毛曉波， 徐向陽， 李 楠， 魏劉倩， 劉玉璽， 董夢(mèng)超， 焦淼鑫

(1.鄭州大學(xué) 電氣工程學(xué)院，河南 鄭州 450001； 2.鄭州大學(xué) 機(jī)械與動(dòng)力工程學(xué)院，河南 鄭州 450001)

0 引言

佩戴口罩是人們保護(hù)身體健康的簡(jiǎn)單而有效的途徑，而人臉佩戴口罩的智能識(shí)別可以高效監(jiān)督人們是否佩戴口罩，是抑制疾病傳播和降低損失的重要技術(shù)手段[1]。針對(duì)該問題，有以下3類檢測(cè)方法。

第1類是基于深度學(xué)習(xí)的方法。特點(diǎn)是將圖像送入計(jì)算量很大的卷積神經(jīng)網(wǎng)絡(luò)，再加上各種后處理，能夠檢測(cè)到復(fù)雜環(huán)境中的人臉是否佩戴口罩，檢測(cè)精度高但速度慢。Tang 等[2]提出了PyramidBox檢測(cè)算法，該算法是一種上下文輔助的單階段檢測(cè)算法，設(shè)計(jì)了一種新的錨點(diǎn)(anchors)，將高低維特征融合在一起。Tian 等[3]先檢測(cè)人臉，再使用Attention機(jī)制關(guān)注口罩區(qū)域，以判定是否佩戴。有學(xué)者提出了使用k-means聚類算法生成若干個(gè)Anchors Boxes，再結(jié)合YoLo-V3網(wǎng)絡(luò)檢測(cè)人臉是否佩戴口罩[4-6]。管軍霖等[7]提出了基于CSP-Darknet53的YoLo-V4檢測(cè)框架檢測(cè)人臉是否佩戴口罩。陳國特等[8]提出了先檢測(cè)人頭信息，再用Restnet34和Softmax進(jìn)行分類。但兩級(jí)檢測(cè)網(wǎng)絡(luò)降低了檢測(cè)速度。

第2類是基于傳統(tǒng)的圖像檢測(cè)方法進(jìn)行檢測(cè)。該方法對(duì)輸入圖像要求嚴(yán)格，不能摻雜多余的背景區(qū)域，也不能檢測(cè)1張圖像中的多個(gè)人臉，并且在面對(duì)門禁通道中排隊(duì)的情況時(shí)，無法提取隊(duì)伍隊(duì)首人臉圖像(因?yàn)殚T禁系統(tǒng)開門與否由排隊(duì)隊(duì)伍隊(duì)首的人是否佩戴口罩決定)，檢測(cè)速度快，但檢測(cè)精度低。金鈺豐等[9]提出了將人臉關(guān)鍵點(diǎn)和口罩紋理等特征相結(jié)合的方法檢測(cè)行人是否佩戴口罩。楊子揚(yáng)等[10]提出了將RGB色彩空間轉(zhuǎn)換到Y(jié)CrCb色彩空間，并結(jié)合二值化等傳統(tǒng)的圖像處理方式，判斷上半部分人臉和下半部分人臉像素平均值的異同，從而判定行人是否佩戴口罩。此檢測(cè)方法遇到的挑戰(zhàn)是人臉和口罩顏色接近時(shí)很難判定。

第3類方法主要是檢測(cè)模式的創(chuàng)新，特點(diǎn)是現(xiàn)場(chǎng)圖像采集工作線下進(jìn)行，圖像處理工作線上進(jìn)行。李超等[11]提出樹莓派和云平臺(tái)聯(lián)合進(jìn)行工作的模式，即利用嵌入式設(shè)備采集圖像，然后將圖像上傳至云服務(wù)器進(jìn)行檢測(cè)并返回檢測(cè)結(jié)果。該類方法需要穩(wěn)定快速的網(wǎng)絡(luò)、高性能的GPU服務(wù)器集群，成本很高，且結(jié)構(gòu)復(fù)雜、延時(shí)大，降低了系統(tǒng)的魯棒性。

