异常物品与口罩检测系统的制作方法

1.本技术涉及图像识别技术领域，尤其涉及一种异常物品与口罩检测系统。


背景技术：

2.公交车作为城市的核心交通工具，具有人员密集、分散面广、点多线长等特点。
3.在实现现有技术的过程中，发明人发现：
4.公交车内人流量大，环境密闭。由于车载视频监控的不足，目前在公交车内通过驾驶员提醒乘客佩戴口罩，不仅耗费人力，也对车上的其他人员的安全没有保障。
5.因此，需要提供一种异常物品与口罩检测系统，用以解决现有异常物品与口罩检测不及时导致危险系数高的技术问题。


技术实现要素：

6.本技术实施例需要提供一种异常物品与口罩检测系统，用以解决现有异常物品与口罩检测不及时导致危险系数高的技术问题。
7.具体的，一种异常物品与口罩检测系统，包括：采集范围覆盖入口的第一摄像模块，用于采集包括目标对象面部特征、身体特征的图像；识别模块，用于识别目标对象面部特征的遮挡状态；还用于识别目标对象身体特征的携带对象；提示模块，用于当目标对象面部特征的遮挡状态表现为未遮挡，输出提示信息；或用于当目标对象身体特征的携带对象为异常物品，输出提示信息。
8.进一步的，所述识别模块用于识别目标对象面部特征的遮挡状态，具体用于：输入包括目标对象面部特征、身体特征的图像至预训练yolo_v5s检测模型，检测所述图像中目标对象的面部特征是否被遮挡物遮挡；当所述图像中目标对象的面部特征被遮挡物遮挡，识别遮挡物的图像语义。
9.进一步的，提示模块用于当目标对象面部特征的遮挡状态表现为未遮挡，输出提示信息，具体用于：当所述遮挡物的图像语义不是口罩，判定目标对象面部特征的遮挡状态表现为未遮挡，输出提示信息。
10.进一步的，所述识别模块用于识别目标对象身体特征的携带对象，具体用于：输入包括目标对象面部特征、身体特征的图像至预训练yolo_v5s检测模型，检测所述图像中目标对象的身体特征是否关联携带对象；当所述图像中目标对象的身体特征关联携带对象，识别携带对象的图像语义。
11.进一步的，所述提示模块用于当目标对象身体特征的携带对象为异常物品，输出提示信息，具体用于：计算携带对象的尺寸占比系数；
当携带对象的尺寸占比系数大于预设阈值，判定携带对象为异常物品，输出提示信息；其中，计算携带对象的尺寸占比系数的公式表现为：，式中，表示图像整体的宽度，表示图像整体的高度，表示携带对象的宽度，表示携带对象的高度。
12.进一步的，所述预训练yolo_v5s检测模型通过以下步骤训练获得：获取至少包括目标对象面部特征、身体特征的训练图像，遮挡物图像语义标签，携带对象图像语义标签，检测模型配置信息；输入训练图像、遮挡物图像语义标签、携带对象图像语义标签、检测模型配置信息至原始yolo_v5s检测模型，得到训练结果；计算训练结果的样本损失；输入样本损失至原始yolo_v5s检测模型进行反向传播训练，直至样本损失收敛，得到预训练yolo_v5s检测模型。
13.进一步的，所述第一摄像模块至少包括：摄像头；与所述摄像头通过cvbs接口连接的图像采集卡。
14.进一步的，所述识别模块为与所述图像采集卡通过pci接口连接的jetson xavier nx边缘嵌入式装置，包括：底层v4l2驱动库，用于获取来自图像采集卡的图像帧；存储单元，用于以fifo队列存储图像帧。
15.进一步的，所述jetson xavier nx边缘嵌入式装置被配置为，采用隔帧抽取的存储策略，丢弃大于预设帧率的图像帧，以保证队列不会溢出。
16.进一步的，所述异常物品与口罩检测系统还包括：用于跟踪目标对象面部特征的第二摄像模块，以便提示目标对象于非入口位置未遮挡面部特征；所述第二摄像模块的采集范围与第一摄像模块的采集范围不重叠。
17.本技术实施例提供的技术方案，至少具有如下有益效果：通过采集范围覆盖入口的第一摄像模块，在目标对象进入公交车时采集目标对象面部特征、身体特征的图像，提高了检测的及时性。通过识别目标对象面部特征的遮挡状态和身体特征的携带对象，以监控行车过程中的异常行为和可疑物体，降低了危险系数，提高了行车安全性。
附图说明
