本发明属于图像处理技术领域，涉及图像分割和图像信息获取，具体涉及一种对摩托车驾驶员头盔佩戴情况的视觉检测方法，主要应用于道路交通安全监控与管理。
背景技术：
交通安全问题已成为世界性的重大问题，摩托车的安全性对人类生命财产的影响不言而喻。在许多国家，随着摩托车使用数量的增加，其行驶速度也相应加快，加之交通运输日益繁忙，由于未佩戴头盔而造成的摩托车事故增多，并带来大量的人员伤亡和财产损失，该现象已成为一个不容忽视的社会问题。目前，仅依赖交警人工判断的摩托车驾驶员未佩戴头盔的监督已经越来越难以满足日渐增长的摩托车保有量和未佩戴头盔这样一种违法行为。因此，如何利用广泛的道路监控，利用视觉传感由于具有信息量大、成本低廉的特点，解决未佩戴头盔检测这一问题，具有显示意义。
头盔检测技术是指利用图像传感手段对图像中的驾驶者搜寻和判定，以决策出其是否佩戴头盔的过程。目前该方面的技术和方法还比较缺乏。针对此，本发明提出了一个在公共道路上行驶的摩托车驾驶员的头盔检测计算机视觉系统。
为了方便的对本发明的内容进行描述，首先需要对一些概念进行说明。
感兴趣区域：在图像处理领域，感兴趣区域是指从图像中选择的一个局部图像区域，这个区域是图像分析所关注的重点。确定该区域以便进行进一步处理。使用感兴趣区域往往可以减少处理时间，增加精度。
技术实现要素：
本发明提出了一种对摩托车驾驶员头盔佩戴情况的视觉检测方法，所提方法分为两个阶段：摩托车辆分割和分类(用来判断所关注目标是否是摩托车)以及头盔佩戴与否的检测。对于摩托车辆分类，采用常用的Haar特征作为描述符和SVM分类器；对于头盔检测，我们用圆Hough变换(circularhoughtransform即CHT)提取头部区域，进而利用方向梯度直方图(HOG)描述符提取图像特征，并且用多层神经网络(MLP)分类器将目标进行分类。该方法检测的准度高，实时性好，具有工程实用价值。
一种对摩托车驾驶员头盔佩戴情况的视觉检测方法，包括如下步骤：
步骤1)背景图像的获取：将图像采集装置安装于路边处对道路运行状况进行采集，从视频流中提取出来的道路实际图像设为A，用自适应高斯混合模型算法在视频流中提取不含运动物体的背景图像设为B；
步骤2)运动目标的分割：将运动目标从拍摄的图像中分割出来：首先，将步骤1)中所得的图像A和图像B相减，得到图像C；然后，对图像C二值化：用otsu阀值分割法将图像C进行二值化处理，得到图像D；最后，对运动物体分割：对图像D进行边缘检测，并用形态学闭合算子对图像除燥，去除图像噪声，得到分割出的代表运动物体的子图E；
步骤3)目标分类：将步骤2)中得到的子图像E划分成两种：摩托车和非摩托车；首先用Haar特征将被检测对象映射为一个高维特征向量，接着用SVM分类器判断图像目标属于哪一类；若判断为是摩托车，则进入下一个步骤；
步骤4)确定感兴趣区域以及头部子窗口：首先，将判断为是摩托车的E图像的上1/6～1/4部分被定义为感兴趣区域，记为图像G；然后，头部子窗口的确定：用圆Hough变换来计算图像G中的圆，将图像G中具有最佳圆形度的子图像所对应的外切正方形记为图像I；
步骤5)特征提取：用HOG描述符对步骤4)中的图像I进行特征提取：其中HOG描述被分隔成九块，每块被分隔成九个小单元格，于是产生了由81个子特征组成的一个特征向量H；
步骤6)子窗口的分类：经步骤5)将步骤4)中的图像I进行特征提取后，都会得到一个步骤5)中的特征向量H，将这一系列的特征向量H输入到多层神经网络MLP分类器中对子窗口进行分类，从而驾驶员的头部区域图像分类为有头盔和无头盔两大类，从而最终实现了摩托车驾驶员头盔佩戴与否的检测。
进一步的，所述步骤1)中图像采集装置为CCD摄像机。
进一步的，所述步骤4)中摩托车的E图像的上1/5为感兴趣区域。
附图说明
附图1为本发明实施方案流程图；
有益效果：
1.该方法分两个阶段：摩托车辆分割和分类以及头盔使用的检测。对于摩托车辆分类，我们采用Haar特征作为描述符和SVM模型作为分类器；对于头盔检测，我们用圆Hough变换(CHT)进行头部区域提取，利用梯度方向直方图(HOG)描述符提取图像特征，并且用多层神经网络(MLP)分类器将目标进行分类，通过该分类方法从而实现了从而最终实现了摩托车驾驶员头盔佩戴与否的检测。
2.通过车辆分割和分类以及头盔使用与否的双级检测策略，实现头盔检测的全部过程。
3.该方法利用广泛的道路监控，利用视觉传感由于具有信息量大、成本低廉的特点，解决未佩戴头盔检测这一问题。
具体实施方式
一种对摩托车驾驶员头盔佩戴情况的视觉检测方法，包括如下步骤：
步骤1)背景图像的获取：将图像采集装置安装于路边处对道路运行状况进行采集，从视频流中提取出来的道路实际图像设为A，用自适应高斯混合模型算法在视频流中提取不含运动物体的背景图像设为B；
