的标准位置）相对于根的坐标，山是指定了一个二次函数的四维向 量参数，此二次函数表示部件的每个可能位置相对于锚点位置的变形花费。如果山= (0, 0, 1，1)，则第i个部件的变形花费就是它实际位置与锚点位置距离的平方。通常情况 下，变形花费是位移的任意可拆分二次函数。引入偏移量是为了在将多个模型组成混合模 型时，使多个模型的得分具有可比性。
[0052] 每个目标都指定了模型中每个滤波器在特征金字塔中的位置：z= (pQ，...，pn)， 其中Pi=(XdyuU表示第i个滤波器所在的层和位置坐标。需要注意的是这里每个部件 所在层的特征分辨率都是根滤波器所在层的特征分辨率的两倍，即^层特征是1J1的特征 分辨率的两倍，并且11= 1。-λ(i>0)。假设滤波器位置的响应得分等于每个滤波器在各 自位置的得分减去此位置相对于根位置的变形花费，再加上偏差值：
[0053]
[0054] 其中，
[0055] (dx；,dy；) = (x；,y；) - (2 (x〇,y〇 |)+ν；)
[0056] 给出了第i个部件相对于其锚点位置的位移，（x。，y。）是根滤波器在其所在层的坐 标，为了统一到部件滤波器所在层需乘以2。Vl是部件i的锚点相对于根的坐标偏移，所以 表示未发生形变时部件i的绝对坐标，
[0057] 而
[0058] Φd(dx，dy) = (dx，dy，dx2,dy2)
[0059] 表示变形特征。
[0060] 设z的得分可以表示成点积的形式：β·Φ(H，z)，β是模型参数向量，Φ(H，z)是 特征向量，那么通过以上的分析，β、Φ(H，z)可表示如下：
[0061] β= (F' 0, · · ·，F'n，山，…，dn，b)
[0062] Φ(H，z) = (Φ(H，p0)，· · ·Φ(H，pn)，
[0063] -φd (dx!，dy!)，· · ·，-Φd (dxn，dyn)，1)
[0064] 这样便将模型和线性分类器联系起来了，最后使用隐藏变量SVM来学习模型参数
[0065] 作为优选，所述使用可变形部件模型进行安全带检测的过程通过动态规划和距离 转换法对图像中的待测目标进行准确检测定位，所述待测目标包括车窗、人体上半身和安 全带。
[0066] 作为优选，所述使用可变形部件模型进行安全带检测的过程根据各个部件的最佳 位置在所有可能的根位置中找到总体得分最高的根位置。
[0067] 在图像中检测目标时，根据各个部件的最佳位置在所有可能的根位置中找到总体 得分最高的根位置，即：
[0068]
[0069] 高得分的根位置定义了一次检测，产生高得分根位置的部件位置定义了一个完整 的目标假设。
[0070] 作为优选，所述根据各个部件的最佳位置在所有可能的根位置中找到总体得分最 高的根位置的具体过程如下：
[0071] 通过公式Ria(x，y) =F'，Φ(Η，（x，y，l))计算存放部件i模型滤波器在特征 金字塔第1层的响应值数组，其中，Ry是滤波器F 特征金字塔第1层的交叉相关，金字 塔图像在计算部件滤波器下响应的尺度是在根滤波器下尺度的两倍；
[0072] 计筧滤波器响应后，对其讲行转换来介，许具有空间不确定件：
[0073]
[0074] 利用距离转换扩展附近位置的滤波器响应，考虑部件变形损失，提高检测精度， DUUy)表示将第i个部件的锚点放在1层的位置（X，y)时它对根位置得分的最大贡献值；
[0075] 利用对应层根滤波器响应的总和加上经过转换和抽样的部件滤波器计算每一层 根位置的响应：
[0076]
[0077] 其中，λ是为了获得某一层的两倍分辨率而需要在金字塔中向下走的层数。
[0078] 在计算根位置的响应时，独立的选择每个部件的最佳位置，因此能够根据根位置 找到各部件的最好位置，在计算Dd1的过程中计算出部件的最优位置
[0079]
[0080] 找到一个高分的根位置（xQ，y。，1。）后，可以在中査找对应的部 件最佳位置，实现目标变形部件的定位。
[0081] 与现有技术相比，本发明的有益效果：本发明针对利用车牌检测定位车窗区域的 不足，提出直接进行车窗区域定位。针对车窗上方左右角点检测或人脸检测方法定位安全 带区域的不足，提出对车窗中人体上半身区域进行检测，针对直线检测算法受安全带两边 图像质量和算法参数影响较大，提出利用混合多尺度可变形部件模型的模式识别方法进行 安全带检测，该算法流程参数少，对光照、几何形变具有鲁棒性，能够对安全带目标进行精 确检测。
