一種基于Adaboost的安全帶檢測方法
【專利摘要】本發(fā)明公開了一種基于Adaboost的安全帶檢測方法，包括以下步驟：建立車輛正面圖像的高斯混合模型；通過高斯混合模型建立基于Adaboost的車輛各部件粗定位，得到各部件候選區(qū)域和對應(yīng)可信度；進行基于高斯混合模型的圖像后處理，得到安全帶檢測的精確結(jié)果。相對其他方法，本發(fā)明檢測率較高且虛警率與漏檢率較低，對于背景和光照的魯棒性較強，能廣泛運用于不同的道路環(huán)境、光照條件、拍攝視角下的車輛安全帶檢測。
【專利說明】—種基于Adaboost的安全帶檢測方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于智能交通領(lǐng)域，涉及一種圖像檢測方法，更具體的涉及到一種基于Adaboost的安全帶檢測方法。
【背景技術(shù)】
[0002]每年有超過120萬人死于機動車事故，相當(dāng)比例的交通事故中，當(dāng)駕駛員佩帶安全帶時，造成的人員傷亡明顯減輕。目前，世界上大多數(shù)國家都通過法律強制要求駕駛員在行駛中使用安全帶。通過監(jiān)控相機進行駕駛員安全帶檢測成為了智能交通領(lǐng)域的比較新穎的課題，對于那些輕視交通法規(guī)和安全意識淡薄的駕乘人員，該技術(shù)的實現(xiàn)可以在很大程度上起到提醒和警告作用，在保證安全駕駛的同時提高駕駛員遵守交通法規(guī)的意識。
[0003]隨著成像技術(shù)的發(fā)展，高清攝像機可以獲取高速行駛中車輛和駕駛員的清晰圖像。目前，基于圖像處理的安全帶檢測方法相關(guān)研究較少，仍然有許多困難，主要表現(xiàn)為:道路環(huán)境復(fù)雜，變化多樣、車輛以及安全帶圖像會受到包括光照、拍攝視角甚至相機規(guī)格等因素的影響。

【發(fā)明內(nèi)容】

[0004]本發(fā)明的目的在于克服現(xiàn)有技術(shù)的缺點和不足，提出一種基于Adaboost安全帶檢測方法，此方法主要解決了機動車車輛圖片中駕駛員的安全帶檢測，并且可應(yīng)用于不同的道路環(huán)境和光照條件下。
[0005]本發(fā)明提供了一種基于Adaboost的安全帶檢測方法，包括以下步驟:
[0006]步驟1:建立正面車輛的高斯混合模型；
[0007]車輛正面視圖的高斯混合模型M定義如下:
[0008]M= {partw, partp, partb, posw,p,b}
[0009]其中，partw表示模型中的車窗部件，partp表示模型中的駕駛員區(qū)域部件，posb表示模型中的安全帶部件，P0Sw,p,b={Pw,p,b, dw,p,J表示各部件之間的位置關(guān)系；特別的，pw, p, b表示各部件之間的空間位置關(guān)系，對于不同的國家和地區(qū)，由于駕駛員所在的位置不同，此位置關(guān)系也不同；dw,p,b表示各部件間的距離，且
[0010]dw,p,b e Ni ( μ i, δ j), i e {big, middle, small}
[0011]N^yi, Si)表示均值為μ，方差為δ的高斯模型；通過統(tǒng)計標(biāo)注車窗、駕駛員以及安全帶之間的距離，得到每一類型的車輛所對應(yīng)的均值和方差，既得到車輛的高斯混合模型。
[0012]步驟2:基于Adaboost的車輛各部件粗定位，得到各部件候選區(qū)域和對應(yīng)可信度；
[0013]使用Adaboost算法先后對車窗部件、駕駛員部件和安全帶部件進行粗定位；各部件的粗定位包括針對各部件的模型訓(xùn)練過程和定位過程。
[0014]訓(xùn)練過程一方面從高維的Haar-1ike特征中選取對分類識別起關(guān)鍵作用的特征，另一方面為識別過程準(zhǔn)備用于兩類分類識別的Adaboost分類器，定位過程首先對測試樣本提取關(guān)鍵Haar-1ike特征，然后將特征輸入到Adaboost進行各部件存在性檢測,定位各部件的候選區(qū)域。
