改进YOLOv5s算法的电动车头盔检测研究

针对电动车头盔佩戴检测存在遮挡、车辆密集以及一车多人的复杂场景下出现的漏检、误检问题,在YOLOv5s的基础上,提出了一种应用于电动车头盔佩戴检测的改进算法。设计了一种由递归门控卷积改进的GBC3模块,替换网络主干和特征融合层(feature pyramid networks,FPN)中的C3模块,加强邻间特征的空间信息交互,提高网络的特征提取和特征融合能力;其次在主干和特征融合网络添加无参注意力机制(SimAM),以调整特征图中不同区域的注意力权重,对重要目标施加更多关注;最后引入调整超参后的WIOU损失函数,优化预测框回归,提高模型的目标定位能力。在自制电动车头盔数据集上的实验结果表明,改进模型在仅增加较少参数的前提下,其平均精度均值(mAP)达到97.3%,较YOLOv5s提高了3.2%,并且检测速度为87.1 fps,改善了误检和漏检的问题,同时仍具有较高的实时性,更适用于电动车驾乘者的头盔佩戴检测。

基于Fast-OpenPose的仰卧起坐姿态估计研究

当前,许多学校体质测试项目中的仰卧起坐测试仍需通过手动计数,这不仅耗费人力,而且效率较低。为了促进体质健身的智能化发展,提出了一种基于人体姿态估计模型Fast-OpenPose和支持向量机(support vector machine,SVM)融合实现的仰卧起坐行为计数方法。通过OpenPose检测出仰卧起坐连续视频流中人体关键点的位置信息,再用SVM对获取到的每一帧人体关键点的坐标数据进行动作特征分类。鉴于原OpenPose网络复杂度高、模型参数量大、检测耗时长的缺陷,用FasterNet对其主干特征提取部分进行轻量化改进,并在预测分支中优化更为高效的单分支网络结构和卷积类型,最后引入空间注意力(spatial group-wise enhance,SGE)来弥补精度损失。在CoCo2017数据集的基础上,额外扩充1000张仰卧起坐场景的图片数据进行模型训练,实验结果表明,改进后的Fast-OpenPose在损失部分精度但不影响仰卧起坐姿态估计的情况下,模型参数量缩减近80%,关键点检测速度提升110%。与同系列其他改进模型相比,在保持相近平均精度均值(mAP)的同时,更具有轻量化与速度优势。