基于樹莓派多場景下頭盔識別系統

楊琴琴 葛云飛 劉紫嚴 余健 任仕晨 胡偉 官駿鳴

摘 要：針對騎行及施工場景，人員是否佩戴頭盔對安全帶來的影響問題，提出區分環境，將人與車整體標定的方法和工人頭部標定的方法來分別制作佩戴數據集，然后基于Linux環境的樹莓派開發平臺，采用Camshift算法進行模型訓練，可以正確追蹤目標的位置和信息，判斷目標佩戴頭盔或安全帽的情況，并用網絡攝像頭截取視頻通過以太網輸入到PC端Camshift模型中的方法，替代人工實現遠程檢測。實驗表明，該方案能正確識別出視頻中人員有無佩戴頭盔或安全帽，證明了該方案的有效性。

關鍵詞：電動車頭盔；安全帽；Camshift算法；樹莓派；遠程監測

摩托車、電動車、自行車等騎乘交通工具以其便捷、便宜、環保等特點受到出行者的廣泛歡迎，但這類騎乘人員在駕駛過程中完全暴露于道路之中，容易在交通事故中傷亡。2019 年，我國共發生交通事故 244058起，其中摩托車、非機動車、自行車交通事故發生數共76967起，占比約為31.54%。而在施工現場，有時會出現有高空墜物的事故，現場可能有人員受傷，受傷部位極有可能是頭部，保護現場人員的頭部是非常有必要的。因此佩戴安全帽是我國建筑行業的一項基本規章制度，而傳統的目標檢測方法不能達到建筑行業檢測人員佩戴安全帽的要求。當前，目標檢測算法主要由兩個類別組成：一類是基于區域的兩階段檢測器，如 R-CNN、Fast R-CNN、Faster R-CNN，另一類是單階段的檢測器，如 SSD 和 YOLO。

頭盔檢測應用的場景是車水馬龍的交通道路和環境復雜的施工工地，人員流動大。不但要對復雜的環境進行快速跟蹤定位，還要從中識別出騎行人員（工人）是否佩戴頭盔（安全帽），所以對模型跟蹤的穩定性和準確性都有較高的要求。因此，本文采用高效、準確且穩定的Camshift模型。對于電動車人員頭盔佩戴識別，傳統檢測方法將待檢測目標劃分為2部分：騎車人和騎乘工具，這樣制作的數據集極易將非騎行人員納入識別范圍，增加了擬識別對象的數目，也就增加了計算量和計算過程，所以在人員密集環境下的檢測精度不高。為此，本文采用人與車整體標定的方法，即在制作數據集時，將騎車人與騎乘工具標定為一個整體。這樣，訓練出的網絡就可有效地將騎車者與非騎車者區別開來；同時，為了實現遠程監控功能，采用以太網搭配網絡攝像頭的方式，將現場采集的視頻流通過以太網實時輸送到Camshift模型中進行分析預測，以實現遠程目標的檢測。

一、Camshift算法的原理

Camshift算法是在Meanshift算法的基礎上，針對其存在的不足進行改進而提出的，其算法的基本思想是對視頻圖像的多幀進行Meanshift運算，將上一幀結果作為下一幀的初始值，不斷迭代。該算法采用不變矩對目標的尺寸進行估算，實現了連續自適應地調整跟蹤窗口的大小和位置，并將其應用在對連續彩色圖像序列中的運動目標的快速跟蹤。以下對其原理進行說明：

（一）色彩投影圖（反向投影）

RGB顏色空間對光照亮度變化較為敏感，為了減少此變化對跟蹤效果的影響，首先將圖像從RGB空間轉換到HSV空間。然后對其中的H分量作直方圖，在直方圖中代表了不同H分量值出現的概率或者像素個數，就是說可以查找出H分量大小為h的概率或者像素個數，即得到了顏色概率查找表。將圖像中每個像素的值用其顏色出現的概率對替換，就得到了顏色概率分布圖。這個過程就叫反向投影，顏色概率分布圖是一個灰度圖像。

（二）Camshift算法

將 Meanshift算法擴展到連續圖像序列，就是 Camshift算法。它將視頻的所有幀做 Meanshift 運算，并將上一幀的結果，即搜索窗的大小和中心，作為下一幀Meanshift算法搜索窗的初始值，如此迭代下去，就可以實現對目標的跟蹤。Camshift算法的步驟如為：

（1）初始化搜索窗；

（2）計算搜索窗的顏色概率分布（反向投影）；

（3）運行Meanshift算法，獲得搜索窗新的大小和位置；

（4）在下一幀視頻圖像中用（3）中的值重新初始化搜索窗的大小和位置，再跳轉到（2）繼續進行計算。

二、系統整體方案設計

（一）硬件介紹

樹莓派 4B 的硬件配置（圖 1）：1.5 GHz，4 核64 位，ARM Cortex-A72 CPU（～ 3× 倍性能 ）、1 GB / 2 GB / 4 GB LPDDR4 SDRAM 內存、全吞吐量千兆以太網、雙頻 802.11ac 無線網絡、藍牙 5.0、兩個 USB 3.0 和兩個 USB 2.0 接口，雙顯示器支持、分辨率高達 4K、VideoCore VI 顯卡，支持 OpenGL ES 3.x、HEVC 視頻 4Kp60 硬解碼、完全兼容早期的樹莓派產品。

