一种车辆安全带智能检测方法及智能检测系统的制作方法
【技术领域】
[0001] 本发明涉及智能交通数据处理领域，尤其涉及一种车辆安全带智能检测方法及智 能检测系统，应用于对监控范围内行驶车辆中驾驶员及乘坐人员是否按规定佩戴安全带进 行自动的检测识别。
【背景技术】
[0002] 随着社会经济的不断发展和人们生活水平日益提高，越来越多小汽车作为代步工 具走入人们的生活。机动车数量的的迅猛增长给交通系统带来巨大的负担，各种违法驾驶 行为也此消彼长。根据《中华人民共和国道路交通安全法》第51条之规定："机动车行驶 时，驾驶员、乘车人员应当按照规定使用安全带，摩托车驾驶员及乘坐人员应当按照规定戴 安全头盔。"然而，机动车行驶时驾驶员及乘坐人员不按规定佩戴安全带的现象屡见不鲜， 这种行为将直接危害到自身及他人的生命财产安全。
[0003]目前大多数交警部门在进行安全带检测时都采用人工肉眼判断，而人工判断不但 准确性和时效性因人而异，且海量的交通监控数据使得人工检测耗费的人力成本相当巨 大。因此如何将安全带检测过程智能化，自动化，高效化成为交警部门的迫切需求。
[0004] 现存的安全带检测和识别技术还不十分完善，这些安全带检测算法多基于车窗位 置，直接进行车窗位置检测或在车牌检测后扩充出车窗位置，然后使用边缘检测、直线检 测、机器识别分类等简单的图像处理和识别算法在车窗区域内检测安全带。
[0005] 这些方法性能和效率还不是很高：首先，基于车窗位置的安全带检测受车窗检测 位置的准确性和车窗内物品干扰的影响严重；其次，车窗区域范围较大，在车窗区域内进行 机器识别分类算法耗时较高；再次，边缘检测和直线检测对图像拍摄角度和光照情况、驾驶 员衣物颜色、配饰等十分敏感；最后，由于成像质量和光照原因，少部分图像肉眼都无法区 分是否佩戴安全带，目前的算法均未对这部分图像进行处理，这些图像将被判为未系直接 影响到最终的有效率。这几方面都将严重影响最终检测结果的准确率、有效率和检测效率。
【发明内容】
[0006] 针对现存安全带检测技术的不足，提出了一种车辆安全带智能检测方法及智能检 测系统，解决现有技术中车辆安全带检测效率不高的问题。
[0007] 本发明提供了一种车辆安全带智能检测方法，所述的方法包括以下步骤：
[0008] 步骤S1，读入待判断安全带佩戴情况的图片；
[0009] 步骤S2,根据图片的图像数据检测车内人员，确定每个车内人员的人身区域；
[0010] 步骤S3,对各人身区域内的图像数据进行边缘检测；
[0011] 步骤S4,判断各人身区域内是否均存在平行直线对，如果是，则判定本图片内的车 内人员均配带有安全带，本方法结束；如果否，执行步骤S5，
[0012] 步骤S5,确定出不存在平行直线对的X个人身区域，其中X是大于零的整数；分别 对X个人身区域的图像数据进行滤波，提取评价参数和分类特征矢量；
[0013] 步骤S6,使用配带安全带的正样本和未配带安全带的负样本对分类器进行训练， 在训练完成的分类器内分别输入X个人身区域对应的分类特征矢量，确定X个人身区域对 应的配带结果；
[0014] 步骤S7,判断X个人身区域是否均对应于配带安全带的结果，如果是，则判定本图 片内的车内人员均配带安全带，本方法结束；如果否，执行步骤S8 ;
[0015] 步骤S8,确定对应于未配带安全带的结果的Y个人身区域，Y为等于或小于X的整 数，判断此Y个人身区域中是否存在至少一个人身区域对应的评价参数超过相应的阈值， 如果是，确定此图片为无效图片，针对此图片不作安全带配带的判断，方法结束；如果否，判 定本图片内有车内人员未配带安全带，方法结束。
[0016] 上述方法还可以具有以下特点：
[0017] 所述步骤S2具体包括：
[0018] 选择多个人身区域样本，计算人身区域样本的梯度方向直方图，训练分类器，得到 训练完成的梯度模型，使用此梯度模型对所述图片中的人身区域进行检测，根据人身区域 中主部件的匹配程度以及子部件的匹配程度，确定整体匹配程度和形变最优的区域为所述 图片中的人身区域，其中主部件为头部，子部件为上半身，或者，主部件为头部，子部件为两 臂和躯干。
