骑行安全检测方法、电子设备及可读存储介质与流程

骑行安全检测方法、电子设备及可读存储介质
1.本技术涉及图像识别技术领域，尤其涉及一种骑行安全检测方法、电子设备及可读存储介质。


背景技术：

2.随着科技的高速发展，图像识别技术也发展地越来越成熟，目前骑行安全检测通过深度学习网络识别骑行图像中待检测目标是否安全骑行，而在待检测目标骑行时，容易出现目标尺度发生较大变化导致误检的情况，或者当目标特征较小时导致漏检的情况，从而导致骑行安全检测准确性低。


技术实现要素：

3.本技术的主要目的在于提供一种骑行安全检测方法、电子设备及可读存储介质，旨在解决现有技术中骑行安全检测准确性低的技术问题。
4.为实现上述目的，本技术提供一种骑行安全检测方法，应用于骑行安全检测设备，所述骑行安全检测方法包括：
5.获取待检测目标对应的骑行图像以及头盔检测模型，其中，所述头盔检测模型包括主干特征提取网络和识别网络；
6.通过抽取所述主干特征提取网络针对于所述骑行图像的隐藏层输出，生成对应的中间图像特征；
7.获取所述主干特征提取网络针对于所述骑行图像的主干网络输出图像特征；
8.将所述中间图像特征和所述主干网络输出图像特征进行融合，得到显著融合图像特征；
9.通过将所述显著融合图像特征输入所述识别网络，对所述待检测目标进行骑行安全检测，得到骑行安全检测结果。
10.可选地，所述通过抽取所述主干特征提取网络针对于所述骑行图像的隐藏层输出，生成对应的中间图像特征的步骤包括：
11.对所述隐藏层输出进行编码，得到编码结果；
12.将所述编码结果进行解码，得到解码结果；
13.将所述解码结果映射至预设特征维度，得到所述中间图像特征。
14.可选地，所述将所述中间图像特征和所述主干网络输出图像特征进行融合，得到显著融合图像特征的步骤包括：
15.将所述中间图像特征和所述主干网络输出图像特征进行点乘，得到点乘结果；
16.将所述点乘结果与所述主干网络输出图像特征进行拼接，得到所述显著融合图像特征。
17.可选地，所述识别网络包括目标检测网络，所述通过将所述显著融合图像特征输入所述识别网络，对所述待检测目标进行骑行安全检测，得到骑行安全检测结果的步骤包括：
18.通过将所述显著融合图像特征输入所述目标检测网络，检测所述待检测目标是否佩戴头盔，得到头盔佩戴检测结果；
19.依据所述头盔佩戴检测结果，对所述待检测目标进行骑行安全检测，得到骑行安全检测结果。
20.可选地，所述识别网络包括头盔属性识别网络，所述依据所述头盔佩戴检测结果，对所述待检测目标进行骑行安全检测，得到骑行安全检测结果的步骤包括：
21.当所述头盔佩戴检测结果为所述待检测目标已佩戴头盔时，将所述显著融合图像特征输入所述头盔属性识别网络，检测所述待检测目标是否正确佩戴头盔；
22.若是，则判定所述骑行安全检测结果为安全；
23.若否，则判定所述骑行安全检测结果为不安全；
24.当所述头盔佩戴检测结果为所述待检测目标未佩戴头盔时，则判定所述骑行安全检测结果为不安全。
25.可选地，在所述通过将所述显著融合图像特征输入所述识别网络，对所述待检测目标进行骑行安全检测，得到骑行安全检测结果的步骤之前，所述骑行安全检测方法还包括：
26.获取待训练头盔检测模型、骑行目标对应的训练样本以及所述训练样本对应的真实标签，其中，所述待训练头盔检测模型包括待训练主干特征提取网络和待训练识别网络；
27.依据所述训练样本以及所述待训练主干特征提取网络，确定训练显著融合图像特征；
28.通过将所述训练显著融合特征输入所述待训练识别网络，对所述骑行目标进行头盔佩戴检测，得到训练头盔佩戴检测结果；
29.依据所述训练头盔佩戴检测结果对应的输出标签与所述真实标签，构建所述待训练头盔检测模型的模型损失；
30.依据模型损失，对所述待训练头盔检测模型进行迭代优化，得到头盔检测模型。
31.可选地，所述依据所述训练样本以及所述待训练主干特征提取网络，确定训练显著融合图像特征的步骤包括：
32.通过抽取所述待训练主干特征提取网络针对于所述训练样本的隐藏层输出，生成对应的训练中间图像特征；
33.获取所述待训练主干特征提取网络针对于所述训练样本的训练主干网络输出图像特征；
34.将所述训练中间图像特征和所述训练主干网络输出图像特征进行融合，得到训练显著融合图像特征。