18.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：图1为本技术实施例提供的一种异常物品与口罩检测系统的结构示意图。
19.100 异常物品与口罩检测系统11 第一摄像模块
12 识别模块13 提示模块14 第二摄像模块。
具体实施方式
20.为使本技术的目的、技术方案和优点更加清楚，下面将结合本技术具体实施例及相应的附图对本技术技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
21.请参照图1，为本技术提供的一种异常物品与口罩检测系统100，包括：采集范围覆盖入口的第一摄像模块11，用于采集包括目标对象面部特征、身体特征的图像。
22.识别模块12，用于识别目标对象面部特征的遮挡状态；还用于识别目标对象身体特征的携带对象。
23.提示模块13，用于当目标对象面部特征的遮挡状态表现为未遮挡，输出提示信息；或用于当目标对象身体特征的携带对象为异常物品，输出提示信息。
24.可以理解的是，所述第一摄像模块11的采集范围覆盖入口。所述入口在具体的应用场景中也就是对应公交车上车的区域，例如上车车门。这样，在目标对象进入车厢空间时，可以第一时间检测目标对象的危险系数，进而提高检测的及时性。
25.当然，所述第一摄像模块11的采集范围也能进行适应性调整。在本技术提供的一种优选实施方式中，可以先根据公交车厢的形状、大小、空间等区域信息，对车厢空间进行建模。针对车厢空间，可将车内划分为多个区域，例如驾驶员操作区、乘客上车区、乘客下车区、车厢前部、车厢后部等。所述第一摄像模块11可以部署于驾驶员操作区、乘客上车区、乘客下车区、车厢前部、车厢后部区域的任意区域。换句话说，所述第一摄像模块11的采集范围也可以覆盖驾驶员操作区、乘客上车区、乘客下车区、车厢前部、车厢后部区域的任意区域。
26.进一步的，在本技术提供的一种具体实施方式中，所述第一摄像模块11至少包括：摄像头；与所述摄像头通过cvbs接口连接的图像采集卡。
27.所述目标对象面部特征、身体特征图像可以通过摄像头采集。具体的，采集摄像头实时拍摄的目标对象面部特征、身体特征的图像。所述摄像头可以为单目红外可见光摄像头。之后将视频流数据通过cvbs接口存储到图像采集卡。
28.识别模块12，用于识别目标对象面部特征的遮挡状态。
29.在口罩检测场景下，所述识别目标对象面部特征的遮挡状态可以理解为识别车上人员佩戴面部佩戴口罩的情况。
30.进一步的，在本技术提供的另一种优选实施方式中，所述识别模块用于识别目标对象面部特征的遮挡状态，具体用于：输入包括目标对象面部特征、身体特征的图像至预训练yolo_v5s检测模型，检测所述图像中目标对象的面部特征是否被遮挡物遮挡；
当所述图像中目标对象的面部特征被遮挡物遮挡，识别遮挡物的图像语义。
31.可以理解的是，在目标对象的面部特征被遮挡物遮挡时，会获取面部特征被遮挡的图像，此时该图像无法直接应用于面部识别或关键点检测。若人脸没被遮挡物遮挡，即可获取到面部特征未被遮挡的图像，此时该图像可直接应用于面部特征的识别或关键点检测。值得注意的是，这里所述遮挡物是否遮挡面部特征的具体判定要求，需要根据实际的应用需求进行判定。例如，进行面部特征识别时，获取到的面部特征中的面部所有区域不得被遮挡物遮挡。此时，在图像获取的视角范围内，佩戴口罩、墨镜等情况均可判定为目标对象的面部特征被遮挡物遮挡。但若进行目标对象的面部特征局部区域的识别时，只需要所述局部区域不被遮挡物遮挡即可。但进行目标对象的面部特征的眼部特征识别时，嘴部以及鼻部佩戴口罩是不会对所述眼部特征的识别以及检测造成影响的。此时，无法判定为目标对象的面部特征被遮挡物遮挡。因此，在获取到带有目标对象的面部特征的之后，需要根据所设定的判定遮挡物遮挡要求检测所述图像中的目标对象的面部特征是否被遮挡。检测目标对象的面部特征是否被遮挡时，可通过人工的方式或相关检测模型进行图像的检测并分类。例如，检测到目标对象的面部特征被遮挡物遮挡时，其对应的目标对象的面部特征为第一类图像；检测到目标对象的面部特征未被遮挡物遮挡时，其对应的目标对象的面部特征为第二类图像。可以理解的是，这里所述目标对象的面部特征分类的具体表述方式，显然不构成对本技术具体保护范围的限制。
