CN104331687A - 一种基于车载式视频分析的未系安全带行为检测方法 - Google Patents

Abstract

本发明公开了一种基于车载式视频分析的未系安全带行为检测方法，车载控制单元实时检测车辆运动情况，发现车辆运动后，则触发车载视频单元捕获动态视频信息，经图像预处理后划定驾驶人员位置区域，锁定佩戴安全带目标特征，启动DSP视频分析程序，发现司机未系安全带行为，启动车载报警模块并通过远程传输模块将信息发送到远程监管中心平台。该方法本图像帧间差分算法实时分析和检测动态视频图像的变化情况，识别和剔除无明显或特别变化的图像序列。对有显著运动或动态变化的图像序列进行动态行为识别和背景差异识别，再通过灰度积分投影算法确认驾驶人行车是否佩戴安全带行为，检测精度高、检测速度快。

Description

一种基于车载式视频分析的未系安全带行为检测方法

技术领域

本发明涉及动态图像的分析处理领域，尤其涉及的是一种基于车载式视频分析的未系安全带行为检测方法。

背景技术

视频监控图像处理技术的范畴很广，以前主要研究监控图像数字化、网络化问题技术，完善监控图像互联互通、信息共享、远程监控等功能。

随着我国大中城市近年来快速增加的安防、技防、交通监控***，监控录像的数量呈***性增长态势，安防人员想要盯紧所有监控画面以及要从海量的视频监控图像中找到需要的图像数据几乎不可能。

目前我国市场上传统的安全带检测方法是采用车载电子检测的方式，很多驾驶员直接将安全带扣进检测装置就可以“骗”过该装置，就不会报警了，逃避处罚。

发明内容

本发明的目的在于克服现有技术的不足，提供了一种基于车载式视频分析的未系安全带行为检测方法。

本发明是通过以下技术方案实现的：一种基于车载式视频分析的未系安全带行为检测方法，该方法包括如下步骤：

(1)、获取车载摄像机抓捕的实时监控视屏图像

(2)、动态视频图像预处理

(2.1)先将连续的多帧的监控视屏图像转换为灰度图像，提取两个或三个相邻帧，根据当前帧和相邻的前后帧的运动图像和背景图像的相对变化，再基于图像帧间差分法，算出大致运动目标的二值图；

(2.2)利用边缘检测法对步骤2.1中的二值图进行修正，再将修正后的二值图，划分为个区域，若某个区域的面积小于设定的阀值，则将其判定为背景和行为无明显变化的区域并抛弃，若区域的面积大于设定的阀值，则将其判定为背景和行为为明显变化的区域，预于保留且转入步骤(3)；

(3)、未系安全带行为检测

获得一个初始的背景，利用改进的高斯混合模型构建背景模型，当有新的物体加入到背景中或者原来背景中的物体消失，把图像的像素值看成是前景高斯分布和背景高斯分布的混合体，若图像的某点像素值符合前景高斯分布时，则该点属于前景目标；若图像的某点像素值符合背景高斯分布，则该点属于背景，并进行背景更新；对图像序列求平均值，利用下列公式更新背景：

B_k+1(i)＝B_k(i)+(α₁×M_k(i)+α₂×(1-M_k(i)))(C_k(i)-B_k(i))

式中：B_k(i)为当前背景中像素i的值，B_k+1(i)为更新后背景中像素i的值，C_k(i)为当前图像中像素i的值，α₁、α₂为更新系数，M_k(i)定义如下：

$M_k\left(i\right)=\left\{\begin{array}{cc}1& \mathrm{if}\left(\right|C_k\left(i\right)-B_k\left(i\right)|<T_b)\\ 0& \mathrm{else}\end{array}\right.$

由于噪声和背景的变化，当|C_k(i)-B_k(i)|<T_b时，认为当前的图像值为背景，否则当前的图像值为前景。

(4)未系安全带行为判定

采用基于灰度积分投影模型算法，将检测区域分割为不同区域，每个区域设置特征点，安全带有腰部横向佩戴和斜向上下方向佩戴两部分，

(4.1)通过水平积分投影和垂直投影建立数学模型，计算二值化图像的水平积分投影和垂直积分投影；

水平积分投影： $S_{\mathrm{Hor}}\left(y\right)=\underset{x=0}{\overset{n-1}{\mathrm{\&Sigma;}}}(x,y);$ 垂直积分投影： $S_{\mathrm{Ver}}\left(x\right)=\underset{Y=0}{\overset{m-1}{\mathrm{\&Sigma;}}}(x,y)$

