傅生輝,劉雙喜,王金星,范連祥,牟華偉
(1.山東農(nóng)業(yè)大學(xué) 機械與電子工程學(xué)院, 山東 泰安 271018;2.山東農(nóng)業(yè)大學(xué) 山東省園藝機械與裝備重點試驗室,山東 泰安 271018)
?
未系安全帶智能識別中安全帶定位關(guān)鍵方法研究
傅生輝1,劉雙喜2,王金星2,范連祥1,牟華偉1
(1.山東農(nóng)業(yè)大學(xué) 機械與電子工程學(xué)院, 山東 泰安 271018;2.山東農(nóng)業(yè)大學(xué) 山東省園藝機械與裝備重點試驗室,山東 泰安 271018)
安全帶定位是實現(xiàn)機動車未系安全帶智能識別的關(guān)鍵;針對道路監(jiān)控圖像特點,提出一種基于梯度變換的安全帶定位方法;該方法在對卡口圖像進行預(yù)處理的基礎(chǔ)上,采用自適應(yīng)閾值邊緣檢測算法以及積分投影方式定位車輛位置,設(shè)立車牌檢測區(qū)域,以減少運算量,降低干擾,同時利用訓(xùn)練得到的Haar分類器識別車牌位置,通過逼近方式切取車輛右側(cè)圖像;最后采用梯度變換算法求得車窗各邊緣坐標,實現(xiàn)車窗精準定位,并計算得到安全帶位置;試驗表明,該方法可實現(xiàn)安全帶的準確定位,具有較好的實用性,為后續(xù)安全帶識別奠定基礎(chǔ)。
未系安全帶;識別;安全帶定位;梯度變換;積分投影;車牌定位
安全帶是目前應(yīng)用最廣泛的汽車安全裝置之一[1]。如今,未系安全帶已列入違章檢查范圍,但相應(yīng)的檢測識別卻并不完善。安全帶定位是安全帶識別中的重要環(huán)節(jié),如何有效定位車窗位置,提取安全帶佩戴信息,是實現(xiàn)未系安全帶智能識別的關(guān)鍵,同時也決定了系統(tǒng)的處理速度和識別的可靠性。在已有文獻中,安全帶定位方法主要有:積分投影法[2-3],色差均值法[4-6],Haar分類器級聯(lián)檢測法[7-8],Hough變換[9-12]以及人臉識別等。雖然這些方法均在一定程度上實現(xiàn)車窗的提取或安全帶定位,但是由于卡口圖像環(huán)境復(fù)雜、光線干擾嚴重、人臉模糊、難以準確定位車窗或安全帶。
一種利用梯度變換定位安全帶的方法。該方法采用逼近方式,結(jié)合車輛顏色特征的先驗知識,利用積分投影與梯度變換算法相配合的方式,實現(xiàn)安全帶的準確定位。該方法計算量小,處理速度快,定位準確,具有一定工程應(yīng)用價值。
本研究以轎車、商務(wù)車、越野車等小型車為主要研究對象。首先對卡口圖像進行預(yù)處理,再通過積分投影算法建立車牌檢測區(qū)域(LPDR),并利用車牌分類器對車牌位置進行識別,然后以車牌為參照,采用逼近方式獲取車輛右側(cè)圖像。最后,分析圖像灰度變化,通過梯度變換方式確定車窗位置,并對安全帶圖像進行提取,從而實現(xiàn)安全帶定位。安全帶定位算法流程如圖1所示。
圖1 安全帶定位流程
本文所研究卡口圖像為某市道路監(jiān)控高清攝像,分辨率為1 600 pix×1 200 pix。為提高算法的適應(yīng)性和準確度,圖像預(yù)處理采用灰度化、平滑去噪及削邊處理。針對夜晚車輛光線不足的情況,對圖像進行自適應(yīng)增強處理;設(shè)立ROI區(qū)域,提高車牌位置識別速度。
2.1 圖像自適應(yīng)增強
由于道路光照環(huán)境復(fù)雜,尤其夜晚光線不足,導(dǎo)致圖像模糊不清,為提高圖像質(zhì)量,本研究采用自適應(yīng)對比度增強算法,對圖像對比度及光照條件進行處理。
