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
26、段高清视频袁每段视频约 1525 min袁每个视频的采样间隔渊区间冤长度为 10 s袁整理获得 6 820 幅图像袁每幅图像平均有 3.8 辆电动自行车遥 其中袁路段占比45.8%袁交叉口占比 54.2%曰45毅视角占比 55.3%袁90毅视角占比 44.7%曰10:00要15:00 时间段占比 58.6%袁17:00要19:00 时间段占比 41.4%曰晴天占比 60.5%袁多云占比 39.5%遥标注后总样本 12 564 个袁其中正样本渊佩戴安全头盔的矩形框冤5 408 个袁负样本渊未佩戴安全头盔的矩形框冤7 156 个遥将数据集随机分为训练集渊正样本 3 785 个尧 负样本 5 009
27、 个冤尧 验证集渊正样本540 个袁负样本 715 个冤和测试集渊正样本1 083 个尧负样本 1 432 个冤3 个不相交的子集袁占比为 7颐1颐2遥2.2实验设置在训练集上袁使用两块 10 GB 英伟达GeForce图 4实验拍摄点分布渊路段与交叉口冤Fig.4Distribution of experiment sites渊sections and intersections冤汤天培袁 等院电动自行车骑乘人员安全头盔佩戴行为检测15窑窑南通大学学报渊自然科学版冤圆园23 年GTX 2080Ti GPU 显卡训练网络遥 主干网使用 Effi鄄cientNet-b0 预训练权重参数袁以加速训
28、练过程的收敛遥开始训练时袁基于每次训练的训练损失渊trainingloss冤动态调整学习率渊learning rate冤遥 例如袁当经过Patience=3 次连续训练而训练损失不再变化时袁设置会自动降低学习率遥 锚框横纵比渊ratio of anchor冤值设为1/2袁1袁2袁scale 值设为0.1袁0.25袁21/3袁epoch值设为 150袁即整个训练数据集被反复使用 150 次遥2.3实验结果对比采用主流的两个评价指标 AP渊average preci鄄sion冤和 mAP渊mean average precision冤评估检测模型的检测精确度遥AP 为平均精确度袁mAP 为平均 A
29、P值袁如式渊3冤和渊4冤所示25遥 采用每秒显示帧数 FPS渊frame per second冤表示模型每秒能检测图片的数量袁一般用于评估检测模型的计算效率袁FPS 数值越大袁说明模型检测速度越快遥AP=10乙p渊r冤dr袁渊3冤其中院p渊Positive冤表示精确度袁p=TP/渊TP+FP冤曰r渊Recall冤表示召回率袁r=TP/渊TP+FN冤遥 TP渊truepositive冤表示将正类预测为正类的样本数量渊真正例冤曰FP渊false positive冤表示将负类预测为正类的样本数量渊假正例冤袁亦称为误报率曰FN渊false negative冤表示将正类预测为负类的样本数量渊假负例冤袁亦
30、称为漏报率遥mAP=移q=1QAP渊q冤/Q袁渊4冤其中院q 为类别曰Q 为类别总量遥 若只有一个类别袁那么 mAP就等价于 AP遥通过消融实验袁比较 EfficientDet-d0尧Efficient鄄Det-Optimize 和 PLS-Det 模型的检测效果袁具体结果见表 1遥 由表 1 可知袁相较于 EfficientDet-d0 模型袁改进后的 EfficientDet-Optimize 模型 mAP 提高了 30.3%袁检测精确度显著提高曰由于该数据集中两类多为小目标袁而且存在不少互相遮挡的现象袁底层特征层的引入将显著丰富小目标及被轻微遮挡目标的特征遥本文改进的 PLS-Det 模
31、型检测精确度可达到 95.8%袁比 EfficientDet-Optimize 模型提高了4.2%遥实验结果表明袁本研究提出的 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可以显著提高初始 Effi鄄cientDet 模型的检测精确度遥为检验检测模型对不同场景的适应性袁分别对不同视角尧时间段和天气进行分类检验袁不同场景下检测效果对比见表 2遥由表 2 可知袁在不同场景下PLS-Det 检测模型的检测精确度均高于其他两个检测模型袁且计算效率较稳定遥 PLS-Det 检测模型在45毅视角尧弱光照渊17:00要19:00 时间段尧阴天冤场景下的检查精确
32、度虽然有一定程度的降低袁但依然维持在较高水平袁表明 PLS-Det 检测模型能适应不同场景下的检查效果要求遥为进一步验证检测模型的实际效果袁将 Effi鄄cientDet-d0尧EfficientDet-Optimize 和 PLS-Det 模型的检测结果袁与人工检测的单位时间渊每 5 s 为 1个间隔冤安全头盔佩戴率进行对比遥 以南通市城山路和洪江路两个路段为例渊如图 5 所示冤袁相较于人工检测结果袁EfficientDet-d0尧EfficientDet-Opti鄄mize 和PLS-Det 模型检测结果的平均误差率分别为27.5%尧13.3%和 8.2%遥 如图 6 所示袁实际场景检测表
33、 2不同场景下检测效果对比Tab.2Comparison of detection results in different scenarios表 1消融实验检测效果对比Tab.1Comparison of detection results检测模型AP/%mAP/%FPS参数个数/M Params佩戴头盔未佩戴头盔EfficientDet-d064.375.269.752315.9EfficientDet-Optimize89.991.990.902115.9PLS-Det93.795.894.752016.2检测模型45毅视角90毅视角10:00要15:0017:00要19:00晴天多云m