式中：n为行有效像素，m为列有效像素，x为像素在图像中的横坐标，y为像素在图像中的纵坐标，

(4.2)设定区域特征值，将步骤4.1中得到的水平积分投影和垂直积分投影与区域特征值对比，判定是否系安全带行为。

作为上述方案的进一步优化，更新系数α₁＝0.1、α₂＝0.01时，B_k+1(i)＝B_k(i)+(α₁×M_k(i)+α₂×(1-M_k(i)))(C_k(i)-B_k(i))为最优模型，背景估计效果最好。

本发明相比现有技术具有以下优点：本发明的一种基于车载式视频分析的未系安全带行为检测方法，该方法融合视频图像智能分析和快速检索技术，将图像与事件描述之间建立一种映射关系，使计算机从纷繁的视频图像中快速分辩、识别出关键目标物体及其运动趋势等。识别精度高、识别结果清晰可辨、识别智能化程度和效率大幅度提高，并为交通违章执法提供强有力的技术支撑。。

附图说明

图1是本发明的一种基于车载式视频分析的未系安全带行为检测***的结构框体。

图2为本发明的一种基于车载式视频分析的未系安全带行为检测***的视频处理单元的通信连接结构示意图。

图3为本发明的一种基于车载式视频分析的未系安全带行为检测方法的流程图。

图4为规范佩戴安全带的投影结果图。

图5为不规范佩戴安全带的投影结果

具体实施方式

下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

参见图1和图2，一种基于车载式视频分析的未系安全带行为检测***，包括视频处理单元和信号传输控制单元。视频处理单元包括车载视频捕获单元、车载DSP行为分析单元和车载控制单元。车载视频捕获单元为置于车内前端的车载摄像机，且车载摄像机与车载DSP行为分析单元信号连接。车载摄像机内置MV-1394视频采集卡。

车载DSP行为分析单元设有ADC数模转换接口，且车载摄像机与车载DSP行为分析单元的ADC数模转换接口信号连接。车载DSP行为分析单元由MS320C6713芯片及其***电路组成。MS320C6713芯片设有ADC数模转换接口，车载摄像机与MS320C6713芯片上的ADC数模转换接口通信连接。

车载控制单元与车载DSP行为分析单元通过串口通信端口连接。车载控制单元由MC9S12G48芯片及其***电路组成。MS320C6713芯片内置图像分析软件，获取MV-1394视频采集卡的动态视频信息和MC9S12G48芯片中的车载控制信息，分析计算推导是否系安全带。

信号传输控制单元包括车载GPD导航仪、车载报警传输单元和车载报警器。车载GPD导航仪与车载报警传输单元串行通信连接，车载DSP行为分析单元通过车载报警传输单元与车载报警器信号连接。该一种基于车载式视频分析的未系安全带行为检测***通过无线与远程监控平台通信。

本发明的一种基于车载式视频分析的未系安全带行为检测***，控制单元实时检测车辆运动情况，发现车辆运动后触发车载视频单元捕获信息，经图像预处理后划定驾驶人员位置区域，锁定佩戴安全带目标特征，启动DSP视频分析程序，发现司机未系安全带行为，启动车载报警模块并通过远程传输模块将信息发送到远程监管中心平台。

一种基于车载式视频分析的未系安全带行为检测方法，参见图3，该方法包括如下步骤：

(1)、获取车载摄像机抓捕的实时监控视屏图像

车载控制单元实时检测车辆运动情况，当发现车辆运动，则触发车载视频单元捕获运动图像信息，并获取车载摄像机抓捕的实时监控视屏图像，进入步骤(2)。

(2)、动态视频图像预处理

(2.1)先将连续的多帧的监控视屏图像转换为灰度图像，提取两个或三个相邻帧，根据当前帧和相邻的前后帧的运动图像和背景图像的相对变化，再基于图像帧间差分法，算出大致运动目标的二值图。

帧间差分法对于动态环境具有较强的自适应性，处理速度快，具有实时性。而且该方法对同色的物体不敏感,故能很好的解决阴影问题。

(2.2)利用边缘检测法对步骤2.1中的二值图进行修正，再将修正后的二值图，划分为个区域，若某个区域的面积小于设定的阀值，则将其判定为背景和行为无明显变化的区域并抛弃，若区域的面积大于设定的阀值，则将其判定为背景和行为为明显变化的区域，预于保留且转入步骤(3)。

(3)、未系安全带行为检测

获得一个初始的背景，利用改进的高斯混合模型构建背景模型，当有新的物体加入到背景中或者原来背景中的物体消失，把图像的像素值看成是前景高斯分布和背景高斯分布的混合体，若图像的某点像素值符合前景高斯分布时，则该点属于前景目标；若图像的某点像素值符合背景高斯分布，则该点属于背景，并进行背景更新。对图像序列求平均值，采用Karmann基于卡尔曼滤波的更新公式来改进图像平均模型：

