鐘銘恩，黃 偉，溫程璐，黃 波，黃杰鴻

(1.廈門理工學(xué)院機械與汽車工程學(xué)院，廈門 361024；2.福建省客車先進設(shè)計與制造重點實驗室, 廈門 361024； 3.廈門大學(xué)信息科學(xué)與技術(shù)學(xué)院，廈門 361005)

?

基于紅外標(biāo)記視覺的安全帶佩戴規(guī)范性檢測

鐘銘恩1，2，黃 偉1，溫程璐3，黃 波1，黃杰鴻1

(1.廈門理工學(xué)院機械與汽車工程學(xué)院，廈門 361024；2.福建省客車先進設(shè)計與制造重點實驗室, 廈門 361024； 3.廈門大學(xué)信息科學(xué)與技術(shù)學(xué)院，廈門 361005)

針對安全帶佩戴規(guī)范性仍未引起充分重視的現(xiàn)實問題，借助具有紅外敏感表面涂層標(biāo)記的三點式安全帶，基于標(biāo)記視覺和圖像處理技術(shù)提出一種安全帶佩戴規(guī)范性的集成檢測方法：利用增強現(xiàn)實技術(shù)快速識別定位安全帶標(biāo)記，在此基礎(chǔ)上分別設(shè)計數(shù)量閾值算法、模糊聚類閾值算法、曲線擬合松弛度算法和肩部外輪廓交點定位算法，用以進行安全帶是否佩戴和佩戴形式、松緊程度、高低位置是否規(guī)范等4種判斷，從而實現(xiàn)安全帶是否規(guī)范佩戴的檢測目標(biāo)。實驗結(jié)果表明，在各種成像條件和圖像背景干擾下，對應(yīng)上述4種判斷的識別準(zhǔn)確率分別為95.4%，93.1%，79.5%和85.3%，而安全帶佩戴規(guī)范性的綜合識別準(zhǔn)確率達89.5%，驗證了所提出算法的準(zhǔn)確性、有效性和適應(yīng)能力。

安全帶檢測；佩帶規(guī)范性；標(biāo)記視覺

前言

安全帶被譽為車輛安全技術(shù)最偉大的發(fā)明之一，是車輛乘員約束系統(tǒng)中最有效的保護裝置，在車輛發(fā)生交通事故時可大幅降低車載乘員的致死率和致傷率[1]。為督促車輛乘員佩戴安全帶，安全帶佩戴智能檢測技術(shù)成為車輛安全領(lǐng)域的一大研究熱點?，F(xiàn)有研究主要可分為直接檢測和間接檢測兩類。直接檢測中最普遍的當(dāng)屬文獻[2]中提出的基于安全帶卡槽傳感信號的方案，此外也誕生了諸如基于安全帶伸縮長度[3]、受力狀態(tài)[4]等信息的檢測方案。直接檢測技術(shù)是當(dāng)前應(yīng)用的主流，但當(dāng)面對駕駛員各類安全帶作弊行為時檢測準(zhǔn)確率將受影響[5]。近年來，基于車載視覺和圖像處理的間接檢測方案由于具有防作弊、結(jié)構(gòu)簡單、易于集成擴展、不干擾駕駛員等優(yōu)點而備受重視，成為當(dāng)前安全帶佩戴檢測技術(shù)研究的焦點之一[1,6]。文獻[7]中借助具有反光性能的安全帶提出了一種安全帶佩戴與否和扭曲佩戴的圖像檢測技術(shù)；文獻[8]中利用灰度積分投影原理成功提取安全帶幾何特征并實現(xiàn)了一種佩戴識別率達83.6%的檢測方案；文獻[9]中基于Adaboost算法并通過高斯混合模型實現(xiàn)了安全帶區(qū)域的精細(xì)定位識別[9]。這些研究成果對于提高車載乘員的安全帶佩戴率具有積極意義，但也受到一些實際問題的制約，例如采用Hough直線變換來提取安全帶軌跡默認(rèn)圖像中的安全帶為直線纏繞車載乘員身體，而實際多為曲線纏繞；又如基于安全帶斜率和投影等特征信息的檢測方案的準(zhǔn)確率容易受駕駛員體型變化(常見于更換駕駛員)、座椅位置調(diào)整等因素的影響[10]。

