駕乘人員佩戴安全帶的自動檢測

吳裕鋒

摘 要：目前，道路交通復(fù)雜多變，安全態(tài)勢日趨嚴(yán)峻，為切實保護(hù)人民群眾安全出行，交警已采用普法宣傳、上路執(zhí)法、人工篩查等方式；而國內(nèi)外交通違法檢測主要集中在闖紅燈、超速、逆行等領(lǐng)域，極少涉及不系安全帶交通違法的自動檢測。本文綜合運用計算機(jī)圖像處理技術(shù)，通過車輛定位、車輛旋轉(zhuǎn)矯正、車窗定位、安全帶定位、圖像增強(qiáng)、安全帶佩戴判定等方法，實現(xiàn)對駕乘人員不系安全帶的圖像檢測。實驗結(jié)果表明，本方法有效解決了安全帶的識別與判定，檢測效果總體較理想。

關(guān)鍵詞：安全帶；卡口圖片；交通違法；計算機(jī)視覺；模式識別；圖像處理

1 前言

近年來，隨著我國經(jīng)濟(jì)快速發(fā)展，機(jī)動車及駕駛?cè)藬?shù)量迅猛增長，交通事故死傷人數(shù)已連續(xù)十年高居世界第一。據(jù)交管部門統(tǒng)計，不系安全帶是交通事故死亡的主要原因之一，約每10萬人中約有2人因不系安全帶死亡，是酒駕死亡人數(shù)的十倍。研究數(shù)據(jù)表明，安全帶在交通事故碰撞過程中可減輕駕乘人員的傷害程度，平均可減少45%～73%的人員傷亡。

目前，交警已采用普法宣傳、上路糾違、人工篩查等方式，但上述措施覆蓋面窄，執(zhí)法成本高、工作效率低、效果不佳。同時，國內(nèi)外交通違法信息檢測還主要集中在闖紅燈、超速、逆行等領(lǐng)域，一直沒有涉及不系安全帶的交通違法信息。

隨著現(xiàn)代計算機(jī)技術(shù)及圖像技術(shù)的不斷發(fā)展，基于數(shù)字圖像處理的模式識別技術(shù)已廣泛應(yīng)用于公安圖偵、交通管理等領(lǐng)域。因此，需要研究一種專門通過對諸如道路卡口圖片等圖像信息進(jìn)行分析，利用計算機(jī)視覺與圖像處理算法，對圖像中車輛駕駛員的安全帶佩帶情況進(jìn)行自動檢測的方法。

2 相關(guān)技術(shù)研究

2.1 計算機(jī)視覺

計算機(jī)視覺是使用計算機(jī)及相關(guān)設(shè)備對生物視覺的一種模擬。它的主要任務(wù)就是通過對采集的圖片或視頻進(jìn)行處理以獲得相應(yīng)場景的三維信息，與人類和其他許多生物的視覺密切相關(guān)。

計算機(jī)視覺是各應(yīng)用領(lǐng)域（如制造業(yè)、檢驗、文檔分析、醫(yī)療診斷以及軍事等）中各種智能/自主系統(tǒng)中不可分割的一部分。由于其重要性，一些先進(jìn)國家如美國把對計算機(jī)視覺與其他領(lǐng)域的關(guān)系研究列為對經(jīng)濟(jì)和科學(xué)有廣泛影響的科學(xué)和工程中的重大基本問題，即所謂的重大挑戰(zhàn)（grand challenge）。

計算機(jī)視覺的挑戰(zhàn)是要為計算機(jī)和機(jī)器人開發(fā)具有與人類水平相當(dāng)?shù)囊曈X能力。機(jī)器視覺需要圖象信號，紋理和顏色建模，幾何處理和推理，以及物體建模。

2.2 模式識別

模式識別研究主要集中在兩方面，一是研究生物體（包括人）是如何感知對象的，屬于認(rèn)識科學(xué)的范疇，二是在給定的任務(wù)下，如何用計算機(jī)實現(xiàn)模式識別的理論和方法。后者通過數(shù)學(xué)家、信息學(xué)專家和計算機(jī)科學(xué)工作者近幾十年來的努力，已經(jīng)取得了系統(tǒng)的研究成果。

模式識別與統(tǒng)計學(xué)、心理學(xué)、語言學(xué)、計算機(jī)科學(xué)、生物學(xué)、控制論等都有關(guān)系。它與人工智能、圖像處理的研究有交叉關(guān)系。例如自適應(yīng)或自組織的模式識別系統(tǒng)包含了人工智能的學(xué)習(xí)機(jī)制；又如模式識別中的預(yù)處理和特征抽取環(huán)節(jié)應(yīng)用圖像處理的技術(shù)；圖像處理中的圖像分析也應(yīng)用模式識別的技術(shù)。