35.可选地，所述依据所述训练头盔佩戴检测结果对应的输出标签与所述真实标签，构建所述待训练头盔检测模型的模型损失的步骤包括：
36.获取所述训练样本中正样本和负样本占比对应的类别平衡系数；
37.依据所述类别平衡系数、所述输出标签和所述真实标签，计算所述待训练头盔检测模型的模型损失。
38.为实现上述目的，本技术还提供一种骑行安全检测装置，所述骑行安全检测装置应用于骑行安全检测设备，所述骑行安全检测装置包括：
39.获取模块，用于获取待检测目标对应的骑行图像以及头盔检测模型，其中，所述头盔检测模型包括主干特征提取网络和识别网络；
40.生成模块，用于通过抽取所述主干特征提取网络针对于所述骑行图像的隐藏层输出，生成对应的中间图像特征；
41.特征模块，用于获取所述主干特征提取网络针对于所述骑行图像的主干网络输出图像特征；
42.融合模块，用于将所述中间图像特征和所述主干网络输出图像特征进行融合，得到显著融合图像特征；
43.检测模块，用于通过将所述显著融合图像特征输入所述识别网络，对所述待检测目标进行骑行安全检测，得到骑行安全检测结果。
44.可选地，所述通过抽取所述主干特征提取网络针对于所述骑行图像的隐藏层输出，生成对应的中间图像特征的步骤中，所述生成模块还用于：
45.对所述隐藏层输出进行编码，得到编码结果；
46.将所述编码结果进行解码，得到解码结果；
47.将所述解码结果映射至预设特征维度，得到所述中间图像特征。
48.可选地，所述将所述中间图像特征和所述主干网络输出图像特征进行融合，得到显著融合图像特征的步骤中，所述融合模块还用于：
49.将所述中间图像特征和所述主干网络输出图像特征进行点乘，得到点乘结果；
50.将所述点乘结果与所述主干网络输出图像特征进行拼接，得到所述显著融合图像特征。
51.可选地，所述识别网络包括目标检测网络，所述通过将所述显著融合图像特征输入所述识别网络，对所述待检测目标进行骑行安全检测，得到骑行安全检测结果的步骤中，所述检测模块还用于：
52.通过将所述显著融合图像特征输入所述目标检测网络，检测所述待检测目标是否佩戴头盔，得到头盔佩戴检测结果；
53.依据所述头盔佩戴检测结果，对所述待检测目标进行骑行安全检测，得到骑行安全检测结果。
54.可选地，所述识别网络包括头盔属性识别网络，所述依据所述头盔佩戴检测结果，对所述待检测目标进行骑行安全检测，得到骑行安全检测结果的步骤中，所述检测模块还用于：
55.当所述头盔佩戴检测结果为所述待检测目标已佩戴头盔时，将所述显著融合图像特征输入所述头盔属性识别网络，检测所述待检测目标是否正确佩戴头盔；
56.若是，则判定所述骑行安全检测结果为安全；
57.若否，则判定所述骑行安全检测结果为不安全；
58.当所述头盔佩戴检测结果为所述待检测目标未佩戴头盔时，则判定所述骑行安全检测结果为不安全。
59.可选地，在所述通过将所述显著融合图像特征输入所述识别网络，对所述待检测目标进行骑行安全检测，得到骑行安全检测结果的步骤之前，所述检测模块还用于：
60.获取待训练头盔检测模型、骑行目标对应的训练样本以及所述训练样本对应的真
实标签，其中，所述待训练头盔检测模型包括待训练主干特征提取网络和待训练识别网络；
61.依据所述训练样本以及所述待训练主干特征提取网络，确定训练显著融合图像特征；
62.通过将所述训练显著融合特征输入所述待训练识别网络，对所述骑行目标进行头盔佩戴检测，得到训练头盔佩戴检测结果；
63.依据所述训练头盔佩戴检测结果对应的输出标签与所述真实标签，构建所述待训练头盔检测模型的模型损失；
64.依据模型损失，对所述待训练头盔检测模型进行迭代优化，得到头盔检测模型。
65.可选地，所述依据所述训练样本以及所述待训练主干特征提取网络，确定训练显著融合图像特征的步骤，所述检测模块还用于：
66.通过抽取所述待训练主干特征提取网络针对于所述训练样本的隐藏层输出，生成对应的训练中间图像特征；
67.获取所述待训练主干特征提取网络针对于所述训练样本的训练主干网络输出图像特征；
68.将所述训练中间图像特征和所述训练主干网络输出图像特征进行融合，得到训练显著融合图像特征。
69.可选地，所述依据所述训练头盔佩戴检测结果对应的输出标签与所述真实标签，构建所述待训练头盔检测模型的模型损失的步骤中，所述检测模块还用于：
70.获取所述训练样本中正样本和负样本占比对应的类别平衡系数；
