基于改进YOLOv5的交通安全头盔佩戴检测系统及方法与流程

本发明涉及图像处理，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。

背景技术：

1、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。

2、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。

3、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。

4、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。

5、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。

6、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。

7、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

1、为此，本发明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。

2、为了解决上述问题，本发明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：

3、数据集构建模块，用于构建交通安全头盔佩戴检测数据集；

4、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；

5、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；

6、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。

7、优选地，所述构建交通安全头盔佩戴检测数据集的方法为：

8、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；

9、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。

10、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：

11、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。

12、优选地，所述ghostnet轻量化骨干网络采用ghostmodule，所述ghostmodule的原理为：

13、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。

14、优选地，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。

15、优选地，所述rfb模块的结构中使用了resnet中的跳跃连接，具体包括：

16、上层特征图输入rfb模块时，首先利用1x1卷积降低通道数量，从而减小计算开销；接着通过1x1、3x3和5x5卷积分别提取不同尺度的特征信息；然后分别采用扩张率为1、3、5的空洞卷积来扩展网络感受野的范围；最终将通道拼接后使用1x1卷积进行调整，并且和采用1x1卷积后的特征图通过残差结构相结合，得到包含不同尺度和感受野范围的融合特征图。

17、优选地，所述轻量级卷积gsconv的结构为：

18、将输入特征映射与c1个通道进行卷积，其中c1是输入特征映射的通道数，生成了一个c2/2的特征向量，然后通过深度可分离卷积获得另一个c2/2特征向量，将这两个特征向量拼接起来；最后通过通道混洗将标准卷积生成的信息分配给每个深度可分离卷积部分输出特征映射的通道数为c2。

19、优选地，基于gsconv卷积原理和一次性聚合方法设计出跨层部分网络模块vov-gscsp，vov-gscsp中包含基于gsconv的gsbottleneck结构；

20、其中在gsbottleneck结构中，输入特征图像在经过一次卷积后被分成两个分支，一个分支保持不变，另一个分支经过两次gsconv卷积操作，然后将两个分支的信息连接；

21、在vov-gscsp结构中，输入特征图像在经过一次卷积后被分成两个分支，一个分支保持不变，另一个分支经过gsbottleneck卷积操作，然后将两个分支的信息连接并输出一个卷积操作。

22、优选地，所述eiouloss的定义为：

23、其中，代表重叠面积损失，代表中心距离损失，代表宽高损失；代表两点间的欧式距离，和分别代表两框在高度和宽度上的欧氏距离；c 代表最小外接矩阵对角线长度，和分别代表最小外接矩形真实高度和宽度。

24、本发明实施例还提供了一种基于改进yolov5的交通安全头盔佩戴检测方法，所述方法包括：

25、s1：构建交通安全头盔佩戴检测数据集；

26、s2：对所述交通安全头盔佩戴检测数据集进行预处理；

27、s3：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；

28、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。

29、从以上技术方案可以看出，本发明申请具有以下优点：

30、本发明提出一种基于改进yolov5的交通安全头盔佩戴检测系统及方法，构建了一种基于yolov5网络的轻量级交通安全头盔佩戴检测模型，通过采用四种改进策略对yolov5s模型进行改进。首先，采用ghostnet替换骨干网络，精简模型体积。其次，用rfb模块改进空间金字塔池化层，增强特征提取能力。接着，融入轻量级卷积gsconv压缩模型体积。最后，采用收敛速度较快的eiou损失，保持检测精度。消融实验验证改进策略有效，相较基准模型，map50和map50:95分别提高1.05%和1.13%，gflops和模型大小分别降低22.15%和3.57%。改进后的yolov5在精度和轻量化方面表现优异，实现了模型体积与检测性能间的平衡。本发明构建的检测模型在保证精度的同时，使得算法复杂度比原有网络低，有效降低对计算能力的需求，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。