基于GA-BP的安全帶佩戴識(shí)別方法

葛如海，胡滿江，張學(xué)榮，蘇清祖

(江蘇大學(xué)汽車與交通工程學(xué)院，江蘇鎮(zhèn)江212013)

安全帶作為乘員約束系統(tǒng)最有效的保護(hù)裝置，自發(fā)明以來已經(jīng)挽救了無數(shù)人的生命［1］.為了提高安全帶佩戴率，世界各國都強(qiáng)制安裝了安全帶佩戴提示系統(tǒng)(SRS).據(jù)A-NCAP公布的最新數(shù)據(jù)顯示，澳大利亞80%以上的車型都配備了安全帶佩戴提示系統(tǒng)［2］.我國 C-NCAP 管理規(guī)則［3］中明確將安全帶佩戴提示系統(tǒng)作為汽車安全的加分項(xiàng).然而，據(jù)文獻(xiàn)［4-5］顯示，我國安全帶佩戴率普遍偏低，其中存在多種躲避安全帶佩戴提示系統(tǒng)的不規(guī)范佩戴行為是主要原因之一，例如:坐在已經(jīng)系好安全帶的座椅上或購買單獨(dú)的安全帶卡扣，致使提示系統(tǒng)失效.據(jù)調(diào)查，安全帶卡扣僅淘寶商城的月銷量達(dá)到1萬件以上.近年來，交警部門還研發(fā)了道路視頻監(jiān)控駕駛員安全帶的佩戴情況，然而該方法一方面受光線環(huán)境的影響較大，在檢測(cè)準(zhǔn)確率上有待提高，另一方面由于采用事后震懾的方式，因而在實(shí)時(shí)防范駕駛安全上存在不足.

針對(duì)上述問題，筆者在車載視頻監(jiān)控技術(shù)的基礎(chǔ)上，采用BP神經(jīng)網(wǎng)絡(luò)算法建立安全帶佩戴識(shí)別模型，并引入GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值與閾值，從而提出一種基于GA-BP的安全帶佩戴識(shí)別方法.該方法旨在為安全帶佩戴檢測(cè)問題提供一種新的思路，為安全帶佩戴預(yù)警系統(tǒng)的開發(fā)提供一定的理論依據(jù).

1 圖像采集設(shè)備和裝置設(shè)計(jì)

圖像采集試驗(yàn)的目的是獲取車輛起步后，安全帶不同佩戴狀態(tài)的圖像信息，試驗(yàn)過程遵循駕駛環(huán)境的真實(shí)性和數(shù)據(jù)采集對(duì)駕駛員操控車輛無干擾2項(xiàng)基本原則.

1.1 試驗(yàn)車輛及人員的選擇

試驗(yàn)車輛為某品牌乘用車，如圖1所示.為方便數(shù)據(jù)采集，提供了試驗(yàn)采集設(shè)備固定所需的車載支架以及設(shè)備正常工作所需的電源，如圖2所示.

圖1 試驗(yàn)車輛

圖2 車載支架及電源

為保證采集到的數(shù)據(jù)具有代表性，試驗(yàn)人員按性別分為男性和女性，根據(jù)我國成年人身高特征的分布規(guī)律，男性身高為170～180 cm，女性身高為158～168 cm，并按身高范圍段將其分成5組，每組10人.同時(shí)，為保證后期建立的識(shí)別模型具有較強(qiáng)的適應(yīng)性，每名駕駛員穿著不同顏色的衣物.

1.2 試驗(yàn)安全帶的選用

反光性能安全帶的使用情況如圖3所示.為提高識(shí)別系統(tǒng)的適應(yīng)性，試驗(yàn)過程使用了具有反光性能的安全帶(專利號(hào):CN200985014Y)，如圖3a所示.該安全帶作為安全帶佩戴識(shí)別系統(tǒng)硬件部分的重要組成，在不改變織帶性能要求的前提下，在編織過程中加入反光材料，在補(bǔ)光的條件下具有極強(qiáng)的反光特性.乘員佩戴普通材料編織的安全帶，穿著與安全帶顏色相近的衣物，采集到的安全帶佩戴圖像如圖3b所示，采用反光材料編織的安全帶，在補(bǔ)光條件下采集到的安全帶佩戴圖像如圖3c所示.