71.依据所述类别平衡系数、所述输出标签和所述真实标签，计算所述待训练头盔检测模型的模型损失。
72.本技术还提供一种电子设备，所述电子设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述骑行安全检测方法的程序，所述骑行安全检测方法的程序被处理器执行时可实现如上述的骑行安全检测方法的步骤。
73.本技术还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有实现骑行安全检测方法的程序，所述骑行安全检测方法的程序被处理器执行时实现如上述的骑行安全检测方法的步骤。
74.本技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的骑行安全检测方法的步骤。
75.本技术提供了一种骑行安全检测方法、电子设备及可读存储介质，相比于现有技术采用的通过深度学习网络识别骑行图像中待检测目标是否安全骑行的方法，本技术通过获取待检测目标对应的骑行图像以及头盔检测模型，其中，所述头盔检测模型包括主干特征提取网络和识别网络；通过抽取所述主干特征提取网络针对于所述骑行图像的隐藏层输出，生成对应的中间图像特征；获取所述主干特征提取网络针对于所述骑行图像的主干网络输出图像特征；将所述中间图像特征和所述主干网络输出图像特征进行融合，得到显著融合图像特征；通过将所述显著融合图像特征输入所述识别网络，对所述待检测目标进行骑行安全检测，得到骑行安全检测结果，通过将中间图像特征和主干网络输出图像特征进行融合，得到显著融合图像特征，通过将含有小尺度目标对应的图像特征信息的隐藏层输出与主干网络输出图像特征结合，避免了采用直接对骑行图像进行识别时，在待检测目标
骑行的过程中，由于目标尺度发生变化导致误检的情况，或者当目标特征较小时，出现漏检的情况的技术缺陷，从而提升了骑行安全检测的准确性。
附图说明
76.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。
77.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
78.图1为本技术骑行安全检测方法第一实施例的流程示意图；
79.图2为本技术实施例中骑行安全检测方法涉及的硬件运行环境的设备结构示意图。
80.本技术目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
81.为使本技术的上述目的、特征和优点能够更加明显易懂，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例，均属于本技术保护的范围。
82.实施例一
83.本技术实施例提供一种骑行安全检测方法，在本技术骑行安全检测方法的第一实施例中，参照图1，所述骑行安全检测方法包括：
84.步骤s10，获取待检测目标对应的骑行图像以及头盔检测模型，其中，所述头盔检测模型包括主干特征提取网络和识别网络；
85.在本实施例中，需要说明的是，所述骑行图像为待检测目标驾驶非机动车的图像。
86.示例性地，步骤s10包括：采集待检测目标驾驶非机动车的图像，得到待检测目标对应的骑行图像，并获取用于检测所述待检测目标头盔佩戴行为的头盔检测模型。
87.步骤s20，通过抽取所述主干特征提取网络针对于所述骑行图像的隐藏层输出，生成对应的中间图像特征；
88.步骤s30，获取所述主干特征提取网络针对于所述骑行图像的主干网络输出图像特征；
89.步骤s40，将所述中间图像特征和所述主干网络输出图像特征进行融合，得到显著融合图像特征；
90.在本实施例中，需要说明的是，所述隐藏层为所述头盔检测模型中处输出层和输入层以外的其他各层。通过特征提取网络对隐藏层进行特征提取时，由于隐藏层的层次多，进行层层提取去除不重要特征，容易出现特征丢失的情况，而头盔常的目标尺度较小，在进行特征提取时，常被识别为不重要特征，极易在对隐藏层进行特征提取时丢失，从而导致头盔识别的准确性低，进而导致骑行安全检测的准确性低。
