摩托車頭盔佩戴檢測(cè)算法研究綜述

張之云 蘇山杰

（重慶交通大學(xué)機(jī)電與車輛工程學(xué)院,重慶 400074）

主題詞：摩托車頭盔 佩戴檢測(cè) 深度學(xué)習(xí) 目標(biāo)檢測(cè)

NMS Non Maximum Suppression

KNN K-near Neighbor

SIFT Scale Invariant Feature Transform

LBP Local Binary Patterns

HOG Histogram of Oriented Gradient

HOI Human Object Interaction

CNN Convolutional Neural Network

SPP Spatial Pyramid Pooling

FCN Fully Convolutional Networks

SSD Single Shot Multi Box Detector

RSSD Rainbow-SSD

SVM Support Vector Machine

RPN Region Proposal Network

YOLO You Only Look Once

ROI Region of Interest

GPU Graphics Processing Unit

COCO Common Objects in Context

MAP Mean Average Precision

CSPNet Cross Stage Partial Networks

DIoU Distance Intersection over Union

CBAM Convolutional Block Attention Module

1 引言

一些欠發(fā)達(dá)地區(qū)，摩托車作為出行的主要工具，駕駛的安全問(wèn)題越來(lái)越受到社會(huì)的關(guān)注。摩托車頭盔的佩戴對(duì)駕駛員的安全十分重要。據(jù)世界衛(wèi)生組織（WHO）預(yù)測(cè)，2022 年中國(guó)的摩托車保有量達(dá)到7 925.1 萬(wàn)輛，到2030 年摩托車保有量下降到7 500 萬(wàn)輛。摩托車事故中，頭部受傷是導(dǎo)致死亡的主要原因。正確佩戴頭盔能降低42%的死亡率和69%的受傷率，摩托車頭盔能有效的保障駕駛者及乘客的安全。因此，在行駛過(guò)程中能及時(shí)有效的檢查駕駛?cè)藛T的頭盔佩戴情況對(duì)減少交通傷亡事故非常重要。

最原始的頭盔佩戴檢測(cè)方法是交通部門派遣工作人員現(xiàn)場(chǎng)監(jiān)督。這種檢測(cè)方法存在許多弊端，首先需要大量的資金和人力資源的投入，同時(shí)檢查效率變低、危險(xiǎn)性大、容易造成道路擁堵的情況。

隨著計(jì)算機(jī)科學(xué)的迅速發(fā)展和智能交通的興起，對(duì)于一些特定場(chǎng)景下的目標(biāo)可以采取自動(dòng)檢測(cè)的方法，這些方法可以分為傳統(tǒng)的機(jī)器視覺(jué)檢測(cè)方法和基于深度學(xué)習(xí)的檢測(cè)算法兩種類型。本文先對(duì)摩托車頭盔檢測(cè)方法進(jìn)行綜述，總結(jié)目前存在的問(wèn)題，最后對(duì)摩托車頭盔佩戴檢測(cè)方法的未來(lái)發(fā)展進(jìn)行展望。

2 傳統(tǒng)計(jì)算機(jī)視覺(jué)技術(shù)的摩托車頭盔檢測(cè)

計(jì)算機(jī)視覺(jué)技術(shù)使機(jī)器能夠通過(guò)相關(guān)設(shè)備和計(jì)算機(jī)來(lái)獲取圖片的信息，對(duì)人類視覺(jué)進(jìn)行模擬，最終能夠?qū)ξ矬w起到識(shí)別的作用。如圖1 所示，傳統(tǒng)的目標(biāo)檢測(cè)方法主要分為感興趣區(qū)域的劃分、特征的提取和分類以及回歸4 個(gè)步驟。到目前為止，國(guó)內(nèi)外許多研究者對(duì)摩托車頭盔的檢測(cè)做了大量的研究，以下是基于傳統(tǒng)計(jì)算機(jī)視覺(jué)的摩托車頭盔檢測(cè)的相關(guān)工作。

