Science&TechnologyVision科技视界DOI：10.19694/j.cnki.issn2095-2457.2022.30.07校园内规范佩戴口罩的人脸识别系统研究徐彻马秋宇孟科曾海平（广西科技师范学院职业技术教育学院）■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■【摘要】如今新冠病毒变异导致传染力的增强，防控疫情最有效的办法就是规范佩戴口罩。高校内的学生密度大，在频繁出入校园要求配戴口罩。师生出入校园都是通过人脸识别闸机，所以为了方便检查是否规范戴口罩，本文以YOLOv5Face人脸检测器搭建一个能够识别师生是否规范佩戴口罩的检测系统。通过对数据集的训练，得到训练后的模型对现场进行实时检测，发现检测准确性高达0.957。【关键词】人脸检测；YOLOv5Face；口罩检测；校园■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■1研究背景如今随着深度学习不断发展，以YOLOv5网络模型最为突出。为了提高算法的速度和精度难以稳定的问题，目前常用的方法是使用轻量级网络作为目标检测的模型，这样一方面保证能够在嵌入式设备上使用，另一方面加快算法检测的速度和效率。在YOLOv3到YOLOv5s这类模型不断进行轻量化处理，因此，本文以YOLOv5的作者提出的YOLOv5Face基础上，建立一个是否规范佩戴口罩的检测系统，能够解决嵌入式设备对口罩检测的精度和速度问题，能够为高校在防控疫情工作上减轻一些负担。2YOLOv5Face模型在YOLOv5网络模型基础上增加了许多复杂性因素，例如Landmark监督、不同的脸型、不同姿势等。把复杂性的应用分成不同的模型，为用户提供不同的需求，进而可以在移动设备、嵌入式上应用，实验表明在这类设备上能够得到非常好的检测速度和准确性。是专门作为人脸检测的模型，称之为YOLOv5Face。2.1模型概述相比YOLOv5网络模型，YOLOv5Face增加关键点regressionhead，损失函数用Wingloss，网络提升了泛化能力，减少的kernel，从而降低了复杂性，使得网络模型更适用于人脸检测。YOLOv5Face的网络模型如图1所示。YOLOv5Face作为人脸检测最成功的原因在于引入Stem模块，替代了原先YOLOv5网络中使用的Focus层。替换后模型的性能不变的同时，增强了泛化能力以及降低了计算的复杂性。之所以YOLOv5Face作为人脸检测最成功的原因在于引入Stem模块，替代了原先YOLOv5网络中使用的Focus层。Stem结构图有4个CBS模块，其中1、3为3×3的卷积，其余两个为1×1的卷积，可以把图像缩小成原来的4x4倍。Bottlen...
