傅生輝，劉雙喜，王金星，范連祥，牟華偉

(1.山東農(nóng)業(yè)大學(xué) 機(jī)械與電子工程學(xué)院， 山東 泰安 271018；2.山東農(nóng)業(yè)大學(xué) 山東省園藝機(jī)械與裝備重點(diǎn)試驗(yàn)室，山東 泰安 271018)

?

未系安全帶智能識(shí)別中安全帶定位關(guān)鍵方法研究

傅生輝1，劉雙喜2，王金星2，范連祥1，牟華偉1

(1.山東農(nóng)業(yè)大學(xué) 機(jī)械與電子工程學(xué)院， 山東 泰安 271018；2.山東農(nóng)業(yè)大學(xué) 山東省園藝機(jī)械與裝備重點(diǎn)試驗(yàn)室，山東 泰安 271018)

安全帶定位是實(shí)現(xiàn)機(jī)動(dòng)車(chē)未系安全帶智能識(shí)別的關(guān)鍵；針對(duì)道路監(jiān)控圖像特點(diǎn)，提出一種基于梯度變換的安全帶定位方法；該方法在對(duì)卡口圖像進(jìn)行預(yù)處理的基礎(chǔ)上，采用自適應(yīng)閾值邊緣檢測(cè)算法以及積分投影方式定位車(chē)輛位置，設(shè)立車(chē)牌檢測(cè)區(qū)域，以減少運(yùn)算量，降低干擾，同時(shí)利用訓(xùn)練得到的Haar分類(lèi)器識(shí)別車(chē)牌位置，通過(guò)逼近方式切取車(chē)輛右側(cè)圖像；最后采用梯度變換算法求得車(chē)窗各邊緣坐標(biāo)，實(shí)現(xiàn)車(chē)窗精準(zhǔn)定位，并計(jì)算得到安全帶位置；試驗(yàn)表明，該方法可實(shí)現(xiàn)安全帶的準(zhǔn)確定位，具有較好的實(shí)用性，為后續(xù)安全帶識(shí)別奠定基礎(chǔ)。

未系安全帶；識(shí)別；安全帶定位；梯度變換；積分投影；車(chē)牌定位

0 引言

安全帶是目前應(yīng)用最廣泛的汽車(chē)安全裝置之一[1]。如今，未系安全帶已列入違章檢查范圍，但相應(yīng)的檢測(cè)識(shí)別卻并不完善。安全帶定位是安全帶識(shí)別中的重要環(huán)節(jié)，如何有效定位車(chē)窗位置，提取安全帶佩戴信息，是實(shí)現(xiàn)未系安全帶智能識(shí)別的關(guān)鍵，同時(shí)也決定了系統(tǒng)的處理速度和識(shí)別的可靠性。在已有文獻(xiàn)中，安全帶定位方法主要有：積分投影法[2-3]，色差均值法[4-6]，Haar分類(lèi)器級(jí)聯(lián)檢測(cè)法[7-8]，Hough變換[9-12]以及人臉識(shí)別等。雖然這些方法均在一定程度上實(shí)現(xiàn)車(chē)窗的提取或安全帶定位，但是由于卡口圖像環(huán)境復(fù)雜、光線干擾嚴(yán)重、人臉模糊、難以準(zhǔn)確定位車(chē)窗或安全帶。

一種利用梯度變換定位安全帶的方法。該方法采用逼近方式，結(jié)合車(chē)輛顏色特征的先驗(yàn)知識(shí)，利用積分投影與梯度變換算法相配合的方式，實(shí)現(xiàn)安全帶的準(zhǔn)確定位。該方法計(jì)算量小，處理速度快，定位準(zhǔn)確，具有一定工程應(yīng)用價(jià)值。

1 安全帶定位過(guò)程

本研究以轎車(chē)、商務(wù)車(chē)、越野車(chē)等小型車(chē)為主要研究對(duì)象。首先對(duì)卡口圖像進(jìn)行預(yù)處理，再通過(guò)積分投影算法建立車(chē)牌檢測(cè)區(qū)域(LPDR)，并利用車(chē)牌分類(lèi)器對(duì)車(chē)牌位置進(jìn)行識(shí)別，然后以車(chē)牌為參照，采用逼近方式獲取車(chē)輛右側(cè)圖像。最后，分析圖像灰度變化，通過(guò)梯度變換方式確定車(chē)窗位置，并對(duì)安全帶圖像進(jìn)行提取，從而實(shí)現(xiàn)安全帶定位。安全帶定位算法流程如圖1所示。

