基于灰度積分投影的安全帶佩戴識別方法*

葛如海，胡滿江，符 凱

(江蘇大學汽車與交通工程學院，鎮江 212013)

前言

安全帶被公認為是汽車內最有效的被動保護設施。當車輛發生碰撞時，安全帶的使用可有效降低傷亡率［1］。因此，開發安全帶佩戴提示系統和研究相應的安全帶佩戴識別方法，對降低事故的傷亡率具有重大意義。目前，國內外安全帶佩戴提示系統主要通過傳感器進行佩戴識別，如文獻［2］中提出了在卡座中安裝傳感器的檢測方法，只有當安全帶卡扣插入安全帶卡座鎖定后才會自動確認乘員已經系好安全帶。但是乘員在安全帶使用過程中存在逃避提示系統的假佩戴行為［3］，如直接坐在安全帶已經扣好的座椅上或者購買單獨卡扣將其插入卡槽。文獻［4］中將壓力傳感器布置在坐墊和靠背上，用以檢測座椅上是否有乘員，但這種方法仍然未能避免上述行為的發生。使用安裝在公路上的監控攝像機對采集到的乘員圖像進行安全帶佩戴識別，但僅僅應用在道路監控，不能給駕駛員及時的提醒，同時該方法受光線和圖像清晰度的影響很大［5］。文獻［6］中提出將圖像識別技術應用于人臉檢測。

針對現有安全帶佩戴提示系統的不足，在文獻［6］中方法的基礎上，本文中采用了一種基于灰度積分投影的安全帶佩戴識別方法。該方法通過安全帶垂直和水平積分投影曲線，結合安全帶幾何特征的先驗知識，達到安全帶佩戴識別的目的。該方法能有效地避免乘員的假佩戴行為，具有一定的工程應用價值。

1 安全帶佩戴識別過程

首先通過安裝在車內的CCD攝像機采集乘員的圖像信息，其次對采集的圖像進行預處理，包括平滑去噪和灰度圖轉化。然后對經過預處理的圖像進行二值化操作并進行積分投影，最后結合安全帶幾何特征的先驗知識確定安全帶特征點坐標，從而達到安全帶識別目的。安全帶識別算法的流程圖如圖1所示。

1.1 圖像采集與圖像預處理

本文中為提高系統的適應性和結果的準確性，在圖像信息采集過程中進行了光線補償，并在圖像預處理環節中增加了平滑去噪和彩色圖轉換為灰度圖的步驟。

1.1.1 光線補償

由于車輛的使用環境較復雜，導致車廂中光線環境變化較大，同時為避免由于乘員穿著衣物的顏色與安全帶顏色過于接近而導致的檢測誤差，本文中利用光線照在具有反光性能的安全帶上，會得到亮度較高圖像的原理，在圖像采集過程中，采用連續低照度LED進行光線補償。

系統適當地延長了連續LED補光時間和CCD曝光時間，從而可以獲得較清晰的圖像;同時系統的工作周期為25s，連續LED補光時間4s，再加上LED燈光本身具有一定的方向性和聚光罩的聚光效果，使光線更加集中在待檢測區域，從而可以有效降低燈亮給駕駛員造成的干擾。

圖2(a)所示為采用光線補償方式采集到的穿著白色衣物的乘員圖像，通過對圖像進行灰度值分析發現，即使是純白色衣物，其圖像的灰度值范圍不會超過200，而反光安全帶的灰度值范圍達到240以上。

1.1.2 平滑去噪

在多變的車廂環境下獲得的光線補償圖像存在一定的噪聲，在圖2(a)中標出，會降低后續處理工作的準確性。為去除這些噪聲的影響，采用中值濾波技術［7］，它對于干擾脈沖和點狀噪聲具有良好的抑制作用。平滑去噪后的結果如圖2(b)所示，經過平滑去噪后的圖像，噪聲得到了明顯抑制，提高了后續處理工作的準確性。

1.1.3 彩色圖轉化為灰度圖

經過平滑去噪處理的乘員圖像，仍包含較多的色彩信息，比如背景和衣物顏色等，不利于安全帶特征的識別。為此本文中采用非線性灰度變換技術將其轉換為灰度圖。以指數函數作為映射函數進行灰度變換，即

式中:f(x，y)為原圖像(x，y)位置處的像素灰度值;g(x，y)為變換后的像素灰度值;a、b、c為可調參數。通過灰度變換，圖像的低灰度區有較大的擴展而高灰度區得到了壓縮，使圖像灰度分配較為均勻，灰度圖像如圖2(c)所示。

經過預處理后的乘員圖像，噪聲得到了明顯抑制，灰度對比明顯，為后續的二值化處理打下基礎。

1.2 圖像二值化處理

對預處理后的圖像進行二值化處理的目的在于保留圖像的有效信息［8］。對圖像進行灰度分析發現，涂有反光材料的安全帶其灰度值達到240以上，而且即便是穿著純白色衣物的乘員圖像其灰度值范圍仍不會超過200，因此圖像可以看成由亮的安全帶和深的乘員與座椅組成。這樣的組成方式將對象(安全帶)和背景(乘員與座椅)所具有的灰度級的像素分成兩組不同的支配模式。于是采用閾值T由圖像灰度級值確定的全局閾值分割法對圖像進行二值化處理，其數學表達式為

實驗中選取T=240，通過上述二值化過程，將安全帶從圖像中分割出來。結果表明，經過二值化處理后，安全帶特征更加突出，進而使后續積分投影結果更加精確，有利于安全帶特征的識別。二值化處理后的圖像如圖3(b)所示。

