基于模糊增強(qiáng)的安全帶佩戴識(shí)別方法

李萬(wàn)臣，張晉

哈爾濱工程大學(xué)信息與通信工程學(xué)院，黑龍江哈爾濱 150001

基于模糊增強(qiáng)的安全帶佩戴識(shí)別方法

李萬(wàn)臣，張晉

哈爾濱工程大學(xué)信息與通信工程學(xué)院，黑龍江哈爾濱 150001

為了彌補(bǔ)目前安全帶佩戴提示系統(tǒng)的不足，提高駕駛員安全帶佩戴率，提出一種基于模糊增強(qiáng)的安全帶識(shí)別方法。該方法首先對(duì)采集到的駕駛員圖像進(jìn)行光補(bǔ)償處理，采用自定義的Canny算子進(jìn)行邊緣檢測(cè)，再使用Hough變換對(duì)處理過(guò)的圖像進(jìn)行直線檢測(cè)和初步判斷，對(duì)于沒(méi)有檢測(cè)到安全帶的圖像進(jìn)行模糊增強(qiáng)，采用最大類間方差法選擇最佳閾值進(jìn)行圖像分割得到二值化圖，再進(jìn)行直線檢測(cè)并得到最后結(jié)論。實(shí)驗(yàn)證明，該方法有效地完成對(duì)駕駛員安全帶佩戴情況的識(shí)別，具有較高的準(zhǔn)確率。

安全帶識(shí)別；邊緣檢測(cè)；Hough變換；直線檢測(cè)；模糊增強(qiáng)

安全帶是公認(rèn)的最有效、最直接的車內(nèi)被動(dòng)保護(hù)設(shè)施，通過(guò)佩戴安全帶可以有效降低交通事故的傷亡率［1］。作為降低交通事故中死傷率和保障司機(jī)安全駕駛的一項(xiàng)重要舉措，交管部門(mén)嚴(yán)格要求駕駛員在行車過(guò)程中佩戴安全帶。因此，對(duì)安全帶佩戴提示系統(tǒng)及識(shí)別方法的研究，有著重要的意義。目前，國(guó)內(nèi)外主要通過(guò)安裝傳感器的方法對(duì)安全帶佩戴進(jìn)行檢測(cè)識(shí)別，如在卡座中安裝傳感器進(jìn)行檢測(cè)［2］，系統(tǒng)判定只有當(dāng)安全帶卡扣插入安全帶卡座并且鎖定的情況才是安全帶正常佩戴的情況。但是駕駛員經(jīng)常有假佩戴［3］的行為出現(xiàn)，比如先將安全帶卡扣扣好，然后再坐在座椅上。文獻(xiàn)［4］通過(guò)在坐墊和靠背上安裝壓力傳感器來(lái)進(jìn)行輔助檢測(cè)，但這種方法依然不能有效地提高安全帶佩戴率。通過(guò)道路監(jiān)控的方式采集的駕駛員圖像，對(duì)安全帶佩戴進(jìn)行檢測(cè)，只能夠記錄數(shù)據(jù)，無(wú)法做到及時(shí)提醒和警告駕駛員的作用。文獻(xiàn)［5］采用一種基于灰度積分投影的方法對(duì)安全帶進(jìn)行檢測(cè)識(shí)別。但是該方法需要具有反光性能的安全帶，不具有普遍適用性。針對(duì)現(xiàn)有安全帶識(shí)別方法的不足，本文提出一種基于模糊增強(qiáng)的安全帶識(shí)別方法。該方法設(shè)計(jì)了一種安全帶檢測(cè)模型，通過(guò)對(duì)圖像進(jìn)行模糊增強(qiáng)，增強(qiáng)邊緣點(diǎn)兩側(cè)像素灰度的對(duì)比度［6］，然后利用直線檢測(cè)及判別模塊對(duì)圖像進(jìn)行檢測(cè)，達(dá)到安全帶識(shí)別的目的。該方法能有效準(zhǔn)確地識(shí)別出駕駛員是否佩戴安全帶，具有較強(qiáng)的實(shí)用性。