步骤2)运动目标的分割：将运动目标从拍摄的图像中分割出来：首先，将步骤1)中所得的图像A和图像B相减，得到图像C；然后，对图像C二值化：用otsu阀值分割法将图像C进行二值化处理，得到图像D；最后，对运动物体分割：对图像D进行边缘检测，并用形态学闭合算子对图像除燥，去除图像噪声，得到分割出的代表运动物体的子图E；
步骤3)目标分类：将步骤2)中得到的子图像E划分成两种：摩托车和非摩托车；首先用Haar特征将被检测对象映射为一个高维特征向量，接着用SVM分类器判断图像目标属于哪一类；若判断为是摩托车，则进入下一个步骤；
步骤4)确定感兴趣区域以及头部子窗口：首先，将判断为是摩托车的E图像的上1/6～1/4部分被定义为感兴趣区域，记为图像G；然后，头部子窗口的确定：用圆Hough变换来计算图像G中的圆，将图像G中具有最佳圆形度的子图像所对应的外切正方形记为图像I；
步骤5)特征提取：用HOG描述符对步骤4)中的图像I进行特征提取：其中HOG描述被分隔成九块，每块被分隔成九个小单元格，于是产生了由81个子特征组成的一个特征向量H；
步骤6)子窗口的分类：经步骤5)将步骤4)中的图像I进行特征提取后，都会得到一个步骤5)中的特征向量H，将这一系列的特征向量H输入到多层神经网络MLP分类器中对子窗口进行分类，从而驾驶员的头部区域图像分类为有头盔和无头盔两大类，从而最终实现了摩托车驾驶员头盔佩戴与否的检测。
其中，所述步骤1)中图像采集装置为CCD摄像机。
所述步骤4)中摩托车的E图像的上1/5为感兴趣区域。
具体实施例
步骤1：背景图像获取：将图像采集装置CCD摄像机安装于路边处，调整图像采集装置的位置和姿态，以获得高质量的图像(视频)；设从视频帧中被提取出来的道路实际图像为A；用自适应高斯混合模型算法(该算法为常用算法，不加赘述)在视频流中提取出不含运动物体的背景图像为B；
步骤2：运动目标的分割：将运动目标从拍摄的图像中分割出来，可通过以下步骤实现；
步骤2.1：背景差法：将步骤1中所得图像A和B相减，得到图像C：
步骤2.2：图像二值化。用Otsu阈值分割法(该算法为常用算法，不加赘述)将步骤2.1中的图像C进行二值化处理，得到图像D：所选取的阈值由Otsu自动计算得到；采用该阈值对图像C进行二值化；高于该阈值的像素置“1”；将其余像素置“0”；
步骤2.3：运动物体分割：对步骤2.2中的图像D进行边缘检测，并用形态学闭合算子对图像除噪，得到分割出的代表运动物体的子图像E；
步骤3：目标分类：在交通场景下中，步骤2所分割出的物体(即子图像E)可划分成两种：摩托车和非摩托车；这里采用经典的Haar特征结合SVM分类器的方法：首先用Haar特征将被检测对象映射为一个高维特征向量；接着用SVM分类器判断图像目标属于哪一类：若判断为是摩托车，则进入步骤4；
步骤4：确定RoI及其子窗口；
步骤4.1：感兴趣区域(RoI)提取：将判断为是摩托车的E图像的上1/5部分被定义为感兴趣区域，记为图像G：这个感兴趣区域是通过对车辆分割阶段得到的图像进行统计得到的经验值，头部区域通常位于上1/5图像区域；
步骤4.2：头部子窗口的确定。用圆Hough变换CHT来计算图像G中可能的圆；将图像G中具有最佳圆形度的子图像所对应的外切正方形记为图像I，该子窗口视为摩托车驾驶员的头部区域；
步骤5：特征提取：用HOG描述符对步骤4.2中的图像I进行特征提取。其中HOG描述符被分隔成九块，每块被分隔成九个小单元格，于是产生了由81个子特征组成的一个特征向量H；
步骤6：子窗口的分类：经步骤5中特征提取后，每个生成的子窗口都会得到一个特征向量，将这一系列的特征向量H输入到多层神经网络MLP分类器中对子窗口进行分类，将驾驶员的头部区域图像分类为有头盔和无头盔两大类，从而最终实现了摩托车驾驶员头盔佩戴与否的检测；
步骤1至步骤6即通过车辆分割和分类以及头盔使用与否的双级检测策略，实现头盔检测的全部过程。
采用本发明的方法，首先使用C++语言编写摩托车驾驶员头盔检测软件；然后将摄像机安装在道路边合适位置，并在车辆行驶过程中对车辆图像进行采集；随后，把拍摄到的原始图像输入到头盔检测软件中进行处理；该视频的分辨率为1280*720像素并且30帧/秒，视频的总时间是150分钟，车辆分类结果的准确率达到了97.78％。头盔检测算法则达到了91.37％的准确率。运行环境为WinXP，CPU为2.4GHz。
综上所述，本发明以车辆分割和分类以及头盔使用的检测为一个完整体系，充分利用了Haar特征描述符和SVM模型作为分类器在车辆分类阶段获得的高精度以及用圆Hough变换(CHT)对头部区域的准确提取，进而采用梯度方向直方图(HOG)描述符提取图像特征，用多层神经网络(MLP)分类器将目标进行分类在头盔检测阶段获得的高评价指标的特点，从而实现了准确的从所提供的输入源图像中检测出驾驶员是否佩戴头盔的方法。
所述实施例为本发明的优选的实施方式，但本发明并不限于上述实施方式，在不背离本发明的实质内容的情况下，本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。