本發(fā)明屬于智能交通領(lǐng)域，涉及一種基于交通卡口圖像采用深度CNN(卷積神經(jīng)網(wǎng)絡(luò))的安全帶檢測方法，通過建立樣本庫并對其進(jìn)行深度卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練，采用訓(xùn)練參數(shù)來判斷新輸入的圖像中司機(jī)是否佩戴安全帶。

背景技術(shù)：
：

隨著交通管理制度和電子監(jiān)控的完善，司機(jī)開車時一般還是系了安全帶，但是仍有很大部分司機(jī)開車不系安全帶，特別是貨車司機(jī)、出租車司機(jī)和缺乏監(jiān)管的主要在郊區(qū)駕車的司機(jī)；而且，副駕駛的乘客不系安全帶的現(xiàn)象更甚，特別是在乘坐出租車的時候，副駕駛的乘客幾乎沒有系安全帶的，原因是自己對乘車安全的不夠重視。據(jù)權(quán)威專業(yè)機(jī)構(gòu)統(tǒng)計，佩戴安全帶，可使正面撞車傷亡率減少75％，翻車傷亡率減少80％。系安全帶可以保證在車禍發(fā)生時，車內(nèi)駕乘者的生命安全，至少傷亡概率更低。因此如何更好的督促駕駛員在駕駛時佩戴安全帶具有重大意義?，F(xiàn)有的安全帶檢測方法大多采用對獲取的駕駛員區(qū)域進(jìn)行直線段檢測，如果檢測到兩條平行的線段，并且這兩條平行線與水平線的夾角為30-60度之間，則判斷為系安全帶，否則為不系安全帶?，F(xiàn)有的基于傳統(tǒng)圖像處理的方法的缺點是，在實際交通卡口圖像處理時，樣本多樣化程度嚴(yán)重，不同光照，不同車輛，以及駕駛員衣服的干擾使得基于圖像處理的安全帶檢測方法效率低下，精度低下。因此，設(shè)計一種基于深度CNN的安全帶檢測方法具有良好的社會效益和經(jīng)濟(jì)效益。

技術(shù)實現(xiàn)要素：
：

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，尋求設(shè)計一種基于深度CNN的安全帶檢測方法，通過采集并建立樣本庫，并對其進(jìn)行深度卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練，采用訓(xùn)練參數(shù)來判斷新輸入的圖像中司機(jī)是否佩戴安全帶。

為了實現(xiàn)上述目的，本發(fā)明涉及的基于深度CNN的安全帶檢測方法主要包括以下步驟：

(1)、提取駕駛員區(qū)域灰度圖像：采集交通卡口拍攝的機(jī)動車行時的彩色圖像，將彩色圖像轉(zhuǎn)變?yōu)榛叶葓D像；在裝有MATLAB工具的計算機(jī)系統(tǒng)中使用如下計算機(jī)函數(shù)對灰度圖像進(jìn)行處理，以便將車窗區(qū)域部分的圖像從原始灰度圖像中提取出來：

carWindowAreaX1＝max(plateCenterX-plateW*2，1)；

carWindowAreaY2＝max(plateCenterY-plateW,1)；

carWindowAreaX2＝min(plateCenterX+plateW*2,srcImgW)；

carWindowAreaY1＝min(plateCenterY-plateW*4.5,srcImgH)；

其中plateCenterX、plateCenterY為分別定位的車牌區(qū)域的中心點的X和Y坐標(biāo)，plateW為車牌的寬度，srcImgW和srcImgH分別表示圖像的寬度和高度；然后對提取出來的圖像進(jìn)行邊緣檢測，對圖像進(jìn)行邊緣檢測濾波，采用LOG(高斯拉普拉斯)算子進(jìn)行濾波，Gaussian(高斯)濾波器中高斯方差選為7，以便減少小的邊緣的干擾；對經(jīng)過濾波提取的線段進(jìn)行合并，最大長度的兩條線段即為車窗區(qū)域的上下邊緣，即得駕駛員區(qū)域灰度圖像；

