基于改进YOLOv5的交通安全头盔佩戴检测系统及方法技术方案

本发明专利技术提供一种基于改进YOLOv5的交通安全头盔佩戴检测系统及方法，涉及图像处理技术领域，该系统包括数据集构建模块用于构建交通安全头盔佩戴检测数据集；数据预处理模块用于对所述交通安全头盔佩戴检测数据集进行预处理；检测模块用于将预处理后的数据集输入到交通安全头盔佩戴检测模型进行训练，得到检测结果。本发明专利技术采用GhostNet替换骨干网络，精简模型体积；用RFB模块改进空间金字塔池化层，增强特征提取能力；融入轻量级卷积GSConv压缩模型体积；采用收敛速度较快的EIoU损失，保持检测精度。解决了交通安全头盔检测模型在精度与体积间难以达到平衡的问题。积间难以达到平衡的问题。积间难以达到平衡的问题。

【技术实现步骤摘要】
基于改进YOLOv5的交通安全头盔佩戴检测系统及方法


[0001]本专利技术涉及图像处理
，尤其涉及一种基于改进YOLOv5的交通安全头盔佩戴检测系统及方法。

技术介绍

[0002]随着世界电动车及摩托车保有量的猛速增长，交通事故发生率开始明显升高，交通安全问题急需得到解决。因此针对交通安全头盔的检测研究已经逐渐成为一项独立的视觉任务，并呈现出多样化的解决方案。
[0003]首先，在初期研究人员提出了一种基于改进的Hough变换的圆弧检测方法，并应用于ATM监控系统中安全头盔的检测。通过几何特征验证检测到的可能圆弧集合中是否存在安全头盔，该方法可应用于ATM和银行的监控系统。此外，研究人员使用了Canny边缘检测器的方法来检测行驶车辆的遮挡问题。
[0004]接着，研究人员提出了一种基于CNN的头盔检测方法，该方法采用类似于AlexNet的架构，并对卷积层和全连接层进行了调整以适应头盔检测任务。针对光照和摄像头抖动等问题，设计了一种背景高斯混合模型和阴影去除方法，并通过卡尔曼滤波器跟踪摩托车，以精确地检测出画面中的摩托车。采用了一种基于局部二进制模式、梯度直方图和霍夫变换的混合描述符，以便在特征提取阶段检测未佩戴头盔的摩托车手。通过背景差分方法检测运动中的车辆，并利用方向梯度直方图提取头盔特征，再通过支持向量机进行分类。提出了一种基于K最近邻（K Nearest Neighbors，KNN）分类器的方法，用于提取运动物体并根据其区域属性特征将其分类为摩托车或其他运动物体。通过在预训练模型上使用迁移学习进行分类，实现了较高的准确率。将传统图像处理与深度卷积神经网络相结合，用于处理基于方向梯度直方图特征的骑手和其他物体的识别问题，同时利用预训练的AlexNet网络进行头盔检测任务。
