专利名称：：一种车辆乘员类型的检测方法
技术领域：
：本发明涉及一种车辆乘员类型的检测方法。技术背景汽车乘员约束系统研发主要目的是尽量避免在碰撞过程中人体与车身内饰件发生二次碰撞，减少对人体造成的伤害。近些年来，汽车座椅安全带和汽车安全气囊的广泛使用，大大降低了在交通事故时伤亡率。但是，由于常规的乘员约束系统是按第五十百分位正常位置乘员设计的气囊，为此，常规的安全气囊极有可能对离位乘员和小身材妇女甚至儿童造成伤害。为了有效降低因气囊展开造成不同类型乘员伤害的可能性，目前已提出了不同种类的智能乘员约束系统。这些系统大多采用视觉传感器、压力传感器和超声波传感器等实现乘员的类型、位置及坐姿等体征检测，并根据汽车碰撞的严重程度来确定是否张开安全气囊，以及采用多大的弹开强度。因此，开发智能乘员识别系统，利用传感器系统感知乘员的类型，给安全气囊系统提供乘员类型信息，具有十分重要的意义。
发明内容本发明其目的在于提供一种车辆乘员类型的检测方法，利用图像处理技术及智能识别技术获取乘员类型信息，提供给智能安全气囊系统用于安全气囊的智能控制。为实现上述目的，本发明主要包括以下步骤，结合如下a)影像获取步骤通过车载摄像机提供乘员在汽车座椅上的影像信息，先期处理过程中需要采集并记录按照碰撞具体法规规定的n种不同乘员类型在不同光照环境下已知的乘员类型影像数据，实时识别过程中实时采集待识别的乘员类型的影像信息；b)影像处理步骤先期处理过程和实时处理过程中该步骤处理方法完全相同，先将摄像机拍摄到的流媒体图像格式转化为单帧的图片格式，然后通过裁剪去掉无关区域，将裁剪后的区域进行图像边缘检测，获得乘员轮廓图像信息；C)获取类型特征信息步骤先期处理过程和实时处理过程中该步骤处理方法完全相同，将获得的乘员轮廓图像信息进行矩特征运算，获得m阶矩特征，将获得的m阶矩特征作为训练和识别用的m个特征值，然后对m个特征值进行归一化处理；d)乘员体征识别步骤在先期处理过程中将获得的n种不同典型乘员类型，建立用于对分类器进行训练的不同典型类型的特征数据库，以获得乘员类型分类器模型；在实时处理过程中获得实时乘员影像的矩特征，然后将该矩特征输入已经训练好的分类器中进行分类，最终获得乘员类型信息，最后将获得的乘员类型信息输送到智能安全气囊控制器供其智能控制使用。有关区域的获取使用蒙版的方法获得。所说的矩特征运算使用0+《)阶的Legendre矩对边缘图像进行矩运算。使用支持向量机的方法对于矩特征进行训练及检测并获得乘员类型分类器模型，所说的乘员类型分类器模型的建立使用间隔点算法获得支持向量机的最优参数。本发明的有益效果是，提供了一种有效的识别乘员类型的手段，可以将在汽车碰撞过程中由于乘员类型不同导致的气囊对乘员的二次伤害降到最低，从而提高汽车的被动安全性能图l车辆乘员类型的检测系统工作流程图2摄像机在车内安装位置示意图3分类器算法流程图4识别正确率等高线图5间隔点算法调整参数流程图。具体实施例方式下面结合附图说示实施例进一步说明本发明的具体内容。在步骤S00中，将摄像机安装在车顶，镜头对准乘员乘坐位置，见图2。在步骤S11中，直接从摄像机中读取u8灰度影像，分别提供给前处理不同类型及坐姿数据库使用和实时识别过程使用。从读取到u8灰度影像到获取图像特征信息过程中对于单帧图像的处理，前处理和实时处理过程完全相同。在步骤S12中，系统获得了大量的不同类型不同光线背景下乘员影像文件，对这些影像文件进行整理分类剪辑，建立不同类型下的乘员影像数据库。在步骤S21中，将流媒体文件转换为独立图片文件，并将图片格式转化为二维矩阵格式，用于后续对于每张单独的图片的处理。