电动自行车骑乘人员安全头盔佩戴行为检测.pdf
《电动自行车骑乘人员安全头盔佩戴行为检测.pdf》由会员分享,可在线阅读,更多相关《电动自行车骑乘人员安全头盔佩戴行为检测.pdf(8页珍藏版)》请在咨信网上搜索。
1、南通大学学报渊自然科学版冤圆园23 年南通大学学报渊自然科学版冤允燥怎则灶葬造 燥枣 晕葬灶贼燥灶早 哉灶蚤增藻则泽蚤贼赠 渊晕葬贼怎则葬造 杂糟蚤藻灶糟藻 Edition冤灾燥造援 22晕燥援 2Jun援 圆园23第 22 卷 第 2 期圆园23 年 6 月收稿日期院 2021-12-31接受日期院 2022-03-22基金项目院 国家自然科学基金青年基金项目渊72101128冤曰中国博士后科学基金面上项目渊2023M730560冤曰江苏省社会科学基金项目渊20GLC015冤曰南通市科技计划民生项目渊MS22022093冤第一作者简介院 汤天培渊1987要 冤袁 男袁 副教授袁 博士袁 主要
2、研究方向为交通安全尧交通行为遥 E-mail院doi院 10.12194/j.ntu.20211231001引文格式院 汤天培袁 龚昊袁 李洪亮袁 等.电动自行车骑乘人员安全头盔佩戴行为检测J.南通大学学报渊自然科学版冤袁 2023袁22渊2冤院12-19.电动自行车骑乘人员安全头盔佩戴行为检测汤天培1袁 龚昊2袁 李洪亮1袁 曹义恺1袁 廖家奇1袁 施佺1渊1.南通大学 交通与土木工程学院袁 江苏 南通226019曰2.上海岚马克视觉科技有限公司袁 上海200233冤摘要院为提高电动自行车骑乘人员安全头盔佩戴水平袁提出一种基于深度学习的安全头盔佩戴行为检测方法遥 基于EfficientNet
3、 目标检测框架袁重新设计了主干网中特征图的特征选取层袁并提出像素级缩放渊pixel-level scaling袁PLS冤模块袁构建了一种新的用于电动自行车骑乘人员安全头盔佩戴行为检测的 PLS-Det 模型遥 该模型解决了深度卷积神经网络执行检测任务时视频检测图像中的小目标渊远处的电动自行车冤尧被遮挡的车辆和骑乘人员等容易导致目标丢失的问题袁并能适应复杂的电动自行车交通流场景遥 根据江苏省南通市区典型城市道路袁选取不同视角尧时间段尧天气状况下的电动自行车交通流视频图像数据渊包含正样本 5 408 个和负样本 7 156 个冤训练优化检测模型遥 通过消融实验和人工检测结果袁对比分析了 Effic
4、ientDet-d0尧EfficientDet-Optimize 和 PLS-Det 模型的检测性能遥实验结果表明院提出的 PLS-Det 检测模型通过重新选择特征图层和引入 PLS 模块袁在保证计算效率稳定的同时袁能显著丰富小目标及被遮挡目标的特征袁检测精确度达 95.8%袁可以满足电动自行车骑乘人员安全头盔佩戴行为的检测精度要求遥关键词院交通安全曰深度学习曰像素级缩放曰安全头盔佩戴曰电动自行车中图分类号院 TP391.9文献标志码院 A文章编号院 员远苑猿原圆猿源园渊圆园23冤园2原园园12原园8Detection on safety helmet wearing of electrica
5、l bike ridersTANG Tianpei1,GONG Hao2,LI Hongliang1,CAO Yikai1,LIAO Jiaqi1,SHI Quan1(1.School of Transportation and Civil Engineering,Nantong University,Nantong 226019,China;2.Landmark(Shanghai)Vision Technology Co.,Ltd.,Shanghai 200233,China)Abstract:To improve the safety helmet wearing rate of elec
6、trical bike(e-bike)riders,a safety helmet wearing behav鄄ior detection method based on deep learning was proposed.In order to solve the problem of small targets(distant e-bikes),covered e-bikes and riders in video detection image which can easily lead to target loss when deep convolu鄄tional neural ne
