System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于驾驶员安全带检测方法,具体涉及一种基于深度学习的驾驶员安全带检测方法。
技术介绍
1、汽车驾驶员安全带检测作为计算机视觉的具体应用领域,对构建智能化交通系统起到关键作用,可以帮助交通监管部门对驾驶员是否正确佩戴安全带进行有效监管,起到警示驾驶员合法佩戴安全带的作用。通过对多起交通事故的调查发现,正确佩戴安全带,能降低交通事故发生时所带来的损失,从而最大程度的保障车内人员的生命财产安全。
2、目前基于传感器的安全带检测方法大多是基于车内传感器和无线装置,通过改进安全带锁扣、座椅、车载摄像头等硬件设备,通过判别传感器参数来判断驾驶员是否佩戴安全带。cheng等设计了一款智能安全带预警系统,包含传感器、wifi模块和查看检测结果的app。但这种依赖于在车内传感器和改造安全带的相关方法,对于未安装传感器的车辆无法做出判别,并不具有普遍适用性,同时也容易通过不规范操作躲避检测,如使用假安全带卡扣、假佩戴行为等。由此可见目前传统的传感检测无法做到有效监督,存在精确度低、警示作用差等缺点。基于传统图像处理方法一般通过灰度积分投影法、霍夫直线检测法等,利用安全带长直线特点或者安全带反光等特性检测驾驶员是否佩戴安全带,但上述方法往往存在精度低,鲁棒性差等问题。随着计算机视觉的发展和深度学习方法在检测任务上表现出的优异效果,各学者逐步使用基于深度学习的方法进行驾驶员安全带检测,如等分别使用densenet121、inceptionv3、resnet50等神经网络架构进行安全带不规范佩戴检测。kashevnik等借鉴mobi
技术实现思路
1、针对上述传统驾驶员安全带检测方法计算量大、准确性不高的技术问题,本专利技术提供了一种基于深度学习的驾驶员安全带检测方法,通过引入轻量化ghostnetv2优化主干网络和neck网络中的c3模块、bifpn特征融合改进、simam无参注意力机制添加和wiou损失函数替换,使用迁移学习和数据增强技术实现驾驶员安全带识别,使模型拥有更高的检测速度,更加便于移动端的部署。
2、为了解决上述技术问题,本专利技术采用的技术方案为:
3、一种基于深度学习的驾驶员安全带检测方法,包括下列步骤:
4、s1、通过改进yolov5n对驾驶员区域快速定位;
5、s2、优化swin transformer对驾驶员安全带进行检测。
6、所述s1中通过改进yolov5n对驾驶员区域快速定位的方法为:
7、s1.1、构建轻量化结构ghostnetv2;
8、s1.2、对特征融合结构进行改进;
9、s1.3、simam无参注意力机制添加;
10、s1.4、wiou损失函数替换。
11、所述s1.1中构建轻量化结构ghostnetv2的方法为:ghostnetv2结构由ghost模块、长距离注意力机制dfc和深度可分离卷积dwconv共同组成的一个逆残差瓶颈结构,ghostnetv2结构压缩了参数量,增强了模型的表征能力,在精度和速度上达到了更好的平衡;将yolov5n中的部分c3模块替换为ghostnetv2结构,降低原模型的参数和计算量。
12、所述s1.2中对特征融合结构进行改进的方法为:bifpn高效的跨尺度连接和加权特征融合机制能缩短信息传递路径,实现更高层次的特征融合,权重能使网络模型更侧重于关键特征信息的学习,从而提升了网络的性能和表征能力;bifpn加权特征融合计算方法为:
13、
14、其中,ω表示可学习权重;i表示输入特征,ε为初始学习率。
15、所述s1.3中simam无参注意力机制添加的方法为:在yolov5模型中将simam注意力机制添加在backbone中,使网络在不添加额外模型参数的前提下,提高骨干网络的特征提取能力,更好地发挥注意力机制的作用;
16、simam注意力机制通过提出能量函数通过度量神经元之间的线性可分性的方法来评估每个神经元的重要性,能够在不提高模型的参数量的同时对重要的神经元赋予更高的权重,最小能量函数表达式为:
17、
18、其中,t表示神经元,λ是超参数,为均值,为方差;经过特征增强处理后的特征公式为:
19、
20、其中:x为输入特征,为经过三维加权的特征输出。