本文構(gòu)建了一個(gè)大型數(shù)據(jù)集，并對(duì)其進(jìn)行數(shù)據(jù)增強(qiáng)，且將SSD[12](single shot multibox detector)目標(biāo)檢測(cè)框架中的特征提取網(wǎng)絡(luò)VGG[13]替換為輕量化的特征提取網(wǎng)絡(luò)MobileNet-V3[14]，使之適用于計(jì)算能力有限的邊緣計(jì)算系統(tǒng)。本文設(shè)計(jì)了平行四邊形連桿折疊結(jié)構(gòu)的擋板，便于安裝和部署，兼具廣告信息播放功能，最終構(gòu)成一個(gè)完整高效的門禁系統(tǒng)。

1 神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)及訓(xùn)練

1.1 數(shù)據(jù)標(biāo)注及預(yù)處理

由于口罩?jǐn)?shù)據(jù)集少且佩戴場(chǎng)景多元化[15]，因此本文選擇開源、權(quán)威的MAFA和WIDER FACE這2個(gè)數(shù)據(jù)庫的部分圖片，每1張均包含戴口罩的和未佩戴口罩的人臉，并且規(guī)定未戴口罩的人臉數(shù)據(jù)標(biāo)簽為face，佩戴口罩的人臉數(shù)據(jù)標(biāo)簽為face_mask，大約8 000張圖片數(shù)據(jù)，其中訓(xùn)練數(shù)據(jù)6 000余張，測(cè)試數(shù)據(jù)約2 000張。訓(xùn)練數(shù)據(jù)標(biāo)注示例如圖1所示。

圖1 數(shù)據(jù)標(biāo)注示例Figure 1 Example of data annotation

由于SSD是密集采樣算法，所以數(shù)據(jù)增強(qiáng)是SSD目標(biāo)檢測(cè)算法中的重要環(huán)節(jié)，使用數(shù)據(jù)增強(qiáng)的訓(xùn)練模型明顯優(yōu)于未使用數(shù)據(jù)增強(qiáng)的模型[12]。數(shù)據(jù)增強(qiáng)包括隨機(jī)擴(kuò)展、隨機(jī)顏色空間模型變換(HSV和RGB模型)等內(nèi)容。其中，隨機(jī)擴(kuò)展可以顯著提高SSD算法對(duì)小目標(biāo)的檢測(cè)能力，如圖2所示。圖2(a)為原始標(biāo)注圖像，圖2(b)和2(c)為隨機(jī)擴(kuò)展的2種隨機(jī)效果示意圖。其他變換可以有效應(yīng)對(duì)尺寸變化、光線變化等問題，具有很好的魯棒性和泛化性能。魏宏彬等[16]用均值聚類算法對(duì)標(biāo)注框進(jìn)行聚類，得到合適的先驗(yàn)框?qū)捀弑壤?/p>

圖2 隨機(jī)擴(kuò)展Figure 2 Random expansion

1.2 原始特征提取器

原始SSD使用的是在ImageNet上預(yù)訓(xùn)練好的VGG[13]模型，并且替換掉了VGG模型中的全連接層，改用全卷積層，最后又添加了一些新的卷積層，繼續(xù)提取圖像特征。以SSD300_VGG(300表示輸入圖像的尺寸為300×300×3)為例，其選用的6個(gè)特征圖的具體信息如表1所示，每一層特征圖上的先驗(yàn)框尺寸為

(1)

式中：sk為第k個(gè)特征圖上先驗(yàn)框的最大尺寸占原始圖像邊長的比例；smin、smax均為超參數(shù)，取值分別為0.2、0.9；m表示選取的檢測(cè)特征圖的數(shù)量減去1；k為特征圖的序號(hào)。

從表1可以得出，6個(gè)特征圖上先驗(yàn)框總數(shù)為8 732個(gè)。每個(gè)先驗(yàn)框都具有一個(gè)類別得分和相應(yīng)的坐標(biāo)，SSD目標(biāo)檢測(cè)算法的任務(wù)就是找出包含這2種目標(biāo)的先驗(yàn)框，并給出正確的類別。原始SSD目標(biāo)檢測(cè)框架如圖3所示。

