一种基于深度学习的安全带佩戴识别方法

文档序号:8339999阅读:303来源:国知局
一种基于深度学习的安全带佩戴识别方法
【技术领域】
[0001] 本发明涉及智能交通领域,尤其涉及一种基于深度学习的安全带佩戴识别方法。
【背景技术】
[0002] 随着现代交通车辆的大幅度增加,道路事故警情量也不断上升,安全带作为驾驶 员最有效的保护措施,当汽车发生碰撞或遇到意外情况紧急刹车时,安全带可以通过约束 作用将乘员束缚在座椅上,防止或者减轻乘员受到二次碰撞甚至被甩出车外的伤害。
[0003] 正确佩戴安全带可以有效地提高碰撞事故中乘员的安全性,降低事故中的伤亡 率,因此对安全带佩戴提示系统及识别方法的研宄具有非常重要的意义。目前,国内对安 全带佩戴识别的方法研宄也投入了很大精力,例如,专利CN201410174018. 3《一种基于 Adaboost的安全带检测方法》中提出,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,然后基于高斯混合模型进行后处理,从而 得到安全带佩戴的识别结果;文献《基于模糊增强的安全带佩戴识别方法》中提出,通过对 图像进行模糊增强,增强边缘点两侧像素灰度的对比度,然后利用直线检测方法对图像进 行检测,达到安全带佩戴识别的目的;文献《基于GA-BP的安全带佩戴识别方法》中提出,基 于BP神经网络建立安全带佩戴识别模型,同时引入遗传算法对其权值和阈值进行优化,最 终实现安全带佩戴图像识别。
[0004] 深度学习是机器学习研宄中的一个新领域,在图像识别、语音识别以及自然语言 处理方面均有很广泛的应用。深度学习的实质,是通过构建具有多隐层的神经网络模型和 训练数据,来学习出有用的特征,非常注重特征学习的重要性。在进行图像识别时,对图像 信息的处理是分层的,逐层抽象地表现出图像的特征信息。本发明基于深度机器学习思想 提出一种不同于已有方法的安全带佩戴识别方法。

【发明内容】

[0005] 本发明为克服上述的不足之处,目的在于提供一种基于深度学习的安全带佩戴识 别方法,基于道路监控采集来的驾驶员图像数据,利用深度学习算法模型逐层训练,建立安 全带佩戴识别模型,该识别方法抗干扰能力较强,检测方式新颖。
[0006] 本发明是通过以下技术方案达到上述目的:一种基于深度学习的安全带佩戴识别 方法,包括如下步骤:(1)利用RGB色彩空间下车牌图像中像素点比例关系确定车牌位置;
[0007] (2)根据车牌位置,结合hough直线检测确定车窗区域;
[0008] (3)利用haar特征空间检测车窗区域内人脸,若有检测到人脸,则根据人脸区域 确定前排乘客区域C ;若没有检测到,则将车窗区域缩小并将车窗区域分为主、副驾驶区 域,作为前排乘客区域C ;
[0009] (4)对前排乘客区域C进行图像预处理获得前排乘客区域图像C' ;
[0010] (5)在前排乘客区域图像C'中选取驾驶员颈部以下区域图像作为感兴趣区域样 本集;
[0011] (6)利用感兴趣区域样本集建立模型数据集;
[0012] (7)通过模型数据集建立并优化深度学习算法模型;
[0013] (8)利用深度学习算法模型对感兴趣区域样本集进行安全带的佩戴识别。
[0014] 作为优选,所述步骤(1)确定车牌位置的步骤如下:
[0015] 1)读取一幅mXn像素的图像I,设定并初始化参数,参数包括图像Y轴方向上的 "预选车牌区域"的蓝色像素点数阈值Y thMsh,白色像素所占比ratio_w = 0, "近似车牌"区 域长宽比ratio_l = 0 ;
[0016] 2)对图像在Y轴方向上的蓝色像素点进行扫描和统计,得到mXl的像素矩阵U ;
[0017] 3)计算矩阵U中的最大值Ui;1及最大值Ui;1所在行i(0 < i <m,i e N),其中Ui;1 表示矩阵U中第1行第i列的值;如果Uiil小于设定值,则判定为图像I内没有牌照并跳回 执行步骤1);否则将i值赋给PY 2;
