一种基于Adaboost的安全带检测方法
一种基于Adaboost的安全带检测方法
【专利摘要】本发明公开了一种基于Adaboost的安全带检测方法，包括以下步骤：建立车辆正面图像的高斯混合模型；通过高斯混合模型建立基于Adaboost的车辆各部件粗定位，得到各部件候选区域和对应可信度；进行基于高斯混合模型的图像后处理，得到安全带检测的精确结果。相对其他方法，本发明检测率较高且虚警率与漏检率较低，对于背景和光照的鲁棒性较强，能广泛运用于不同的道路环境、光照条件、拍摄视角下的车辆安全带检测。
【专利说明】—种基于Adaboost的安全带检测方法
【技术领域】
[0001]本发明属于智能交通领域，涉及一种图像检测方法，更具体的涉及到一种基于Adaboost的安全带检测方法。
【背景技术】
[0002]每年有超过120万人死于机动车事故，相当比例的交通事故中，当驾驶员佩带安全带时，造成的人员伤亡明显减轻。目前，世界上大多数国家都通过法律强制要求驾驶员在行驶中使用安全带。通过监控相机进行驾驶员安全带检测成为了智能交通领域的比较新颖的课题，对于那些轻视交通法规和安全意识淡薄的驾乘人员，该技术的实现可以在很大程度上起到提醒和警告作用，在保证安全驾驶的同时提高驾驶员遵守交通法规的意识。
[0003]随着成像技术的发展，高清摄像机可以获取高速行驶中车辆和驾驶员的清晰图像。目前，基于图像处理的安全带检测方法相关研究较少，仍然有许多困难，主要表现为:道路环境复杂，变化多样、车辆以及安全带图像会受到包括光照、拍摄视角甚至相机规格等因素的影响。
【发明内容】
[0004]本发明的目的在于克服现有技术的缺点和不足，提出一种基于Adaboost安全带检测方法，此方法主要解决了机动车车辆图片中驾驶员的安全带检测，并且可应用于不同的道路环境和光照条件下。
[0005]本发明提供了一种基于Adaboost的安全带检测方法，包括以下步骤:
[0006]步骤1:建立正面车辆的高斯混合模型；
[0007]车辆正面视图的高斯混合模型M定义如下:
[0008]M= {partw, partp, partb, posw,p,b}
[0009]其中，partw表示模型中的车窗部件，partp表示模型中的驾驶员区域部件，posb表示模型中的安全带部件，P0Sw,p,b={Pw,p,b, dw,p,J表示各部件之间的位置关系；特别的，pw, p, b表示各部件之间的空间位置关系，对于不同的国家和地区，由于驾驶员所在的位置不同，此位置关系也不同；dw,p,b表示各部件间的距离，且
[0010]dw,p,b e Ni ( μ i, δ j), i e {big, middle, small}
[0011]N^yi, Si)表示均值为μ，方差为δ的高斯模型；通过统计标注车窗、驾驶员以及安全带之间的距离，得到每一类型的车辆所对应的均值和方差，既得到车辆的高斯混合模型。
[0012]步骤2:基于Adaboost的车辆各部件粗定位，得到各部件候选区域和对应可信度；
[0013]使用Adaboost算法先后对车窗部件、驾驶员部件和安全带部件进行粗定位；各部件的粗定位包括针对各部件的模型训练过程和定位过程。
[0014]训练过程一方面从高维的Haar-1ike特征中选取对分类识别起关键作用的特征，另一方面为识别过程准备用于两类分类识别的Adaboost分类器，定位过程首先对测试样本提取关键Haar-1ike特征，然后将特征输入到Adaboost进行各部件存在性检测,定位各部件的候选区域。
[0015]步骤3:基于高斯混合模型的后处理，得到安全带检测的精确结果；
[0016]通过Adaboost得到车辆各部件的候选区域后，通过训练得到的车辆高斯混合模型来进行安全带区域的精细定位。
[0017]设L={lw，lp，lb}为模型M在图像中的一个实现，其中Iw表示车窗在图像中的位置，Ip表示驾驶员区域在图像中的位置，Ib表示安全带在图像中的位置，设Hi(Iw)表示车窗位置在Iw的可信度，Hi(Ip)表示车窗位置在Ip的可信度，m(lb)表示车窗位置在Ib的可信度，m(lw, lp, Ib)表示车窗区域、驾驶员区域、安全带区域与模型的符合度且:
[0018]
【权利要求】
1.一种基于Adaboost的安全带检测方法,其特征在于,包括以下步骤: 步骤1:建立车辆正面图像的高斯混合模型； 步骤2:通过高斯混合模型建立基于Adaboost的车辆各部件粗定位，得到各部件候选区域和对应可信度； 步骤3:进行基于高斯混合模型的图像后处理，得到安全带检测的精确结果。
