CN105550656A - 一种基于卡口图片的驾驶员安全带检测方法 - Google Patents
一种基于卡口图片的驾驶员安全带检测方法 Download PDFInfo
- Publication number
- CN105550656A CN105550656A CN201510972515.2A CN201510972515A CN105550656A CN 105550656 A CN105550656 A CN 105550656A CN 201510972515 A CN201510972515 A CN 201510972515A CN 105550656 A CN105550656 A CN 105550656A
- Authority
- CN
- China
- Prior art keywords
- safety belt
- detection method
- detection
- bayonet socket
- suspected
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
- G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卡口图片的驾驶员安全带检测方法,而包括粗略定位安全带位置范围,精确定位疑似安全带区域,对疑似安全带进行精确识别。本发明采用先粗略检测再精确判别的方法,充分利用已有的人脸和车窗等信息,去除大量的干扰,再利用经典的图像处理技术,对疑似安全区边缘进行增强,最后利用模式识别方法对疑似安全带区域进行最终的判别。本发明充分利用大数据信息,充分学习训练安全带模型,使安全带识别的准确性和稳定性大幅提高。
Description
技术领域
本发明涉及图像处理模式识别领域,尤其涉及一种基于卡口图片的驾驶员安全带检测方法。
背景技术
随着城市经济高速增长,城市化进程加快,交通安全成为困扰目前我国城市交通领域的一大难题。据公安交通部门统计,在所有的交通事故中,汽车驾乘人员不系安全带是造成道路交通死亡事故的重要原因。据统计,未系安全带的事故死亡率约为系安全带的37.7倍。所以对未系安全带驾驶人员进行监控检测和预警十分必要,但现有检测系统大部分算法复杂检测率较低,且大部分运行在服务器端部署对接不方便。
发明内容
为解决上述问题,本发明的提供的方案是:
本发明的一种基于卡口图片的驾驶员安全带检测方法,而包括粗略定位安全带位置范围,精确定位疑似安全带区域,对疑似安全带进行精确识别。
所述的粗略定位安全带位置范围的方法为检测车窗位置范围,包括检测水平边缘线段,Hough检测水平直线,聚类水平直线,找到最大的两个投影,作为车窗的上下边缘位置,从而确定车窗位置范围,即安全带位置范围。
所述的精确定位疑似安全带区域的方法包括通过颜色Canny45°边缘检测方法检测梯度为45°的梯度边缘。
利用45°梯度增强方法对所述的梯度边缘进行增强。
利用Hough变换检测所述的梯度边缘直线,得到疑似安全带区域。
对疑似安全带进行精确识别的方法为:利用梯度方向直方图特征和人工神经网络方法进行精确识别安全带区域。
本发明采用先粗略检测再精确判别的方法,充分利用已有的人脸和车窗等信息,去除大量的干扰,再利用经典的图像处理技术,对疑似安全区边缘进行增强,最后利用模式识别方法对疑似安全带区域进行最终的判别。本发明充分利用大数据信息,充分学习训练安全带模型,使安全带识别的准确性和稳定性大幅提高。
附图说明
图1是本发明的流程图;
图2是本发明的具体实施例工作流程图;
图3是本发明的训练和预测工作流程图;
图4是本发明的45°边缘增强滤波器。
具体实施方式
以下参照附图及实施例对本发明的一种基于卡口图片的驾驶员安全带检测方法进行详细的说明。
如图1所示,一种基于卡口图片的驾驶员安全带检测方法,而包括粗略定位安全带位置范围,精确定位疑似安全带区域,对疑似安全带进行精确识别。
所述的粗略定位安全带位置范围的方法为检测车窗位置范围,包括检测水平边缘线段,Hough检测水平直线,聚类水平直线,找到最大的两个投影,作为车窗的上下边缘位置,从而确定车窗位置范围,即安全带位置范围。
所述的精确定位疑似安全带区域的方法包括通过颜色Canny45°边缘检测方法检测梯度为45°的梯度边缘。
利用45°梯度增强方法对所述的梯度边缘进行增强。
利用Hough变换检测所述的梯度边缘直线,得到疑似安全带区域。
对疑似安全带进行精确识别的方法为:利用梯度方向直方图特征和人工神经网络方法进行精确识别安全带区域。
如图2所示,以下是本发明的具体实施方式工作流程。
1.图像输入。
2.车窗检测。检测水平边缘线段,Hough检测水平直线,聚类水平直线,找到最大的两个投影,作为车窗的上下边缘位置。
3.45°Canny边缘检测。首先利用公式1进行高斯平滑,再利用一阶差分获取x,y方向边缘,之后最大值抑制只留取45°边缘,如公式2所示,dy,dx分别表示y方向和x方向梯度。