圖3 反光性能安全帶的使用情況

對(duì)比圖3b，c可以發(fā)現(xiàn):具有反光性能的安全帶在補(bǔ)光條件下具有極強(qiáng)的反光特性，在圖像中的灰度級(jí)較高，即便乘員穿著與安全帶顏色相近的衣物(圖3c中穿著純白色衣物)，也很容易通過閾值分割將安全帶從復(fù)雜的背景中提取出來.

1.3 補(bǔ)光裝置的選用

車廂多變的光線環(huán)境對(duì)安全帶佩戴識(shí)別帶來極大的干擾，為保證CCD傳感器在極差的光線環(huán)境下仍能采集到清晰的安全帶佩戴圖像，圖像采集時(shí)需進(jìn)行補(bǔ)光操作.然而，目前的CCD傳感器都是帶AGC(auto gain control，AGC)自動(dòng)增益控制的，突然的光亮?xí)斐晒飧性乃查g飽和，每次補(bǔ)光時(shí)間不能太短，否則無法獲得清晰的圖像，而長時(shí)間的光亮?xí)o駕駛員操控車輛帶來較大的干擾.

考慮可見光電磁波譜的波長范圍一般為400～700 nm，選用工作電壓12 V，紅外線波長為850 nm，直控照度為5 lx的紅外光源作為系統(tǒng)的補(bǔ)光裝置，如圖4a所示.由于該光源屬于不可見光，可有效避免長時(shí)間光亮給駕駛員帶來的干擾.夜晚普通光線下采集的安全帶佩戴圖像如圖4b所示.配合紅外補(bǔ)光裝置采集的圖像如圖4c所示.

圖4 紅外補(bǔ)光裝置的使用

2 基于BPNN安全帶佩戴識(shí)別模型

BP神經(jīng)網(wǎng)絡(luò)(back propagation neural network，BPNN)為目前人工神經(jīng)網(wǎng)絡(luò)最常用的一種，是一種多層前饋神經(jīng)網(wǎng)絡(luò)，可以用作分類、聚類和預(yù)測(cè)等，該神經(jīng)網(wǎng)絡(luò)的特點(diǎn)是信號(hào)前向傳遞，誤差反向傳播［6-7］.

2.1 基于圖像預(yù)處理技術(shù)的樣本選取

根據(jù)上述行車試驗(yàn)采集得到的安全帶佩戴圖像信息如圖5所示，4幅圖像涵蓋了安全帶佩戴方式的所有情形.根據(jù)安全帶佩戴狀態(tài)分類:①規(guī)范佩戴;②僅系肩帶;③坐安全帶;④ 未佩戴.安全帶佩戴識(shí)別模型的樣本形式為安全帶4種佩戴模式的圖像信息及對(duì)應(yīng)的標(biāo)識(shí)向量.

圖5 安全帶不同佩戴方式

1)圖像預(yù)處理.為滿足實(shí)時(shí)性要求，首先對(duì)試驗(yàn)采集到的原始圖像進(jìn)行灰度圖轉(zhuǎn)化，然后采用中值濾波對(duì)其進(jìn)行去噪處理，采用雙峰直方圖閾值分割法對(duì)去噪后的灰度圖像進(jìn)行閾值分割，灰度圖轉(zhuǎn)化及去噪后效果如圖6所示，二值化效果如圖7所示.

圖6 灰度圖轉(zhuǎn)化及去噪后效果圖

圖7 二值化效果圖

2)Hough變換.乘員的體貌特征及身體晃動(dòng)等將導(dǎo)致安全帶佩戴圖像尺度和方向產(chǎn)生變化，為防止對(duì)識(shí)別結(jié)果造成影響［8］，采用極坐標(biāo)轉(zhuǎn)換對(duì)二值化后的圖像進(jìn)行處理，效果圖如圖8所示.