在步骤S22中，将乘员所处及乘员可能出现的区域作为蒙版区域，获得与二维图像矩阵相同维数的掩模矩阵，蒙版区域值为l,非蒙版区域值为0，用掩模矩阵对二维图像矩阵进行掩模运算，相同的位置，如果模板矩阵为l，则二维图像矩阵为该位置值保留，如果为0，则该位置值为0。在步骤S23中，首先，对图像进行高斯滤波去除图像中的噪声。其次，用高斯算子的一阶微分对图像进行滤波，得到每个像素梯度的大小M和方向0。<formula>formulaseeoriginaldocumentpage4</formula><formula>formulaseeoriginaldocumentpage5</formula>f为滤波后的图像。边缘检测按照下面的步骤进行。l).对梯度进行"非极大抑制"梯度方向可以定义为属于4个区之一，各个区用不同的近邻像素用来进行比较，以决定局部极大值。这4个区及其相应的比较方向如表所示。表3-84个区入其相应的比较方向<table>tableseeoriginaldocumentpage5</column></row><table>例如，如果中心像素x的梯度方向属于第4区，则x的梯度值与它的左上和右上相邻像素的梯度值比较，看x的梯度值是否是局部极大值。如果不是，就把像素x的灰度设为0，这个过程称为"非最大抑制"。2).对梯度取两次阈值得到两个阈值Tl和T2，T1=0.4*T2。我们把梯度值小于Tl的像素设为0，得到图像l。然后把梯度值小于T2的像素的灰度设为0，得到图像2。由于图像2的阈值较高，去除了大部分噪声，但同时也损失了有用的边缘信息。而图像l的阈值较低，保留了较多的信息。我们可以以图像2为基础，以图像l为补充来连接图像的边缘。3).连接边缘的具体步骤如下对图2进行扫描，当遇到一个非零灰度的像素P时，跟踪以^为开始的轮廓线，直到该轮廓线的终点2。a.考察图像1中与图像2中g点位置对应的点g'的8邻近区域。如果在g'点的8-近邻区域中有非零像素i'存在，则将其包括到图像2中，作为i点。从i开始，重复第l)步，直到我们在图像1和图像2中都无法继续为止。当完成对包含尸的轮廓线的连接之后，将这条轮廓线标记为已访问。回到第1)步，b.寻找下一条轮廓线。重复l)、2)、3)，直到图像2中找不到新轮廓线为止。在步骤S31中，将在步骤23中获得的边缘图像求其Legendre矩，具体步骤如下。图像的(p+^阶的Legendre矩用下式计算<formula>formulaseeoriginaldocumentpage6</formula>其中，M,N为上一歩骤所获得二维矩阵图像的行列数。x,，力表示像素坐标。A00通过下式递推获得。<formula>formulaseeoriginaldocumentpage6</formula>在步骤S32中，将获得的矩进行归一化处理。我们使用的下面公式进行归一化，s是原始数据，而s+是经过转换后的数据。<formula>formulaseeoriginaldocumentpage6</formula>在步骤S41中，前处理对于分类器的训练，主要由训练(training)、预测(predicting)、交叉检验(crossvalidating)三大步骤组成。处理的流程如图3。分为二个步骤，详细步骤说明如下。步骤一最优化参数选择合适的支持向量机法的核函数来建立分类系统，使用不同的C和y参数会产生不同的正确率，所以如何找到最优化的c和y来建立分类系统是关键。为了寻找最优化c和y，我们使用间隔点算法(Gridalgorithm)来寻找最佳化参数C和y。流程图见图5，所谓间隔点算法，就是把不同的C与y值的可能解组合(C,力，用交叉检验法算出其正确率，本发明使用的是在对数坐标系下选择相等间隔一定分为的参数点，然后计算各种组合(C,力之正确率，然后绘制以参数(C,力对数坐标为xy轴，以对应的识别正确率为纵坐标的识别正确率等高线图，如图4所示。