[0018] 4)将PYJt为"预选车牌区域"的下边界并搜索确定"预选车牌区域"的上边界 PY 1;
[0019] 5)利用公式·
【主权项】
1. 一种基于深度学习的安全带佩戴识别方法,其特征在于,包括如下步骤:(1)利用 RGB色彩空间下车牌图像中像素点比例关系确定车牌位置; (2) 根据车牌位置,结合hough直线检测确定车窗区域; (3) 利用haar特征空间检测车窗区域内是否有人脸,若有,则根据人脸区域确定前排 乘客区域C ;若没有,则将车窗区域缩小并将车窗区域分为主、副驾驶区域,作为前排乘客 区域C ; (4) 对前排乘客区域C进行图像预处理获得前排乘客区域图像C' ; (5) 在前排乘客区域图像C'中选取驾驶员颈部以下区域图像作为感兴趣区域样本集; (6) 利用感兴趣区域样本集建立模型数据集; (7) 通过模型数据集建立并优化深度学习算法模型; (8) 利用深度学习算法模型对感兴趣区域样本集进行安全带的佩戴识别。
2. 根据权利要求1所述的一种基于深度学习的安全带佩戴识别方法,其特征在于,所 述步骤(1)确定车牌位置的步骤如下: 1) 读取一幅mXn像素的图像I,设定并初始化参数,参数包括图像Y轴方向上的"预选 车牌区域"的蓝色像素点数阈值YthMsh,白色像素所占比ratio_w = 0,"近似车牌"区域长宽 比 ratio_l = 0 ; 2) 对图像在Y轴方向上的蓝色像素点进行扫描和统计,得到mX 1的像素矩阵U ; 3) 计算矩阵。中的最大值11及最大值^1所在行以0<1<111,1£的,其中^ 1表 示矩阵U中第1行第i列的值;如果Uiil小于设定值,则判定为图像I内没有牌照并跳回执 行步骤1);否则将i值赋给PY 2; 4) 将PYdt为"预选车牌区域"的下边界并搜索确定"预选车牌区域"的上边界PY 1; 5) 利用公式1,^/, = PlpD计算图像X轴方向上的"预选车牌区域"的蓝色像素点 q 数阈值Xthresh, q为可任意设置的正整数,q值越大,则抗干扰能力越强,但会造成精确度降 低; 6) 在上边界PYjP下边界PY 2所在的区域内搜索并统计图像在X轴方向上的 蓝色像素点数,得到IXn的像素矩阵V e Nwxn; 7) 通过矩阵V e Nwxn确定"预选车牌区域"的左边界PX 8) 计算"预选车牌区域"区域内的白色像素点占比和区域长宽比; 9) 判断并得到车牌位置。
3. 根据权利要求2所述的一种基于深度学习的安全带佩戴识别方法,其特征在于,所 述步骤4)搜索确定"预选车牌区域"的的上边界方法为从矩阵U中的第i行开始依 次读取i-j行(1彡j < i,j e N)的值U(i_jU,并比较U(i_jU与Y thresh的大小;当U μ」〉 Ythrash时,将Η的值赋给PY i,作为"预选车牌区域"的上边界。
4. 根据权利要求2所述的一种基于深度学习的安全带佩戴识别方法,其特征在于,所 述步骤7)确定"预选车牌区域"的左边界PXJP右边界PX 2的方法如下: A)从矩阵的第一列开始依次比较Vud彡k彡n,k e N,与Xthresh的大小,当V1, k> ,将k值赋给PX i,作为"预选车牌区域"的左边界;B)从矩阵的最后一列η开始依 次比较V1H (PXi< I < n,I e N,与Xtosh的大小,当V m〉X tosh时,将1值赋给PX 2,作 为"预选车牌区域"的右边界。
5. 根据权利要求2所述的一种基于深度学习的安全带佩戴识别方法,其特征在于,所 述步骤8)计算"预选车牌区域"区域内的白色像素点占比和区域长宽比的方法为在上下边 界PY n PY2,左右边界PX1、PX2合围的区域内统计白色像素点个数a,计算白色像素所占比