此外，現(xiàn)實中安全帶佩戴情況并不能簡單地劃分為佩戴與不佩戴問題，還包括佩戴的規(guī)范性問題。安全帶在已佩戴但佩戴不規(guī)范時乘員約束保護作用將減弱，甚至可能反而成為車載乘員的傷害來源[6,11-12]?，F(xiàn)有關(guān)于安全帶佩戴的檢測技術(shù)研究大都針對安全帶是否佩戴問題，而對于安全帶佩戴是否規(guī)范問題(如形式錯誤、松緊不適、高低不當(dāng)?shù)?則重視不足。隨著我國道路交通安全法規(guī)的普及，大部分車輛乘員都能認(rèn)識到佩戴安全帶的重要性，但對于佩戴是否符合規(guī)范則普遍缺乏常識或意識。

為正確、有效地使用三點式安全帶，本文中基于車載視覺技術(shù)，借助具有紅外敏感表面涂層標(biāo)記的三點式安全帶，提出一種安全帶佩戴規(guī)范性檢測方案，并詳細(xì)實現(xiàn)了各類圖像處理算法。

1 系統(tǒng)設(shè)計

系統(tǒng)設(shè)計如圖1(a)所示。由于人體對紅外光具有不敏感性，本文中采用紅外成像方案。這一方面能夠避免光源對駕駛員造成駕駛干擾，另一方面有利于克服光照條件變化引起的圖像成像質(zhì)量下降問題。該安全帶系統(tǒng)的顯著特征在于安全帶上每隔一段距離d印制一個紅外敏感表面涂層標(biāo)記(Marker)。標(biāo)記的圖案可自行定義，圖1(b)給出了幾種參考標(biāo)記。處理器針對紅外成像系統(tǒng)采集的圖像進行處理和特征提取，據(jù)此判斷安全帶的佩戴情況并進行必要的提醒。

圖1 安全帶檢測車載紅外視覺系統(tǒng)

圖2(a)和圖2(b)分別為系統(tǒng)所拍攝的實際駕駛過程中駕駛員身穿方形網(wǎng)格迷彩服的強背景干擾和夜間弱光環(huán)境下的灰度圖像。由圖可見，圖像中安全帶標(biāo)記的像素信息識別度好，有利于減少圖像處理任務(wù)量，提高算法效率和抗干擾能力。

圖2 不同光照條件下的駕駛過程圖像

2 檢測流程

安全帶佩戴規(guī)范性檢測流程如圖3所示。

圖3 基于標(biāo)記識別的安全帶規(guī)范化檢測流程

當(dāng)系統(tǒng)獲得一幅紅外圖像后，首先進行灰度化和降噪處理，然后快速識別定位所有標(biāo)記，最后根據(jù)標(biāo)記的數(shù)量、分布和曲線擬合等信息實現(xiàn)安全帶佩戴的形式、松緊程度和高低位置的參數(shù)識別，判斷安全帶佩戴是否符合規(guī)范。其中Q1～Q5為判斷閾值，MN為肩部外輪廓特定區(qū)域，這些參數(shù)將在后面詳細(xì)說明。

3 算法設(shè)計

本文中獲取的原始紅外圖像為RGB三通道模式，為降低圖像處理數(shù)據(jù)量，對圖像進行8位單通道的灰度變換：

式中：V為像素灰度值；r，g和b根據(jù)文獻[13]中的推薦分別取值為0.299，0.587和0.114?；叶然?，應(yīng)用3×3模板進行高斯濾波降噪。

3.1 標(biāo)記識別定位

標(biāo)記的有效識別定位是本文中提出的安全帶佩戴規(guī)范性檢測的前提。為此，借鑒文獻[14]中提出的基于標(biāo)記的相機姿態(tài)估計和文獻[15]中提出的基于標(biāo)記的車輛引導(dǎo)的算法經(jīng)驗，以文獻[16]中提出的增強現(xiàn)實標(biāo)記識別開源算法為基礎(chǔ)，結(jié)合紅外圖像的特點在不影響識別準(zhǔn)確性的前提下進行算法融合并刪選精煉，獲得一種標(biāo)記的快速識別和跟蹤定位算法，效果如圖4所示。圖中，所有被正確識別定位的標(biāo)記都將以標(biāo)記中心坐標(biāo)為基點繪制出符號“×”。