圖1 安全帶定位流程

2 圖像采集與預(yù)處理

本文所研究卡口圖像為某市道路監(jiān)控高清攝像，分辨率為1 600 pix×1 200 pix。為提高算法的適應(yīng)性和準(zhǔn)確度，圖像預(yù)處理采用灰度化、平滑去噪及削邊處理。針對(duì)夜晚車(chē)輛光線不足的情況，對(duì)圖像進(jìn)行自適應(yīng)增強(qiáng)處理；設(shè)立ROI區(qū)域，提高車(chē)牌位置識(shí)別速度。

2.1 圖像自適應(yīng)增強(qiáng)

由于道路光照環(huán)境復(fù)雜，尤其夜晚光線不足，導(dǎo)致圖像模糊不清，為提高圖像質(zhì)量，本研究采用自適應(yīng)對(duì)比度增強(qiáng)算法，對(duì)圖像對(duì)比度及光照條件進(jìn)行處理。

假設(shè)x(i,j)為圖像中某點(diǎn)灰度值，局部區(qū)域定義為：以(i,j)為中心，大小為(2n+1)*(2n+1)的區(qū)域。f(i,j)定義為x(i,j)對(duì)應(yīng)的增強(qiáng)后像素值。

局部平均值：

(1)

式中，mx(i,j)為局部平均值，(2n+1)2為局部區(qū)域，x(k,l)為點(diǎn)(k,l)灰度值；

局部標(biāo)準(zhǔn)差：

(2)

(3)

進(jìn)行圖像測(cè)試時(shí)，D取值采用全局均方差方式，并增加一個(gè)參數(shù)Amount，以再次控制高頻增強(qiáng)的程度。同時(shí)，對(duì)放大系數(shù)CG最大值進(jìn)行限制，若CG過(guò)大，會(huì)產(chǎn)生像素飽和現(xiàn)象，即像素值超過(guò)255，故CG取值范圍為5～15；同時(shí)，隨著取樣半徑n的增加，每個(gè)像素涉及到區(qū)域范圍越廣，計(jì)算量會(huì)直線上升。為提高運(yùn)行速度，Amount應(yīng)小于300。經(jīng)多次試驗(yàn)，參數(shù)取樣半徑n=100，Amount取值150，MAXCG為10，夜間圖像增強(qiáng)效果如圖2所示。

圖2 夜間圖像的自適應(yīng)對(duì)比度增強(qiáng)

2.2 車(chē)牌檢測(cè)區(qū)域的建立

車(chē)牌檢測(cè)區(qū)域是以車(chē)牌及周邊圖像作為分類(lèi)器檢索范圍，可降低無(wú)用信息對(duì)定位的干擾，減少算法時(shí)間，快速定位車(chē)牌位置。本文采用積分投影方式，確定車(chē)輛位置，建立LPDR區(qū)域。

首先利用基于自適應(yīng)閾值的Canny邊緣檢測(cè)方法[13]對(duì)車(chē)輛圖像進(jìn)行處理，并結(jié)合膨脹腐蝕算法，去除背景干擾，得到車(chē)輛邊緣圖像(圖3(c)所示)，然后對(duì)圖像進(jìn)行水平和垂直方向的積分投影，實(shí)現(xiàn)車(chē)輛位置的粗定位，其中，圖3(b)為水平投影，對(duì)比車(chē)輛邊緣圖像，圖中紅線處峰值坐標(biāo)與車(chē)輛底邊位置相對(duì)應(yīng)；圖3(d)為垂直投影，兩側(cè)峰值坐標(biāo)與車(chē)輛兩側(cè)位置相對(duì)應(yīng)，由此得到車(chē)輛粗略位置，最后，參照三點(diǎn)坐標(biāo)，建立車(chē)牌檢測(cè)區(qū)域，即圖3(c)中框圖所示，以便車(chē)牌分類(lèi)器對(duì)車(chē)牌進(jìn)行位置定位。

