（2）正负样本数据集灰度处理及像素处理

对数据集进行灰度处理可以增强图像对比度，增大图片的动态范围，让图像更清晰，特征更明显，能够更好的对模型进行训练。除此之外，还需要将正负样本各自的照片像素设为相同的值，正样本数据集的像素最佳设为20×20，这样的模型训练精度更高，而负样本数据集像素则应不低于50×50，如此可以加快模型训练的速度，此处我们将负样本的数据集像素调节为80 x80。最后通过cmd命令分别生成佩戴有口罩和未佩戴口罩的图片路径的txt文件。

---

---

图5 灰度、像素处理后的正负样本

在测试时，我们还加入了对人脸鼻子的识别，即当识别到人脸时若还识别到鼻子，则显示为未佩戴口罩，能够更加有效地对口罩佩戴是否规范。      

图6 口罩识别系统实践效果图

（4）口罩识别训练模型评价

训练集运行结果如下：

===== TRAINING 4-stage =====

<BEGIN

POS count : consumed   800 : 813

NEG count : acceptanceRatio    2600 : 0.00584079

Precalculation time: 25.945

如图所示，执行该命令时，一些参数信息被终端首先输出。然后输出级联分类器中每级强分类器的训练信息，我们设置的numStages为10，于是一共有10个强分类器:0-stage至9-stage。图中是第4级强分类器的信息。我们分别分析这些信息如下所示:

===== TRAINING 4-stage =====



<BEGIN

表示开始训练第4级强分类器。

【POS count : consumed800: 813】

在训练本级强分类器时，能够使用的800个正样本图像是从813个正样本图像集中选取出来的，说明此时没有被识别出来的正样本有13个。此时的识别率为98.4%（800/813=0.984）.

【NEG count : acceptanceRatio    2600 : 0.00584079】

可用2600个负样本图像训练本级强分类器，该数是opencv_traincascade.exe命令中参数numNeg指定的数量，后面的0.00584079表示当前级联分类器预测的这些被预测为正样本而实际为负样本的2600幅图像是从多少个负样本图像中得到的。当前已得到了4个强分类器:O-stage、1-stage、2-stage、3-stage。当即将训练的第5个强分类器4-stage运行结束后，这5个强分类器构成的级联分类器的最大错误率为:0.25×0.25×0.25×0.25=0.000976，已经满足了要求，无需继续训练，系统会停止运行。

【Precalculation time: 25.945】

这表示，在没有构建强分类器之前，我们计算好了一部分特征值，这时预先计算的特征值所消耗的时间。该值由opencv_traincascade.exe命令中的参数precalcValBufSize和precalcldxBufSize决定，如果我们在此设置了更大的内存，就能存储更多特征值，与此同时所花费的时间就越长。 

表示此时该级的强分类器已经得到，因为识别率和错误率都满足了要求，所以此级强分类器的训练结束。

【Training until now has taken 0 days 0 hours 39 minutes 53 seconds】

表示到目前为止，训练级联分类器共用时39分53秒。此时，就训练得到了我们需要的级联分类器数据，我们利用它就可以识别出人脸。 

本项目的主要工作可以概括为以下几点：

一、基于卷积神经网络的人脸识别。达到以下效果：

1、从视频中识别人脸，并实时标出面部特征点。2、建cv2摄像头对象，我们使用电脑自带摄像头（若安装外部摄像头，则自动切换到外部摄像头）。3、针对高清视频的多帧连续对照识别、对监控设备的视频数据进行解码，并分离数据帧、形成每帧视频的图像数据，从而将人脸识别率呈指数级大幅提升。4、设置每帧数据延时为1ms，使用人脸检测器检测每一帧图像中的人脸做灰度处理，并输出人脸数。5、对每个人脸定位画出方框，显示识别结果。6、添加快捷功能并在识别页面添加按键说明：按下s键截图保存，按下q键退出。

二、口罩识别

基于卷积神经网络的口罩识别。对于检测到的三类情况：①戴口罩（捂住口鼻）②戴口罩（未捂住口鼻）③未戴口罩做出了no mask ;no mask; have mask的判断。

三、搭建了师生端疫情防控平台，实时查询个人进出校内公共场所及进出校内外情况。提供了一个核查与监督的平台。

---

关于作者

在此对Yuling Zhang对本文所作的贡献表示诚挚感谢，她专长深度学习、数据采集、回归预测。