CN106203499A - 一种基于深度cnn的安全带检测方法 - Google Patents

Abstract

本发明属于智能交通领域，涉及一种基于交通卡口图像采用深度CNN的安全带检测方法，通过建立样本库并对其进行深度卷积神经网络训练，采用训练参数来判断新输入的图像中司机是否佩戴安全带；其包括提取驾驶员区域灰度图像、建立样本库、设计深度卷积神经网络和训练深度卷积神经网络并判断个案结果等步骤；其利用车辆前窗的上下边缘信息来提取车窗区域，并利用车牌区域进行驾驶员区域的辅助定位，无需借用人工设计分类特性对驾驶员是否佩戴安全带具有很高的判断精度，其判定方法原理简单，应用操作方便，判断误差小，安全可靠，具有很强的应用价值，应用环境友好。

Description

一种基于深度CNN的安全带检测方法

技术领域：

本发明属于智能交通领域，涉及一种基于交通卡口图像采用深度CNN(卷积神经网络)的安全带检测方法，通过建立样本库并对其进行深度卷积神经网络训练，采用训练参数来判断新输入的图像中司机是否佩戴安全带。

背景技术：

随着交通管理制度和电子监控的完善，司机开车时一般还是系了安全带，但是仍有很大部分司机开车不系安全带，特别是货车司机、出租车司机和缺乏监管的主要在郊区驾车的司机；而且，副驾驶的乘客不系安全带的现象更甚，特别是在乘坐出租车的时候，副驾驶的乘客几乎没有系安全带的，原因是自己对乘车安全的不够重视。据权威专业机构统计，佩戴安全带，可使正面撞车伤亡率减少75％，翻车伤亡率减少80％。系安全带可以保证在车祸发生时，车内驾乘者的生命安全，至少伤亡概率更低。因此如何更好的督促驾驶员在驾驶时佩戴安全带具有重大意义。现有的安全带检测方法大多采用对获取的驾驶员区域进行直线段检测，如果检测到两条平行的线段，并且这两条平行线与水平线的夹角为30-60度之间，则判断为系安全带，否则为不系安全带。现有的基于传统图像处理的方法的缺点是，在实际交通卡口图像处理时，样本多样化程度严重，不同光照，不同车辆，以及驾驶员衣服的干扰使得基于图像处理的安全带检测方法效率低下，精度低下。因此，设计一种基于深度CNN的安全带检测方法具有良好的社会效益和经济效益。

发明内容：

本发明的目的在于克服现有技术的不足，寻求设计一种基于深度CNN的安全带检测方法，通过采集并建立样本库，并对其进行深度卷积神经网络训练，采用训练参数来判断新输入的图像中司机是否佩戴安全带。

为了实现上述目的，本发明涉及的基于深度CNN的安全带检测方法主要包括以下步骤：

(1)、提取驾驶员区域灰度图像：采集交通卡口拍摄的机动车行时的彩色图像，将彩色图像转变为灰度图像；在装有MATLAB工具的计算机系统中使用如下计算机函数对灰度图像进行处理，以便将车窗区域部分的图像从原始灰度图像中提取出来：

carWindowAreaX1＝max(plateCenterX-plateW*2，1)；

carWindowAreaY2＝max(plateCenterY-plateW,1)；

carWindowAreaX2＝min(plateCenterX+plateW*2,srcImgW)；

carWindowAreaY1＝min(plateCenterY-plateW*4.5,srcImgH)；

其中plateCenterX、plateCenterY为分别定位的车牌区域的中心点的X和Y坐标，plateW为车牌的宽度，srcImgW和srcImgH分别表示图像的宽度和高度；然后对提取出来的图像进行边缘检测，对图像进行边缘检测滤波，采用LOG(高斯拉普拉斯)算子进行滤波，Gaussian(高斯)滤波器中高斯方差选为7，以便减少小的边缘的干扰；对经过滤波提取的线段进行合并，最大长度的两条线段即为车窗区域的上下边缘，即得驾驶员区域灰度图像；

(2)、建立样本库：对步骤(1)采集的驾驶员区域灰度图像进行归一化处理，把图像缩放为144×144像素，挑选系安全带的图像12000张作为正样本，非确定系安全带的图像4000张作为负样本；然后对负样本进行扩展，把非确定系安全带的负样本分别进行正五度旋转和负五度旋转，将正负旋转得到的负样本中间区域随机进行加减20灰度操作，增加负样本对姿态和光照亮度方面的复杂性，以排除衣领及衣服边缘对结果判断的影响；经过上述操作使得正负样本比例达到1：1，即建立样本库；

