基于樹(shù)莓派多場(chǎng)景下頭盔識(shí)別系統(tǒng)

楊琴琴 葛云飛 劉紫嚴(yán) 余健 任仕晨 胡偉 官駿鳴

摘 要：針對(duì)騎行及施工場(chǎng)景，人員是否佩戴頭盔對(duì)安全帶來(lái)的影響問(wèn)題，提出區(qū)分環(huán)境，將人與車(chē)整體標(biāo)定的方法和工人頭部標(biāo)定的方法來(lái)分別制作佩戴數(shù)據(jù)集，然后基于Linux環(huán)境的樹(shù)莓派開(kāi)發(fā)平臺(tái)，采用Camshift算法進(jìn)行模型訓(xùn)練，可以正確追蹤目標(biāo)的位置和信息，判斷目標(biāo)佩戴頭盔或安全帽的情況，并用網(wǎng)絡(luò)攝像頭截取視頻通過(guò)以太網(wǎng)輸入到PC端Camshift模型中的方法，替代人工實(shí)現(xiàn)遠(yuǎn)程檢測(cè)。實(shí)驗(yàn)表明，該方案能正確識(shí)別出視頻中人員有無(wú)佩戴頭盔或安全帽，證明了該方案的有效性。

關(guān)鍵詞：電動(dòng)車(chē)頭盔；安全帽；Camshift算法；樹(shù)莓派；遠(yuǎn)程監(jiān)測(cè)

摩托車(chē)、電動(dòng)車(chē)、自行車(chē)等騎乘交通工具以其便捷、便宜、環(huán)保等特點(diǎn)受到出行者的廣泛歡迎，但這類(lèi)騎乘人員在駕駛過(guò)程中完全暴露于道路之中，容易在交通事故中傷亡。2019 年，我國(guó)共發(fā)生交通事故 244058起，其中摩托車(chē)、非機(jī)動(dòng)車(chē)、自行車(chē)交通事故發(fā)生數(shù)共76967起，占比約為31.54%。而在施工現(xiàn)場(chǎng)，有時(shí)會(huì)出現(xiàn)有高空墜物的事故，現(xiàn)場(chǎng)可能有人員受傷，受傷部位極有可能是頭部，保護(hù)現(xiàn)場(chǎng)人員的頭部是非常有必要的。因此佩戴安全帽是我國(guó)建筑行業(yè)的一項(xiàng)基本規(guī)章制度，而傳統(tǒng)的目標(biāo)檢測(cè)方法不能達(dá)到建筑行業(yè)檢測(cè)人員佩戴安全帽的要求。當(dāng)前，目標(biāo)檢測(cè)算法主要由兩個(gè)類(lèi)別組成：一類(lèi)是基于區(qū)域的兩階段檢測(cè)器，如 R-CNN、Fast R-CNN、Faster R-CNN，另一類(lèi)是單階段的檢測(cè)器，如 SSD 和 YOLO。

頭盔檢測(cè)應(yīng)用的場(chǎng)景是車(chē)水馬龍的交通道路和環(huán)境復(fù)雜的施工工地，人員流動(dòng)大。不但要對(duì)復(fù)雜的環(huán)境進(jìn)行快速跟蹤定位，還要從中識(shí)別出騎行人員（工人）是否佩戴頭盔（安全帽），所以對(duì)模型跟蹤的穩(wěn)定性和準(zhǔn)確性都有較高的要求。因此，本文采用高效、準(zhǔn)確且穩(wěn)定的Camshift模型。對(duì)于電動(dòng)車(chē)人員頭盔佩戴識(shí)別，傳統(tǒng)檢測(cè)方法將待檢測(cè)目標(biāo)劃分為2部分：騎車(chē)人和騎乘工具，這樣制作的數(shù)據(jù)集極易將非騎行人員納入識(shí)別范圍，增加了擬識(shí)別對(duì)象的數(shù)目，也就增加了計(jì)算量和計(jì)算過(guò)程，所以在人員密集環(huán)境下的檢測(cè)精度不高。為此，本文采用人與車(chē)整體標(biāo)定的方法，即在制作數(shù)據(jù)集時(shí)，將騎車(chē)人與騎乘工具標(biāo)定為一個(gè)整體。這樣，訓(xùn)練出的網(wǎng)絡(luò)就可有效地將騎車(chē)者與非騎車(chē)者區(qū)別開(kāi)來(lái)；同時(shí)，為了實(shí)現(xiàn)遠(yuǎn)程監(jiān)控功能，采用以太網(wǎng)搭配網(wǎng)絡(luò)攝像頭的方式，將現(xiàn)場(chǎng)采集的視頻流通過(guò)以太網(wǎng)實(shí)時(shí)輸送到Camshift模型中進(jìn)行分析預(yù)測(cè)，以實(shí)現(xiàn)遠(yuǎn)程目標(biāo)的檢測(cè)。

