基于YOLOv3的骑行人员头盔佩戴识别系统设计与实现

丁梦迪 李元熙

【摘要】    为解决道路电动车骑行人员头盔佩戴检测能力缺失的问题，设计了一种基于神经网络的头盔佩戴识别系统，采用改进型YOLOV3算法，在主网络后增加残差结构提高了位置与类别的识别精度，同时设计了GUI应用界面，便于应用测试。实验结果表明，在稀疏和中等密度道路场景下，头盔佩戴的平均识别准确度（mAP）大于90%，在单人场景下mAP大于95%，较传统神经网络算法在精度上有较大提升，为非机动车骑行人员头盔佩戴的自动化识别提供了一个可行的途径，具有较好的应用前景。

【关键字】    神经网络    头盔佩戴    识别    YOLO

引言：

随着我国城市人口数量激增，电动自行车已成为人们常用的出行工具，据公安部交管局统计，摩托车、电动自行车是导致非机动车交通事故死亡最多的车辆。目前电动自行车骑乘人员头盔佩戴的巡检主要依靠人工，执法成本高且存在漏检等情况，因此骑乘人员安全头盔佩戴的智能化识别技术亟待推进。关于安全头盔的检测国内外学者也做了一些研究，王慧使用改进Faster R-CNN模型采用特征融合的方式实现安全帽检测及身份识别[1]。陈柳、陈明举等学者通过视觉感受野特性设计了轻量化的卷积神经网络，利用特征金字塔提高识别的准确率[2]。这些成果在针对非机动车骑行头盔的模型匹配没有涉及，所以一种针对骑行头盔的识别模型成为研究热点。

一、原理与方法

1.1设计原理

非机动车安全头盔佩戴识别系统以人工智能技术中的神经网络为主要手段，通过对头盔佩戴数据集进行训练自动更新神经网络各节点的权重值，构建出普适性的识别模型，系统设计结构如图1所示。首先由摄像头获取实时图像，并对其做图形预处理;随后将归一化的识别图片传入识别模型进行分类预测，识别模型通过多次卷积逐层获取特征值，并采用多个尺度融合的方式在特征图上进行位置和类别预测;最后将预测的分类结果标注在图像上输出。

1.2 YOLO实现方法

系统的技术核心是识别模型的设计，基础模型采用YOLO算法结构，其特点是把输入的图像作为一个整体，并将其分割成N×N的网格形式，以每个网格所在位置和对应内容为基础进行预测，预测信息包括位置、类别和置信度等[4]。预测位置以网格中心点处物体为对象通过网格方框标出，置信度表征不同识别对象與对应类别相似度的分数比，YOLO算法从实现手段上具备快速高效的优势。YOLOv3算法改进了原有网络检测方法，通过分别检测每一区域的概率，再加权计算得到整块区域概率的方法，提升了检测速度和全局搜索的能力。在特征获取上采用Darknet53作为骨干网络结构，并添加了残差网络的实现，在各隐藏层之间设置短路链接，强化低级特征与高级特征的融合，提高了系统的识别精度。

二、系统改进与实现

2.1 特征融合方法

YOLOv3通过融合残差结构实现了速度与精度的均衡，但对于道路骑行人员的场景，目标对象的图像多为中小尺寸和多数量，即在一个区域内存在多个待检目标，如使用传统的结构容易引起漏检和误检，因此本文将模型中具备较多特征的浅层的特征通过残差结构融合到后级高层语义特征中，构成特征金字塔，如图2。首先将图像在layer1上以3×3大小的卷积核进行步长为2卷积运算，然后在layer2、layer3上分别使用1×1和3×3卷积核进行步长为1的运算，实现特征提取，随后将layer4与layer2进行卷积运算进行特征融合并将结果输出，后级残差结构可以重复上述步骤。

2.2 结构改进

基于上述改进思路，模型在使用Darknet53提取特征后，分别在YOLO的三个输出尺度位置52×52，26×26，13×13衔接上述的特征融合结构，并增加对小物体的识别，在YOLO主网络后直接增加一个卷积层，使其和前面的浅层做残差运算，建立起具备4个不同尺度的识别候选输出，每个残差结构使用步长为2的上采样并与上层结构做卷积处理，具体结构改进如下。

三、测试与结果分析

3.1环境设置

测试计算机配置为Intel-i7处理器，NVIDIA GTX1080 GPU，16G内存，Windows7-Professional系统，外接1080P USB摄像头。软件平台为Python3解释器，pycharm社区版IDE，Anconda3包管理器。

3.2结果分析

本文采用现场实测法，分别测试了单人场景、多人场景和密集场景下的识别率，见图4。

户外实测单人正、侧面识别率可以达到95%以上;多人场景中头盔像素大于60px时，平均识别准确率>90%;密集场景中，由于头盔像素点较小，低于YOLO的最小感受野且会出现头盔相互覆盖的情况，因此识别率较其他场景明显偏低，具体见下表。

四、结束语

YOLO算法作为神经网络中应用最广泛的技术，具有速度快、精度高等特点，将其应用在非机动车安全头盔佩戴检测中能有效解决交管部门执法“最后一公里”的困境，为公安部推进“一盔一带”安全守护行动提供了一种可行的方法，具有较好的应用价值。

参  考  文  献

[1]王慧. 基于改进Faster R-CNN的安全帽检测及身份识别[D].西安科技大学，2020.

[2]陈柳，陈明举，薛智爽，罗仕胜.轻量化高精度卷积神经网络的安全帽识别方法[J].计算机工程与应用，2021（05） ：1-8.

[3]姚群力，胡显，雷宏. 深度卷积神经网络在目标检测中的研究进展[J].计算机工程与应用，2018，54（17）：1-9.

[4]乌民雨，陈晓辉.一种基于改进YOLO v3的安全帽检测方法[J].信息通信，2020（06）：12-14.