1 安全帶佩戴識(shí)別過(guò)程

駕駛員的圖像信息通過(guò)在車內(nèi)安裝攝像機(jī)采集得到，首先進(jìn)行圖像預(yù)處理，包括光補(bǔ)償和平滑去噪。然后對(duì)經(jīng)過(guò)預(yù)處理的圖像進(jìn)行邊緣檢測(cè)和直線檢測(cè)，初步判斷是否有佩戴安全帶。對(duì)于判斷沒(méi)有佩戴安全帶的圖像，先對(duì)經(jīng)過(guò)預(yù)處理的圖像進(jìn)行模糊增強(qiáng)，再采用最大類間方差法選擇最佳閾值進(jìn)行圖像分割得到二值化圖，然后進(jìn)行直線檢測(cè)并得出最終結(jié)論。安全帶識(shí)別算法流程如圖1所示。

圖1 安全帶識(shí)別算法流程

1.1 圖像預(yù)處理

1.1.1 光照補(bǔ)償

由于車輛使用環(huán)境較為復(fù)雜，尤其是車輛內(nèi)部光線環(huán)境變化很大，文中選擇代表大多數(shù)情況的普通光照條件下的駕駛員駕駛圖像進(jìn)行處理，而完全黑暗或者陽(yáng)光曝曬的極端情況并不考慮。利用照度儀經(jīng)過(guò)多天實(shí)驗(yàn)測(cè)得車內(nèi)光照強(qiáng)度范圍在100～20 000 lx。本文采用自適應(yīng)非線性變換修正法［7］對(duì)像素的亮度值進(jìn)行處理。具體過(guò)程如下：

1）對(duì)較亮和較暗區(qū)域的修正。

設(shè)輸入圖像像素的亮度值為g（x，y），輸入圖像像素總數(shù)是N，灰度級(jí)是L，文中取L＝256，第i級(jí)灰度的值是ri，灰度級(jí)ri出現(xiàn)的頻數(shù)為ni，pr（ri）為第i個(gè)灰度級(jí)出現(xiàn)的概率：

當(dāng)si＜5%，si＋1＞5%時(shí)，若mi＞100且g（x，y）灰度值靠近0，令H＝g（x，y）；即從低到高對(duì)整幅圖像像素的亮度值進(jìn)行排列，若有足夠多的像素排在前5%（例如滿足條件的像素個(gè)數(shù)大于50，本文取整個(gè)圖像像素個(gè)數(shù)的3%），就將這些像素的最大亮度值改為H。

當(dāng)si＜95%，si＋1＞95%時(shí)，若mi＞100且g（x，y）灰度值靠近255，則令L＝g（x，y）；即從高到低對(duì)整幅圖像像素的亮度值進(jìn)行排列，若有足夠多的像素排在前5%（例如大于50，本文取整個(gè)圖像像素個(gè)數(shù)的3%），就將這些像素的最小亮度值改為L(zhǎng)。

2）對(duì)中間灰度區(qū)域的修正。

根據(jù)人的視覺(jué)感應(yīng)模型，為了獲得柔和且層次清晰的變換后圖像，要求人視覺(jué)的視敏響應(yīng)模擬曲線和圖像變換后的直方圖是相匹配的。根據(jù)文獻(xiàn)［8］可知，人視覺(jué)感受的亮度強(qiáng)弱與眼睛入射光強(qiáng)（照度）是對(duì)數(shù)函數(shù)的關(guān)系。變換關(guān)系如下：

