基于视频的自动扶梯行人摔倒实时检测算法.pdf

中文摘要

自动扶梯作为常见的运输工具，当行人乘坐不规范时存在摔倒风险，若不能及

时发现并停止自动扶梯运行将会导致二次伤害，错过最佳救助时间，因此对于自动

扶梯行人摔倒检测是十分必要的。近年来，随着人工智能和嵌入式技术的快速发展，

通过目标检测方法实现对乘坐自动扶梯时的行人进行实时检测，发生行人摔倒现象

时可以快速停止自动扶梯运行并且及时报警是十分必要的。

本文以YOLOv5算法为基础，对行人摔倒检测数据集少，背景信息冗余、算法

计算量大，对计算机硬件要求过高等问题进行改进。

针对数据预处理时产生黑边多，提出改进马赛克方法通过对九张图片的随机拼

接减少黑边产生，增加了数据丰富度。针对复杂背景信息干扰，在YOLOv5的Neck

层加入注意力机制模块，加强对行人信息特征的关注，减小对其他背景信息特征的

关注，和原始YOLOv5算法进行比较，YOLOv5-CBAM-WBF算法的精确率、召回

率以及平均精度分别提升了3.2%、2%和3.9%。

为了满足自动扶梯场景中的实时性检测要求，通过使用跳帧的阈值检测算法，

充分利用像素灰度值信息来判断是否有行人出现来控制算法的执行，通过将特征提

取模块改为轻量化ShuffleNetv2模块，在特征融合阶段将普通卷积模块换为轻量化

GhostNet模块来减小模型计算量，减小对计算机硬件的要求，实现自动扶梯实时检

测。轻量化YOLOv5n仅仅牺牲1.4%的精确度但是检测速度提升了42.3FPS，表明该

改进算法对于自动扶梯行人实时检测效果有了显著提升。

关键词：YOLOv5算法；实时检测；CBAM注意力机制；轻量化模块

I

目录

中文摘要I

ABSTRACTII

1绪论1

1.1课题研究背景与意义1

1.2国内外研究现状2

1.2.1基于可穿戴传感器的跌倒检测2

1.2.2基于对环境部署传感器的人物摔倒检测方法3

1.2.3基于计算机视觉的跌倒检测3

1.3主要研究内容4

1.4论文组织结构5

2目标检测经典工作回顾6

2.1双阶段检测模型6

2.1.1R-CNN检测模型6

2.1.2FastR-CNN检测模型8

2.2单阶段检测模型9

2.2.1YOLOv1算法10

2.2.2YOLOv2算法11

2.2.3YOLOv3算法11

2.2.4YOLOv4算法12

2.2.5YOLOv5算法14

2.3本章小结17

3基于注意力机制与加权盒函数的YOLOv5的行人摔倒检测算法18

3.1Mosaic数据增强18

3.1.1改进Mosaic数据增强18

3.2加权框融合WBF19

3.3引入CBAM注意力机制22

3.4实验结果和分析25

3.4.1数据集介绍25

3.4.2指标介绍25

3.4.3实验结果与分析25

4扶梯行人摔倒实时检测31

4.1行人乘坐自动扶梯分析31

4.2像素阈值算法33

4.3轻量化YOLO检测模型34

4.3.1ShuffleNetv2轻量化特征提取35

4.3.2GhostNet轻量化特征融合37

4.4实验及结果分析39

4.4.1数据来源39

4.4.2数据集扩充39

4.4.3跳帧选取40

4.4.4轻量化实验对比42

4.4.5对