本发明涉及人脸检测技术领域，具体为一种适用于嵌入式系统的口罩人脸检测和体温测量方法。
背景技术：
目前的口罩人脸检测方法多数不能移植到嵌入式设备上，使用成本较高，实时性不强，在公共场所会造成人员的拥堵，对人体体温的测量多采用人工测量方式，增加了人员之间的接触，综合来看，现有的方法存在检测速度慢、使用成本高、不利于降低疫情传播风险等问题。
技术实现要素：
本发明的目的在于提供一种适用于嵌入式系统的口罩人脸检测和体温测量方法，以解决上述背景技术中提出的现有的方法存在检测速度慢、使用成本高、不利于降低疫情传播风险等问题。
为实现上述目的，本发明提供如下技术方案：一种适用于嵌入式系统的口罩人脸检测和体温测量方法，包括以下步骤：s1对戴口罩和未佩戴口罩的原始人脸数据进行采集，整理和标注；s2搭建ssd目标检测模型；s3以ssd模型为基础架构，建立inception-v2网络，将inception-v2网络作为ssd模型的特征提取网络，基于tensorflow框架实现对口罩人脸的智能检测；s4输出检测结果；s5借助红外摄像机可直接测出通过人员的体温。
优选的，所述数据集来自于mafa和widerface，共有6120张图片作为训练数据，包括戴口罩的3006张，不戴口罩的3114张。
优选的，所述ssd使用inception-v2作为主干特征提取网络，使用反向传播和随机梯度下降进行端到端的网络训练。
优选的，所述学习率采用指数衰减形式，初始学习率设置为1e-3，衰减率0.95，衰减速度10000，共迭代训练500次，每次迭代100步。
优选的，所述将训练得到的模型转为tflite格式，运行在嵌入式设备上。
优选的，所述tflite格式生成步骤为在算法训练的脚本中保存图模型文件和变量文件，利用freeze_graph工具生成frozen的graphdef文件，利用toco工具，生成最终的tflite文件。
与现有技术相比，本发明的有益效果是：
(1)本发明以ssd模型为基础架构，建立inception-v2网络，将inception-v2网络作为ssd模型的特征提取网络，基于tensorflow框架实现对口罩人脸的智能检测，提高了检测检测的速度和准确率，同时借助红外摄像机可直接测出通过人员的体温，大量节约了人力成本，降低疫情传播风险；
(2)ssd使用inception-v2作为主干特征提取网络，使用反向传播和随机梯度下降进行端到端的网络训练，学习率采用指数衰减形式，初始学习率设置为1e-3，衰减率0.95，衰减速度10000，共迭代训练500次，每次迭代100步，训练得到的人脸检测模型的map＝95.5％，将训练得到的模型转为tflite格式，运行在嵌入式设备上，从而满足使用需求从而满足使用需求。
附图说明
图1为本发明的步骤框图；
图2为本发明的口罩人脸检测整体流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
请参阅图1-2，本发明提供的一种实施例：一种适用于嵌入式系统的口罩人脸检测和体温测量方法，包括以下步骤：s1对戴口罩和未佩戴口罩的原始人脸数据进行采集，整理和标注；s2搭建ssd目标检测模型；s3以ssd模型为基础架构，建立inception-v2网络，将inception-v2网络作为ssd模型的特征提取网络，基于tensorflow框架实现对口罩人脸的智能检测；s4输出检测结果；s5借助红外摄像机可直接测出通过人员的体温。
进一步，所述数据集来自于mafa和widerface，共有6120张图片作为训练数据，包括戴口罩的3006张，不戴口罩的3114张。
进一步，所述ssd使用inception-v2作为主干特征提取网络，使用反向传播和随机梯度下降进行端到端的网络训练。
进一步，所述学习率采用指数衰减形式，初始学习率设置为1e-3，衰减率0.95，衰减速度10000，共迭代训练500次，每次迭代100步。
进一步，所述将训练得到的模型转为tflite格式，运行在嵌入式设备上。
进一步，所述tflite格式生成步骤为在算法训练的脚本中保存图模型文件和变量文件，利用freeze_graph工具生成frozen的graphdef文件，利用toco工具，生成最终的tflite文件。
工作原理：使用时，对戴口罩和未佩戴口罩的原始人脸数据进行采集，整理和标注，搭建ssd目标检测模型，以ssd模型为基础架构，建立inception-v2网络，将inception-v2网络作为ssd模型的特征提取网络，基于tensorflow框架实现对口罩人脸的智能检测，提高了检测检测的速度和准确率，随后输出检测结果，借助红外摄像机可直接测出通过人员的体温，大量节约了人力成本，降低疫情传播风险，数据集来自于mafa和widerface，共有6120张图片作为训练数据，包括戴口罩的3006张，不戴口罩的3114张，ssd使用inception-v2作为主干特征提取网络，使用反向传播和随机梯度下降进行端到端的网络训练，学习率采用指数衰减形式，初始学习率设置为1e-3，衰减率0.95，衰减速度10000，共迭代训练500次，每次迭代100步，将训练得到的模型转为tflite格式，运行在嵌入式设备上，从而满足使用需求。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
1.一种适用于嵌入式系统的口罩人脸检测和体温测量方法，其特征在于，包括以下步骤：
s1对戴口罩和未佩戴口罩的原始人脸数据进行采集，整理和标注；
s2搭建ssd目标检测模型；
s3以ssd模型为基础架构，建立inception-v2网络，将inception-v2网络作为ssd模型的特征提取网络，基于tensorflow框架实现对口罩人脸的智能检测；
s4输出检测结果；
s5借助红外摄像机可直接测出通过人员的体温。
2.根据权利要求1所述的一种适用于嵌入式系统的口罩人脸检测和体温测量方法，其特征在于：所述数据集来自于mafa和widerface，共有6120张图片作为训练数据，包括戴口罩的3006张，不戴口罩的3114张。
3.根据权利要求1所述的一种适用于嵌入式系统的口罩人脸检测和体温测量方法，其特征在于：所述ssd使用inception-v2作为主干特征提取网络，使用反向传播和随机梯度下降进行端到端的网络训练。
4.根据权利要求1所述的一种适用于嵌入式系统的口罩人脸检测和体温测量方法，其特征在于：所述学习率采用指数衰减形式，初始学习率设置为1e-3，衰减率0.95，衰减速度10000，共迭代训练500次，每次迭代100步。
5.根据权利要求4所述的一种适用于嵌入式系统的口罩人脸检测和体温测量方法，其特征在于：所述将训练得到的模型转为tflite格式，运行在嵌入式设备上。
6.根据权利要求5所述的一种适用于嵌入式系统的口罩人脸检测和体温测量方法，其特征在于：所述tflite格式生成步骤为在算法训练的脚本中保存图模型文件和变量文件，利用freeze_graph工具生成frozen的graphdef文件，利用toco工具，生成最终的tflite文件。
技术总结