买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉东南大学;公安部第三研究所申请的专利一种基于YOLOv8抗遮挡伪冒攻击的人脸口罩检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119600670B 。

龙图腾网通过国家知识产权局官网在2025-10-03发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411811112.5，技术领域涉及：G06V40/16；该发明授权一种基于YOLOv8抗遮挡伪冒攻击的人脸口罩检测方法是由蒋睿;侯远旸;陈广勇;裴蓓设计研发完成，并于2024-12-10向国家知识产权局提交的专利申请。

本一种基于YOLOv8抗遮挡伪冒攻击的人脸口罩检测方法在说明书摘要公布了：本发明涉及一种基于YOLOv8抗遮挡伪冒攻击的人脸口罩检测方法，属于人工智能安全应用领域。本发明通过构建高样本容量、高分辨率的人脸口罩检测图片数据集，提高了检测模型的精度和泛化性；通过采用自定义卷积模块改进了原始YOLOv8目标检测模型，提高了检测模型的卷积效率，增强了模型的特征提取能力，并降低了计算复杂度；通过采用自定义模块和损失函数改进原始YOLOv8人体姿态估计模型，增强了模型的特征融合能力和目标定位能力；通过自主设计基于YOLOv8抗遮挡伪冒攻击的人脸口罩检测方法，实现对待检测图片进行高精度、高鲁棒性、高实时性的人脸口罩检测。本发明可以实现实时人脸口罩检测，能够防御真实检测场景下的遮挡伪冒攻击，同时设计自定义的数据集和模型网络结构，使得本发明具有良好的检测精度和检测实时性。

