基于改進型YOLOV3安全帽檢測方法的研究

張 勇，吳孔平，高 凱，楊 旭

(安徽理工大學電氣與信息工程學院，安徽 淮南232000)

1 引言

在日常特殊工作環境中，安全帽是工作人員生命的保障，能夠有效地減少或防止外來危險對工作人員頭部的傷害。安全帽的佩戴，可降低人員工作時的作業風險。然而，長期以來，作業人員在施工區域普遍存在安全意識薄弱的問題，尤其缺乏基礎防護設施如安全帽等的使用意識，無疑大大增加了作業風險[1]。近年來，國內外有不少專家對安全帽的識別技術進行了深入而廣泛的研究：馮國臣等人使用機器視覺方法進行安全自動識別研究，主要選取 SIFT 角點特征[2]和顏色統計特征的方法進行安全帽檢測；胡恬等人提出的利用小波變換和神經網絡安全帽識別方法，通過膚色定位人臉的辦法，根據頭部顏色判斷安全帽的存在；Park等人通過 HOG 特征提取來檢測人體[3]，接著采用顏色直方圖識別安全帽。但是現有的安全帽檢測方法容易受到復雜多變的環境影響，同時檢測準確率低，速度慢，不能滿足生產環境中的實時檢測要求。由此，本文基于YOLOV3模型，并加以改進，使得最終的模型具有環境適應性好、檢測準確率高、速度快等特點，滿足實際應用場景。

2 卷積神經網絡和YOLOV3

基于卷積神經網絡(CNN)的深度學習，在提取圖像特征時，相比于傳統方法，具有很大的優勢[4]。因此，很多研究人員提出了一系列目標檢測算法[5]。2014年，Girshick提出了基于候選區域和卷積神經網絡的R-CNN算法，該算法在VOC 2012數據集上獲得了53.3%的平均準確率。隨后，Girshick Ren等分別提出了FastR-CNN和FasterR-CNN，FasterR-CNN采用區域推薦網絡生成候選框， 再對這些候選框進行分類和坐標回歸， 檢測精度大幅提升的同時， 檢測速度約為5 fps[6]， 由于生成候選框和進行預測分成兩個步驟進行， 所以這些方法稱為Two-Stage方法。但是仍然滿足不了實時性要求。直至2015 年，Redmon提出了 YOLO 檢測算法[7]，它是把生成候選框和預測過程同時進行，因而被稱作One-Stage方法。因此YOLO的識別速度達到了45fps。在此基礎之上，又衍生出了精度更高的YOLOV2算法，在VOC 2007數據集上測試，它的mAP達到了76.8%[8]。2018年4月，YOLOV3[9]正式提出，相比于YOLOV2，YOLOV3性能提升很大，在保證準確率的同時，它的速度卻沒有降低。

YOLOV3是 Redmon基于 YOLOV2改進的目標檢測算法。不同于YOLOV2所使用的網絡結構Darknet-19[10]，YOLOV3采用了全新的特征提取網絡：Darknet-53。同時YOLOV3和YOLOV2的Loss不同，YOLOV3用logistic loss替換了YOLOV2中的softmax loss。此外，YOLOV2用了5個anchor，而YOLOV3用了9個anchor，提高了IOU。這些改進方法都為YOLOV3后來良好的表現奠定了基礎。YOLOV3與其它算法[12]的對比，見表1。

表1 YOLOV3與其它算法的對比

3 相關工作

3.1 安全帽數據集制作

在深度學習中，數據集質量的高低直接影響了最終檢測效果的好壞。本次實驗從網上下載了各種情況下800張工作人員佩戴安全帽的圖片，作為訓練集，另外選擇200張作為測試集。兩種數據集如圖1、圖2所示。

圖1 安全帽訓練集

圖2 安全帽測試集

為了盡量克服由于數據集樣本少而產生的過擬合問題，本實驗采用了旋轉、對比度變化的方法對自制數據集進行了數據增強。同時，由于相機的視距較遠、焦距不正確或相機移動，所獲得的圖像可能不清晰。模糊圖像也會影響神經網絡的檢測結果。因此，本文將旋轉、對比度增強后的圖像隨機模糊，模擬模糊圖像。將模糊圖像作為樣本，進一步提高檢測模型的魯棒性。