圖4 安全帶標(biāo)記的快速識別與定位效果

為進一步驗證標(biāo)記識別定位算法的有效性，在車載乘員分別穿著白色T恤、方形網(wǎng)格襯衣和迷彩服，于白天、黑夜等不同光照條件下，采集1 200張640×480像素精度的紅外圖像，獲得離線測試圖像集合P1200。利用上述標(biāo)記識別定位算法對P1200進行處理，結(jié)果顯示標(biāo)記識別定位成功率達96.8%。特別當(dāng)有頭發(fā)、衣物、手臂等對安全帶標(biāo)記進行部分遮擋時，算法識別定位出的標(biāo)記依然具有相當(dāng)?shù)囊?guī)模。不足之處是，安全帶的拐點和末端的標(biāo)記由于變形相對嚴(yán)重而很難被識別定位(如圖4符號“○”圈圍的標(biāo)記)。

3.2 安全帶佩戴與否檢測

統(tǒng)計已被識別定位的安全帶標(biāo)記的總數(shù)N。一種安全帶佩戴與否的簡單判定算法為

(2)

IF=1指示乘員佩戴了安全帶，IF=0指示乘員未佩戴安全帶。判定閾值Q1為與標(biāo)記印刷間隔和安全帶拉伸長度有關(guān)的參考值?？紤]到安全帶拉伸長度受乘員的體型(以體質(zhì)量為表征)影響較大，本文中在實際測試數(shù)據(jù)基礎(chǔ)上引入Q1參考值：

(3)

式中：函數(shù)Ceiling(·)用于取上整數(shù)；d為標(biāo)記間距，m；w為乘員體質(zhì)量，kg；ρ1稱為全局尺度系數(shù)。

當(dāng)d=0.08m和ρ1=0.005時，針對離線圖像集P1200進行安全帶佩戴與否檢測的部分結(jié)果如圖5所示。

圖5 安全帶佩戴檢測結(jié)果

3.3 安全帶佩戴形式檢測

本文中所指的安全帶佩戴形式為兩點式佩戴與三點式佩戴，其中兩點式又分為斜拉式和橫拉式，分別對應(yīng)乘員僅將安全帶肩帶部分斜跨在胸前(僅佩戴肩帶)或者僅將安全帶腰帶部分橫跨在腰腹(僅佩戴腰帶)的行為。安全帶正確佩戴應(yīng)為三點式，兩點式佩戴屬于一種不規(guī)范佩戴。

為實現(xiàn)安全帶佩戴形式的檢測，提出如下模糊聚類判定法(以圖像左上定點為坐標(biāo)原點)。

步驟1：模糊標(biāo)記提取。針對所有已識別定位的標(biāo)記Pi(i=1，…，N)，根據(jù)標(biāo)記中心的像素橫坐標(biāo)xi進行排序，截取xi最小的k個標(biāo)記Ci(i=1，…，k)并歸類為模糊標(biāo)記。其中：N為標(biāo)記總數(shù)；k=Ceiling(ω·N)為模糊寬度；ω稱為模糊系數(shù)。

步驟3：肩帶標(biāo)記和腰帶標(biāo)記聚類。遍歷所有非模糊標(biāo)記，如果當(dāng)前標(biāo)記的像素縱坐標(biāo)小于聚類上閾值y1，則歸類為肩帶標(biāo)記，記為Ai(i=1，…，n)；如果當(dāng)前標(biāo)記的像素縱坐標(biāo)大于聚類下閾值y2，則歸類為腰帶標(biāo)記，記為Bi(i=1，…，m)。

步驟4：根據(jù)參數(shù)n和m判斷安全帶佩戴形式，規(guī)則如表1所示。

表1 安全帶佩戴形式判斷規(guī)則

表1中，判定閾值Q2和Q3與Q1具有相似的計算公式：

(4)

(5)

式中ρ2和ρ3分別稱為肩帶尺度系數(shù)和腰帶尺度系數(shù)。

將以上聚類處理后可能存在的仍未被劃分類別的標(biāo)記統(tǒng)一歸類為殘余標(biāo)記，記為Di(i=0，…，r)，其中r為殘余標(biāo)記總數(shù)。顯然，N=n+m+k+r。定義殘余系數(shù)γ=r/N，其值與ω，α和β有關(guān)。為充分利用所有已識別標(biāo)記的信息，使算法具有較高的精度和抗干擾能力，γ值不宜過大。此外，考慮到D類標(biāo)記的存在，為避免錯檢，要求Q2+Q3>Q1，即在選擇尺度系數(shù)時要求ρ2+ρ3>ρ1。