一、Camshift算法的原理

Camshift算法是在Meanshift算法的基礎(chǔ)上，針對(duì)其存在的不足進(jìn)行改進(jìn)而提出的，其算法的基本思想是對(duì)視頻圖像的多幀進(jìn)行Meanshift運(yùn)算，將上一幀結(jié)果作為下一幀的初始值，不斷迭代。該算法采用不變矩對(duì)目標(biāo)的尺寸進(jìn)行估算，實(shí)現(xiàn)了連續(xù)自適應(yīng)地調(diào)整跟蹤窗口的大小和位置，并將其應(yīng)用在對(duì)連續(xù)彩色圖像序列中的運(yùn)動(dòng)目標(biāo)的快速跟蹤。以下對(duì)其原理進(jìn)行說(shuō)明：

（一）色彩投影圖（反向投影）

RGB顏色空間對(duì)光照亮度變化較為敏感，為了減少此變化對(duì)跟蹤效果的影響，首先將圖像從RGB空間轉(zhuǎn)換到HSV空間。然后對(duì)其中的H分量作直方圖，在直方圖中代表了不同H分量值出現(xiàn)的概率或者像素個(gè)數(shù)，就是說(shuō)可以查找出H分量大小為h的概率或者像素個(gè)數(shù)，即得到了顏色概率查找表。將圖像中每個(gè)像素的值用其顏色出現(xiàn)的概率對(duì)替換，就得到了顏色概率分布圖。這個(gè)過(guò)程就叫反向投影，顏色概率分布圖是一個(gè)灰度圖像。

（二）Camshift算法

將 Meanshift算法擴(kuò)展到連續(xù)圖像序列，就是 Camshift算法。它將視頻的所有幀做 Meanshift 運(yùn)算，并將上一幀的結(jié)果，即搜索窗的大小和中心，作為下一幀Meanshift算法搜索窗的初始值，如此迭代下去，就可以實(shí)現(xiàn)對(duì)目標(biāo)的跟蹤。Camshift算法的步驟如為：

（1）初始化搜索窗；

（2）計(jì)算搜索窗的顏色概率分布（反向投影）；

（3）運(yùn)行Meanshift算法，獲得搜索窗新的大小和位置；

（4）在下一幀視頻圖像中用（3）中的值重新初始化搜索窗的大小和位置，再跳轉(zhuǎn)到（2）繼續(xù)進(jìn)行計(jì)算。

二、系統(tǒng)整體方案設(shè)計(jì)

（一）硬件介紹

樹(shù)莓派 4B 的硬件配置（圖 1）：1.5 GHz，4 核64 位，ARM Cortex-A72 CPU（～ 3× 倍性能 ）、1 GB / 2 GB / 4 GB LPDDR4 SDRAM 內(nèi)存、全吞吐量千兆以太網(wǎng)、雙頻 802.11ac 無(wú)線網(wǎng)絡(luò)、藍(lán)牙 5.0、兩個(gè) USB 3.0 和兩個(gè) USB 2.0 接口，雙顯示器支持、分辨率高達(dá) 4K、VideoCore VI 顯卡，支持 OpenGL ES 3.x、HEVC 視頻 4Kp60 硬解碼、完全兼容早期的樹(shù)莓派產(chǎn)品。