21、所述s1.4中wiou损失函数替换的方法为:wiou的动态非单调的聚焦机制,在降低高质量锚框竞争的同时也减少了对低质量样本的损害,从而解决了高质量和低质量样本之间边框回归的平衡问题,wiou的公式为:
22、lwiou=rrwiouliou
23、其中:rwiou为放大普通质量锚框的liou,liou为降低高质量rwiou,r为非单调聚焦系数;其中rwiou、liou、r公式为:
24、
25、liou=1-iou
26、
27、其中,(x,y),(xgt,ygt)分别表示预测框中心坐标和真实框坐标,wg、hg表示两框最小外围尺寸;α和δ为超参数,β值代表锚框质量高低,利用β构造非单调聚焦系数r,动态给予边界框梯度增益,在训练时减少低质量锚框产生的有害梯度,多聚焦于普通质量的锚框,降低其对边界框回归的影响,提高模型定位性能。
28、所述s2中优化swin transformer对驾驶员安全带进行检测的方法为:
29、s2.1、驾驶员安全带数据增强;
30、s2.2、构建迁移学习与swin transformer模型。
31、所述s2.1中驾驶员安全带数据增强的方法为:cyclegan网络模型由两个生成器g、f和两个判别器dx、dy组成的,生成器g和生成器f分别对应判别器dx和dy,促使生成器产生接近真实的源域和目标域样本;设源域为x,目标域为y,dy输出的结果会促进生成器g将x域中的图片向y域中转换,dx输出的结果同样会促本文档来自技高网...
【技术保护点】
1.一种基于深度学习的驾驶员安全带检测方法,其特征在于:包括下列步骤:
2.根据权利要求1所述的一种基于深度学习的驾驶员安全带检测方法,其特征在于:所述S1中通过改进YOLOv5n对驾驶员区域快速定位的方法为:
3.根据权利要求2所述的一种基于深度学习的驾驶员安全带检测方法,其特征在于:所述S1.1中构建轻量化结构GhostNetV2的方法为:GhostNetV2结构由Ghost模块、长距离注意力机制DFC和深度可分离卷积DWConv共同组成的一个逆残差瓶颈结构,GhostNetV2结构压缩了参数量,增强了模型的表征能力,在精度和速度上达到了更好的平衡;将YOLOv5n中的部分C3模块替换为GhostNetV2结构,降低原模型的参数和计算量。
4.根据权利要求2所述的一种基于深度学习的驾驶员安全带检测方法,其特征在于:所述S1.2中对特征融合结构进行改进的方法为:BiFPN高效的跨尺度连接和加权特征融合机制能缩短信息传递路径,实现更高层次的特征融合,权重能使网络模型更侧重于关键特征信息的学习,从而提升了网络的性能和表征能力;BiFPN加权特征融
5.根据权利要求2所述的一种基于深度学习的驾驶员安全带检测方法,其特征在于:所述S1.3中SimAM无参注意力机制添加的方法为:在YOLOv5模型中将SimAM注意力机制添加在Backbone中,使网络在不添加额外模型参数的前提下,提高骨干网络的特征提取能力,更好地发挥注意力机制的作用;
6.根据权利要求2所述的一种基于深度学习的驾驶员安全带检测方法,其特征在于:所述S1.4中WIoU损失函数替换的方法为:WIoU的动态非单调的聚焦机制,在降低高质量锚框竞争的同时也减少了对低质量样本的损害,从而解决了高质量和低质量样本之间边框回归的平衡问题,WIoU的公式为:
7.根据权利要求1所述的一种基于深度学习的驾驶员安全带检测方法,其特征在于:所述S2中优化Swin Transformer对驾驶员安全带进行检测的方法为:
8.根据权利要求7所述的一种基于深度学习的驾驶员安全带检测方法,其特征在于:所述S2.1中驾驶员安全带数据增强的方法为:CycleGAN网络模型由两个生成器G、F和两个判别器DX、DY组成的,生成器G和生成器F分别对应判别器DX和DY,促使生成器产生接近真实的源域和目标域样本;设源域为X,目标域为Y,DY输出的结果会促进生成器G将X域中的图片向Y域中转换,DX输出的结果同样会促进生成器F将Y域中的图片向X域中转换;CycleGAN就会同时学习G和F,从而将X域中的图片转换到Y域之后还能再转换回来;前向模型结构的X域中的图片通过生成器G向Y域中转换后的结果,再经过生成器F之后依然能转换成X域中的图片,即
