交通視頻頭盔檢測系統設計

摘 要：非機動車駕乘人員正確佩戴頭盔可以減輕交通意外中的人身傷害，為了檢測非機動車駕乘人員頭盔狀態，基于YOLOv5設計了一款非機動車駕乘人員頭盔檢測系統。首先通過網絡爬蟲下載交通監控圖像建立數據集，標注圖像中的非機動車駕乘人員頭盔佩戴狀態，分為正確佩戴和未佩戴兩種；接著將數據集劃分為訓練集、驗證集和測試集；設置算法的超參數，訓練頭盔檢測模型，開發非機動車駕乘人員頭盔檢測系統。系統分為用戶管理、圖像采集、頭盔檢測、結果分析與顯示4個模塊，分別實現用戶身份驗證，交通視頻圖像獲取，利用訓練好的模型檢測頭盔狀態，顯示頭盔檢測結果等功能。實驗表明，該系統能有效檢測非機動車駕乘人員的頭盔狀態，為道路交通安全提供支持。

關鍵詞：深度學習；YOLOv5算法；目標檢測；模型訓練；圖像處理；系統測試

中圖分類號：TP317.4 文獻標識碼：A 文章編號：2095-1302（2025）06-00-05

DOI：10.16667/j.issn.2095-1302.2025.06.005

0 引 言

現代社會的快速發展使得居民的汽車保有量急劇增加，導致城市出現經常性擁堵，致使人們的短距離出行效率低下。因此，電動車以其環保、經濟、高效、安靜、便捷等優勢成為人們出行的首選。當前，我國居民電動車擁有量已超過3億輛，因電動車騎行不規范引發的安全事故也越來越多，根據交通管理局的統計，在由騎行電動車不規范引發的安全事故中[1]，因未佩戴頭盔造成的頭部損傷在致死因素中占比大約為80%。因此，正確佩戴安全頭盔在預防電動車騎行事故方面顯得尤為重要。

由于正確佩戴安全頭盔成為保障道路交通安全的一項重要工作，能夠有效降低電動車騎行者發生交通事故時的致死率，許多城市推出了要求電動車騎行者必須佩戴安全頭盔的相關法律法規，并派出交警在道路監管，并對未規范佩戴安全頭盔的電動車騎行者予以處罰。然而人工監管方式耗時耗力且效率低下，監管范圍小，對預防電動車交通事故的作用有限。采用道路監控視頻和深度學習方法相結合的目標檢測方法能有效解決上述問題，不僅能夠降低人力成本，還能夠降低非機動車駕乘人員在騎行事故中的受傷程度，更好地完善交通系統。在機器學習的快速發展過程中，涌現出了很多優秀的基于深度學習的目標檢測算法，這些算法給安全頭盔的檢測工作提供了許多新的思路。因此，通過基于人工智能算法構建的非機動車駕乘人員頭盔佩戴檢測系統對道路交通安全具有重大意義，也是交通走向智能化的關鍵一步。

目前，國內外已有一些關于電動車頭盔佩戴檢測現狀的研究。國內方面，頭盔佩戴檢測的研究還處于起步階段。目前相關檢測系統主要是應用于煤礦、建筑、維修等場所，幫助管理人員監測工人是否佩戴了安全頭盔。此外，還有一些研究致力于頭盔佩戴檢測技術在不同領域的應用，如交通安全、體育賽事等。國外方面，該領域的研究已經取得了一些進展，其主要關注點在于危險工作場所人員頭盔佩戴的可視化監控。此外，還有一些針對工業安全和運動防護領域應用的研究。文獻[2]提出了一種基于顏色和紋理的頭盔佩戴檢測方法，使用HOG描述符提取頭盔區域。文獻[3]提出了一種基于深度學習的頭盔佩戴檢測方法，采用Mask R-CNN建模。

在電動車頭盔佩戴檢測方面，國內外都有不少研究和實踐，但還需要更多的創新和突破，以提高佩戴頭盔的普及率，保障電動車用戶的安全。

1 YOLOv5算法基礎

1.1 卷積神經網絡

卷積神經網絡（Convolutional Neural Network， CNN）是一種常見的深度學習神經網絡模型，主要用于圖像處理、計算機視覺任務[3-4]。它的基本結構包括卷積層、池化層、全連接層等[5]。其中最為重要的是卷積層，卷積層通過卷積操作可以從輸入圖像中提取出不同的特征。卷積層中的卷積核（filter）共享輸入參數，可以大大減少需要學習的參數數量，降低模型復雜度與過擬合的風險。通過池化操作（如最大池化、平均池化）可以降低數據的空間維度，減少計算量，同時可以提高模型對于空間變換的魯棒性。

