摘要該主題包括針對(duì)新冠病毒事件的社交距離和口罩檢測(cè)，可以通過(guò)保持社交距離以及戴上口罩來(lái)緩解這種流行病。Covid－19對(duì)許多國(guó)家產(chǎn)生了巨大影響，這種影響給世界各地的許多人造成了問(wèn)題。由于可以減輕病毒的傳播，因此戴上口罩以及保持社交距離可以挽救很多生命。YOLO（You Only Look Once）表示你只看一次，該算法用于對(duì)象檢測(cè)和對(duì)象跟蹤，本研究使用YOLO在對(duì)象檢測(cè)的幫助下計(jì)算人臉的社交距離和識(shí)別口罩，同時(shí)跟蹤人臉，通過(guò)對(duì)象跟蹤完成對(duì)對(duì)象進(jìn)行計(jì)數(shù)并在下一幀中保留該對(duì)象的記錄中的步驟。保持社會(huì)距離的同時(shí)保持的最小距離為6英尺，以此作為計(jì)算距離的基礎(chǔ)，該模型經(jīng)過(guò)訓(xùn)練，可用于對(duì)象檢測(cè)和對(duì)象跟蹤。可用的算法類型不同，YOLO目前在所有其他算法中脫穎而出。

自定義數(shù)據(jù)集用于了解口罩，并在這些數(shù)據(jù)集上進(jìn)行了訓(xùn)練以進(jìn)行檢測(cè)和跟蹤。為了評(píng)估訓(xùn)練后的模型，針對(duì)兩個(gè)用例（社交距離和口罩檢測(cè)）都計(jì)算了mAP（平均精度），該方法通過(guò)將真實(shí)邊界框與檢測(cè)到的框進(jìn)行比較來(lái)進(jìn)行工作，最后返回分?jǐn)?shù)。mAP得分越高，目標(biāo)檢測(cè)的模型越好。介紹計(jì)算機(jī)視覺(jué)是人工智能的子集，它利用計(jì)算機(jī)的能力從提供的數(shù)據(jù)集中提取有意義的信息，這些數(shù)據(jù)集可以是圖像，視頻等。計(jì)算機(jī)視覺(jué)的這種使用可以擴(kuò)展到許多其他應(yīng)用程序，具體取決于用例。

人工智能可以說(shuō)是涵蓋了機(jī)器學(xué)習(xí)，深度學(xué)習(xí)和計(jì)算機(jī)視覺(jué)等方面的“棚屋”。這項(xiàng)基于“口罩檢測(cè)和社交距離”的研究使用計(jì)算機(jī)視覺(jué)，來(lái)理解圖像或視頻的各個(gè)方面，并將其作為算法的輸入。這背后的基本概念是找到與類有關(guān)的邊界框，根據(jù)訓(xùn)練數(shù)據(jù)集，類的范圍可以是從Dog到Car的任何范圍。新冠病毒對(duì)世界各行各業(yè)，包括工業(yè)，交通運(yùn)輸或農(nóng)業(yè)產(chǎn)生了巨大影響，這種影響導(dǎo)致世界停止了每個(gè)部門，并遵循嚴(yán)格的限制措施，優(yōu)先進(jìn)行社交疏散和戴口罩。Covid－19對(duì)不同行業(yè)的影響可以在下面的圖1中看到。

圖1 影響分布的餅圖

可以看出，對(duì)餐飲業(yè)的影響最大，其中20％的百分比最高，其次是房地產(chǎn)（16％）。同樣，可以看出，Covid－19的影響最小的是農(nóng)業(yè)部門（3％）。從圖2可以觀察到全球范圍內(nèi)的新冠病毒總數(shù)，該圖顯示了根據(jù)時(shí)間戳記受Covid影響的人群圖。

圖2．全球共有的Covid病例

可以觀察到，病例開始于2020年1月22日左右，圖表呈指數(shù)增長(zhǎng)，從0例增加到2021年2月9日的約1．11億例。Covid的上升正在以不同的數(shù)字影響所有國(guó)家，如此巨大的數(shù)字是毀滅性的，并導(dǎo)致了這種流行病向大流行病的轉(zhuǎn)變。方法這一部分重點(diǎn)介紹了用于對(duì)象檢測(cè)和對(duì)象跟蹤的算法。1． YOLO的體系結(jié)構(gòu)Yolo算法代表“你只看一次”，它是一種先進(jìn)的技術(shù)，它在實(shí)時(shí)系統(tǒng)上運(yùn)行，以深度學(xué)習(xí)為基礎(chǔ)，可以解決各種對(duì)象檢測(cè)以及對(duì)象跟蹤問(wèn)題�？梢詮南旅娴膱D3中觀察到Y(jié)olo的體系結(jié)構(gòu)。

圖3． YOLO架構(gòu)

