基于Tensorflow+SDD+Python人脸口罩识别系统（深度学习）含全部工程源码及模型+视频演示+图片数据集

前言

在当今全球范围内，新冠疫情对我们的生活方式带来了巨大的改变。在公共场所，佩戴口罩成为了常态，以保护我们自己和他人的健康安全。然而，这也给人脸识别技术带来了新的挑战。如何准确地辨别佩戴口罩的人成为了一个重要的问题。

本文介绍的一种基于Tensorflow、SDD和Python的人脸口罩识别系统，结合了深度学习技术和计算机视觉算法，能够高效地检测人脸并准确地判断是否佩戴口罩。通过使用这个系统，我们可以更好地管理公共场所的出入口，确保员工、顾客和访客的健康安全。

当然，您可以在文末下载本系统的全部工程源码（包括Web demo）进行个人二次开发。

总体设计

本部分包括系统整体结构图和系统流程图。

系统整体结构图

系统整体结构如图所示。

系统流程图

系统流程如图所示。

运行环境

本部分包括 Python 环境和Anaconda 环境。

Python 环境

需要 Python 3.5 及以上配置，在 Windows 环境下推荐下载 Anaconda 完成 Python 所需的配置，下载地址：https://www.anaconda.com/，也可以下载虚拟机在 Linux 环境下运行代码。

Anaconda 环境搭建

打开 Anaconda Prompt，输入清华仓库镜像。

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config –set show_channel_urls yes

创建 Python3.5 的环境，名称为 TensorFlow：

conda create -n tensorflow python=3.5

有需要确认的地方，都输入 y。
在 Anaconda Prompt 中激活 TensorFlow 环境：

activate tensorflow

安装 CPU 版本的 TensorFlow：

pip install –upgrade --ignore-installed tensorflow

安装完毕。

模块实现

本项目包括 3 个模块：数据预处理、模型构建及算法实现、模型生成，下面分别给出各模块的功能介绍及相关代码。

1. 数据预处理

WIDER Face 和 MAFA 这两个数据集包含了大量的人脸及人脸佩戴口罩的图片，但只使用WIDER Face 数据集，所含其他遮挡脸部的图片较少（如用手挡住脸部），会出现识别偏差的情况。因此，从 WIDER Face 数据集中选取 3894 张图片、MAFA 数据集中选取 4064张图片，包含戴口罩、不戴口罩、用其他物体遮挡面部共 8000 张图片进行训练。
数据集下载链接：https://pan.baidu.com/s/1nsQf_Py5YyKm87-8HiyJeQ 提取码：eyfz

2. 模型构建及算法实现

数据加载进模型之后，需要定义模型结构，并进行算法实现。

1. 定义模型结构

定义的架构共 28 个卷积层，其中有 8 个主干层，即特征提取层；20 个定位和分类层。每个卷积层的通道数是 32、64、128 三种，为了能够更好地运行在终端设备上，模型设计的较小，共 101.5 万个参数，输入为 260*260 大小的图片。

2. 算法实现
基于 SSD 检测模型推理，实现以下三步：生成全部的 anchor、网络输出值根据全部的anchors 解码、NMS（非极大值抑制）即可，即以下三个函数：

function anchorGenerator()、function decodeBBox()、function nonMaxSuppression()

训练目标检测模型，最重要的是合理设置 anchor 的大小和宽高比。所谓 anchor 是指在图像上预设好的不同大小，不同长宽比的参照框。假设一个 256*256 大小的图片，经过 64、128 和 256 倍下采样，会产生 4X4、2X2、1X1 大小的特征图，每个点上都设置三个不同大小的 anchor。在实际的 SSD 模型中，300X300 的输入下，anchor 数量也特别多，在38X38、19X19、10X10、5X5、3X3、1X1 的六个特征图上，每个点分别设置 4、6、6、6、6、4 个不同大小和长宽比的 anchor，一共有 38X38X4+ 19X19X6+ 10X10X6+ 5X5X6+3X3X4+ 1X1X4= 8732个 anchor。借助卷积神经网络，可直接输出每个 anchor 是否包含（与物体有较大重叠，也就是 IoU 较大）物体，以及被检测物体相对本 anchor 的中心点偏移、长宽比例。

在训练的时候，也就是给每张图片物体的 Bounding Box，相对于 anchor 进行编码，如果物体 Bounding Box 与某个 anchor 的 IoU 较大，例如，大于 0.5 认为是正样本，否则是负样本。

对于检测网络，有的实现，是用没有归一化的坐标，例如，anchor 设置为（30, 42）尺度大小，但是，有的算法实现，是将坐标和物体框的宽高比，除以图片的宽和高。如果图片都是正方形的，那归一化后宽高比没有变化，如果是 1080P 分辨率的摄像头，那么长宽比是16:9。本来就小的宽度，再除以 1920，而高度除以 1080，会导致归一化后的人脸高度是宽度的 2 倍左右。归一化处理即：

