CN105718864B - 一种机动车驾乘人员在途未系安全带的检测方法 - Google Patents

Abstract

本发明提供一种机动车驾乘人员在途未系安全带的检测方法，包括：读取已抓拍的机动车图片解码成BMP位图；剔除掉模糊图片；分别检测机动车前玻璃窗位置来确定驾驶室位置，再通过牌照位置来计算驾驶室位置；分别在其驾驶室区域内检测出驾驶人、乘车人及安全带；判断驾驶人、乘车人是否系安全带；对判定为未系安全带的进行直方图均衡化图像增强处理并存储。本发明综合采用多种计算机图像处理算法，在保证准确度的前提下，提高了检测效率和准确性；并能同时对驾驶员和乘车人是否系安全带进行检测。

Description

一种机动车驾乘人员在途未系安全带的检测方法

技术领域

本发明涉及道路交通秩序监控与管理系统，尤其涉及一种机动车驾乘人员在途未系安全带的检测方法。

背景技术

道路交通事故给人们的生命、财产带来极大伤害，每年造成的人员死亡数超过十万人；在发生交通事故时，从车辆发生碰撞到驾乘人员与车内物体发生碰撞的时间只有0.2秒，而人的反应时间一般在0.3秒以上，所以驾乘人员只有依靠安全带来保护自己。统计表明，机动车发生正面碰撞时，系安全带可以使死亡率降低57%；发生侧面碰撞时，系安全带可以使死亡率降低44%；发生翻车时，系安全带可以使死亡率降低80%。但很多驾乘人员因存在麻痹意识和侥幸心理，在行车途中往往未系安全带，给重大事故伤害埋下了隐患。

为减少道路交通事故及其造成的伤害，国家及各地政府陆续出台机动车驾乘人员必须使用安全带的法律、法规，规定违者予以处罚。但由于未系安全带行为发生在机动车行驶过程中，难于检测和执法。早期的未系安全带行为检测完全靠人工从道路治安卡口系统、电子警察系统、道路视频监控系统抓拍的海量图片中来进行筛选，其费时费力且效率极低。随着计算机技术和视频图像处理技术的发展，目前也有开发出未系安全带自动检测系统，如基于视频图像采集设备（高清摄像机）的检测系统。但由于选择的运行平台性能不高，使用的检测算法不合理等，使未系安全带检测的准确度不高，仍然需要大量人工进行二次筛选，检测效率很低。

发明内容

本发明针对现有机动车驾乘人员未系安全带检测技术和使用方法的不足，提供了一种高效、高准确度和机动车驾乘人员在途未系安全带的检测方法。

一种机动车驾乘人员在途未系安全带的检测方法，包括如下步骤：

（1）从现有的道路视频监控系统中读取已抓拍的机动车图片和其相关信息；并将读取的机动车图片解码后统一以BMP位图文件格式存储；

（2）在存储的机动车图片的四角处选择互不重叠的四个区域图像，采用多尺度下边缘强度变化和方向统计分布算法判定四个区域图像是否模糊，若一张机动车图片中有不少于二个区域图像是模糊的，则判定此机动车图片为模糊的，将该模糊图片挑选出来并剔除掉；

（3）对清晰的机动车图片分别检测其中的机动车前玻璃窗位置和牌照位置，通过机动车前玻璃窗位置来确定驾驶室位置，再通过牌照位置来计算驾驶室位置；

（4）分别根据步骤（3）中两种方法所确定和计算的驾驶室位置，分别在其驾驶室区域内检测出驾驶人位置及驾驶人身上的安全带；

（5）同步骤（4）分别检测出副驾驶位置上的乘车人及其身上的安全带；

（6）根据步骤（4）、（5）的检测结果来判断驾驶人、乘车人是否系安全带，若驾驶人、乘车人之一未系安全带的，则判定为未系安全带；若两者都系安全带了，则判定为系安全带；