當(dāng)d=0.08m,ρ1=0.005，ρ2=0.006,ρ3=0.005,ω=0.2,α=0.9,β=1.1,γ<0.03時，針對離線圖像集P1200進行安全帶佩戴形式檢測的部分結(jié)果如圖6所示。

圖6 安全帶佩戴形式檢測結(jié)果

3.4 安全帶佩戴松緊程度檢測

車輛發(fā)生碰撞事故時，如果安全帶佩戴過松則約束保護作用將降低。

觀測經(jīng)驗表明，張緊的肩帶一般呈現(xiàn)為近似直線，而張緊的腰帶多呈現(xiàn)為圓滑的弧線。如果分別根據(jù)肩帶標(biāo)記和腰帶標(biāo)記的中心進行曲線擬合，則當(dāng)安全帶處于張緊狀態(tài)時擬合誤差將相對較小，據(jù)此可檢測判斷安全帶佩戴的松緊程度是否規(guī)范。

針對肩帶部分，可根據(jù)肩帶標(biāo)記Ai(i=1，…，n)的中心坐標(biāo)進行最小二乘直線擬合，記擬合直線為L1，獲得擬合誤差指標(biāo)為

(6)

為避免誤差指標(biāo)受標(biāo)記數(shù)量n和標(biāo)記間距d的影響，進一步定義肩帶規(guī)范化松弛度：

(7)

式中l(wèi)A為肩帶擬合直線的長度。

針對腰帶部分，考慮到由于攝像頭位置和乘員身體移動等原因造成腰帶弧線無論在現(xiàn)實或圖像中都可能存在一定的空間旋轉(zhuǎn)，采用圓錐曲線L2進行腰帶擬合，擬合方程為

(8)

圖7 安全帶松緊程度檢測結(jié)果

記腰帶的擬合誤差指標(biāo)為E2，定義腰帶規(guī)范化松弛度：

(9)

式中l(wèi)B為腰帶擬合曲線的長度。

最后，安全帶松緊程度判斷規(guī)則如表2所示。

閾值Q4和Q5決定了安全帶松緊程度判斷的靈敏度。圖7為Q4=0.05和Q5=0.05時，利用離線圖像集P1200進行安全帶佩戴松緊程度檢測的部分結(jié)果。

表2 安全帶佩戴松緊判斷規(guī)則

3.5 安全帶佩戴高低位置檢測

當(dāng)車輛發(fā)生碰撞時，若安全帶佩戴過低則容易因為安全帶滑脫而起不到良好的乘員約束保護作用；若安全帶佩戴過高則安全帶可能傷害乘員的頸部。佩戴過高或過低都屬于佩戴不規(guī)范。

根據(jù)肩帶擬合直線與乘員肩部外輪廓線的位置關(guān)系可判斷安全帶佩戴高低位置是否合適，詳細(xì)原理如圖8所示。具體步驟如下。

圖8 安全帶佩戴高低位置判斷原理圖

步驟1：提取乘員肩部外輪廓擬合直線L3。

步驟2：計算肩帶擬合直線L1與肩部外輪廓線L3的交點O。

步驟3：根據(jù)交點O與肩部有效區(qū)域MN的位置關(guān)系判斷安全帶佩戴高低位置是否合適。

圖9 安全帶佩戴高低位置檢測結(jié)果

有效區(qū)域MN對于檢測結(jié)果有直接影響，與乘員體型等因素有關(guān)?；谒惴ǚ抡鎸Ρ冉Y(jié)果，本文中將其設(shè)置為駕駛員肩部外輪廓的中間1/3區(qū)域。圖9為利用離線圖像集P1200進行安全帶佩戴高低位置檢測的部分結(jié)果。

