基于改進版的Faster RCNN的安全帽檢測及身份信息識別

王璽 武曲 郭坤

摘 要：隨著現(xiàn)代科學(xué)信息技術(shù)的不斷發(fā)展，計算機圖像視覺、人工智能等科學(xué)技術(shù)也在發(fā)展迅速。針對當?shù)毓と瞬慌宕鞴さ仡^盔和越界違法作業(yè)的一些行為，本文提出了一種基于改進方法的faster rcnn的不戴頭盔工人佩戴目標檢測與工人身份識別方法，通過工地攝像頭對工地圖像和移動視頻聲音目標進行檢測。最后研究結(jié)果表明，該檢測方法能夠較好地有效實現(xiàn)不戴頭盔工人佩戴的工地圖像和聲音視頻目標檢測。

關(guān)鍵詞：特征融合;安全帽檢測;多尺度檢測;Faster RCNN

當前計算機圖像視覺技術(shù)是研究人工智能的一個熱門技術(shù)發(fā)展研究方向，圖像識別等新技術(shù)正逐步融入各行各業(yè)，包括國際金融、醫(yī)療、教育、家居等行業(yè)。在各個行業(yè)都已經(jīng)可以隨時看到，比如三維頭盔人體運動姿態(tài)監(jiān)測重建、跌倒狀態(tài)監(jiān)測，以及汽車駕駛員疲勞運動監(jiān)測、行為自動識別等諸多功能。基于以上幾個原因，本文提出了一種基于最新改進技術(shù)faster rcnn的智能頭盔疲勞檢測行為識別智能算法。采集戴頭盔和不戴頭盔的建筑工人圖像，構(gòu)建模型訓(xùn)練和測試數(shù)據(jù)集，評估算法的測試速度和準確率。該圖像檢測后的技術(shù)結(jié)果，可有效地地替代目前現(xiàn)有對于傳統(tǒng)施工項目企業(yè)人工成本高的監(jiān)管，既大大限度節(jié)省了其項目人工成本，又提高了其在實際施工現(xiàn)場的的可操作性和安全性，也將更利于產(chǎn)業(yè)建設(shè)開發(fā)，實現(xiàn)項目產(chǎn)業(yè)建設(shè)的“智慧工地”目標。

1 相關(guān)技術(shù)簡介

1.1 ?Faster RCNN簡介

在原有Faster RCNN的基礎(chǔ)上，增加了一個用于提取節(jié)點邊緣的三叉神經(jīng)網(wǎng)絡(luò)，稱為Region Proposal Network（RPN）。首先通過利用volume層的積累積分層和pooling積累層，直接提取到一整幅特征圖像的基本位置信息，并形成一個特征向量圖。然后通過利用區(qū)域管理建議神經(jīng)網(wǎng)絡(luò)（rpn），提取多個用戶感興趣目標區(qū)域的位置密度信息和非位置信度特征值等，對比這個區(qū)域內(nèi)是否存在有候選目標。ROI pooing 層將多個特征向量映射到相同圖像大小的層，而后通過利用窗口重疊，可以得到每個區(qū)域?qū)ο蠡貧w后在校正窗口后的最高值得分。因此，F(xiàn)ast RCNN不再通過復(fù)雜耗時的各種選擇性區(qū)域搜索RCNN 和 Fast RCNN管理建議，使得檢測速度大大提高?；诤蜻x目標區(qū)域的RCNN、Faster RCNN系列全球目標區(qū)域檢測分析方法技術(shù)，是當前檢測方法最重要的一個分支。

1.2 ?Faster RCNN的改進

為了實現(xiàn)RPN五種網(wǎng)絡(luò)中，讓每個預(yù)測階段在目標時間中獲得更多的尺度信息，本文通過融合了VGG16五個不同網(wǎng)絡(luò)預(yù)測階段的尺度特征檢測圖，將多尺寸尺度特征檢測圖直接輸入，實現(xiàn)了多種尺度的特征檢測。