（7）对步骤（6）中判定为未系安全带的机动车图片中的驾驶室位置所在区域进行直方图均衡化图像增强处理，以此增加机动车图片的对比度，可以更好地看清驾驶人、乘车人是否系安全带；

（8）将经步骤（7）处理后的机动车图片及其机动车原图片一起存入未系安全带图片数据库中。

进一步方案，所述步骤（2）中多尺度下边缘强度变化和方向统计分布算法是使用图像边缘检测算子，对每个区域图像进行边缘检测，保存具有局部极大值的边缘点强度和方向；再缩小该区域图像，使其分辨率原来的四分之一；对缩小后图像重新做边缘检测，再次保存其具有局部极大值的边缘点强度和方向；若缩小后图像的边缘点强度与区域图像的边缘点强度之差大于给定阈值0.75时，则认为该边缘点是模糊的；当同一区域图像内模糊的边缘点强度之和与所有的边缘点强度之和的比值大于0.5时，则判定该区域图像是模糊的；或者当同一区域图像的边缘数密度达到10时，则统计该区域图像在不同方向上的边缘数，当在某一方向上的边缘数与总边缘数之比大于0.33，则判定该区域图像是模糊的。

更进一步方案，所述图像边缘检测算子为Sobel算子、Robert 算子、Canny算子或Prewitt算子。

进一步方案，所述步骤（2）中区域图像的尺寸为100×100像素。

进一步方案，所述步骤（3）中机动车前玻璃窗位置的检测是通过直接检测法检测的，即先把机动车图片进行灰度变换，再采用Sobel算子对灰度图片进行边缘检测；然后用Hough变换检测出机动车前玻璃窗的上、下边缘，再利用垂直投影法检测出前玻璃窗的左右二侧的边缘，由此确定驾驶室在机动车图片中的位置。

进一步方案，所述步骤（3）中牌照位置的检测是指先识别出机动车图片中牌照，再根据牌照四角处的点坐标来计算出驾驶室四角的坐标位置P1(X1,Y1)、P2(X2, Y2)、P3(X3,Y3)、P4(X4, Y4)；其计算公式为：

X1=(1+K1)Xa/2+(1-K1)Xb

X2=(1-K1)Xa/2+(1+K1)Xb

X3=(1+K1)Xc/2+(1-K1)Xd

X4=(1-K1)Xc/2+(1+K1)Xd

Y1=(1+L)Yc-LYa

Y2=(1+L)Yd-LYb

Y3=(1+k2+L)Yc-(k2+L)Ya

Y4=(1+k2+L)Yd-(k2+L)Yb

式中：K1为驾驶室宽度与车牌照宽度的比值，K2为驾驶室高度与车牌照高度的比值，L为车牌照上部边缘到驾驶室下部边缘的高度，K1、K2、L均根据标准机动车进行计算设定；

Xa、Ya、Xb、Yb、Xc、Yc、Xd、Yd是以机动车图片的最左下角为二维图片坐标的原点，牌照的四角在其中的坐标值。

进一步方案，所述步骤（4）中驾驶人位置和步骤（5）中乘车人位置的检测均是根据人体脸部皮肤颜色和纹理特征，采用基于自适应阈值的人体皮肤区域检测算法检测出驾驶室区域内的皮肤区域范围大于16×16像素的，则判定为人体皮肤区域，即判断该区域有人存在，反之，则没有人。

进一步方案，所述采用基于自适应阈值的人体皮肤区域检测算法是指把机动车前玻璃窗所在区域划分为8×8像素的图像小块，利用人体皮肤颜色和纹理特征的贝叶斯模型，计算划分后的每个图像小块属于人体皮肤的后验概率P1和不属于人体皮肤的后验概率P2；若P1/P2大于给定阈值C时，认为该图像小块为人体皮肤。