2.根据权利要求1所述的基于Adaboost的安全带检测方法,其特征在于,步骤I中建立车辆正面图像的高斯混合模型时，按以下方式获取: 步骤1.1:将车辆正面图像划分为车窗区域、驾驶员区域、安全带区域三个部件； 步骤1.2:将检测车辆分为大型车、中型车、小型车三种类型。
3.根据权利要求1所述的基于Adaboost的安全带检测方法,其特征在于,步骤2中建立基于Adaboost的车辆各部件粗定位时，按以下步骤进行: 步骤2.1:首先对车辆图像进行正面车窗检测； 步骤2.2:在正面车窗候选区域内进行驾驶员区域检测； 步骤2.3:在驾驶员候选区域进行安全带检测。
4.根据权利要求1所述的基于Adaboost的安全带检测方法，其特征在于，步骤2中所述的基于Adaboost的车辆各部件粗定位,首先要提取待检测区域的高维的Haar-1ike特征。
5.根据权利要求1所述的基于Adaboost的安全带检测方法，其特征在于，步骤2中所述的得到各部件候选区域和对应可信度，当被检测区域通过前K(K〈T，其中T表示预设的最高迭代次数)个弱分类器时，认为该区域为待检测部件候选区域，同时继续使用Κ+1至第T个弱分类器进行扫描，并记录其通过的弱分类器的数目作为该候选区域的可信度，公式(I)中X表示待检测部件
confidencex=numpassed classifier (I)。
6.根据权利要求1所述的基于Adaboost的安全带检测方法,其特征在于,步骤3中所述的基于高斯混合模型的后处理计算方法如下:设L={lw，lp, IJ为模型M在图像中的一个实现，其中Iw表示车窗在图像中的位置，Ip表示驾驶员区域在图像中的位置，Ib表示安全带在图像中的位置，设m(lw)表示车窗位置在Iw的可信度，m(lp)表示车窗位置在Ip的可信度，m(lb)表示车窗位置在Ib的可信度，可信度均可通过公式(I)来计算，m(lw，lp, Ib)表示车窗区域、驾驶员区域、安全带区域与模型的符合度；根据高斯混合模型进行车辆各部件精确定位，即找到L*使得:
【文档编号】G06K9/62GK103955704SQ201410174018
【公开日】2014年7月30日 申请日期:2014年4月26日 优先权日:2014年4月26日
【发明者】陈雁翔, 李赓, 覃勋辉, 王猛, 陶刚, 邹娇, 闫永刚 申请人:合肥工业大学
【专利摘要】本发明公开了一种基于Adaboost的安全带检测方法，包括以下步骤：建立车辆正面图像的高斯混合模型；通过高斯混合模型建立基于Adaboost的车辆各部件粗定位，得到各部件候选区域和对应可信度；进行基于高斯混合模型的图像后处理，得到安全带检测的精确结果。相对其他方法，本发明检测率较高且虚警率与漏检率较低，对于背景和光照的鲁棒性较强，能广泛运用于不同的道路环境、光照条件、拍摄视角下的车辆安全带检测。
【专利说明】—种基于Adaboost的安全带检测方法
【技术领域】
[0001]本发明属于智能交通领域，涉及一种图像检测方法，更具体的涉及到一种基于Adaboost的安全带检测方法。
【背景技术】
[0002]每年有超过120万人死于机动车事故，相当比例的交通事故中，当驾驶员佩带安全带时，造成的人员伤亡明显减轻。目前，世界上大多数国家都通过法律强制要求驾驶员在行驶中使用安全带。通过监控相机进行驾驶员安全带检测成为了智能交通领域的比较新颖的课题，对于那些轻视交通法规和安全意识淡薄的驾乘人员，该技术的实现可以在很大程度上起到提醒和警告作用，在保证安全驾驶的同时提高驾驶员遵守交通法规的意识。
[0003]随着成像技术的发展，高清摄像机可以获取高速行驶中车辆和驾驶员的清晰图像。目前，基于图像处理的安全带检测方法相关研究较少，仍然有许多困难，主要表现为:道路环境复杂，变化多样、车辆以及安全带图像会受到包括光照、拍摄视角甚至相机规格等因素的影响。
【发明内容】
[0004]本发明的目的在于克服现有技术的缺点和不足，提出一种基于Adaboost安全带检测方法，此方法主要解决了机动车车辆图片中驾驶员的安全带检测，并且可应用于不同的道路环境和光照条件下。
[0005]本发明提供了一种基于Adaboost的安全带检测方法，包括以下步骤:
[0006]步骤1:建立正面车辆的高斯混合模型；
[0007]车辆正面视图的高斯混合模型M定义如下:
[0008]M= {partw, partp, partb, posw,p,b}
