增强随机蕨的安全帽佩戴检测

张 乾，岳诗琴，范 玉，白金华

(1. 贵州民族大学教务处，贵州 贵阳 550025；2. 贵州省模式识别与智能系统重点实验室， 贵州 贵阳 550025；3. 贵州民族大学数据科学与信息工程学院，贵州 贵阳 550025)

1 引言

安全帽是为了意外发生时保护人们人生安全的主要工具之一，然而，由于部分人群由于安全意识淡薄从而不佩戴安全帽。当发生危险时，佩戴安全帽对人的头部有较好的保护作用。因此，通过现代信息技术尤其是计算机视觉技术对某些特殊场景，例如建筑工地工人佩戴安全帽状态进行智能实时检测有着重要的意义。

通过人工智能技术尤其的是计算机视觉技术对人工佩戴安全帽的状态进行实时智能检测是成为研究成果转化的新领域。工人佩戴安全帽的状态检测本质上是计算机视觉中目标检测的问题。近年来，国内外学者对此应用的研究开始了一些工作。第一类是基于传统的模式识别方法，例如：赵震[1]将安全帽特征视为图像Haar角点的组合，并采用AdaBoost作为分类器，通过OpenCV平台进行模拟仿真，取得了一定成绩。但由于场景特别复杂加上AdaBoost对数据敏感性很高，因此其移植性难以保证。第二类方法是基于深度学习线路的检测方法，例如：王忠玉[2]，在 Faster R-CNN基础上通过融合深度卷积神经网络的特征金字塔与分层预测思想设计了一种安全帽佩戴检测算法。但在融合金字塔与分层预测中需要人为主观设置相应的参数，导致了系统的智能化程度不高。郝存明[3]等将深度学习模型卷积神经网络和YOLO目标检测算法应用于安全帽检测。YOLO以及改进版本逐步被用于安全帽的检测应用之中[4-6]。但是该方法对于背景比较复杂的情况，识别率还有待提高。以上基于传统图像处理和机器学习的方法，存在手工设计特征困难、泛化能力差等问题。基于深度学习的安全帽检测需要大量的标注安全帽图像数据作为基础，并且训练模型的时间成本较高。随机蕨是一种基于贝叶斯概率的决策方法，由于其理论的完备性和模型的有效性表现较好，近年来被广泛应用于计算机视觉中的目标检测研究[7-9]。鉴于此，本文提出了一种改进的随机蕨并将其应用于计算机视觉中的安全帽佩戴检测。

2 随机蕨

随机蕨(Random Fern)的基本思想是通过多个特征组合来表达给定的对象[10]。通常情况下，在模式识别中的目标检测问题上是通过模式的特征对其所属的类别进行判定和决策，其形式为

(1)

其中，ci是类标签集合中的某个类，F是目标特征

(2)

fi是特征某个维度上的属性且fi∈(0，1)

(3)

I(dj1)代表位置为dj1处的灰度值。dj1和dj2是随机生成的两像素位置。通过概率公式有

(4)

在计算中，假设类别均衡，那么p(ci)是相同的，并且与分母p(f1，f2，…fN)是无关的。为了简化计算这个两个部分可以不在考虑。那么进一步简化为

(5)

将模式的特征分成不同的组，被分成的组就被定义为蕨特征。在分组后，假设不同元组之间的特征相互独立；同时，假设组内任两维特征fi和fj之间具有较高的相关性，现假设特征被分成M组(也即是M棵随机蕨)那么(5)被进一步转换成

(6)

(7)

通过上面的过程，在随机蕨中算法的空间存储量为了M*2S。从存储空间的计算量来看，随着二元测试对数S的增加，算法的空间需求量成指数级增长，给算法的计算速度带来了很大的挑战。鉴于此，本文提出了一种增强的随机蕨方法用于目标检测研究。

3 增强随机蕨算法

在算法的存储空间计算中，当S=5时，25=32，然而当S=10时，210=1024。由此可以，在随机蕨中，二元测试对数对算法的存储空间有着关键的影响，然而随着S的增加，随机蕨的效果得到提升，但算法非常占用内存。如何在S与随机蕨的效果之间进行均衡是随机蕨的关键问题。本文借鉴了在深度学习中较为前沿的EfficientNet和EfficientDet[11]两种网络结构中的设计思路，提出了一种自适应的复合模型扩张随机蕨方法应用于计算机视觉中的安全帽检测研究。

在随机蕨中，基本的单个蕨模型：

Ym=T(fm)

(8)

其中，fm是随机蕨，T()是某类的密度估计算法，可以是概率密度估计或者是决策树方法，Ym是密度的输出结果。在经过多重独立采样(或多组独立特征)进行学习训练后形成其中随机蕨丛。

T=T1(f1，X)⊕T2(f2，X)…TM(fM，X)

(9)