[0019] 上述方法还可以具有以下特点：
[0020] 所述步骤S2具体包括：
[0021] 向神经网络输入人身区域图像样本数据，用于非监督学习训练第一层图像特征；
[0022] 将第一层的输出特征作为第二层的输入，训练第二层特征，依此类推，直到最后一 层特征学习完毕；
[0023] 用人工标记的人身掩膜对所述神经网络进行有监督微调；
[0024] 用已训练好的神经网络对所述图片的图像数据进行图像分割，得到车内人员所在 的人身区域。
[0025] 上述方法还可以具有以下特点：
[0026] 所述步骤S2和S3之间还包括对车内人员所在的人身区域的图像数据进行图像增 强的步骤。
[0027] 上述方法还可以具有以下特点：
[0028] 所述步骤S3具体包括：
[0029] 使用滤波算子对人身区域的数据进行平滑滤波；
[0030] 计算滤波后的图像数据-30度方向和30度方向的梯度方向和幅值；
[0031] 抑制梯度图中非局部极值点的像素，去掉梯度方向不满足安全带方向的极值点；
[0032] 根据高低阈值确定边缘点；
[0033] 去除图像本身和图像增强引起的图像孤立噪声并且将处于同一条直线上的短线 段连接成长直线。
[0034] 上述方法还可以具有以下特点：
[0035] 所述步骤S5中提取分类特征矢量的方法包括：
[0036] 计算人身区域中每个像素的梯度幅值和方向，获得车内人员的轮廓信息；
[0037] 将人身区域划分成大小相等的胞元，为每个胞元构建梯度方向直方图；
[0038] 把胞元组合成块，在组合后的块内归一化梯度直方图；
[0039] 将人身区域中所有重叠的块进行特征整合，得到最终的特征向量。
[0040] 上述方法还可以具有以下特点：
[0041] 所述步骤S5中提取分类特征矢量的方法包括：
[0042] 将人身区域划分为大小相等的胞元，对每个胞元中的一个像素，将其环形邻域内 的多个点进行顺时针或逆时针的比较，如果中心像素值比该邻点大，则将邻点赋值为1，否 则赋值为0 ;
[0043] 计算处理后的每个胞元的直方图，对该直方图进行归一化；
[0044] 将每个胞元的统计直方图进行连接，最终得到整个人身区域的特征向量。
[0045] 上述方法还可以具有以下特点：
[0046] 所述步骤S5中，对X个人身区域的图像数据进行滤波的具体方法包括：高斯滤波、 中值滤波、均值滤波、双边滤波、引导滤波。
[0047] 上述方法还可以具有以下特点：
[0048] 所述评价参数包括：第一评价参数、第二评价参数、第三评价参数；
[0049] 第一评价参数的计算公式为
，
[0050] 第二评价参数的计算公式为：
[0051] 第三评价参数的计算公式为
中
[0052]
[0053] 其中i为像素的横坐位标识，j为像素的纵坐标标识，I为灰度值，Μ为人身区域对 应的矩形的横坐标个数，Ν为人身区域对应的矩形的纵坐标个数，In为对数函数。
[0054] 本发明提供了一种车辆安全带智能检测系统，包括：
[0055] 读取模块，用于读入待判断安全带佩戴情况的图片；
[0056] 位置检测模块，根据图片的图像数据检测车内人员，确定每个车内人员的人身区 域；
[0057] 边缘检测模块，对各人身区域内的图像数据进行边缘检测；
[0058] 第一判定模块，判断各人身区域内是否均存在平行直线对，如果是，则判定本图片 内的车内人员均配带有安全带；如果否，则确定出不存在平行直线对的X个人身区域，其中 X是大于零的整数；
[0059] 配带结果检测模块，分别对X个不存在平行直线对的人身区域的图像数据进行滤 波，提取评价参数和分类特征矢量；使用配带安全带的正样本和未配带安全带的负样本对 分类器进行训练，在训练完成的分类器内分别输入X个人身区域对应的分类特征矢量，确 定X个人身区域对应的配带结果；
[0060] 第二判定模块，判断X个人身区域是否均对应于配带安全带的结果，如果是，则判 定本图片内的车内人员均配带安全带；如果否，确定对应于未配带安全带的结果的Y个人 身区域，Y为等于或小于X的整