[0005]其次，研究人员提出了一种考虑到固定摄像机参数特征的摩托车检测方法，并设计了一个适用于头盔分类的网络模型。使用了一种基于滑动窗口卷积神经网络的头盔检测方法，该方法通过为输入图像或视频生成一系列滑动窗口，采用训练好的卷积神经网络对每个滑动窗口进行分类，对于分类置信度高于设定阈值的滑动窗口，则会标记区域并被送入两个不同的残差网络模型中。提出了一种基于单一卷积神经网络的头盔检测方法，实验结果显示该方法具有较高的准确率。比较了三种基于GoogleNet网络结构的交通安全头盔检测方法，其中YOLO系列算法表现出显著提高的准确性。提出了一种混合模型方法，用于识别未佩戴头盔的骑手和工人。首先，采用YOLOv3检测模型识别单个建筑工人和骑手的边界框区域，然后应用SSD模型以提高头盔识别准确性。提出了一种两阶段检测方法，使用预训练的YOLOv2模型在COCO数据集上检测人物，然后将高置信度预测框输入到训练好的YOLOv2检测模型中进行头盔预测。
[0006]最后，研究人员从视频中提取帧，使用CaffeNet模型进行对象检测。在检测到电动车或摩托车和人之后，将这些边界框输入到图像分类器中进行头盔分类。采用新型目标检
测模型Detectron2和EfficientDet检测头盔，实验结果显示潜力巨大，提高了对小目标的检测能力。提出了一个检测框架，分为两个阶段：使用YOLOv3模型检测骑手，然后使用基于CNN的架构进行头盔检测。提出了一种通过深度神经网络进行双重头盔检测的新方法，首先针对移动骑手进行第一轮检测，然后使用Efficient Det对头肩区域进行定位。为消除行人造成的重复检测和干扰，引入了一种后处理策略。提出了一个两阶段检测模型，首先利用ImageNet数据集对SSD
‑
MobileNetV2进行预训练，然后将检测到的骑手输入到用定制头盔数据集训练的卷积网络中进行分类。在考虑检测模型精度和速度平衡的基础上，提出了分层正样本选择（Hierarchical Positive Sample Selection，HPSS）机制以提高YOLOv5拟合能力，并实现了一种基于框密度的后处理算法，能够有效防止误检现象。
[0007]综上所述，在交通安全头盔检测的场景中，主流的头盔检测算法采用两阶段检测或二分类的方法，包括先进行车体检测然后对是否佩戴头盔进行检测，以及先进行骑手区域的检测随后进行头盔检测等。在电动车或摩托车数量有限的情况下，两阶段的方法可以得到较为精确的检测结果。然而，检测器和分类器的重复使用会导致模型参数量的大幅增加，而且为非关键类别提供的额外的识别过程也会降低算法的效率。在现实交通检测场景下还要考虑模型体积的大小和检测速度，使其满足在嵌入式设备或移动终端上进行头盔佩戴检测的实时性需求。
[0008]因此，有必要设计一种交通安全头盔佩戴检测系统及方法。

