1.一种安全帽佩戴检测方法,其特征在于,包括以下步骤:
获取待检测图像;
将待检测图像输入到一个深度卷积神经网络进行特征提取,生成六种不同尺度的特征图并按尺度大小顺序从小至大命名为第一特征图、第二特征图、第三特征图、第四特征图、第五特征图和第六特征图;
将尺度最小的第一特征图进行恒等映射,生成第一融合特征图;
将所述第一融合特征图反卷积到第二特征图相同分辨率大小,并进行特征自适应融合,生成与第二特征图相同大小的第二融合特征图;
将所述第二融合特征图反卷积到第三特征图相同分辨率大小,并进行特征自适应融合,生成与第三特征图相同大小的第三融合特征图;
将所述第三融合特征图反卷积到第四特征图相同分辨率大小,并进行特征自适应融合,生成与第四特征图相同大小的第四融合特征图;
将所述第四融合特征图反卷积到第五特征图相同分辨率大小,并进行特征自适应融合,生成与第五特征图相同大小的第五融合特征图;
将所述第五融合特征图反卷积到第六特征图相同分辨率大小,并进行特征自适应融合,生成与第六特征图相同大小的第六融合特征图;
将第五融合特征图以及第六融合特征图送入多尺度感知模块,以通过多尺度感知模块的特征图以及第四融合特征图,第三融合特征图,第二融合特征图,第一融合特征图作为输出特征图,并在这些特征图上使用新型锚框分配策略,对锚框以不同的尺度间隔分配到不同的特征层上,生成多个锚框,最后通过非极大值抑制得到最终的检测结果;所述最终的 检测结果指具有被边框包围的目标;
所述新型锚框分配策略,具体分配方式如下式:
其中,Smin为最底层锚框尺度,Smax为最高层锚框尺度,m为上面六个输出的待检测特征图数量,k表示特征层的索引;Wmin和Wmax分别代表用于检测的最大特征图和最小特征图的尺度,Wm+1‑k表示用于检测的第m+1‑k层特征图的尺度; 是得到的锚框尺度分布。
2.根据权利要求1所述的安全帽佩戴检测方法,其特征在于,所述不同尺度的特征图的尺寸大小分别为38×38,19×19,10×10,5×5,3×3,1×1。
3.根据权利要求1所述的安全帽佩戴检测方法,其特征在于,进行特征自适应融合的方法包括:如下式进行自适应融合:
对不同感受野大小的输出特征图Xij进行融合时,可将来自不同分支的特征乘上相对应的权重并相加,最终生成融合特征图Yij,字符右下角的i,j代表特征图上坐标为(i,j);
通过下式,使参数α,β,γ,θ保持在[0,1]的范围内,并且其四个参数和为1;
其中λα,λβ,λγ,λθ是对输入特征图Xij进行1×1卷积降维后生成的单通道特征图,以此实现通过梯度反向传播进行权重学习,字符右下角的i,j代表特征图上坐标为(i,j)。
4.根据权利要求1所述的安全帽佩戴检测方法,其特征在于,所述多尺度感知模块用于对所给定的输入特征图用不同空洞率的空洞卷积进行采样;其内部含有4个分支,每个分支均对应不同大小的感受野范围,感受野范围较大的用于检测大目标,感受野范围较小的用于检测小目标。
5.一种安全帽佩戴检测装置,其特征在于,所述装置包括:
图像获取模块:用于获取待检测图像;
特征提取模块:用于将待检测图像输入到一个深度卷积神经网络进行特征提取,生成六种不同尺度的特征图并按尺度大小从小到大分层排序;
特征融合模块:用于将尺度最小的第一层特征图进行恒等映射,生成融合特征图;反复并将融合特征图反卷积到高一层的特征图相同分辨率大小,并进行特征自适应融合,生成与高一层的特征图相同大小的融合特征图;
结果输出模块:用于将融合特征图融入多尺度感知模块,以通过多尺度感知模块的特征图以及第四融合特征图,第三融合特征图,第二融合特征图,第一融合特征图作为输出特征图,并在这些特征图上使用新型锚框分配策略,对锚框以不同的尺度间隔分配到不同的特征层上,生成多个锚框,最后通过非极大值抑制得到最终的检测结果;所述最终的 检测结果指具有被边框包围的目标;
所述新型锚框分配策略,具体分配方式如下式:
其中,Smin为最底层锚框尺度,Smax为最高层锚框尺度,m为上面六个输出的待检测特征图数量,k表示特征层的索引;Wmin和Wmax分别代表用于检测的最大特征图和最小特征图的尺度,Wm+1‑k表示用于检测的第m+1‑k层特征图的尺度; 是得到的锚框尺度分布。
6.一种安全帽佩戴检测装置,其特征在于,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1~4任一项所述方法的步骤。
7.计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1~4任一项所述方法的步骤。