駕乘人員佩戴安全帶的自動檢測

吳裕鋒

摘 要：目前，道路交通復雜多變，安全態勢日趨嚴峻，為切實保護人民群眾安全出行，交警已采用普法宣傳、上路執法、人工篩查等方式；而國內外交通違法檢測主要集中在闖紅燈、超速、逆行等領域，極少涉及不系安全帶交通違法的自動檢測。本文綜合運用計算機圖像處理技術，通過車輛定位、車輛旋轉矯正、車窗定位、安全帶定位、圖像增強、安全帶佩戴判定等方法，實現對駕乘人員不系安全帶的圖像檢測。實驗結果表明，本方法有效解決了安全帶的識別與判定，檢測效果總體較理想。

關鍵詞：安全帶；卡口圖片；交通違法；計算機視覺；模式識別；圖像處理

1 前言

近年來，隨著我國經濟快速發展，機動車及駕駛人數量迅猛增長，交通事故死傷人數已連續十年高居世界第一。據交管部門統計，不系安全帶是交通事故死亡的主要原因之一，約每10萬人中約有2人因不系安全帶死亡，是酒駕死亡人數的十倍。研究數據表明，安全帶在交通事故碰撞過程中可減輕駕乘人員的傷害程度，平均可減少45%～73%的人員傷亡。

目前，交警已采用普法宣傳、上路糾違、人工篩查等方式，但上述措施覆蓋面窄，執法成本高、工作效率低、效果不佳。同時，國內外交通違法信息檢測還主要集中在闖紅燈、超速、逆行等領域，一直沒有涉及不系安全帶的交通違法信息。

隨著現代計算機技術及圖像技術的不斷發展，基于數字圖像處理的模式識別技術已廣泛應用于公安圖偵、交通管理等領域。因此，需要研究一種專門通過對諸如道路卡口圖片等圖像信息進行分析，利用計算機視覺與圖像處理算法，對圖像中車輛駕駛員的安全帶佩帶情況進行自動檢測的方法。

2 相關技術研究

2.1 計算機視覺

計算機視覺是使用計算機及相關設備對生物視覺的一種模擬。它的主要任務就是通過對采集的圖片或視頻進行處理以獲得相應場景的三維信息，與人類和其他許多生物的視覺密切相關。

計算機視覺是各應用領域（如制造業、檢驗、文檔分析、醫療診斷以及軍事等）中各種智能/自主系統中不可分割的一部分。由于其重要性，一些先進國家如美國把對計算機視覺與其他領域的關系研究列為對經濟和科學有廣泛影響的科學和工程中的重大基本問題，即所謂的重大挑戰（grand challenge）。

計算機視覺的挑戰是要為計算機和機器人開發具有與人類水平相當的視覺能力。機器視覺需要圖象信號，紋理和顏色建模，幾何處理和推理，以及物體建模。

2.2 模式識別

模式識別研究主要集中在兩方面，一是研究生物體（包括人）是如何感知對象的，屬于認識科學的范疇，二是在給定的任務下，如何用計算機實現模式識別的理論和方法。后者通過數學家、信息學專家和計算機科學工作者近幾十年來的努力，已經取得了系統的研究成果。

模式識別與統計學、心理學、語言學、計算機科學、生物學、控制論等都有關系。它與人工智能、圖像處理的研究有交叉關系。例如自適應或自組織的模式識別系統包含了人工智能的學習機制；又如模式識別中的預處理和特征抽取環節應用圖像處理的技術；圖像處理中的圖像分析也應用模式識別的技術。

2.2.1 圖像處理

圖像處理在我國國民經濟的許多領域已經得到廣泛的應用。農林部門通過遙感圖像了解植物生長情況，進行估產，監視病蟲害發展及治理；水利部門通過遙感圖像分析，獲取水害災情的變化；氣象部門用以分析氣象云圖，提高預報的準確程度；國防及測繪部門，使用航測或衛星獲得地域地貌及地面設施等資料。機械部門可以使用圖像處理技術，自動進行金相圖分析識別。醫療部門采用各種數字圖像技術對各種疾病進行自動診斷。

圖像處理技術在智能交通系統（ITS）中應用的研究，是ITS的重要前沿研究領域，具有十分重要的理論意義和應用價值。通過視覺可以獲得90%以上的環境信息，例如交通標志、交通信號、車道線、道路形狀、車輛、駕駛員、道路標記、障礙物等。

圖像處理技術在智能交通中的應用領域非常廣闊，大體上可分為基于視覺的智能車輛導航、基于視覺的交通監控和基于視覺的交通管理三大應用領域。本文主要涉及交通管理領域中的安全帶識別。

2.2.2 安全帶檢測方法

本文主要采用了Sobel邊緣檢測算子、Canny算法、Hear特征以及Adaboost機器學習算法等技術處理交通圖像，實現車輛定位、車輛旋轉矯正、車窗定位、安全帶定位、圖像增強、安全帶佩戴判定。如圖1所示：

（1）車輛定位

車輛定位主要用于判斷圖像中有幾輛完整車輛，并且確定車輛在圖像中的位置。

在車輛定位中使用車輛檢測器對靜態圖像中的車輛進行識別定位，此處用的車輛檢測器是一種基于哈爾（Haar）特征的級聯分類器。訓練步驟如圖2所示：首先收集車輛的正負樣本，在樣本收集階段盡量包括不同圖像源，不同場景，不同時間段，不同類型車輛的樣本；然后對機動車輛使用哈爾特征進行特征提取，利用Adaboost算法對特征進行選取得到級聯分類器；分類器訓練完成后使用測試圖片源（樣本圖片源以外的圖片）對分類器進行測試，將測試中的漏警目標作為正樣本，虛警目標作為負樣本加入樣本數據中，然后迭代幾次，重新訓練分類器以提高檢測的準確率。訓練完成后，即可以在輸入圖像中對車輛進行識別定位。