1.3 基于積分投影的安全帶特征點的提取

1.3.1 圖像的積分投影方法

積分投影法是根據圖像在某些方向上的積分投影分布特征來對其進行檢測［9］，當圖像某一行像素灰度均值發生變化時，這種變化會在水平積分投影值上反映出來，同理，當圖像某一列像素灰度均值發生變化時，這種變化會在垂直積分投影值上反映出來。水平積分投影和垂直積分投影公式分別為

式中:n為一行所有的像素點數;m為一列所有的像素點數。

由此可知，水平投影就是將一行所有的像素點的灰度值進行累加后再顯示，垂直投影就是將一列所有的像素點的灰度值進行累加后再顯示。

1.3.2 安全帶特征點的提取

對二值化圖像分別在垂直和水平方向進行灰度積分投影，得到積分投影曲線，如圖3(a)和圖3(c)所示。

根據灰度積分投影曲線，結合安全帶特征的先驗知識，對安全帶的特征點進行提取。假設圖像的寬度和長度分別為xImage，yImage;腰帶左、右兩端點的橫坐標為xLeft，xRight;縱坐標為yWaist_Belt;肩帶頂點的縱坐標為yShould_Belt。

根據垂直積分投影確定腰帶左、右端點的橫坐標xLeft，xRight。觀察垂直積分投影圖，結合安全帶特征先驗知識可知:積分投影曲線左、右兩個零值點對應的橫坐標即為腰帶左、右端點的橫坐標xLeft，xRight。

同理，根據水平積分投影確定腰帶端點縱坐標yWaist_Belt和肩帶頂點縱坐標yShould_Belt。利用腰帶灰度值水平積分投影較集中的特點，積分投影值越大則越有可能是腰帶。觀察水平積分投影可知:積分投影曲線在y1～y2區間上有明顯凸起的陰影部分恰好對應腰帶區域，于是求得腰帶端點的縱坐標為同時，水平積分投影曲線的第2個零值點所對應的縱坐標即為肩帶頂點的縱坐標yShould_Belt。

綜上所述，求得三點式安全帶3個點坐標為:

(xLeft，yWaist_Belt)，(xRight，yWaist_Belt)和(xRight，yShould_Belt)。輸出結果如圖4中圓圈內“+”所示。

2 實驗驗證分析

為驗證上述方法的適應性和準確性，在主頻3.0GHz奔騰IV、內存1GB、Windows XP操作系統的計算機上采用Matlab7.6圖像處理工具箱軟件環境中進行實驗。按照上述方法對50名乘員分別在不同的光線條件下(白天和夜晚)采集的100幅圖像進行圖像處理和特征提取，這100幅圖像的特點是存在光線條件、衣物顏色和頭發等信息干擾，這對后續的特征提取有較大影響。根據光線條件的不同將100幅乘員圖像分成兩組分別進行實驗，得到識別率分別為82%和85.3%，平均識別率為83.65%，部分乘員圖像及識別結果如圖5和圖6所示。

由實驗結果可知，夜晚比白天的識別率高的原因是反光材料在夜晚的反光效果更好，安全帶亮度更高。乘員衣物顏色的不同對該方法不會產生影響，但衣領和乘員頭發等對安全帶的遮擋使圖像中安全帶不連續，出現斷點，造成識別錯誤，這是影響識別率的主要原因。

實驗結果表明，該方法檢測安全帶是否佩帶的正確率較高，在不同環境、不同駕駛人和不同服飾條件下具有較強的適應性。

3 結論

針對目前安全帶提示系統的不足，采用中值濾波和灰度變換技術對乘員圖像進行預處理，并通過全局閾值分割法將安全帶從乘員圖像中分割出來，最后利用安全帶的灰度特征通過灰度積分投影方式確定安全帶的坐標，從而達到安全帶佩戴識別的目的。通過實驗驗證，該方法可有效避免在安全帶使用過程中駕駛員為逃避現有安全帶報警系統的檢測而進行的假佩戴行為發生。由實驗結果可知，乘員衣領等對安全帶的遮擋會造成識別的失敗。采用修復技術對安全帶圖像被遮擋的部分進行修復，提高識別成功率，是下一步要解決的問題。

［1］U.S.Department of Transportation，National Highway Traffic Safety Administration.Fifth/Sixth Report to Congress:Effectiveness of Occupant Protection Systems and Their Use［R］.Washington，D.C.，2001.

［2］Okada，Shoji(Anjo，JP)，Suzuki，et al.Seat Belt Warning Device，United States，US6239695B1［P］.May 29，2001.

［3］俞學群，武陽豐.機動車安全帶作用、使用現狀及干預策略［J］.中國預防醫學雜志，2008(5):440-441.

［4］Guido Becker，Thierry Mousel，Paul Schockmel.TOR(Total Occupant Recognition)System［C］.Proceedings of 17th International Technical Conference on the EnhanceSafety of Vehicles.CDROM，Amsterdam，Netherlands，2001:4.

［5］Luo Yurong，Liu Jianli，Shi Xiaotao.An Improved Method of RHT to Localize Circle Applied in Intelligent Transportation System［C］.International Conference on Audio，Language and Image Processing，Shanghai，China，2008.7:335-338.

［6］Kanade T.Picture Processing by Computer Complex and Recognition of Human Face［D］.Japan:Kyoto University，1973.

［7］張德豐.詳解MATLAB數字圖像處理［M］.北京:電子工業出版社，2010:201-205.

［8］Rafael C Gonzalez，Richard E Woods.Digital Image Processing［M］.Paramus:Prentice Hall，Inc，2002:482-486.

［9］馮建強，劉文波，于盛林.基于灰度積分投影的人眼定位［J］.計算機仿真，2005，22(4):75-77.