式中：f（x，y）為經(jīng)過(guò)變換后的圖像像素亮度值；m、n表示圖像變換前的最大和最小灰度值；GH、GL是圖像變換后的最大和最小灰度值。

自適應(yīng)非線性變換函數(shù)f（x，y）表示如下：

1.1.2 濾波去噪及感興趣區(qū)域截取

圖像經(jīng)過(guò)光線補(bǔ)償后，仍然會(huì)存在一定的噪聲，會(huì)造成后續(xù)處理工作準(zhǔn)確性的降低。為了提高檢測(cè)準(zhǔn)確度，本文利用中值濾波對(duì)于點(diǎn)狀噪聲和干擾脈沖具有良好的抑制作用的特點(diǎn)進(jìn)行平滑去噪。通過(guò)固定角度的攝像機(jī)拍攝的駕駛員圖像即使每個(gè)個(gè)體身材不同，但是對(duì)檢測(cè)結(jié)果有重要影響的駕駛員軀干部分還是會(huì)在相對(duì)固定的位置，為了進(jìn)一步提高識(shí)別準(zhǔn)確率，本文選擇截取駕駛員頸部以下的軀干部分作為感興趣區(qū)域進(jìn)行安全帶檢測(cè)。

1.2 邊緣檢測(cè)

在各種經(jīng)典邊緣檢測(cè)算子中，Canny算法不僅具有最全面的邊緣信息［9］而且對(duì)于光照改變時(shí)依然魯棒。Canny算子是根據(jù)檢測(cè)邊緣的可靠性和有效性，研究最優(yōu)化檢測(cè)邊緣的特性，并推導(dǎo)出數(shù)學(xué)表達(dá)式。Canny算子是從滿足邊緣檢測(cè)效果的3個(gè)準(zhǔn)則出發(fā)推導(dǎo)得出的，3個(gè)準(zhǔn)則分別是：信噪比高、定位性能強(qiáng)、邊緣響應(yīng)單一。

圖2是滿足上述3個(gè)準(zhǔn)則的邊緣檢測(cè)算法流程圖。從圖2可以看出，輸入圖像首先要進(jìn)行高低平滑濾波，抑制圖像噪聲。高斯函數(shù)為

式中：x、y為圖像中的二維參數(shù)，σ控制平滑程度，σ越小，邊緣定位精度越高，圖像信噪比越小；σ越大，邊緣定位精度越低，對(duì)噪聲能夠極大抑制。σ一般取1.0～2.0。

圖2 Canny算子邊緣檢測(cè)流程

圖3 Canny邊緣檢測(cè)效果圖

其次，Canny算子通過(guò)計(jì)算像素點(diǎn)的梯度得到邊緣點(diǎn)，同時(shí)計(jì)算出每個(gè)像素點(diǎn)的梯度幅度和梯度方向。再用非極大值抑制法對(duì)圖像的屋脊進(jìn)行細(xì)化，保留局部幅值變化最大的邊緣點(diǎn)。具體方法是：考慮像素點(diǎn)的3×3鄰域，將中心像素點(diǎn)的梯度幅值與其梯度方向所在區(qū)域相同的2個(gè)像素點(diǎn)的梯度幅值相比較，若中心像素點(diǎn)的幅值小于相鄰像素點(diǎn)的幅值，則中心像素點(diǎn)為非邊緣點(diǎn)；反之，中心像素點(diǎn)為候選邊緣點(diǎn)。

最后使用雙梯度閾值法［10］對(duì)邊緣點(diǎn)進(jìn)行連接操作。具體方法是：設(shè)定2個(gè)門(mén)限值，高閾值T1和低閾值T2。對(duì)圖像中每一個(gè)像素點(diǎn)進(jìn)行檢測(cè)，梯度幅值大于幅值T1的像素點(diǎn)被認(rèn)為是邊緣點(diǎn)，幅值小于閾值T2的像素點(diǎn)則被認(rèn)為是非邊緣點(diǎn)，于兩閾值之間的像素點(diǎn)視為弱邊緣點(diǎn)。即分別用高閾值T1和低閾值T2對(duì)圖像進(jìn)行檢測(cè)，將梯度幅值小于T1的像素灰度設(shè)為0得到邊緣圖像1，把梯度幅值小于T2的像素灰度設(shè)為0得到邊緣圖像2。選取閾值較大的圖像1噪聲少，但丟失了部分真實(shí)邊緣，而選取閾值較小的圖像2，保留了大部分的邊緣信息，但存在偽邊緣。因此可以以邊緣圖像1為基礎(chǔ)，再以邊緣圖像2進(jìn)行修正從而得到最終的邊緣圖像。圖3即為使用Canny算子進(jìn)行邊緣檢測(cè)得到的效果圖。其中，左側(cè)（a）組的5張圖像為原彩色圖像，右側(cè)（b）組的5張圖像為對(duì)應(yīng)的邊緣檢測(cè)后的圖像。