假設(shè)x(i,j)為圖像中某點灰度值,局部區(qū)域定義為:以(i,j)為中心,大小為(2n+1)*(2n+1)的區(qū)域。f(i,j)定義為x(i,j)對應(yīng)的增強后像素值。
局部平均值:
(1)
式中,mx(i,j)為局部平均值,(2n+1)2為局部區(qū)域,x(k,l)為點(k,l)灰度值;
局部標準差:
(2)
(3)
進行圖像測試時,D取值采用全局均方差方式,并增加一個參數(shù)Amount,以再次控制高頻增強的程度。同時,對放大系數(shù)CG最大值進行限制,若CG過大,會產(chǎn)生像素飽和現(xiàn)象,即像素值超過255,故CG取值范圍為5~15;同時,隨著取樣半徑n的增加,每個像素涉及到區(qū)域范圍越廣,計算量會直線上升。為提高運行速度,Amount應(yīng)小于300。經(jīng)多次試驗,參數(shù)取樣半徑n=100,Amount取值150,MAXCG為10,夜間圖像增強效果如圖2所示。
圖2 夜間圖像的自適應(yīng)對比度增強
2.2 車牌檢測區(qū)域的建立
車牌檢測區(qū)域是以車牌及周邊圖像作為分類器檢索范圍,可降低無用信息對定位的干擾,減少算法時間,快速定位車牌位置。本文采用積分投影方式,確定車輛位置,建立LPDR區(qū)域。
首先利用基于自適應(yīng)閾值的Canny邊緣檢測方法[13]對車輛圖像進行處理,并結(jié)合膨脹腐蝕算法,去除背景干擾,得到車輛邊緣圖像(圖3(c)所示),然后對圖像進行水平和垂直方向的積分投影,實現(xiàn)車輛位置的粗定位,其中,圖3(b)為水平投影,對比車輛邊緣圖像,圖中紅線處峰值坐標與車輛底邊位置相對應(yīng);圖3(d)為垂直投影,兩側(cè)峰值坐標與車輛兩側(cè)位置相對應(yīng),由此得到車輛粗略位置,最后,參照三點坐標,建立車牌檢測區(qū)域,即圖3(c)中框圖所示,以便車牌分類器對車牌進行位置定位。
圖3 車牌識別區(qū)處理
3.1 基于Haar分類器的車牌定位
車牌定位識別[14-19]是實現(xiàn)安全帶定位的基礎(chǔ),本文利用Haar分類器對車牌位置進行識別。Haar分類器是一種基于Haar-Like特征和AdaBoost級聯(lián)算法的高效兩類識別分類器。識別算法主要分為訓(xùn)練部分和定位部分。其中,訓(xùn)練部分選取各類車牌圖像共計5 300多張為正樣本,非目標負樣本為2 500多張,一方面從車牌Haar-Like特征中提取關(guān)鍵特征用于訓(xùn)練,獲取車牌分類器;定位部分則對LPDR區(qū)域進行關(guān)鍵Haar-Like特征提取,然后利用車牌分類器進行檢測,獲取車牌位置。 整個算法流程如圖4所示。
圖4 定位算法流程
3.2 基于梯度變換的安全帶定位
常用安全帶一般經(jīng)由左肩位置斜向佩戴,駕駛員肩部作為安全帶識別區(qū)域受駕駛員身高、方向盤等因素干擾最少。考慮汽車外形及顏色差異等影響,本研究采用“逼近法”定位安全帶。首先以車牌中心為參照建立坐標系,然后往圖像上方偏移一定像素距離,切取車輛右側(cè)圖像,如圖5所示。由于小型車的高度均在450~530范圍內(nèi),小型車底邊到車窗下邊緣距離在285~330范圍內(nèi),距離相對固定,差異較小,經(jīng)試驗,參照系偏移距離可設(shè)為300像素。最后,采用梯度變換方式得到車窗各邊緣坐標定位車窗,實現(xiàn)安全帶準確定位。
圖5 駕駛位圖像