圖1 傳統(tǒng)目標(biāo)檢測(cè)算法流程

使用頭盔檢測(cè)或搜索的方法來(lái)確定摩托車頭盔能有效提高檢測(cè)系統(tǒng)的效率和魯棒性。Chiu等提出了一種計(jì)算機(jī)視覺(jué)系統(tǒng)，用于檢測(cè)和分割被遮擋的摩托車。該方法使用視覺(jué)長(zhǎng)度、視覺(jué)寬度和像素比來(lái)檢測(cè)被遮擋的摩托車，并將摩托車從中分割出來(lái)。再使用頭盔檢測(cè)或搜索的方法來(lái)確定頭盔是否存在，該方法克服了遮擋問(wèn)題。Waranusast R 等提出了一種自動(dòng)檢測(cè)摩托車駕駛員和安全頭盔的系統(tǒng)。該系統(tǒng)使用K-最鄰近(KNN)分類器，根據(jù)特征進(jìn)行摩托車分類，然后對(duì)駕駛員的頭部進(jìn)行計(jì)數(shù)和分割，該方法根據(jù)4 個(gè)部分的頭部特征對(duì)戴頭盔與不戴頭盔進(jìn)行分類。R.Silva等，提出了一種基于局部二進(jìn)制模式，采用定向直方圖和霍夫變換描述符的特征提取混合描述符。使用攝像機(jī)捕獲的交通圖像，從而對(duì)摩托車頭盔進(jìn)行檢測(cè)。Chiverton等使用基于邊緣直方圖的特征來(lái)檢測(cè)摩托車駕駛員，這種方法的優(yōu)點(diǎn)在于它不會(huì)受邊緣直方圖以及視頻中光照強(qiáng)度的影響。由于邊緣直方圖使用圓形霍夫變換來(lái)比較和分類頭盔，因此導(dǎo)致對(duì)頭盔的許多錯(cuò)誤分類。Silva等提出了一種系統(tǒng)來(lái)處理卡爾曼濾波器跟蹤車輛的錯(cuò)誤分類問(wèn)題?？柭櫹到y(tǒng)的一個(gè)顯著優(yōu)點(diǎn)是能夠連續(xù)跟蹤物體，即使它們稍微被遮擋。但是當(dāng)2 個(gè)或3 個(gè)以上的摩托車手出現(xiàn)在同一幀中時(shí)，卡爾曼濾波器會(huì)失敗，因?yàn)榭柭鼮V波器主要適用于線性狀態(tài)轉(zhuǎn)換。但是要跟蹤多個(gè)對(duì)象時(shí)需要非線性函數(shù)。Dahiya K 等提出了3 種特征表示方法：尺度不變特征變換(SIFT)、局部二值模式(LBP)和方向梯度直方圖(HOG)。分兩個(gè)不同的階段實(shí)現(xiàn):首先利用背景減法和目標(biāo)分割法從監(jiān)控視頻中檢測(cè)駕駛員。然后利用視覺(jué)特征和分類器判斷駕駛員是否戴頭盔。第一階段檢測(cè)駕駛員，第二階段定位駕駛員的頭部并檢測(cè)頭盔。針對(duì)傳統(tǒng)的目標(biāo)檢測(cè)方法中效率低以及時(shí)間成本大的問(wèn)題，張乾雷等采用了一種基于并行點(diǎn)檢測(cè)和點(diǎn)匹配的單階段HOI Detection 方法。先采用新的全卷積方法對(duì)人與物體之間的相互作用直接進(jìn)行檢測(cè)，通過(guò)網(wǎng)絡(luò)預(yù)測(cè)交互點(diǎn)人物交互進(jìn)行分類和定位，與密集預(yù)測(cè)的交互向量配對(duì)，通過(guò)人類和物體檢測(cè)相關(guān)聯(lián)來(lái)獲取檢測(cè)結(jié)果。與傳統(tǒng)的兩階段算法相比，HOI算法的檢測(cè)精度與準(zhǔn)確率都有了很大提高。