更进一步方案，所述给定阈值C的选择是根据人体皮肤区域在图像中具有光滑的纹理特征自适应调整得到，即先给定较小的C0，先检测出前玻璃窗所在区域内的所有候选的皮肤小块，然后逐步增大C值，不断过滤去除疑似皮肤的干扰小块，直到互相连接的皮肤小块连接成一整块平滑皮肤区域为止，此时的Cn即为给定阈值C。

所述步骤（4）中驾驶人位置和步骤（5）中驾驶人或乘车人身上的安全带是对前玻璃窗所在区域进行直方图拉伸变换，得到统一亮度对比的图像，以消除外界光干扰；再利用Canny边缘算子检测到疑似安全带的边缘，根据安全带边缘是二条平行线的特征，采用sobel算子计算得到安全带边缘的梯度方向，并将与安全带特征不一致的边缘去除；然后对图像进行Hough变换而检测出图像中的直线；最后在图像中驾驶员位置区域找出一对平行且方向角在50±10度范围内的平行直线，则判定驾驶员身上系了安全带；在图像中乘车人位置区域找出一对平行且方向角在130±10度范围内的平行直线，则判定乘车人身上系了安全带；反之，则未系安全带。

本发明中从现有的道路视频监控系统中读取已抓拍的机动车图片和其相关信息；其中现有的道路视频监控系统还包括道路治安卡口系统、电子警察系统；机动车图片的相关信息包括图片抓拍的时间、地点及已识别的车牌号等信息。

本发明直方图均衡化图像增强处理是图像增强空域法中的最常用、最重要的算法之一。是指有选择地突出图像中感兴趣的特征或者抑制图像中某些不需要的特征，其目的是使处理后的图像更适合于人的视觉特性或机器的识别系统，包括图像的轮廓线或者纹理加强、图像去噪、对比度增强等。

后验概率是指在得到“结果”的信息后重新修正的概率，如贝叶斯公式中的。

Hough变换是一种使用表决原理的参数估计技术。其原理是利用图像空间和Hough参数空间的点－线对偶性，把图像空间中的检测问题转换到参数空间。通过在参数空间里进行简单的累加统计，然后在Hough参数空间寻找累加器峰值的方法检测直线。Hough变换的实质是将图像空间内具有一定关系的像元进行聚类，寻找能把这些像元用某一解析形式联系起来的参数空间累积对应点。

Canny边缘检测算子是John F. Canny于 1986 年开发出来的一个多级边缘检测算法。

Sobel算子是计算机视觉领域的一种重要处理方法。其主要用于获得数字图像的一阶梯度，常见的应用和物理意义是边缘检测。在技术上，它是一个离散的一阶差分算子，用来计算图像亮度函数的一阶梯度之近似值。在图像的任何一点使用此算子，将会产生该点对应的梯度矢量或是其法矢量。

本发明对读取的机动车图片进行格式转换后，先识别出模糊的图片，如果机动车图片模糊，则默认驾乘人员已系安全带而对其不进行后续处理，而是返回第一步读取下一张机动车图片进行新一轮处理。因此避免在无效图片上浪费大量处理时间，提高了识别效率。再分别识别出机动车前玻璃窗位置和牌照位置，通过机动车前玻璃窗位置来确定驾驶室位置，通过牌照位置来计算驾驶室位置；通过前述两种方法所确定两种驾驶室位置，分别检测其在驾驶室区域内检测出驾驶人位置、驾驶人身上的安全带，以及副驾驶位置上的乘车人及其身上的安全带；从而提高了对未系安全带检测的准确度。

本发明为保证用于执法处罚的图片100%正确，提供了人工审核工作站，审核人员可以按机动车图片的来源地址、抓拍时间来读取未系安全带图片数据库中的图片。原机动车图片及增强的图片在计算机屏幕上显示，由审核人员进行确认，确认后的图片及其相关信息（如抓拍时间、抓拍位置、车牌号、违法行为、增强的驾驶室图片等）直接发送到道路违法处罚系统的数据库，按相关法律法规对违法人员进行处罚，以此督促驾乘人员在行车途中系好安全带，降低道路交通事故的伤害。