本发明授权一种基于YOLOv8抗遮挡伪冒攻击的人脸口罩检测方法在权利要求书中公布了：1.一种基于YOLOv8抗遮挡伪冒攻击的人脸口罩检测方法，其特征在于：采用的检测系统包括人脸口罩数据集构建模块1，基于YOLOv8的人脸口罩检测模型搭建模块2，基于YOLOv8的人体姿态估计模型搭建模块3，模型训练模块4，基于YOLOv8抗遮挡伪冒攻击人脸口罩检测模块5，以及通用图像采集模块，所述的人脸口罩数据集构建模块1，首先基于开源口罩检测图片数据集，采用分辨率计算进行筛选过滤，随后基于labelme软件进行手动标签标注，最后，把这些图片数据分为训练集和验证集两部分，传输至人脸口罩检测模型训练模块4； 所述的基于YOLOv8的人脸口罩检测模型搭建模块2，针对初始YOLOv8目标检测模型，首先通过自定义残差卷积结构，改进YOLOv8目标检测模型网络的颈部网络，随后通过自定义解耦头结构，改进原YOLOv8目标检测模型网络的检测头网络，最后通过自定义的基于注意力机制的卷积结构，改进YOLOv8目标检测模型网络的骨干网络，得到待训练的人脸口罩检测模型，并将该模型及参数传输至人脸口罩检测模型训练模块4； 所述的基于YOLOv8的人体姿态估计模型搭建模块3，针对初始YOLOv8人体姿态估计模型，首先通过自定义特征融合结构，改进YOLOv8人体姿态估计模型网络的颈部网络，最后通过自定义定位损失函数，改进原YOLOv8人体姿态估计模型网络定位损失函数，得到待训练的人体姿态估计模型，并将该模型及参数传输至人脸口罩检测模型训练模块4； 所述的模型训练模块4，首先接收人脸口罩数据集构建模块1中的训练集数据，运用基于YOLOv8的人脸口罩检测模型搭建模块2中的目标检测模型网络，进行数据训练，得到人脸口罩检测模型；接着采用开源的COCO‑Pose数据集，运用基于YOLOv8的人体姿态估计模型搭建模块3中的人体姿态估计模型网络，进行数据训练，并将训练好的人脸口罩检测模型和人体姿态估计模型传输至基于YOLOv8抗遮挡伪冒攻击人脸口罩检测模块5； 所述的基于YOLOv8抗遮挡伪冒攻击人脸口罩检测模块5，首先从模型训练模块4接收人脸口罩检测模型和人体姿态估计模型，检测开始后，从通用图像采集模块获取待检测图片，随后对该图片进行抗遮挡伪冒攻击人脸口罩检测，检测过程分为两步，第一步是基于人脸口罩检测模型的人脸口罩检测，第二步是基于人体姿态估计的模型的抗遮挡伪冒检测，检测结束后，将检测结果返回至通用图像采集模块； 基于YOLOv8的人脸口罩检测模型搭建模块2改进和构建基于YOLOv8的人脸口罩检测模型，包括卷积优化模块2‑1，检测头网络加速模块2‑2和特征提取增强模块2‑3； 所述的卷积优化模块2‑1针对原始的YOLOv8目标检测模型，使用自定义的残差卷积结构改进原YOLOv8颈部网络中的C2f模块，自定义的残差卷积结构为：当输入特征图为Fin∈Fin首先经过一个1×1的卷积，然后通过通道平均分割得到两条分支随后对FP1前的连续通道进行卷积操作，再经过SILU激活函数和后续的两个1×1卷积得到FFN1随后经过前的连续通道进行卷积操作，SILU激活函数和后续的两个1×1卷积得到FFN2，把FP1,FP2,FFN1,FFN2四部分特征进行通道维度拼接得到最后使用1×1卷积，获得输出由此得到改进的卷积模块FC2f，最后将该模块以及原始YOLOv8目标检测模型中的卷积模块、拼接模块、上采样模块、损失函数这些模型参数，传输至检测头网络加速模块2‑2； 检测头网络加速模块2‑2使用自定义的解耦头模块改进了模型的检测头网络，自定义的解耦头模块为：当输入特征图为Fin首先通过前的连续通道卷积操作，SILU激活函数，两个1×1卷积和一个常规的卷积模块得到随后FFN经过两条平行的1×1卷积分支，用于生成对原图片的分类预测PredCls＝ConvClsFFN和边界框预测信息PredBbox＝ConvBboxFFN，其中ConvCls是将深层特征映射到目标类别空间的1×1卷积操作，并为每个类别获得置信度分数，ConvBbox是对应于特征图中每个像素边界框位置信息的1×1卷积操作，由此得到改进的检测头网络加速模块FHead；最后，将该模块以及从卷积优化模块2‑1接收的模型参数，一并传输至特征提取增强模块2‑3； 特征提取增强模块2‑3，使用自定义的基于注意力机制的卷积结构改进YOLOv8骨干网络中的C2f模块，自定义的基于注意力机制的卷积结构包括两个分支：通道分支和空间分支，给定输入特征图该自定义的注意力机制输出其中为通道分支输出，为空间分支输出；在通道分支中，通道分支输出⊙ch是通道维度的乘法操作，通道分支注意力AchXin＝FSG[Wzσ1WvXin×FSMσ2WqXin]，其中Wq,Wv,和Wz是1×1的卷积操作,σ1和σ2是数据形状修改操作，FSM·是Softmax操作,“×”是矩阵点乘操作,FSG·是Sigmoid操作；在空间分支中，空间分支输出空间注意力分支其中Wq和Wv是1×1的卷积操作,σl,σ2,和σ3是数据形状修改操作,FGP是全局池化操作，⊙sp是空间维度上对数据进行逐元素乘法操作的操作，由此得到改进的特征提取模块PFC2f模块；最后，将该模块以及从检测头网络加速模块2‑2接收的模型参数一并传输至基于YOLOv8的人脸口罩检测模型训练模块4‑1； 基于YOLOv8的人体姿态估计模型搭建模块3改进和构建基于YOLOv8的人体姿态估计模型，包括通道特征融合增强模块3‑1和损失函数改进模块3‑2； 通道特征融合增强模块3‑1针对原始的YOLOv8人体姿态估计模型，使用自定义的特征融合模块改进原YOLOv8人体姿态估计网络中颈部网络中的所有Concat模块，该自定义的特征融合模块为，当输入特征图为F1和F2时，首先初始化两个可学习的权重W1,W2，随后将两个权重进行快速归一化，计算∈是小常数，设置为0.0001，最后该自定义的特征融合模块的输出为ConcatWn1×F1，Wn2×F2，其中Concat是通道维度的拼接操作，由此得到改进的通道特征融合模块FConcat模块，最后，把该模块及原始YOLOv8人体姿态估计模型的卷积模块、拼接模块、上采样模块、检测头模块这些模型参数，传输至损失函数改进模块3‑2； 损失函数改进模块3‑2使用自定义定位损失函数改进模型的定位损失函数，该自定义的定位损失函数计算为：L＝LIoU+Ldis+Lasp,其中交并比损失LIoU＝1‑IOU；距离损失和边长损失IOU是预测框和真实框的交并比，w和h分别表示预测边界框的宽度和高度，wgt和hgt分别表示真实边界框的宽度和高度,wc和hc是是覆盖预测框和标签框的最小矩形的宽度和长度，ρ是中心点变量的欧氏距离，由此得到改进的损失函数；最后，把该损失函数以及从通道特征融合增强模块3‑1接收的模型参数一并传输至基于YOLOv8的人体姿态估计模型训练模块4‑2。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人东南大学;公安部第三研究所，其通讯地址为：211102 江苏省南京市江宁区东南大学路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。