3.2 YOLOV3結構改進

在神經網絡的訓練過程中，由于卷積和下采樣，使得特征圖減少，在傳輸過程中丟失了特征信息，從而容易產生梯度消失。DenseNet體系結構是為了更有效地利用神經網絡的輸入特性而提出的[13]。在DenseNet體系結構中，DenseNet的基本結構主要由致密塊和過渡層兩部分組成。密集塊是一組密集連接的特征圖。相鄰兩個密集塊之間的層稱為過渡層，通過卷積和池化改變feature map的大小。DenseNet在神經網絡中的應用增強了特征的傳播，有效地解決了消失梯度問題，提高了神經網絡的分類精度。圖3展示了如何以YOLOV3的Darknet-53架構作為基本的網絡架構，使用DenseNet代替分辨率較低的原始傳輸層，從而達到增強特征傳播，促進特征重用和融合的目的。

圖3 YOLOV3-DenseNet 網絡示意圖

其中，X0， X1，X2，X3，X4作為輸入，每一層都使用來自前面所有層的特征映射作為輸入，而它自己的特征映射用作后面所有層的輸入，這些特征圖通過深度連接來連接。H1，H2，H3，H4…Hi 是一個函數，它結合了批處理規范化(BN)，糾正線性單元(ReLU)和卷積(Conv)，用于處理拼接后的特征映射。首先，H1利用BN-ReLU-Conv (1*1)對輸入X0進行非線性操作，然后對操作的結果再進行BN-ReLU-Conv (3*3)變換。X1的結果和[X0]的特征被拼接成[X0， X1]作為輸入送入到H2中。X2的結果和[X0， X1]的特征被拼接成[X0， X1，X2]作為輸入送入到H3中。同理，X3的結果和[X0， X1，X2]的特征被拼接成[X0， X1，X2，X3]作為輸入送入到H4中。最終拼接的特征圖[X0， X1，X2，X3，X4]繼續向前傳播，遇到16*16的卷積層時，特征的前向傳播以及特征層的拼接和上述方法相同，最后特征層被拼接成16*16*1024，繼續向前傳播。這樣的一種結構使得DenseNet能夠減少梯度消失，增強特性傳播，促進特性重用，并大大減少參數的數量。因此，在訓練過程中，當圖像的特征被傳輸到低分辨率層時，后一層特征層將接收到DenseNet中它前面所有特征層的特征，從而減少了特征的丟失。這樣，低分辨率的卷積層之間可以重用特征，提高了使用率。圖4是YOLOV3-Dense詳細結構圖。

圖4 YOLOV3和YOLOV3-Dense網絡結構圖

為了使網絡結構適應高分辨率圖片，輸入圖片的尺寸由256*256 pixels調整為 512*512 pixels。同時，32*32和16*16下采樣層在改進結構中，被替換成DenseNet結構。

3.3 K-means維度重新聚類

由于借鑒了Faster-RCNN的錨點框思想，YOLOV3先設置一組人工選取的初始候選邊框，讓網絡的不斷的學習，根據真實邊框對初始候選邊框進行不斷地修正，使其最終接近真實邊框的參數?？梢钥闯?，初始候選邊框參數選取的好壞直接影響其后面網絡地學習速度。不一樣的目標，目標真實邊框的位置以及大小的參數都有一定的差異。比如公開數據集VOC中，標注汽車的邊框一般比較大，也比較長；標注行人的邊框一般比較高，寬度較小等。而安全帽的特點與它們有著很大的不同，因此在實際安全帽檢測任務中，YOLOV3 算法中早前計算得到的先驗框維度并不適用于安全帽檢測應用場景。需要重新進行聚類分析。為了能夠讓網絡更好地學習安全帽的位置和大小的特點，論文使用K-means算法對實際應用場景下的安全帽數據集中的真實邊框進行重新聚類分析，從而得到相對應的初始候選邊框的參數。不同于K-means算法常用的歐氏距離、曼哈頓距離等距離量度，為了防止大框會比小框產生更多的誤差，使用預測目標 框與真實目標框的面積交并比即IOU來計算距離，公式如下

D(box，centroid)=1-IOU(box，centroid)

其中box表示樣本，centroid 表示簇的中心。

通過對安全帽樣本的聚類分析，得到了候選邊框數量與K值的關系圖，如圖5所示。

圖5 K-means聚類結果

由上圖可以看出，隨著K值的增加，IOU逐漸變大，從而檢測精度越高。與此同時，由于邊框數量越多，會一定程度上影響到檢測的速度。因此權衡準確率與速度，本次實驗選擇邊框數量為K=9，即在保證準確率的前提下，不至于讓速度下降太多，更好的適應實時目標檢測。