然后从图中找到正确率最高的参数组合。交叉检验就是把数据集A分为K组(4,4,4…4J，使用此方法，必须进行k次训练和测试，轮流以UE(1,2,…,W为测试数据，剩下的数据为训练数据，以测试数据验证其正确率。进行k次后，再将k次的正确率加以平均求得此模型最后的平均正确率，这种方式能确保每笔数据皆能当作测试数据，而且全部的测试样本都是独立的。为了选择更准确的优化参数，一般可以在第一次绘制后重新调整对数间隔范围和间隔，再次绘制正确率等高线图。再次从图中找到正确率最高组合参数。步骤二训练预测并计算正确率用获得的最优化参数和训练数据对系统进行训练，然后使用检验数据进行预测并计算出正确率。如果不满意再次重复步骤一。通过以上步骤分别对不同乘员类型分类器进行训练，并获得了乘员类型分类器模型。在实时分类过程中，步骤S32中获得的归一化后的实时采集的矩特征值输入到预处理过程中的分类器模型中。最后计算出乘员类型信息，送入智能安全气囊中供其控制安全气囊使用。权利要求1.一种车辆乘员类型的检测方法，其特征在于包括以下步骤a)影像获取步骤通过车载摄像机提供乘员在汽车座椅上的影像信息，先期处理过程中需要采集并记录按照碰撞具体法规规定的n种不同乘员类型在不同光照环境下已知的乘员类型影像数据，实时识别过程中实时采集待识别的乘员类型的影像信息；b)影像处理步骤先期处理过程和实时处理过程中该步骤处理方法完全相同，先将摄像机拍摄到的流媒体图像格式转化为单帧的图片格式，然后通过裁剪去掉无关区域，将裁剪后的区域进行图像边缘检测，获得乘员轮廓图像信息；c)获取类型特征信息步骤先期处理过程和实时处理过程中该步骤处理方法完全相同，将获得的乘员轮廓图像信息进行矩特征运算，获得m阶矩特征，将获得的m阶矩特征作为训练和识别用的m个特征值，然后对m个特征值进行归一化处理；d)乘员体征识别步骤在先期处理过程中将获得的n种不同典型乘员类型，建立用于对分类器进行训练的不同典型类型的特征数据库，以获得乘员类型分类器模型；在实时处理过程中获得实时乘员影像的矩特征，然后将该矩特征输入已经训练好的分类器中进行分类，最终获得乘员类型信息，最后将获得的乘员类型信息输送到智能安全气囊控制器供其智能控制使用。2、根据权利要求l所述的一种车辆乘员类型的检测方法，其特征在于有关区域的获取使用蒙版的方法获得。3、根据权利要求l所述的一种车辆乘员类型的检测方法，其特征在于所说的矩特征运算使用0+《)阶的Legendre矩对边缘图像进行矩运算。4、根据权利要求l所述的一种车辆乘员类型的检测方法，其特征在于使用支持向量机的方法对于矩特征进行训练及检测并获得乘员类型分类器模型，所说的乘员类型分类器模型的建立使用间隔点算法获得支持向量机的最优参数。全文摘要本发明涉及一种车辆乘员类型的检测方法。目的是利用图像处理技术及智能识别技术获取乘员类型信息，提供给智能安全气囊系统用于安全气囊的智能控制。检测步骤包括a)影像获取步骤实时采集待识别的乘员类型的影像信息；b)影像处理步骤将图像单帧图片格式处理，然后对裁剪后的区域进行图像边缘检测，获得乘员轮廓图像信息；c)获取类型特征信息步骤将获得的乘员轮廓图像信息进行矩特征运算，获得m阶矩特征，将获得的m阶矩特征作为训练和识别用的m个特征值，然后对m个特征值进行归一化处理；d)乘员体征识别步骤获得实时乘员影像的矩特征，然后将该矩特征输入已经训练好的分类器中进行分类，最终获得乘员类型信息。文档编号G06K9/46GK101281601SQ20081005066公开日2008年10月8日申请日期2008年4月29日优先权日2008年4月29日发明者李向瑜,肖振华,菲高,高镇海申请人:吉林大学