91.示例性地，步骤s20至步骤s40包括：通过将所述骑行图像输入至所述头盔检测模型，得到所述头盔检测模型中的主干特征提取网络对于所述骑行图像的隐藏层输出以及主干网络输出图像特征，生成所述隐藏层输出对应的中间图像特征；将所述中间图像特征和所述主干网络输出图像特征转换为同尺寸大小进行融合，得到显著融合图像特征，通过提取隐藏层输出获取容易被识别为不重要特征的中间图像特征，将中间图像特征和主干网络输出图像特征融合，对头盔检测模型的注意力模块进行优化，避免了直接通过头盔检测模型对骑行图像进行检测时，由于骑行图像中的头盔的目标特征像素少，导致头盔特征信息丢失的技术缺陷，从而提高了头盔检测模型检测骑行图像的准确性。
92.其中，在步骤s20中，所述通过抽取所述主干特征提取网络针对于所述骑行图像的隐藏层输出，生成对应的中间图像特征的步骤包括：
93.步骤s21，对所述隐藏层输出进行编码，得到编码结果；
94.步骤s22，将所述编码结果进行解码，得到解码结果；
95.步骤s23，将所述解码结果映射至预设特征维度，得到所述中间图像特征。
96.在本实施例中，需要说明的是，所述预设特征维度为隐藏层输出对应的特征维度。
97.示例性地，步骤s21至步骤s23包括：将所述隐藏层输出输入编码器中，通过所述编码器中预设第一数量的卷积核和池化层对所述隐藏层输出进行特征重构得到编码结果；将所述编码结果输入解码器中，通过所述解码器中预设第二数量的卷积核和池化层对所述编码结果进行特征重构得到解码结果；将所述解码结果映射至所述隐藏层输出对应的特征维度，得到映射结果，将所述映射结果作为所述中间图像特征。
98.其中，在步骤s40中，所述将所述中间图像特征和所述主干网络输出图像特征进行融合，得到显著融合图像特征的步骤包括：
99.步骤s41，将所述中间图像特征和所述主干网络输出图像特征进行点乘，得到点乘结果；
100.步骤s42，将所述点乘结果与所述主干网络输出图像特征进行拼接，得到所述显著融合图像特征。
101.作为一种示例，步骤s41至步骤s42包括：将所述中间图像特征和所述主干网络输出图像特征中相同位置的特征值进行点乘，得到点乘融合结果；将所述点乘结果与所述主干网络输出图像特征进行矩阵相加，得到所述显著融合图像特征，其中，得到显著融合图像特征的具体过程如下：
102.h(x)＝s(x)*f(x) f(x)
103.其中，h(x)为所述显著融合图像特征，s(x)为所述中间图像特征，f(x)为所述主干网络输出图像特征。
104.步骤s50，通过将所述显著融合图像特征输入所述识别网络，对所述待检测目标进行骑行安全检测，得到骑行安全检测结果。
105.示例性地，步骤s50包括：通过将所述显著融合图像特征输入至所述头盔检测模型，以供所述头盔检测模型中的识别网络对所述显著融合图像特征进行识别，从而对所述待检测目标进行骑行安全检测，得到骑行安全检测结果。
106.其中，在步骤s50中，所述识别网络包括目标检测网络，所述通过将所述显著融合图像特征输入所述识别网络，对所述待检测目标进行骑行安全检测，得到骑行安全检测结
果的步骤包括：
107.步骤s51，通过将所述显著融合图像特征输入所述目标检测网络，检测所述待检测目标是否佩戴头盔，得到头盔佩戴检测结果；
108.步骤s52，依据所述头盔佩戴检测结果，对所述待检测目标进行骑行安全检测，得到骑行安全检测结果。
109.示例性地，步骤s51至步骤s52包括：通过将所述显著融合图像特征输入所述目标检测网络，得到第一检测标签，依据所述第一检测标签，判断所述待检测目标是否佩戴头盔；若所述第一检测标签为待检测目标已佩戴头盔，则对所述待检测目标进行骑行安全检测，得到骑行安全检测结果；若所述第一检测标签为待检测目标未佩戴头盔，则判定所述骑行安全检测结果为不安全。
110.其中，在步骤s52中，所述识别网络包括头盔属性识别网络，所述依据所述头盔佩戴检测结果，对所述待检测目标进行骑行安全检测，得到骑行安全检测结果的步骤包括：
111.步骤a10，当所述头盔佩戴检测结果为所述待检测目标已佩戴头盔时，将所述显著融合图像特征输入所述头盔属性识别网络，检测所述待检测目标是否正确佩戴头盔；
112.步骤a20，若是，则判定所述骑行安全检测结果为安全；
113.步骤a30，若否，则判定所述骑行安全检测结果为不安全；
114.步骤a40，当所述头盔佩戴检测结果为所述待检测目标未佩戴头盔时，则判定所述骑行安全检测结果为不安全。
