噪声并且将处于同一条直线上的短 线段连接成长直线。
[0115] 步骤S4中在上一步骤中提取出的边缘图基础上检测满足安全带条件的平行直线 对，提取到的平行直线对示意图如图2(d)所示，若存在这样的平行直线对，则判定为系安 全带，否则继续进行后续检测。可使用霍夫变换、概率霍夫变换、radon变换和LSD直线检 测算法等，这一步骤的主要目的是将安全带边缘十分明显的图片挑出来，因此阈值参数选 取比较严格，只提取边缘图中明显的且中间无较长断点的长直线作为候选直线，避免引入 图像纹理对判断结果的干扰。
[0116] 步骤S5中可将多种滤波方法和多种滤波模板联合使用，最大程度的保留安全带 信息同时去除不必要的干扰，可选择的滤波算法如高斯滤波、中值滤波、均值滤波、双边滤 波、引导滤波等，滤波之后的图像如图2(e)所示。
[0117] 步骤S5中评价参数包括：第一评价参数、第二评价参数、第三评价参数；第一评价 参数的计算公式为：Σ:二χΛΓ)
[0118] 第二评价参数的计算公式为：
[0119] 第三评价参数的计算公式为：
其中
[0120]
[0121] 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。
[0122] 参数1主要用于判断处理曝光不足、曝光过度类型的图片，
[0123] 参数2主要用于判断处理模糊图片，
[0124] 参数3主要用于判断阴影等其他复杂情况的图片。
[0125] 步骤S6中分类特征矢量指能区分人身区域内是否存在安全带的图像特征，如方 向梯度直方图、局部二值模式、尺度不变特征转换等等，也有可能为其他描述图像信息的特 征。可按照如下步骤进行提取：
[0126] (1)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。具体参数如下：水平梯度6 1(1，」）=!1(1+1，」)-!1(1-1，」），垂直梯度61(1，」）= H(i，j+1) -H(i，j-Ι)，梯度方向σ(/，/) =tan ，梯度幅值
[0127]
[0128] (b)将人身K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；
[0129] (c)把胞元组合成块，在组合后的块内归一化梯度直方图；
[0130] (d)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。
[0131] 也可选用如下方法进行提取：
[0132] (1)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， 否则赋值为〇 ;
[0133] (2)计算处理后的每个胞元的直方图，对该直方图进行归一化；
[0134] (3)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。
[0135] 步骤S6中将提取出的特征进行分类的分类器可以是贝叶斯分类器；具体分类的 步骤如下：
[0136] (1)选取训练样本，训练分类器。训练样本选取人体正面胸前位置，尽量保证安全 带在样本图片对角线附近。正样本如图2(f)所示，负样本如图2(g)所示；
[0137] (2)在人身区域进行滑动分块，选取H/2为滑动块的宽和高，H/8为滑动步长，去除 人身区域左侧和上侧的干扰区域，对每个子块区域分别进行分类，如图2(h)所示；
[0138] (3)根据子块的分类结果，给予不同子块不同的权重，对整体图像是否佩戴安全带 进行判断。
[0139] 步骤S8中可以去除曝光不足、曝光过度、模糊、阴影等成像质量非常差的图片，避 免成像质量差的图片判断出错对检测结果的影响。成像质量差的图片如图2(i)所示。
[0140] 如图3所示，与上述方法相对应的车辆安全带智能检测系统包括读取模块、位置 检测模块、边缘检测模块、第一判定模块、配带结果检测模块、第二判定模块。
[0141] 读取模块，用于读入待判断安全带佩戴情况的图片；
[0142] 位置检测模块，用于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；
[0143] 边缘检测模块，用于对各人身区域内的图像数据进行边缘检测；
[0144] 第一判定模块，用于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；
[0145] 配带结果检测模块，用于分别对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；
[0146] 第二判定模块，用于判断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；如果否，判定本图片内有车内人员未配带安全带。
[0147] 本系统中各模块的具体执行方法与上述方法中详细描述的相关方法相同，此处不 再赘述。
[0148] 具体实施例一：
[0149] 高速路上的车辆智能监控拍摄到车辆图片，读取图片中图像数据，根据图片的图 像数据检测车内人员共有两人即驾驶员和副驾驶员，确定驾驶员的人身区域和副驾驶员的 人身区域；对此两个人身区域内的图像数据进行边缘检测，判断此两个人身区域内均存在 平行直线对，判定本图片内的车内人员均配带有安全带。
[0150] 具体实施例二：
[0151] 高速路上的车辆智能监控拍摄到车辆图片，读取图片中图像数据，根据图片的图 像数据检测车内人员共有两人即驾驶员和副驾驶员，确定驾驶员的人身区域和副驾驶员的 人身区域；对此两个人身区域内的图像数据进行边缘检测，判断驾驶员的人身区域存在平 行直线对而副驾驶员的人身区域不存在平行直线对。对副驾驶员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，在训练完成的分类器内输入副驾驶员的人身区域对 应的分类特征矢量，确定副驾驶员的人身区域对应的配带结果为配带安全带，判定本图片 内的车内人员均配带安全带。
[0152] 具体实施例三：
[0153] 高速路上的车辆智能监控拍摄到车辆图片，读取图片中图像数据，根据图片的图 像数据检测车内人员共有两人即驾驶员和副驾驶员，确定驾驶员的人身区域和副驾驶员的 人身区域；对此两个人身区域内的图像数据进行边缘检测，判断副驾驶员的人身区域存在 平行直线对而驾驶员的人身区域不存在平行直线对。对驾驶员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，在训练完成的分类器内输入驾驶员的人身区域对应的 分类特征矢量，确定驾驶员的人身区域对应的配带结果为配带安全带，判定本图片内的车 内人员均配带安全带。
[0154] 具体实施例四：
[0155] 高速路上的车辆智能监控拍摄到车辆图片，读取图片中图像数据，根据图片的图 像数据检测车内人员共有两人即驾驶员和副驾驶员，确定驾驶员的人身区域和副驾驶员的 人身区域；对此两个人身区域内的图像数据进行边缘检测，判断此两个人身区域均不存在 平行直线对。对此两个人身区域内的图像数据进行滤波，提取评价参数和分类特征矢量。 在训练完成的分类器内此两个人身区域对应的分类特征矢量，确定驾驶员的人身区域对应 的配带结果为配带安全带而副驾驶员的人身区域对应的配带结果为未配带安全带，判断副 驾驶员的人身区域中的评价参数未超过相应的阈值，判定本图片内有车内人员未配带安全 带。
[0156] 本发明采用图像处理和机器识别特征分类相结合的技术，通过机器识别定位人身 位置，在人身位置用图像处理技术进行相关预处理，用特征分类的方法判断是否佩戴安全 带，去除图片模糊级别达到肉眼无法判断程度的图片，达到了算法运行稳定、准确率高并且 有效率高、运行速度快、适应各种图片成像质量和各种图像分辨率的效果，在有效率和适用 范围上均具有优势，并且在交警部门判罚机动车驾驶员和乘坐人员未按规定佩戴安全带的 违法行为时具有实际应用意义。在实际交警部门使用时，警务人员只需对判为未系安全带 的图片进行简单筛选即可，大大降低了人工工作量。
[0157] 与现有技术相比较的优点在于：
[0158] 1、基于驾驶员和乘坐人员人身位置进行安全带检测，避免了