34、AP/%FPSmAP/%FPSmAP/%FPSmAP/%FPSmAP/%FPSmAP/%FPSEfficientDet-d068.582370.252371.362467.082370.962367.3322EfficientDet-Optimize90.122191.052292.282289.112191.952289.5121PLS-Det94.071995.742096.612193.692096.042193.802016窑窑结果中袁红色框代表未佩戴头盔袁绿色框代表佩戴头盔袁黄色框代表电动自行车袁蓝色框代表骑乘人员遥由图 6 可以看出袁PLS-Det 模型能准确检测小目标或被遮挡骑乘
35、人员的安全头盔佩戴情况遥 综上袁PLS-Det 模型可用于检测电动自行车骑乘人员安全头盔佩戴行为袁且精确度尧可靠性高遥3结论针对现阶段国内电动自行车骑乘人员安全头盔佩戴率普遍较低及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安全头盔佩戴水平的问题袁构建了一种新的用于电动自行车骑乘人员安全头盔检测的 PLS-Det 模型遥 该检测模型可用于复杂场景下电动自行车骑乘人员安全头盔佩戴行为的检测袁为今后针对安全头盔佩戴行为的执法袁提供一个高效率尧高精度尧智能化的解决方案袁从而提高执法力度和广度袁全面提升我国电动自行车骑乘人员的安全头盔佩戴水平袁降低因未佩戴安全头盔导致的严重伤亡事故遥 同时袁研
36、究成果可以为国内电动自行车骑乘人员安全头盔佩戴率数据库提供自动数据采集方案袁为后续的电动自行车交通事故影响机理分析和伤亡事故预防提供基础数据资料遥 下一步研究工作袁将补充采集夜间弱光照条件下的电动自行车交通流视频数据袁 训练改进模型袁以进一步提升该检测模型在弱光照条件下的检测性能和适应性遥参考文献院 1 GIRSHICK R袁 DONAHUE J袁 DARRELL T袁 et al.Re鄄gion-based convolutional networks for accurate object de鄄tection and segmentationJ.IEEE Transactions on
37、PatternAnalysis and Machine Intelligence袁 2016袁 38渊1冤院142-158.2 GIRSHICK R.Fast R-CNNC/Proceedings of the 2015IEEE International Conference on Computer Vision 渊IC鄄CV冤袁 December 7-13袁 2015袁 Santiago袁 Chile.New York院IEEE Xplore袁 2016院1440-1448.3 REN S Q袁 HE K M袁 GIRSHICK R袁 et al.Faster R-CNN院towards
38、real-time object detection with region proposal net鄄worksJ.IEEE Transactions on Pattern Analysis and Ma鄄chine Intelligence袁 2017袁 39渊6冤院1137-1149.4 REDMON J袁 DIVVALA S袁 GIRSHICK R袁 et al.You onlylook once院unified袁 real-time object detectionC/Proceed鄄ings of the 2016 IEEE Conference on Computer Visio
39、n andPattern Recognition 渊CVPR冤袁 June 27-30袁 2016袁 Las Ve鄄gas袁 NV袁 USA.New York院IEEE Xplore袁 2016院779-788.5 王思雨.基于 YOLO 的交通目标检测方法D.北京院华北电力大学袁 2019.WANG S Y.Traffic target detection method based onYOLOD.Beijing院North China Electric Power University袁2019.渊in Chinese冤 6 邵叶秦袁 周昆阳袁 郑泽斌袁 等.基于改进的轻量级YOLOv3
40、的交通信号灯检测与识别J.南通大学学报渊自然科学版冤袁 2021袁 20渊3冤院34-40.渊b冤洪江路路段图 5安全头盔佩戴率检测结果对比Fig.5Comparison of safety helmet wearing ratedetection results渊a冤小目标情况渊b冤骑乘人员被遮挡情况图 6实际场景检测结果Fig.6Detection results of traffic scenario人工检测法EfficientDet-d0EfficientDet-OptimizePLS-Det1008060402001357911131517检测时间点渊a冤城山路路段135791113
41、1517检测时间点100806040200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17窑窑南通大学学报渊自然科学版冤圆园23 年SHAO Y Q袁 ZHOU K Y袁 ZHENG Z B袁 et al.Traffic lightdetection and recognition based on improved lightweightYOLOv3J.Journal of Nantong University 渊Natural Sci鄄ence Edition冤袁 2021袁 20渊3冤院34-40.渊in Chinese冤 7 REDMON J袁 FARHADI A.YOLO90
42、00院better袁 faster袁strongerC/Proceedings of the 2017 IEEE Conference onComputer Vision and Pattern Recognition 渊CVPR冤袁 July 21-26袁 2017袁 Honolulu袁 HI袁 USA.New York院IEEE Xplore袁2017院6517-6525.8 REDMON J袁 FARHADI A.YOLOv3院an incremental im鄄provementEB/OL.渊2018-04-08冤2021-03-13.https院/arxiv.org/abs/1804
