基于改进YOLOv5s的头盔佩戴检测算法.pdf
《基于改进YOLOv5s的头盔佩戴检测算法.pdf》由会员分享,可在线阅读,更多相关《基于改进YOLOv5s的头盔佩戴检测算法.pdf(7页珍藏版)》请在咨信网上搜索。
1、第卷 第期 年 月沈 阳 理 工 大 学 学 报 收稿日期:基金项目:辽宁省教育厅高等学校基本科研项目()作者简介:陈扬()女硕士研究生通信作者:吕艳辉()女教授博士研究方向为计算机视觉、人工智能文章编号:()基于改进 的头盔佩戴检测算法陈 扬吕艳辉(沈阳理工大学 信息科学与工程学院沈阳)摘 要:交通法规规定电动车驾驶人驾车时需要佩戴安全头盔常用检测算法针对安全头盔这类小目标进行检测时存在漏检的问题 鉴于此提出一种基于改进 的电动车驾驶人头盔佩戴检测算法简称为 算法 该算法以深度学习框架 为基础改进原始模型特征提取部分的下采样方法和特征融合方法并修改边框损失函数 的计算方法 通过多场景下数据采
2、集获得 张图片以制作安全头盔数据集并在自制数据集上采用 算法及其他主流算法进行小目标检测的对比实验 实验结果表明:与 算法相比 算法在准确率、召回率、平均精度三个方面分别提升.、.、.检测速度能够达到实时检测要求关 键 词:目标检测特征提取特征融合中图分类号:.文献标志码:./.():.:目标检测技术在军事、交通、医学、生物学等领域具有广泛的应用价值推动了社会的进步为人们生活提供了便利近些年随着电动车销量的不断增多与电动车相关的交通事故也在增多 很多电动车驾驶人没有安全意识不佩戴安全头盔 国内已有多个城市相继颁布电动车驾驶人需要佩戴安全头盔的交通法规以减少发生交通意外时的人员伤亡本文拟对电动车
3、驾驶人是否佩戴安全头盔进行检测并在公共场所自行采集数据制作数据集此背景下构建的数据集中会存在相当多的小目标容易出现漏检的情况 另外本文研究内容的应用场所人员变动较快算法应具备实时检测的能力一张图片中宽高占整个图片宽高十分之一以下的物体称为小目标 小目标检测作为目标检测领域内的一个难点受到越来越多研究者的关注文献通过改进数据增强方法平衡了数据类别使用轻量型网络 替换原始主干网络减少了网络计算量最后对模型通道进行剪枝以及知识蒸馏提升了检测速度但检测精度有待提高文献提出一种自适应双向特征融合模块提高对小目标的检测率但采用的损失函数未能考虑数据集分布特点未能解决难易样本不均衡问题文献提出在特征提取网络
4、中融入通道注意力机制以更好地提取小目标特征信息但其通道注意力机制只使用全局平均池化层压缩通道特征对难以区分的物体检测效果较差文献提出基于 的优化算法通过引入感受野模块模拟生物体的感受野机制使网络着重学习位于中心的特征进而取得较好的识别效果然而检测速度有所降低达不到实时检测的效果综上目标检测算法虽然取得了一定的研究成果但也存在一些不足 鉴于此本文提出一种基于改进 的电动车驾驶人头盔佩戴检测算法简称 算法 该算法以深度学习框架 为基础针对其第一步下采样方法可能导致过拟合的问题提出一种新的下采样方法针对原特征融合方法没有考虑不同特征图占有不同的贡献度以及没有对重要特征给予重点关注所导致的检测精度差的
5、问题提出一种改进的特征融合方法针对原算法采用的边框损失函数 在检测框和真实框相交时收敛慢的问题提出适用的边框损失函数计算方法 算法的提出.算法的不足本文选用 中的 作为基础网络在 中图像自适应缩放成 大小的图像后进行特征提取首先进行切片下采样将平面信息转移到通道维度上降低维度增加通道数能够得到两倍下采样特征图 该下采样方法的位置处在特征提取的第一步虽然几乎没有丢失特征但是会学习到大量无用信息可能导致模型出现过拟合现象其次 使用 及 完成图像特征融合 这种特征融合方式能够做到双向特征传递但无法区分不同分辨率特征图的贡献度对于图像中一些重要特征并未给出特别的关注不能将无关噪声和应该重点关注的特征信