(2)、建立樣本庫：對步驟(1)采集的駕駛員區(qū)域灰度圖像進(jìn)行歸一化處理，把圖像縮放為144×144像素，挑選系安全帶的圖像12000張作為正樣本，非確定系安全帶的圖像4000張作為負(fù)樣本；然后對負(fù)樣本進(jìn)行擴(kuò)展，把非確定系安全帶的負(fù)樣本分別進(jìn)行正五度旋轉(zhuǎn)和負(fù)五度旋轉(zhuǎn)，將正負(fù)旋轉(zhuǎn)得到的負(fù)樣本中間區(qū)域隨機(jī)進(jìn)行加減20灰度操作，增加負(fù)樣本對姿態(tài)和光照亮度方面的復(fù)雜性，以排除衣領(lǐng)及衣服邊緣對結(jié)果判斷的影響；經(jīng)過上述操作使得正負(fù)樣本比例達(dá)到1：1，即建立樣本庫；

(3)、設(shè)計深度卷積神經(jīng)網(wǎng)絡(luò)：深度卷積神經(jīng)網(wǎng)絡(luò)的結(jié)果為輸入層為144×144的灰度圖像，深度卷積神經(jīng)網(wǎng)絡(luò)采用5個卷積層，第一卷積層卷積核為11×11，隱層的激活函數(shù)采用ReLU(Rectified Linear Units激活函數(shù))函數(shù)，利用2×2最大化池化技術(shù)，第二卷積層卷積核為5×5，隱層的激活函數(shù)采用ReLU函數(shù)，利用2×2最大化池化技術(shù)，第三卷積層卷積核為3×3，隱層的激活函數(shù)采用ReLU函數(shù)，該層不再對結(jié)果進(jìn)行池話，第四卷積層卷積核為3×3，隱層的激活函數(shù)采用ReLU函數(shù)，該層不再對結(jié)果進(jìn)行池話，第五卷積層卷積核為3×3，隱層的激活函數(shù)采用ReLU函數(shù)，對該層的輸出利用2×2最大化池化技術(shù)進(jìn)行降采樣；最后一層為判斷輸出層，利用Softmax函數(shù)進(jìn)行判斷，把結(jié)果分為兩類，即系安全帶和未系安全帶；

(4)、訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)并判斷個案結(jié)果：把步驟(2)采集的樣本庫通過步驟(3)設(shè)計的深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，把訓(xùn)練結(jié)果參數(shù)保存在文件中；在利用深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行安全帶識別時，將待判斷的駕駛員區(qū)域灰度圖像歸一化為144×144，然后讀取訓(xùn)練好的深度卷積神經(jīng)網(wǎng)絡(luò)參數(shù)對新采集的駕駛員區(qū)域圖像進(jìn)行判定，深度卷積神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果即為安全帶是否佩戴的最終結(jié)果。

本發(fā)明與現(xiàn)有技術(shù)相比，利用車輛前窗的上下邊緣信息來提取車窗區(qū)域，并利用車牌區(qū)域進(jìn)行駕駛員區(qū)域的輔助定位；對于定位后的車窗區(qū)域進(jìn)行樣本收集，再利用收集的樣本設(shè)計深度卷積神經(jīng)網(wǎng)絡(luò)并進(jìn)行訓(xùn)練，利用訓(xùn)練好的參數(shù)對新輸入的駕駛員區(qū)域圖像進(jìn)行識別從而得到是否帶安全帶的判斷；本發(fā)明還利用大樣本數(shù)據(jù)進(jìn)行訓(xùn)練，采用深度學(xué)習(xí)理論進(jìn)行分類，無需借用人工設(shè)計分類特性，因此對駕駛員是否佩戴安全帶具有很高的判斷精度，其判定方法原理簡單，應(yīng)用操作方便，判斷誤差小，安全可靠，具有很強(qiáng)的應(yīng)用價值，應(yīng)用環(huán)境友好。