3)輸入、輸出向量的選取.以Hough變換后的二值化圖像(圖8)像素值作為樣本輸入向量.然后，對(duì)上述4種佩戴方式進(jìn)行標(biāo)識(shí)，定義規(guī)范佩戴安全帶為［1，0，0，0］.不規(guī)范佩戴行為:僅系肩帶為［0，1，0，0］;坐安全帶為［0，0，1，0］;未佩戴為 ［0，0，0，1］.定義的標(biāo)識(shí)向量即為樣本輸出向量.

圖8 極坐標(biāo)轉(zhuǎn)換效果圖

綜上所述，對(duì)由行車試驗(yàn)采集到的安全帶佩戴原始圖像進(jìn)行了預(yù)處理，即依次進(jìn)行了灰度圖轉(zhuǎn)化、平滑去噪、圖像二值化和Hough變換，從而得到了較為理想的安全帶佩戴識(shí)別模型的樣本信息.樣本選取流程圖如圖9所示.

圖9 樣本選取流程圖

2.2 PCA降維處理

在安全帶佩戴識(shí)別模型的神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中，如果輸入向量直接采用極坐標(biāo)轉(zhuǎn)化后的二值化圖像的像素值，會(huì)導(dǎo)致不足:① 識(shí)別模型的效率低;②因各維數(shù)據(jù)之間的相互影響而導(dǎo)致模型識(shí)別準(zhǔn)確率降低.為此采用PCA方法［9］對(duì)樣本數(shù)據(jù)進(jìn)行降維處理，目的在于消除上述影響，提高模型精度.PCA降維的具體流程如圖10所示，P為特征向量矩陣，Ttrain為得分矩陣.

圖10 PCA降維流程圖

在對(duì)樣本數(shù)據(jù)降維處理過程中，降維維數(shù)分別為5，10，15，20 時(shí)，貢獻(xiàn)率分別為 77.70%，84.79%，88.05%，91.07%.當(dāng)降維維數(shù)為10時(shí)，主元貢獻(xiàn)率最接近85.00%，獲取了安全帶佩戴圖像的主要信息.當(dāng)維數(shù)繼續(xù)增加時(shí)，主元貢獻(xiàn)率的增加不是很大，而維數(shù)的增加導(dǎo)致識(shí)別模型的計(jì)算量大大增加.故可以取85%的主要信息，即PCA降維降至10維.

2.3 安全帶佩戴識(shí)別模型的建立

通過上述主元分析法的特征變換，數(shù)據(jù)的維數(shù)得到了有效的降低，然后采用BP神經(jīng)網(wǎng)絡(luò)對(duì)所選取的樣本進(jìn)行識(shí)別.

通過Matlab神經(jīng)網(wǎng)絡(luò)工具箱，構(gòu)建BP神經(jīng)網(wǎng)絡(luò).在BP神經(jīng)網(wǎng)絡(luò)模型中，神經(jīng)網(wǎng)絡(luò)為3層結(jié)構(gòu).為防止網(wǎng)絡(luò)過學(xué)習(xí)和欠學(xué)習(xí)狀態(tài)的發(fā)生，通過經(jīng)驗(yàn)與試驗(yàn)相結(jié)合的方式，確定神經(jīng)網(wǎng)絡(luò)的隱層節(jié)點(diǎn)數(shù)為20個(gè)，訓(xùn)練次數(shù)設(shè)為10次，神經(jīng)網(wǎng)絡(luò)的最大訓(xùn)練測(cè)試設(shè)定為100次，最小均方誤差設(shè)定為1×10-8s，最小梯度設(shè)定為1×10-20s.考慮BP神經(jīng)網(wǎng)絡(luò)在做分類問題時(shí)，sigmoidal函數(shù)具有較好的執(zhí)行效果，選用2個(gè)傳遞函數(shù)分別為logsig函數(shù)和purelin函數(shù).安全帶的4種佩戴模式對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)的輸出分別為安全帶 4 種標(biāo)識(shí)向量:［1，0，0，0］;［0，1，0，0］;［0，0，1，0］;［0，0，0，1］.通過訓(xùn)練數(shù)據(jù)和對(duì)應(yīng)的輸出不斷訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，從而得到了基于BP神經(jīng)網(wǎng)絡(luò)的安全帶佩戴識(shí)別模型.將測(cè)試數(shù)據(jù)代入到已構(gòu)建的識(shí)別模型中，并競(jìng)爭輸出，得到測(cè)試數(shù)據(jù)各個(gè)數(shù)據(jù)向量所對(duì)應(yīng)圖像所屬類別.

