[发明专利]一种基于卡口图片的驾驶员安全带检测方法

说明书

技术领域

本发明涉及图像处理模式识别领域，尤其涉及一种基于卡口图片的驾驶员安全带 检测方法。

背景技术

随着城市经济高速增长，城市化进程加快，交通安全成为困扰目前我国城市交通 领域的一大难题。据公安交通部门统计，在所有的交通事故中，汽车驾乘人员不系安全带是 造成道路交通死亡事故的重要原因。据统计，未系安全带的事故死亡率约为系安全带的 37.7倍。所以对未系安全带驾驶人员进行监控检测和预警十分必要，但现有检测系统大部 分算法复杂检测率较低，且大部分运行在服务器端部署对接不方便。

发明内容

为解决上述问题，本发明的提供的方案是：

本发明的一种基于卡口图片的驾驶员安全带检测方法，而包括粗略定位安全带位置范 围，精确定位疑似安全带区域，对疑似安全带进行精确识别。

所述的粗略定位安全带位置范围的方法为检测车窗位置范围，包括检测水平边缘 线段，Hough检测水平直线，聚类水平直线，找到最大的两个投影，作为车窗的上下边缘位 置，从而确定车窗位置范围，即安全带位置范围。

所述的精确定位疑似安全带区域的方法包括通过颜色Canny45°边缘检测方法检 测梯度为45°的梯度边缘。

利用45°梯度增强方法对所述的梯度边缘进行增强。

利用Hough变换检测所述的梯度边缘直线，得到疑似安全带区域。

对疑似安全带进行精确识别的方法为：利用梯度方向直方图特征和人工神经网络 方法进行精确识别安全带区域。

本发明采用先粗略检测再精确判别的方法，充分利用已有的人脸和车窗等信息， 去除大量的干扰，再利用经典的图像处理技术，对疑似安全区边缘进行增强，最后利用模式 识别方法对疑似安全带区域进行最终的判别。本发明充分利用大数据信息，充分学习训练 安全带模型，使安全带识别的准确性和稳定性大幅提高。

附图说明

图1是本发明的流程图；

图2是本发明的具体实施例工作流程图；

图3是本发明的训练和预测工作流程图；

图4是本发明的45°边缘增强滤波器。

具体实施方式

以下参照附图及实施例对本发明的一种基于卡口图片的驾驶员安全带检测方法 进行详细的说明。

如图1所示，一种基于卡口图片的驾驶员安全带检测方法，而包括粗略定位安全带 位置范围，精确定位疑似安全带区域，对疑似安全带进行精确识别。

所述的粗略定位安全带位置范围的方法为检测车窗位置范围，包括检测水平边缘 线段，Hough检测水平直线，聚类水平直线，找到最大的两个投影，作为车窗的上下边缘位 置，从而确定车窗位置范围，即安全带位置范围。

所述的精确定位疑似安全带区域的方法包括通过颜色Canny45°边缘检测方法检 测梯度为45°的梯度边缘。

利用45°梯度增强方法对所述的梯度边缘进行增强。

利用Hough变换检测所述的梯度边缘直线，得到疑似安全带区域。

对疑似安全带进行精确识别的方法为：利用梯度方向直方图特征和人工神经网络 方法进行精确识别安全带区域。

如图2所示，以下是本发明的具体实施方式工作流程。

1.图像输入。

2.车窗检测。检测水平边缘线段，Hough检测水平直线，聚类水平直线，找到最大的 两个投影，作为车窗的上下边缘位置。

3.45°Canny边缘检测。首先利用公式1进行高斯平滑，再利用一阶差分获取x,y方 向边缘，之后最大值抑制只留取45°边缘，如公式2所示，dy,dx分别表示y方向和x方向梯度。

公式1：

公式2：

1.45°方向滤波。对Canny后的图像进行边缘滤波增强。滤波器模板如图4所示。

2.Hough变换检测直线。对边缘增强图像进行Hough检测直线，把检测到直线片段 作为疑似安全带候选区域。

3.HOG（HistogramofOrientedGradient，梯度方向直方图）特征和ANN（人工神 经网络）分类器的模式分类。其训练与预测流程如图3所示。

训练阶段，输入训练样本图像，进行归一化，提取HOG特征训练BP神经网络分类器， 如果识别错误，则在样本周围扩大分辨率重新提取特征，重新训练BP神经网络分类器分类 器，如果识别正确保存到模型。