表1 SSD300_VGG特征圖具體信息Table 1 Specific information of SSD300_ VGG feature map

圖3 原始SSD目標(biāo)檢測(cè)框架Figure 3 Original SSD object detection framework

1.3 改進(jìn)的特征提取器

由于VGG卷積層多、運(yùn)算速度慢，因此，本文將其替換為適用于移動(dòng)端運(yùn)行的輕量化特征提取網(wǎng)絡(luò)MobileNet-V3[14](輸入圖像的尺寸為320×320×3)，相比于原始SSD采用的VGG網(wǎng)絡(luò)，模型大小從201 MB減至29.9 MB，約為原始模型大小的1/7。MobileNet-V3(Large)模型有19層，第2～15層為集成模塊(bneck模塊)，按順序包含2D卷積層、BN層、H-Swish激活函數(shù)層、SE(squeeze and excite)層[17]、2D卷積層、BN層，如圖4所示。

圖4 MobileNet-V3特征提取網(wǎng)絡(luò)的bneck模塊Figure 4 The bneck module of MobileNet-V3 feature extraction network

但是將其嵌入到SSD目標(biāo)檢測(cè)框架中，就需要移除一些只適用于分類任務(wù)的層。這里移除MobileNet-V3(Large)中的第17層及以后的層，并在其后添加4層bneck，共20層，為SSD提供不同尺度的檢測(cè)特征圖，稱為MobileNet-V3-SSD，如圖5所示。盡管其具有更多的卷積層，但每層都經(jīng)過了精心設(shè)計(jì)，加入了深度可分離卷積、倒置的殘差結(jié)構(gòu)、輕量級(jí)的注意力機(jī)制、利用H-Swish代替計(jì)算量巨大的Swish激活函數(shù)等。深度可分離卷積將標(biāo)準(zhǔn)的卷積核進(jìn)行分解，減少了計(jì)算量，提高了訓(xùn)練推理速度。例如，輸入特征圖的通道數(shù)為M，卷積核數(shù)量為N，卷積核尺寸為DF×DF，輸出特征圖尺寸為DO×DO，則使用普通卷積的計(jì)算量G為

圖5 MobileNet-V3-SSD目標(biāo)檢測(cè)框架Figure 5 MobileNet-V3-SSD object detection framework

G=DF×DF×M×N×DO×DO。

(2)

使用深度可分離卷積的計(jì)算量H為

H=M×(DF×DF×1)×DO×DO+

N×(1×1×M)×DO×DO。

(3)

G和H的比值為

(4)

在深度學(xué)習(xí)中，N一般為32、64、128、256、512、1 024等，DF2一般為1、4、9，因此，式(4)的值通常遠(yuǎn)大于1，即：普通卷積的計(jì)算量比深度可分離卷積的計(jì)算量高得多，因而深度可分離卷積的運(yùn)算速度比普通卷積快得多。

此網(wǎng)絡(luò)結(jié)構(gòu)中選擇的特征圖的具體信息如表2所示。其中，先驗(yàn)框的總數(shù)為3 234，遠(yuǎn)少于表1中的總數(shù)8 732，這就為訓(xùn)練和推理速度的提高提供了理論基礎(chǔ)。

表2 SSD320_MobileNet_V3特征圖具體信息Table 2 Specific information of SSD320_MobileNet_V3 feature map

這6個(gè)特征圖上的先驗(yàn)框的最小、最大尺寸按照式(1)計(jì)算。將計(jì)算得到的sk與輸入圖片的尺寸相乘，即可得到該層特征圖上的先驗(yàn)框的最大尺寸。在特征圖bneck12中先驗(yàn)框的最小尺寸選擇32，最大尺寸由式(1)計(jì)算可得64，特征圖bneck15～bneck19中先驗(yàn)框的最小/最大尺寸分別為64/109、109/154、154/198、198/243、243/332。

1.4 訓(xùn)練編碼

值得注意的是，SSD算法并不是對(duì)目標(biāo)框的位置進(jìn)行直接輸出，而是對(duì)其進(jìn)行編碼(offset)：

(5)