公式1:
公式2:
1.45°方向滤波。对Canny后的图像进行边缘滤波增强。滤波器模板如图4所示。
2.Hough变换检测直线。对边缘增强图像进行Hough检测直线,把检测到直线片段作为疑似安全带候选区域。
3.HOG(HistogramofOrientedGradient,梯度方向直方图)特征和ANN(人工神经网络)分类器的模式分类。其训练与预测流程如图3所示。
训练阶段,输入训练样本图像,进行归一化,提取HOG特征训练BP神经网络分类器,如果识别错误,则在样本周围扩大分辨率重新提取特征,重新训练BP神经网络分类器分类器,如果识别正确保存到模型。
预测阶段,输入预测样本图像,进行归一化,提取HOG特征,使用BP神经网络根据已保存的模型识别是否佩戴安全带。
本发明采用先粗略检测再精确判别的方法,充分利用已有的人脸和车窗等信息,去除大量的干扰,再利用经典的图像处理技术,对疑似安全区边缘进行增强,最后利用模式识别方法对疑似安全带区域进行最终的判别。本发明充分利用大数据信息,充分学习训练安全带模型,使安全带识别的准确性和稳定性大幅提高。
Claims (6)
1.一种基于卡口图片的驾驶员安全带检测方法,其特征在于:包括粗略定位安全带位置范围,精确定位疑似安全带区域,对疑似安全带进行精确识别。
2.根据权利要求1所述的一种基于卡口图片的驾驶员安全带检测方法,其特征在于:所述的粗略定位安全带位置范围的方法为检测车窗位置范围,包括检测水平边缘线段,Hough检测水平直线,聚类水平直线,找到最大的两个投影,作为车窗的上下边缘位置,从而确定车窗位置范围,即安全带位置范围。
3.根据权利要求1所述的一种基于卡口图片的驾驶员安全带检测方法,其特征在于:所述的精确定位疑似安全带区域的方法包括通过颜色Canny45°边缘检测方法检测梯度为45°的梯度边缘。
4.根据权利要求3所述的一种基于卡口图片的驾驶员安全带检测方法,其特征在于:利用45°梯度增强方法对所述的梯度边缘进行增强。
5.根据权利要求4所述的一种基于卡口图片的驾驶员安全带检测方法,其特征在于:利用Hough变换检测所述的梯度边缘直线,得到疑似安全带区域。
6.根据权利要求4所述的一种基于卡口图片的驾驶员安全带检测方法,其特征在于:对疑似安全带进行精确识别的方法为:利用梯度方向直方图特征和人工神经网络方法进行精确识别安全带区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510972515.2A CN105550656A (zh) | 2015-12-23 | 2015-12-23 | 一种基于卡口图片的驾驶员安全带检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510972515.2A CN105550656A (zh) | 2015-12-23 | 2015-12-23 | 一种基于卡口图片的驾驶员安全带检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105550656A true CN105550656A (zh) | 2016-05-04 |
Family
ID=55829839
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510972515.2A Pending CN105550656A (zh) | 2015-12-23 | 2015-12-23 | 一种基于卡口图片的驾驶员安全带检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105550656A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203499A (zh) * | 2016-07-07 | 2016-12-07 | 青岛大学 | 一种基于深度cnn的安全带检测方法 |
CN107529659A (zh) * | 2017-07-14 | 2018-01-02 | 深圳云天励飞技术有限公司 | 安全带佩戴检测方法、装置及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102915640A (zh) * | 2012-10-30 | 2013-02-06 | 武汉烽火众智数字技术有限责任公司 | 基于Hough变换的安全带检测方法 |
CN103522982A (zh) * | 2013-10-25 | 2014-01-22 | 公安部第三研究所 | 基于图像分析的车辆安全带检测方法及装置 |
CN104112141A (zh) * | 2014-06-29 | 2014-10-22 | 中南大学 | 一种基于公路监控设备的货车安全带系挂状态的检测方法 |