（二）數(shù)據(jù)集制作

為了實(shí)現(xiàn)多場(chǎng)景復(fù)雜環(huán)境下準(zhǔn)確識(shí)別的功能，本文采用網(wǎng)絡(luò)爬取圖片加攝像頭拍攝的方式制作數(shù)據(jù)集。網(wǎng)絡(luò)爬取的目的是收集不同拍攝角度人物狀態(tài)的圖片，以及區(qū)分各個(gè)場(chǎng)景特征，便于后期模型能學(xué)到多種特征，進(jìn)而提高檢測(cè)的精度。攝像頭拍攝馬路上真實(shí)交通狀態(tài)以及施工現(xiàn)場(chǎng)真實(shí)情況，一張圖片中包含多個(gè)檢測(cè)目標(biāo)，有利于后期訓(xùn)練出的模型對(duì)密集目標(biāo)的檢測(cè)，更好地?cái)M合實(shí)際情況。圖片采集情況如圖2所示。

（三）佩戴檢測(cè)方法

為了解決交通道路中電動(dòng)車(chē)和騎行人的關(guān)聯(lián)匹配問(wèn)題，直接將電動(dòng)車(chē)和電動(dòng)車(chē)騎行人員作為一個(gè)整體進(jìn)行檢測(cè)，而旁邊的行人和停放的電動(dòng)車(chē)視為背景不進(jìn)行檢測(cè)。這種檢測(cè)方法將檢測(cè)目標(biāo)分為兩類(lèi)，一類(lèi)是電動(dòng)車(chē)和未帶頭盔的騎行人整體，另一類(lèi)是電動(dòng)車(chē)和佩戴頭盔的騎行人整體。

（四）檢測(cè)流程設(shè)計(jì)

系統(tǒng)的主要功能是進(jìn)行視頻檢測(cè)及攝像頭檢測(cè)，系統(tǒng)的整體流程如圖3所示。其中，系統(tǒng)進(jìn)行視頻檢測(cè)和攝像頭檢測(cè)時(shí)，默認(rèn)為視頻流檢測(cè)，而攝像頭檢測(cè)只比視頻檢測(cè)多了攝像頭識(shí)別部分，其他部分相同。故下面僅給出攝像頭檢測(cè)的流程圖。系統(tǒng)在運(yùn)行過(guò)程中可以調(diào)用外接攝像頭獲取實(shí)時(shí)的視頻流，并將視頻進(jìn)行分幀，發(fā)送到頭盔檢測(cè)模塊進(jìn)行后續(xù)處理。如果不調(diào)用攝像頭，系統(tǒng)可以直接在本地獲取視頻進(jìn)行檢測(cè)。程序檢測(cè)視頻的主流程如圖4所示。

系統(tǒng)在進(jìn)行數(shù)據(jù)預(yù)處理后，提取有助于區(qū)分道路和施工現(xiàn)場(chǎng)的特征，例如顏色、紋理、形狀等。通過(guò)調(diào)整模型的參數(shù)、增加訓(xùn)練數(shù)據(jù)集的規(guī)模、調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)等方法，提高算法對(duì)交通道路和施工現(xiàn)場(chǎng)的識(shí)別準(zhǔn)確度。由于頭盔檢測(cè)模塊和安全帽檢測(cè)模塊大致相同，故下面以頭盔檢測(cè)模塊舉例。

