[发明专利]一种基于Adaboost的安全带检测方法

权利要求书

1.一种基于Adaboost算法的安全带区域部件检测方法，其特征在于，包括以下步骤：

步骤1：建立车辆正面图像的高斯混合模型；

所述建立车辆正面图像的高斯混合模型时，按以下方式获取：步骤1.1：将车辆正面图像划分为车窗区域部件、驾驶员区域部件、安全带区域部件三个部件；步骤1.2：将检测车辆分为大型车、中型车、小型车三种类型；

车辆正面图像的高斯混合模型M定义如下：

M＝{part_w，part_p，part_b，pos_w，p，b}

其中，part_w表示模型中的车窗区域部件，part_p表示模型中的驾驶员区域部件，part_b表示模型中的安全带区域部件，pos_w，p，b＝{p_w，p，b，d_w，p，b}表示各部件之间的位置关系；p_w，p，b表示各部件之间的空间位置关系，对于不同的国家和地区，由于驾驶员区域部件所在的位置不同，此位置关系也不同；d_w，p，b表示各部件间的距离，且

d_w，p，b∈N_i(μ_i，δ_i)，i∈{big，middle，small}

N_i(μ_i，δ_i)表示均值为μ，方差为δ的高斯模型；通过统计标注车窗区域部件、驾驶员区域部件以及安全带区域部件之间的距离，得到每一类型的车辆所对应的均值和方差，即得到车辆的高斯混合模型；

步骤2：通过高斯混合模型建立基于Adaboost算法的车辆各部件粗定位，得到各部件候选区域和对应可信度；

所述建立基于Adaboost算法的车辆各部件粗定位时，按以下步骤进行：步骤2.1：首先对车辆正面图像进行正面车窗区域部件检测；步骤2.2：在正面车窗区域部件 候选区域内进行驾驶员区域部件检测；步骤2.3：在驾驶员区域部件候选区域进行安全带区域部件检测；

所述的基于Adaboost算法的车辆各部件粗定位，首先要提取待检测区域的高维的Haar-like特征；

使用Adaboost算法先后对车窗区域部件、驾驶员区域部件和安全带区域部件进行粗定位；各部件的粗定位包括针对各部件的模型训练过程和定位过程；

训练过程一方面从高维的Haar-like特征中选取对分类识别起关键作用的特征，另一方面为识别过程准备用于两类分类识别的Adaboost分类器，定位过程首先对测试样本提取关键Haar-like特征，然后将特征输入到Adaboost分类器进行各部件存在性检测，定位各部件的候选区域；

Adaboost算法的详细流程如下：

给定训练数据集{(x₁,y₁),...,(x_i,y_i),...,(x_m,y_m)}，其中x_i表示第i个样本，y_i表示第i个样本的分类，y_i∈{-1,+1}；

设定样本的初始化权重：

(1)对迭代次数t赋初始值t＝1，

(2)训练弱分类器第t次迭代的模型，目标函数为其中

是损失函数，D_t(i)是第t次迭代的样本权重；

(3)训练弱分类器的权值其中z_t是可训练参数；

(4)进行第t+1次迭代，并更新第t+1次迭代的样本权重D_t+1(i)，其中

z_t用来归一化权重；

(5)继续迭代并更新样本权重，直到t＝T；

(6)由上文所获得的权重a_t和所获得的分类器h_t(x)，得到强分类器由于可以通过后续的基于高斯混合模型对粗定位得到的区域进行滤除，因此在利用强分类器进行各部件检测的时候，目标使得漏检率最小，容许一定的误检率；设置检测规则为：当被检测区域通过前K个弱分类器时，认为该区域为待检测部件候选区域，同时继续使用K+1至第T个弱分类器进行扫描，并记录其通过的弱分类器的数目做为该候选区域的可信度；其中K<T，T表示预设的最高迭代次数；

步骤3：进行基于高斯混合模型的图像后处理，得到安全带区域部件检测的精确结果；

通过Adaboost算法得到车辆各部件的候选区域后，通过训练得到的车辆高斯混合模型来进行安全带区域部件的精细定位；

所述的基于高斯混合模型的后处理计算方法如下：设L＝{l_w，l_p，l_b}为模型M在图像中的一个实现，其中l_w表示车窗区域部件在图像中的位置，l_p表示驾驶员区域部件在图像中的位置，l_b表示安全带区域部件在图像中的位置，设m(l_w)表示车窗区域部件在l_w的可信度，m(l_p)表示驾驶员区域部件在l_p的可信度，m(l_b)表示安全带区域部件在l_b的可信度，m(l_w，l_p，l_b)表示车窗区域部件、驾驶员区域部件、安全带区域部件与模型的符合度且：

其中d_w，p，b为各部件候选区之间的距离，N_i(μ_i，δ_i)为通过训练得到的高斯模型，其中i∈{big，middle，small}

根据高斯混合模型进行车辆各部件精确定位，即找到L*使得：