6. 根据权利要求2所述的一种基于深度学习的安全带佩戴识别方法,其特征在于,所 述步骤9)判断并得到车牌位置的方法为如果!T 1S ratio_w彡r 2,并且r3< ratio_l彡r 4, 则判断并得到为车牌位置;否则将上下边界PYp PY2,左右边界PXp PX2合围区域矩阵的元 素全部置为〇,并重新执行步骤3)。
7. 根据权利要求1所述的一种基于深度学习的安全带佩戴识别方法,其特征在于,所 述步骤(4)对前排乘客区域C进行图像预处理获得前排乘客区域图像C'的步骤如下: I) 对前排乘客区域图像C进行直方图均衡化,得到处理后的图像Ch; II) 对图像Ch进行gaussian滤波,获得滤波后的图像Chg; III) 将canny算子作用于图像Chg,获得处理后的图像Chgc;; IV) 利用迭代法对图像Chgc;进行阈值分割,并对对象进行填充,获得前排乘客区域图像 C,。
8. 根据权利要求1所述的一种基于深度学习的安全带佩戴识别方法,其特征在于,所 述步骤6)利用感兴趣区域样本集建立模型数据集的方法为将感兴趣样本集分为训练集、 验证集与测试集,由训练集、验证集与测试集共同组成模型数据集;其中,训练集包括训练 图片集和训练标签集;验证集包括验证图片集和验证标签集;测试集包括包括测试图片集 和测试标签集。
9. 根据权利要求1所述的一种基于深度学习的安全带佩戴识别方法,其特征在于,所 述步骤(7)深度学习算法模型包括RBM(限制玻尔兹曼机)模型与DBN(深度信赖网络)模 型。
10. 根据权利要求1或9所述的一种基于深度学习的安全带佩戴识别方法,其特征在 于,学习 RBM(限制玻尔兹曼机)模型的步骤如下: a) 随机初始化模型参数Θ = {ff,b,a};其中W为可视层节点与隐藏层节点之间的权 重,b为可视层节点偏置值,a为隐藏层节点偏置值; b) 按下述公式求出RBM模型的能量函数E(v, h ; Θ );
其中,m、η分别为可视层和隐藏层节点的个数; c) 根据能量函数玢11你)求得可视层与隐藏层的联合概率分布;
其中,ζ(θ)是一个归一化常数; d) 按下述公式求出RBM模型分配给可视层V的概率P (V ; Θ );
e) 按下述公式求得佩戴安全带状态下的概率P (Vi= 11 h)与P(hj= 11 V);
其中,g(X)为sigmoid函数
^一个逻辑函数; f) 对RBM模型进行吉布斯采样及RBM模型训练参数的迭代更新。
11.根据权利要求1或9所述的一种基于深度学习的安全带佩戴识别方法,其特征在 于,所述的DBN(深度信赖网络)模型为若干个RBM(限制玻尔兹曼机)模型通过自底向上 组合得到;对DBN(深度信赖网络)模型的学习训练包括预训练和微调两个阶段。
【专利摘要】本发明涉及一种基于深度学习的安全带佩戴识别方法,包括如下步骤:1)前排乘客区域定位及图像预处理。利用RGB色彩空间下车牌图像中白色像素在蓝色像素点内所占比例来确定车牌位置;根据车牌位置,结合hough直线检测,确定车窗区域W(x,y,w,h);在车窗区域中,采用haar特征空间来检测人脸,如果能检测到人脸,则根据人脸区域,确定前排乘客区域C,如果未能检测到人脸,则对车窗区域范围作进一步缩小,并将车窗区域分为主驾驶区域和副驾驶区域,作为前排乘客区域C。对前排乘客区域进行图像预处理,获得处理后的前排乘客区域图像C';2)感兴趣区域获取;3)模型数据集建立;4)深度学习算法模型建立;5)安全带佩戴识别。本发明抗干扰能力较强,检测方式新颖。
【IPC分类】G06K9-66
【公开号】CN104657752
【申请号】CN201510116250
【发明人】李芳 , 陈涛, 王超群, 张书浆, 李建元, 吴越
【申请人】银江股份有限公司
【公开日】2015年5月27日
【申请日】2015年3月17日
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1