式中：lcx、lcy分別表示編碼后的預(yù)測(cè)邊界框位置信息的中心坐標(biāo)的橫、縱坐標(biāo)；bcx、bcy分別表示預(yù)測(cè)邊界框的中心坐標(biāo)的橫、縱坐標(biāo)；dcx、dcy分別表示先驗(yàn)框的中心坐標(biāo)的橫、縱坐標(biāo)；dw、dh分別表示先驗(yàn)框的寬、高；vw、vh為超參數(shù)，其值均為0.2；lw、lh表示編碼后的預(yù)測(cè)邊界框位置信息的寬、高；bw、bh表示預(yù)測(cè)邊界框的寬、高。

1.5 損失函數(shù)

為了使網(wǎng)絡(luò)能夠進(jìn)行端到端的訓(xùn)練，也需要將標(biāo)注好的Ground Truth按照式(5)進(jìn)行編碼。

SSD的損失函數(shù)是一種聯(lián)合損失函數(shù)，即將分類損失和定位損失求和，同時(shí)進(jìn)行反向傳播，優(yōu)化相關(guān)參數(shù)。由于交叉熵?fù)p失函數(shù)能夠準(zhǔn)確表達(dá)2個(gè)概率分布之間的關(guān)系，因此這里采用交叉熵?fù)p失函數(shù)求得分類損失，交叉熵?fù)p失函數(shù)為

(6)

由于正負(fù)樣本數(shù)量相差很大，若讓所有的負(fù)樣本損失全部參與反向傳播、更新梯度是不合理的，因?yàn)檫@會(huì)淹沒為數(shù)不多的正樣本損失。因此，SSD采用了難負(fù)樣本挖掘技術(shù)，即：將負(fù)樣本的損失按照大小降序排列，只取前面一部分損失最大的負(fù)樣本。負(fù)樣本損失的具體數(shù)量則根據(jù)正樣本個(gè)數(shù)來確定，一般選擇正樣本個(gè)數(shù)的3倍為宜。其中，正負(fù)樣本的劃分規(guī)則：若先驗(yàn)框與Ground Truth的交并比IoU≥ 0.5，則將此先驗(yàn)框劃分為正樣本，反之劃分為負(fù)樣本。IoU為

(7)

式中：A為標(biāo)注框；B為先驗(yàn)框。

對(duì)于定位損失，采用SmoothL1函數(shù)，將編碼后的矩陣與網(wǎng)絡(luò)輸出矩陣的相應(yīng)位置作差，將差值x作為SmoothL1的自變量，然后輸出結(jié)果作為定位損失。

(8)

不同于分類損失的是，定位損失中不含有負(fù)樣本定位損失，因?yàn)樨?fù)樣本是背景，定位沒有意義。

1.6 網(wǎng)絡(luò)訓(xùn)練

訓(xùn)練采用的深度學(xué)習(xí)框架為Pytorch(1.6)、torchvision(0.7.0)，其他的依賴包為yacs、tqdm、opencv-python、vizer、tensorboardX、six等，在Ubuntu 18.04 LTS、電腦配置為Intel(R) Xeon(R) Gold 5218 CPU @ 2.30 GHz，GeForce RTX 2080ti GPU下，設(shè)置batch_size為32，初始學(xué)習(xí)率為0.01，在第10 000次迭代和第20 000次迭代時(shí)減小學(xué)習(xí)率，每次迭代學(xué)習(xí)率縮小為前一次學(xué)習(xí)率的1/10，采用SGD優(yōu)化器，Gamma值為0.1進(jìn)行網(wǎng)絡(luò)訓(xùn)練，總訓(xùn)練次數(shù)為25 000次。

2 結(jié)果分析

目標(biāo)檢測(cè)模型性能的主要評(píng)價(jià)指標(biāo)包括：平均精度均值MAP和FPS(每秒處理的圖片數(shù)量)。MAP隨迭代次數(shù)而變化的曲線如圖6所示。MAP值等于每個(gè)類別的Precision-Recall曲線所圍成的面積：