傳統(tǒng)機(jī)器學(xué)習(xí)，這類方法大多是依靠人為的設(shè)計(jì)來(lái)選取特征，需要實(shí)驗(yàn)者具有扎實(shí)的專業(yè)知識(shí)和豐富的實(shí)驗(yàn)經(jīng)驗(yàn)，特征設(shè)計(jì)的過(guò)程十分復(fù)雜，不但費(fèi)時(shí)費(fèi)力，而且不能獲取良好的特征、檢測(cè)速度慢、精度低也難以適應(yīng)復(fù)雜的條件變化。經(jīng)過(guò)不斷迭代研究，計(jì)算機(jī)視覺(jué)技術(shù)正從機(jī)器學(xué)習(xí)向深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)技術(shù)方向發(fā)展，它不僅速度快、精度高，在整體的檢測(cè)性能指標(biāo)上都能有大的提升，這為目標(biāo)識(shí)別技術(shù)領(lǐng)域未來(lái)發(fā)展提供了新動(dòng)力。

3 基于深度學(xué)習(xí)的摩托車頭盔檢測(cè)算法

近幾年，深度學(xué)習(xí)目標(biāo)檢測(cè)已經(jīng)成為圖片及視頻識(shí)別和分類的主流方法，使用卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)對(duì)圖像進(jìn)行特征進(jìn)行提取，從而對(duì)目標(biāo)進(jìn)行識(shí)別和定位。深度學(xué)習(xí)檢測(cè)算法可以從區(qū)域建議和回歸2個(gè)方面劃分為雙階段和單階段2 種不同的類型。表1 將雙階段與單階段的檢測(cè)算法在不同的功能上進(jìn)行了對(duì)比。

表1 雙階段與單階段檢測(cè)算法的性能對(duì)比

3.1 雙階段的摩托車頭盔檢測(cè)算法

雙階段的摩托車頭盔檢測(cè)算法主要以Faster RCNN 為主。該方法先利用算法來(lái)獲取候選區(qū)域，再通過(guò)卷積神經(jīng)網(wǎng)絡(luò)對(duì)樣本進(jìn)行分類。圖2 是Faster R-CNN 的整體結(jié)構(gòu)，F(xiàn)aster R-CNN 首先使用一組基礎(chǔ)卷積層提取圖片的特征，該特征圖被共享用于后續(xù)的RPN 層和全連接層，RPN 網(wǎng)絡(luò)用于生成候選區(qū)域，該層通過(guò)Softmax 判斷Anchors 屬于前景還是背景，再利用邊界框回歸來(lái)修正Anchors 獲得精確的預(yù)測(cè)框。使用ROI pooling 層來(lái)綜合輸入特征圖和候選框的信息，提取候選特征圖，在后續(xù)的全連接層判定目標(biāo)類別。

圖2 Faster R-CNN的整體結(jié)構(gòu)[10]

Yogameena 等提出的系統(tǒng)基于Faster R-CNN 來(lái)檢測(cè)標(biāo)記的前景目標(biāo)中的摩托車，以確保摩托車駕駛員的存在。隨后，F(xiàn)aster R-CNN 也被用于檢測(cè)是否戴頭盔的摩托車駕駛員。由于目標(biāo)檢測(cè)過(guò)程會(huì)受到分辨率、天氣條件和光照條件不同因素的影響，無(wú)法達(dá)到理想的檢測(cè)結(jié)果。Afzal A 等提出了一種監(jiān)控視頻自動(dòng)檢測(cè)摩托車駕駛員是否佩戴頭盔的方法。首先，應(yīng)用候選區(qū)域網(wǎng)絡(luò)RPN對(duì)卷積得到的特征圖進(jìn)行候選框選取，對(duì)頭盔進(jìn)行檢測(cè)，最后再對(duì)檢測(cè)到的頭盔進(jìn)行識(shí)別。試驗(yàn)結(jié)果表明，實(shí)時(shí)監(jiān)控視頻對(duì)摩托車頭盔的檢測(cè)準(zhǔn)確率達(dá)到97.26%。