2.2.1 圖像處理

圖像處理在我國國民經(jīng)濟(jì)的許多領(lǐng)域已經(jīng)得到廣泛的應(yīng)用。農(nóng)林部門通過遙感圖像了解植物生長情況，進(jìn)行估產(chǎn)，監(jiān)視病蟲害發(fā)展及治理；水利部門通過遙感圖像分析，獲取水害災(zāi)情的變化；氣象部門用以分析氣象云圖，提高預(yù)報的準(zhǔn)確程度；國防及測繪部門，使用航測或衛(wèi)星獲得地域地貌及地面設(shè)施等資料。機(jī)械部門可以使用圖像處理技術(shù)，自動進(jìn)行金相圖分析識別。醫(yī)療部門采用各種數(shù)字圖像技術(shù)對各種疾病進(jìn)行自動診斷。

圖像處理技術(shù)在智能交通系統(tǒng)（ITS）中應(yīng)用的研究，是ITS的重要前沿研究領(lǐng)域，具有十分重要的理論意義和應(yīng)用價值。通過視覺可以獲得90%以上的環(huán)境信息，例如交通標(biāo)志、交通信號、車道線、道路形狀、車輛、駕駛員、道路標(biāo)記、障礙物等。

圖像處理技術(shù)在智能交通中的應(yīng)用領(lǐng)域非常廣闊，大體上可分為基于視覺的智能車輛導(dǎo)航、基于視覺的交通監(jiān)控和基于視覺的交通管理三大應(yīng)用領(lǐng)域。本文主要涉及交通管理領(lǐng)域中的安全帶識別。

2.2.2 安全帶檢測方法

本文主要采用了Sobel邊緣檢測算子、Canny算法、Hear特征以及Adaboost機(jī)器學(xué)習(xí)算法等技術(shù)處理交通圖像，實現(xiàn)車輛定位、車輛旋轉(zhuǎn)矯正、車窗定位、安全帶定位、圖像增強(qiáng)、安全帶佩戴判定。如圖1所示：

（1）車輛定位

車輛定位主要用于判斷圖像中有幾輛完整車輛，并且確定車輛在圖像中的位置。

在車輛定位中使用車輛檢測器對靜態(tài)圖像中的車輛進(jìn)行識別定位，此處用的車輛檢測器是一種基于哈爾（Haar）特征的級聯(lián)分類器。訓(xùn)練步驟如圖2所示：首先收集車輛的正負(fù)樣本，在樣本收集階段盡量包括不同圖像源，不同場景，不同時間段，不同類型車輛的樣本；然后對機(jī)動車輛使用哈爾特征進(jìn)行特征提取，利用Adaboost算法對特征進(jìn)行選取得到級聯(lián)分類器；分類器訓(xùn)練完成后使用測試圖片源（樣本圖片源以外的圖片）對分類器進(jìn)行測試，將測試中的漏警目標(biāo)作為正樣本，虛警目標(biāo)作為負(fù)樣本加入樣本數(shù)據(jù)中，然后迭代幾次，重新訓(xùn)練分類器以提高檢測的準(zhǔn)確率。訓(xùn)練完成后，即可以在輸入圖像中對車輛進(jìn)行識別定位。

（2）車輛旋轉(zhuǎn)矯正

車輛旋轉(zhuǎn)矯正主要是將圖像中因為拍攝角度問題而稍有傾斜的車輛統(tǒng)一矯正到接近水平的位置，以提高后續(xù)安全帶檢測的準(zhǔn)確性。

在實現(xiàn)車輛旋轉(zhuǎn)矯正過程中，首先在上一車輛定位的車輛區(qū)域中進(jìn)行邊緣檢測，并且在保留橫向邊緣的同時抑制其他方向的邊緣；然后根據(jù)邊緣點的連通性對檢測到的邊緣進(jìn)行分割分段；分析計算每個邊緣段的角度方向；最后根據(jù)所有邊緣段的方向估計車輛的旋轉(zhuǎn)角度并對整個車輛區(qū)域進(jìn)行旋轉(zhuǎn)矯正，使得圖中車輛接近水平方向。如圖3所示：

（3）車窗定位

車窗定位就是確定車輛的前擋風(fēng)玻璃位置，從而限定安全帶檢測的搜索區(qū)域。

對安全帶的檢測，其次是要定位車窗，而車窗與車牌有著相對固定的位置關(guān)系。通過定位簡單圖像，進(jìn)而最后輔助定位困難圖像，也就是先定位車牌再定位車窗的方法。將車牌顏色投影到HSL色彩空間，對空間中車牌顏色可能出現(xiàn)的區(qū)域進(jìn)行細(xì)致的刻畫，從過濾掉圖片的大多數(shù)區(qū)域，然后采取Sobel算子的橫向極大值計數(shù)的方法，抽取區(qū)域的紋理特征。對于車窗定位，選取車窗一角用統(tǒng)計學(xué)習(xí)的方法，得到車窗檢測器，以車牌為基準(zhǔn)偏移一定方位后對區(qū)域作Adaboost判別，選取響應(yīng)最大的位置坐標(biāo)作為車窗角點坐標(biāo)。通過以上步驟，實現(xiàn)了車窗定位，為后續(xù)安全帶的定位奠定基礎(chǔ)。如圖4所示：