(3)、设计深度卷积神经网络：深度卷积神经网络的结果为输入层为144×144的灰度图像，深度卷积神经网络采用5个卷积层，第一卷积层卷积核为11×11，隐层的激活函数采用ReLU(Rectified Linear Units激活函数)函数，利用2×2最大化池化技术，第二卷积层卷积核为5×5，隐层的激活函数采用ReLU函数，利用2×2最大化池化技术，第三卷积层卷积核为3×3，隐层的激活函数采用ReLU函数，该层不再对结果进行池话，第四卷积层卷积核为3×3，隐层的激活函数采用ReLU函数，该层不再对结果进行池话，第五卷积层卷积核为3×3，隐层的激活函数采用ReLU函数，对该层的输出利用2×2最大化池化技术进行降采样；最后一层为判断输出层，利用Softmax函数进行判断，把结果分为两类，即系安全带和未系安全带；

(4)、训练深度卷积神经网络并判断个案结果：把步骤(2)采集的样本库通过步骤(3)设计的深度卷积神经网络进行训练，把训练结果参数保存在文件中；在利用深度卷积神经网络进行安全带识别时，将待判断的驾驶员区域灰度图像归一化为144×144，然后读取训练好的深度卷积神经网络参数对新采集的驾驶员区域图像进行判定，深度卷积神经网络的输出结果即为安全带是否佩戴的最终结果。

本发明与现有技术相比，利用车辆前窗的上下边缘信息来提取车窗区域，并利用车牌区域进行驾驶员区域的辅助定位；对于定位后的车窗区域进行样本收集，再利用收集的样本设计深度卷积神经网络并进行训练，利用训练好的参数对新输入的驾驶员区域图像进行识别从而得到是否带安全带的判断；本发明还利用大样本数据进行训练，采用深度学习理论进行分类，无需借用人工设计分类特性，因此对驾驶员是否佩戴安全带具有很高的判断精度，其判定方法原理简单，应用操作方便，判断误差小，安全可靠，具有很强的应用价值，应用环境友好。

附图说明：

图1为涉及的基于深度CNN的安全带检测方法的原理流程图。

具体实施方式：

下面通过实施例并结合附图对本发明作进一步说明

实施例1：

本实施例涉及的基于深度CNN的安全带检测方法主要包括以下步骤：

(1)、提取驾驶员区域灰度图像：采集交通卡口拍摄的机动车行时的彩色图像，将彩色图像转变为灰度图像；在装有MATLAB工具的计算机系统中使用如下计算机函数对灰度图像进行处理，以便将车窗区域部分的图像从原始灰度图像中提取出来：

carWindowAreaX1＝max(plateCenterX-plateW*2，1)；

carWindowAreaY2＝max(plateCenterY-plateW，1)；

carWindowAreaX2＝min(plateCenterX+plateW*2，srcImgW)；

carWindowAreaY1＝min(plateCenterY-plateW*4.5，srcImgH)；

其中plateCenterX、plateCenterY为分别定位的车牌区域的中心点的X和Y坐标，plateW为车牌的宽度，srcImgW和srcImgH分别表示图像的宽度和高度；然后对提取出来的图像进行边缘检测，对图像进行边缘检测滤波，采用LOG算子进行滤波，Gaussian滤波器中高斯方差选为7，以便减少小的边缘的干扰；对经过滤波提取的线段进行合并，最大长度的两条线段即为车窗区域的上下边缘，即得驾驶员区域灰度图像；

(2)、建立样本库：对步骤(1)采集的驾驶员区域灰度图像进行归一化处理，把图像缩放为144×144像素，挑选系安全带的图像12000张作为正样本，非确定系安全带的图像4000张作为负样本；然后对负样本进行扩展，把非确定系安全带的负样本分别进行正五度旋转和负五度旋转，将正负旋转得到的负样本中间区域随机进行加减20灰度操作，增加负样本对姿态和光照亮度方面的复杂性，以排除衣领及衣服边缘对结果判断的影响；经过上述操作使得正负样本比例达到1：1，即建立样本库；