從上圖可以看出，該體系結(jié)構(gòu)包含“輸入”圖像層，這些層負(fù)責(zé)獲取將傳遞給其他層的輸入，根據(jù)使用情況，輸入可以是任何圖像。沿著輸入層進(jìn)入DarkNet架構(gòu)，這是一個(gè)開源神經(jīng)網(wǎng)絡(luò)，其框架是在C＆CUDA的幫助下創(chuàng)建的，該框架具有用于對(duì)象檢測(cè)和對(duì)象跟蹤的YOLO。此外，該體系結(jié)構(gòu)由與卷積層緊密連接的flatten層組成，該卷積層也緊密連接以將數(shù)據(jù)從每個(gè)節(jié)點(diǎn)傳遞到體系結(jié)構(gòu)中的其他節(jié)點(diǎn)。

類似地，它被傳遞到輸出層，該輸出層分為4部分值，這4個(gè)部分描述了邊界框的預(yù)測(cè)值（用x，y，w，h表示），以及對(duì)象檢測(cè)分?jǐn)?shù)以及預(yù)測(cè)類別的概率。該YOLO是精確快速的“one－stage”對(duì)象檢測(cè)器系列的一部分，還有“two－stage”對(duì)象檢測(cè)器。流行的兩階段目標(biāo)檢測(cè)器是R－CNN，F(xiàn)ast R－CNN和Faster R－CNN，這些算法可以根據(jù)特定用例準(zhǔn)確地獲得結(jié)果，但與Yolo相比，速度較慢，一旦有一種算法可以一目了然地查看圖像，并基于該外觀預(yù)測(cè)與某些類別相關(guān)的邊界框，則類別可以是從Dog到Car或Gun到Tanks的任何內(nèi)容，此特殊功能使Yolo脫穎而出。在下面的圖4中可以觀察到基于鏡頭的不同類型的對(duì)象檢測(cè)器。

圖4．不同類型的探測(cè)器

從上圖可以發(fā)現(xiàn)不同的組件，有4種不同類型的組件：input 根據(jù)研究中指定的用例，檢測(cè)器的輸入可以是圖像或視頻。Backbone 目標(biāo)檢測(cè)器的骨干包含模型，這些模型可以是ResNet，DenseNet，VGG。Neck 檢測(cè)器中的頸部充當(dāng)額外的層，與骨干和頭部平行。Head 是負(fù)責(zé)檢測(cè)基于邊界框的對(duì)象的網(wǎng)絡(luò)。實(shí)驗(yàn)結(jié)果該項(xiàng)目的實(shí)驗(yàn)結(jié)果部分詳細(xì)介紹了進(jìn)行各種觀察并形成最終輸出后獲得的結(jié)果。該項(xiàng)目的重點(diǎn)是針對(duì)Covid－19事件的社交距離檢測(cè)和人臉口罩檢測(cè)。圖5解釋了計(jì)算對(duì)象之間距離的體系結(jié)構(gòu)，并顯示了如何使用Yolo Version 4生成輸出。

圖5． YOLO Darknet架構(gòu)

下面的圖6是用于分析對(duì)象上的口罩的體系結(jié)構(gòu)，此處的對(duì)象是在自定義數(shù)據(jù)集的幫助下執(zhí)行檢測(cè)的人員。根據(jù)提供的注釋，對(duì)自定義數(shù)據(jù)集進(jìn)行了3個(gè)不同類別（好，無(wú)和壞）的訓(xùn)練，它將框與各自的類別綁定在一起。對(duì)象檢測(cè)和對(duì)象跟蹤之間的區(qū)別在于使用了跟蹤器（在Yolo DeepSort中），該跟蹤器通過(guò)分配ID來(lái)幫助跟蹤對(duì)象。

圖6． YOLO Deepsort體系結(jié)構(gòu)

以下是用于訓(xùn)練目的的數(shù)據(jù)集的示例。從圖7可以看出，該圖顯示了基于COCO數(shù)據(jù)集的人的檢測(cè)，該數(shù)據(jù)集包含從Cat到Car到Person的大量類別。

圖7． COCO數(shù)據(jù)集樣本

同樣，下面的圖8顯示了用于人臉口罩檢測(cè)的自定義數(shù)據(jù)集，該自定義數(shù)據(jù)集包含600張圖像，并對(duì)幀中存在的每個(gè)對(duì)象進(jìn)行了注釋。之所以需要?jiǎng)?chuàng)建自定義數(shù)據(jù)集，是因?yàn)镃OCO數(shù)據(jù)集不包含用于檢測(cè)口罩的類。

圖8．自定義數(shù)據(jù)集樣本

根據(jù)上圖，為框架中存在的不同類別創(chuàng)建了注釋。從圖9可以看出，它包含2個(gè)不同類別（0和2）。用于口罩檢測(cè)的類分別為0（好），1（無(wú)）和2（壞）。