CN104657752A (zh) * | 2015-03-17 | 2015-05-27 | 银江股份有限公司 | 一种基于深度学习的安全带佩戴识别方法 |
CN104680156A (zh) * | 2015-03-23 | 2015-06-03 | 山东农业大学 | 基于机器视觉的机动车前排未系安全带识别系统及方法 |
-
2015
- 2015-12-23 CN CN201510972515.2A patent/CN105550656A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102915640A (zh) * | 2012-10-30 | 2013-02-06 | 武汉烽火众智数字技术有限责任公司 | 基于Hough变换的安全带检测方法 |
CN103522982A (zh) * | 2013-10-25 | 2014-01-22 | 公安部第三研究所 | 基于图像分析的车辆安全带检测方法及装置 |
CN104112141A (zh) * | 2014-06-29 | 2014-10-22 | 中南大学 | 一种基于公路监控设备的货车安全带系挂状态的检测方法 |
CN104657752A (zh) * | 2015-03-17 | 2015-05-27 | 银江股份有限公司 | 一种基于深度学习的安全带佩戴识别方法 |
CN104680156A (zh) * | 2015-03-23 | 2015-06-03 | 山东农业大学 | 基于机器视觉的机动车前排未系安全带识别系统及方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203499A (zh) * | 2016-07-07 | 2016-12-07 | 青岛大学 | 一种基于深度cnn的安全带检测方法 |
CN107529659A (zh) * | 2017-07-14 | 2018-01-02 | 深圳云天励飞技术有限公司 | 安全带佩戴检测方法、装置及电子设备 |
CN107529659B (zh) * | 2017-07-14 | 2018-12-11 | 深圳云天励飞技术有限公司 | 安全带佩戴检测方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829403B (zh) | 一种基于深度学习的车辆防碰撞预警方法及系统 | |
CN111563412B (zh) | 一种基于参数空间投票和贝塞尔拟合的快速车道线检测方法 | |
CN105488453A (zh) | 一种基于图像处理的驾驶员未系安全带检测识别方法 | |
US9092696B2 (en) | Image sign classifier | |
CN103077407B (zh) | 车标定位识别方法及系统 | |
CN103198315B (zh) | 基于字符轮廓和模板匹配的车牌字符分割算法 | |
CN106845453A (zh) | 基于图像的尾灯检测与识别方法 | |
CN105335743A (zh) | 一种车牌识别方法 | |
CN103366190A (zh) | 一种识别交通标志的方法 | |
CN103077384A (zh) | 一种车标定位识别的方法与系统 | |
CN104091157A (zh) | 一种基于特征融合的行人检测方法 | |
CN111553214B (zh) | 一种驾驶员吸烟行为检测方法及系统 | |
CN103984950A (zh) | 一种适应白天检测的运动车辆刹车灯状态识别方法 | |
CN104881661B (zh) | 基于结构相似度的车辆检测方法 | |
CN103927548B (zh) | 一种新的避免车辆碰撞的刹车行为检测方法 | |
CN104778444A (zh) | 道路场景下车辆图像的表观特征分析方法 | |
CN104766046A (zh) | 一种利用交通标识颜色及形状特征进行检测与识别算法 | |
CN106940784A (zh) | 一种基于视频的公交车检测与识别方法及系统 | |
CN103400113B (zh) | 基于图像处理的高速公路隧道行人检测方法 | |
CN102968646A (zh) | 一种基于机器学习的车牌检测方法 | |
CN104050447A (zh) | 一种交通信号灯识别方法和装置 | |
CN103390167A (zh) | 一种多特征的分层交通标志识别方法 | |
CN105654073A (zh) | 一种基于视觉检测的速度自动控制方法 | |
CN106203499A (zh) | 一种基于深度cnn的安全带检测方法 | |
CN104299009A (zh) | 基于多特征融合的车牌字符识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160504 |