(3)、设计深度卷积神经网络：深度卷积神经网络的结果为输入层为144×144的灰度图像，深度卷积神经网络采用5个卷积层，第一卷积层卷积核为11×11，隐层的激活函数采用ReLU函数，利用2×2最大化池化技术，第二卷积层卷积核为5×5，隐层的激活函数采用ReLU函数，利用2×2最大化池化技术，第三卷积层卷积核为3×3，隐层的激活函数采用ReLU函数，该层不再对结果进行池话，第四卷积层卷积核为3×3，隐层的激活函数采用ReLU函数，该层不再对结果进行池话，第五卷积层卷积核为3×3，隐层的激活函数采用ReLU函数，对该层的输出利用2×2最大化池化技术进行降采样；最后一层为判断输出层，利用Softmax函数进行判断，把结果分为两类，即系安全带和未系安全带；

(4)、训练深度卷积神经网络并判断个案结果：把步骤(2)采集的样本库通过步骤(3)设计的深度卷积神经网络进行训练，把训练结果参数保存在文件中；在利用深度卷积神经网络进行安全带识别时，将待判断的驾驶员区域灰度图像归一化为144×144，然后读取训练好的深度卷积神经网络参数对新采集的驾驶员区域图像进行判定，深度卷积神经网络的输出结果即为安全带是否佩戴的最终结果。

Claims (1)

1.一种基于深度CNN的安全带检测方法，其特征在于该方法主要包括以下步骤：

(1)、提取驾驶员区域灰度图像：采集交通卡口拍摄的机动车行时的彩色图像，将彩色图像转变为灰度图像；在装有MATLAB工具的计算机系统中使用如下计算机函数对灰度图像进行处理，以便将车窗区域部分的图像从原始灰度图像中提取出来：

carWindowAreaX1＝max(plateCenterX-plateW*2，1)；

carWindowAreaY2＝max(plateCenterY-plateW，1)；

carWindowAreaX2＝min(plateCenterX+plateW*2，srcImgW)；

carWindowAreaY1＝min(plateCenterY-plateW*4.5，srcImgH)；

其中plateCenterX、plateCenterY为分别定位的车牌区域的中心点的X和Y坐标，plateW为车牌的宽度，srcImgW和srcImgH分别表示图像的宽度和高度；然后对提取出来的图像进行边缘检测，对图像进行边缘检测滤波，采用LOG算子进行滤波，Gaussian滤波器中高斯方差选为7，以便减少小的边缘的干扰；对经过滤波提取的线段进行合并，最大长度的两条线段即为车窗区域的上下边缘，即得驾驶员区域灰度图像；

(2)、建立样本库：对步骤(1)采集的驾驶员区域灰度图像进行归一化处理，把图像缩放为144×144像素，挑选系安全带的图像12000张作为正样本，非确定系安全带的图像4000张作为负样本；然后对负样本进行扩展，把非确定系安全带的负样本分别进行正五度旋转和负五度旋转，将正负旋转得到的负样本中间区域随机进行加减20灰度操作，增加负样本对姿态和光照亮度方面的复杂性，以排除衣领及衣服边缘对结果判断的影响；经过上述操作使得正负样本比例达到1：1，即建立样本库；

(3)、设计深度卷积神经网络：深度卷积神经网络的结果为输入层为144×144的灰度图像，深度卷积神经网络采用5个卷积层，第一卷积层卷积核为11×11，隐层的激活函数采用ReLU函数，利用2×2最大化池化技术，第二卷积层卷积核为5×5，隐层的激活函数采用ReLU函数，利用2×2最大化池化技术，第三卷积层卷积核为3×3，隐层的激活函数采用ReLU函数，该层不再对结果进行池话，第四卷积层卷积核为3×3，隐层的激活函数采用ReLU函数，该层不再对结果进行池话，第五卷积层卷积核为3×3，隐层的激活函数采用ReLU函数，对该层的输出利用2×2最大化池化技术进行降采样；最后一层为判断输出层，利用Softmax函数进行判断，把结果分为两类，即系安全带和未系安全带；

(4)、训练深度卷积神经网络并判断个案结果：把步骤(2)采集的样本库通过步骤(3)设计的深度卷积神经网络进行训练，把训练结果参数保存在文件中；在利用深度卷积神经网络进行安全带识别时，将待判断的驾驶员区域灰度图像归一化为144×144，然后读取训练好的深度卷积神经网络参数对新采集的驾驶员区域图像进行判定，深度卷积神经网络的输出结果即为安全带是否佩戴的最终结果。