所以本发明相对于现有技术具有以下有益效果：

（1）本发明既可以检测机动车驾驶员是否系安全带，还可以检测机动车副驾驶位置上的乘车人是否系安全带，完全满足国家法律法规对机动车驾乘人员系安全带的检测要求；

（2）本发明综合采用多种计算机图像处理算法，在保证准确度的前提下，提高了检测效率；

（3）本发明对机动车图片首先进行模糊识别，并剔除掉模糊图片，大大提高对海量抓拍图片的处理效率，实现单套系统日处理图片能力超过25万张；

（4）本发明对驾驶室位置所在的区域进行图像增强处理，使驾乘人员违法细节更加清晰，便于审核人员查验和执法处罚；

（5）本发明分别通过机动车前玻璃窗位置和牌照位置来确定驾驶室位置，再分别检测驾驶室所在区域内驾驶人和乘车人是否系安全带；然后在综合评判时采用“与”运算可以提高系统的检测准确度，采用“或”运算可以提高系统的检测筛选率，可根据不同要求，灵活选用；

（6）本发明将未系安全带的机动车图片及其原图片一起存入未系安全带图片数据库中，再通过人工审核环节后对其进行违法处罚，从而保证了用于执法处罚的驾乘人未系安全带图片100%准确，消除执法过程中可能的纠纷；

（7）本发明通过网络与道路治安卡口系统、电子警察系统、道路视频监控系统连接，独立于原有系统，不影响原有系统使用，提高了本系统使用的灵活性。

附图说明

附图1为本发明工作流程图；

附图2为牌照位置的检测示意图。

具体实施方式

如图1所示，一种机动车驾乘人员在途未系安全带的检测方法，包括如下步骤：

（1）从现有的道路视频监控系统中读取已抓拍的机动车图片和其相关信息；并将读取的机动车图片解码后统一以BMP位图文件格式存储；

（2）在存储的机动车图片的四角处选择互不重叠的四个大小为100×100像素的区域图像，采用多尺度下边缘强度变化和方向统计分布算法判定四个区域图像是否模糊，若一张机动车图片中有不少于二个区域图像是模糊的，则判定此机动车图片为模糊的，将该模糊图片挑选出来并剔除掉；

（3）对清晰的机动车图片分别检测其中的机动车前玻璃窗位置和牌照位置，通过机动车前玻璃窗位置来确定驾驶室位置，再通过牌照位置来计算驾驶室位置；

（4）分别根据步骤（3）中两种方法所确定和计算的驾驶室位置，分别在其驾驶室区域内检测出驾驶人位置及驾驶人身上的安全带；

（5）同步骤（4）分别检测出副驾驶位置上的乘车人及其身上的安全带；

（6）根据步骤（4）、（5）的检测结果来判断驾驶人、乘车人是否系安全带，若驾驶人、乘车人之一末系安全带的，则判定为末系安全带；若两者都系安全带了，则判定为系安全带；

（7）对步骤（6）中判定为末系安全带的机动车图片中的驾驶室位置所在区域进行直方图均衡化图像增强处理，以此增加机动车图片的对比度，可以更好地看清驾驶人、乘车人是否系安全带；

（8）将经步骤（7）处理后的机动车图片及其机动车原图片一起存入未系安全带图片数据库中。

进一步方案，所述步骤（2）中多尺度下边缘强度变化和方向统计分布算法是使用图像边缘检测算子中Sobel算子、Robert 算子、Canny算子或Prewitt算子，对每个区域图像进行边缘检测，保存具有局部极大值的边缘点强度和方向；再缩小该区域图像，使其分辨率原来的四分之一；对缩小后图像重新做边缘检测，再次保存其具有局部极大值的边缘点强度和方向；若缩小后图像的边缘点强度与区域图像的边缘点强度之差大于给定阈值0.75时，则认为该边缘点是模糊的；当同一区域图像内模糊的边缘点强度之和与所有的边缘点强度之和的比值大于0.5时，则判定该区域图像是模糊的；或者当同一区域图像的边缘数密度达到10时，则统计该区域图像在不同方向上的边缘数，当在某一方向上的边缘数与总边缘数之比大于0.33，则判定该区域图像是模糊的。

