基于機器視覺的機動車前排未系安全帶識別系統(tǒng)及方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種基于機器視覺的機動車前排未系安全帶識別系統(tǒng)及方法，屬于智 能交通領(lǐng)域。
【背景技術(shù)】
[0002] 目前機動車未系安全帶違章檢測主要依靠人工肉眼識別，而人工違章檢測的效率 低、準確性差，人為干擾非常明顯。利用機器視覺技術(shù)，并且基于目前各路口架設(shè)的高清電 子警察監(jiān)控，可以有效地對機動車駕駛員是否佩戴安全帶進行識別，提高交警執(zhí)法效率，增 強駕駛員安全駕駛意識。
[0003] 隨著機器視覺技術(shù)在智能交通系統(tǒng)中的不斷應(yīng)用發(fā)展，車牌識別技術(shù)、超速檢測、 闖紅燈檢測技術(shù)已日趨成熟，逐漸實現(xiàn)了相關(guān)交通違章的自動化和智能化，為減少交通事 故做出了積極貢獻，但目前安全帶識別技術(shù)尚不成熟，識別處理能力滿足不了交通系統(tǒng)要 求。因此，將基于機器視覺的機動車前排未系安全帶識別系統(tǒng)及方法應(yīng)用到實際使用過程 中，對完善智能交通系統(tǒng)，提高我國交通智能化技術(shù)水平具有重要意義。

【發(fā)明內(nèi)容】

[0004] 將基于機器視覺技術(shù)的機動車前排未系安全帶識別系統(tǒng)及方法應(yīng)用到實際生活 中，可以提高交警執(zhí)法效率，增強司機安全駕駛意識，減少交通事故中的死亡率，促進交通 事業(yè)的智能化發(fā)展。為實現(xiàn)未系安全帶快速識別，本發(fā)明提供了一種基于機器視覺技術(shù)的 機動車前排未系安全帶識別系統(tǒng)及方法。
[0005] -種基于機器視覺技術(shù)的機動車前排未系安全帶識別系統(tǒng)及方法主要分為三部 分：第一，實現(xiàn)車牌的定位及分割；第二，對安全帶檢測區(qū)域圖像的提取；第三，對是否佩戴 安全帶進行檢測。
[0006] 本發(fā)明所米取的技術(shù)方案是，提供一種基于機器視覺的機動車前排未系安全帶 識別系統(tǒng)，包括車牌定位分割模塊，安全帶區(qū)域定位模塊和安全帶識別檢測模塊，其特征 在于：所述車牌定位模塊檢測到車牌后對車牌進行提取，然后根據(jù)二值圖像判斷車型大小 (本系統(tǒng)中大型車主要指公交車、大型客車、卡車；小型車主要指面包車、轎車、越野車SUV 等），往圖像上方采用所述安全帶定位模塊實現(xiàn)安全帶檢測區(qū)域（駕駛員肩部附近位置）的 獲取，然后采用安全帶識別模塊對司機是否佩戴安全帶進行識別。
[0007] 作為優(yōu)選，所述的基于機器視覺的機動車前排未系安全帶識別系統(tǒng)，其中所述的 車牌定位分割模塊實現(xiàn)對車牌的精準定位及分割，獲取車牌圖像信息，其中車牌精準定位 采用Haar分類器算法，基于Haar特征對圖像中的車牌進行檢測分割，通過對大量車牌樣本 訓(xùn)練，獲取分類器，實現(xiàn)車牌提取。
[0008] 作為優(yōu)選，所述的基于機器視覺的機動車前排未系安全帶識別系統(tǒng)，其中所述的 安全帶區(qū)域定位模塊對車型大小的判斷采用二值化圖像判別法，首先對圖像進行二值化處 理，然后對車輛二值化圖像進行邊界掃描并計算車型圖像在整幅圖像中所占比例，通過車 輛在圖像中所占比例，判別車輛車型大小。其中大型車指客車、公交車、重型以及大型卡車， 特種大型工程車輛等；小型車是指面包車、轎車、越野車等；以車牌中心線為參照，根據(jù)車 型大小往圖像上方偏移一定距離（大型車偏移500像素距離，小型車偏移300像素距離） 切取車輛右部分駕駛位圖像。
[0009] 作為優(yōu)選，所述的基于機器視覺的機動車前排未系安全帶識別系統(tǒng)，其中所述的 安全帶區(qū)域定位模塊利用已定位的車牌中心為參考，根據(jù)車型大小分別實現(xiàn)對不同車型的 駕駛位車窗定位，然后對安全帶檢測區(qū)域進行分割，獲取安全帶檢測區(qū)域圖像。
