基于YOLOv3的騎行人員頭盔佩戴識別系統(tǒng)設計與實現

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，設計了一種基于神經網絡的頭盔佩戴識別系統(tǒng)，采用改進型YOLOV3算法，在主網絡后增加殘差結構提高了位置與類別的識別精度，同時設計了GUI應用界面，便于應用測試。實驗結果表明，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)神經網絡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，具有較好的應用前景。

【關鍵字】? ? 神經網絡? ? 頭盔佩戴? ? 識別? ? YOLO

引言：

隨著我國城市人口數量激增，電動自行車已成為人們常用的出行工具，據公安部交管局統(tǒng)計，摩托車、電動自行車是導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亟待推進。關于安全頭盔的檢測國內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計了輕量化的卷積神經網絡，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)以人工智能技術中的神經網絡為主要手段，通過對頭盔佩戴數據集進行訓練自動更新神經網絡各節(jié)點的權重值，構建出普適性的識別模型，系統(tǒng)設計結構如圖1所示。首先由攝像頭獲取實時圖像，并對其做圖形預處理;隨后將歸一化的識別圖片傳入識別模型進行分類預測，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測;最后將預測的分類結果標注在圖像上輸出。

1.2 YOLO實現方法

系統(tǒng)的技術核心是識別模型的設計，基礎模型采用YOLO算法結構，其特點是把輸入的圖像作為一個整體，并將其分割成N×N的網格形式，以每個網格所在位置和對應內容為基礎進行預測，預測信息包括位置、類別和置信度等[4]。預測位置以網格中心點處物體為對象通過網格方框標出，置信度表征不同識別對象與對應類別相似度的分數比，YOLO算法從實現手段上具備快速高效的優(yōu)勢。YOLOv3算法改進了原有網絡檢測方法，通過分別檢測每一區(qū)域的概率，再加權計算得到整塊區(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作為骨干網絡結構，并添加了殘差網絡的實現，在各隱藏層之間設置短路鏈接，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

2.1 特征融合方法

YOLOv3通過融合殘差結構實現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量，即在一個區(qū)域內存在多個待檢目標，如使用傳統(tǒng)的結構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構融合到后級高層語義特征中，構成特征金字塔，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果輸出，后級殘差結構可以重復上述步驟。

2.2 結構改進

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構，并增加對小物體的識別，在YOLO主網絡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，每個殘差結構使用步長為2的上采樣并與上層結構做卷積處理，具體結構改進如下。

三、測試與結果分析

3.1環(huán)境設置

測試計算機配置為Intel-i7處理器，NVIDIA GTX1080 GPU，16G內存，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結果分析

本文采用現場實測法，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、結束語

YOLO算法作為神經網絡中應用最廣泛的技術，具有速度快、精度高等特點，將其應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網絡的安全帽識別方法[J].計算機工程與應用，2021（05） ：1-8.

[3]姚群力，胡顯，雷宏. 深度卷積神經網絡在目標檢測中的研究進展[J].計算機工程與應用，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.