7、twork performs detection task,the feature selection layer of feature graph in the backbone network wasredesigned based on EfficientNet target detection framework.Pixel-level scaling(PLS)module was proposed to con鄄struct a new PLS-Det model for safety helmet wearing behavior detection,which can adapt
8、 to complex e-bike flowscenarios.Take typical urban roads in Nantong city,Jiangsu Province for example,the detection model was trainedand optimized using the video image data of e-bike flow in different viewing angle,time periods and under differentweather conditions(including 5 408 positive samples
9、 and 7 156 negative samples).The detection performances of Ef鄄ficientDet-d0,EfficientDet-Optimize and PLS-Det models were compared with the results of ablation experiment andartificial detection.The experimental results show that the proposed PLS-Det model can significantly enrich the fea鄄据公安部交通管理局统
10、计袁 约 80%的摩托车尧电动自行车骑乘人员死亡事故为颅脑损伤致死袁正确佩戴安全头盔能够将交通事故死亡风险降低60%70%遥2020 年 4 月袁全国开展的野一盔一带冶安全守护行动袁将电动自行车安全头盔平均佩戴率从行动前的不足 20%提升至 54%曰然而相较于发达国家袁目前我国的安全头盔佩戴率仍处于较低水平遥提高执法水平和力度是提升安全头盔佩戴率的关键袁但是由于各地警力有限袁且现场执法识别头盔佩戴情况效率低尧成本高袁无法切实提高电动自行车骑乘人员的安全头盔佩戴水平遥 因此袁设计一种电动自行车骑乘人员安全头盔佩戴行为的智能检测方法显得尤为迫切遥随着深度学习技术的不断发展袁目标检测算法取得了长足的
11、进展袁出现了以 R-CNN 为代表的two-stage 目标检测算法袁如 R-CNN1尧Fast R-CNN2尧Faster R-CNN3遥采用 two-stage 目标检测算法时袁网络先通过预处理方法在预测图片上生成若干目标候选框袁再采用卷积神经网络训练参数进行样本分类袁训练和检测精确度高袁但计算成本较大袁影响网络的训练和检测效率遥 随后出现了 YOLO4-8尧SSD9尧RetinaNet10等为代表的 one-stage 目标检测算法遥 这些算法直接将目标边框定位问题转化为回归问题处理袁从而实现端到端检测且无需候选框袁网络的训练和检测效率高袁但精确度会降低遥 这些方法极大地提高了信息的收集
12、速度尧处理能力及传递速度袁为道路交通安全相关的智能检测提供了技术和理论支持遥 文献11-15对行人尧骑行人渊普通自行车尧电动自行车和摩托车冤和汽车等目标的检测已经达到很高的精度曰文献16-22基于 Faster R-CNN尧YOLOv3 等算法袁提出了自动检测工人安全头盔佩戴行为的方法袁平均检测精确度达到 85.5%90.9%遥 国内外学者针对骑乘人员安全头盔佩戴行为也进行了自动检测方面的研究遥 Dahiya 等23和Vishnu 等24采用 Fast R-CNN 目标检测算法实现了对自行车和摩托车骑乘人员安全头盔佩戴行为的自动检测袁但检测效率较低遥为了提高检测效率和实时性袁Siebert 等
13、25基于 RetinaNet 目标检测算法袁利用多尺度特征金字塔和 focal loss袁实现了摩托车骑乘人员安全头盔佩戴行为的自动检测袁在提高检测速度的同时袁也能保证较高的检测精度遥刘琛等26基于 SSD 算法袁以 RFB Net 模型为基础袁采用余弦衰减学习率优化网络学习能力袁提出了一种适用国内场景的摩托车骑行人安全头盔佩戴行为自动检测方法遥 在实际道路路段和交叉路口袁安全头盔佩戴行为检测平台的计算资源和内存是有限的曰 然而袁传统目标检测算法对计算资源和内存的消耗较大袁需要探索更便捷和高效的网络架构遥 同时袁考虑到视频监控的视角问题袁骑行人会由远及近地经过检测平台袁导致视频画面内会有相对小