4 實驗驗證

為驗證上述算法的適應(yīng)能力和準(zhǔn)確性，招募20位駕駛員，依次穿著普通T恤、常規(guī)襯衫、方格襯衣和迷彩服，分別開展白天和夜間駕駛實驗。前兩種服裝用于構(gòu)造標(biāo)記安全帶的簡單背景；而后兩種服裝則用于構(gòu)造復(fù)雜背景，目的在于增加標(biāo)記識別的干擾。如此共可設(shè)置4種實驗環(huán)境：白天簡單背景、白天復(fù)雜背景、夜間簡單背景和夜間復(fù)雜背景。每種實驗環(huán)境下，分別部署9種安全帶佩戴情況：未佩戴、僅佩戴肩帶、僅佩戴腰帶、肩帶松弛、腰帶松弛、肩腰帶松弛、佩戴過高、佩戴過低和規(guī)范佩戴。其中，安全帶松弛狀態(tài)由過度拉伸后采用夾子固定獲得；佩戴過高或過低則通過調(diào)整安全帶高低調(diào)節(jié)裝置實現(xiàn)。于是，針對每位駕駛員可獲得36種實驗條件。對應(yīng)每種實驗條件，要求駕駛員連續(xù)駕駛車輛10min，每分鐘隨機間隔采集5張紅外圖像，像素分辨率為640×480。如此共可獲得這20位駕駛員分別在36種實驗條件下的實車駕駛紅外圖像樣本共計36 000張。實驗車輛為一汽大眾2008年生產(chǎn)的寶來轎車，在原車安全帶上加貼紅外敏感表面涂層標(biāo)記圖案，相鄰標(biāo)記中心間隔d=0.08 m。

在參數(shù)ρ1=0.005,ρ2=0.006,ρ3=0.005,ω=0.2,α=0.9,β=1.1，γ<0.03和MN取為肩部外輪廓中間1/3段的條件下，安全帶佩戴檢測情況分別如表3～表7所示。

以上統(tǒng)計結(jié)果表明：

(1) 由于應(yīng)用了紅外敏感表面涂層標(biāo)記安全帶和紅外成像技術(shù)，駕駛員的服裝等背景信息對檢測準(zhǔn)確率影響不大，說明算法具有較好的抗干擾能力；

(2) 針對安全帶佩戴與否、佩戴形式和松弛程度的檢測，夜間準(zhǔn)確率比白天高，這是因為采用紅外成像技術(shù)使夜間駕駛時安全帶標(biāo)記信息量的圖像占比相對白天更高；而針對安全帶佩戴高低位置的檢測，白天準(zhǔn)確率比夜間高，這主要是受駕駛員肩部外輪廓線的影響，其在光線充分的白天更容易獲??；

表3 白天簡單背景下的安全帶佩戴檢測情況

表4 白天復(fù)雜背景下的安全帶佩戴檢測情況

表5 夜間簡單背景下的安全帶佩戴檢測情況

(3)安全帶松緊程度的檢測準(zhǔn)確率在所有檢測項目中最低，僅為79.5%，這主要是因為安全帶在圖像中可能存在旋轉(zhuǎn)扭曲，使標(biāo)記軌跡偏離現(xiàn)實情況，導(dǎo)致誤判率升高；

表6 夜間復(fù)雜背景下的安全帶佩戴檢測情況

表7 綜合實驗條件下的安全帶佩戴檢測結(jié)果

(4) 安全帶佩戴與否和佩戴規(guī)范性檢測的綜合準(zhǔn)確率分別為95.4%和89.5%，且在各種實驗條件下穩(wěn)定性較好，這說明本文中提出的基于標(biāo)記視覺的檢測算法具有較高的準(zhǔn)確率和較好的適應(yīng)能力。

5 結(jié)論

本文中借助印刷紅外敏感表面涂層標(biāo)記的安全帶，基于紅外車載視覺和數(shù)字圖像處理技術(shù)，詳細(xì)設(shè)計了安全帶佩戴與否、佩戴形式、松弛程度和高低位置的檢測算法，綜合實現(xiàn)了車載乘員安全帶佩戴與否和佩戴規(guī)范性的檢測目標(biāo)。實驗結(jié)果驗證了設(shè)計算法的準(zhǔn)確性、有效性和適應(yīng)能力。

存在的問題主要是針對安全帶松緊程度的檢測準(zhǔn)確率不高，且由于夜間駕駛環(huán)境下乘員肩部外輪廓線的擬合誤差較大導(dǎo)致安全帶高低檢測的準(zhǔn)確率不理想。此外，所提各類檢測算法中的全局尺度系數(shù)ρ1、肩帶尺度系數(shù)ρ2、腰帶尺度系數(shù)ρ3、模糊系數(shù)ω、上下邊界系數(shù)α與β、殘余系數(shù)γ和區(qū)域MN的選取范圍對于檢測結(jié)果有何影響、如何優(yōu)化等問題仍未探明，本文中選用的參數(shù)主要根據(jù)現(xiàn)有測試仿真對比進行經(jīng)驗取值。今后將針對這些問題繼續(xù)進行研究。

[1] World Health Organization. Global status report on road safety: Supporting a decade of action[M].Geneva: WHO Press, 2013.

