基于改进YOLOv3算法的非机动车头盔佩戴检测方法与流程

基于改进yolov3算法的非机动车头盔佩戴检测方法
技术领域
1.本发明涉及计算机视觉的目标检测技术领域，具体涉及一种基于改进yolov3算法的非机动车头盔佩戴检测方法。


背景技术：

2.随着计算机视觉相关技术的不断发展，目标检测技术已在工业领域得到广泛应用，路面交通监控就是其中的一个重要应用领域。近年来非机动车与机动车相撞事故多发，头盔作为非机动车骑乘人员唯一的安全设备，可以有效降低非机动车骑乘人员在交通事故中遭受的伤害。为了确保非机动车骑乘人员在道路上的安全，必须对道路上非机动车骑乘人员是否佩戴头盔进行检测。然而道路上交通工具数量的迅速增长给检测方法带来了新的挑战，传统的人工检测方法效率较低，速度较慢。yolov3作为近年来目标检测领域内一种较新的网络模型结构，可同时预测检测对象的类别和位置，将目标检测视为简单的回归问题，是一种实时检测方法。因此，设计一种基于改进yolov3算法的非机动车头盔佩戴检测方法具有较大的意义。


技术实现要素：

3.针对现有技术中存在的问题，本发明的目的在于提供一种基于改进yolov3算法的非机动车头盔佩戴检测方法，能够实现对非机动车骑乘人员头盔佩戴情况的检测，提高了非机动车头盔佩戴检测的速度与精度。
4.本发明的技术方案如下：
5.一种基于改进yolov3算法的非机动车头盔佩戴检测方法，包括以下步骤：
6.1)以交通监控设备提供的视频流为基础，通过数据增强的方法建立训练数据集；
7.2)构建改进的yolov3目标检测算法模型；
8.3)将训练数据集送入改进的yolov3算法模型进行训练，直至模型收敛，即模型的损失函数值低于预先设定的阈值；
9.4)将实时交通监控视频流输入训练好的改进的yolov3算法模型中，检测视频流中非机动车、骑乘人员和非机动车安全头盔的位置，以确定非机动车骑乘人员是否佩戴头盔，若有非机动车骑乘人员未佩戴头盔，则进行标记；对于同一辆非机动车上检测到两个以上骑乘人员时，会进行超载标记。
10.进一步的，所述步骤1)使用交通监控设备录制的道路交通视频作为样本数据，所述道路交通视频的分辨率为1920x1080；将样本数据以每秒25帧转换为图像序列，并每10帧截取一张视频图像作为图像数据集，剔除其中不包含非机动车的图像，对得到的图像通过数据增强的方法进行数据扩充，所述数据增强方法具体包括图像旋转、目标遮挡和增加模拟噪声，图像旋转是指将原始图像以顺时针90
°
、180
°
和270
°
进行旋转得到新的图像，目标遮挡是指对原始图像中目标物体的不同部分设置黑色矩形块进行遮挡从而得到新的图像，增加模拟噪声是指使用现有的雨雾噪声算法给原始图像加上雨雾模拟噪声。对于经过数据
增强得到的训练数据集，使用labelimg软件进行多标签标注，自动生成相应的xml格式标注文件，其中包含对象名和边界框的坐标信息，类别为非机动车、骑乘人员和非机动车头盔。
11.进一步的，所述步骤2)构建改进的yolov3模型包括特征提取网络模块、空间金字塔模块、特征融合模块和多分类器模块。所述特征提取网络模块采用现有的darknet53网络，输入尺寸为256x256的三通道原始图像，darknet53网络输出三种尺寸分别为32x32、16x16、8x8的特征图；所述空间金字塔模块对特征提取网络模块输出的尺寸为8x8的特征图进行最大池化操作并进行拼接得到池化特征图；所述特征融合模块将池化特征图和特征提取网络模块得到的特征图进行concat操作完成融合；所述多分类器模块采用logistic函数对特征融合模块得到的特征图进行分类检测，得到最终的目标检测结果。
12.进一步的，所述步骤2)改进的yolov3目标检测算法模型的损失函数j(θ,x,y)用损失函数loss代替，表达式如下公式所示：