进一步方案，所述步骤（2）中机动车前玻璃窗位置的检测是通过直接检测法检测的，即先把机动车图片进行灰度变换，再采用Sobel算子对灰度图片进行边缘检测；然后用Hough变换检测出机动车前玻璃窗的上、下边缘，再利用垂直投影法检测出前玻璃窗的左右二侧的边缘，由此确定驾驶室在机动车图片中的位置；

牌照位置的检测是指先识别出机动车图片中牌照，再根据牌照四角处的点坐标来计算出驾驶室四角的坐标位置，如图2所示，牌照在图片中的四个点坐标为PA(Xa,Ya)、PB(Xb, Yb)、PC(Xc, Yc)、PD(Xd, Yd),通过下述公式分别算出驾驶室的四个点坐标P1(X1,Y1)、P2(X2, Y2)、P3(X3, Y3)、P4(X4, Y4)：

X1=(1+K1)Xa/2+(1-K1)Xb

X2=(1-K1)Xa/2+(1+K1)Xb

X3=(1+K1)Xc/2+(1-K1)Xd

X4=(1-K1)Xc/2+(1+K1)Xd

Y1=(1+L)Yc-LYa

Y2=(1+L)Yd-LYb

Y3=(1+k2+L)Yc-(k2+L)Ya

Y4=(1+k2+L)Yd-(k2+L)Yb

式中：K1为驾驶室宽度与车牌照宽度的比值，K2为驾驶室高度与车牌照高度的比值，L为车牌照上部边缘到驾驶室下部边缘的高度，K1、K2、L均根据标准机动车进行计算设定；

Xa、Ya、Xb、Yb、Xc、Yc、Xd、Yd是以机动车图片的最左下角为二维图片坐标的原点，牌照的四角在其中的坐标值。

进一步方案，所述步骤（4）中驾驶人位置和步骤（5）中乘车人位置的检测均是根据人体脸部皮肤颜色和纹理特征，采用基于自适应阈值的人体皮肤区域检测算法检测出驾驶室区域内的皮肤区域范围大于16×16像素的，则判定为人体皮肤区域，即判断该区域有人存在，反之，则没有人。

其中采用基于自适应阈值的人体皮肤区域检测算法是指把机动车前玻璃窗所在区域划分为8×8像素的图像小块，利用人体皮肤颜色和纹理特征的贝叶斯模型，计算划分后的每个图像小块属于人体皮肤的后验概率P1和不属于人体皮肤的后验概率P2；若P1/P2大于给定阈值C时，认为该图像小块为人体皮肤。其中给定阈值C的选择是根据人体皮肤区域在图像中具有光滑的纹理特征自适应调整得到，即先给定较小的C0，先检测出前玻璃窗所在区域内的所有候选的皮肤小块，然后逐步增大C值，不断过滤去除疑似皮肤的干扰小块，直到互相连接的皮肤小块连接成一整块平滑皮肤区域为止，此时的Cn即为给定阈值C。

进一步方案，所述步骤（4）中驾驶人位置和步骤（5）中驾驶人或乘车人身上的安全带是对前玻璃窗所在区域进行直方图拉伸变换，得到统一亮度对比的图像，以消除外界光干扰；再利用Canny边缘算子检测到疑似安全带的边缘，根据安全带边缘是二条平行线的特征，采用sobel算子计算得到安全带边缘的梯度方向，并将与安全带特征不一致的边缘去除；然后对图像进行Hough变换而检测出图像中的直线；最后在图像中驾驶员位置区域找出一对平行且方向角在50±10度范围内的平行直线，则判定驾驶员身上系了安全带；在图像中乘车人位置区域找出一对平行且方向角在130±10度范围内的平行直线，则判定乘车人身上系了安全带；反之，则未系安全带。

