摘要該主題包括針對新冠病毒事件的社交距離和口罩檢測，可以通過保持社交距離以及戴上口罩來緩解這種流行病。Covid－19對許多國家產生了巨大影響，這種影響給世界各地的許多人造成了問題。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，該算法用于對象檢測和對象跟蹤，本研究使用YOLO在對象檢測的幫助下計算人臉的社交距離和識別口罩，同時跟蹤人臉，通過對象跟蹤完成對對象進行計數(shù)并在下一幀中保留該對象的記錄中的步驟。保持社會距離的同時保持的最小距離為6英尺，以此作為計算距離的基礎，該模型經過訓練，可用于對象檢測和對象跟蹤。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)集上進行了訓練以進行檢測和跟蹤。為了評估訓練后的模型，針對兩個用例（社交距離和口罩檢測）都計算了mAP（平均精度），該方法通過將真實邊界框與檢測到的框進行比較來進行工作，最后返回分數(shù)。mAP得分越高，目標檢測的模型越好。介紹計算機視覺是人工智能的子集，它利用計算機的能力從提供的數(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。計算機視覺的這種使用可以擴展到許多其他應用程序，具體取決于用例。

人工智能可以說是涵蓋了機器學習，深度學習和計算機視覺等方面的“棚屋”。這項基于“口罩檢測和社交距離”的研究使用計算機視覺，來理解圖像或視頻的各個方面，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的邊界框，根據(jù)訓練數(shù)據(jù)集，類的范圍可以是從Dog到Car的任何范圍。新冠病毒對世界各行各業(yè)，包括工業(yè)，交通運輸或農業(yè)產生了巨大影響，這種影響導致世界停止了每個部門，并遵循嚴格的限制措施，優(yōu)先進行社交疏散和戴口罩。Covid－19對不同行業(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，對餐飲業(yè)的影響最大，其中20％的百分比最高，其次是房地產（16％）。同樣，可以看出，Covid－19的影響最小的是農業(yè)部門（3％）。從圖2可以觀察到全球范圍內的新冠病毒總數(shù)，該圖顯示了根據(jù)時間戳記受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，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)字影響所有國家，如此巨大的數(shù)字是毀滅性的，并導致了這種流行病向大流行病的轉變。方法這一部分重點介紹了用于對象檢測和對象跟蹤的算法。1． YOLO的體系結構Yolo算法代表“你只看一次”，它是一種先進的技術，它在實時系統(tǒng)上運行，以深度學習為基礎，可以解決各種對象檢測以及對象跟蹤問題。可以從下面的圖3中觀察到Yolo的體系結構。

圖3． YOLO架構

從上圖可以看出，該體系結構包含“輸入”圖像層，這些層負責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。沿著輸入層進入DarkNet架構，這是一個開源神經網絡，其框架是在C＆CUDA的幫助下創(chuàng)建的，該框架具有用于對象檢測和對象跟蹤的YOLO。此外，該體系結構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)從每個節(jié)點傳遞到體系結構中的其他節(jié)點。

類似地，它被傳遞到輸出層，該輸出層分為4部分值，這4個部分描述了邊界框的預測值（用x，y，w，h表示），以及對象檢測分數(shù)以及預測類別的概率。該YOLO是精確快速的“one－stage”對象檢測器系列的一部分，還有“two－stage”對象檢測器。流行的兩階段目標檢測器是R－CNN，F(xiàn)ast R－CNN和Faster R－CNN，這些算法可以根據(jù)特定用例準確地獲得結果，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，并基于該外觀預測與某些類別相關的邊界框，則類別可以是從Dog到Car或Gun到Tanks的任何內容，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象檢測器。

圖4．不同類型的探測器

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，檢測器的輸入可以是圖像或視頻。Backbone 目標檢測器的骨干包含模型，這些模型可以是ResNet，DenseNet，VGG。Neck 檢測器中的頸部充當額外的層，與骨干和頭部平行。Head 是負責檢測基于邊界框的對象的網絡。實驗結果該項目的實驗結果部分詳細介紹了進行各種觀察并形成最終輸出后獲得的結果。該項目的重點是針對Covid－19事件的社交距離檢測和人臉口罩檢測。圖5解釋了計算對象之間距離的體系結構，并顯示了如何使用Yolo Version 4生成輸出。