圖3 車(chē)牌識(shí)別區(qū)處理

3 目標(biāo)定位

3.1 基于Haar分類(lèi)器的車(chē)牌定位

車(chē)牌定位識(shí)別[14-19]是實(shí)現(xiàn)安全帶定位的基礎(chǔ)，本文利用Haar分類(lèi)器對(duì)車(chē)牌位置進(jìn)行識(shí)別。Haar分類(lèi)器是一種基于Haar-Like特征和AdaBoost級(jí)聯(lián)算法的高效兩類(lèi)識(shí)別分類(lèi)器。識(shí)別算法主要分為訓(xùn)練部分和定位部分。其中，訓(xùn)練部分選取各類(lèi)車(chē)牌圖像共計(jì)5 300多張為正樣本，非目標(biāo)負(fù)樣本為2 500多張，一方面從車(chē)牌Haar-Like特征中提取關(guān)鍵特征用于訓(xùn)練，獲取車(chē)牌分類(lèi)器；定位部分則對(duì)LPDR區(qū)域進(jìn)行關(guān)鍵Haar-Like特征提取，然后利用車(chē)牌分類(lèi)器進(jìn)行檢測(cè)，獲取車(chē)牌位置。 整個(gè)算法流程如圖4所示。

圖4 定位算法流程

3.2 基于梯度變換的安全帶定位

常用安全帶一般經(jīng)由左肩位置斜向佩戴，駕駛員肩部作為安全帶識(shí)別區(qū)域受駕駛員身高、方向盤(pán)等因素干擾最少?？紤]汽車(chē)外形及顏色差異等影響，本研究采用“逼近法”定位安全帶。首先以車(chē)牌中心為參照建立坐標(biāo)系，然后往圖像上方偏移一定像素距離，切取車(chē)輛右側(cè)圖像，如圖5所示。由于小型車(chē)的高度均在450～530范圍內(nèi)，小型車(chē)底邊到車(chē)窗下邊緣距離在285～330范圍內(nèi)，距離相對(duì)固定，差異較小，經(jīng)試驗(yàn)，參照系偏移距離可設(shè)為300像素。最后，采用梯度變換方式得到車(chē)窗各邊緣坐標(biāo)定位車(chē)窗，實(shí)現(xiàn)安全帶準(zhǔn)確定位。

圖5 駕駛位圖像

根據(jù)圖像灰度值在車(chē)窗邊緣會(huì)發(fā)生突變，進(jìn)行梯度變換，通過(guò)計(jì)算灰度值突變確定車(chē)窗邊緣坐標(biāo)，實(shí)現(xiàn)車(chē)窗精準(zhǔn)定位。首先對(duì)駕駛位圖像進(jìn)行灰度化處理，然后分別選取圖像水平和垂直方向的特定行和列作梯度變換，特定行和列要保證在圖像車(chē)窗范圍內(nèi)，獲取灰度值并計(jì)算梯度。經(jīng)過(guò)多次驗(yàn)證，本研究選用圖像第150行及第60列為掃描線，獲取灰度值并計(jì)算變化梯度。梯度公式如下：

(4)

其中：Δ為變化梯度；data[j].p為點(diǎn)(j,150)灰度值，或點(diǎn)(60，j)灰度值。部分樣本的灰度值及梯度變化值如表1所示。

表1 部分樣本灰度值及梯度表

圖6 樣本梯度變化曲線圖

圖6為車(chē)輛右側(cè)圖像分別在垂直方向和水平方向的梯度變換曲線，梯度變化曲線在垂直方向有兩處峰值，第一處峰值坐標(biāo)點(diǎn)在(60,56)處，梯度值為0.388 9；第二處峰值車(chē)坐標(biāo)為(60，252)，梯度值為0.551，由此得到車(chē)窗上下邊緣點(diǎn)坐標(biāo)P1點(diǎn)和P2點(diǎn)。水平梯度曲線中，峰值坐標(biāo)(150，154)，梯度值0.883 7，即車(chē)窗右邊緣灰度發(fā)生突變，求得右邊緣點(diǎn)P3；而以三點(diǎn)坐標(biāo)為參照建立ROI區(qū)域，實(shí)現(xiàn)駕駛位車(chē)窗的準(zhǔn)確定位，如圖7所示。