3 基于GA-BP安全帶佩戴識(shí)別模型

3.1 GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)參數(shù)

雖然BP神經(jīng)網(wǎng)絡(luò)具有簡單、可塑和尋優(yōu)精確等特點(diǎn)，但是其收斂速度較慢，且容易受到局部極小點(diǎn)的困擾.而遺傳算法具有很強(qiáng)的全局搜索能力和很好的全局優(yōu)化性能［10-12］.因此通過遺傳算法的優(yōu)化，能有效改善BP神經(jīng)網(wǎng)絡(luò)的收斂速度與精度，提高安全帶佩戴識(shí)別模型的準(zhǔn)確率.為此，采用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)行優(yōu)化，具體步驟如下:

1)確定BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，即確定網(wǎng)絡(luò)的層數(shù)、隱含節(jié)點(diǎn)數(shù).

2)根據(jù)每個(gè)變量的取值范圍進(jìn)行解碼，解碼后的染色體即為神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值.

3)選擇、交叉、變異操作，即將選擇算子、交叉算子、變異算子依次作用于群體.群體經(jīng)過選擇、交叉、變異運(yùn)算后得到下一代群體.

4)計(jì)算適應(yīng)度值.若適應(yīng)度值大于設(shè)定值，停止遺傳操作;若適應(yīng)度值未達(dá)到設(shè)定值，則轉(zhuǎn)到步驟3)，遺傳算法得到的最大適應(yīng)度的個(gè)體作為BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值.

5)將上述得到的初始權(quán)值和閾值代入到BP神經(jīng)網(wǎng)絡(luò)過程中，并運(yùn)行BP神經(jīng)網(wǎng)絡(luò)算法對(duì)需要處理的過程進(jìn)行處理，計(jì)算模型誤差，當(dāng)誤差滿足設(shè)定值時(shí)，則終止迭代.

綜上所述，遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的流程圖如圖11所示.

圖11 GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)流程圖

3.2 遺傳算法的實(shí)現(xiàn)

遺傳算子的設(shè)計(jì)主要通過英國謝菲爾德大學(xué)開發(fā)的遺傳算法工具箱來實(shí)現(xiàn).選擇算子的設(shè)計(jì)采用工具箱中的select()函數(shù)，交叉算子設(shè)計(jì)采用recombin()函數(shù)，變異算子設(shè)計(jì)采用mut()函數(shù).

遺傳算法中的初始種群的目標(biāo)函數(shù)值為初始權(quán)值與閾值下BP神經(jīng)網(wǎng)絡(luò)對(duì)部分樣本的識(shí)別準(zhǔn)確率(樣本數(shù)為100，既作為訓(xùn)練樣本，又作為測(cè)試樣本).初始種群個(gè)體的編碼形式為二進(jìn)制編碼.

另外，遺傳算法中主要有以下運(yùn)行參數(shù)需要預(yù)先確定，分別為種群大小，染色體長度，終止代數(shù)，交叉概率，變異概率.通過大量的試驗(yàn)，確定上述參數(shù)的最終取值:種群大小為20;染色體長度為304;終止代數(shù)為20;交叉概率為0.6;變異概率為0.1.