[0010] 作為優(yōu)選，所述的基于機器視覺的機動車前排未系安全帶識別系統(tǒng)，其中所述的 安全帶區(qū)域定位模塊對車窗定位采用的是三點定位法，對所述的駕駛位圖像進行灰度化處 理，然后在圖像X方向及Y方向各選取一列并獲取灰度值，對灰度值進行梯度計算，由于灰 度圖像中車窗邊框處梯度變化非常明顯，以此為依據(jù)對梯度進行大小比較，確定車窗上、下 部分及右側(cè)車窗邊框梯度變化最大點的坐標值，然后以坐標點為參照對安全帶檢測區(qū)域進 行切割，通過計算定位出安全帶位置區(qū)域，進行區(qū)域圖像提取。
[0011] 作為優(yōu)選，所述的基于機器視覺的機動車前排未系安全帶識別系統(tǒng)，其中所述的 安全帶識別模塊采用基于BP神經(jīng)網(wǎng)絡(luò)算法，通過對安全帶檢測區(qū)域圖像的15種紋理特征 進行分類識別，判斷司機是否佩戴安全帶，輸出包括未系安全帶車輛的原始監(jiān)控圖像以及 車牌圖像信息。
[0012] 作為優(yōu)選，所述的基于機器視覺的機動車前排未系安全帶識別系統(tǒng)，其中所述的 安全帶檢測區(qū)域圖像的15種紋理特征包括小梯度優(yōu)勢、大梯度優(yōu)勢、灰度分布的不均勻 性、梯度分布的不均勻性、能量、灰度平均、梯度平均、灰度均方差、梯度均方差、相關(guān)性、灰 度熵、梯度熵、混合熵、慣性、逆差矩。
[0013] 本發(fā)明還提供一種基于機器視覺的機動車前排未系安全帶識別方法，包括如下步 驟：
[0014] 1)對圖像中的車輛車牌進行識別提取，其中車牌精準定位采用Haar分類器算法， 基于Haar特征對圖像中的車牌進行檢測分割；
[0015] 2)對車輛車型進行判別，對車型大小的判斷采用二值化圖像判別法，首先對圖像 進行二值化處理，然后對車輛二值化圖像進行邊界掃描并計算車型圖像在整幅圖像中所占 比例，以車牌中心線為參照，根據(jù)車型大小往圖像上方偏移一定距離切取車輛右部分駕駛 位圖像；
[0016] 3)對安全帶檢測區(qū)域圖像進行檢測，利用已定位的車牌中心為參考，根據(jù)車型大 小分別實現(xiàn)對不同車型的駕駛位車窗定位，然后對安全帶檢測區(qū)域進行分割，獲取安全帶 檢測區(qū)域圖像，另外，對車窗定位采用的是三點定位法，對所述的駕駛位圖像進行灰度化處 理，然后在圖像X方向及Y方向各選取一列并獲取灰度值，對灰度值進行梯度計算，由于灰 度圖像中車窗邊框處梯度變化非常明顯，以此為依據(jù)對梯度進行大小比較，確定車窗上、下 部分及右側(cè)車窗邊框梯度變化最大點的坐標值，然后以坐標點為參照對安全帶檢測區(qū)域進 4丁切割；
[0017] 4)檢測到安全帶識別區(qū)域后對是否佩戴安全帶進行檢測，采用BP神經(jīng)網(wǎng)絡(luò)算法 對安全帶檢測區(qū)域圖像的15種紋理特征進行分類識別，判斷駕駛員是否佩戴安全帶，輸出 未系安全帶圖像的原始圖像、車牌圖像信息等。
【附圖說明】
[0018] 圖1是基于機器視覺的機動車前排未系安全帶識別方法的工作流程圖；
[0019] 圖2是Haar分類器部分正樣本圖像；
[0020] 圖3是Haar分類器部分負樣本圖像；
[0021] 圖4是提取的車牌圖像；
[0022] 圖5是車輛二值圖像；
[0023] 圖6是駕駛位圖像；
[0024] 圖7是安全帶區(qū)域圖像。
【具體實施方式】
[0025] 以下實施方式用于說明本發(fā)明，但不用來限制本發(fā)明的范圍。
[0026] 如圖1所示的本發(fā)明的未系安全帶識別系統(tǒng)及方法識別流程，本發(fā)明以高清卡口 圖像為基礎(chǔ)，共包括3大處理模塊：①車牌定位模塊；②安全帶區(qū)域定位模塊；③安全帶識 別檢測模塊。
[0027] 在本實施例中，車牌定位模塊采用Haar分類器算法，利用大量樣本訓(xùn)練獲得的分 類器對卡口圖像進行車牌的定位，具體步驟如下：