圖7 車(chē)窗定位結(jié)果

車(chē)窗準(zhǔn)確定位后，則安全帶檢測(cè)區(qū)域坐標(biāo)原點(diǎn)rect(x,y)可求：

(3)

(4)

根據(jù)坐標(biāo)獲取安全帶佩戴區(qū)域圖像，大小為80像素×60像素，結(jié)果如圖8所示。

圖8 安全帶區(qū)域圖像

4 試驗(yàn)結(jié)果與分析

為驗(yàn)證算法的適用性和準(zhǔn)確性，本文隨機(jī)抽取某市區(qū)卡口圖像500張進(jìn)行測(cè)試，其中，白天圖像300張，夜晚圖像200張。所用計(jì)算機(jī)為聯(lián)想揚(yáng)天M4600d，CPU為奔騰G2030，3.0 GHZ，內(nèi)存4.0 GB，運(yùn)行環(huán)境為VS2010。

試驗(yàn)結(jié)果如表2所示，測(cè)試樣本中，有效樣本496張，漏檢4張，安全帶定位準(zhǔn)確率在夜晚達(dá)到73.5%，白天定位準(zhǔn)確

表2 安全帶定位算法結(jié)果統(tǒng)計(jì)表

率為92.57%，平均定位準(zhǔn)確度為84.88%。造成算法差異較大的原因主要有：1)灰色車(chē)輛與背景顏色相近，引起車(chē)窗定位的偏移；2)夜晚光照條件較差，圖像質(zhì)量較差，造成車(chē)型輪廓不明顯，且車(chē)內(nèi)無(wú)燈光，梯度變化范圍小，影響了定位效果；3)部分車(chē)牌定位錯(cuò)誤，影響右側(cè)車(chē)窗圖像的切割。經(jīng)過(guò)本文算法處理后，圖片質(zhì)量有所改善，準(zhǔn)確率有所提高。

5 結(jié)論

安全帶定位是實(shí)現(xiàn)智能交通系統(tǒng)中未系安全帶識(shí)別的關(guān)鍵組成部分。為提高目前車(chē)窗定位及安全帶定位的準(zhǔn)確度和效率，本文給出一種基于梯度變換的定位方法，該方法采用逼近方式，對(duì)復(fù)雜的圖像環(huán)境逐步剖析處理，將安全帶定位轉(zhuǎn)化為單線梯度定位計(jì)算，具有較強(qiáng)的適用性，對(duì)提高安全帶檢測(cè)的自動(dòng)化處理具有一定應(yīng)用價(jià)值。

[1] 俞學(xué)群, 武陽(yáng)豐. 機(jī)動(dòng)車(chē)安全帶的作用、使用現(xiàn)狀及干預(yù)策略[J]. 中國(guó)預(yù)防醫(yī)學(xué)雜志,2008(5):439-442.

[2] 葛如海,胡滿(mǎn)江,符 凱. 基于灰度積分投影的安全帶佩戴識(shí)別方法[J].汽車(chē)工程,2012(9):787-790.

[3] 黎華東. 智能交通中的違章識(shí)別算法研究[D].哈爾濱：哈爾濱工業(yè)大學(xué),2014.

[4] 王運(yùn)瓊,游志勝. 基于色差均值的快速車(chē)窗定位算法[J]. 計(jì)算機(jī)應(yīng)用與軟件,2004(1):78-79，117.

[5] 劉直芳,徐 欣,游志勝,等. 基于遺傳算法的車(chē)窗定位[J]. 計(jì)算機(jī)應(yīng)用研究,2002(11):72-74，98.

[6] 張 軼,羅中良,邵 鵬,等. 一種車(chē)窗定位算法的設(shè)計(jì)和實(shí)現(xiàn)[J]. 西安航空技術(shù)高等專(zhuān)科學(xué)校學(xué)報(bào),2006(1):12-14.

