基于混合多尺度可變形部件模型的未系安全帶檢測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及物體檢測技術(shù)領(lǐng)域，具體涉及一種基于混合多尺度可變形部件模型的 未系安全帶檢測方法。
【背景技術(shù)】
[0002] 計算機視覺技術(shù)是一種研究如何使用計算機及其相關(guān)設(shè)備模擬生物視覺的技術(shù)。 通過攝像機等成像設(shè)備采集圖片或視頻并進行處理，獲得相應(yīng)場景的三維信息，再交由計 算機代替大腦完成處理和理解。該技術(shù)涉及多個學(xué)科，包括圖像處理、模式識別、圖像分析 和圖像理解等。目前，計算機視覺技術(shù)已廣泛應(yīng)用于各個領(lǐng)域，如醫(yī)療圖像處理、視頻監(jiān)控、 電子卡口、虛擬現(xiàn)實、智能交通等。
[0003] 安全帶作為乘員約束系統(tǒng)中最有效的保護措施，可有效提高車輛碰撞事故中乘員 的安全性。發(fā)達國家汽車工業(yè)起步較早，交通法規(guī)深入人心，安全帶佩戴率較高，而發(fā)展中 國家的安全帶佩戴率普遍偏低。為提高我國公民系安全帶的安全意識，挽救更多交通事故 中的生命，在車輛行駛中對前排乘客和司機進行未系安全帶檢測顯得尤為重要和具有實際 價值。
[0004] 目前，未系安全帶檢測主要依賴交警人工判斷，但人工篩選效率低下，人力成本較 高，無法滿足國內(nèi)車輛日益增長的現(xiàn)狀。利用計算機視覺技術(shù)進行未系安全帶自動檢測，能 有效提高未系安全帶檢測效率，降低人工勞動成本，為出行安全提供有效支撐。現(xiàn)有的主流 未系安全帶自動檢測方法主要是利用模式識別方法并結(jié)合概率Hough直線檢測算法對安 全帶的兩邊進行直線檢測。具體方案如下：
[0005] 1.定位車牌區(qū)域
[0006] 利用Adaboost算法定位車牌區(qū)域，從而初步估計車窗大致區(qū)域。
[0007] 2.定位車窗區(qū)域
[0008] 在所粗略估計的車窗區(qū)域內(nèi)，利用圖像處理方法（如顏色空間、邊緣檢測）或模式 識別方法（如Adaboost算法、特征訓(xùn)練SVM分類器等）精確定位車窗區(qū)域。
[0009] 3.人臉檢測
[0010] 在精確定位的車窗區(qū)域內(nèi)，利用Haar特征Mdaboost算法定位人臉區(qū)域。
[0011] 4.定位安全帶區(qū)域
[0012] 根據(jù)人臉檢測區(qū)域或車窗右上方左右角點區(qū)域，按照一定長寬比例定位安全帶感 興趣區(qū)域。
[0013] 5.安全帶檢測
[0014] 在安全帶感興趣區(qū)域內(nèi)，利用Canny邊緣檢測和概率Hough變換的直線檢測算法 對安全帶兩邊進行直線檢測，根據(jù)所檢測到的兩直線夾角、彼此之間的距離以及直線長度 來判斷該區(qū)域是否存在安全帶。
