基于YOLOv3的騎行人員頭盔佩戴識別系統(tǒng)設(shè)計與實現(xiàn)

丁夢迪 李元熙

【摘要】? ? 為解決道路電動車騎行人員頭盔佩戴檢測能力缺失的問題，設(shè)計了一種基于神經(jīng)網(wǎng)絡(luò)的頭盔佩戴識別系統(tǒng)，采用改進型YOLOV3算法，在主網(wǎng)絡(luò)后增加殘差結(jié)構(gòu)提高了位置與類別的識別精度，同時設(shè)計了GUI應(yīng)用界面，便于應(yīng)用測試。實驗結(jié)果表明，在稀疏和中等密度道路場景下，頭盔佩戴的平均識別準確度（mAP）大于90%，在單人場景下mAP大于95%，較傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法在精度上有較大提升，為非機動車騎行人員頭盔佩戴的自動化識別提供了一個可行的途徑，具有較好的應(yīng)用前景。

【關(guān)鍵字】? ? 神經(jīng)網(wǎng)絡(luò)? ? 頭盔佩戴? ? 識別? ? YOLO

引言：

隨著我國城市人口數(shù)量激增，電動自行車已成為人們常用的出行工具，據(jù)公安部交管局統(tǒng)計，摩托車、電動自行車是導(dǎo)致非機動車交通事故死亡最多的車輛。目前電動自行車騎乘人員頭盔佩戴的巡檢主要依靠人工，執(zhí)法成本高且存在漏檢等情況，因此騎乘人員安全頭盔佩戴的智能化識別技術(shù)亟待推進。關(guān)于安全頭盔的檢測國內(nèi)外學者也做了一些研究，王慧使用改進Faster R-CNN模型采用特征融合的方式實現(xiàn)安全帽檢測及身份識別[1]。陳柳、陳明舉等學者通過視覺感受野特性設(shè)計了輕量化的卷積神經(jīng)網(wǎng)絡(luò)，利用特征金字塔提高識別的準確率[2]。這些成果在針對非機動車騎行頭盔的模型匹配沒有涉及，所以一種針對騎行頭盔的識別模型成為研究熱點。

一、原理與方法

1.1設(shè)計原理

非機動車安全頭盔佩戴識別系統(tǒng)以人工智能技術(shù)中的神經(jīng)網(wǎng)絡(luò)為主要手段，通過對頭盔佩戴數(shù)據(jù)集進行訓練自動更新神經(jīng)網(wǎng)絡(luò)各節(jié)點的權(quán)重值，構(gòu)建出普適性的識別模型，系統(tǒng)設(shè)計結(jié)構(gòu)如圖1所示。首先由攝像頭獲取實時圖像，并對其做圖形預(yù)處理;隨后將歸一化的識別圖片傳入識別模型進行分類預(yù)測，識別模型通過多次卷積逐層獲取特征值，并采用多個尺度融合的方式在特征圖上進行位置和類別預(yù)測;最后將預(yù)測的分類結(jié)果標注在圖像上輸出。

1.2 YOLO實現(xiàn)方法

系統(tǒng)的技術(shù)核心是識別模型的設(shè)計，基礎(chǔ)模型采用YOLO算法結(jié)構(gòu)，其特點是把輸入的圖像作為一個整體，并將其分割成N×N的網(wǎng)格形式，以每個網(wǎng)格所在位置和對應(yīng)內(nèi)容為基礎(chǔ)進行預(yù)測，預(yù)測信息包括位置、類別和置信度等[4]。預(yù)測位置以網(wǎng)格中心點處物體為對象通過網(wǎng)格方框標出，置信度表征不同識別對象與對應(yīng)類別相似度的分數(shù)比，YOLO算法從實現(xiàn)手段上具備快速高效的優(yōu)勢。YOLOv3算法改進了原有網(wǎng)絡(luò)檢測方法，通過分別檢測每一區(qū)域的概率，再加權(quán)計算得到整塊區(qū)域概率的方法，提升了檢測速度和全局搜索的能力。在特征獲取上采用Darknet53作為骨干網(wǎng)絡(luò)結(jié)構(gòu)，并添加了殘差網(wǎng)絡(luò)的實現(xiàn)，在各隱藏層之間設(shè)置短路鏈接，強化低級特征與高級特征的融合，提高了系統(tǒng)的識別精度。