首先使用Camshift模型檢測(cè)輸入圖像中的頭部目標(biāo)（person）、頭盔目標(biāo)（helmet）和電動(dòng)車(chē)目標(biāo)（motorcycle），并將其保存；然后以電動(dòng)車(chē)目標(biāo)為第一優(yōu)先級(jí)將電動(dòng)車(chē)和騎行人員進(jìn)行匹配，對(duì)于任一檢測(cè)到的電動(dòng)車(chē)目標(biāo)，判斷在其匹配區(qū)內(nèi)是否存在 helmet目標(biāo)，若在匹配區(qū)內(nèi)存在的是 helmet 目標(biāo)，則判定該騎行者佩戴頭盔，同時(shí)用綠色矩形框進(jìn)行標(biāo)注，若在匹配區(qū)內(nèi)存在的是 person 目標(biāo)，則判定該騎行者未佩戴頭盔，同時(shí)使用紅色矩形框進(jìn)行標(biāo)注；之后對(duì)余下的電動(dòng)車(chē)目標(biāo)重復(fù)上述匹配過(guò)程，當(dāng)所檢測(cè)到的電動(dòng)車(chē)目標(biāo)均完成匹配后，即完成了當(dāng)前圖片的檢測(cè)過(guò)程。另外需要指出的是，若在匹配區(qū)內(nèi)出現(xiàn)多個(gè) helmet 目標(biāo)或 person 目標(biāo)時(shí)，最終選擇與電 動(dòng)車(chē)目標(biāo)中心點(diǎn)距離最小的目標(biāo)進(jìn)行匹配。

三、實(shí)驗(yàn)分析

為了驗(yàn)證Camshift 算法的可行性和有效性，本文從網(wǎng)絡(luò)中獲取了道路交通和施工現(xiàn)場(chǎng)中的視頻資料，如圖5，并對(duì)其中的運(yùn)動(dòng)目標(biāo)進(jìn)行跟蹤實(shí)驗(yàn)，從中發(fā)現(xiàn)針對(duì)背景較模糊、運(yùn)動(dòng)目標(biāo)邊緣不是很清晰的情況下，Camshift算法依然能夠?qū)崿F(xiàn)對(duì)運(yùn)動(dòng)目標(biāo)的準(zhǔn)確跟蹤。

四、結(jié)論

由實(shí)際情況試驗(yàn)結(jié)果可知，經(jīng)過(guò)數(shù)據(jù)收集和大量模型訓(xùn)練的Camshift算法簡(jiǎn)單高效，特別適用于對(duì)顏色信息敏感的目標(biāo)跟蹤任務(wù)。它結(jié)合了顏色直方圖和均值漂移算法，即使對(duì)于背景模糊、不易識(shí)別邊緣等問(wèn)題，也能夠在視頻序列中穩(wěn)定地跟蹤目標(biāo)。可以預(yù)見(jiàn)，如果將該識(shí)別系統(tǒng)應(yīng)用到現(xiàn)實(shí)生活中，能有效提升檢測(cè)速度，以及對(duì)于保障交通管理人員的生命安全作出一份貢獻(xiàn)，也減小了監(jiān)控人員的工作量。

參考文獻(xiàn)：

[1]趙海茹，李玉秀，李國(guó)瑞，等.基于Camshift算法的運(yùn)動(dòng)目標(biāo)跟蹤系統(tǒng)研究[J].玉溪師范學(xué)院學(xué)報(bào)，2023，39（06）：77-81.

[2]尤泳茹，陳夢(mèng)凡，陳俊霞，等.基于樹(shù)莓派的目標(biāo)識(shí)別檢測(cè)研究[J].現(xiàn)代信息科技，2023，7（21）：94-98.

[3]李明，杜茂華.基于YOLOv4算法的騎乘人員頭盔佩戴的遠(yuǎn)程檢測(cè)[J].農(nóng)業(yè)裝備與車(chē)輛工程，2023，61（10）：159-164.

[4]張立藝.基于深度學(xué)習(xí)的施工現(xiàn)場(chǎng)安全帽佩戴檢測(cè)方法研究[D].內(nèi)蒙古工業(yè)大學(xué)，2023.

[5]徐棟.基于深度學(xué)習(xí)的電動(dòng)車(chē)頭盔佩戴檢測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].南京郵電大學(xué)，2022.