（二）數據集制作

為了實現多場景復雜環境下準確識別的功能，本文采用網絡爬取圖片加攝像頭拍攝的方式制作數據集。網絡爬取的目的是收集不同拍攝角度人物狀態的圖片，以及區分各個場景特征，便于后期模型能學到多種特征，進而提高檢測的精度。攝像頭拍攝馬路上真實交通狀態以及施工現場真實情況，一張圖片中包含多個檢測目標，有利于后期訓練出的模型對密集目標的檢測，更好地擬合實際情況。圖片采集情況如圖2所示。

（三）佩戴檢測方法

為了解決交通道路中電動車和騎行人的關聯匹配問題，直接將電動車和電動車騎行人員作為一個整體進行檢測，而旁邊的行人和停放的電動車視為背景不進行檢測。這種檢測方法將檢測目標分為兩類，一類是電動車和未帶頭盔的騎行人整體，另一類是電動車和佩戴頭盔的騎行人整體。

（四）檢測流程設計

系統的主要功能是進行視頻檢測及攝像頭檢測，系統的整體流程如圖3所示。其中，系統進行視頻檢測和攝像頭檢測時，默認為視頻流檢測，而攝像頭檢測只比視頻檢測多了攝像頭識別部分，其他部分相同。故下面僅給出攝像頭檢測的流程圖。系統在運行過程中可以調用外接攝像頭獲取實時的視頻流，并將視頻進行分幀，發送到頭盔檢測模塊進行后續處理。如果不調用攝像頭，系統可以直接在本地獲取視頻進行檢測。程序檢測視頻的主流程如圖4所示。

系統在進行數據預處理后，提取有助于區分道路和施工現場的特征，例如顏色、紋理、形狀等。通過調整模型的參數、增加訓練數據集的規模、調整網絡結構等方法，提高算法對交通道路和施工現場的識別準確度。由于頭盔檢測模塊和安全帽檢測模塊大致相同，故下面以頭盔檢測模塊舉例。

首先使用Camshift模型檢測輸入圖像中的頭部目標（person）、頭盔目標（helmet）和電動車目標（motorcycle），并將其保存；然后以電動車目標為第一優先級將電動車和騎行人員進行匹配，對于任一檢測到的電動車目標，判斷在其匹配區內是否存在 helmet目標，若在匹配區內存在的是 helmet 目標，則判定該騎行者佩戴頭盔，同時用綠色矩形框進行標注，若在匹配區內存在的是 person 目標，則判定該騎行者未佩戴頭盔，同時使用紅色矩形框進行標注；之后對余下的電動車目標重復上述匹配過程，當所檢測到的電動車目標均完成匹配后，即完成了當前圖片的檢測過程。另外需要指出的是，若在匹配區內出現多個 helmet 目標或 person 目標時，最終選擇與電 動車目標中心點距離最小的目標進行匹配。

三、實驗分析

為了驗證Camshift 算法的可行性和有效性，本文從網絡中獲取了道路交通和施工現場中的視頻資料，如圖5，并對其中的運動目標進行跟蹤實驗，從中發現針對背景較模糊、運動目標邊緣不是很清晰的情況下，Camshift算法依然能夠實現對運動目標的準確跟蹤。

四、結論

由實際情況試驗結果可知，經過數據收集和大量模型訓練的Camshift算法簡單高效，特別適用于對顏色信息敏感的目標跟蹤任務。它結合了顏色直方圖和均值漂移算法，即使對于背景模糊、不易識別邊緣等問題，也能夠在視頻序列中穩定地跟蹤目標?？梢灶A見，如果將該識別系統應用到現實生活中，能有效提升檢測速度，以及對于保障交通管理人員的生命安全作出一份貢獻，也減小了監控人員的工作量。

參考文獻：

[1]趙海茹，李玉秀，李國瑞，等.基于Camshift算法的運動目標跟蹤系統研究[J].玉溪師范學院學報，2023，39（06）：77-81.

[2]尤泳茹，陳夢凡，陳俊霞，等.基于樹莓派的目標識別檢測研究[J].現代信息科技，2023，7（21）：94-98.

[3]李明，杜茂華.基于YOLOv4算法的騎乘人員頭盔佩戴的遠程檢測[J].農業裝備與車輛工程，2023，61（10）：159-164.

[4]張立藝.基于深度學習的施工現場安全帽佩戴檢測方法研究[D].內蒙古工業大學，2023.

[5]徐棟.基于深度學習的電動車頭盔佩戴檢測系統的設計與實現[D].南京郵電大學，2022.