綜上所述，在基于BP神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上，增加了遺傳算法優(yōu)化其權(quán)值和閾值的過程，建立了基于GA-BP的安全帶佩戴識(shí)別模型.建模的具體流程圖如圖12所示.

圖12 基于GA-BP的安全帶佩戴識(shí)別模型

4 實(shí)例驗(yàn)證

實(shí)例中的安全帶佩戴識(shí)別模型樣本數(shù)據(jù)由上述行車試驗(yàn)采集獲得.試驗(yàn)過程中采用的焦距為4 mm的CCD傳感器，使用了具有反光性能的安全帶以及紅外補(bǔ)光裝置(照度5 lx、紅外線波長為850 nm).試驗(yàn)采集人員分為男性和女性駕駛員，各50名，共計(jì)100名.其中男性駕駛員的身高分布為170，173，175，178，180 cm，女性駕駛員的身高分布為 158，160，163，165，168 cm.根據(jù)光線環(huán)境的不同，樣本圖像分為白天樣本與夜晚樣本，部分樣本如圖13a，b所示.以夜晚樣本為例分別對(duì)基于BP神經(jīng)網(wǎng)絡(luò)的識(shí)別模型和基于GA-BP的識(shí)別模型進(jìn)行仿真與驗(yàn)證.其中樣本數(shù)為800組，訓(xùn)練樣本為400組，測(cè)試樣本為400組(4種模式各100組).將測(cè)試集對(duì)已訓(xùn)練好的BP識(shí)別模型和基于GA-BP識(shí)別模型進(jìn)行仿真測(cè)試，運(yùn)行結(jié)果如圖14，15所示，識(shí)別結(jié)果如圖16，17所示，如正確識(shí)別，則顯示為“1”.由圖14，15可以看出:BP識(shí)別模型和GA-BP識(shí)別模型迭代100次所用時(shí)間均為6 s，GA-BP識(shí)別模型實(shí)時(shí)性并未明顯降低(Matlab界面是以s為單位進(jìn)行運(yùn)行時(shí)間統(tǒng)計(jì)，它的運(yùn)行時(shí)間沒有增加到1 s以上，所以界面上沒有顯示出來.)

根據(jù)圖16，17分別得到安全帶各種佩戴狀態(tài)下的識(shí)別結(jié)果如表1，2所示，BP模型夜晚樣本的識(shí)別率為81.25%，而GA-BP模型夜晚樣本的識(shí)別率為89.75%，總識(shí)別率提高了8.50%.這表明經(jīng)遺傳算法優(yōu)化后模型的準(zhǔn)確性得到了顯著的提高.

圖13 不同光線環(huán)境下的部分樣本

圖14 BP神經(jīng)網(wǎng)絡(luò)模型界面運(yùn)行結(jié)果

圖15 GA-BP模型中BP神經(jīng)網(wǎng)絡(luò)界面運(yùn)行結(jié)果

圖16 BP模型識(shí)別結(jié)果

圖17 GA-BP模型識(shí)別結(jié)果

表1 夜晚樣本下BP模型識(shí)別結(jié)果

表2 夜晚樣本下GA-BP模型識(shí)別結(jié)果

綜上所述，相比BP識(shí)別模型，所建立的基于GA-BP安全帶識(shí)別模型，在未明顯降低實(shí)時(shí)性的前提下，能夠更準(zhǔn)確地識(shí)別出安全帶佩戴狀態(tài)，具有更高的準(zhǔn)確性.因此，選用GA-BP識(shí)別模型作為安全帶識(shí)別的最終方案.

5 結(jié)論

1)針對(duì)安全帶不規(guī)范佩戴問題，通過設(shè)計(jì)具體的行車試驗(yàn)采集駕駛員安全帶佩戴圖像信息，應(yīng)用圖像處理技術(shù)將極坐標(biāo)轉(zhuǎn)換后的二值化圖像像素值作為識(shí)別模型樣本數(shù)據(jù)的輸入向量，并將對(duì)應(yīng)的安全帶佩戴狀態(tài)進(jìn)行向量標(biāo)識(shí)，作為樣本數(shù)據(jù)的輸出向量.