特征提取方法提取的特征主要包括3部分，一是車輛檢測器中用到的哈爾（Haar）特征，二是方向梯度直方圖（Histogram of Oriented Gradient，HOG）特征，三是在將樣本圖片進(jìn)行尺寸歸一化后測得的車窗位置、車窗高度等特征。需要指出的是①第三類特征只在車輛圖片是車輛正面時使用，②HOG特征數(shù)量很多，需要利用主成分分析（PCA）降維之后使用。

（4）安全帶定位

安全帶區(qū)域的定位主要有兩個目的：一是在車窗范圍內(nèi)通過人臉檢測確定司乘人員數(shù)目及位置；二是根據(jù)人臉位置確定安全帶區(qū)域。

安全帶區(qū)域的定位方法：首先在車窗范圍內(nèi)進(jìn)行人臉檢測，通過人臉檢測的結(jié)果確定該位置是否有司乘人員；然后根據(jù)人臉在車窗中的相對位置確定安全帶檢測區(qū)域在人臉的左側(cè)還是右側(cè)，如圖5所示，安全帶檢測區(qū)域為正方形，寬度約為人臉檢測框?qū)挾鹊?.5倍。

（6）安全帶佩戴判定

安全帶佩戴判定流程（由圖7所示）：首先對增強(qiáng)后的圖像進(jìn)行邊緣檢測（由圖8所示），根據(jù)邊緣檢測的結(jié)果對各條邊緣線段進(jìn)行分析，結(jié)合線段的方向、長度、位置連通性等等因素，分析是否檢測到安全帶；如果檢測到安全帶，判定該人員未違章；如果未檢測到安全帶，繼續(xù)檢測是否有司乘人員完整的肩部線條；如果檢測到完整肩部線條則判定為該人員違章，否則判定為不確定是否違章。檢測肩部線條的方法是基于盡量減少算法誤判的原則而采用的，因為在某些特殊條件下（例如環(huán)境光線特別差，或者安全帶顏色、座椅顏色和司乘人員衣物顏色很接近等），未檢測到安全帶并不一定是未佩戴安全帶，這種情況下即使判定為違章也很難做出有效處罰。

3 結(jié)論及改進(jìn)

綜上所述，本文運用計算機(jī)視覺技術(shù)，結(jié)合ITS圖像處理、機(jī)器學(xué)習(xí)和模式識別技術(shù)，研究車輛定位、車輛旋轉(zhuǎn)矯正、車窗定位、安全帶定位、圖像增強(qiáng)、安全帶佩戴判定等方法。實驗結(jié)果表明，本方法可有效解決車輛及車窗的定位，安全帶的定位、識別與判定，最終檢測結(jié)果的可靠性、精度和效率方面總體效果較好。

經(jīng)過研究，在以下幾個方面仍然有待改進(jìn)和提高：

（1）車窗定位

由于車窗的特殊材料造成的反光現(xiàn)象導(dǎo)致圖像中車窗位置模糊不清，對識別造成一定干擾，同時不同車型，不用拍攝角度下，乘客位置差異較大，因此需要再對乘客位置進(jìn)行定位；

（2）安全帶定位

由于安全帶顏色未知，安全帶定位難度加大；

（3）安全帶佩戴判定

流程已優(yōu)化，判斷步驟方法合理，但鑒于駕乘人員上衣顏色及紋理與安全帶的可能非常接近，容易導(dǎo)致檢測結(jié)果的誤判定。

本文的檢測方法還適用于分布式系統(tǒng)或計算模式，在各個處理器上部署各子塊的計算和處理，進(jìn)一步提高運行效率。

參考文獻(xiàn)

[1]史海成，王春艷，張媛媛.淺談模式識別[J].今日科苑，2007，（22）：169.

[2]楊明，宋雪峰.面向智能交通系統(tǒng)的圖像處理[J].計算機(jī)工程與應(yīng)用，2001，37（9）：4-7.

[3]魏武，張起森，王明俊，等.基于計算機(jī)視覺和圖像處理的交通參數(shù)檢測[J].信息與控制，2001，30（3）：257-261.

[4]李文舉.智能交通中圖像處理技術(shù)應(yīng)用的研究[J].大連海事大學(xué)學(xué)報，2004，6（3）：41-46.

[5]史忠科，曹力.交通圖像檢測與分析[M].科學(xué)出版社，2007.

（作者單位：廣州市交通管理科學(xué)技術(shù)研究所）