相比于傳統(tǒng)的檢測(cè)算法，深度學(xué)習(xí)的雙階段目標(biāo)檢測(cè)算法降低了原來(lái)的計(jì)算量，加快了檢測(cè)速度。應(yīng)用網(wǎng)絡(luò)自動(dòng)提取候選區(qū)域的特征，解決了獲取特征信息不足的問(wèn)題，提高了檢測(cè)精度。利用多類別分類器推斷類別概率，并使用邊界框回歸模型求出預(yù)測(cè)框的修正位置，使其更接近真實(shí)框，從而改善了算法的整體檢測(cè)性能。單階段網(wǎng)絡(luò)能夠達(dá)到實(shí)時(shí)的效果，更具備實(shí)用價(jià)值,因而大多數(shù)研究都是針對(duì)單階段算法。

3.2 單階段摩托車頭盔檢測(cè)算法

單階段算法一次性完成對(duì)物體的分類和定位，與雙階段檢測(cè)算法比，這種方式運(yùn)算速度更快，能夠達(dá)到實(shí)時(shí)檢測(cè)的效果，其主要以YOLO、SSD 算法為代表。

Dasgupta 等提出了一個(gè)框架，用于檢測(cè)不戴頭盔的單人或多人騎摩托車騎行。在建議的方法中，在第一階段，使用YOLOv3 模型來(lái)檢測(cè)摩托車駕駛，在第二階段，提出了基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的體系結(jié)構(gòu)，該結(jié)構(gòu)受到Y(jié)OLO-Lite 網(wǎng)絡(luò)結(jié)構(gòu)的啟發(fā)，減少了網(wǎng)絡(luò)結(jié)構(gòu)層數(shù)，并且GPU 設(shè)備使用Batch Nor?malization 來(lái)檢測(cè)摩托車駕駛員的頭盔。Khan 等提出了一種計(jì)算機(jī)化的機(jī)器結(jié)構(gòu)，以區(qū)分有或沒(méi)有頭盔的摩托車駕駛員與圖像，系統(tǒng)基于特征提取對(duì)象類。該系統(tǒng)使用YOLO-Darknet 深度學(xué)習(xí)框架，考慮到網(wǎng)絡(luò)的大小使用了YOLOv3-Tiny，通過(guò)以往在CO?CO 數(shù)據(jù)集上預(yù)訓(xùn)練，然后在摩托車檢測(cè)數(shù)據(jù)集上進(jìn)行微調(diào)來(lái)實(shí)現(xiàn)對(duì)摩托車駕駛員頭盔佩戴情況的檢測(cè)。針對(duì)現(xiàn)有的安全頭盔佩戴檢測(cè)正確率不高的問(wèn)題，薛瑞晨等提出了一種改進(jìn)的YOLOv3。將空間與通道的注意力模塊進(jìn)行特征融合，并結(jié)合密集連接網(wǎng)絡(luò)來(lái)提高特征提取效果，并且引入了空間金字塔池化結(jié)構(gòu)以增強(qiáng)特征，檢測(cè)精確度能達(dá)到93.29%。劉琛等對(duì)主流的單階檢測(cè)網(wǎng)絡(luò)SSD-Net引入類似視覺(jué)機(jī)制的模塊，對(duì)網(wǎng)絡(luò)特征圖在通道和空間上進(jìn)行了權(quán)重的重新選擇，并增加了類似人類視覺(jué)偏心率機(jī)制的RFB 模塊。通過(guò)使用Mosaic 方法進(jìn)行數(shù)據(jù)增強(qiáng)，并采用余弦衰減學(xué)習(xí)率來(lái)優(yōu)化網(wǎng)絡(luò)。試驗(yàn)結(jié)果表明改進(jìn)后的網(wǎng)絡(luò)對(duì)摩托車頭盔佩戴的檢測(cè)結(jié)果比原始SSD-Net 提升了4%的mAP（Mean Average Precision），具有更好的應(yīng)用效果，也被用于檢測(cè)摩托車駕駛員佩戴頭盔情況。王海寬等在Yo?lov3 網(wǎng)絡(luò)中加入跨階段局部網(wǎng)絡(luò)(CSPNet)來(lái)改進(jìn)darknet53 的骨干網(wǎng)絡(luò)，降低了計(jì)算成本，其次通過(guò)空間金字塔池（SPP）結(jié)構(gòu)，結(jié)合自上而下和自下而上的特征融合策略來(lái)改進(jìn)多尺度預(yù)測(cè)網(wǎng)絡(luò)，達(dá)到特征增強(qiáng)和提升精度。Tan 等基于YOLOv5 增加檢測(cè)的尺度來(lái)獲取更小的目標(biāo)，然后用DIoU-NMS 代替NMS，使其在抑制預(yù)測(cè)的邊界框時(shí)更加準(zhǔn)確，該算法顯著提高了精度，可滿足實(shí)時(shí)檢測(cè)的需要。為了加強(qiáng)對(duì)施工人員的安全監(jiān)督，提高檢查效率，Zhou 等對(duì)YOLOv4 算法的卷積神經(jīng)網(wǎng)絡(luò)的損失函數(shù)進(jìn)行替換，通過(guò)改變注意力機(jī)制來(lái)提高檢測(cè)網(wǎng)絡(luò)對(duì)于微小物體的敏感度，并且添加參數(shù)來(lái)解決類別不平衡的問(wèn)題。試驗(yàn)結(jié)果表明，改進(jìn)的算法提高了網(wǎng)絡(luò)模型在檢測(cè)和識(shí)別安全頭盔佩戴的準(zhǔn)確性。