32.具体的，输入包括目标对象面部特征、身体特征的图像至预训练yolo_v5s检测模型，检测所述图像中目标对象的面部特征是否被遮挡物遮挡。
33.所述yolo_v5s检测模型可以理解为检测分类算法，并且用户能够根据实际需求选择其主干网络的计算方法。因此，选取yolo_v5s检测模型进行目标对象的面部特征是否被遮挡物遮挡的检测。可以理解的是，这里所述yolo_v5s检测模型选用的主干网络的具体计算方法，显然不构成对本技术具体保护范围的限制。在具体面部特征识别场景中，将目标乘客上车处和车厢前后摄像头采集的视频数据输入口罩检测网络。对于输入的每一帧视频数据，在通用目标检测方法的基础上，利用one-stage口罩检测框架对图像中的人脸检测和定位，判断出乘客是否佩戴口罩。具体的，基于yolo_v5s算法，对含有佩戴口罩和未佩戴口罩人员数据集训练，利用异常行为检测算法对实时输入视频流进行检测，获得未佩戴口罩检测的异常情况。
34.识别模块12，还用于识别目标对象身体特征的携带对象。
35.可以理解的是，在异常物品检测场景下，所述识别目标对象身体特征的携带对象可以理解为识别车上目标对象身上携带物品是否异常。所述身体特征可以理解为手部、颈部、腰部等身体部位。所述携带对象可以理解为目标对象携带的物品，包括背包、手机等物品。
36.进一步的，在本技术提供的又一种优选实施方式中，所述识别模块用于识别目标对象身体特征的携带对象，具体用于：输入包括目标对象面部特征、身体特征的图像至预训练yolo_v5s检测模型，检测所述图像中目标对象的身体特征是否关联携带对象；当所述图像中目标对象的身体特征关联携带对象，识别携带对象的图像语义。
37.所述目标对象面部特征、身体特征的图像可以理解为数据集。所述携带对象可以
包括大型箱体等。
38.在申请的一个具体实施例中，运用预训练yolo_v5s检测模型针对数据集进行大型箱体目标检测算法训练，并通过预训练yolo_v5s检测模型对实际获取的公交车内异常物体视频进行检测识别，得到实时的大型箱体标识、位置信息和时间信息。在通过第一摄像模块11采集多种违禁物品的图片后，对这些图片进行标注和制作标签，将处理后的图片输入yolo_v5s检测模型进行训练，获得合适的模型参数。在应用时，当所述图像中目标对象的身体特征关联携带对象，识别携带对象的图像语义，即识别每帧图片中可疑物品所在位置信息和所属种类的概率，即类别置信度。
39.进一步的，在本技术提供的又一种优选实施方式中，所述预训练yolo_v5s检测模型通过以下步骤训练获得：获取至少包括目标对象面部特征、身体特征的训练图像，遮挡物图像语义标签，携带对象图像语义标签，检测模型配置信息；输入训练图像、遮挡物图像语义标签、携带对象图像语义标签、检测模型配置信息至原始yolo_v5s检测模型，得到训练结果；计算训练结果的样本损失；输入样本损失至原始yolo_v5s检测模型进行反向传播训练，直至样本损失收敛，得到预训练yolo_v5s检测模型。
40.可以理解的是，yolo_v5s检测模型具有清晰的结构以及优越的实时性，并且用户能够根据实际使用需求选择yolo_v5s主干网络的计算方法。
41.获取至少包括目标对象面部特征、身体特征的训练图像，遮挡物图像语义标签，携带对象图像语义标签，检测模型配置信息。
42.所述训练图像可以理解为预先训练模型所需的包括目标对象面部特征、身体特征的图像。所述遮挡物图像语义标签可以理解为目标人员面部遮挡物的类别，比如口罩标签、眼镜标签等。所述携带对象图像语义标签可以理解为目标人员携带物的类别，比如箱子标签、手提包标签等。
43.在获取到训练图像后，将训练图像、遮挡物图像语义标签、携带对象图像语义标签、检测模型配置信息至原始yolo_v5s检测模型，得到训练结果。