二、系統(tǒng)改進與實現(xiàn)

2.1 特征融合方法

YOLOv3通過融合殘差結(jié)構(gòu)實現(xiàn)了速度與精度的均衡，但對于道路騎行人員的場景，目標對象的圖像多為中小尺寸和多數(shù)量，即在一個區(qū)域內(nèi)存在多個待檢目標，如使用傳統(tǒng)的結(jié)構(gòu)容易引起漏檢和誤檢，因此本文將模型中具備較多特征的淺層的特征通過殘差結(jié)構(gòu)融合到后級高層語義特征中，構(gòu)成特征金字塔，如圖2。首先將圖像在layer1上以3×3大小的卷積核進行步長為2卷積運算，然后在layer2、layer3上分別使用1×1和3×3卷積核進行步長為1的運算，實現(xiàn)特征提取，隨后將layer4與layer2進行卷積運算進行特征融合并將結(jié)果輸出，后級殘差結(jié)構(gòu)可以重復(fù)上述步驟。

2.2 結(jié)構(gòu)改進

基于上述改進思路，模型在使用Darknet53提取特征后，分別在YOLO的三個輸出尺度位置52×52，26×26，13×13銜接上述的特征融合結(jié)構(gòu)，并增加對小物體的識別，在YOLO主網(wǎng)絡(luò)后直接增加一個卷積層，使其和前面的淺層做殘差運算，建立起具備4個不同尺度的識別候選輸出，每個殘差結(jié)構(gòu)使用步長為2的上采樣并與上層結(jié)構(gòu)做卷積處理，具體結(jié)構(gòu)改進如下。

三、測試與結(jié)果分析

3.1環(huán)境設(shè)置

測試計算機配置為Intel-i7處理器，NVIDIA GTX1080 GPU，16G內(nèi)存，Windows7-Professional系統(tǒng)，外接1080P USB攝像頭。軟件平臺為Python3解釋器，pycharm社區(qū)版IDE，Anconda3包管理器。

3.2結(jié)果分析

本文采用現(xiàn)場實測法，分別測試了單人場景、多人場景和密集場景下的識別率，見圖4。

戶外實測單人正、側(cè)面識別率可以達到95%以上;多人場景中頭盔像素大于60px時，平均識別準確率>90%;密集場景中，由于頭盔像素點較小，低于YOLO的最小感受野且會出現(xiàn)頭盔相互覆蓋的情況，因此識別率較其他場景明顯偏低，具體見下表。

四、結(jié)束語

YOLO算法作為神經(jīng)網(wǎng)絡(luò)中應(yīng)用最廣泛的技術(shù)，具有速度快、精度高等特點，將其應(yīng)用在非機動車安全頭盔佩戴檢測中能有效解決交管部門執(zhí)法“最后一公里”的困境，為公安部推進“一盔一帶”安全守護行動提供了一種可行的方法，具有較好的應(yīng)用價值。

參? 考? 文? 獻

[1]王慧. 基于改進Faster R-CNN的安全帽檢測及身份識別[D].西安科技大學，2020.

[2]陳柳，陳明舉，薛智爽，羅仕勝.輕量化高精度卷積神經(jīng)網(wǎng)絡(luò)的安全帽識別方法[J].計算機工程與應(yīng)用，2021（05） ：1-8.

[3]姚群力，胡顯，雷宏. 深度卷積神經(jīng)網(wǎng)絡(luò)在目標檢測中的研究進展[J].計算機工程與應(yīng)用，2018，54（17）：1-9.

[4]烏民雨，陳曉輝.一種基于改進YOLO v3的安全帽檢測方法[J].信息通信，2020（06）：12-14.