1.2 基于深度學習的目標檢測算法

目標檢測是計算機視覺領域中一項重要的任務，它的目的是從圖像或視頻中自動識別出物體的位置和種類。通過深度學習中的卷積神經網絡來自動學習圖像特征，并結合分類網絡和回歸網絡對物體的類別和位置進行預測，能夠在無需人工干預的情況下，實現高效準確的目標檢測[6]。

1.2.1 基于候選框的檢測算法

基于候選框的檢測算法（Region Proposals-based Detection）是目標檢測算法的一種，其核心思想是先通過快速的候選框生成算法，生成可能包含目標的區域，然后對這些候選框進行分類和位置回歸。通過快速的候選區域生成，避免了對整幅圖像中所有區域的計算，從而提高了分類準確性和速度，該算法已被廣泛應用于各種計算機視覺任務中[7]。

1.2.2 基于回歸的檢測算法

基于回歸的檢測算法是一種目標檢測算法，在物體檢測領域具有廣泛應用。算法的一般流程如下：

（1）提取候選框：首先在圖像中提取候選的目標框，通常使用如滑動窗口等方式來實現。

（2）特征提取：對每個候選框提取相關特征，通常使用卷積神經網絡（CNN）等技術實現。

（3）回歸預測：使用回歸方法對每個候選框的位置、尺寸等參數進行預測和定位。回歸方法通常采用線性回歸、SVM回歸、神經網絡回歸等方法。

（4）非極大值抑制：由于同一個物體可能會被多個候選框檢測到，因此使用非極大值抑制（NMS）的方法去掉重復的框。NMS通過設定閾值，保留置信度最高的框，移除其他與其高度重疊的框[8]。

1.3 電動車頭盔佩戴檢測模型選擇

由于基于回歸的檢測算法檢測速度和檢測精度不斷提高，且突破了雙階段檢測的桎梏。因此，電動車頭盔佩戴檢測模型選擇基于回歸的檢測算法。其中，YOLO算法將物體檢測視為多標簽分類問題，有以下優點：

（1）YOLO算法速度快，可以在實時視頻流中實時檢測和跟蹤物體[9]。

（2）YOLO算法具備較高的準確率和召回率，在復雜場景中穩定性和魯棒性較高[10]。

（3）非機動車駕乘人員頭盔屬于比較小的目標，YOLO算法在處理小目標方面表現良好。

（4）YOLO算法的輕量化版本可以在移動設備上運行，適用于需要在移動設備上進行檢測的場景，比如監控攝像頭、行車記錄儀等[11]。

2 頭盔檢測算法設計

2.1 數據集

數據集是發揮深度學習算法作用的根基，其重要性不言而喻，所以用于訓練和評估模型的數據集應該是準確、平衡和標識性強的。在數據搜集過程中，本文利用腳本搜索“電動車戴頭盔”“電動車不戴頭盔”等關鍵詞下載圖片，并將其中模糊不清或不符合制作要求的圖片剔除，最終余下約1 000張圖片，部分圖片如圖1所示。

在收集到大量的原始圖片之后，需要對這些圖片進行篩選。非機動車駕乘人員頭盔數據集中需要包含佩戴頭盔和未佩戴頭盔的樣本，其中，佩戴頭盔的樣本應占多數。針對佩戴頭盔的樣本，需要確保正確佩戴頭盔的圖片被保留下來。篩選的目的在于確保數據質量和數據的多樣性。為了便于計算機識別，在非機動車駕乘人員頭盔數據集中，需要使用標注工具LabelImg將每個樣本標注為“頭盔”或“人”，并在“頭盔”樣本中標注頭盔的位置。

數據集標注完成后得到的標簽文件格式為VOC，但YOLOv5中讀取的數據集格式為txt文件，其格式為（id，x，y，w，h），其中id是標簽文件中的類別編號，x是中心點橫坐標，y是中心點縱坐標，w是物體寬度，h是物體高度。最后將數據集劃分為訓練集、測試集和驗證集。訓練集用來訓練模型，測試集用來測試模型，驗證集用來評估[12]。

2.2 實驗設置

2.2.1 超參數設置

精確度（Precision）是YOLOv5檢測的重要評價指標之一。通過計算精確度，可以了解模型對于正例的判斷準確性。其用于衡量模型在預測為正例的樣本中實際正例的數量，從而更好地評估模型性能并調整參數。準確度計算見式（1）：