BBOX_NORMALIZE = True

根据数据的分布，将五个定位层的 anchor 的宽高比统一设置为 1，0.62, 0.42。（转换为高宽比，也就是约 1，1.6：1，2.4:1）。

3. 代码实现

# -*- coding:utf-8 -*-
import cv2
import time
import argparse

import numpy as np
from PIL import Image
from keras.models import model_from_json
from utils.anchor_generator import generate_anchors
from utils.anchor_decode import decode_bbox
from utils.nms import single_class_non_max_suppression
from load_model.tensorflow_loader import load_tf_model, tf_inference

# 载入模型
sess, graph = load_tf_model('models/face_mask_detection.pb')
# anchor configuration
#特征图大小
feature_map_sizes = [[33, 33], [17, 17], [9, 9], [5, 5], [3, 3]]
#anchor大小
anchor_sizes = [[0.04, 0.056], [0.08, 0.11], [0.16, 0.22], [0.32, 0.45], [0.64, 0.72]]
#anchor宽高比
anchor_ratios = [[1, 0.62, 0.42]] * 5

# generate anchors
anchors = generate_anchors(feature_map_sizes, anchor_sizes, anchor_ratios)

# 用于推断，批大小为 1，模型输出形状为 [1，N，4]，因此将锚点的 dim 扩展为 [1，anchor_num，4]
anchors_exp = np.expand_dims(anchors, axis=0)

id2class = {0: 'Mask', 1: 'NoMask'}


# 用训练好的模型做预测
def inference(image,
              conf_thresh=0.5,
              iou_thresh=0.4,
              target_shape=(160, 160),
              draw_result=True,
              show_result=True
              ):
    '''  检测推理的主要功能
        # ：param image：3D numpy 图片数组
         #  ：param conf_thresh：分类概率的最小阈值。
        #  ：param iou_thresh：网管的 IOU 门限
        #  ：param target_shape：模型输入大小。
        #  ：param draw_result：是否将边框拖入图像。
        #  ：param show_result：是否显示图像。
         '''
    output_info = []
    height, width, _ = image.shape#获取初始图像的长宽
    image_resized = cv2.resize(image, target_shape)#改变图像尺寸
    image_np = image_resized / 255.0  # 归一化到0~1
    image_exp = np.expand_dims(image_np, axis=0) #扩展图片维度
    y_bboxes_output, y_cls_output = tf_inference(sess, graph, image_exp)#构建图，返回包含预测结果的框和颜色

    # 删除批次维度，因为用于推断批次始终是1。
    y_bboxes = decode_bbox(anchors_exp, y_bboxes_output)[0]
    y_cls = y_cls_output[0]
    # 为了加快速度，执行单类 NMS，而不是多类 NMS。即戴口罩人脸和不戴口罩人脸两个类别一起做NMS
    bbox_max_scores = np.max(y_cls, axis=1)
    bbox_max_score_classes = np.argmax(y_cls, axis=1)

    # keep_idx 是 nms 之后的活动边界框。
    keep_idxs = single_class_non_max_suppression(y_bboxes,
                                                 bbox_max_scores,
                                                 conf_thresh=conf_thresh,
                                                 iou_thresh=iou_thresh,
                                                 )

    for idx in keep_idxs:
        conf = float(bbox_max_scores[idx])
        class_id = bbox_max_score_classes[idx]
        bbox = y_bboxes[idx]
        # 裁剪坐标，避免该值超出图像边界。
        xmin = max(0, int(bbox[0] * width))
        ymin = max(0, int(bbox[1] * height))
        xmax = min(int(bbox[2] * width), width)
        ymax = min(int(bbox[3] * height), height)

3. 模型生成

该应用主要有两部分，一是对图片中的人脸进行识别；二是对视频中出现的人脸进行识别。

1. 调用训练好的模型

sess, graph = load_tf_model('models\face_mask_detection.pb') #载入模型

2. 图片处理

1）anchor 设定完成后，进行识别
2）解码及非极大值抑制

		if draw_result:
            if class_id == 0:
                color = (0, 255, 0)#戴口罩显示绿框
            else:
                color = (255, 0, 0) #没戴口罩显示红框
            cv2.rectangle(image, (xmin, ymin), (xmax, ymax), color, 2)#图像，左上角坐标，右下角坐标 ，颜色，粗细
            cv2.putText(image, "%s: %.2f" % (id2class[class_id], conf), (xmin + 2, ymin - 2),
                        cv2.FONT_HERSHEY_SIMPLEX, 0.8, color)#图片，添加的文字，左上角坐标，字体，字体大小，颜色
        output_info.append([class_id, conf, xmin, ymin, xmax, ymax])