（2）車輛旋轉矯正

車輛旋轉矯正主要是將圖像中因為拍攝角度問題而稍有傾斜的車輛統一矯正到接近水平的位置，以提高后續安全帶檢測的準確性。

在實現車輛旋轉矯正過程中，首先在上一車輛定位的車輛區域中進行邊緣檢測，并且在保留橫向邊緣的同時抑制其他方向的邊緣；然后根據邊緣點的連通性對檢測到的邊緣進行分割分段；分析計算每個邊緣段的角度方向；最后根據所有邊緣段的方向估計車輛的旋轉角度并對整個車輛區域進行旋轉矯正，使得圖中車輛接近水平方向。如圖3所示：

（3）車窗定位

車窗定位就是確定車輛的前擋風玻璃位置，從而限定安全帶檢測的搜索區域。

對安全帶的檢測，其次是要定位車窗，而車窗與車牌有著相對固定的位置關系。通過定位簡單圖像，進而最后輔助定位困難圖像，也就是先定位車牌再定位車窗的方法。將車牌顏色投影到HSL色彩空間，對空間中車牌顏色可能出現的區域進行細致的刻畫，從過濾掉圖片的大多數區域，然后采取Sobel算子的橫向極大值計數的方法，抽取區域的紋理特征。對于車窗定位，選取車窗一角用統計學習的方法，得到車窗檢測器，以車牌為基準偏移一定方位后對區域作Adaboost判別，選取響應最大的位置坐標作為車窗角點坐標。通過以上步驟，實現了車窗定位，為后續安全帶的定位奠定基礎。如圖4所示：

特征提取方法提取的特征主要包括3部分，一是車輛檢測器中用到的哈爾（Haar）特征，二是方向梯度直方圖（Histogram of Oriented Gradient，HOG）特征，三是在將樣本圖片進行尺寸歸一化后測得的車窗位置、車窗高度等特征。需要指出的是①第三類特征只在車輛圖片是車輛正面時使用，②HOG特征數量很多，需要利用主成分分析（PCA）降維之后使用。

（4）安全帶定位

安全帶區域的定位主要有兩個目的：一是在車窗范圍內通過人臉檢測確定司乘人員數目及位置；二是根據人臉位置確定安全帶區域。

安全帶區域的定位方法：首先在車窗范圍內進行人臉檢測，通過人臉檢測的結果確定該位置是否有司乘人員；然后根據人臉在車窗中的相對位置確定安全帶檢測區域在人臉的左側還是右側，如圖5所示，安全帶檢測區域為正方形，寬度約為人臉檢測框寬度的2.5倍。

（6）安全帶佩戴判定

安全帶佩戴判定流程（由圖7所示）：首先對增強后的圖像進行邊緣檢測（由圖8所示），根據邊緣檢測的結果對各條邊緣線段進行分析，結合線段的方向、長度、位置連通性等等因素，分析是否檢測到安全帶；如果檢測到安全帶，判定該人員未違章；如果未檢測到安全帶，繼續檢測是否有司乘人員完整的肩部線條；如果檢測到完整肩部線條則判定為該人員違章，否則判定為不確定是否違章。檢測肩部線條的方法是基于盡量減少算法誤判的原則而采用的，因為在某些特殊條件下（例如環境光線特別差，或者安全帶顏色、座椅顏色和司乘人員衣物顏色很接近等），未檢測到安全帶并不一定是未佩戴安全帶，這種情況下即使判定為違章也很難做出有效處罰。

3 結論及改進

綜上所述，本文運用計算機視覺技術，結合ITS圖像處理、機器學習和模式識別技術，研究車輛定位、車輛旋轉矯正、車窗定位、安全帶定位、圖像增強、安全帶佩戴判定等方法。實驗結果表明，本方法可有效解決車輛及車窗的定位，安全帶的定位、識別與判定，最終檢測結果的可靠性、精度和效率方面總體效果較好。

經過研究，在以下幾個方面仍然有待改進和提高：

（1）車窗定位

由于車窗的特殊材料造成的反光現象導致圖像中車窗位置模糊不清，對識別造成一定干擾，同時不同車型，不用拍攝角度下，乘客位置差異較大，因此需要再對乘客位置進行定位；

（2）安全帶定位

由于安全帶顏色未知，安全帶定位難度加大；

（3）安全帶佩戴判定

流程已優化，判斷步驟方法合理，但鑒于駕乘人員上衣顏色及紋理與安全帶的可能非常接近，容易導致檢測結果的誤判定。

本文的檢測方法還適用于分布式系統或計算模式，在各個處理器上部署各子塊的計算和處理，進一步提高運行效率。

參考文獻

[1]史海成，王春艷，張媛媛.淺談模式識別[J].今日科苑，2007，（22）：169.

[2]楊明，宋雪峰.面向智能交通系統的圖像處理[J].計算機工程與應用，2001，37（9）：4-7.

[3]魏武，張起森，王明俊，等.基于計算機視覺和圖像處理的交通參數檢測[J].信息與控制，2001，30（3）：257-261.

[4]李文舉.智能交通中圖像處理技術應用的研究[J].大連海事大學學報，2004，6（3）：41-46.

[5]史忠科，曹力.交通圖像檢測與分析[M].科學出版社，2007.

（作者單位：廣州市交通管理科學技術研究所）