采用候選框的雙階段檢測(cè)算法準(zhǔn)確率較高，但是網(wǎng)絡(luò)的模型較大且結(jié)構(gòu)復(fù)雜，運(yùn)算量大，檢測(cè)的速度較慢。目前較為受歡迎的單階段算法具有較好的檢測(cè)性能，特別是對(duì)簡(jiǎn)單目標(biāo)來(lái)說(shuō)，更能滿足實(shí)時(shí)性和準(zhǔn)確性的要求。

4 摩托車頭盔檢測(cè)面臨的問(wèn)題

4.1 復(fù)雜場(chǎng)景下的摩托車頭盔數(shù)據(jù)集的獲取問(wèn)題

由于摩托車駕駛環(huán)境的多樣性、路況的復(fù)雜性，采集的圖片和視頻較為片面，現(xiàn)目前的數(shù)據(jù)集主要通過(guò)網(wǎng)絡(luò)進(jìn)行收集或者針對(duì)特定情況下拍攝的圖片和視頻獲得，圖片單一、數(shù)量也比較少，導(dǎo)致對(duì)模型的訓(xùn)練效果不是很好，從而影響模型的判斷力，降低了檢測(cè)精度。更全面的數(shù)據(jù)集應(yīng)涵蓋真實(shí)環(huán)境下所出現(xiàn)的情況，能夠提高模型在不同情況下的魯棒性。趙睿等對(duì)馬賽克數(shù)據(jù)增強(qiáng)方式進(jìn)行改進(jìn)，增加了不同光照強(qiáng)度的小尺度樣本數(shù)據(jù)集,將圖片的拼接數(shù)量由原本的4張?jiān)黾拥搅?張，增加小樣本的數(shù)量，剔除了多余的邊緣面積來(lái)加快模型的訓(xùn)練速度?？紤]多種不同環(huán)境條件會(huì)增加數(shù)據(jù)集的多樣性，對(duì)提高模型的魯棒性有很大的幫助。

4.2 遠(yuǎn)距離、小目標(biāo)和遮擋時(shí)摩托車頭盔識(shí)別問(wèn)題

對(duì)于遠(yuǎn)距離頭盔的檢測(cè)仍存在可用的特征少、定位精度不高、小目標(biāo)易聚集問(wèn)題，很難提高檢測(cè)精度，摩托車的頭盔檢測(cè)比施工現(xiàn)場(chǎng)復(fù)雜，遠(yuǎn)處有更多的小目標(biāo)。此外，在騎行過(guò)程中，目標(biāo)的定位比較困難，駕駛員的頭腦更容易在圖像中聚集，從而引起車輛被遮蔽的問(wèn)題，這給檢測(cè)任務(wù)帶來(lái)了更大的挑戰(zhàn)。