1.3 基于模糊增強(qiáng)的安全帶直線檢測(cè)

駕駛員的衣著顏色會(huì)影響邊緣檢測(cè)效果及后續(xù)判斷的結(jié)果，因?yàn)闀?huì)有駕駛員衣物的灰度值與安全帶灰度值接近的情況，這時(shí)通過(guò)對(duì)圖像進(jìn)行模糊增強(qiáng)可以有效增大區(qū)域?qū)Ρ榷?，提高檢測(cè)準(zhǔn)確性。

1.3.1 基于GFO算子的模糊增強(qiáng)

模糊集理論在感知、分析判斷及辨識(shí)人類的各種行為時(shí)是一個(gè)有效的工具，而一幅灰度圖像邊緣檢測(cè)的效果隨著圖片所含的灰度級(jí)的層次的減少而變好，基于上述原因，Pal.King等［11］提出了一種圖像邊緣檢測(cè)模糊算法。但由于該算法的模糊隸屬函數(shù)采用冪函數(shù)形式，運(yùn)算量大，并且為了解決逆變換無(wú)解的問(wèn)題會(huì)以犧牲圖像中部分低灰度值的灰度信息為代價(jià)。本文的隸屬函數(shù)采用升半梯形分布，并利用廣義模糊算子［12］將廣義模糊集變換為普通的模糊集合，在模糊空間做對(duì)比度增強(qiáng)處理，提高了檢測(cè)速度和質(zhì)量。

論域上U廣義模糊集合A表征為

式中：μA（x）∈［－1，1］稱為U上A的廣義隸屬函數(shù)。普通模糊集合經(jīng)過(guò)擴(kuò)充成為廣義模糊集合，即將普通模糊集合的隸屬函數(shù)從μA（x）∈［0，1］擴(kuò)充至廣義模糊集合的μA（x）∈［－1，1］。

定義一個(gè)廣義模糊算子GFO，廣義模糊集A經(jīng)其作用可產(chǎn)生普通模糊集A′，即A′＝GFO（A），本文GFO定義如下：

根據(jù)分段函數(shù)在r處的連續(xù)性可得r≈0.295 6。GFO算子的作用是降低廣義模糊集A的模糊度，即通過(guò)增加－1≤μA（x）＜0和r≤μA（x）≤1區(qū)域中μA（x）的值和降低0≤μA（x）＜r中μA（x）的值來(lái)增強(qiáng)區(qū)域間對(duì)比度。采用Pal算法進(jìn)行圖像增強(qiáng)，需要迭代運(yùn)算（一般需要2～5次迭代）來(lái)達(dá)到較好的增強(qiáng)效果，算法運(yùn)算時(shí)間長(zhǎng)。而式（1）引入開(kāi)放運(yùn)算，進(jìn)一步強(qiáng)化增強(qiáng)效果，一般只需一次迭代即可得到較好效果。

把圖像X看作是一個(gè)廣義的模糊集合，表示為矩陣：

本文通過(guò)一種升半梯形分布函數(shù)來(lái)求Pij，即

式中V為可調(diào)參數(shù)，選擇范圍為

式中xmax和xmin分別為圖像的最大和最小灰度值，式（2）是一個(gè)簡(jiǎn)單的線性函數(shù)，運(yùn)算速度快。

基于GFO算子的模糊增強(qiáng)算法步驟如下：

1）通過(guò)式（2）將圖像X從空間域的灰度值X＝｛xij｝映射到與之對(duì)應(yīng)的廣義隸屬度P＝｛Pij｝。

2）通過(guò)定義的GFO算子對(duì)廣義隸屬度進(jìn)行非線性變換，增強(qiáng)區(qū)域之間的對(duì)比度。

3）利用式（2）的反函數(shù)進(jìn)行對(duì)普通隸屬度P′的逆變換，得到經(jīng)過(guò)了模糊增強(qiáng)的圖像X′，X′中像素點(diǎn)的灰度x′ij為