除此之外，召回率（Recall）也是衡量二分類模型性能的重要指標之一。它表示模型正確識別出正例的比例，計算見式（2）：

召回率可以衡量模型對于正例的識別能力。召回率越高，表示模型檢測出的正例占總正例數量的比例越大，說明模型具有更好的正例識別能力。

平均精確度（Average Precision， AP）可以更全面地描述模型在不同置信度閾值下的表現。均值平均準確度（mean Average Precision， mAP）即每個類AP求和后取平均值，mAP的計算見式（3）：

式中：N為檢測類別的個數。

2.2.2 訓練頭盔檢測流程

圖2為YOLO算法的整體檢測流程。首先，將輸入圖像分成S×S個網格，接著預測邊界框，B是系統的超參數。對于每個網格而言，其預測的邊界框可能與其他多個網格預測的邊界框重疊，因此需要進行非極大值抑制，去除重復的結果，最終輸出所有具有高置信度的邊界框作為檢測結果。

2.3 實驗結果分析

在上述硬件設備的基礎上，本文通過100輪訓練對模型進行實驗，使用精確度、召回率和mAP50作為模型的評價指標。

2.3.1 訓練過程

圖3縱坐標為mAP50，橫坐標為訓練輪數，曲線為模型在訓練時期mAP50的變化曲線。從圖3中可以看出，1～20輪mAP50值增長較快，20輪后mAP50值趨于穩定，保持在0.8～0.9。

2.3.2 訓練結果

在精度方面，佩戴頭盔類檢測精確度為81.4%。模型能夠較為準確地識別不同類別的物體，從而提高整體檢測性能，使其能夠更好地應用于實際場景中的物體檢測任務。

在召回率方面，未佩戴頭盔類的召回率為64.6%，該模型能夠準確檢測不同類別的物體。

根據mAP50指標，佩戴頭盔類的平均檢測精確度為81.1%。綜上所述，YOLOv5模型能夠較好地進行物體檢測，準確識別不同類別的物體。頭盔檢測算法在數據集上的檢測性能見表1。

3 交通視頻頭盔檢測系統設計

3.1 系統功能分析

交通視頻頭盔佩戴檢測系統旨在提高騎行安全性，減少交通事故和人員傷亡，同時幫助騎行者遵守交通規則，為交通部門提供有價值的數據支持。本系統意在檢測非機動車駕乘人員的頭盔佩戴情況。首先需要采集圖像或視頻，然后使用訓練好的模型進行頭盔佩戴檢測，最后將檢測結果可視化輸出。因此，系統應包括圖像采集、頭盔佩戴檢測、顯示檢測結果三大功能，其簡要流程如圖4所示。

3.2 系統功能模塊設計

該系統需要能夠實時檢測騎行者是否佩戴頭盔，可以將該系統分為三個部分，分別是登錄模塊、目標檢測功能模塊、可視化模塊。

3.2.1 登錄模塊

登錄模塊是非機動車駕乘人員頭盔佩戴檢測系統的一個重要組成部分，其主要功能是為系統中的用戶提供登錄和身份驗證服務。圖5為該系統的用戶登錄驗證界面。

3.2.2 目標檢測模塊

目標檢測模塊是交通視頻頭盔佩戴檢測系統的核心部分，它通過對圖像進行深度學習，確定頭盔的位置、大小及是否佩戴。具體作用如下：

（1）目標定位和提取：在圖像中定位和提取頭盔目標區域，確定頭盔的位置和尺寸。

（2）目標分類：在檢測出頭盔目標區域后，對目標進行分類，判斷頭盔是否正確佩戴。

（3）反饋結果：通過輸出結果的方式來反饋檢測結果，將檢測結果直接反饋給系統作為判斷依據。

該模塊能夠實現頭盔目標區域的定位、提取和分類，從而檢測非機動車駕乘人員是否佩戴頭盔。如圖6所示，其作用在于對非機動車駕乘人員的頭盔佩戴情況進行有效監控。

3.2.3 可視化模塊

可視化模塊是該系統的重要組成部分，它可以提供實時視頻流，并對分析結果進行可視化展示，主要作用和功能如下：

（1）實時監測非機動車駕乘人員狀態：將監測的視頻流實時展示在屏幕上，便于輔助管理人員實時掌控非機動車駕乘人員的狀態，如圖7所示。

（2）分析AI算法檢測的信息：將AI算法檢測出的信息呈現在圖形界面上。

（3）數據統計和分析：可以對檢測結果進行數據統計和分析，例如非機動車駕乘人員頭盔佩戴率等。

通過可視化展示實時監測結果和分析結果，使管理決策更加有力、準確。

3.3 檢測系統框架界面搭建

本系統創建界面采用PyQt5，PyQt5是基于Python編程語言和Qt應用程序框架的GUI工具包。PyQt5包含有一組模塊，用于創建各種類型的GUI應用程序，它提供了豐富的界面元素，例如按鈕、文本框、表格、菜單等。PyQt5是圖形用戶界面的一種，使用本系統的用戶可以操作界面中的按鍵和菜單等，通過圖像反饋電動車騎行者頭盔佩戴檢測結果。界面采用Qt Designer軟件創建，可以拖放控件來改變其大小和位置。在運行前需要配置基于Anaconda的Pytorch深度學習框架。