[0015] 上述方案存在以下缺點：在車牌區(qū)域定位的基礎(chǔ)上進行車窗區(qū)域定位時，車窗的 正確檢出率很大程度上依賴車牌的精確定位，但車牌定位效果受車牌傾斜角和矩形大小影 響較大，且車牌區(qū)域面積相對全圖而言很小，消耗的檢測時間很大。雖然也有部分研究者利 用車窗上方左右角點檢測的方法進行安全帶區(qū)域定位，但由于光照影響，車窗上方會出現(xiàn) 左右角點模糊，且在無法確定車窗中是否存在乘坐人的情況下檢測安全帶，會存在很多誤 檢。另外，受車窗上沿區(qū)域、車窗擋風玻璃和光照等影響，有時人臉圖像經(jīng)常被部分或完全 遮擋，使人臉圖像中存在殘缺、側(cè)臉、模糊等低質(zhì)量的情況，而且，人臉檢測算法的成熟度也 不夠，利用人臉檢測的方法為基礎(chǔ)進行安全帶檢測會導(dǎo)致漏檢。利用安全帶兩邊直線幾何 特征進行安全帶檢測，由于兩直線夾角和彼此之間距離各不一樣，直線長度無法統(tǒng)一，存在 大量其他區(qū)域直線被誤檢為安全帶的情況。同時，直線檢測算法受光照、幾何形變影響較 大，算法流程參數(shù)太多，不同樣本需要不同參數(shù)才能檢測出，魯棒性不強。

【發(fā)明內(nèi)容】

[0016] 本發(fā)明的目的是解決現(xiàn)有技術(shù)的缺陷，提供一種基于混合多尺度可變形部件模型 的未系安全帶檢測方法，采用的技術(shù)方案如下：
[0017] -種基于混合多尺度可變形部件模型的未系安全帶檢測方法，包括可變形部件模 型訓(xùn)練過程和使用可變形部件模型進行安全帶檢測的過程，所述使用可變形部件模型進行 安全帶檢測的過程包括：
[0018] S11.通過圖像獲取裝置獲取圖片；
[0019] S12.使用可變形部件模型進行車窗檢測；
[0020] S13.在檢測到的車窗區(qū)域進行人體上半身檢測；
[0021] S14.在檢測到的人體上半身區(qū)域進行安全帶檢測。
[0022] 本發(fā)明針對利用車牌檢測定位車窗區(qū)域的不足，提出直接進行車窗區(qū)域定位。針 對車窗上方左右角點檢測或人臉檢測方法定位安全帶區(qū)域的不足，提出對車窗中人體上半 身區(qū)域進行檢測，針對直線檢測算法受安全帶兩邊圖像質(zhì)量和算法參數(shù)影響較大，提出利 用混合多尺度可變形部件模型的模式識別方法進行安全帶檢測，該算法流程參數(shù)少，對光 照、幾何形變具有魯棒性，能夠?qū)Π踩珟繕诉M行精確檢測。
[0023] 作為優(yōu)選，所述可變形部件模型訓(xùn)練過程包括：
[0024] S21.初始化根濾波器：首先根據(jù)訓(xùn)練圖片的標記確定根濾波器的規(guī)模，然后使用 支持向量機來訓(xùn)練根濾波器;
[0025] S22.更新根濾波器：對于訓(xùn)練集中的每一個樣本使用步驟S1確定的根濾波器尋 找響應(yīng)最大并且和原有框標記有明顯覆蓋的位置，并以此位置更新訓(xùn)練圖片的框標記，然 后使用新的框標記的樣本以及隨機選取的負樣本更新根濾波器;
[0026] S23.初始化部件濾波器：在確定的根濾波器的位置上，貪婪地選擇得分最大的區(qū) 域作為部件濾波器的位置；
[0027] S24.更新部件濾波器：使用不斷更新的正負訓(xùn)練樣本來訓(xùn)練、更新部件濾波器。
[0028] 傳統(tǒng)的基于提取梯度方向直方圖特征的檢測方法在目標外觀發(fā)生形變、存在遮擋 等條件下檢測準確率很低，本發(fā)明的基于混合多尺度可變形部件模型檢測方法，通過建立 H0G特征金字塔表示目標的整體信息以及各部件的表觀信息和空間關(guān)系，可以提取到比傳 統(tǒng)的方法更加豐富的信息，因此更加有利于復(fù)雜目標的檢測和識別過程?；诨旌隙喑叨?可變形部件模型的目標檢測系統(tǒng)使用未完全標注的樣本進行判別訓(xùn)練，可以檢測各種多變 的目標。另外，本發(fā)明還提出了一種專門為弱監(jiān)督分類器設(shè)計的基于間隔敏感的難例挖掘 方法，即隱藏變量SVM。