[2] INAYOSHI M, ENOMOTO A, FUJII H. Seat belt warning device: US8285455B2[P]. 2010-6-25.

[3] 李仲興，王吳杰，琚龍玉，等. 一種新型安全帶提醒裝置：201310162614.5[P].2013-07-01.

[4] 惠輝，楊國都，潘震，等. 防作弊安全帶報警裝置、報警器總成、安全帶總成及車輛：201420571397.5[P].2014-09-30.

[5] 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，2008，9(5)：439-442.

[6] 胡滿江. 基于車載機器視覺的安全帶識別方法研究[D]. 鎮(zhèn)江：江蘇大學(xué)，2014.

[7] LEVY U. Vision-based seat belt detection system: US20070195990A1[P].2007-2-15.

[8] 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，2012，34(9)：787-790.

[9] 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.

[10] ABU-ZIDAN F M, ABBAS A K, HEFNY A F,et al. Effects of seat belt usage on injury pattern and outcome of vehicle occupants after road traffic collisions: prospective study[J]. World Journal of Surgery, 2012, 36(2):255-259.

[11] CARTER P R，MAKER V K . Changing paradigms of seat belt and air bag injuries: What we have learned in the past 3 decades[J]. Journal of the American College of Surgeons, 2010, 210(2): 240-252.[12] 馬偉杰，逯艷博，朱海濤. 安全帶非正常佩戴位置對假人胸部壓縮變形量的影響[J]. 汽車安全與節(jié)能學(xué)報，2014，5(1)：65-69.

[13] 張銘鈞，李煊，王玉甲. 基于灰度化權(quán)值調(diào)整的水下彩色圖像分割[J]. 哈爾濱工程大學(xué)學(xué)報，2015，36(5)：707-713.

[14] GARRIDO J S, MUOZ S R, MADRID C F J, et al. Automatic generation and detection of highly reliable fiducial markers under occlusion[J]. Pattern Recognition, 2014, 47(6):2280-2292.

[15] LEE Jeisung, HYUN Chang-Ho, PARK Mignon. A vision-based automated guided vehicle system with marker recognition for indoor use[J]. Sensors,2013,13(8):10052-10073.

[16] KURPYTé D, NAVAKAUSKAS D. Anefficiency analysis of augmented reality marker recognition algorithm[J]. Electrical, Control and Communication Engineering, 2014, 5(1):54-60.

Detection on Proper Wearing of Seat Belt Based on Infrared Mark Vision

Zhong Mingen1，2, Huang Wei1, Wen Chenglu3, Huang Bo1& Huang Jiehong1

1.SchoolofMechanicalandAutomotiveEngineering,XiamenUniversityofTechnology,Xiamen361024;2.FujianProvincialKeyLaboratoryofBusAdvancedDesignandManufacture,Xiamen361024;3.SchoolofInformationScienceandEngineering,XiamenUniversity,Xiamen361005

In view of the problem that whether seat belt is properly used or not haven’t yet attracted sufficient attention, an integrated detection method of the proper use of seat belt is proposed by means of the three-point safety belt with infrared-ray-sensitive coat marks and based on mark vision and image processing technologies: Augmented reality technology is used to rapidly identify and locate the marks on seat belt, based on which the algorithms of number threshold, fuzzy clustering threshold, curve fitting relaxation and shoulder profile intersection locating are developed respectively to conduct four judgments of weather seat belt is used or not, the wearing forms of seat belt, belt tightness and belt height, and hence achieve the detection goal of the proper use of seat belt. Experiment results show that under various image forming conditions and image background interferences, the identification accuracies of the algorithms used corresponding to above mentioned four judgments are 95.4%, 93.1%, 79.5% and 85.3% respectively with an overall identification accuracy of 89.5%, verifying the correctness, effectiveness and adaptability of the algorithms proposed.

seat belt detection; proper use of seat belt; mark vision

10.19562/j.chinasae.qcgc.2017.07.006

*國家自然科學(xué)基金(61104225)和福建省自然科學(xué)基金(2015J01672)資助。

鐘銘恩，副教授，博士，E-mail：zhongmingen@xmut.edu.cn。

原稿收到日期為2016年7月4日，修改稿收到日期為2016年9月23日。