1.3.2 圖像二值化

圖像二值化的主要目的是保留圖像的有用信息。最大類間方差法［13］具有計(jì)算簡(jiǎn)單、自適應(yīng)強(qiáng)的特點(diǎn)，因而成為使用最多的圖像閾值自動(dòng)選取方法之一，被廣泛應(yīng)用在圖像二值化處理中。最大類間方差法是1979年由日本學(xué)者大津提出的，又稱大津法，簡(jiǎn)稱OTSU。其主要思想是用閾值T把圖像的灰度值集合分為2類，然后計(jì)算2個(gè)類別的平均值方差（類間方差）和這2個(gè)類的方差（類內(nèi)方差）的比，比值最大時(shí)候的閾值T即為所求閾值。

假設(shè)圖像有L個(gè)灰度級(jí)，閾值為T(mén)，根據(jù)灰度值在T以下或者在T以上將像素分為2類，設(shè)為類1和類2。類1中的像素?cái)?shù)量為n1（T），灰度值的均值為v1（T），方差為σ21（T）；類2中的像素?cái)?shù)量為n2（T），灰度的均值為v2（T），方差為σ22（T）。全體像素的平均值為VT，則類內(nèi)方差為

類間方差為

1.3.3 直線檢測(cè)及判別

在眾多的直線檢測(cè)算法中，Hough變換因其算法穩(wěn)定性高、抗噪性能好的特點(diǎn)而被廣泛使用，但存在計(jì)算量和儲(chǔ)存空間太大的缺點(diǎn)。本文采用改進(jìn)的直線檢測(cè)算法［14-15］，即設(shè)定一距離條件以及累加器單元閾值，在隨機(jī)Hough變換選取點(diǎn)對(duì)時(shí)需先滿足距離條件，然后才可計(jì)算參數(shù)值，進(jìn)而得到參數(shù)空間。這樣有效地解決了上述問(wèn)題，提高了圖像直線特征提取的運(yùn)算速度。距離的獲得公式如下：

算法步驟如下：

1）掃描圖像空間，得到邊緣點(diǎn)集D，設(shè)定參數(shù)空間Q為空，迭代步驟數(shù)k＝0。

2）隨機(jī)從D中選取點(diǎn)對(duì)d1（x1，y1）和d2（x2，y2），d1（x1，y1）≠d2（x2，y2），如果d≤dmax，則繼續(xù)下一步，否則重新選取d1（x1，y1）和d2（x2，y2）。

3）將點(diǎn)對(duì)代入得到參數(shù)空間點(diǎn)q＝（a1，a2）。

4）在參數(shù)空間中搜索qc，若則認(rèn)為存在這樣的qc，轉(zhuǎn)到步驟6），否則轉(zhuǎn)到步驟5）。

5）把q插入到參數(shù)空間中，轉(zhuǎn)到步驟7）。

6）相應(yīng)的累加器單元計(jì)數(shù)加1，并且檢測(cè)該計(jì)數(shù)是否大于設(shè)定的閾值，如果是，轉(zhuǎn)到步驟8），否則轉(zhuǎn)到步驟7）。

7）k＝k＋1，如果k＞kmax，算法結(jié)束，否則轉(zhuǎn)到步驟2）。

8）qc為所檢測(cè)到的直線參數(shù)，將D中相應(yīng)的點(diǎn)清除后對(duì)參數(shù)空間進(jìn)行初始化，轉(zhuǎn)到步驟2）。

根據(jù)安全帶幾何特征的先驗(yàn)知識(shí)，本文基于Hough直線檢測(cè)提出了一種安全帶佩戴檢測(cè)模型。規(guī)定了所檢測(cè)到的直線的斜率范圍為－85°～－30°，規(guī)定了所檢測(cè)到的2條直線的斜率差絕對(duì)值應(yīng)小于30°。直線檢測(cè)及判別模塊的流程圖如圖4所示。