115.示例性地，步骤a10至步骤a40包括：当所述头盔佩戴检测结果为所述待检测目标已佩戴头盔时，将所述显著融合图像特征输入所述头盔属性识别网络，得到第二检测标签，依据所述第二检测标签，检测所述待检测目标是否正确佩戴头盔；若所述第二检测标签为所述待检测目标正确佩戴头盔，则判定所述骑行安全检测结果为安全；若所述第二检测标签为所述待检测目标不正确佩戴头盔，则判定所述骑行安全检测结果为不安全；当所述第一检测标签为所述待检测目标未佩戴头盔时，则判定所述骑行安全检测结果为不安全。
116.本技术实施例提供了一种骑行安全检测方法，相比于现有技术采用的通过深度学习网络识别骑行图像中待检测目标是否安全骑行的方法，本技术实施例通过获取待检测目标对应的骑行图像以及头盔检测模型，其中，所述头盔检测模型包括主干特征提取网络和识别网络；通过抽取所述主干特征提取网络针对于所述骑行图像的隐藏层输出，生成对应的中间图像特征；获取所述主干特征提取网络针对于所述骑行图像的主干网络输出图像特征；将所述中间图像特征和所述主干网络输出图像特征进行融合，得到显著融合图像特征；通过将所述显著融合图像特征输入所述识别网络，对所述待检测目标进行骑行安全检测，得到骑行安全检测结果，通过将中间图像特征和主干网络输出图像特征进行融合，得到显著融合图像特征，通过将含有小尺度目标对应的图像特征信息的隐藏层输出与主干网络输出图像特征结合，避免了采用直接对骑行图像进行识别时，在待检测目标骑行的过程中，由于目标尺度发生变化导致误检的情况，或者当目标特征较小时，出现漏检的情况的技术缺陷，从而提升了骑行安全检测的准确性。
117.实施例二
118.进一步地，基于本技术第一实施例，在本技术另一实施例中，与上述实施例一相同或相似的内容，可以参考上文介绍，后续不再赘述。在此基础上，其中，在步骤s50中，在所述
通过将所述显著融合图像特征输入所述识别网络，对所述待检测目标进行骑行安全检测，得到骑行安全检测结果的步骤之前，所述骑行安全检测方法还包括：
119.步骤b10，获取待训练头盔检测模型、骑行目标对应的训练样本以及所述训练样本对应的真实标签，其中，所述待训练头盔检测模型包括待训练主干特征提取网络和待训练识别网络；
120.在本实施例中，需要说明的是，所述待训练头盔检测模型为未训练好的头盔检测模型，所述真实标签为所述训练样本对应的实际标签。
121.步骤b20，依据所述训练样本以及所述待训练主干特征提取网络，确定训练显著融合图像特征；
122.其中，在步骤b20中，所述依据所述训练样本以及所述待训练主干特征提取网络，确定训练显著融合图像特征的步骤包括：
123.步骤b21，通过抽取所述待训练主干特征提取网络针对于所述训练样本的隐藏层输出，生成对应的训练中间图像特征；
124.步骤b22，获取所述待训练主干特征提取网络针对于所述训练样本的训练主干网络输出图像特征；
125.步骤b23，将所述训练中间图像特征和所述训练主干网络输出图像特征进行融合，得到训练显著融合图像特征。
126.示例性地，步骤b21至步骤b23的具体实现步骤可参照上述步骤s20至步骤s40中的具体实现过程，在此不在赘述。
127.步骤b30，通过将所述训练显著融合特征输入所述待训练识别网络，对所述骑行目标进行头盔佩戴检测，得到训练头盔佩戴检测结果；
128.示例性地，步骤b30包括：通过将所述训练显著融合特征输入至所述待训练识别网络，以供所述待训练识对所述训练显著融合特征进行识别，从而对所述骑行目标进行头盔佩戴检测，得到训练头盔佩戴检测结果。
129.步骤b40，依据所述训练头盔佩戴检测结果对应的输出标签与所述真实标签，构建所述待训练头盔检测模型的模型损失；
130.步骤b50，依据模型损失，对所述待训练头盔检测模型进行迭代优化，得到头盔检测模型。
131.示例性地，步骤b40至步骤b50包括：依据所述训练头盔佩戴检测结果对应的输出标签与所述真实标签之间的差异度，计算所述待训练头盔检测模型对应的模型损失，进而判断所述模型损失是否收敛，若所述模型损失收敛，则将所述待训练头盔检测模型作为所述头盔检测模型，若所述模型损失未收敛，则基于所述模型损失计算的梯度，通过预设模型更新方法更新所述待训练退役状态预测模型，并返回执行步骤：获取骑行目标对应的训练样本以及所述训练样本对应的真实标签，其中，所述预设模型更新方法包括梯度下降法和梯度上升法等。
132.其中，在步骤b40中，所述依据所述训练头盔佩戴检测结果对应的输出标签与所述真实标签，构建所述待训练头盔检测模型的模型损失的步骤包括：
133.步骤b41，获取所述训练样本中正样本和负样本占比对应的类别平衡系数；