具體操作方法細節(jié)：首先，找出具有相同的卷積維度目標，對原圖特征和原圖分層進行一次反卷積。然后在網(wǎng)絡(luò)設(shè)計階段的兩個特征原圖進行融合，具體操作方法是為圖添加一個相應(yīng)的卷積像素，從而直接生成新的兩個特征圖分層。然后分別對RPN網(wǎng)絡(luò)進行預(yù)測達到多尺度檢測的目的。該方法在提取頭盔特征時充分利用了所有特征層的信息，對提高頭盔檢測效果將大有裨益。

2 實驗分析

2.1 數(shù)據(jù)集

關(guān)于頭盔佩戴檢測的研究，目前還沒有公開的數(shù)據(jù)集。本文通過與某知名化工企業(yè)的多次接觸，獲得了一組真實的項目施工現(xiàn)場監(jiān)控視頻。目前已完成制作實際中的施工過程場景網(wǎng)絡(luò)監(jiān)控視頻畫面和施工網(wǎng)絡(luò)監(jiān)控畫面及其組成的視頻畫面總計1800幅。視頻格式主要是aavoc2007的視頻數(shù)據(jù)集，記錄為“工廠”。下文將測試該分析方法，并驗證該方法的正確有效性。圖片數(shù)據(jù)集中的標簽圖片圖像標簽可以分為5類：目標人物戴著深紅色的鏡頭盔（紅色）、黃色頭盔（黃色）、白色頭盔（白色）、藍色頭盔（藍色）和不戴頭盔（無）。

2.2 實驗結(jié)果及分析

本文使用平均精度（AP）和平均平均精度（mAP）來自于評估所有已提出檢測方法的基本檢測計算結(jié)果。precision的基本計算公式描述如下：

使用一個工廠錨點數(shù)據(jù)集群來訓(xùn)練原始數(shù)據(jù)faster rcnn錨點網(wǎng)絡(luò)，YIJI 數(shù)據(jù)結(jié)合錨點特征網(wǎng)絡(luò)融合、多面體尺度特征檢測方法。fasterr cnn在實際應(yīng)用場景中可以使用120張鋼廠監(jiān)控頭盔圖片（其中包括826名戴著不同品種顏色監(jiān)控頭盔的鋼廠工人）。本文測試了兩個虛擬模型，兩種模擬算法的實驗效果如下圖表所示。

表1顯示了經(jīng)改進后的算法faster rcnn的綜合測試結(jié)果，準確率同比提高了16.8%。采用改進后的幀的檢測數(shù)據(jù)結(jié)果好，置信度高，目標幀定位準確。實驗結(jié)果證明，最終還是改進后的faster rcnn框架可以有效應(yīng)用于實踐，準確率高。

3結(jié)束語

針對頭盔工人佩戴頭盔上的佩戴錨點檢測，本文提出了一種需要改進的方法faster rcnn，具有特征錨點融合、多種大尺度錨點檢測。經(jīng)過本次模擬實驗和針對深度機器學(xué)習(xí)的深入研究，該檢測方法確實可以達到提高建筑工地人員佩戴檢測圖像和圖象視頻遠程檢測時的效果。

參考文獻：

[1]黃愉文，潘迪夫，基于并行雙路卷積神經(jīng)網(wǎng)絡(luò)的安全帽識別[J].企業(yè)技術(shù)開發(fā)，2018，37（03）：24-27+47.

[2]吳冬梅，王慧，李佳.基于改進Faster RCNN的安全帽檢測及身份識別[J].信息技術(shù)與信息化，2020，（01）：17-20.

[3]張圣昌.基于深度學(xué)習(xí)的異常檢測模型研究[D].河北大學(xué)，2019.

[4]徐晨玉.基于YOLOv3的危險物品檢測模型研究與改進[D].蘭州大學(xué)，2019.

[5]樊鈺.基于深度學(xué)習(xí)的安全帽檢測系統(tǒng)設(shè)計與實現(xiàn)[D].內(nèi)蒙古大學(xué)，2019.