圖4 直線檢測(cè)及判別模塊一流程

2個(gè)直線檢測(cè)及判別模塊在輸出部分略有不同，需要模塊2輸出沒(méi)系安全帶的時(shí)候?qū)⒅苯愚D(zhuǎn)入模糊增強(qiáng)部分。

2 實(shí)驗(yàn)結(jié)果與分析

在主頻2.0 GHz，內(nèi)存2 GB，Windows XP操作系統(tǒng)的計(jì)算機(jī)上進(jìn)行實(shí)驗(yàn)，軟件環(huán)境采用MATLAB7.0圖像處理工具箱。按照上述方法對(duì)10名駕駛員在不同時(shí)刻的不同光照條件下共150張采集圖片進(jìn)行實(shí)驗(yàn)，選取的各組圖片駕駛員衣著顏色和紋理不同，并有是否佩戴安全帶的區(qū)別。實(shí)驗(yàn)所得識(shí)別正確的圖像個(gè)數(shù)為124張，識(shí)別準(zhǔn)確率為82.7%。佩戴安全帶和不佩戴安全帶的駕駛員識(shí)別結(jié)果如表1、2所示。

表1 佩戴安全帶的駕駛員識(shí)別結(jié)果統(tǒng)計(jì)

表2 沒(méi)佩戴安全帶的駕駛員識(shí)別結(jié)果統(tǒng)計(jì)

部分駕駛員原圖像及安全帶識(shí)別結(jié)果如圖5、6所示。

圖5 駕駛員佩戴安全帶的識(shí)別結(jié)果

圖6 駕駛員沒(méi)佩戴安全帶的識(shí)別結(jié)果

為了驗(yàn)證本文算法可以排除條形圖案的衣服對(duì)實(shí)驗(yàn)結(jié)果的干擾，也對(duì)條形圖案的衣服做了實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如圖7所示。

圖7 條形圖案的衣服識(shí)別結(jié)果

由實(shí)驗(yàn)結(jié)果可知，除非駕駛員衣物灰度與安全帶的灰度極為接近，否則駕駛員衣物顏色不會(huì)對(duì)檢測(cè)結(jié)果造成影響。但駕駛員衣著或飾物對(duì)安全帶的遮擋會(huì)造成圖像中安全帶出現(xiàn)變形、不連續(xù)，甚至斷點(diǎn)的情況，從而會(huì)造成識(shí)別錯(cuò)誤，這是影響本文算法識(shí)別準(zhǔn)確率的主要原因。

實(shí)驗(yàn)結(jié)果表明，通過(guò)本文算法檢測(cè)駕駛員是否佩戴安全帶的準(zhǔn)確率較高，能夠適應(yīng)不同的駕駛?cè)思安煌姆棗l件。相較于文獻(xiàn)［5］的方法，本算法不要求裝備反光性能的安全帶，更具有普遍適用性。

3 結(jié)束語(yǔ)

針對(duì)目前安全帶佩戴提示系統(tǒng)的不足，采用光照補(bǔ)償和平滑濾波對(duì)采集到的圖像進(jìn)行預(yù)處理，通過(guò)Canny邊緣檢測(cè)和Hough直線檢測(cè)，初步判斷是否有佩戴安全帶。對(duì)于判斷沒(méi)有佩戴安全帶的情況，則對(duì)預(yù)處理過(guò)的圖像進(jìn)行圖像增強(qiáng)，再采用最大類間方差法進(jìn)行圖像分割得到二值化圖，最后進(jìn)行直線檢測(cè)得到安全帶佩戴識(shí)別結(jié)果。由實(shí)驗(yàn)可知，駕駛員衣物對(duì)安全帶的遮擋及安全帶的變形會(huì)造成識(shí)別錯(cuò)誤，考慮使用顏色模型和帶狀區(qū)域檢測(cè)相結(jié)合的方法，進(jìn)一步提高識(shí)別準(zhǔn)確率，是未來(lái)工作努力解決的方向。

［1］National Highway Traffic Safety Adm inistration.Fifth／Sixth report to congress：effectiveness of occupant protection sys-tems and their use［R］.Washington DC：U.S.Department of Transportation；National Highway Traffic Safety Adminis-tration，2001.