根據安全帽數據集事先標注好的參數，選定K=9，使用K-means算法，在ubuntu上得到9組適合安全帽檢測的邊框具體的參數，并按照面積從小到大的順序排列成為：(23，24)， (34，49)， (64，42)， (59，83)， (101，56)， (87，78)， (120，87)， (151，128)， (152，188)。用這9組數據替換原YOLOV3中的邊框參數，即可進行下一步訓練過程。

3.4 訓練過程及結果分析

實驗硬件環境：

CPU ：因特爾I7-8200

顯卡 ：英偉達(NVIDIA)TITAN

實驗軟件環境：

操作系統：Ubuntu16.4

C U D A ：CUDA-8.0

Opencv ：CV3.1

訓練參數如下：批處理大小設為16；動量設為0.9 ；權重衰減設為0.0005；最大迭代次數設為3000次。學習率初始值設為0.0001。為了更好得比較改進YOLOV3模型與原YOLOV3模型檢測效果。本實驗對兩種模型分別進行了訓練。兩種訓練過程得到平均損失和平均IOU(交并比)情況如圖6、圖7、8所示。

圖6 兩種模型平均損失結果對比圖

圖7 原YOLOV3模型IOU圖

從上圖可以看出，在對YOLOV3改進之后，隨著迭代次數batches的不斷增加，新的YOLOV3模型比原YOLOV3的學習能力更強，收斂更快。

圖8 改進YOLOV3模型IOU圖

IOU越高，說明檢測準確率越好，通過對兩種模型IOU情況的分析，可以看出，一開始兩種模型的IOU都比較低，隨著訓練的進行，學習到的特征越來越多，兩種模型的IOU逐漸提升，在batches=40000次的時候，改進型YOLOV3比原YOLOV3獲得了更高更穩定的IOU。隨后便保持IOU在一個相對穩定的狀態。兩種模型IOU的差異也為后面的測試比較過程奠定了基礎。

下面通過從200張測試集隨機抽取一張圖片進行測試，兩種模型測試得到的圖片結果如圖9、圖10所示。

圖9 原模型檢測結果圖

圖10 改進模型檢測結果

通過對圖9、圖10的分析，可以看出，雖然安全帽都能被兩種模型檢測出來，但是進一步分析，可以看出，原YOLOV3模型對于每個帽子的檢測的準確率為98%，93%，85%，50%，而改進型YOLOV3對于每個帽子的檢測準確率為：100%，98%，96%，81%。都要比原YOLOV3有所提升。同時，從實驗檢測的速度上來看，實驗中，原YOLOV3檢測1幀用時：0.034119秒，而改進型YOLOV3檢測1幀用時：0.021383秒。改進型YOLOV3比原YOLOV3快了0.012秒。從處理實時視頻的角度來看，由于視頻是由很多圖片幀構成的，如果每張圖片檢測的時間都能縮短一點，那么對檢測視頻的整體效果也是很有益的。為了防止上述圖片的選擇具有偶然性，從而對兩種模型的比較產生問題，本實驗對測試數據集進行了大量檢測，選擇精確率均值 mAP，以及每秒檢測幀數FPS(速度)作為檢測模型的評價指標，用文獻[15]中的SSD、文獻[16]中的Faster R-CNN以及文獻[17]中的YOLO V3等算法進行對比。四種模型在準確率和速度上綜合比較，見表2。

表2 實驗結果對比

因此從評價指標上來看，實驗得出改進型的YOLOV3在保證準確率的情況下，它能獲得更好的實時檢測效果。

4 結束語

本文通過改進YOLOV3模型的結構，增加DenseNet結構，讓每一層學到的feature map都能被之后所有層直接使用，這使得特征可以在整個網絡中重用，也使得模型更加簡潔。同時利用K-means算法對候選框重新進行聚類分析，得到了改進型的YOLOV3，并在自制的增強型安全帽數據集上進行訓練、測試。實驗結果表明，改進型YOLOV3無論是從速度還是準確率上都要優于原YOLOV3模型，滿足了日常環境下對安全帽檢測的實時性和準確性的要求。

然而，日常環境復雜多變，如何在保證準確率和速度的前提下，進一步優化算法，提高模型的不間斷跟蹤的能力，這將是下一步研究的重點。