圖6 MAP隨著迭代次數(shù)而變化的曲線Figure 6 Curve of MAP changing with the number of iterations

(9)

式中：TP指預(yù)測(cè)為正樣本實(shí)際為正樣本的數(shù)量；FN指預(yù)測(cè)為負(fù)樣本實(shí)際為正樣本的數(shù)量；FP指預(yù)測(cè)為正樣本實(shí)際為負(fù)樣本的數(shù)量[18]。

模型改進(jìn)前后，不同檢測(cè)網(wǎng)絡(luò)的算法性能結(jié)果如表3所示，推理速度測(cè)試環(huán)境為Jetson Nano開發(fā)板。在表3中，MAP指綜合MAP，即戴口罩人臉和不戴口罩人臉2種類別MAP的平均值；face_MAP、face_mask_MAP分別指不戴口罩的人臉類別的MAP、戴口罩的人臉類別的MAP；訓(xùn)練耗時(shí)指從頭開始訓(xùn)練本數(shù)據(jù)集至MAP收斂時(shí)所用的時(shí)間；FPS指Jetson Nano控制器每秒處理1×320×320×3圖像的數(shù)量。

表3顯示，以VGG16為特征提取網(wǎng)絡(luò)的SSD檢測(cè)框架的綜合MAP為89.40%，略高于以MobileNet-V3為特征提取網(wǎng)絡(luò)的SSD檢測(cè)框架(78.49%)，這可能是輕量化的特征提取網(wǎng)絡(luò)在一定程度上丟失了部分信息所造成的。但是本文的主要目的是將其運(yùn)行在邊緣計(jì)算設(shè)備上，實(shí)時(shí)性更重要，因此算法更注重速度的提高。前者訓(xùn)練至MAP收斂時(shí)的耗時(shí)為3.88 h，是后者的2.27倍；前者的FPS為2(Jetson Nano平臺(tái))，是后者的1/6，即實(shí)際效果上，改進(jìn)后的網(wǎng)絡(luò)檢測(cè)速度是前者的6倍。主要原因是①輕量型Mobilenet-V3減少了參數(shù)量和計(jì)算量；②深度可分離卷積優(yōu)化了普通卷積的計(jì)算形式，加速效果為SSD+VGG16的1～9倍，參見式(4)。

表3 不同檢測(cè)網(wǎng)絡(luò)的算法性能Table 3 Algorithm performance of different detection networks

圖6為在不同的特征提取網(wǎng)絡(luò)(VGG16和Mobilnet-V3)下，face和face_mask的MAP以及綜合MAP隨著迭代次數(shù)的變化曲線?？梢钥闯觯琈obileNet-V3的MAP(改進(jìn)后的變化曲線)收斂速度更快，過程更加平坦，這可能是因?yàn)閰?shù)量和計(jì)算量較少，從而使網(wǎng)絡(luò)更加容易訓(xùn)練，單步迭代耗時(shí)少。

表4展示了不同特征提取網(wǎng)絡(luò)下，顯存占用量、GPU占用率等指標(biāo)的具體數(shù)值。改進(jìn)后的SSD(以MobileNet-V3為特征提取網(wǎng)絡(luò))指標(biāo)值均為該類最低，有利于減少模型存儲(chǔ)空間、減弱對(duì)硬件資源的依賴以及對(duì)GPU的損耗。以VGG16為特征提取網(wǎng)絡(luò)的SSD檢測(cè)框架和YoLo-V3檢測(cè)框架的計(jì)算量分別是以MobileNet-V3為特征提取網(wǎng)絡(luò)的SSD檢測(cè)框架的63和321倍。因此， YoLo-V3和原始SSD均無法勝任嵌入式平臺(tái)應(yīng)用的需求。

表4 不同檢測(cè)網(wǎng)絡(luò)的性能指標(biāo)Table 4 Performance indicators of different detection networks

3 模型移植及機(jī)械部件設(shè)計(jì)