現(xiàn)在較先進(jìn)的YOLO 算法已經(jīng)能夠在速度和精度做到很好的平衡，針對(duì)遠(yuǎn)處小目標(biāo)和密集型目標(biāo)的檢測(cè)準(zhǔn)確率還是有很大的提升空間。近幾年也有許多研究者提出了相應(yīng)的改進(jìn)辦法，Wang等提出了一種改進(jìn)的基于YOLOv5 的頭盔佩戴檢測(cè)方法YO?LOv5s-FCG，在YOLOv5 系列中YOLOv5s 體積最小的基礎(chǔ)上，對(duì)網(wǎng)絡(luò)進(jìn)行改進(jìn)，增加了淺層特征檢測(cè)層，將3 個(gè)尺度特征檢測(cè)改為4 個(gè)尺度的特征檢測(cè)，添加CBAM 注意力模塊，使用輕量級(jí)的Ghost Bottleneck 代替Bottleneck。該算法不僅保證了檢測(cè)率、體積、參數(shù)量，而且提高了檢測(cè)精度。對(duì)弱光、小目標(biāo)的復(fù)雜道路環(huán)境具有良好的適應(yīng)性。因此，針對(duì)非常普通的使用條件對(duì)算法進(jìn)行改進(jìn)，能夠明顯提高檢測(cè)模型的實(shí)用性。

5 總結(jié)與展望

本文分別對(duì)傳統(tǒng)的機(jī)器視覺(jué)與基于深度學(xué)習(xí)的摩托車頭盔佩戴檢測(cè)算法進(jìn)行了綜述，早期實(shí)施的傳統(tǒng)方法在頭盔識(shí)別方面雖然能達(dá)到不錯(cuò)的效果，但對(duì)于特征的選取主要依賴人為決定，而且需要較高的專業(yè)領(lǐng)域的知識(shí)和大量的人力和物力。另外，容易受天氣、光線和位置形態(tài)因素的干擾，算法相對(duì)復(fù)雜，而且性價(jià)比不高。而使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)圖片自動(dòng)進(jìn)行由淺到深的特征提取，使模型能夠?qū)W到數(shù)據(jù)中更高層次的信息，并且隨著數(shù)據(jù)集質(zhì)量的越高，模型提取特征層次的能力就越強(qiáng)?；谏疃葘W(xué)習(xí)的單階段算法比雙階段算法的模型更簡(jiǎn)單，檢測(cè)速度也能滿足實(shí)時(shí)檢測(cè)的要求。但針對(duì)目前數(shù)據(jù)集的質(zhì)量、應(yīng)對(duì)復(fù)雜特征的識(shí)別能力還有待提高。

不同模型的訓(xùn)練流程和策略都不同，當(dāng)前的目標(biāo)檢測(cè)模型具有更復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)和優(yōu)化目標(biāo)。未來(lái)，不同的優(yōu)化方法應(yīng)被更多地應(yīng)用到各個(gè)算法當(dāng)中。主要從數(shù)據(jù)、網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化、損失函數(shù)、訓(xùn)練調(diào)參方面進(jìn)行改進(jìn)。主要的目的在于未來(lái)摩托車頭盔檢測(cè)網(wǎng)絡(luò)能達(dá)到高精度、高速度、較強(qiáng)的泛化能力。將改進(jìn)后的模型能應(yīng)用于計(jì)算量小的嵌入式設(shè)備中，比如交通部門的智能監(jiān)控、摩托車安全啟動(dòng)系統(tǒng)監(jiān)測(cè)設(shè)備中。一方面，加強(qiáng)對(duì)摩托車戴頭盔佩戴情況實(shí)時(shí)監(jiān)督，降低摩托車駕駛違規(guī)行為，從而提高行駛安全性并保障道路交通順暢。另一方面，隨著交通的智能化發(fā)展，將頭盔佩戴情況的實(shí)時(shí)檢測(cè)器與摩托車頭盔提醒系統(tǒng)結(jié)合起來(lái)，并使用后臺(tái)服務(wù)器進(jìn)行記錄，搭載提醒式的摩托車可以減少非法行為的發(fā)生，對(duì)摩頭車智能駕駛的發(fā)展有一定研究意義。