[0009]其中，partw表示模型中的车窗部件，partp表示模型中的驾驶员区域部件，posb表示模型中的安全带部件，P0Sw,p,b={Pw,p,b, dw,p,J表示各部件之间的位置关系；特别的，pw, p, b表示各部件之间的空间位置关系，对于不同的国家和地区，由于驾驶员所在的位置不同，此位置关系也不同；dw,p,b表示各部件间的距离，且
[0010]dw,p,b e Ni ( μ i, δ j), i e {big, middle, small}
[0011]N^yi, Si)表示均值为μ，方差为δ的高斯模型；通过统计标注车窗、驾驶员以及安全带之间的距离，得到每一类型的车辆所对应的均值和方差，既得到车辆的高斯混合模型。
[0012]步骤2:基于Adaboost的车辆各部件粗定位，得到各部件候选区域和对应可信度；
[0013]使用Adaboost算法先后对车窗部件、驾驶员部件和安全带部件进行粗定位；各部件的粗定位包括针对各部件的模型训练过程和定位过程。
[0014]训练过程一方面从高维的Haar-1ike特征中选取对分类识别起关键作用的特征，另一方面为识别过程准备用于两类分类识别的Adaboost分类器，定位过程首先对测试样本提取关键Haar-1ike特征，然后将特征输入到Adaboost进行各部件存在性检测,定位各部件的候选区域。
[0015]步骤3:基于高斯混合模型的后处理，得到安全带检测的精确结果；
[0016]通过Adaboost得到车辆各部件的候选区域后，通过训练得到的车辆高斯混合模型来进行安全带区域的精细定位。
[0017]设L={lw，lp，lb}为模型M在图像中的一个实现，其中Iw表示车窗在图像中的位置，Ip表示驾驶员区域在图像中的位置，Ib表示安全带在图像中的位置，设Hi(Iw)表示车窗位置在Iw的可信度，Hi(Ip)表示车窗位置在Ip的可信度，m(lb)表示车窗位置在Ib的可信度，m(lw, lp, Ib)表示车窗区域、驾驶员区域、安全带区域与模型的符合度且:
[0018]
【权利要求】
1.一种基于Adaboost的安全带检测方法,其特征在于,包括以下步骤: 步骤1:建立车辆正面图像的高斯混合模型； 步骤2:通过高斯混合模型建立基于Adaboost的车辆各部件粗定位，得到各部件候选区域和对应可信度； 步骤3:进行基于高斯混合模型的图像后处理，得到安全带检测的精确结果。
2.根据权利要求1所述的基于Adaboost的安全带检测方法,其特征在于,步骤I中建立车辆正面图像的高斯混合模型时，按以下方式获取: 步骤1.1:将车辆正面图像划分为车窗区域、驾驶员区域、安全带区域三个部件； 步骤1.2:将检测车辆分为大型车、中型车、小型车三种类型。
3.根据权利要求1所述的基于Adaboost的安全带检测方法,其特征在于,步骤2中建立基于Adaboost的车辆各部件粗定位时，按以下步骤进行: 步骤2.1:首先对车辆图像进行正面车窗检测； 步骤2.2:在正面车窗候选区域内进行驾驶员区域检测； 步骤2.3:在驾驶员候选区域进行安全带检测。
4.根据权利要求1所述的基于Adaboost的安全带检测方法，其特征在于，步骤2中所述的基于Adaboost的车辆各部件粗定位,首先要提取待检测区域的高维的Haar-1ike特征。
5.根据权利要求1所述的基于Adaboost的安全带检测方法，其特征在于，步骤2中所述的得到各部件候选区域和对应可信度，当被检测区域通过前K(K〈T，其中T表示预设的最高迭代次数)个弱分类器时，认为该区域为待检测部件候选区域，同时继续使用Κ+1至第T个弱分类器进行扫描，并记录其通过的弱分类器的数目作为该候选区域的可信度，公式(I)中X表示待检测部件
confidencex=numpassed classifier (I)。
6.根据权利要求1所述的基于Adaboost的安全带检测方法,其特征在于,步骤3中所述的基于高斯混合模型的后处理计算方法如下:设L={lw，lp, IJ为模型M在图像中的一个实现，其中Iw表示车窗在图像中的位置，Ip表示驾驶员区域在图像中的位置，Ib表示安全带在图像中的位置，设m(lw)表示车窗位置在Iw的可信度，m(lp)表示车窗位置在Ip的可信度，m(lb)表示车窗位置在Ib的可信度，可信度均可通过公式(I)来计算，m(lw，lp, Ib)表示车窗区域、驾驶员区域、安全带区域与模型的符合度；根据高斯混合模型进行车辆各部件精确定位，即找到L*使得:
【文档编号】G06K9/62GK103955704SQ201410174018
【公开日】2014年7月30日 申请日期:2014年4月26日 优先权日:2014年4月26日
【发明者】陈雁翔, 李赓, 覃勋辉, 王猛, 陶刚, 邹娇, 闫永刚 申请人:合肥工业大学
最新回复(0)