【技术实现步骤摘要】
一种基于YOLOv5s的头盔佩戴检测方法
[0001]本专利技术涉及一种基于YOLOv5s的头盔佩戴检测方法。
技术介绍
[0002]私家电动自行车或共享电动车如今已经成为越来越多的人出行的选择,它们在带来交通便利的同时也带来了安全隐患。因此一些城市先后发出了安全佩戴头盔的倡议,提出非机动车骑行者需佩戴好安全头盔,保障出行安全。目前对非机动车骑行者头盔佩戴的监管主要是靠交警在道路现场监察警示。这不仅耗费人力,还容易出现漏检问题,在恶劣的天气下也无法进行高效率地监察。因此,使用监控自动化管理可以有效解决人工监测的缺点。目标检测作为计算机视觉的热点,为智能监控提供了很多便利。
[0003]传统的目标检测算法适用于特征明显、背景简单的检测目标。但实际应用中多为背景多变、目标复杂的场景,不能达到很好的检测效果。随着卷积神经网络在目标检测领域的发展,基于深度学习的目标检测算法已广泛用于道路车辆监测、医学研究、口罩佩戴检测、视频监控安全检测、图像分类等领域中。基于深度学习的目标检测算法主要包括基于区域提取的二阶段算法和基于回归的单阶段算法。二阶段目标检测算法先对输入图像提取感兴趣区域生成候选框,第二步对候选框进行回归分类。常见的二阶段算法包括RegionCNN(R
‑
CNN)、Fast R
‑
CNN、FasterR
‑
CNN等。单阶段目标检测算法省略了生成候选区域的步骤,直接在同一个卷积网络中进行特征提取、目标回归和分类。主要包括Single Shot MultiBo ...
【技术保护点】
【技术特征摘要】
1.一种基于YOLOv5s的头盔佩戴检测方法,其特征在于,基于YOLOv5s模型对头盔佩戴图像进行处理,在主干网添加空洞协调注意力机制;所述的空洞协调注意力机制将空洞卷积与协调注意力机制结合,采用多分支的空洞卷积结构,设置不同扩张率,获取多尺度的特征信息。2.根据权利要求1所述的基于YOLOv5s的头盔佩戴检测方法,其特征在于,对输入特征图进行空洞卷积来获得更大感受野,将空洞卷积结构设置为卷积核大小为3
×
3,步长为2,扩张率分别是1、2、3,卷积后的感受野分别是3
×
3,5
×
5,7
×
7;三个分支卷积后得到的特征图和输入特征图具有相同通道数,但尺寸缩小了1/2;T
i
=DConv(P)其中,T
i
代表第i(i=1,2,3)个分支的输出特征图,DConv代表空洞卷积操作,P代表输入特征图;将三个分支得到的特征图进行拼接,再通过1
×
1卷积恢复通道数,得到特征图U,U=[u1,u2,...,u
c
]∈R
C
×
H
×
W
,其中C、H、W分别代表特征图U的通道数、高和宽;特征图U的生成公式为:U=F1([T1,T2,T3])其中[
·
,
·
,
·
]代表三个特征图T1,T2,T3在通道维度上的拼接操作,F1代表1
×
1卷积变换函数。再将特征图U分为水平和垂直两个方向,分别使用核大小为(H,1)和(1,W)的池化层对每个通道进行编码,得到两个方向在每个通道的输出;每个通道进行编码,得到两个方向在每个通道的输出;每个通道进行编码,得到两个方向在每个通道的输出;每个通道进行编码,得到两个方向在每个通道的输出;其中,片,W分别为特征图U的高和宽,表示高度为h的第c个通道的输出,z
h
表示编码得到的水平方向的特征图,为宽度w的第c个通道的输出,z
w
表示编码得到的垂直方向的特征图;接着将聚合特征图z
h
和z
w
进行拼接,使用共享的1
×
1卷积降维后进行批量归一化处理,最后送入激活函数中得到特征图f,有:f=δ(F1([z
h
,z
w
]))其中,δ代表非线性激活函数,f代表水平方向和垂直方向上编码空间信息得到的中间特征图,且f∈R
C/r
×
(H+w)
,r为控制模块大小的缩小率,r设为32;接着将特征图f分成两个单独的张量f
h
和f
w
,其中f
h
∈R
C/r
×
H
,f
w
∈R
C/r
×
W
;分别使用两个1
×
1卷积变换函数F
h
和F
w
,将通道数恢复到与输入特征图U一致;经过Sigmoid激活函数后分别得到特...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。