14、的骑行人目标曰传统目标检测算法无法有效地处理多尺度特征袁容易检测到大目标尧而忽略小目标袁导致检测范围和精确度的减小遥综上袁面向国内大量的电动自行车交通场景袁针对电动自行车骑乘人员安全头盔佩戴行为的自动检测问题袁为减少计算资源消耗袁提高对小目标对象的检测精确度袁以 EfficientDet 为基准检测模型袁重新设计主干网中特征图的特征选取层袁提出像素级缩放渊pixel-level scaling袁PLS冤模块袁构建一种改进后的目标检测模型遥 相较于现有研究袁改进后的电动自行车骑乘人员安全头盔佩戴行为自动检测模型袁使用更少的参数实现更高效尧更准确的检测袁同时可以减少检测平台的资源消耗袁实现检测平台
15、的模块化和便捷化遥1改进算法1.1基本思路电动自行车骑乘人员安全头盔佩戴行为检测是一个典型的目标检测问题袁且存在较多的小目标对象遥文献27-29指出袁EfficientNet 目标检测框架tures of small targets and blocked targets by re-selecting feature layers and adding PLS module,while ensuring thestability of computational efficiency.The detection accuracy of this detection model is 95.8
16、%,which can meet the ac鄄curacy requirements of safety helmet wearing behavior of e-bike riders.Key words:traffic safety;deep learning;pixel-level scaling;safety helmet wearing;electrical bike汤天培袁 等院电动自行车骑乘人员安全头盔佩戴行为检测13窑窑南通大学学报渊自然科学版冤圆园23 年具备多尺度特性袁既能处理常规大小的目标袁同时对小目标的检测比 Faster R-CNN尧YOLO 更准确和鲁棒袁且模型参
17、数更少袁所需算力渊FLOPs冤更小袁性能检测更佳尧泛化能力更强遥 因此袁本文基于 Effi鄄cientNet 目标检测框架构建了电动自行车骑乘人员安全头盔佩戴行为检测模型遥 为进一步提高检测模型对电动自行车交通流复杂场景的适应性袁重新设计主干网中特征图的特征选取层袁提出 PLS模块袁构建两种改进后的检测模型遥 将标注过的图像输入网络框架中袁通过多次迭代更新参数遥 采用训练集训练和优化提出的检测模型袁通过验证集确定最优模型遥1.2网络模型结构针对深度卷积神经网络执行检测任务时袁视频检测图像中的小目标渊远处的电动自行车冤尧车辆和骑乘人员被遮挡等容易导致目标丢失的问题袁重新设计主干网中特征图的特征选
18、取层袁使得检测模型更适合复杂的电动自行车交通流场景袁提出 PLS 模块袁 以进一步提升模型的检测性能遥 根据 MicrosoftCOCO 数据集的定义30袁小目标的面积小于 32 像素 伊32 像素曰中目标的面积在 32 像素 伊 32 像素和 96像素 伊 96 像素之间曰大目标的面积大于 96 像素 伊 96像素遥 结合电动自行车交通流的场景实际袁本研究所指的小目标特指为面积小于 96 像素 伊 96 像素的目标遥 由此袁本研究提出一种新的用于电动自行车骑乘人员安全头盔检测的模型袁将其命名为 PLS-Det遥 PLS-Det 检测模型的网络结构如图 1 所示遥1.3特征选取层对主干网性能进
19、行深入研究后发现袁相同尺度尧不同层级的特征层袁对于特征的表征能力也不尽相同遥 低层特征图可以作为高层特征图在小目标及被轻微遮挡目标检测能力缺失时的一个很好的补充遥由此袁重新设计主干网 EfficientNet-b0 中的特征图层遥主干网 EfficientNet-b0 的结构如图 2 所示遥首先袁引入较低级别的特征图 C2 补充待检测目标细节特征曰然后袁对照具有相同特征尺度的 C4 和C5 层袁C4_1 和 C5_1 层的分辨率与后续 C4_2 和C5_2 层一样袁但宽度更小袁考虑到后续 PLS-Det 将新增特征缩放层袁由此剔除 C4_1 和 C5_1 层袁将高语义层 C4_2 和 C5_2