其中，Ti(fi，X)表示样本X在随机蕨fi情况下通过密度估计算法T()对应的输出，T表示整个随机蕨丛。在训练过程中，可通过统计各类的先验概率p(F|Ck，X(S，M))，其中F是所有特征的集合，S是每棵随机蕨中的二元测试对数，M独立采样次数或多组独立特征的组数。由于在不同的设备上，实验的环境配置存在一定差异，那么可建立自适应的目标函数有：

(10)

其中，ACC(T(S，M))目标函数，目的是搜索准备率，memory(T)表示当前随机蕨需要的内存资源量，get_mem_info()为当前计算机可用的内存资源量，S和M让表示二元测试对数和独立采样次数或多组独立特征的组数，因此需为整数。本文改变了传统随机蕨中通过固定S然后搜索M(固定M然后搜索S)，然后反复实验搜索到较好的S和M组对。现建立自适应复合扩张法参数

No.ferns：M=「βφ⎤

(11)

对(11)的求解中，先初始化φ=1，然后通过网格搜索与交叉验证法搜索到最优的φ。增强随机蕨算法可描述如下：

输入：图像，S，M初始值，φ=1

输出：随机蕨丛

1)在图像中随机选择S对二元组并进行测试，得到0/1元素；

2)将得到的0/1元素组成的序列(蕨)通过密度估计T()估计其概率分布情况；

3)读取计算机当前的内存情况get_mem_info()；

5)更新S←S，M←M；

6)当S，M为最佳状态后，重复执行算法中的步骤1)2)以及满足memory(T)get_mem_info()直至算法结束；

7)集成蕨丛以及相应的密度估计信息。

4 仿真结果

4.1 仿真环境

实验环境为戴尔Inspiron 15-7560 笔记本电脑，Windows 10 64 位旗舰版操作系统， CPU为Intel i7-7500U，GPU加速器为NVIDIA GeForce 940MX，编程语言为Pyhton 3.8.3。

4.2 仿真数据集

在安全帽佩戴情况检测中，公开的数据集十分稀少，根据本文实验需要以及目前国际资源，采用 了国际上最新公开的数据集，该数据集共有7581张图像，其中有部分为正样本(有安全帽)，大部分为图像数据则为负样本(图像中无安全帽)。该安全帽检测研究的数据集公开的有效下载链接为https：//github.com/njvisionpower/Safety-Helmet-Wearing-Dataset(SHWD)。图1中展现了该数据库上的部分示例图像。

图1 安全帽检测部分图像示例

在SHWD中，图像的尺寸和像素差异性很大，为了保证研究的科学性和合理性，先对图像进行统一尺寸缩放处理，保证图像具有相同的基本信息。

4.3 仿真过程

在训练阶段，按照增强随机蕨的算法流程，基于增强随机蕨的工人安全帽佩戴检测过程为，首先，在图像中随机取S对二元组像素点并对它们的像素值进行比较然后形成0/1元素的序列(随机蕨)；随后，采用密度估计T()估计其概率分布；接着，判定计算机可用的内存资源是否满足随机蕨丛所需，若否则通过式(11)对网格搜索与交叉验证法搜索随机蕨丛的参数进行调整和优化，调整参数S和M以确保模型的准确率，通过大量的采样，随机蕨丛将图像中目标和非目标的概率密度分布计算出来。在测试阶段，随机采取S对二元组像素点并对它们的像素值进行比较然后形成0/1元素的序列(随机蕨)，然后计算其对应的十进制输出值，分别在对应的值维度上统计其输出概率并归一化后取最大值类别输出，通过M次反复采用后采用集成的最大输出概率输出。

4.4 仿真结果

为了验证本文提出的增强随机算法在安全帽检测应用上的实验效果，实验对照了数据集上参考的YOLOV5S、YOLOV5M、YOLOV5L以及随机蕨算法在安全帽检测上的P、R以及mAp0.5指标，对照结果见表1。

表1 安全帽检测P、R以及mAp0.5指标对照

通过表1可以看出，本文算法的P值为0.938，较其它算法最好结果高0.09；本文算法的R值为0.947，较其它算法最好结果高0.018；本文算法的R值为0.933，较其它算法最好结果高0.014。以上对照结果说明了本文提出算法在安全帽检测应用上较其基础算法和深度学习中的YOLOV5算法均有竞争力。实验结果统计对照如图2所示：

图2 实验结果统计对照

5 结束语

二元测试的对数和蕨的数量的确定是随机蕨中的关键问题，本文创新性地将网格搜索与交叉验证法搜索用于这两个参数的选优问题。在参数确定过程中应用了基于启发式的网格搜索与交叉验证法搜索到最优的φ进而确定二元测试对数和随机采样重复次数。在SHWD数据库上本文提出算法的P， R和mAp0.5分别为0.938，0.947和0.933，较YOLOV5S、YOLOV5M、YOLOV5等具有竞争力。

本文提出的启发式的网格搜索与交叉验证法搜索的有效应用为深度学习尤其是transformer模型中自注意力模块等提出了改进的建议方向和思路。下一步研究的内容将包括：1)网格搜索与交叉验证法搜索在transformer模型中的改进。2)随机蕨与transformer的融合在目标检测上的应用和仿真。