[0015]步驟3:基于高斯混合模型的后處理，得到安全帶檢測的精確結(jié)果；
[0016]通過Adaboost得到車輛各部件的候選區(qū)域后，通過訓(xùn)練得到的車輛高斯混合模型來進行安全帶區(qū)域的精細(xì)定位。
[0017]設(shè)L={lw，lp，lb}為模型M在圖像中的一個實現(xiàn)，其中Iw表示車窗在圖像中的位置，Ip表示駕駛員區(qū)域在圖像中的位置，Ib表示安全帶在圖像中的位置，設(shè)Hi(Iw)表示車窗位置在Iw的可信度，Hi(Ip)表示車窗位置在Ip的可信度，m(lb)表示車窗位置在Ib的可信度，m(lw, lp, Ib)表示車窗區(qū)域、駕駛員區(qū)域、安全帶區(qū)域與模型的符合度且:
[0018]
【權(quán)利要求】
1.一種基于Adaboost的安全帶檢測方法,其特征在于,包括以下步驟: 步驟1:建立車輛正面圖像的高斯混合模型； 步驟2:通過高斯混合模型建立基于Adaboost的車輛各部件粗定位，得到各部件候選區(qū)域和對應(yīng)可信度； 步驟3:進行基于高斯混合模型的圖像后處理，得到安全帶檢測的精確結(jié)果。
2.根據(jù)權(quán)利要求1所述的基于Adaboost的安全帶檢測方法,其特征在于,步驟I中建立車輛正面圖像的高斯混合模型時，按以下方式獲取: 步驟1.1:將車輛正面圖像劃分為車窗區(qū)域、駕駛員區(qū)域、安全帶區(qū)域三個部件； 步驟1.2:將檢測車輛分為大型車、中型車、小型車三種類型。
3.根據(jù)權(quán)利要求1所述的基于Adaboost的安全帶檢測方法,其特征在于,步驟2中建立基于Adaboost的車輛各部件粗定位時，按以下步驟進行: 步驟2.1:首先對車輛圖像進行正面車窗檢測； 步驟2.2:在正面車窗候選區(qū)域內(nèi)進行駕駛員區(qū)域檢測； 步驟2.3:在駕駛員候選區(qū)域進行安全帶檢測。
4.根據(jù)權(quán)利要求1所述的基于Adaboost的安全帶檢測方法，其特征在于，步驟2中所述的基于Adaboost的車輛各部件粗定位,首先要提取待檢測區(qū)域的高維的Haar-1ike特征。
5.根據(jù)權(quán)利要求1所述的基于Adaboost的安全帶檢測方法，其特征在于，步驟2中所述的得到各部件候選區(qū)域和對應(yīng)可信度，當(dāng)被檢測區(qū)域通過前K(K〈T，其中T表示預(yù)設(shè)的最高迭代次數(shù))個弱分類器時，認(rèn)為該區(qū)域為待檢測部件候選區(qū)域，同時繼續(xù)使用Κ+1至第T個弱分類器進行掃描，并記錄其通過的弱分類器的數(shù)目作為該候選區(qū)域的可信度，公式(I)中X表示待檢測部件
confidencex=numpassed classifier (I)。
6.根據(jù)權(quán)利要求1所述的基于Adaboost的安全帶檢測方法,其特征在于,步驟3中所述的基于高斯混合模型的后處理計算方法如下:設(shè)L={lw，lp, IJ為模型M在圖像中的一個實現(xiàn)，其中Iw表示車窗在圖像中的位置，Ip表示駕駛員區(qū)域在圖像中的位置，Ib表示安全帶在圖像中的位置，設(shè)m(lw)表示車窗位置在Iw的可信度，m(lp)表示車窗位置在Ip的可信度，m(lb)表示車窗位置在Ib的可信度，可信度均可通過公式(I)來計算，m(lw，lp, Ib)表示車窗區(qū)域、駕駛員區(qū)域、安全帶區(qū)域與模型的符合度；根據(jù)高斯混合模型進行車輛各部件精確定位，即找到L*使得:
【文檔編號】G06K9/62GK103955704SQ201410174018
【公開日】2014年7月30日 申請日期:2014年4月26日 優(yōu)先權(quán)日:2014年4月26日
【發(fā)明者】陳雁翔, 李賡, 覃勛輝, 王猛, 陶剛, 鄒嬌, 閆永剛 申請人:合肥工業(yè)大學(xué)