基于RetinaNet的电动自行车骑乘人员安全头盔佩戴行为检测模型

为提高对电动自行车骑乘人员安全头盔佩戴行为检测的准确性和实时性,构建了一种基于RetinaNet的电动自行车骑乘人员安全头盔佩戴行为检测模型。首先,采用Keras框架对RetinaNet预训练模型进行微调,设计残差网络（ResNet-50）作为主干网络提取输入图像的特征;然后,利用特征图金字塔（Feature Pyramid Networks, FPN）和聚焦损失函数（Facal Loss）分别进行特征融合和解决正负样本失衡问题;接着,面向小目标对象对候选框选取进行优化,并选用Adam优化器进行参数学习;最后,以江苏省南通市为例,采用典型城市道路不同视角和光线状况下的电动自行车交通流视频图像数据,训练优化检测模型。结果表明,优化后的检测模型可对图像中远（小）、近（大）电动自行车骑乘人员的安全头盔佩戴行为进行同步检测;检测模型的AP值达93.29%,mAP值达88.40%,在不同角度和光线下检测效果稳定;相较于SSD, Fast R-CNN模型,优化后的检测模型对安全头盔佩戴行为检测的综合性能最优。