一种基于YOLOv5s的头盔佩戴检测方法技术

本发明专利技术公开了一种基于YOLOv5s的头盔佩戴检测方法，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。在颈部网络使用重构双向特征金字塔作为特征提取网络，跨尺度进行特征融合。在本发明专利技术提出的非机动车骑行人员头盔佩戴数据集“Helmet Wearing dataset for Non

【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 MultiBox Detector(SSD)和You Only Look Once(YOLO)系列的算法。实验表明，基于深度学习的二阶段目标检测算法在检测精度上优于单阶段检测算法，但检测速度单阶段算法更胜一筹。
[0004]目前基于深度学习的非机动车骑行人员头盔佩戴检测仍处于研究初期，但它与摩托车头盔、工地上安全帽的佩戴检测类似。Yogameena等人先使用高斯模型对前景目标进行分割，再使用FasterR
‑
CNN依次对摩托车和检测出的摩托车驾驶者进行头盔佩戴的检测。Mohan等人将FasterR
‑
CNN和SSD两种算法应用到摩托车车手头盔佩戴检测领域。对检测效果进行对比分析，得出不同算法的适宜应用场景。结果表明，FasterR
‑
CNN捕捉图像的速度较慢，但在精度方面表现得更好，可以部署在交通缓慢的地方。SSD检测速度更快，准确度更低，适合部署在高速公路等快速流动的交通场景中。Mistry等使用两个YOLOv2模型分别检测摩托车手和头盔。第一个YOLOv2模型在COCO数据集上训练后检测摩托车手，再将检测到的人作为第二个YOLOv2网络的输入，最终检测出摩托车手是否佩戴了头盔，检测准确率达到了94.7％。吴等人使用YOLO
‑
Densebackbone深度神经网络对工人进行是否佩戴头盔的检测，将YOLOv3原始的骨干网络Darknet53替换为Densenet进行特征提取，有效地解决了头盔颜色复杂、部分遮挡、目标多、图像分辨率低等问题；贾等人基于YOLOv5进行改进，在骨干网络最后一层增加了三重注意机制，使用三个平行分支结构。其中两个提取空间维度与通道维度之间的维间依赖关系，另一个提取空间特征依赖关系，更好地解决了场景拥挤下的遮挡问题。Hanet等人提出一种跨层注意力机制方法来细化目标区域的特征信息，在SSD模型
的基础上，对低层特征采用空间注意力机制，对高层特征采用通道注意力机制。程等人在轻量级算法YOLOv3
‑
Tiny基础上，将沙漏残差模型用于特征提取过程中，减少网络的参数和计算量。李等人提出一种改进的分层匹配正样本策略。以预测框与标注框的交并比(Intersection over Union，IoU)作为依据。0.1＜IoU＜0.2时，选择标注框中心点所在位置的特征点做正样本。0.2＜IoU＜0.5时，将标注框中心点在网格位置的相邻两个特征点作为额外的正样本。IoU>0.5时，选择离中心点最近的四个特征点作为正样本。这一分层策略有效提高了网络的特征学习能力。
[0005]在非机动车骑行人员头盔佩戴检测任务中，目标在监控画面中具有数量多、像素少、颜色丰富、形状与普通帽子相似等特点，在复杂多变的实际场景中不易精确被捕捉到。另外，检测任务对实时性也有严格要求，在非机动车行驶时能做到快速检测。目前，基于深度学习的头盔检测算法发展迅速，但仍存在对小目标检测精度低、鲁棒性差、运算量大等问题。同时缺乏丰富的非机动车骑行人员头盔佩戴数据集，用于全面评估算法的性能。
[0006]因此，有必要设计一种新的针对头盔佩戴检测的方法。

技术实现思路

[0007]本专利技术所要解决的技术问题是提供一种基于YOLOv5s的头盔佩戴检测方法，该基于YOLOv5s的头盔佩戴检测方法检测精度高，易于实施。
[0008]专利技术的技术解决方案如下：
[0009]一种基于YOLOv5s的头盔佩戴检测方法，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；
[0010]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。
[0011]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；
[0012]T
i
＝DConv(P)
[0013]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；
[0014]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；
[0015]特征图U的生成公式为：
[0016]U＝F1([T1，T2，T3])
[0017]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。
[0018]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；
[0019][0020][0021][0022][0023]其中，H，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<本文档来自技高网...

【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...

【专利技术属性】
技术研发人员：蒋峰，林虹雨，
申请(专利权)人：中南林业科技大学，
类型：发明
国别省市：