［2］OKADA Shoji.Seat belt warning device：United States， US6239695B1［P］.2001-05-09.

［3］俞學(xué)群，武陽(yáng)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(guó)預(yù)防醫(yī)學(xué)雜志，2008（5）：440-441.

［4］BECKER G，MOUSEL T，SCHOCKMEL P.TOR（total oc-cupant recognition）system［C］//Proceedings of 17th In-ternational Technical Conference on the Enhance Safety of Vehicles.Amsterdam，Netherlands，2001：4-10.

［5］葛如海，胡滿江，符凱.基于灰度積分投影的安全帶佩戴識(shí)別方法［J］.汽車工程，2012，34（9）：787-790.

［6］李弼程，彭天強(qiáng)，彭波.智能圖像處理技術(shù)［M］.北京：電子工業(yè)出版社，2004：246-298.

［7］梁曉輝，游志勝.自適應(yīng)的彩色圖像光照補(bǔ)償新方法研究［J］.光電工程，2006，33（2）：94-97.

［8］WERBLIN F S，COPENHAGEN D R.Control of retinal sensitivity［J］.Journal of General Physiology，1974，63（1）：62-87.

［9］CANNY JA.Computational approach to edge detection［J］.IEEE Trans on PAMI，1986，8（6）：679-698.

［10］王植，賀賽先.一種基于Canny理論的自適應(yīng)邊緣檢測(cè)方法［J］.中國(guó)圖象圖形學(xué)報(bào)，2004，9（8）：957-962.

［11］PALSK，KINGR A.Image enhancementusing smoothing with fuzzy sets［J］.IEEE Trans on System，Man and Cy-bernetics，1981，11（7）：494-501.

［12］王輝，張基宏.圖像邊界檢測(cè)的區(qū)域?qū)Ρ榷饶：鰪?qiáng)算法［J］.電子學(xué)報(bào)，2000，28（1）：45-47.

［13］李宏，張冬生，林義剛，等.基Otsu理論的灰度圖像分割算法研究和改進(jìn)［J］.科學(xué)技術(shù)與工程，2010，22（10）：5437-5440.

［14］陳志良.序列圖像中的直線特征提取與匹配［D］.南昌：南昌航空大學(xué)，2011：27-29.

［15］岳健，項(xiàng)學(xué)智.一種改進(jìn)的Hough圓檢測(cè)算法［J］.應(yīng)用科技，2006，33（6）：74-76.

A method of recognizing seat-belt wearing based on fuzzy enhancement

LIWanchen，ZHANG Jin
College of Information and Communication Engineering，Harbin Engineering University，Harbin 150001，China

To overcome the insufficency of existing warning systems for seat-beltwearing，and to further increase the seat-beltwearing rate，a new method for recognizing whether a seat-belt isworn or not is proposed based on fuzzy enhancement.In thismethod，firstly，the collected images of the driver are processed by light compensation.After using the customized Canny operator for edge detection，the straight-line detecting based on Hough transform and the preliminary judgment are proceeded.By processing the images in which the seat belt hasn’t been detected，a picture with fuzzy enhancement is obtained，then the Otsu method is used to select the optimal threshold for image segmentation，deriving the binary images.And then the straight-line detection is proceeded and thus the final con-clusion is reached.The test results show that the method proposed can effectively recognize the seat-belt wearing state with high accuracy.

seat-belt recognition；edge detection；Hough transform；straight-line detection；fuzzy enhancement

TP391.4

：A

：1009-671X（2015）01-22-06

10.3969／j.issn.1009-671X.201312001

http：//www.cnki.net／kcms／detail／23.1191.U.20150112.1530.004.htm l

2013-12-02.

日期：2015-01-12.

李萬(wàn)臣（1963-），男，教授；張晉（1988-），男，碩士研究生.

李萬(wàn)臣：E-mail：lwchen＠hrbeu.edu.cn.