【附图说明】
[0082] 图1是本发明的流程图；
[0083] 图2是本发明实施例待检测车窗情形示意图；
[0084] 图3是本发明实施例待检测车窗情形示意图；
[0085] 图4是本发明实施例待检测车窗情形示意图；
[0086] 图5是本发明实施例待检测安全带情形示意图；
[0087] 图6是本发明实施例待检测安全带情形示意图；
[0088] 图7是本发明实施例待检测安全带情形示意图；
[0089] 图8是使用本发明实施例进行安全带检测的效果示意图。
【具体实施方式】
[0090] 下面结合附图和实施例对本发明作进一步的详细说明。
[0091] 实施例：如图1所示，一种基于混合多尺度可变形部件模型的未系安全带检测方 法，包括可变形部件模型训练过程和使用可变形部件模型进行安全带检测的过程，所述使 用可变形部件模型进行安全带检测的过程包括：
[0092] S11.通过图像获取装置获取图片；
[0093] S12.使用可变形部件模型进行车窗检测；
[0094] S13.在检测到的车窗区域进行人体上半身检测；
[0095] S14.在检测到的人体上半身区域进行安全带检测。
[0096] 所述可变形部件模型训练过程包括：
[0097] S21.初始化根滤波器：首先根据训练图片的标记确定根滤波器的规模，然后使用 支持向量机来训练根滤波器;
[0098] S22.更新根滤波器：对于训练集中的每一个样本使用步骤S1确定的根滤波器寻 找响应最大并且和原有框标记有明显覆盖的位置，并以此位置更新训练图片的框标记，然 后使用新的框标记的样本以及随机选取的负样本更新根滤波器;
[0099] S23.初始化部件滤波器：在确定的根滤波器的位置上，贪婪地选择得分最大的区 域作为部件滤波器的位置；
[0100] S24.更新部件滤波器：使用不断更新的正负训练样本来训练、更新部件滤波器。
[0101] 传统的基于提取梯度方向直方图特征的检测方法在目标外观发生形变、存在遮挡 等条件下检测准确率很低，本发明的基于混合多尺度可变形部件模型检测方法，通过建立 H0G特征金字塔表示目标的整体信息以及各部件的表观信息和空间关系，可以提取到比传 统的方法更加丰富的信息，因此更加有利于复杂目标的检测和识别过程。基于混合多尺度 可变形部件模型的目标检测系统使用未完全标注的样本进行判别训练，可以检测各种多变 的目标。另外，本发明还提出了一种专门为弱监督分类器设计的基于间隔敏感的难例挖掘 方法，即隐藏变量SVM。
[0102] 在模型的训练过程中，引入了一种专门为弱监督分类器设计的基于间隔敏感的难 例挖掘方法，即隐藏变量SVM。考虑一个分类器，对于任意一个样本X，在隐藏变量SVM中用 如下公式进行评分：
[0103]
[0104] 其中，β是模型参数向量，Z是隐藏变量。集合Z(x)定义了样本x所有可能的隐 藏变量值，即各部件的位置。通过对此得分值进行阈值化，可以获得样本X的二分类类标。
[0105] 类比经典SVM算法，本发明使用带标注的样本集D= (〈XdyA, . . .，<xn,yn>)， yie{-1，1}来训练参数β，最小化下面的目标函数：
[0106]
[0107] 其中，max(0，l-yifi3 (Xl))表示标准损失函数，常数C控制正则项的相对权重。
[0108] 设Ζρ为指定训练集D中正样本的隐藏变量值，通过以下步骤来优化训练隐藏变量 SVM：
[0109] (1)重新标注正样本：在指数空间内搜索正样本的隐藏变量值，选择每个正样本 的最高得分的隐藏值：
[0110]
[0111] (2)最优化β:搜索所有的模型和指数空间内负样本的隐藏变量，通过最优化隐 藏变量SVM的目标函数来实现；
[0112] 以上步骤（1)和（2)的执行，在算法达到收敛之后就会得到一个相对强壮的局部 最优值。
[0113] 另外，最优化β阶段采用随机下降的方法解决：
[0114] 设= _1:酸祖城辦爽）#、番(麵，怎)，:即Zl (β)是使正样本\得分最高 的隐藏变量值，有fe(Xl) =β·Φ(Χι，Ζι(β))。计算隐藏变量SVM目标函数的梯度，如下：
[0115]
[0116]
[0117] 在随