44.计算训练结果的样本损失。所述样本损失可以理解为模型的预测值和真实值之间的损失值，用来评价模型的预测值和真实值之间不一样的程度。样本损失值越小，即模型的性能越好。在不同的应用场景下，不同模型用的样本损失也不同。输入样本损失至原始yolo_v5s检测模型进行反向传播训练，直至样本损失收敛，得到预训练yolo_v5s检测模型。所述样本损失收敛可以理解为在训练过程中，预测值和真实值之间的损失逐渐缩小甚至一致，以得到预训练yolo_v5s检测模型。
45.进一步的，在本技术提供的一种优选实施方式中，所述识别模块为与所述图像采集卡通过pci接口连接的jetson xavier nx边缘嵌入式装置，包括：底层v4l2驱动库，用于获取来自图像采集卡的图像帧；存储单元，用于以fifo队列存储图像帧。
46.进一步的，在本技术提供的另一种优选实施方式中，所述jetson xavier nx边缘嵌入式装置被配置为，采用隔帧抽取的存储策略，丢弃大于预设帧率的图像帧，以保证队列
不会溢出。
47.所述pci（peripheral component interconnect，外设部件互连标准）接口可以理解为一种pci插槽。
48.将摄像头采集的视频数据分别输入到车载终端jetson xavier nx边缘嵌入式装置进行处理，将视频流分别输入相应的异常行为检测网络，以获取异常检测的结果。可选的，由于在边缘端处理视频数据需要强大的计算能力，因此车载终端选择外形较小的人工智能超级计算机，如jetson xavier nx，该设备在嵌入式系统和边缘系统的应用极大地提升了处理视频数据的速度。同时，设备具有大容量存储能力，能够实现检测数据的本地存储，设备具有无线通信和应急通信能力，可保证报警信号和云端指令的实时传输对于单帧图像，嵌入式设备通过调用底层v4l2驱动库实现从图像采集卡中读取视频流。算法设计从内存分配的角度出发，构建临时fifo队列用于存储视频流的每一帧图像。所述fifo（first input first output）队列，即先入先出队列。可以理解的是，fifo队列中始终保持着n个数据元素，队列中的数据元素包含最新的数据以及n-1个较老的数据。
49.在具体实施例中，底层v4l2驱动库获取来自图像采集卡的图像帧后，将图像帧进行标号，伸缩变换尺寸，转换帧格式等步骤，然后存入fifo队列中，等待检测网络的读取。由于检测网络的处理速度（12帧每秒）小于视频流的帧率（30帧每秒），所以采用隔帧抽取的方法，适当丢弃多余帧，以保证队列不会溢出。
50.本技术采用实际公交车红外摄像头中获取含有异常物体和人员（含佩戴口罩和未佩戴口罩）视频段数据集，并采用yolo_v5s检测模型进行人头目标的检测。在实际训练过程中，map0.5可以达到0.90。在真实的复杂公交车内场景下，提高了识别精度。
51.提示模块13，用于当目标对象面部特征的遮挡状态表现为未遮挡，输出提示信息。
52.可以理解的是，当目标对象面部特征的遮挡状态表现为未遮挡时，设计预警机制，及时做出报警措施。
53.进一步的，在本技术提供的又一种优选实施方式中，提示模块13用于当目标对象面部特征的遮挡状态表现为未遮挡，输出提示信息，具体用于：当所述遮挡物的图像语义不是口罩，判定目标对象面部特征的遮挡状态表现为未遮挡，输出提示信息。
54.可以理解的是，当检测出遮挡物的图像语义不是口罩时，判定此时目标对象未佩戴口罩，输出提示信息，以发出警报。相应的是，此时检测出遮挡物的图像语义是口罩时，判定此时目标对象佩戴口罩，继续对目标对象进行实时视频帧检测。
55.提示模块13，用于当目标对象身体特征的携带对象为异常物品，输出提示信息。
56.进一步的，在本技术提供的又一种优选实施方式中，所述提示模块用于当目标对象身体特征的携带对象为异常物品，输出提示信息，具体用于：计算携带对象的尺寸占比系数；当携带对象的尺寸占比系数大于预设阈值，判定携带对象为异常物品，输出提示信息；其中，计算携带对象的尺寸占比系数的公式表现为：，式中，表示图像整体的宽度，表示图像整体的高度，表示携带对象的宽度，
表示携带对象的高度。