3.4 系統測試

在該實驗中，系統測試是非常重要的一步，其作用主要包括以下幾個方面：

（1）驗證算法的性能：系統測試可以驗證算法在不同場景下的性能表現，包括準確度、召回率、平均精確度等指標。

（2）評估模型的穩定性：模型在檢測同一場景的多張圖片時是否有相似的檢測結果。

（3）發現模型的缺陷和問題：在測試中，如果模型出現了預測錯誤等問題，可以針對性地分析問題的原因。

（4）完善系統的應用場景：系統測試還可以發現模型存在的適應性問題，進而優化系統的應用場景。

在本次測試中，首先打開非機動車駕乘人員頭盔檢測軟件，顯示登錄界面后，輸入賬號和密碼方可成功登錄頭盔佩戴在線檢測系統，待模型加載到內存后便可通過本地視頻檢測、本地圖片檢測以及攝像頭進行在線檢測。在測試過程中，需要評估系統的實時性、穩定性和可靠性，以確保系統能夠在不同場景和條件下正常運行并具有高精度的檢測效果。

4 結 語

本文設計了基于YOLOv5的頭盔檢測算法，在此基礎上設計了非機動車駕乘人員頭盔檢測系統。該軟件基于計算機視覺技術，能夠對非機動車駕乘人員佩戴頭盔的情況進行實時檢測，通過大量實驗數據的支撐證實，其檢測精度高，準確率超90%；該軟件操作簡單，易于使用，支持多種設備的輸入，如攝像頭、視頻文件和圖片等；該軟件能夠為各類用戶提供安全、穩定、快捷的登錄和身份驗證服務，確保只有授權用戶才能使用系統的各種功能；該軟件提供了實時視頻流和分析結果的可視化展示功能，支持實時監測非機動車駕乘人員的頭盔佩戴狀態。

交通視頻頭盔檢測軟件經過充分的研發和實踐，具有準確、穩定、便捷等特點，可以廣泛應用于非機動車駕乘人員頭盔檢測領域，為每一位交通參與者提供全方位的保障，具有極高的實用性和商業價值。

參考文獻

[1]陳文陽.基于YOLOv5的電動自行車安全頭盔佩戴實時檢測研究[D].銀川：寧夏大學，2022.

[2]余澤.基于深度學習的騎行人頭盔佩戴檢測技術研究[D].杭州：浙江工商大學，2022.

[3]張瑞芳，董鳳，程小輝.改進YOLOv5s算法在非機動車頭盔佩戴檢測中的應用[J].河南科技大學學報（自然科學版），2023，44（1）：44-53.

[4]李少博，董世浩，夏宇航，等.基于卷積神經網絡的頭盔佩戴檢測模型的研究[J].科學技術創新，2021（25）：149-150.

[5]王艷鵬，王振亞，趙繼紅，等.基于輕量化YOLOv4電動車頭盔檢測的算法[J].自動化應用，2022（6）：8-12.

[6]徐棟，陳正宇.一種基于改進YOLOv5s的電動車頭盔佩戴檢測方法[J].金陵科技學院學報，2022，38（1）：7-14.

[7]李少博，董世浩，夏宇航，等.基于卷積神經網絡的頭盔佩戴檢測模型的研究[J].科學技術創新，2021（25）：149-150.

[8]陳闖闖，胡紹方.密集場景下頭盔佩戴智能檢測研究[J].智能計算機與應用，2020，10（9）：223-224.

[9]張傳金，李燕林，張永義，等.基于深度學習的頭盔佩戴自動檢測[J].電腦編程技巧與維護，2019（8）：126-130.

[10]秦嘉，曹雪虹，焦良葆.基于深度學習的安全帽佩戴檢測與跟蹤[J].計算機與現代化，2020（6）：1-6.

[11] SANJANA S， SHRIYA V R， VAISHNAVI G， et al. A review on various methodologies used for vehicle classification， helmet detection and number plate recognition [J]. Evolutionary intelligence， 2020.

[12] SUN C， ZHANG S W， QU P Q， et al. MCA-YOLOv5-Light： a faster， stronger and lighter algorithm for helmet-wearing detection [J]. Applied sciences， 2022， 12（19）.

收稿日期：2024-04-11 修回日期：2024-05-17