9.根据权利要求7所述的一种基于深度学习的驾驶员安全带检测方法,其特征在于:所述S2.2的构建迁移学习与Swin Transformer模型方法为:迁移学习能够使模型在训练开始前能拥有更高的初始性能,加速模型收敛,缩短模型训练时间,训练所得模型也会拥有更好的泛化能力与鲁棒性,通过引入迁移学习构建Swin Transformer模型作为驾驶员安全带违例分类模型;Swin Transformer模型通过不重叠的移动窗口执行自注意计算,并允许跨窗口连接;每个stage表示一个层次,首先,输入的H*W*3维图片,会经过Patch Partition模块进行分块,即每4x4相邻的像素为一个Patch,然后在channel方向展平,图像形态会由[H,W,3]变成了[H/4,W/4,48];其次,在stage1阶段,Linear Embedding会将划分后的Patch特征维度变为C,即将输入特征矩阵的channel变成预先设置好的值,再输入Swin TransformerBlock,进行自注意力计算提取图像特征;然后,Stage2~Stage4阶段的操作相同,通过Patch merging将上一个stage的输入进行降采样,调整通道数,再输入到SwinTransformer block生成分层特征表示,提取图像特征;最后,在分类部分,依次通过LayerNorm层、全局平均池化层、全连接层得到最后的驾驶员安全带分类结果。
10.根据权利要求9所述的一种基于深度学习的驾驶员安全带检测方法,其特征在于:所述Swin Transformer Block有两种结构,为了减少计算量问题,引入W-MSA模块,为了解决窗口与窗口无法传递信息的问题,引入SW-MSA模块,W-MSA模块和SW-MSA模块依次进行,成对出现。
...【技术特征摘要】
1.一种基于深度学习的驾驶员安全带检测方法,其特征在于:包括下列步骤:
2.根据权利要求1所述的一种基于深度学习的驾驶员安全带检测方法,其特征在于:所述s1中通过改进yolov5n对驾驶员区域快速定位的方法为:
3.根据权利要求2所述的一种基于深度学习的驾驶员安全带检测方法,其特征在于:所述s1.1中构建轻量化结构ghostnetv2的方法为:ghostnetv2结构由ghost模块、长距离注意力机制dfc和深度可分离卷积dwconv共同组成的一个逆残差瓶颈结构,ghostnetv2结构压缩了参数量,增强了模型的表征能力,在精度和速度上达到了更好的平衡;将yolov5n中的部分c3模块替换为ghostnetv2结构,降低原模型的参数和计算量。
4.根据权利要求2所述的一种基于深度学习的驾驶员安全带检测方法,其特征在于:所述s1.2中对特征融合结构进行改进的方法为:bifpn高效的跨尺度连接和加权特征融合机制能缩短信息传递路径,实现更高层次的特征融合,权重能使网络模型更侧重于关键特征信息的学习,从而提升了网络的性能和表征能力;bifpn加权特征融合计算方法为:
5.根据权利要求2所述的一种基于深度学习的驾驶员安全带检测方法,其特征在于:所述s1.3中simam无参注意力机制添加的方法为:在yolov5模型中将simam注意力机制添加在backbone中,使网络在不添加额外模型参数的前提下,提高骨干网络的特征提取能力,更好地发挥注意力机制的作用;
6.根据权利要求2所述的一种基于深度学习的驾驶员安全带检测方法,其特征在于:所述s1.4中wiou损失函数替换的方法为:wiou的动态非单调的聚焦机制,在降低高质量锚框竞争的同时也减少了对低质量样本的损害,从而解决了高质量和低质量样本之间边框回归的平衡问题,wiou的公式为:
7.根据权利要求1所述的一种基于深度学习的驾驶员安全带检测方法,其特征在于:所述s2中优化swin transformer对驾驶员安全带进行检测的方法为:
8.根据权利要求7所述的一种基于深度学习的驾驶员安全带检测方法,其特征在于:所述s2.1中驾驶员安全带数据增强的方法为:cyclegan网络模型由两个生成器g、f和两个判别器dx、dy组...
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。