进一步方案，若驾驶人系安全带了，记通过前玻璃窗位置来确定驾驶室位置的D1设置为0，通过牌照位置来计算驾驶室位置的D2设置为0，否则D1、D2设置为1；若乘车人系安全带了，则记通过前玻璃窗位置来确定驾驶室位置的P1设置为0，通过牌照位置来计算驾驶室位置的P2设置为0，否则P1、P2设置为1；最后通过将前面两种检测方式进行“与”运算，若结果为1，判断驾驶人、乘车人未系安全带；否则，是系了安全带；实际评判规则如下：

D1·D2 = 1，驾驶人未系安全带；

D1·D2 = 0，驾驶人系了安全带；

P1·P2 = 1，乘车人未系安全带；

P1·P2 = 0，乘车人系了安全带。

以上实施例并非仅限于本发明的保护范围，所有基于本发明的基本思想而进行修改或变动的都属于本发明的保护范围。

Claims (9)

1.一种机动车驾乘人员在途未系安全带的检测方法，其特征在于：包括如下步骤：

（1）从现有的道路视频监控系统中读取已抓拍的机动车图片和其相关信息；并将读取的机动车图片解码后统一以BMP位图文件格式存储；

（2）在存储的机动车图片的四角处选择互不重叠的四个区域图像，采用多尺度下边缘强度变化和方向统计分布算法判定四个区域图像是否模糊，若一张机动车图片中有不少于二个区域图像是模糊的，则判定此机动车图片为模糊的，将该模糊图片挑选出来并剔除掉；

（3）对清晰的机动车图片分别检测其中的机动车前玻璃窗位置和牌照位置，通过机动车前玻璃窗位置来确定驾驶室位置，再通过牌照位置来计算驾驶室位置；

（4）分别根据步骤（3）中两种方法所确定和计算的驾驶室位置，分别在其驾驶室区域内检测出驾驶人位置及驾驶人身上的安全带；

（5）同步骤（4）分别检测出副驾驶位置上的乘车人及其身上的安全带；

（6）根据步骤（4）、（5）的检测结果来判断驾驶人、乘车人是否系安全带，若驾驶人、乘车人之一未系安全带的，则判定为未系安全带；若两者都系安全带了，则判定为系安全带；

（7）对步骤（6）中判定为未系安全带的机动车图片中的驾驶室位置所在区域进行直方图均衡化图像增强处理，以此增加机动车图片的对比度，可以更好地看清驾驶人、乘车人是否系安全带；

（8）将经步骤（7）处理后的机动车图片及其机动车原图片一起存入未系安全带图片数据库中；

所述步骤（2）中多尺度下边缘强度变化和方向统计分布算法是使用图像边缘检测算子，对每个区域图像进行边缘检测，保存具有局部极大值的边缘点强度和方向；再缩小该区域图像，使其分辨率为原来的四分之一；对缩小后图像重新做边缘检测，再次保存其具有局部极大值的边缘点强度和方向；若缩小后图像的边缘点强度与区域图像的边缘点强度之差大于给定阈值0.75时，则认为该边缘点是模糊的；当同一区域图像内模糊的边缘点强度之和与所有的边缘点强度之和的比值大于0.5时，则判定该区域图像是模糊的；或者当同一区域图像的边缘数密度达到10时，则统计该区域图像在不同方向上的边缘数，当在某一方向上的边缘数与总边缘数之比大于0.33，则判定该区域图像是模糊的。