[7] 吳 法. 圖像處理與機(jī)器學(xué)習(xí)在未系安全帶駕車(chē)檢測(cè)中的應(yīng)用[D].杭州：浙江大學(xué),2013.

[8] 陳雁翔, 李 賡. 基于AdaBoost的安全帶檢測(cè)系統(tǒng)[J]. 電子測(cè)量技術(shù), 2015,38(4):123-127.

[9] 李冬梅. HOV乘客計(jì)數(shù)中的車(chē)窗定位與提取算法研究[D]北京：北京交通大學(xué),2007.

[10] 李冬梅,郝曉莉. 基于Hough變換的車(chē)窗提取算法[J]. 中國(guó)測(cè)試技術(shù),2007(3):50-52，83.

[11] 駱玉榮. 安全帶識(shí)別系統(tǒng)的研究與實(shí)現(xiàn)[D]. 北京：北京工業(yè)大學(xué),2008.

[12] 侯殿福. 車(chē)窗檢測(cè)技術(shù)研究[D]. 北京： 北京交通大學(xué),2012.

[13] 雒 濤, 鄭喜鳳, 丁鐵夫. 改進(jìn)的自適應(yīng)閾值Canny邊緣檢測(cè)[J]. 光電工程, 2009, 36 (11) :106-111，117.

[14] 文學(xué)志,方 巍,鄭鈺輝. 一種基于類(lèi)Haar特征和改進(jìn)AdaBoost分類(lèi)器的車(chē)輛識(shí)別算法[J]. 電子學(xué)報(bào),2011(5):1121-1126.

[15] 潘秋萍, 楊萬(wàn)扣, 孫長(zhǎng)銀. 基于Haar與MB-LBP特征的車(chē)牌檢測(cè)算法[J]. 東南大學(xué)學(xué)報(bào)(自然科學(xué)版), 2012, 42(s1):74-77.

[16] 黃澤鋒. 基于Adaboost的車(chē)牌定位方法的研究與實(shí)現(xiàn)[D]. 廣州, 華南理工大學(xué),2012.

[17] 蔣傳偉. 車(chē)牌識(shí)別系統(tǒng)中車(chē)牌定位與字符分割的研究[D].武漢, 華中科技大學(xué),2006.

[18] Abolghasemi V, Ahmadyfard A. An edge-based color-aided method for license plate detection. Image and Vision Computing. 2009，27 (8) : 1134-1142.

[19] 呂文強(qiáng). 基于Adaboost和SVM的車(chē)牌識(shí)別方法研究[D]. 南京：南京理工大學(xué),2013.

Research on Key Method of Seatbelt Location in the Intelligent Recognition System for Seatbelt Unfasten

Fu Shenghui1, Liu Shuangxi2, Wang Jinxing2, Fan Lianxiang1, Mou Huawei1

(College of Mechanical and Electronic Engineering, Shandong Agricultural University, Taian 271018, China;2.Shandong Provincial Key Laboratory of Horticultural Machineries and Equipments, Shandong Agricultural University,Taian 271018， China)

The seatbelt location is the key to realizing the intelligent recognition of seatbelt unfasten. According to characteristics of the road monitoring image, a method of seatbelt localization based on gradient transform (GF) is proposed. With the method, by preprocessing the road monitor image, the vehicle position is located by using canny edge detection based on adaptive threshold and horizontal and vertical integration projection. And then license plate detection region is designed, with purpose of reducing image data computation, eliminating the interference from other regions. Nextly, license plate location is obtained by Haar-like cascaded classifier, which can get the image of vehicle on right in the method of approximation. Finally, the edge coordinates of car window can be calculated by gradient transform (GF) that can locate the position of seatbelt. The result shows that the method proposed can locate the position of vehicle window and seatbelt with relatively high applicability and accuracy, which may meet requirements of the urban traffic management.

seatbelt unfasten; recognition; seatbelt location; integration projection; gradient transform; license plate location

2015-12-02；

2015-12-23。

傅生輝(1989-)，男，山東泰安人，碩士研究生，主要從事智能交通及機(jī)器視覺(jué)方向研究。

1671-4598(2016)06-0274-04DOI：10.16526/j.cnki.11-4762/tp

U495；TP

A