技术实现思路

[0009]为此，本专利技术实施例提供了一种基于改进YOLOv5的交通安全头盔佩戴检测系统及方法，用于解决现有技术中交通安全头盔检测模型在精度与体积间难以达到平衡的问题。
[0010]为了解决上述问题，本专利技术实施例提供一种基于改进YOLOv5的交通安全头盔佩戴检测系统，所述系统包括：数据集构建模块，用于构建交通安全头盔佩戴检测数据集；数据预处理模块，与所述数据集构建模块连接，用于对所述交通安全头盔佩戴检测数据集进行预处理；检测模块，与所述数据预处理模块连接，用于将预处理后的数据集输入到交通安全头盔佩戴检测模型进行训练，得到检测结果；所述交通安全头盔佩戴检测模型基于YOLOv5s模型结构进行改进，首先，将YOLOv5s模型中骨干网络替换为GhostNet轻量化骨干网络；其次，将RFB模块集成到经过GhostNet轻量化后骨干网络的空间金字塔池化部分；接着，在颈部网络通过融入轻量级卷积GSConv；最后，将网络训练损失函数由CIoULoss替换为EIoULoss。
[0011]优选地，所述构建交通安全头盔佩戴检测数据集的方法为：通过网络爬虫从网页中获取：首先通过使用脚本检索关键词，所述关键词包括“佩戴交通安全头盔”、“检查摩托车电动车头盔”以及“道路摩托车电动车骑行”，爬取一批图片数据集；然后人工检查并从中剔除过于模糊和不符合检测场景的图片；最后使用Billfish工具去除包含的重复图片；通过真实路口拍摄获取：选取拍摄时间为早上、中午以及傍晚不同时间点的图片，拍摄区域为不同城市的不同道路场景；交通摄像头在路口不同角度位置所拍摄的视频按照
每秒设定帧截取得到所需的图片；最后从中选取质量较好的图片作为交通安全头盔佩戴检测数据集。
[0012]优选地，对所述交通安全头盔佩戴检测数据集进行预处理的方法为：首先对数据集中的图片按照设定类别进行检测目标分类；然后对图片进行处理，包括手动选择、分辨率处理、数据增强以及筛选图片；最后使用标注工具LabelImg对数据集中的检测目标进行标注。
[0013]优选地，所述GhostNet轻量化骨干网络采用GhostModule，所述GhostModule的原理为：首先通过普通卷积得到小数目通道数的特征图，然后将上一步得到的特征图通过高效的线性变换生成另一部分特征图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进YOLOv5的交通安全头盔佩戴检测系统，其特征在于，包括：数据集构建模块，用于构建交通安全头盔佩戴检测数据集；数据预处理模块，与所述数据集构建模块连接，用于对所述交通安全头盔佩戴检测数据集进行预处理；检测模块，与所述数据预处理模块连接，用于将预处理后的数据集输入到交通安全头盔佩戴检测模型进行训练，得到检测结果；所述交通安全头盔佩戴检测模型基于YOLOv5s模型结构进行改进，首先，将YOLOv5s模型中骨干网络替换为GhostNet轻量化骨干网络；其次，将RFB模块集成到经过GhostNet轻量化后骨干网络的空间金字塔池化部分；接着，在颈部网络通过融入轻量级卷积GSConv；最后，将网络训练损失函数由CIoULoss替换为EIoULoss。2.根据权利要求1所述的基于改进YOLOv5的交通安全头盔佩戴检测系统，其特征在于，所述构建交通安全头盔佩戴检测数据集的方法为：通过网络爬虫从网页中获取：首先通过使用脚本检索关键词，所述关键词包括“佩戴交通安全头盔”、“检查摩托车电动车头盔”以及“道路摩托车电动车骑行”，爬取一批图片数据集；然后人工检查并从中剔除过于模糊和不符合检测场景的图片；最后使用Billfish工具去除包含的重复图片；通过真实路口拍摄获取：选取拍摄时间为早上、中午以及傍晚不同时间点的图片，拍摄区域为不同城市的不同道路场景；交通摄像头在路口不同角度位置所拍摄的视频按照每秒设定帧截取得到所需的图片；最后从中选取质量较好的图片作为交通安全头盔佩戴检测数据集。3.根据权利要求1所述的基于改进YOLOv5的交通安全头盔佩戴检测系统，其特征在于，对所述交通安全头盔佩戴检测数据集进行预处理的方法为：首先对数据集中的图片按照设定类别进行检测目标分类；然后对图片进行处理，包括手动选择、分辨率处理、数据增强以及筛选图片；最后使用标注工具LabelImg对数据集中的检测目标进行标注。4.根据权利要求1所述的基于改进YOLOv5的交通安全头盔佩戴检测系统，其特征在于，所述GhostNet轻量化骨干网络采用GhostModule，所述GhostModule的原理为：首先通过普通卷积得到小数目通道数的特征图，然后将上一步得到的特征图通过高效的线性变换生成另一部分特征图，最后将它们拼接起来得到最终所有的输出特征图。5.根据权利要求1所述的基于改进YOLOv5的交通安全头盔佩戴检测系统，其特征在于，在RFB模块中，采用不同卷积核的多分支结构，每个分支分别使用大小不一的卷积核以获取不同的感受野范围来模拟多种尺度视角，并通过使用瓶颈结构减少网络训练的参数。6.根据权利要求5所述的基于改进YOLOv5的交通安全头盔佩戴检测系统，其特征在于，所述RFB模块的结构中使用了ResNet中的跳跃...

【专利技术属性】
技术研发人员：桂东东，马铜伟，董俊军，
申请(专利权)人：苏州中德睿博智能科技有限公司，
类型：发明
国别省市：