圖9．基于圖像的對(duì)象注釋

類似地，另一個(gè)注釋文件是基于“人物對(duì)象檢測(cè)”創(chuàng)建的，用于基于框架中檢測(cè)到的對(duì)象創(chuàng)建邊界框。從下面的圖10可以看出，它包含一個(gè)類（Person為0），社會(huì)距離的輸出目標(biāo)是檢測(cè)幀中的人，并根據(jù)與另一個(gè)對(duì)象之間的距離來(lái)計(jì)算度量。為了計(jì)算對(duì)象之間的距離，使用了歐幾里德距離公式。

圖10．基于圖像的對(duì)象注釋

下圖是用于訓(xùn)練自定義數(shù)據(jù)集的訓(xùn)練圖，該研究中使用的自定義數(shù)據(jù)集與口罩有關(guān)，其訓(xùn)練的時(shí)期為4000個(gè)時(shí)期。從圖11可以看出，損失在1200個(gè)時(shí)期后逐漸減少，并且在最后一個(gè)時(shí)期期間保持不變，這說(shuō)明訓(xùn)練損失被最小化到1200，此后一直保持不變，這意味著應(yīng)該將訓(xùn)練時(shí)期設(shè)置為2000左右，因?yàn)樵跀?shù)據(jù)訓(xùn)練中出現(xiàn)的迭代次數(shù)越多，執(zhí)行時(shí)需要更多的計(jì)算能力。

圖11．用于訓(xùn)練自定義數(shù)據(jù)的迭代圖

與基于社會(huì)距離的研究有關(guān)的結(jié)果如圖12所示，結(jié)果網(wǎng)格化為2個(gè)圖像，圖像的左側(cè)表示基于距離計(jì)算的帶有相應(yīng)邊界框的輸出。

圖12．社交距離檢測(cè)

類似地，該項(xiàng)目進(jìn)行了Face Mask檢測(cè)，結(jié)果如圖13所示，該圖分別顯示了用邊界框檢測(cè)到的對(duì)象，目標(biāo)是根據(jù)其創(chuàng)建的對(duì)象來(lái)檢測(cè)對(duì)象（Face）是否戴著口罩。一個(gè)具有不同顏色的邊界框，并顯示與之關(guān)聯(lián)的類名稱。使用的顏色是：綠色表示無(wú)口罩，紫色表示有口罩。

圖13．擁擠場(chǎng)所的口罩檢測(cè)

另一個(gè)與使用Darknet進(jìn)行面部 口罩檢測(cè)有關(guān)的示例如圖14所示，該Darknet的實(shí)現(xiàn)基于“對(duì)象檢測(cè)”，沒(méi)有在不同幀中跟蹤對(duì)象�？梢杂^察到該模型檢測(cè)到的對(duì)象戴著“ No Mask”，仍然分配了一些具有“good與bad”的對(duì)象，以及“No Mask”的未命中分類的對(duì)象被分配了“good”類別，這些假陽(yáng)性結(jié)果將在表II中進(jìn)行說(shuō)明。

圖14．口罩檢測(cè)的另一個(gè)示例

最后，為了評(píng)估基于提供的數(shù)據(jù)集的模型訓(xùn)練，并使用mAP（平均精度）進(jìn)行了評(píng)估，該方法基于平均精度的計(jì)算，而所有計(jì)算均基于訓(xùn)練數(shù)據(jù)中存在的類和總體IoU（交集超過(guò)交集）閾值。下表I顯示了每個(gè)類別的平均精度，以及通過(guò)“真陽(yáng)性”和“假陽(yáng)性”獲得的值。用101個(gè)召回點(diǎn)計(jì)算的AP的閾值百分比為0．25％。

從上表可以看出，每個(gè)類別的 AP 類別百分比都超過(guò)90％。結(jié)論這項(xiàng)研究的目的是了解Covid－19事件的社交距離和人臉口罩檢測(cè)，社交距離的對(duì)象檢測(cè)基于人，而人臉口罩檢測(cè)基于人臉，這是使用Yolo完成的。用于目標(biāo)檢測(cè)的Yolo v4是由Darknet進(jìn)行的，而對(duì)象跟蹤是由Deepsort進(jìn)行的。通過(guò)計(jì)算mAP進(jìn)行了最終模型的最終計(jì)算，該模型對(duì)對(duì)象的預(yù)測(cè)有多好，這表明對(duì)于0．25％的閾值，平均精度約為90％或更高；對(duì)于0．50％的閾值，平均精度約為30％。88％及以上。同樣，在不同的視頻數(shù)據(jù)集上進(jìn)行了社交距離的輸出，為增加檢測(cè)的復(fù)雜性，還考慮了擁擠的場(chǎng)景�？谡指�蹤模型顯示了每個(gè)檢測(cè)到的對(duì)象的百分比精度。這可以在具有實(shí)時(shí)檢測(cè)功能的大型行業(yè)中進(jìn)行，而這需要更高的計(jì)算能力。