1.一种基于Shape‑GIoU改进的聚类方法，其特征在于：

步骤一、下载人脸口罩检测的公开数据集AIZOO、RMFD，并选取分辨率大于608*608的戴有口罩的人脸照片或者未戴口罩照片，构建了使用的人脸口罩数据集，并对数据集中的数据预处理得到归一化后的宽高值数据；

步骤二、从待处理数据集中任意选取1个样本图片中感兴趣目标的真实框的归一化后宽高数据(wj,hj)作为初始聚类中心yj(wj,hj)；

步骤三、对于数据集中的每一个样本xi(wi,hi)，计算它与已选择的聚类中心yj(wj,hj)的距离；所用的距离dij计算方式为：dij＝1‑Shape‑GIoUij

Shape‑GIoUij计算方式如下式所示：

xi∩yj＝min(wi,wj)×min(hi,hj)

xi∪yj＝wi×hi+wj×hj‑min(wi,wj)×min(hi,hj)

Aij＝max(wi,wj)×max(hi,hj)

其中xi∩yj表示真实框和聚类中心之间并集的面积，xi∪yj表示真实框和聚类中心之间交集的面积，Aij表示真实框和聚类中心的最小外接矩形的面积，由上式可以看出，当Aij＝(xi∪yj)时，两框完全相交此时GIoU会退化为IoU，此时引入一个比例系数λij/βij，此系数会将两框的宽高比之比的影响引入公式，可以解决GIoU退化为IoU的问题；

步骤四、计算每个样本xi(wi,hi)被选为下个聚类中心的概率

随机产生新的聚类中心yj+1(wj+1,hj+1)；

步骤五、重复步骤三和步骤四，直到k个聚类中心被选出来，并利用这k个初始的聚类中心来运行标准的k‑means算法重新计算各个类别的聚类中心；

步骤六、使用K‑means++聚类算法得到anchor值，通过标准YOLOv4网络训练并保存测试结果test1，使用基于Shape‑GIoU改进的聚类方法得到新的anchor值，通过标准YOLOv4网络训练并保存测试结果test2,将2次实验的测试结果进行比较，比较的指标分别是mAP与Recall；

前述步骤中，i＝0,1,...,21583表示样本数据的标号，j＝1,2,...,9表示聚类中心的标号。

2.根据权利要求1所述的一种基于Shape‑GIoU改进的聚类方法，其特征在于，步骤一、下载人脸口罩检测的公开数据集AIZOO、RMFD，由于数据集照片质量也参次不齐，从公开的AIZOO、RMFD人脸识别数据集选取分辨率大于608*608的戴有口罩的人脸照片或者未戴口罩照片，构建了使用的人脸口罩数据集；为数据集中每个样本图片创建对应xml文件，并将各个样本图片所存储的路径，样本图片中感兴趣目标的类别信息pi及该目标的左上角和右下角的坐标信息，以及样本图片的分辨率存储在对应的xml文件中；对xml文件数据进行预处理，首先获取样本图片中感兴趣目标的坐标值，然后将坐标数据转换为真实框的宽高大小，计算公式为：宽＝右下角横坐标‑左上角横坐标，高＝右下角纵坐标‑左上角纵坐标，最后将宽高值进行归一化，计算公式为：归一化后的宽高值＝宽高值/输入图片的分辨率；其中AIZOO数据集的下载地址：https://github.com/AIZOOTech/FaceMaskDetection；RMFD数据集的下载地址：https://github.com/X‑zhangyang/Real‑World‑Masked‑Face‑Dataset；

使用的数据集共分为两类：戴口罩人脸目标和未戴口罩人脸目标，共包含照片11208张，数据集中包含不同场景下戴口罩人脸目标7933个，未戴口罩人脸目标13651个，将测试集、验证集与训练集按照6:2:2的比例划分。

3.根据权利要求1所述的一种基于Shape‑GIoU改进的聚类方法，其特征在于，步骤五、重复步骤三和步骤四，直到K个聚类中心被选出来，并利用这K个初始的聚类中心来运行标准的k‑means算法重新计算各个类别的聚类中心；因为YOLOv4算法有三个检测尺度，每个尺度有3个anchor，所以我们取K＝9得到9个聚类中心，将聚类中心的值乘以输出图片的分辨率，最终我们得到YOLOv4算法所需的9个anchor值。

4.根据权利要求1所述的一种基于Shape‑GIoU改进的聚类方法，其特征在于，步骤六、使用K‑means++聚类算法得到anchor值，通过标准YOLOv4网络训练并保存测试结果test1，使用基于Shape‑GIoU改进的聚类方法得到新的anchor值，通过标准YOLOv4网络训练并保存测试结果test2；将2次实验的测试结果进行比较，比较的指标分别是mAP与Recall，标准YOLOv4网络下载地址为：https://github.com/AlexeyAB/darknet,下载标准YOLOv4网络并进行编译，更改data文件夹中voc.data文件中的训练集、验证集、测试集目录为下载数据集的地址，并指定类别数量与类别名称；修改cfg文件夹中YOLOv4.cfg文件里anchor，classes，filters参数，其中参数anchor为使用K‑means++聚类算法得到的9个anchor值；

classes为构建数据集的类别数，分别为戴口罩人脸目标和未戴口罩人脸目标，即classes＝2；filters＝(类别数+5)*3＝21；开始训练YOLOv4网络，待网络训练完成，选取backup文件夹中YOLOv4_best.weights文件作为测试权重Q1，进行测试并得到测试结果test1；使用新方法得到新的anchor值，修改cfg文件夹中YOLOv4.cfg文件里anchor参数，训练YOLOv4网络，得到测试权重Q2，进行测试并得到测试结果test2。