[0029] 在模型的訓(xùn)練過程中，引入了一種專門為弱監(jiān)督分類器設(shè)計的基于間隔敏感的難 例挖掘方法，即隱藏變量SVM?？紤]一個分類器，對于任意一個樣本X，在隱藏變量SVM中用 如下公式進行評分：
[0030]
[0031] 其中，β是模型參數(shù)向量，z是隱藏變量。集合Z(x)定義了樣本X所有可能的隱 藏變量值，即各部件的位置。通過對此得分值進行閾值化，可以獲得樣本X的二分類類標。
[0032]類比經(jīng)典SVM算法，本發(fā)明使用帶標注的樣本集D= (〈XdyA,. . .，<xn,yn>)， yie{-1，1}來訓(xùn)練參數(shù)β，最小化下面的目標函數(shù)：
[0033]
[0034] 其中，maxOM-yA(Xl))表示標準損失函數(shù)，常數(shù)C控制正則項的相對權(quán)重。
[0035] 設(shè)Ζρ為指定訓(xùn)練集D中正樣本的隱藏變量值，通過以下步驟來優(yōu)化訓(xùn)練隱藏變量 SVM：
[0036] (1)重新標注正樣本：在指數(shù)空間內(nèi)搜索正樣本的隱藏變量值，選擇每個正樣本 的最高得分的隱藏值：
[0037]
[0038] (2)最優(yōu)化β:搜索所有的模型和指數(shù)空間內(nèi)負樣本的隱藏變量，通過最優(yōu)化隱 藏變量SVM的目標函數(shù)來實現(xiàn)；
[0039] 以上步驟（1)和（2)的執(zhí)行，在算法達到收斂之后就會得到一個相對強壯的局部 最優(yōu)值。
[0040] 另外，最優(yōu)化β階段采用隨機下降的方法解決：
[0041] 設(shè)
即21(0)是使正樣本\得分最高 的隱藏變量值，有fe(Xl) =β·Φ(Χι，Ζι(β))。計算隱藏變量SVM目標函數(shù)的梯度，如下：
[0042]
[0043]
[0044] 在隨機梯度下降算法中，用樣本的子集來近似VLD，然后向梯度下降的方向走一 步。用η1ι(β，Xyyj來近似表示爲按如下步驟迭代更新β值：
[0045] 1)設(shè)at是第t次迭代的學(xué)習(xí)率；
[0046] 2)隨機選取樣本x1;
[0047] 3)設(shè)A=紀、彡 ' #(?J);
[0048] 4)如果yA(xj= ·Φ(Xpzj)彡 1，則β: =β-atβ，否貝lj，β:= β - a t(0 -Ο^Φ (Xp zj)〇
[0049] 作為優(yōu)選，本發(fā)明使用高分辨率特征來定義部件濾波器。
[0050] 用高分辨率特征來定義部件濾波器對獲得高識別性能至關(guān)重要。通過這種方法部 件濾波器可以捕捉到相對于根濾波器定位的更精確的特征。例如建立車輛正面的模型，根 濾波器捕捉的是車輛正面邊界這些粗糙邊緣信息，但此時部件濾波器可以捕捉車后視鏡、 車前大燈、車牌等細節(jié)信息。
[0051] 含有η個部件的目標模型可以定義為一個（η+2)元組：坑，？^..，^，!^，F(xiàn)。是 根濾波器，Pi是第i個部件的模型，b是偏移量。而每個部件模型用一個三元組定義： (h，Vl，山），R是第i個部件的濾波器，v1是一個二維向量，指定第i個濾波器的錨點位 置（即未發(fā)生形變時