3.1 中央控制器選擇

MobileNet-V3-SSD網(wǎng)絡(luò)在輸入1×320×320×3時(shí)，計(jì)算量以總浮點(diǎn)數(shù)運(yùn)算操作次數(shù)GFLOPs表示，為0.483 7(FP32)。選擇Jetson Nano作為中央處理器，半精度(FP16)浮點(diǎn)數(shù)的計(jì)算速度以每秒鐘浮點(diǎn)數(shù)運(yùn)算操作次數(shù)TFLOPS表示，為0.5。NVIDIA官網(wǎng)的Jetpack 4.4.1系統(tǒng)作為基礎(chǔ)系統(tǒng)環(huán)境。

3.2 外圍電路

3.2.1 光電開關(guān)輸入信號(hào)

選擇漫反射三線PNP常開型光電開關(guān)，額定電壓為5 V，額定電流為30 mA。僅當(dāng)檢測(cè)到人臉，中央控制器才會(huì)調(diào)用GPU進(jìn)行推理檢測(cè)，以減少不必要的GPU和CPU損耗及電量消耗，延長元器件使用壽命。

3.2.2 USB攝像頭圖像信號(hào)

當(dāng)控制器收到光電開關(guān)高電平信號(hào)后，立即調(diào)用USB攝像頭(480 P，60°，焦距為3.6 mm)捕捉圖像信息，進(jìn)行推理檢測(cè)。持續(xù)檢測(cè)大約20幀圖像，如果超過10幀均檢測(cè)到該行人佩戴了口罩，即認(rèn)為“佩戴口罩”，打開擋板；否則，語音提示“您好，您未佩戴口罩，請(qǐng)佩戴口罩后通行”。為了在人流量大的時(shí)候依然保持魯棒性，將檢測(cè)到的人臉框按照面積大小排序，取面積最大的作為排隊(duì)隊(duì)伍的第1個(gè)人的人臉，是否放行依據(jù)此人是否佩戴口罩。

3.2.3 動(dòng)力輸出

擋板的動(dòng)力由伺服電機(jī)提供，轉(zhuǎn)動(dòng)范圍為0°～180°，扭矩為60 kg·cm。依據(jù)攝像頭中的人是否佩戴了口罩，通過python編程提供的脈寬調(diào)制PWM信號(hào)，經(jīng)I2C—GPIO口和PCA9685模塊輸出控制伺服電機(jī)旋轉(zhuǎn)。

3.3 折疊擋板設(shè)計(jì)

常見的擋板類型如三錕閘、擺閘和翼閘等，均不能自動(dòng)調(diào)整擋板長度。采用平行四邊形連桿折疊設(shè)計(jì)，當(dāng)伺服電機(jī)驅(qū)動(dòng)擋板上升時(shí)，由于重力的影響，擋板展開，形成一張網(wǎng)狀的門，如圖7(a)所示；當(dāng)伺服電機(jī)驅(qū)動(dòng)擋板下降時(shí)，由于外殼壁的阻力影響，折疊機(jī)構(gòu)收縮在外殼壁內(nèi)，如圖7(b)所示。

圖7 擋板的工作狀態(tài)Figure 7 Working states of baffles

4 結(jié)論

本文設(shè)計(jì)了一種新型門禁系統(tǒng)，以MobileNet-V3為特征提取網(wǎng)絡(luò)改進(jìn)SSD檢測(cè)算法檢測(cè)公共場(chǎng)所出入口行人是否佩戴口罩，平行四邊形連桿折疊擋板節(jié)約占地空間，留有以太網(wǎng)接口方便修改配置、更新神經(jīng)網(wǎng)絡(luò)模型。將原始VGG特征提取網(wǎng)絡(luò)替換成輕量化MobileNet-V3，MAP雖有所下降，但FPS卻從2提高到了12，檢測(cè)速度是原始SSD算法的6倍,在保證了精度的同時(shí)提高了速度。如何在MAP保持不變的情況下提高檢測(cè)速度依然是一個(gè)值得研究的問題。下一步研究工作會(huì)嘗試將門禁系統(tǒng)接入互聯(lián)網(wǎng)，利用云計(jì)算在云端進(jìn)行監(jiān)控，實(shí)現(xiàn)集中統(tǒng)一管理和維護(hù)。