都是不戴口罩的圖片)。數(shù)據(jù)集總共7 859張，其中包含6 120張訓(xùn)練集和1 839張驗證集。訓(xùn)練集包含來自MAFA的3 006張圖片以及WIDER Face的3 114張圖片，驗證集包含MAFA的1 059張圖片以及WIDER Face的780張圖片。圖10顯示了不同數(shù)據(jù)集不同場景的數(shù)據(jù)圖片。

圖10 數(shù)據(jù)集圖片類別 (a)室外口罩佩戴 (b)多人未佩戴口罩 (c)室內(nèi)佩戴口罩 (d)白色口罩佩戴 (e)充足光線未佩戴口罩Figure 10. Data set image category(a)Wearing mask outdoors (b)Many people without masks (c)Wearing mask indoors (d)Wearing a white mask (e)Sufficient light and mask is not wearing

本文數(shù)據(jù)集的圖片由不同尺寸的圖片組成，由訓(xùn)練機(jī)器的顯存大小決定經(jīng)過Letterbox處理成416×416或者608×608。本文數(shù)據(jù)集標(biāo)注采用了LabelImg軟件，數(shù)據(jù)集的Label分布如圖11所示。

圖11 本文數(shù)據(jù)集Label

3.2 實驗環(huán)境

為驗證本文改進(jìn)YOLO方法的準(zhǔn)確性和有效性，在表2所示參數(shù)的環(huán)境平臺下進(jìn)行實驗。

表2 本文實驗環(huán)境及配置

3.3 實驗參數(shù)和評價指標(biāo)

本文實驗優(yōu)化后的模型配置參數(shù)如表3所示。在主要參數(shù)相同的情況下驗證不同模型的檢測效果，用以驗證本文方法的有效性和準(zhǔn)確性。

表3 模型的參數(shù)設(shè)置

本文實驗屬于二分類模型，主要的評價指標(biāo)分為召回率(Recall)、精確率(Precision)、F1-Score、平均精度(mean Average Precision，mAP)和幀率(Frames Per Second，F(xiàn)PS)。二分類評價M指標(biāo)的計算依賴于混淆矩陣，具體放入結(jié)構(gòu)如表4所示。

表4 二分類混淆矩陣

不同評價指標(biāo)的計算式如式(19)～式(21)所示。

(19)

(20)

(21)

mAP的計算方式為所有分類的AP進(jìn)行平均所得。AP的計算方式為Recall和Precision的曲線(RP曲線)與坐標(biāo)軸構(gòu)成圖形的面積。FPS為每秒傳輸幀數(shù)，主要用來衡量方法的檢測效率。

3.4 對比實驗

目前已有多種口罩佩戴檢測的方法，而過去主要嘗試的檢測模型為RetinaFace[23]，該模型僅在少量的數(shù)據(jù)集上進(jìn)行了實驗，數(shù)據(jù)集僅有3 000張，并且模型也進(jìn)行了更多的無用面部特征點(diǎn)的檢測，消耗算力且降低效率。DFS[24]模型實現(xiàn)的核心在于人臉檢測。該方法運(yùn)用了特征融合、語義分割和注意力學(xué)習(xí)，在口罩佩戴的檢測中主要依賴模型結(jié)構(gòu)。此外，該模型訓(xùn)練費(fèi)時，檢測效果對圖像質(zhì)量依賴度較大，所以效果不太理想。RetinaNet[25]模型的實驗受限于數(shù)據(jù)集和模型的特點(diǎn)，檢測精度和檢測效率都不高，檢測精度低于90%且單張圖片的檢測檢測時間超過200 ms。本文改進(jìn)YOLO方法在本文數(shù)據(jù)集中的檢測精度和效率上都有所提高。本文數(shù)據(jù)集場景較多，能夠使訓(xùn)練出來的模型適應(yīng)不同的環(huán)境。單張圖片的檢測使用本文方法在NVIDIA GTX1080Ti(11 GB)上的檢測耗時低于30 ms，F(xiàn)PS大于25就可以歸為實時檢測。本文模型檢測的FPS一般維持在30，且檢測分類的判別數(shù)值也相對較高，對于一些復(fù)雜場景和目標(biāo)重疊的情況也有較好的識別精度。

表5 不同方法和不同數(shù)據(jù)集檢測效果對比

3.5 消融實驗

消融實驗主要用來分析不同網(wǎng)絡(luò)模型對整個方法的影響，該實驗方法常用于深度學(xué)習(xí)領(lǐng)域。

本文研究了YOLOv4、YOLOv4-tiny和改進(jìn)YOLO的消融效果。實驗的數(shù)據(jù)集包含7 959張圖片，訓(xùn)練和檢測的比例為9∶1。圖12顯示了改進(jìn)YOLO模型的消融實驗檢測效果。對所有人臉進(jìn)行檢測，戴口罩和未佩戴口罩檢測出的標(biāo)簽不同，其中face_mask是佩戴口罩的標(biāo)簽，face是未佩戴口罩的標(biāo)簽。表6顯示了實驗的一些數(shù)據(jù)，這些數(shù)據(jù)表示當(dāng)置信閾值等于0.5時獲得的一些數(shù)據(jù)值。從表中可以看出，新的數(shù)據(jù)增強(qiáng)方案、CSP2結(jié)構(gòu)的引入和Focus結(jié)構(gòu)的添加以及新的激活函數(shù)等優(yōu)化顯著提高了方法的查全率和查準(zhǔn)率，從而使F1的分?jǐn)?shù)從97.02%提高到97.35%。另外，自適應(yīng)圖片縮放在于保證準(zhǔn)確率的情況下提高了檢測效率，這對于使用工程化建設(shè)有一定的幫助。表6的參數(shù)證明了本文一些優(yōu)化的有效性，它提供了口罩以及小目標(biāo)檢測的解決方案。圖13顯示了3種不同模型的查準(zhǔn)率和召回率曲線，曲線已進(jìn)行歸一化操作，可以看出本文模型具有一定的優(yōu)勢。

圖12 改進(jìn)YOLO的消融實驗檢測效果Figure 12.Improved-YOLO ablation experiment detection effect

表6 YOLOv4、YOLOv4-tiny和改進(jìn)YOLO的消融實驗

圖13 YOLOv4、YOLOv4-tiny和改進(jìn)YOLO的查準(zhǔn)率和召回率曲線Figure 13. Precision andrecall curves of YOLOv4， YOLOv4-tiny and improved-YOLO

4 結(jié)束語

本文提出了一種基于YOLOv4分割模型的人臉口罩佩戴實時檢測模型的實現(xiàn)方法。該方法可以在性能較低的設(shè)備上保證視頻流的實時檢測，并且檢測精度具有優(yōu)勢。優(yōu)化之后的方法在LabelImg工具手工標(biāo)注的數(shù)據(jù)集進(jìn)行了離線訓(xùn)練。此外，方法的自適應(yīng)圖片縮放提高了工程化的能力。該方法可以擴(kuò)展到多種檢測場景，例如信號燈[26]、安全帽、護(hù)目鏡、工牌等。本文方法還擁有進(jìn)一步優(yōu)化的空間，例如繼續(xù)優(yōu)化數(shù)據(jù)集的增強(qiáng)方法，優(yōu)化模型層級適應(yīng)不同檢測需求，優(yōu)化小樣本的方法效果等，從而提高檢測精度和效率。