法律状态公告日
法律状态信息
法律状态
2018-06-29
授权
授权
2015-12-30
实质审查的生效 IPC(主分类):G06K9/00 申请日:20150819
实质审查的生效
2015-12-02
公开
公开
技术领域
本发明涉及图像检测领域,更具体地说,涉及一种基于小线分析的未系安全带自动检测方法。
背景技术
近年来,随着经济的发展,国内汽车保有量也不断增加,随之导致交通事故也日益频发。而在众多交通事故中,由于司乘人员未系安全带而导致伤亡加重的事件也越来越多。因此,为了减少意外伤亡人数,交管部门在城市道路和高速公路上都安装了大量的交通视频设备,对交通安全进行实时监控,并且通过各种技术手段加大了对未系安全带等交通违法、违规行为的监控力度,以确保能够及时发现未系安全带等违法、违规行为。
现有的安全带检测方法大多是对安全带区域进行直线检测,通过边缘检测来检测是否佩戴安全带。但此方法很容易将衣领、衣服褶皱等区域误认为目标对象,检测出多条直线,从而判定司乘人员佩戴了安全带,造成误判。
发明内容
针对现有安全带检测技术的缺陷,提供了一种基于小线分析的未系安全带自动检测方法。它主要是将小线分析这一多尺度几何分析方法应用于未系安全带的自动检测,解决了采用直线检测所带来的缺陷,提高了未系安全带的检测精度。具体技术方案如下:
一种基于小线分析的未系安全带自动检测方法,其特征在于:包括如下步骤:
步骤一,采集包含汽车的待测图像;
步骤二,定位待测图像中的车牌区域,获取包含车窗的车体矩形区域;
步骤三,对车体矩形区域进行颜色统计,获得车窗区域;
步骤四,将车窗区域均分为左右两部分,确定目标检测区域;
步骤五,在目标检测区内,运用小线分析判断司乘人员是否系安全带。
进一步的,步骤一的具体过程:在待测图像采集过程中,采用连续低照度LED进行光线补偿,获取较为清晰的图像。
进一步的,步骤二的具体过程:先对采集到的待测图像进行平滑去噪,再将其转化为灰度图像,减少噪声的干扰;接着进行车牌检测,其主要通过颜色特征提取,可定义车牌的红、绿、蓝这三种颜色分量分别为r、g、b,则蓝色车牌像素满足以下条件:
其中,根据待测图像的亮度确定,和则取经验值;
此外,对于不满足以下不等式的标记为黄色车牌像素:
其中,和取经验值;
将标记有车牌像素的图像进行连通区域划分,利用多边形逼近法对各个区域进行标记,根据长宽比以及拟合多边形的边数筛选出候选车牌区域,最后对微小区域和庞大区域进行排除得到车牌的区域;
根据得到的车牌的区域确定车牌长度为,车牌中心的坐标为,接下去即可确定包含车窗的车体矩形区域的左上角的坐标为,右下角的坐标为;
也就是说,包含车窗的车体矩形区域的长度是4个车牌长度,宽度是2个车牌长度。
进一步的,步骤三的具体过程:在步骤二得到的包含车窗的车体矩形区域中提取颜色特征,并进行统计,颜色分量最大的区域即为车窗的区域。
进一步的,步骤四的具体过程:将由步骤三得到的车窗区域均分为左右两部分,用人脸检测方法或行人检测方法分别检测主驾驶和副驾驶座位上是否有人;
若存在人脸或者行人,则将该区域作为司乘人员是否系安全带的目标检测区域,否则就不需要进行安全带检测。
进一步的,步骤五的具体过程:设置安全带与水平方向的夹角为,安全带像素值与非安全带像素值之差的阈值为,进行如下步骤:
(1)预处理:将目标检测区域缩放为大小,则其可看作是一个存在于单位正方形的函数,且;
(2)建立小线库:将缩放后的图像均匀划分为四个子正方形,即每个子正方形的边长为原来的一半,再将子正方形再均匀分成四个更小的子正方形,以此类推,得到的最后的子正方形边长等于;
用给每个子正方形的顶点做标记,连接每个子正方形里的任意一对顶点,得到各种方向、尺度和位置的小线段,这些小线段的集合就是小线库;
(3)小线变换:读取小线的两个端点和的像素值和并计算其差值,若差值大于则将该小线舍去,否则保留该小线,得到新的小线库;
用离散小线变换公式计算小线的变换系数:
其中,是一个平均插值函数;
(4)提取线段:计算,并进行幅度归一化,设定一个阈值,当大于时,则显示相应小线;当不大于时,则不显示相应小线;
其中,是小线的长度;
(5)判断是否系安全带:在显示的所有小线中找出所有角度为的线段,将其两两组合,计算它们之间的距离值;
若所有的距离值都不在安全带宽度的区域内,则表示所有的线段都不是安全带的边缘线段,可判断为未系安全带;若存在距离值在安全带宽度的区域内,则表示其所对应的线段对是安全带的边缘线段,可判断为已系安全带。
附图说明
图1是包含车窗的车体矩形区域定位的一个实施例的流程图;
图2是图1中含车窗的车体矩形区域的示意图;
图3是用小线分析判断司乘人员是否系安全带的一个实施例的流程图;
图4是用小线分析逼近一条线段。
具体实施方式