根據(jù)圖像灰度值在車窗邊緣會發(fā)生突變,進行梯度變換,通過計算灰度值突變確定車窗邊緣坐標,實現(xiàn)車窗精準定位。首先對駕駛位圖像進行灰度化處理,然后分別選取圖像水平和垂直方向的特定行和列作梯度變換,特定行和列要保證在圖像車窗范圍內(nèi),獲取灰度值并計算梯度。經(jīng)過多次驗證,本研究選用圖像第150行及第60列為掃描線,獲取灰度值并計算變化梯度。梯度公式如下:
(4)
其中:Δ為變化梯度;data[j].p為點(j,150)灰度值,或點(60,j)灰度值。部分樣本的灰度值及梯度變化值如表1所示。
表1 部分樣本灰度值及梯度表
圖6 樣本梯度變化曲線圖
圖6為車輛右側(cè)圖像分別在垂直方向和水平方向的梯度變換曲線,梯度變化曲線在垂直方向有兩處峰值,第一處峰值坐標點在(60,56)處,梯度值為0.388 9;第二處峰值車坐標為(60,252),梯度值為0.551,由此得到車窗上下邊緣點坐標P1點和P2點。水平梯度曲線中,峰值坐標(150,154),梯度值0.883 7,即車窗右邊緣灰度發(fā)生突變,求得右邊緣點P3;而以三點坐標為參照建立ROI區(qū)域,實現(xiàn)駕駛位車窗的準確定位,如圖7所示。
圖7 車窗定位結(jié)果
車窗準確定位后,則安全帶檢測區(qū)域坐標原點rect(x,y)可求:
(3)
(4)
根據(jù)坐標獲取安全帶佩戴區(qū)域圖像,大小為80像素×60像素,結(jié)果如圖8所示。
圖8 安全帶區(qū)域圖像
為驗證算法的適用性和準確性,本文隨機抽取某市區(qū)卡口圖像500張進行測試,其中,白天圖像300張,夜晚圖像200張。所用計算機為聯(lián)想揚天M4600d,CPU為奔騰G2030,3.0 GHZ,內(nèi)存4.0 GB,運行環(huán)境為VS2010。
試驗結(jié)果如表2所示,測試樣本中,有效樣本496張,漏檢4張,安全帶定位準確率在夜晚達到73.5%,白天定位準確
表2 安全帶定位算法結(jié)果統(tǒng)計表
率為92.57%,平均定位準確度為84.88%。造成算法差異較大的原因主要有:1)灰色車輛與背景顏色相近,引起車窗定位的偏移;2)夜晚光照條件較差,圖像質(zhì)量較差,造成車型輪廓不明顯,且車內(nèi)無燈光,梯度變化范圍小,影響了定位效果;3)部分車牌定位錯誤,影響右側(cè)車窗圖像的切割。經(jīng)過本文算法處理后,圖片質(zhì)量有所改善,準確率有所提高。
安全帶定位是實現(xiàn)智能交通系統(tǒng)中未系安全帶識別的關(guān)鍵組成部分。為提高目前車窗定位及安全帶定位的準確度和效率,本文給出一種基于梯度變換的定位方法,該方法采用逼近方式,對復(fù)雜的圖像環(huán)境逐步剖析處理,將安全帶定位轉(zhuǎn)化為單線梯度定位計算,具有較強的適用性,對提高安全帶檢測的自動化處理具有一定應(yīng)用價值。
[1] 俞學(xué)群, 武陽豐. 機動車安全帶的作用、使用現(xiàn)狀及干預(yù)策略[J]. 中國預(yù)防醫(yī)學(xué)雜志,2008(5):439-442.
[2] 葛如海,胡滿江,符 凱. 基于灰度積分投影的安全帶佩戴識別方法[J].汽車工程,2012(9):787-790.
[3] 黎華東. 智能交通中的違章識別算法研究[D].哈爾濱:哈爾濱工業(yè)大學(xué),2014.
[4] 王運瓊,游志勝. 基于色差均值的快速車窗定位算法[J]. 計算機應(yīng)用與軟件,2004(1):78-79,117.
[5] 劉直芳,徐 欣,游志勝,等. 基于遺傳算法的車窗定位[J]. 計算機應(yīng)用研究,2002(11):72-74,98.