134.在本实施例中，需要说明的是，所述正样本为属于特定类别的样本，所述负样本为
属于特定类别以外的样本，所述正样本可以为训练样本对应的待检测目标骑行安全的样本，所述负样本可以为训练样本对应的待检测目标骑行不安全的样本。
135.示例性地，步骤b41包括：获取所述训练样本中正样本和负样本，依据所述正样本之间的第一相关性和所述负样本之间的第二相关性，获取所述正样本和所述负样本对应的有效样本数量；获取所述有效样本数量对应的类别平衡系数，通过有效样本数量调整类别平衡系数，以调整损失函数的占比，从而解决训练样本不平衡的长尾分布问题，其中，所述获取所述有效样本数量对应的类别平衡系数的具体过程如下：
[0136][0137]
其中，α
t
为所述类别平衡系数，β为权重因子，ni为样本类别为i时的有效样本数量，通过所述类别平衡系数。
[0138]
步骤b42，依据所述类别平衡系数，所述训练头盔佩戴检测结果和所述真实标签对应的真实头盔佩戴检测结果，计算所述待训练头盔检测模型的模型损失。
[0139]
示例性地，步骤b42包括：依据所述类别平衡系数、所述输出标签和所述真实标签，通过所述待训练头盔检测模型对应的损失函数计算所述待训练头盔检测模型的模型损失，其中，所述损失函数如下所述：
[0140]
fl(p
t
)＝-α
t
(1-p
t
)
γ
log(p
t
)
[0141]
其中，fl(p
t
)为所述损失函数，α
t
为所述类别平衡系数，p
t
为样本预测概率，γ为调制系数。
[0142]
本技术实施例提供了一种构建头盔检测模型的方法，也即，获取待训练头盔检测模型、骑行目标对应的训练样本以及所述训练样本对应的真实标签，其中，所述待训练头盔检测模型包括待训练主干特征提取网络和待训练识别网络；通过抽取所述待训练主干特征提取网络针对于所述训练样本的隐藏层输出，生成对应的训练中间图像特征；获取所述待训练主干特征提取网络针对于所述训练样本的训练主干网络输出图像特征；将所述训练中间图像特征和所述训练主干网络输出图像特征进行融合，得到训练显著融合图像特征；通过将所述训练显著融合特征输入所述待训练识别网络，对所述骑行目标进行头盔佩戴检测，得到训练头盔佩戴检测结果；依据所述训练头盔佩戴检测结果对应的输出标签与所述真实标签，构建所述待训练头盔检测模型的模型损失；依据模型损失，对所述待训练头盔检测模型进行迭代优化，得到头盔检测模型，实现了根据训练样本的输出标签和真实标签之间的差异，对待训练头盔检测模型进行迭代优化，得到头盔检测模型，为避免采用直接对骑行图像进行识别时，在待检测目标骑行的过程中，由于目标尺度发生变化导致误检的情况，或者当目标特征较小时，出现漏检的情况的技术缺陷奠定了基础。
[0143]
实施例三
[0144]
本技术实施例还提供一种骑行安全检测装置，所述骑行安全检测装置应用于骑行安全检测设备，所述骑行安全检测装置包括：
[0145]
获取模块，用于获取待检测目标对应的骑行图像以及头盔检测模型，其中，所述头盔检测模型包括主干特征提取网络和识别网络；
[0146]
生成模块，用于通过抽取所述主干特征提取网络针对于所述骑行图像的隐藏层输出，生成对应的中间图像特征；
[0147]
特征模块，用于获取所述主干特征提取网络针对于所述骑行图像的主干网络输出图像特征；
[0148]
融合模块，用于将所述中间图像特征和所述主干网络输出图像特征进行融合，得到显著融合图像特征；
[0149]
检测模块，用于通过将所述显著融合图像特征输入所述识别网络，对所述待检测目标进行骑行安全检测，得到骑行安全检测结果。
[0150]
可选地，所述通过抽取所述主干特征提取网络针对于所述骑行图像的隐藏层输出，生成对应的中间图像特征的步骤中，所述生成模块还用于：
[0151]
对所述隐藏层输出进行编码，得到编码结果；
[0152]
将所述编码结果进行解码，得到解码结果；
[0153]
将所述解码结果映射至预设特征维度，得到所述中间图像特征。
[0154]
可选地，所述将所述中间图像特征和所述主干网络输出图像特征进行融合，得到显著融合图像特征的步骤中，所述融合模块还用于：
[0155]
将所述中间图像特征和所述主干网络输出图像特征进行点乘，得到点乘结果；
[0156]
将所述点乘结果与所述主干网络输出图像特征进行拼接，得到所述显著融合图像特征。
[0157]