    if show_result:
        Image.fromarray(image).show()
    return output_info

3. 视频处理

#视频检测
def run_on_video(video_path, output_video_name, conf_thresh):
    cap = cv2.VideoCapture(video_path) #读取本地视频
    height = cap.get(cv2.CAP_PROP_FRAME_HEIGHT)#计算视频的高
    width = cap.get(cv2.CAP_PROP_FRAME_WIDTH)#计算视频的宽
    fps = cap.get(cv2.CAP_PROP_FPS)#得到视频的帧率
    fourcc = cv2.VideoWriter_fourcc(*'XVID')#XVID是MPEG-4编码类型，文件名后缀为.avi
    # writer = cv2.VideoWriter(output_video_name, fourcc, int(fps), (int(width), int(height)))
    total_frames = cap.get(cv2.CAP_PROP_FRAME_COUNT)#获取视频总帧数
    if not cap.isOpened():#视频打开失败
        raise ValueError("Video open failed.")
        return
    status = True
    idx = 0
    while status:
        start_stamp = time.time()#返回当前时间的时间戳
        status, img_raw = cap.read()#第一个参数ret 为True 或者False,代表有没有读取到图片
                                    # #第二个参数frame表示截取到一帧的图片
        img_raw = cv2.cvtColor(img_raw, cv2.COLOR_BGR2RGB)#色彩空间BGR转为RGB
        read_frame_stamp = time.time()
        if (status):
            inference(img_raw,
                      conf_thresh,
                      iou_thresh=0.5,
                      target_shape=(260, 260),
                      draw_result=True,
                      show_result=False)#调用推断
            cv2.imshow('image', img_raw[:, :, ::-1])
            cv2.waitKey(1)
            inference_stamp = time.time()
            # writer.write(img_raw)
            write_frame_stamp = time.time()
            idx += 1#循环直到识别到口罩,然后输出帧数和时间.
            print("%d of %d" % (idx, total_frames))
            print("read_frame:%f, infer time:%f, write time:%f" % (read_frame_stamp - start_stamp,
                                                                   inference_stamp - read_frame_stamp,
                                                                   write_frame_stamp - inference_stamp))
    # writer.release()

系统测试

本部分包括模型训练准确率及模型测试效果。

1. 训练准确率

戴口罩的人脸识别准确率接近 92%，可识别绝大部分戴口罩的人脸，如图所示。

2. 运行结果

1. 在命令行中运行

# 跟命令行有关的
if __name__ == "__main__":
    # 跟命令行有关的
    parser = argparse.ArgumentParser(description="Face Mask Detection") # 创建解析器
    parser.add_argument('--img-mode', type=int, default=1, help='set 1 to run on image, 0 to run on video.')#这里设置为 1：检测图片；还是设置为 0：视频文件（实时图像数据）检测
    parser.add_argument('--img-path', type=str, help='path to your image.')
    parser.add_argument('--video-path', type=str, default='0', help='path to your video, `0` means to use camera.')
    # parser.add_argument('--hdf5', type=str, help='keras hdf5 file')
    args = parser.parse_args()# 把parser中设置的所有"add_argument"给返回到args子类实例当中， 那么parser中增加的属性内容都会在args实例中，使用即可。
    if args.img_mode:
        imgPath = args.img_path#图片路径
        img = cv2.imread(imgPath)#读取图片
        img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)#转换色彩空间（R，G，B换个位置）
        inference(img, show_result=True, target_shape=(260, 260))
    else:
        video_path = args.video_path#视频路径
        if args.video_path == '0':
            video_path = 0
        run_on_video(video_path, '', conf_thresh=0.5)

运行方法如下：

• 如果您要运行图片，需要：

python tensorflow_infer.py --img-path /path/to/your/img

如果您要在视频上运行，需要：

python tensorflow_infer.py --img-mode 0 --video-path /path/to/video 

如果要打开本地摄像头, video_path 填写 0 就可以：

python tensorflow_infer.py --img-mode 0 --video-path 0

2. 运行结果

照片测试结果如图所示:

工程源代码下载

详见本人博客资源下载页

其它资料下载

如果大家想继续了解人工智能相关学习路线和知识体系，欢迎大家翻阅我的另外一篇博客《重磅 | 完备的人工智能AI 学习——基础知识学习路线，所有资料免关注免套路直接网盘下载》
这篇博客参考了Github知名开源平台，AI技术平台以及相关领域专家：Datawhale，ApacheCN，AI有道和黄海广博士等约有近100G相关资料，希望能帮助到所有小伙伴们。