CN103955704B - 一种基于Adaboost的安全带检测方法 - Google Patents

Abstract

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。

Description

一种基于Adaboost的安全带检测方法

技术领域

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

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。

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

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。

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：

步骤1：建立正面车辆的高斯混合模型；

车辆正面视图的高斯混合模型M定义如下：

M={part_w，part_p，part_b，pos_w，p，b}

其中，part_w表示模型中的车窗部件，part_p表示模型中的驾驶员区域部件，pos_b表示模型中的安全带部件，pos_w，p，b={p_w，p，b，d_w，p，b}表示各部件之间的位置关系；特别的，p_w，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；d_w，p，b表示各部件间的距离，且

d_w，p，b∈N_i(μ_i，δ_i)，i∈{big，middle，small}

N_i(μ_i，δ_i)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。

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；

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。

训练过程一方面从高维的Haar-like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-like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。

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；

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。

设L={l_w，l_p，l_b}为模型M在图像中的一个实现，其中l_w表示车窗在图像中的位置，l_p表示驾驶员区域在图像中的位置，l_b表示安全带在图像中的位置，设m(l_w)表示车窗位置在l_w的可信度，m(l_p)表示车窗位置在l_p的可信度，m(l_b)表示车窗位置在l_b的可信度，m(l_w，l_p，l_b)表示车窗区域、驾驶员区域、安全带区域与模型的符合度且：

其中d_w，p，b为各部件候选区之间的距离，N_i(μ_i，δ_i)为通过训练得到的高斯模型，其中

i∈{big，middle，small}

根据高斯混合模型进行车辆各部件精确定位，既找到L*使得：

本发明的优点和积极效果在于：

1、相对其他方法，本发明方法的检测率较高，虚警率与漏检率较低。

2、本发明方法在复杂背景环境和光照下仍能够有较好的表现，对于背景和光照的鲁棒性较强。

附图说明

图1是本发明方法的流程框图。

图2是Adaboost算法的结构图。

图3是高斯混合模型训练流程图。

具体实施方式

本发明的基本思想是通过Adaboost算法进行安全带区域的粗定位，找到对应的车窗、驾驶员区域和安全带区域的候选区，然后使用高斯混合模型进行后处理得到精确的安全带检测结果。

根据以上思想，本发明流程如图1所示，下面结合技术方案和附图1、2、3对本发明的方法进一步说明。

步骤1：建立正面车辆的高斯混合模型；

高斯混合模型(Gaussian Mixture Model)是统计模式识别中一类重要建模工具，基于高斯混合模型的图像识别方法，具有形式灵活、识别速度快、抗干扰能力强、识别准确率高等优点，成为图像识别领域中一种重要的建模方法。本发明通过高斯混合模型描述各个部件的位置关系，在建立正面视图的车辆模型中，包括三个部件，车窗区域、驾驶员区域以及安全带区域。确定了模型中的部件后，通过人工标注的训练数据进行模型的训练。

训练数据包括大型车，中型车和小型车三类，使用高斯混合模型来表示各部件之间的位置关系，对于每一类型的车辆，都有一个高斯混合模型来表示。

车辆正面视图的高斯混合模型M定义如下：

M={part_w，part_p，part_b，pos_w，p，b}

part_w表示模型中的车窗部件，part_p表示模型中的驾驶员区域部件，pos_b表示模型中的安全带部件，pos_w，p，b={p_w，p，b，d_w，p，b}表示各部件之间的位置关系。其中p_w，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。d_w，p，b表示各部件间的距离，且

dw，p，b∈Ni(μi，δi)，i∈{big，middle，small}

N_i(μ_i，δ_i)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。

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；

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。

训练过程中，使用道路监控相机拍摄大量图片，拍摄条件包括各个时段和天气条件，如夜晚、中午、傍晚、雾天、雨天等。在这些图片中，截取出车辆各部件作为正样本，其中车窗区域长宽比为2:1，驾驶员区域长宽比为4:3，安全带区域长宽比为1：1。负样本的选取和正样本相似，在道路图片中，人工截取出不是车辆的部分，如建筑物、路面、路边绿化带、行人等，各部件负样本的长宽比与正样本相同。训练过程一方面从高维的Haar-like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-like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。其中对于车窗部件，待检区域ROI为整幅图像；对于驾驶员部件，待检区域ROI为车窗候选区；对于安全带部件，待检区域ROI为驾驶员候选区。

使用Haar-like特征来描述各部件的边缘及结构特征，引入Adaboost算法对特征进行选择并设计高性能的分类器。Adaboost算法采用自适应的样本训练策略，它通过训练将若干个弱分类器集成为一个强分类器。在训练的过程中，每个训练样本被赋予一个初始权值，当一个弱分类器训练完成后，根据其在训练集上的分类结果对所有的样本权值进行调整，令下一次训练的弱分类器更关注那些被识别错误的样本。集成后的强分类器的判决结果是所有弱分类器的判决结果的加权和。这样一方面能够提高运算的速度，另一方面可以同时获得较高的检测率和较低的虚警率。Adaboost算法的详细流程如下：

给定训练数据集(x₁，y₁)，...，(x_m，y_m)其中x_i∈X，y_i∈{-1，+1}

初始化权值：i=1，...，m

(1)Fort=1，...，T

(3)弱分类器的权值为

(4)更新样本权重其中用Z_t来归一化权重

(5)End for

由于可以通过后续的基于高斯混合模型对粗定位得到的区域进行滤除，因此在利用强分类器进行各部件检测的时候，目标使得漏检率最小，容许一定的误检率。设置检测规则为：当被检测区域通过前K(K<T)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K+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做为该候选区域的可信度。

confidence_x=num_{passed_classifier}(1)