可选地，所述识别网络包括目标检测网络，所述通过将所述显著融合图像特征输入所述识别网络，对所述待检测目标进行骑行安全检测，得到骑行安全检测结果的步骤中，所述检测模块还用于：
[0158]
通过将所述显著融合图像特征输入所述目标检测网络，检测所述待检测目标是否佩戴头盔，得到头盔佩戴检测结果；
[0159]
依据所述头盔佩戴检测结果，对所述待检测目标进行骑行安全检测，得到骑行安全检测结果。
[0160]
可选地，所述识别网络包括头盔属性识别网络，所述依据所述头盔佩戴检测结果，对所述待检测目标进行骑行安全检测，得到骑行安全检测结果的步骤中，所述检测模块还用于：
[0161]
当所述头盔佩戴检测结果为所述待检测目标已佩戴头盔时，将所述显著融合图像特征输入所述头盔属性识别网络，检测所述待检测目标是否正确佩戴头盔；
[0162]
若是，则判定所述骑行安全检测结果为安全；
[0163]
若否，则判定所述骑行安全检测结果为不安全；
[0164]
当所述头盔佩戴检测结果为所述待检测目标未佩戴头盔时，则判定所述骑行安全检测结果为不安全。
[0165]
可选地，在所述通过将所述显著融合图像特征输入所述识别网络，对所述待检测目标进行骑行安全检测，得到骑行安全检测结果的步骤之前，所述检测模块还用于：
[0166]
获取待训练头盔检测模型、骑行目标对应的训练样本以及所述训练样本对应的真实标签，其中，所述待训练头盔检测模型包括待训练主干特征提取网络和待训练识别网络；
[0167]
依据所述训练样本以及所述待训练主干特征提取网络，确定训练显著融合图像特征；
[0168]
通过将所述训练显著融合特征输入所述待训练识别网络，对所述骑行目标进行头
盔佩戴检测，得到训练头盔佩戴检测结果；
[0169]
依据所述训练头盔佩戴检测结果对应的输出标签与所述真实标签，构建所述待训练头盔检测模型的模型损失；
[0170]
依据模型损失，对所述待训练头盔检测模型进行迭代优化，得到头盔检测模型。
[0171]
可选地，所述依据所述训练样本以及所述待训练主干特征提取网络，确定训练显著融合图像特征的步骤，所述检测模块还用于：
[0172]
通过抽取所述待训练主干特征提取网络针对于所述训练样本的隐藏层输出，生成对应的训练中间图像特征；
[0173]
获取所述待训练主干特征提取网络针对于所述训练样本的训练主干网络输出图像特征；
[0174]
将所述训练中间图像特征和所述训练主干网络输出图像特征进行融合，得到训练显著融合图像特征。
[0175]
可选地，所述依据所述训练头盔佩戴检测结果对应的输出标签与所述真实标签，构建所述待训练头盔检测模型的模型损失的步骤中，所述检测模块还用于：
[0176]
获取所述训练样本中正样本和负样本占比对应的类别平衡系数；
[0177]
依据所述类别平衡系数、所述输出标签和所述真实标签，计算所述待训练头盔检测模型的模型损失。
[0178]
本技术提供的骑行安全检测装置，采用上述实施例中的骑行安全检测方法，解决了骑行安全检测准确性低的技术问题。与现有技术相比，本技术实施例提供的骑行安全检测装置的有益效果与上述实施例提供的骑行安全检测方法的有益效果相同，且该骑行安全检测装置中的其他技术特征与上述实施例方法公开的特征相同，在此不做赘述。
[0179]
实施例四
[0180]
本技术实施例提供一种电子设备，所述电子设备包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述实施例中的骑行安全检测方法。
[0181]
下面参考图2，其示出了适于用来实现本公开实施例的电子设备的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图2示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
[0182]
如图2所示，电子设备可以包括处理装置(例如中央处理器、图形处理器等)，其可以根据存储在只读存储器(rom)中的程序或者从存储装置加载到随机访问存储器(ram)中的程序而执行各种适当的动作和处理。在ram中，还存储有电子设备操作所需的各种程序和数据。处理装置、rom以及ram通过总线彼此相连。输入/输出(i/o)接口也连接至总线。
[0183]