[6] 張 軼,羅中良,邵 鵬,等. 一種車窗定位算法的設(shè)計和實現(xiàn)[J]. 西安航空技術(shù)高等??茖W(xué)校學(xué)報,2006(1):12-14.
[7] 吳 法. 圖像處理與機器學(xué)習(xí)在未系安全帶駕車檢測中的應(yīng)用[D].杭州:浙江大學(xué),2013.
[8] 陳雁翔, 李 賡. 基于AdaBoost的安全帶檢測系統(tǒng)[J]. 電子測量技術(shù), 2015,38(4):123-127.
[9] 李冬梅. HOV乘客計數(shù)中的車窗定位與提取算法研究[D]北京:北京交通大學(xué),2007.
[10] 李冬梅,郝曉莉. 基于Hough變換的車窗提取算法[J]. 中國測試技術(shù),2007(3):50-52,83.
[11] 駱玉榮. 安全帶識別系統(tǒng)的研究與實現(xiàn)[D]. 北京:北京工業(yè)大學(xué),2008.
[12] 侯殿福. 車窗檢測技術(shù)研究[D]. 北京: 北京交通大學(xué),2012.
[13] 雒 濤, 鄭喜鳳, 丁鐵夫. 改進的自適應(yīng)閾值Canny邊緣檢測[J]. 光電工程, 2009, 36 (11) :106-111,117.
[14] 文學(xué)志,方 巍,鄭鈺輝. 一種基于類Haar特征和改進AdaBoost分類器的車輛識別算法[J]. 電子學(xué)報,2011(5):1121-1126.
[15] 潘秋萍, 楊萬扣, 孫長銀. 基于Haar與MB-LBP特征的車牌檢測算法[J]. 東南大學(xué)學(xué)報(自然科學(xué)版), 2012, 42(s1):74-77.
[16] 黃澤鋒. 基于Adaboost的車牌定位方法的研究與實現(xiàn)[D]. 廣州, 華南理工大學(xué),2012.
[17] 蔣傳偉. 車牌識別系統(tǒng)中車牌定位與字符分割的研究[D].武漢, 華中科技大學(xué),2006.
[18] Abolghasemi V, Ahmadyfard A. An edge-based color-aided method for license plate detection. Image and Vision Computing. 2009,27 (8) : 1134-1142.
[19] 呂文強. 基于Adaboost和SVM的車牌識別方法研究[D]. 南京:南京理工大學(xué),2013.
Research on Key Method of Seatbelt Location in the Intelligent Recognition System for Seatbelt Unfasten
Fu Shenghui1, Liu Shuangxi2, Wang Jinxing2, Fan Lianxiang1, Mou Huawei1
(College of Mechanical and Electronic Engineering, Shandong Agricultural University, Taian 271018, China;2.Shandong Provincial Key Laboratory of Horticultural Machineries and Equipments, Shandong Agricultural University,Taian 271018, China)
The seatbelt location is the key to realizing the intelligent recognition of seatbelt unfasten. According to characteristics of the road monitoring image, a method of seatbelt localization based on gradient transform (GF) is proposed. With the method, by preprocessing the road monitor image, the vehicle position is located by using canny edge detection based on adaptive threshold and horizontal and vertical integration projection. And then license plate detection region is designed, with purpose of reducing image data computation, eliminating the interference from other regions. Nextly, license plate location is obtained by Haar-like cascaded classifier, which can get the image of vehicle on right in the method of approximation. Finally, the edge coordinates of car window can be calculated by gradient transform (GF) that can locate the position of seatbelt. The result shows that the method proposed can locate the position of vehicle window and seatbelt with relatively high applicability and accuracy, which may meet requirements of the urban traffic management.
seatbelt unfasten; recognition; seatbelt location; integration projection; gradient transform; license plate location
2015-12-02;
2015-12-23。
傅生輝(1989-),男,山東泰安人,碩士研究生,主要從事智能交通及機器視覺方向研究。
1671-4598(2016)06-0274-04DOI:10.16526/j.cnki.11-4762/tp
U495;TP
A