[0013][0014]
公式中λ
coord
表示坐标损失的权重系数，λ
nobj
表示网格预测类别的权重系数，s2表示图像划分的网格数量，b表示每个网格中包含的预测框数量，当第i个网格的第j个预测框为正确预测框时，为1，为0，反之为0，为1。x
i
、y
i
分别表示由第i个网络负责的目标物体的真实标注的中心点坐标，表示由第i个网络负责的目标物体的预测框的中心点坐标。ω
i
、h
i
表示由第i个网络负责的目标物体的真实标注的宽度、长度，表示由第i个网络负责的目标物体的预测框的宽度、长度。c
i
表示第i个网络负责的目标物体的真实分类结果，表示第i个网络负责的目标物体的预测分类结果。p
i
(c)表示第i个网络负责的目标物体属于分类类别c的真实概率，表示第i个网络负责的目标物体属于分类类别c的预测概率，class表示目标物体的类别标签集合。
[0015]
进一步的，所述步骤3)将训练数据集中的xml标注文件进行解析得到train.txt和val.txt文件，使用训练数据集对改进的yolov3算法模型进行迭代训练，当模型的损失函数loss的值小于预先设定的阈值时，停止训练，保存模型参数。
[0016]
进一步的，所述步骤4)包括以下步骤：
[0017]
4.1)将实时交通监控视频流，并以每秒25帧转换为视频帧图像序列，并每10帧截取一张视频图像送入改进的yolov3算法模型；
[0018]
4.2)改进的yolov3算法模型对图像中的非机动车、骑乘人员和头盔区域进行检测；
[0019]
4.3)对于同一非机动车区域，若检测到两个以上的骑乘人员区域与该非机动车区域重叠，则说明该非机动车超载，并根据检测得到的区域坐标将超载非机动车和骑乘人员
区域裁剪下来，进行超载标记；
[0020]
4.4)对于未超载的非机动车，统计其图像区域内检测到的头盔区域数量，若头盔区域数量与骑乘人员区域数量不一致，说明该非机动车有骑乘人员未佩戴安全头盔，进行标记。
[0021]
本发明的有益效果在于：
[0022]
1)本发明模型具有较高的检测准确率，对于非机动车头盔检测有较好的检测效果。
[0023]
2)本发明模型具有较好的泛化能力，通过数据增强的方法，模拟各种雨雾天气环境下获取的含有噪声的视频图像，使得模型能够更好地学习训练数据背后的规律，对未知视频图像有更好的目标检测能力，有效避免了模型的过拟合与欠拟合。
[0024]
3)本发明模型具有较好的普适度，能够广泛地适用于各种视频采集设备，对于稍旧的视频采集设备捕获的清晰度较低的视频图像，模型也能够取得较好的检测准确率。
附图说明
[0025]
图1是本发明的流程示意图。
具体实施方式
[0026]
以下结合说明书附图，对本发明作进一步说明：
[0027]
如图1所示，一种基于改进yolov3算法的非机动车头盔佩戴检测方法，包括以下步骤：
[0028]
1)以交通监控设备提供的视频流为基础，通过数据增强的方法建立训练数据集；
[0029]
步骤1)使用交通监控设备录制的道路交通视频作为样本数据，所述道路交通视频的分辨率为1920x1080；将样本数据以每秒25帧转换为图像序列，并每10帧截取一张视频图像作为图像数据集，剔除其中不包含非机动车的图像，对得到的图像通过数据增强的方法进行数据扩充，所述数据增强方法具体包括图像旋转、目标遮挡和增加模拟噪声，图像旋转是指将原始图像以顺时针90
°
、180
°
和270
°
进行旋转得到新的图像，目标遮挡是指对原始图像中目标物体的不同部分设置黑色矩形块进行遮挡从而得到新的图像，增加模拟噪声是指使用现有的雨雾噪声算法给原始图像加上雨雾模拟噪声。对于经过数据增强得到的训练数据集，使用labelimg软件进行多标签标注，自动生成相应的xml格式标注文件，其中包含对象名和边界框的坐标信息，类别为非机动车、骑乘人员和非机动车头盔。