2)應(yīng)用BP神經(jīng)網(wǎng)絡(luò)建立起具體的安全帶佩戴識(shí)別模型，并引入GA算法對(duì)其權(quán)值與閾值進(jìn)行優(yōu)化，建立起基于GA-BP的安全帶佩戴識(shí)別模型.

3)通過實(shí)例驗(yàn)證，結(jié)果顯示模型對(duì)安全帶不同佩戴模式的識(shí)別率達(dá)到了89.75%，這表明該方法合理有效，能夠較好地應(yīng)用于實(shí)際問題之中.

References)

［1］Pickrell T M，Ye T J.Results from the national occupant protection use survey controlled intersection study［EB/OL］.(2011-07-13)［2012-07-07］.http:∥www.nhtsa.gov.

［2］Mclntosh L，Yates A.Seat belt reminders saving lives［EB/OL］.(2010-04-01)［2012-07-07］.http:∥www.ancap.com.au/mediarelease?id=29.

［3］C-NCAP管理規(guī)則［S］.天津:中國汽車技術(shù)研究中心，2012.

［4］俞學(xué)群，武陽豐.機(jī)動(dòng)車安全帶作用、使用現(xiàn)狀及干預(yù)策略［J］.中國預(yù)防醫(yī)學(xué)雜志，2008，9(5):439-442.Yu Xuequn，Wu Yangfeng.The role of the motor vehicle seat belt，use the current situation and intervention strategy［J］.China Preventive Medicine，2008，9(5):439-442.(in Chinese)

［5］Zhang W，Huang Y H，Roetting M，et al.Drivers'views and behaviors about safety in China:what do they not know about driving［J］.Accident Analysis and Prevention，2006，38:22-27.

［6］Kayacan E，Oniz Y，Aras A C，et al.A servo system control with time-varying and nonlinear load conditions using type-2 TSK fuzzy neural system［J］.Applied Soft Computing，2011，11(8):5735-5744.

［7］董文德，徐之梅，李 奇.穩(wěn)像中基于BP神經(jīng)網(wǎng)絡(luò)的顫振預(yù)測(cè)及改進(jìn)［J］.浙江大學(xué)學(xué)報(bào):工學(xué)版，2010，44(12):2263-2268.Dong Wende，Xu Zhimei，Li Qi.Vibration forecasting using BP neural network for image stabilization and an improving method［J］.Journal of Zhejiang University:Engineering Science，2010，44(12):2263-2268.(in Chinese)

［8］賈立山，羅 劍，李世其.基于車道線直線模型的道路曲率估計(jì)方法［J］.江蘇大學(xué)學(xué)報(bào):自然科學(xué)版，2012，33(4):373-378.Jia Lishan，Luo Jian，Li Shiqi.Road curvature estimation based on linear lane model［J］.Journal of Jiangsu University:Natural Science Edition，2012，33(4):373-378.(in Chinese)

［9］楊萬扣，吉善兵，任明武，等.基于增加的二維主成分分析的特征提取方法及其在人臉識(shí)別中的應(yīng)用［J］.中國圖像圖形學(xué)報(bào)，2009，14(2):227-232.Yang Wankou，Ji Shanbing，Ren Mingwu，et al.Face extraction based on enhanced 2D PCA and its application to face recognition［J］.Journal of Image and Graphics，2009，14(2):227-232.(in Chinese)

［10］Li Y G，Pilidis P.GA-based design-point performance adaptation and its comparison with ICM-based approach［J］.Applied Energy，2010，87(1):340-348.

［11］Dipti D K.A self-organizing migrating genetic algorithm for constrained optimization［J］.Applied Mathematics and Computation，2008，198:237-250.

［12］Rezende M C A F，Costa C B B，Costa A C.Optimization of a large scale industrial reactor by genetic algorithms［J］.Chemical Engineering Science，2008，63:330-341.