下面结合附图对本发明作进一步说明。如图1、2、3、4所示,本发明基于小线分析的未系安全带自动检测方法包括步骤如下:
步骤一的具体过程:在待测图像采集过程中,采用连续低照度LED进行光线补偿,获取较为清晰的图像。
可设定连续补光时间为4s,再加上LED灯光本身具有一定的方向性和聚光罩的聚光效果,使光线更加集中在待检测区域,从而可以有效降低灯亮给驾驶员造成的干扰。
参见图1所示,步骤二的具体过程如下:先对采集到的待测图像进行平滑去噪,再将其转化为灰度图像,减少噪声的干扰,提高后续工作的准确性。接着进行车牌检测,其主要通过颜色特征提取,可定义车牌的红、绿、蓝这三种颜色分量分别为r、g、b,则蓝色车牌像素满足以下条件:
其中,可根据待测图像的亮度在中取值,和可根据经验分别取值为1.2、50。此外,对于不满足以下不等式的标记为黄色车牌像素:
其中,和可根据经验分别取值为1.2和1.9。
将标记有车牌像素的图像进行连通区域划分,利用多边形逼近法对各个区域进行标记,根据长宽比以及拟合多边形的边数筛选出候选车牌区域,最后对微小区域和庞大区域进行排除得到车牌的区域。
参见图2所示,可根据车牌的区域确定车牌长度为,车牌中心的坐标为,接下去即可确定包含车窗的车体矩形区域的左上角的坐标为,右下角的坐标为。也就是说,包含车窗的车体矩形区域的长度是4个车牌长度,宽度是2个车牌长度。
步骤三的具体过程:在步骤二得到的包含车窗的车体矩形区域中提取颜色特征,并进行统计,颜色分量最大的区域即为车窗的区域。
步骤四的具体过程:将由步骤三得到的车窗区域均分为左右两部分,用人脸检测方法或行人检测方法分别检测主驾驶和副驾驶座位上是否有人。若存在人脸或者行人,则将该区域作为司乘人员是否系安全带的目标检测区域,否则就不需要进行安全带检测。
其中,人脸可以采用Haar特征结合AdaBoost分类器进行检测,也可以采用LBP特征结合AdaBoost分类器进行检测,也可以通过LBP特征结合SVM分类器进行检测,检测到人脸之后,可以根据人脸区域来确定司乘人员的上半身位置,将其确定为目标检测区域。行人可以采用HOG特征结合神经网络分类器进行检测,也可以采用Haar-like特征结合AdaBoost分类器进行检测,也可以采用HOG特征和LBP特征结合SVM分类器进行检测,而检测到的行人区域即为目标检测区域。
一般而言,车窗的右半边区域一定存在目标检测区域,即主驾驶座上肯定有人。而左半边区域则不一定存在目标检测区域,若存在则表明副驾驶座上有人,若不存在则表明副驾驶座上没有人。
参见图3所示,步骤五的具体过程:参见图4所示,可在目标检测区域中,运用小线分析来逼近区域内的线段,再从中查找是否有满足条件的线段,进而判断司乘人员是否系安全带。其中,小线分析可被理解为小波分析多尺度概念的延伸,它以各种方向、尺度和位置的小线段为基本单元来建立小线库,图像与库中的小线段积分产生小线变换系数,以小线金字塔方式组织变换系数,再通过图的形式从金字塔中提取小线变换系数,从而实现多尺度分析。
设置安全带与水平方向的夹角为,安全带像素值与非安全带像素值之差的阈值为。一般而言,主驾驶座安全带的角度为约为300~600,副驾驶座安全带的角度为约为1200~1500。进行如下步骤:
(1)预处理:将目标检测区域缩放为大小,则其可看作是一个存在于单位正方形的函数,且。
(2)建立小线库:小线库是包含各种方向、尺度和位置的小线段的集合,它是任何线段、曲线集合多尺度逼近的基础和关键。
将缩放后的图像均匀划分为四个子正方形,即每个子正方形的边长为原来的一半,再将子正方形再均匀分成四个更小的子正方形,以此类推,得到的最后的子正方形边长等于。用给每个子正方形的顶点做标记,连接每个子正方形里的任意一对顶点,得到各种方向、尺度和位置的小线段,这些小线段的集合就是小线库。
(3)小线变换:读取小线的两个端点和的像素值和并计算其差值,若差值大于则将该小线舍去,否则保留该小线,得到新的小线库。用离散小线变换公式计算小线的变换系数:
其中,是一个平均插值函数。
(4)提取线段:计算,并进行幅度归一化,设定一个阈值,当大于时,则显示相应小线;当不大于时,则不显示相应小线。其中,是小线的长度。
(5)判断是否系安全带:在显示的所有小线中找出所有角度为的线段,将其两两组合,计算它们之间的距离值。一般而言,安全带宽度为46~49mm。若所有的距离值都不在这一范围内,则表示所有的线段都不是安全带的边缘线段,可判断为未系安全带;若存在距离值在这一范围内,则表示其所对应的线段对是安全带的边缘线段,可判断为已系安全带。
机译: 安全带线圈容器未系安全带
机译: 防止汽车起步的安全系统-在未系安全带的情况下使用安全带致动的点火电路中的开关进行操作
机译: 一种基于家禽小肥料的肥料和一种由家禽小肥料制成基于家禽小肥料的肥料的方法