6、息区分开导致算法对目标的检测精度较差算法检测效果仍有待提升再次 算法的边框回归损失函数采用 当检测框和真实框相交时无法反映两个框的相交方式即不能衡量两个框相对的位置关系 当预测框与真实框分离且距离较远时产生较大的外接矩形框因损失值较大难以优化导致算法收敛速度慢.算法.下采样方法的提出在 算法中提出一种新的下采样方法能够解决原始 第一步下采样方法的弊端 为后续计算方便对输入的 图像特征矩阵进行 的卷积计算通道数变成 即得到 维度的特征图沈 阳 理 工 大 学 学 报 第 卷再将 进行非线性变换包括归一化操作、激活并进行卷积操作 将这种非线性变换操作作为一个模块共设计五个模块()其中 中进行卷积和
7、平均池化实现下采样 整体下采样方法的非线性变换结构如图 所示图 非线性变换结构图 由图 可知每个模块都会输出一个特征矩阵若输入特征矩阵为 则设 模块的输入特征矩阵分别是 在 模块中经过非线性变换后的特征矩阵与输入特征矩阵 在通道上进行拼接后得到特征矩阵 对 进行非线性变换得到的特征矩阵与 和进行拼接后得到特征矩阵 以此类推最后 模块经过非线性变换后的特征矩阵与之前的 进行拼接得到输出 上述操作的数学表达式为()()式中:表示非线性变换函数对特征矩阵进行非线性变换操作 表示拼接函数实现对特征矩阵进行通道上的拼接 首先对本模块的输入特征矩阵进行非线性变换然后在通道维度上拼接前面所有模块的输入特征矩
8、阵作为下一模块的输入再进行非线性变换 一次拼接一次非线性变换特征图维度大小不变通道数一直增大即做通道间的堆积 非线性变换前后的特征图个数即通道个数 为 ()()式中:表示输入特征图个数 表示模块 表示网络增长率本文中 值取 以输入图像 为例大小为 对其进行非线性变换即进行批标准化、激活以及卷积操作 此处完成两次卷积先进行 卷积卷积后的特征矩阵大小为 再进行批标准化和 激活及 、填充为 的卷积卷积后的特征矩阵大小为 由于批标准化、激活后特征矩阵大小不变所以将所得特征矩阵与 进行通道维度相加得到输出特征矩阵大小为 得到特征图 以此类推可知特征图 的通道数为 的通道数为 的通道数为 和前面四个模块略
9、有不同其内部进行批归一化、激活以及 的卷积最后进行过滤器大小为 、步长为 的平均池化操作最终输出特征图大小为 整个结构完成了两倍的下采样相邻两个模块间都具有极为密切的联系 由于前四个模块中都有 、填充为 的卷积使得输出的特征矩阵维度保持相同以便在通道维度上进行累加 的卷积大大减少了参数使得整个结构具有较高的计算效率综上本文提出的下采样方法采用模块间密集连接的方式保证了浅层目标特征的有效提取同时密集连接方式也提升了整个结构梯度的反向传播使网络更容易训练 最后的平均池化操作实现了下采样能够降低输入特征矩阵维度减少网络模型的参数防止出现过拟合的现象.特征融合方法的提出因为 使用 及 完成特征融合能够
10、做到双向特征传递但无法区分不同分辨率特征图的贡献度 本文所提融合方法先优化特征融合网络结构并赋予特征图权重后再第 期 陈 扬等:基于改进 的头盔佩戴检测算法进行特征融合将 中第五层到第七层的融合改为第三层到第七层进行融合特征融合方法的结构如图 所示图 特征融合方法结构图 图 中每一个节点代表一个特征图 由图 可见因为第三层和第七层的中间特征图只有一个输入没有特征融合对整个特征网络的贡献很小故删除第三层和第七层中间的特征图因为底层特征在经过反复上采样和下采样后可能会失真故在第四 六层中在原有双向融合的基础上同水平层之间引入跳跃连接以强化高层特征层中的细节信息以提高特征融合的效率 图 中仅标明了部
- 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:
- 基于 改进 YOLOv5s 头盔 佩戴 检测 算法
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。