圖5． YOLO Darknet架構

下面的圖6是用于分析對象上的口罩的體系結構，此處的對象是在自定義數(shù)據(jù)集的幫助下執(zhí)行檢測的人員。根據(jù)提供的注釋，對自定義數(shù)據(jù)集進行了3個不同類別（好，無和壞）的訓練，它將框與各自的類別綁定在一起。對象檢測和對象跟蹤之間的區(qū)別在于使用了跟蹤器（在Yolo DeepSort中），該跟蹤器通過分配ID來幫助跟蹤對象。

圖6． YOLO Deepsort體系結構

以下是用于訓練目的的數(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，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，并對幀中存在的每個對象進行了注釋。之所以需要創(chuàng)建自定義數(shù)據(jù)集，是因為COCO數(shù)據(jù)集不包含用于檢測口罩的類。

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個不同類別（0和2）。用于口罩檢測的類分別為0（好），1（無）和2（壞）。

圖9．基于圖像的對象注釋

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

圖10．基于圖像的對象注釋

下圖是用于訓練自定義數(shù)據(jù)集的訓練圖，該研究中使用的自定義數(shù)據(jù)集與口罩有關，其訓練的時期為4000個時期。從圖11可以看出，損失在1200個時期后逐漸減少，并且在最后一個時期期間保持不變，這說明訓練損失被最小化到1200，此后一直保持不變，這意味著應該將訓練時期設置為2000左右，因為在數(shù)據(jù)訓練中出現(xiàn)的迭代次數(shù)越多，執(zhí)行時需要更多的計算能力。

圖11．用于訓練自定義數(shù)據(jù)的迭代圖

與基于社會距離的研究有關的結果如圖12所示，結果網格化為2個圖像，圖像的左側表示基于距離計算的帶有相應邊界框的輸出。

圖12．社交距離檢測

類似地，該項目進行了Face Mask檢測，結果如圖13所示，該圖分別顯示了用邊界框檢測到的對象，目標是根據(jù)其創(chuàng)建的對象來檢測對象（Face）是否戴著口罩。一個具有不同顏色的邊界框，并顯示與之關聯(lián)的類名稱。使用的顏色是：綠色表示無口罩，紫色表示有口罩。

圖13．擁擠場所的口罩檢測

另一個與使用Darknet進行面部 口罩檢測有關的示例如圖14所示，該Darknet的實現(xiàn)基于“對象檢測”，沒有在不同幀中跟蹤對象�？梢杂^察到該模型檢測到的對象戴著“ No Mask”，仍然分配了一些具有“good與bad”的對象，以及“No Mask”的未命中分類的對象被分配了“good”類別，這些假陽性結果將在表II中進行說明。

圖14．口罩檢測的另一個示例

最后，為了評估基于提供的數(shù)據(jù)集的模型訓練，并使用mAP（平均精度）進行了評估，該方法基于平均精度的計算，而所有計算均基于訓練數(shù)據(jù)中存在的類和總體IoU（交集超過交集）閾值。下表I顯示了每個類別的平均精度，以及通過“真陽性”和“假陽性”獲得的值。用101個召回點計算的AP的閾值百分比為0．25％。

從上表可以看出，每個類別的 AP 類別百分比都超過90％。結論這項研究的目的是了解Covid－19事件的社交距離和人臉口罩檢測，社交距離的對象檢測基于人，而人臉口罩檢測基于人臉，這是使用Yolo完成的。用于目標檢測的Yolo v4是由Darknet進行的，而對象跟蹤是由Deepsort進行的。通過計算mAP進行了最終模型的最終計算，該模型對對象的預測有多好，這表明對于0．25％的閾值，平均精度約為90％或更高；對于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)集上進行了社交距離的輸出，為增加檢測的復雜性，還考慮了擁擠的場景�？谡指�蹤模型顯示了每個檢測到的對象的百分比精度。這可以在具有實時檢測功能的大型行業(yè)中進行，而這需要更高的計算能力。