通常，以下系统可以连接至i/o接口：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置；包括例如磁带、硬盘等的存储装置；以及通信装置。通信装置可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种系统的电子设
备，但是应理解的是，并不要求实施或具备所有示出的系统。可以替代地实施或具备更多或更少的系统。
[0184]
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置从网络上被下载和安装，或者从存储装置被安装，或者从rom被安装。在该计算机程序被处理装置执行时，执行本公开实施例的方法中限定的上述功能。
[0185]
本技术提供的电子设备，采用上述实施例中的骑行安全检测方法，解决了骑行安全检测准确性低的技术问题。与现有技术相比，本技术实施例提供的电子设备的有益效果与上述实施例提供的骑行安全检测方法的有益效果相同，且该电子设备中的其他技术特征与上述实施例方法公开的特征相同，在此不做赘述。
[0186]
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式的描述中，具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0187]
以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以所述权利要求的保护范围为准。
[0188]
实施例五
[0189]
本实施例提供一种计算机可读存储介质，具有存储在其上的计算机可读程序指令，计算机可读程序指令用于执行上述实施例中的骑行安全检测的方法。
[0190]
本技术实施例提供的计算机可读存储介质例如可以是u盘，但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
[0191]
上述计算机可读存储介质可以是电子设备中所包含的；也可以是单独存在，而未装配入电子设备中。
[0192]
上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被电子设备执行时，使得电子设备：获取待检测目标对应的骑行图像以及头盔检测模型，其中，所述头盔检测模型包括主干特征提取网络和识别网络；通过抽取所述主干特征提取网络针对于所述骑行图像的隐藏层输出，生成对应的中间图像特征；获取所述主干特征提取网络针对于所述骑行图像的主干网络输出图像特征；将所述中间图像特征和所述主干网络输出图像特征进行融合，得到显著融合图像特征；通过将所述显著融合图像特征输入所述识别网络，对所述待检测目标进行骑行安全检测，得到骑行安全检测结果。
[0193]
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c ，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0194]
附图中的流程图和框图，图示了按照本技术各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0195]
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该单元本身的限定。
[0196]
本技术提供的计算机可读存储介质，存储有用于执行上述骑行安全检测方法的计算机可读程序指令，解决了骑行安全检测准确性低的技术问题。与现有技术相比，本技术实施例提供的计算机可读存储介质的有益效果与上述实施提供的骑行安全检测方法的有益效果相同，在此不做赘述。
[0197]
实施例六
[0198]
本技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的骑行安全检测方法的步骤。
[0199]
本技术提供的计算机程序产品解决了骑行安全检测准确性低的技术问题。与现有技术相比，本技术实施例提供的计算机程序产品的有益效果与上述实施例提供的骑行安全检测方法的有益效果相同，在此不做赘述。
[0200]
以上仅为本技术的优选实施例，并非因此限制本技术的专利范围，凡是利用本技术说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本技术的专利处理范围内。