57.可以理解的是，目标对象身体特征的携带对象为异常物品，输出提示信息首先需要预设阈值，以判断携带对象是否未异常物品。在异常物品识别中，若判断为刀具、枪支类具有较大危险性的异常物品或类别置信度大于预设阈值，则直接发出警报。
58.具体计算携带对象的尺寸占比系数的公式如下所示：，其中，表示检测到可疑物品的宽，表示检测到可疑物品的高，表示整张图片的宽，表示整张图片的高，表示设置的年级比阈值。当》，此时进行异常报警。在具体公交车检测异物实施例中，较大体积的箱子可以被识别，此时阈值设置为0.03。在检测到公交车异常行为后，云端平台通过交互服务器可以对车辆下发无线指令。
59.进一步的，在本技术提供的又一种优选实施方式中，所述异常物品与口罩检测系统还包括：用于跟踪目标对象面部特征的第二摄像模块14，以便提示目标对象于非入口位置未遮挡面部特征；所述第二摄像模块14的采集范围与第一摄像模块11的采集范围不重叠。
60.所述第二摄像模块14可以理解为为了补充目标对象全量面部特征设置的跟踪摄像头。
61.这是考虑到，在目标对象成功进入车厢空间后，可能出现摘下口罩的情况。这使得车厢空间内的安全系数上升。而基于单摄像头的多目标跟踪系统由于自身的局限性，不可避免的存在摄像头视野有限、不能对目标进行全程跟踪、难以解决目标遮挡等问题。因此，至少需要设置第二摄像模块14跟踪监视目标对象。
62.可以区分的是，第一摄像模块11用于采集范围覆盖入口的包括目标对象面部特征、身体特征的图像。所述第二摄像模块14用于采集目标对象于非入口位置未遮挡面部特征。
63.在本技术的具体面部特征识别场景中，所述第二摄像模块14可以部署于驾驶员操作区、乘客下车区、车厢前部、车厢后部区域的任意区域。换句话说，所述第二摄像模块14的采集范围也可以覆盖驾驶员操作区、乘客下车区、车厢前部、车厢后部区域的任意区域。
64.当然，也可以在上述区域均部署摄像模块，这样可以根据事先建立的车厢空间模型，设计车内多个摄像头的安装位置和角度。之后通过相机标定，采用多摄像头联合的方式共同对车厢内的人、物进行检测。并将采集的视频数据送入车载终端，利用嵌入式设备的计算和处理功能，以进行分析和识别。
65.在具体图像采集场景中，多个摄像头被分布在车厢的各个位置，以采集更全面的图像。通过摄像头采集目标对象面部特征、身体特征图像视频流后，在车载终端中将多个视频流中的数据进行融合。通过利用多个摄像头同时追踪车厢内同一个目标的运动，可以多角度地判别目标对象的行为是否异常。
66.经过多次调整摄像机的角度后，为确定车厢内目标表面某点的三维几何位置与其在图像中对应点之间的相互关系，需分别对每个摄像机进行标定，利用张正友标定法分别对相机进行标定，建立相机成像的几何模型，获取相机的内部和外部参数和畸变系数，从而建立世界坐标系与图像坐标系之间的转换关系。
67.基于多摄像头的异常物品与口罩检测系统可以利用多摄像头的优势较好的解决这些问题。多摄像头协同跟踪阶段，采用基于平面单应性、极线几何约束和摄像机重叠区域约束的目标一致性标定方法，对不同摄像头之间的目标进行映射，从而方便地实现多摄像头融合和协同跟踪。此外，借助于目标检测网络与典型人员数据库，对多摄像头中的目标进行匹配，可大大提高再识别的精度。
68.综上，本技术提出的异常物品与口罩检测系统中，通过安装于公交车内部的第一摄像模块11进行视频监控，优化并组合设计现有目标检测识别算法，部署到嵌入式算法板中。对乘客人员在乘车时，未正确佩戴口罩行为及异常物体进行识别和判断，实现本地监控界面对识别到的异常行为画面的实时帧捕捉与报警信息输出，同时实现远程平台的信息实时预警。
69.需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，有语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
70.以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。

技术特征：