2.根据权利要求1所述的检测方法，其特征在于：所述图像边缘检测算子为Sobel算子、Robert 算子、Canny算子或Prewitt算子。

3.根据权利要求1所述的检测方法，其特征在于：所述步骤（2）中区域图像的尺寸为100×100像素。

4.根据权利要求1所述的检测方法，其特征在于：所述步骤（3）中机动车前玻璃窗位置的检测是通过直接检测法检测的，即先把机动车图片进行灰度变换，再采用Sobel算子对灰度图片进行边缘检测；然后用Hough变换检测出机动车前玻璃窗的上、下边缘，再利用垂直投影法检测出前玻璃窗的左右二侧的边缘，由此确定驾驶室在机动车图片中的位置。

5.根据权利要求1所述的检测方法，其特征在于：所述步骤（3）中牌照位置的检测是指先识别出机动车图片中牌照，再根据牌照四角处的点坐标来计算出驾驶室四角的坐标位置P1(X1,Y1)、P2(X2, Y2)、P3(X3, Y3)、P4(X4, Y4)；其计算公式为：

X1=(1+K1)Xa/2+(1-K1)Xb

X2=(1-K1)Xa/2+(1+K1)Xb

X3=(1+K1)Xc/2+(1-K1)Xd

X4=(1-K1)Xc/2+(1+K1)Xd

Y1=(1+L)Yc-LYa

Y2=(1+L)Yd-LYb

Y3=(1+k2+L)Yc-(k2+L)Ya

Y4=(1+k2+L)Yd-(k2+L)Yb

式中：K1为驾驶室宽度与车牌照宽度的比值，k2为驾驶室高度与车牌照高度的比值，L为车牌照上部边缘到驾驶室下部边缘的高度，K1、k2、L均根据标准机动车进行计算设定；

Xa、Ya、Xb、Yb、Xc、Yc、Xd、Yd是以机动车图片的最左下角为二维图片坐标的原点，牌照的四角在其中的坐标值。

6.根据权利要求1所述的检测方法，其特征在于：所述步骤（4）中驾驶人位置和步骤（5）中乘车人位置的检测均是根据人体脸部皮肤颜色和纹理特征，采用基于自适应阈值的人体皮肤区域检测算法检测出驾驶室区域内的皮肤区域范围大于16×16像素的，则判定为人体皮肤区域，即判断该区域有人存在，反之，则没有人。

7.根据权利要求6所述的检测方法，其特征在于：所述采用基于自适应阈值的人体皮肤区域检测算法是指把机动车前玻璃窗所在区域划分为8×8像素的图像小块，利用人体皮肤颜色和纹理特征的贝叶斯模型，计算划分后的每个图像小块属于人体皮肤的后验概率P1和不属于人体皮肤的后验概率P2；若P1/P2大于给定阈值C时，认为该图像小块为人体皮肤。

8.根据权利要求7所述的检测方法，其特征在于：所述给定阈值C的选择是根据人体皮肤区域在图像中具有光滑的纹理特征自适应调整得到，即先给定较小的C0，先检测出前玻璃窗所在区域内的所有候选的皮肤小块，然后逐步增大C值，不断过滤去除疑似皮肤的干扰小块，直到互相连接的皮肤小块连接成一整块平滑皮肤区域为止，此时的Cn即为给定阈值C。

9.根据权利要求1所述的检测方法，其特征在于：所述步骤（4）中驾驶人位置和步骤（5）中驾驶人或乘车人身上的安全带是对前玻璃窗所在区域进行直方图拉伸变换，得到统一亮度对比的图像，以消除外界光干扰；再利用Canny边缘算子检测到疑似安全带的边缘，根据安全带边缘是二条平行线的特征，采用sobel算子计算得到安全带边缘的梯度方向，并将与安全带特征不一致的边缘去除；然后对图像进行Hough变换而检测出图像中的直线；最后在图像中驾驶人位置区域找出一对平行且方向角在50±10度范围内的平行直线，则判定驾驶人身上系了安全带；在图像中乘车人位置区域找出一对平行且方向角在130±10度范围内的平行直线，则判定乘车人身上系了安全带；反之，则未系安全带。