2020年新冠疫情爆发,佩戴口罩是有效抑制疫情反弹的重要措施之一,研究利用机器视觉技术检测人脸是否佩戴口罩有重要现实意义,但现有的口罩佩戴检测算法的性能仍有待提升。首先,复杂场景下的人脸检测图像中往往存在小目标、被遮挡的目标、特征信息不明显的目标以及靠近群体的目标,这些目标难以进行识别检测;其次,现有的口罩佩戴检测技术在分类、定位准确率以及检测效率等方面仍不能满足要求。针对以上两个问题,本文将研究内容分为单目标检测和多目标检测两个阶段,分别提出两种改进算法,均提高了模型的检测性能,有较高的应用价值。具体来说,在单目标检测阶段制作3000张人脸佩戴口罩数据集,标注口罩为“mask”;在多目标检测阶段将数据集扩展为5000张并将标注范围扩大到整张人脸,标注佩戴口罩的人脸“mask”以及未佩戴口罩的人脸“no＿mask”两种类别。在单目标检测阶段的数据集上进行训练与测试,对比SSD、YOLOv3和YOLOv4三种算法的测试结果表明,YOLOv3具有最高的检测精度和速度,但对遮挡目标、小目标、靠近群体目标以及特征信息不明显目标的检测效果仍有待提高,因此针对YOLOv3在单目标检测阶段中的不足提出一种Single-YOLOv3检测算法。该算法将Dark Net53网络替换为设计的DCN＿SERes PNet50残差网络,DCN＿SERes PNet50通过小型卷积的堆叠与平均池化层的作用,达到提高模型的检测速度并降低损失的目的,再结合DCN可变形卷积与SENet通道注意力机制,使模型能够更好地适应人脸佩戴口罩时由于遮挡等因素产生的几何形变,并增强了特征信息的表达能力。实验结果表明,单目标检测阶段提出的算法平均精度高达95.36%,比YOLOv3提高了约4.1%,且检测速度为78.8FPS,比YOLOv3提高了11.7FPS。在多目标检测阶段的数据集上进行训练与测试,增加对比SSD、YOLOv3、YOLOv4和单目标检测阶段提出的Single-YOLOv3算法的测试结果表明,Single-YOLOv3具有最优的性能,但仍需提高分类定位能力,因此针对Single-YOLOv3在多目标检测阶段中的不足提出一种Multi-YOLOv3检测算法。该算法首先将Dropblock模块加入特征融合网络,降低特征信息之间的依赖性,提高模型对不同类别目标的分类能力;其次在检测头部分增加IoU-aware预测分支,加强IoU与分类概率之间的关联程度,提高模型的定位准确率。实验结果表明,与Single-YOLOv3相比,此方法可以有效提高多类别条件下的人脸佩戴口罩检测性能,其在“mask”与“no＿mask”类别中的检测精度分别提高约1.2%和3.2%,平均精度均值提高了2.3%。