基于改进版的Faster RCNN的安全帽检测及身份信息识别

王玺 武曲 郭坤

摘 要：随着现代科学信息技术的不断发展，计算机图像视觉、人工智能等科学技术也在发展迅速。针对当地工人不佩戴工地头盔和越界违法作业的一些行为，本文提出了一种基于改进方法的faster rcnn的不戴头盔工人佩戴目标检测与工人身份识别方法，通过工地摄像头对工地图像和移动视频声音目标进行检测。最后研究结果表明，该检测方法能够较好地有效实现不戴头盔工人佩戴的工地图像和声音视频目标检测。

关键词：特征融合;安全帽检测;多尺度检测;Faster RCNN

当前计算机图像视觉技术是研究人工智能的一个热门技术发展研究方向，图像识别等新技术正逐步融入各行各业，包括国际金融、医疗、教育、家居等行业。在各个行业都已经可以随时看到，比如三维头盔人体运动姿态监测重建、跌倒状态监测，以及汽车驾驶员疲劳运动监测、行为自动识别等诸多功能。基于以上几个原因，本文提出了一种基于最新改进技术faster rcnn的智能头盔疲劳检测行为识别智能算法。采集戴头盔和不戴头盔的建筑工人图像，构建模型训练和测试数据集，评估算法的测试速度和准确率。该图像检测后的技术结果，可有效地地替代目前现有对于传统施工项目企业人工成本高的监管，既大大限度节省了其项目人工成本，又提高了其在实际施工现场的的可操作性和安全性，也将更利于产业建设开发，实现项目产业建设的“智慧工地”目标。

1 相关技术简介

1.1  Faster RCNN简介

在原有Faster RCNN的基础上，增加了一个用于提取节点边缘的三叉神经网络，称为Region Proposal Network（RPN）。首先通過利用volume层的积累积分层和pooling积累层，直接提取到一整幅特征图像的基本位置信息，并形成一个特征向量图。然后通过利用区域管理建议神经网络（rpn），提取多个用户感兴趣目标区域的位置密度信息和非位置信度特征值等，对比这个区域内是否存在有候选目标。ROI pooing 层将多个特征向量映射到相同图像大小的层，而后通过利用窗口重叠，可以得到每个区域对象回归后在校正窗口后的最高值得分。因此，Fast RCNN不再通过复杂耗时的各种选择性区域搜索RCNN 和 Fast RCNN管理建议，使得检测速度大大提高。基于候选目标区域的RCNN、Faster RCNN系列全球目标区域检测分析方法技术，是当前检测方法最重要的一个分支。

1.2  Faster RCNN的改进

为了实现RPN五种网络中，让每个预测阶段在目标时间中获得更多的尺度信息，本文通过融合了VGG16五个不同网络预测阶段的尺度特征检测图，将多尺寸尺度特征检测图直接输入，实现了多种尺度的特征检测。

具体操作方法细节：首先，找出具有相同的卷积维度目标，对原图特征和原图分层进行一次反卷积。然后在网络设计阶段的两个特征原图进行融合，具体操作方法是为图添加一个相应的卷积像素，从而直接生成新的两个特征图分层。然后分别对RPN网络进行预测达到多尺度检测的目的。该方法在提取头盔特征时充分利用了所有特征层的信息，对提高头盔检测效果将大有裨益。

2 实验分析

2.1 数据集

关于头盔佩戴检测的研究，目前还没有公开的数据集。本文通过与某知名化工企业的多次接触，获得了一组真实的项目施工现场监控视频。目前已完成制作实际中的施工过程场景网络监控视频画面和施工网络监控画面及其组成的视频画面总计1800幅。视频格式主要是aavoc2007的视频数据集，记录为“工厂”。下文将测试该分析方法，并验证该方法的正确有效性。图片数据集中的标签图片图像标签可以分为5类：目标人物戴着深红色的镜头盔（红色）、黄色头盔（黄色）、白色头盔（白色）、蓝色头盔（蓝色）和不戴头盔（无）。

2.2 实验结果及分析

本文使用平均精度（AP）和平均平均精度（mAP）来自于评估所有已提出检测方法的基本检测计算结果。precision的基本计算公式描述如下：

使用一个工厂锚点数据集群来训练原始数据faster rcnn锚点网络，YIJI 数据结合锚点特征网络融合、多面体尺度特征检测方法。fasterr cnn在实际应用场景中可以使用120张钢厂监控头盔图片（其中包括826名戴着不同品种颜色监控头盔的钢厂工人）。本文测试了两个虚拟模型，两种模拟算法的实验效果如下图表所示。

表1显示了经改进后的算法faster rcnn的综合测试结果，准确率同比提高了16.8%。采用改进后的帧的检测数据结果好，置信度高，目标帧定位准确。实验结果证明，最终还是改进后的faster rcnn框架可以有效应用于实践，准确率高。

3结束语

针对头盔工人佩戴头盔上的佩戴锚点检测，本文提出了一种需要改进的方法faster rcnn，具有特征锚点融合、多种大尺度锚点检测。经过本次模拟实验和针对深度机器学习的深入研究，该检测方法确实可以达到提高建筑工地人员佩戴检测图像和图象视频远程检测时的效果。

参考文献：

[1]黄愉文，潘迪夫，基于并行双路卷积神经网络的安全帽识别[J].企业技术开发，2018，37（03）：24-27+47.

[2]吴冬梅，王慧，李佳.基于改进Faster RCNN的安全帽检测及身份识别[J].信息技术与信息化，2020，（01）：17-20.

[3]张圣昌.基于深度学习的异常检测模型研究[D].河北大学，2019.

[4]徐晨玉.基于YOLOv3的危险物品检测模型研究与改进[D].兰州大学，2019.

[5]樊钰.基于深度学习的安全帽检测系统设计与实现[D].内蒙古大学，2019.