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；

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。

设L={l_w，l_p，l_b}为模型M在图像中的一个实现。其中l_w表示车窗在图像中的位置，l_p表示驾驶员区域在图像中的位置，l_b表示安全带在图像中的位置，设m(l_w)表示车窗位置在l_w的可信度，m(l_p)表示车窗位置在l_p的可信度，m(l_b)表示车窗位置在l_b的可信度，可信度均可通过(1)来计算，m={l_w，l_p，l_b}表示车窗区域、驾驶员区域、安全带区域与模型的符合度，且

其中d_w，p，b为各部件候选区之间的距离，N_i(μ_i，δ_i)为通过训练得到的高斯模型，其中

i∈{big，middle，small}

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

通过Adaboost算法找到车辆各部件候选区域后，根据各候选区域的可信度对其进行排序，设排序后的车窗候选区为l_{w_1}，...l_{w_n},n为车窗候选区域的数目，排序后的驾驶员候选区为l_{p_1}，...l_{p_m},n为驾驶员候选区域的数目，排序后的安全带候选区为l_{b_1}，...l_{b_q} ,q为安全带候选区域的数目。然后通过高斯混合模型进行各部件定位过程为：对应i＝1,…,n,j＝1,…m,k＝1,…,q,计算打分值

m(l_{w_i})+m(l_{p_i})+m(l_{b_k})+m(l_{w_i},l_{p_j},l_{b_k})

其中m(l_{w_i})表示第i个车窗候选区的可信度，m(l_{p_i})表示第j个驾驶员候选区的可信度，m(l_{b_k})表示第k个驾驶员区域可信度，m(l_{w_i},l_{p_i},l_{b_k})表示这三个区域的模型的符合度，记录最大的打分值及其对应的安全带区域的精确定位结果。

Claims (1)

1.一种基于Adaboost算法的安全带区域部件检测方法，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；

所述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部件、驾驶员区域部件、安全带区域部件三个部件；步骤1.2：将检测车辆分为大型车、中型车、小型车三种类型；

车辆正面图像的高斯混合模型M定义如下：

M＝{part_w，part_p，part_b，pos_w，p，b}

其中，part_w表示模型中的车窗区域部件，part_p表示模型中的驾驶员区域部件，part_b表示模型中的安全带区域部件，pos_w，p，b＝{p_w，p，b，d_w，p，b}表示各部件之间的位置关系；p_w，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，由于驾驶员区域部件所在的位置不同，此位置关系也不同；d_w，p，b表示各部件间的距离，且

d_w，p，b∈N_i(μ_i，δ_i)，i∈{big，middle，small}

N_i(μ_i，δ_i)表示均值为μ，方差为δ的高斯模型；通过统计标注车窗区域部件、驾驶员区域部件以及安全带区域部件之间的距离，得到每一类型的车辆所对应的均值和方差，即得到车辆的高斯混合模型；

步骤2：通过高斯混合模型建立基于Adaboost算法的车辆各部件粗定位，得到各部件候选区域和对应可信度；

所述建立基于Adaboost算法的车辆各部件粗定位时，按以下步骤进行：步骤2.1：首先对车辆正面图像进行正面车窗区域部件检测；步骤2.2：在正面车窗区域部件 候选区域内进行驾驶员区域部件检测；步骤2.3：在驾驶员区域部件候选区域进行安全带区域部件检测；

所述的基于Adaboost算法的车辆各部件粗定位，首先要提取待检测区域的高维的Haar-like特征；

使用Adaboost算法先后对车窗区域部件、驾驶员区域部件和安全带区域部件进行粗定位；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；

训练过程一方面从高维的Haar-like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-like特征，然后将特征输入到Adaboost分类器进行各部件存在性检测，定位各部件的候选区域；

Adaboost算法的详细流程如下：

给定训练数据集{(x₁,y₁),...,(x_i,y_i),...,(x_m,y_m)}，其中x_i表示第i个样本，y_i表示第i个样本的分类，y_i∈{-1,+1}；

设定样本的初始化权重：

(1)对迭代次数t赋初始值t＝1，

(2)训练弱分类器第t次迭代的模型，目标函数为其中

是损失函数，D_t(i)是第t次迭代的样本权重；

(3)训练弱分类器的权值其中z_t是可训练参数；

(4)进行第t+1次迭代，并更新第t+1次迭代的样本权重D_t+1(i)，其中

z_t用来归一化权重；

(5)继续迭代并更新样本权重，直到t＝T；

(6)由上文所获得的权重a_t和所获得的分类器h_t(x)，得到强分类器由于可以通过后续的基于高斯混合模型对粗定位得到的区域进行滤除，因此在利用强分类器进行各部件检测的时候，目标使得漏检率最小，容许一定的误检率；设置检测规则为：当被检测区域通过前K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K+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做为该候选区域的可信度；其中K<T，T表示预设的最高迭代次数；

步骤3：进行基于高斯混合模型的图像后处理，得到安全带区域部件检测的精确结果；

通过Adaboost算法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部件的精细定位；

所述的基于高斯混合模型的后处理计算方法如下：设L＝{l_w，l_p，l_b}为模型M在图像中的一个实现，其中l_w表示车窗区域部件在图像中的位置，l_p表示驾驶员区域部件在图像中的位置，l_b表示安全带区域部件在图像中的位置，设m(l_w)表示车窗区域部件在l_w的可信度，m(l_p)表示驾驶员区域部件在l_p的可信度，m(l_b)表示安全带区域部件在l_b的可信度，m(l_w，l_p，l_b)表示车窗区域部件、驾驶员区域部件、安全带区域部件与模型的符合度且：

其中d_w，p，b为各部件候选区之间的距离，N_i(μ_i，δ_i)为通过训练得到的高斯模型，其中i∈{big，middle，small}

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：