1.一种异常物品与口罩检测系统，其特征在于，包括：采集范围覆盖入口的第一摄像模块，用于采集包括目标对象面部特征、身体特征的图像；识别模块，用于识别目标对象面部特征的遮挡状态；还用于识别目标对象身体特征的携带对象；提示模块，用于当目标对象面部特征的遮挡状态表现为未遮挡，输出提示信息；或用于当目标对象身体特征的携带对象为异常物品，输出提示信息。2.如权利要求1所述的异常物品与口罩检测系统，其特征在于，所述识别模块用于识别目标对象面部特征的遮挡状态，具体用于：输入包括目标对象面部特征、身体特征的图像至预训练yolo_v5s检测模型，检测所述图像中目标对象的面部特征是否被遮挡物遮挡；当所述图像中目标对象的面部特征被遮挡物遮挡，识别遮挡物的图像语义。3.如权利要求2所述的异常物品与口罩检测系统，其特征在于，提示模块用于当目标对象面部特征的遮挡状态表现为未遮挡，输出提示信息，具体用于：当所述遮挡物的图像语义不是口罩，判定目标对象面部特征的遮挡状态表现为未遮挡，输出提示信息。4.如权利要求1所述的异常物品与口罩检测系统，其特征在于，所述识别模块用于识别目标对象身体特征的携带对象，具体用于：输入包括目标对象面部特征、身体特征的图像至预训练yolo_v5s检测模型，检测所述图像中目标对象的身体特征是否关联携带对象；当所述图像中目标对象的身体特征关联携带对象，识别携带对象的图像语义。5.如权利要求4所述的异常物品与口罩检测系统，其特征在于，所述提示模块用于当目标对象身体特征的携带对象为异常物品，输出提示信息，具体用于：计算携带对象的尺寸占比系数；当携带对象的尺寸占比系数大于预设阈值，判定携带对象为异常物品，输出提示信息；其中，计算携带对象的尺寸占比系数的公式表现为：，式中，表示图像整体的宽度，表示图像整体的高度，表示携带对象的宽度，表示携带对象的高度。6.如权利要求2或4中任意一项权利要求所述的异常物品与口罩检测系统，其特征在于，所述预训练yolo_v5s检测模型通过以下步骤训练获得：获取至少包括目标对象面部特征、身体特征的训练图像，遮挡物图像语义标签，携带对象图像语义标签，检测模型配置信息；输入训练图像、遮挡物图像语义标签、携带对象图像语义标签、检测模型配置信息至原始yolo_v5s检测模型，得到训练结果；计算训练结果的样本损失；输入样本损失至原始yolo_v5s检测模型进行反向传播训练，直至样本损失收敛，得到预训练yolo_v5s检测模型。
7.如权利要求1所述的异常物品与口罩检测系统，其特征在于，所述第一摄像模块至少包括：摄像头；与所述摄像头通过cvbs接口连接的图像采集卡。8.如权利要求7所述的异常物品与口罩检测系统，其特征在于，所述识别模块为与所述图像采集卡通过pci接口连接的jetson xavier nx边缘嵌入式装置，包括：底层v4l2驱动库，用于获取来自图像采集卡的图像帧；存储单元，用于以fifo队列存储图像帧。9.如权利要求8所述的异常物品与口罩检测系统，其特征在于，所述jetson xavier nx边缘嵌入式装置被配置为，采用隔帧抽取的存储策略，丢弃大于预设帧率的图像帧，以保证队列不会溢出。10.如权利要求1所述的异常物品与口罩检测系统，其特征在于，所述异常物品与口罩检测系统还包括：用于跟踪目标对象面部特征的第二摄像模块，以便提示目标对象于非入口位置未遮挡面部特征；所述第二摄像模块的采集范围与第一摄像模块的采集范围不重叠。

技术总结
本申请提供一种异常物品与口罩检测系统，用以解决现有异常物品与口罩检测不及时导致危险系数高的技术问题。其中，一种异常物品与口罩检测系统，通过采集范围覆盖入口的第一摄像模块，在目标对象进入公交车时采集目标对象面部特征、身体特征的图像，提高了检测的及时性。通过识别目标对象面部特征的遮挡状态和身体特征的携带对象，以监控行车过程中的异常行为和可疑物体，降低了危险系数，提高了行车安全性。全性。全性。


技术研发人员：刘世达 李清怡 吉鸿海 范金凤 于邱洋
受保护的技术使用者：北京弘治锐龙教育科技有限公司
技术研发日：2023.05.19
技术公布日：2023/8/2