附圖說明：

圖1為涉及的基于深度CNN的安全帶檢測方法的原理流程圖。

具體實施方式：

下面通過實施例并結(jié)合附圖對本發(fā)明作進(jìn)一步說明

實施例1：

本實施例涉及的基于深度CNN的安全帶檢測方法主要包括以下步驟：

(1)、提取駕駛員區(qū)域灰度圖像：采集交通卡口拍攝的機(jī)動車行時的彩色圖像，將彩色圖像轉(zhuǎn)變?yōu)榛叶葓D像；在裝有MATLAB工具的計算機(jī)系統(tǒng)中使用如下計算機(jī)函數(shù)對灰度圖像進(jìn)行處理，以便將車窗區(qū)域部分的圖像從原始灰度圖像中提取出來：

carWindowAreaX1＝max(plateCenterX-plateW*2，1)；

carWindowAreaY2＝max(plateCenterY-plateW，1)；

carWindowAreaX2＝min(plateCenterX+plateW*2，srcImgW)；

carWindowAreaY1＝min(plateCenterY-plateW*4.5，srcImgH)；

其中plateCenterX、plateCenterY為分別定位的車牌區(qū)域的中心點的X和Y坐標(biāo)，plateW為車牌的寬度，srcImgW和srcImgH分別表示圖像的寬度和高度；然后對提取出來的圖像進(jìn)行邊緣檢測，對圖像進(jìn)行邊緣檢測濾波，采用LOG算子進(jìn)行濾波，Gaussian濾波器中高斯方差選為7，以便減少小的邊緣的干擾；對經(jīng)過濾波提取的線段進(jìn)行合并，最大長度的兩條線段即為車窗區(qū)域的上下邊緣，即得駕駛員區(qū)域灰度圖像；

(2)、建立樣本庫：對步驟(1)采集的駕駛員區(qū)域灰度圖像進(jìn)行歸一化處理，把圖像縮放為144×144像素，挑選系安全帶的圖像12000張作為正樣本，非確定系安全帶的圖像4000張作為負(fù)樣本；然后對負(fù)樣本進(jìn)行擴(kuò)展，把非確定系安全帶的負(fù)樣本分別進(jìn)行正五度旋轉(zhuǎn)和負(fù)五度旋轉(zhuǎn)，將正負(fù)旋轉(zhuǎn)得到的負(fù)樣本中間區(qū)域隨機(jī)進(jìn)行加減20灰度操作，增加負(fù)樣本對姿態(tài)和光照亮度方面的復(fù)雜性，以排除衣領(lǐng)及衣服邊緣對結(jié)果判斷的影響；經(jīng)過上述操作使得正負(fù)樣本比例達(dá)到1：1，即建立樣本庫；

(3)、設(shè)計深度卷積神經(jīng)網(wǎng)絡(luò)：深度卷積神經(jīng)網(wǎng)絡(luò)的結(jié)果為輸入層為144×144的灰度圖像，深度卷積神經(jīng)網(wǎng)絡(luò)采用5個卷積層，第一卷積層卷積核為11×11，隱層的激活函數(shù)采用ReLU函數(shù)，利用2×2最大化池化技術(shù)，第二卷積層卷積核為5×5，隱層的激活函數(shù)采用ReLU函數(shù)，利用2×2最大化池化技術(shù)，第三卷積層卷積核為3×3，隱層的激活函數(shù)采用ReLU函數(shù)，該層不再對結(jié)果進(jìn)行池話，第四卷積層卷積核為3×3，隱層的激活函數(shù)采用ReLU函數(shù)，該層不再對結(jié)果進(jìn)行池話，第五卷積層卷積核為3×3，隱層的激活函數(shù)采用ReLU函數(shù)，對該層的輸出利用2×2最大化池化技術(shù)進(jìn)行降采樣；最后一層為判斷輸出層，利用Softmax函數(shù)進(jìn)行判斷，把結(jié)果分為兩類，即系安全帶和未系安全帶；

(4)、訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)并判斷個案結(jié)果：把步驟(2)采集的樣本庫通過步驟(3)設(shè)計的深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，把訓(xùn)練結(jié)果參數(shù)保存在文件中；在利用深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行安全帶識別時，將待判斷的駕駛員區(qū)域灰度圖像歸一化為144×144，然后讀取訓(xùn)練好的深度卷積神經(jīng)網(wǎng)絡(luò)參數(shù)對新采集的駕駛員區(qū)域圖像進(jìn)行判定，深度卷積神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果即為安全帶是否佩戴的最終結(jié)果。