[0030]
2)构建改进的yolov3目标检测算法模型；
[0031]
步骤2)构建改进的yolov3模型包括特征提取网络模块、空间金字塔模块、特征融合模块和多分类器模块。所述特征提取网络模块采用现有的darknet53网络，输入尺寸为256x256的三通道原始图像，darknet53网络输出三种尺寸分别为32x32、16x16、8x8的特征图；所述空间金字塔模块对特征提取网络模块输出的尺寸为8x8的特征图进行最大池化操作并进行拼接得到池化特征图；所述特征融合模块将池化特征图和特征提取网络模块得到的特征图进行concat操作完成融合；所述多分类器模块采用logistic函数对特征融合模块得到的特征图进行分类检测，得到最终的目标检测结果；
[0032]
步骤2)改进的yolov3目标检测算法模型的损失函数j(θ,x,y)用损失函数loss代
替，表达式如下公式所示：
[0033][0034]
公式中λ
coord
表示坐标损失的权重系数，λ
nobj
表示网格预测类别的权重系数，s2表示图像划分的网格数量，b表示每个网格中包含的预测框数量，当第i个网格的第j个预测框为正确预测框时，为1，为0，反之为0，为1。x
i
、y
i
分别表示由第i个网络负责的目标物体的真实标注的中心点坐标，表示由第i个网络负责的目标物体的预测框的中心点坐标。ω
i
、h
i
表示由第i个网络负责的目标物体的真实标注的宽度、长度，表示由第i个网络负责的目标物体的预测框的宽度、长度。c
i
表示第i个网络负责的目标物体的真实分类结果，表示第i个网络负责的目标物体的预测分类结果。p
i
(c)表示第i个网络负责的目标物体属于分类类别c的真实概率，表示第i个网络负责的目标物体属于分类类别c的预测概率，class表示目标物体的类别标签集合。
[0035]
3)将训练数据集送入改进的yolov3算法模型进行训练，直至模型收敛，即模型的损失函数值低于预先设定的阈值；
[0036]
步骤3)将训练数据集中的xml标注文件进行解析得到train.txt和val.txt文件，使用训练数据集对改进的yolov3算法模型进行迭代训练，当模型的损失函数loss的值小于预先设定的阈值时，停止训练，保存模型参数。
[0037]
4)将实时交通监控视频流输入训练好的改进的yolov3算法模型中，检测视频流中非机动车、骑乘人员和非机动车安全头盔的位置，以确定非机动车骑乘人员是否佩戴头盔，若有非机动车骑乘人员未佩戴头盔，则进行标记；对于同一辆非机动车上检测到两个以上骑乘人员时，会进行超载标记；
[0038]
步骤4)包括以下步骤：
[0039]
4.1)将实时交通监控视频流，并以每秒25帧转换为视频帧图像序列，并每10帧截取一张视频图像送入改进的yolov3算法模型；
[0040]
4.2)改进的yolov3算法模型对图像中的非机动车、骑乘人员和头盔区域进行检测；
[0041]
4.3)对于同一非机动车区域，若检测到两个以上的骑乘人员区域与该非机动车区域重叠，则说明该非机动车超载，并根据检测得到的区域坐标将超载非机动车和骑乘人员区域裁剪下来，进行超载标记；
[0042]
4.4)对于未超载的非机动车，统计其图像区域内检测到的头盔区域数量，若头盔区域数量与骑乘人员区域数量不一致，说明该非机动车有骑乘人员未佩戴安全头盔，进行标记。
[0043]
上述实施例只是本发明的较佳实施例，并不是对本发明技术方案的限制，只要是不经过创造性劳动即可在上述实施例的基础上实现的技术方案，均应视为落入本发明专利的权利保护范围内。