43、.02767.9 LIU W袁 ANGUELOV D袁 ERHAN D袁 et al.SSD院singleshot MultiBox detectorC/Proceedings of the 14th Euro鄄pean Conference on Computer Vision 渊ECCV冤袁 October 11-14袁 2016袁 Amsterdam袁 The Netherlands.Berlin院Springer袁2016院21-37.10 谢娟英袁 鲁银圆袁 孔维轩袁 等.基于改进 RetinaNet 的自然环境中蝴蝶种类识别J.计算机研究与发展袁 2021袁58渊8冤院1686-1
44、704.XIE J Y袁 LU Y Y袁 KONG W X袁 et al.Butterfly speciesidentification from natural environment based on improvedRetinaNetJ.Journal of Computer Research and Develop鄄ment袁 2021袁 58渊8冤院1686-1704.渊in Chinese冤11 DALAL N袁 TRIGGS B.Histograms of oriented gradientsfor human detectionC/Proceedings of the 2005
45、 IEEEComputer Society Conference on Computer Vision andPatternRecognition渊CVPR冤袁June20-25袁2005袁SanDiego袁CA袁 USA.New York院IEEE Xplore袁 2005院886-893.12 赵才荣袁 齐鼎袁 窦曙光袁 等.智能视频监控关键技术院行人再识别研究综述J.中国科学院信息科学袁 2021袁 51渊12冤院1979-2015.ZHAO C R袁 QI D袁 DOU S G袁 et al.Key technology forintelligent video surveillanc
46、e院a review of person re-identi鄄ficationJ.Scientia Sinica 渊Informationis冤袁 2021袁 51渊12冤院1979-2015.渊in Chinese冤13 杨永胜袁 邓淼磊袁 李磊袁 等.基于深度学习的行人重识别综述J.计算机工程与应用袁 2022袁 58渊9冤院51-66.YANG Y S袁 DENG M L袁 LI L袁 et al.Overview of pedes鄄trian re-identification based on deep learningJ.ComputerEngineering and Applic
47、ations袁 2022袁 58渊9冤院51-66.渊inChinese冤14 王梦缘.基于深度学习的行人及非机动车违规检测系统D.大连院大连理工大学袁 2021.WANG M Y.Pedestrian and non-motor vehicle violationdetection system based on deep learningD.Dalian院DalianUniversity of Technology袁 2021.渊in Chinese冤15 方建成.智能交通系统中交通流量控制及小目标检测识别D.成都院电子科技大学袁 2021.FANG J C.Traffic flow co
48、ntrol and small target detectionandrecognitioninintelligent transportation systemD.Cheng-du院University of Electronic Science and Technology ofChina袁 2021.渊in Chinese冤16 胡恬袁 王新刚.基于小波变换和神经网络的安全帽识别系统分析与设计J.软件导刊袁 2006袁 5渊23冤院37-39.HU T袁 WANG X G.Analysis and design of helmet recog鄄nition system based on
49、 wavelet transform and neural net鄄workJ.Software Guide袁 2006袁 5渊23冤院37-39.渊in Chinese冤17 FANG Q袁 LI H袁 LUO X C袁 et al.Detecting non-hardhat-use by a deep learning method from far-field surveillancevideosJ.Automation in Construction袁 2018袁 85院1-9.18 杨莉琼袁 蔡利强袁 古松.基于机器学习方法的安全帽佩戴行为检测J.中国安全生产科学技术袁 2019袁
50、15渊10冤院152-157.YANG L Q袁 CAI L Q袁 GU S.Detection on wearing behav鄄ior of safety helmet based on machine learning methodJ.Journal of Safety Science and Technology袁 2019袁 15渊10冤院152-157.渊in Chinese冤19 张明媛袁 曹志颖袁 赵雪峰袁 等.基于深度学习的建筑工人安全帽佩戴识别研究J.安全与环境学报袁 2019袁 19渊2冤院535-541.ZHANG M Y袁 CAO Z Y袁 ZHAO X F袁 et