20、 层选为骨干特征层以添加网络的语义特征曰最后袁骨干网特征图层为 C2尧C3尧C4_2尧C5_2 层袁结合 C5_2 层下采样计算得到的顶层特征图袁将这些特征图层所构造的新主干网络称为 EfficientNet-Optimize袁对应的检测模型为 Effi鄄cientDet-Optimize遥1.4特征缩放层对特征图进行特征提取后袁需要进行下采样或卷积计算遥 在计算过程中袁小目标或被遮挡目标由于自身的信息缺失袁其特征信息会很容易被其背景特征所替代遥 由于卷积核很难充分捕捉到小目标或被遮挡目标的全部信息袁如果背景特征多于目标特征袁就会导致目标信息在特征图上消失袁造成目标特征提取的错误遥 由此袁提出
21、一个像素级缩放渊PLS冤模块袁以减少目标检测任务中小目标或被遮挡目标丢失的概率遥在新主干网络 EfficientNet-Optimize 基础上袁通过 PLS 模块计算 C2尧C3尧C4_2尧C5_2 层袁结合 C5_2 层下采样特征图中每个像素的贡献袁放大重要元素并缩小非重要元素以减轻特征缺失遥为了减少模块的计算负荷袁引入 GhostNet 代替原来的卷积操作遥 PLS 模块结构如图 3 所示遥 其中袁M 代表最大池化操作曰A 代表平均池化操作曰C 代表合并操图 1PLS-Det 网络模型结构示意图Fig.1Network structure of PLS-Det特征选取特征缩放特征融合检测
22、任务分类回归BiFPN下采样PLSPLSPLSPLSPLS图 2主干网 EfficientNet-b0 结构示意图Fig.2Structure of EfficientNet-b0C1256伊256伊16C2128伊128伊24C4_132伊32伊80C5_116伊16伊192C364伊64伊40C4_232伊32伊112C5_216伊16伊32014窑窑MAC7*7S+伊GhostSoftmaxFeatureiGhost伊+图 3PLS 模块结构示意图Fig.3PLS module structure作曰S 代表 Sigmoid 函数曰Ghost 代表 GhostNet 网络曰Feature
23、i代表每个像素对于特征图的贡献值遥 由此袁构建形成 PLS-Det 检测模型遥PLS 模块对特征图进行简单的空间注意力计算袁得到物体的主要区域遥 计算得注意力为Scorei=S渊渍渊v渊max渊pi冤袁mean渊pi冤冤冤冤袁渊1冤其中院pi代表所有通道中在像素位置 i 上的向量值曰max 代表最大池化操作曰mean 代表平均池化操作曰代表合并操作曰v 代表卷积计算曰渍 和 S 分别代表Relu 和 Sigmoid 函数遥根据式渊1冤袁通过与特征图逐元素乘法计算注意力值曰然而袁Sigmoid 函数会将该注意力值归一化到渊0袁1冤区间袁特征的表征能力会被削弱遥 因此袁研究采用残差机制保留特征图的
24、原有能力遥获得增强后注意力特征图后袁对特征进行像素级特征缩放袁计算每个像素对特征图的贡献值曰然后袁根据贡献值袁对主要和次要元素进行缩放遥 具体计算过程为Featurei=G渊niCi冤+Ci袁S渊Ci冤逸1H 伊 WG渊渊1-ni冤Ci冤+Ci袁S渊Ci冤 1H 伊 W扇墒设设设设设设缮设设设设设设袁渊2冤其中院Ci是第 i 个通道的特征值曰G 是 GhostNet 网络曰ni代表缩放尺度曰S 代表 Softmax 操作袁用于计算每个通道的得分袁得分是指每个像素位置对于通道特征的贡献曰H 和 W 分别代表特征图的长和宽遥 将每个通道的得分与平均贡献得分 1/渊H 伊 W冤相比较袁如果不小于平均
25、贡献得分袁将特征缩放尺度设定为 ni曰反之袁则设定为渊1-ni冤遥2实验结果与分析2.1数据集为了使检测算法能适应更多实际的交通场景袁实验选取了南通市城区范围内的典型路段和交叉口袁共计 10 条路段和 12 个交叉口袁如图 4 所示遥 按不同视角渊45毅和 90毅冤尧时间段渊10:00要15:00 和17:00要19:00冤尧天气渊晴天和多云冤分类采集电动自行车交通流视频袁以保证场景的多样性袁并且对视频进行预先的标注和拆分以满足算法训练要求遥 采用 DarkLabel 标注工具对视频样本进行标注袁 标注对象包括电动自行车尧人渊骑行人尧乘坐人冤和头部渊佩戴头盔尧 未佩戴头盔冤遥 共搜集到 56
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 电动自行车 骑乘 人员 安全 头盔 佩戴 行为 检测
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。