B_k+1(i)＝B_k(i)+(α₁×M_k(i)+α₂×(1-M_k(i)))(C_k(i)-B_k(i))

式中：B_k(i)为当前背景中像素i的值，B_k+1(i)为更新后背景中像素i的值，C_k(i)为当前图像中像素i的值，α₁、α₂为更新系数，M_k(i)定义如下：

$M_k\left(i\right)=\left\{\begin{array}{cc}1& \mathrm{if}\left(\right|C_k\left(i\right)-B_k\left(i\right)|<T_b)\\ 0& \mathrm{else}\end{array}\right.$

由于噪声和背景的变化，当|C_k(i)-B_k(i)|<T_b时，认为当前的图像值为背景，否则当前的图像值为前景。

根据当前的图像值是背景还是前景取不同的更新系数：α₁、α₂。当前的图像值属于背景时，用α₁更新，当前的图像值属于前景时，用α₂更新。若同时考虑α₁、α₂随时间变化，得到更新系数α₁(t)、α₂(t)。若考虑在不同的图像区域取不同的参数，得到更新系数α₁(t,x,y)、α₂(t,x,y)，其中t为时间坐标，x、y是像素在图像中的坐标。一般情况下，固定α₁、α₂的取值，取α₁＝0.1、α₂＝0.01就可以取得较好的效果。图像平均模型简单易行，计算量小，背景估计效果好。

(4)未系安全带行为判定

采用基于灰度积分投影模型算法，将检测区域分割为不同区域，每个区域设置特征点，安全带有腰部横向佩戴和斜向上下方向佩戴两部分。

(4.1)通过水平积分投影和垂直投影建立数学模型，计算二值化图像的水平积分投影和垂直积分投影；

水平积分投影： $S_{\mathrm{Hor}}\left(y\right)=\underset{x=0}{\overset{n-1}{\mathrm{\&Sigma;}}}(x,y);$ 垂直积分投影： $S_{\mathrm{Ver}}\left(x\right)=\underset{Y=0}{\overset{m-1}{\mathrm{\&Sigma;}}}(x,y)$

式中：n为行有效像素，m为列有效像素，x为像素在图像中的横坐标，y为像素在图像中的纵坐标。

(4.2)设定区域特征值，将步骤4.1中得到的水平积分投影和垂直积分投影与区域特征值对比，符合区域特征值则说明佩戴安全带，不符合区域特征值就说明为佩戴安全带。

水平投影积分算法是把图像的有效像素往水平方向做投影运算，当检测到符合佩戴安全带特征时，开始检测区域特征点定位，通过灰度积分投影模型算法解算出特征点的坐标并解析为是否佩戴的结果。同理，垂直投影积分算法是对垂直方向上的积分投影分布特征来对其进行检测，当图像垂直方向有效像素灰度均值发生变化时，这种变化会在垂直积分投影值上反映出来。

由水平积分投影和垂直积分投影公式可知，水平投影就是将一行所有的像素点的灰度值进行累加后再得出，垂直积分投影就是将垂直方向的像素点灰度值累加后再显示。根据水平和垂直灰度积分投影曲线，可以是否规范佩戴安全带。规范佩戴安全带的投影结果，参见附图4。不规范佩戴安全带的投影结果，参见附图5。

本发明的一种基于车载式视频分析的未系安全带行为检测方法，通过图像帧间差分算法实时分析和检测动态视频图像的变化情况，识别和剔除无明显或特别变化的图像序列。对有显著运动或动态变化的图像序列进行动态行为识别和背景差异识别，再通过灰度积分投影算法确认驾驶人行车是否佩戴安全带行为，检测精度高、检测速度快。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种基于车载式视频分析的未系安全带行为检测方法，其特征在于：该方法包括如下步骤：

(1)、获取车载摄像机抓捕的实时监控视屏图像

(2)、动态视频图像预处理

(2.1)先将连续的多帧的监控视屏图像转换为灰度图像，提取两个或三个相邻帧，根据当前帧和相邻的前后帧的运动图像和背景图像的相对变化，再基于图像帧间差分法，算出大致运动目标的二值图；

(2.2)利用边缘检测法对步骤2.1中的二值图进行修正，再将修正后的二值图，划分为个区域，若某个区域的面积小于设定的阀值，则将其判定为背景和行为无明显变化的区域并抛弃，若区域的面积大于设定的阀值，则将其判定为背景和行为为明显变化的区域，预于保留且转入步骤(3)；

(3)、未系安全带行为检测

获得一个初始的背景，利用改进的高斯混合模型构建背景模型，当有新的物体加入到背景中或者原来背景中的物体消失，把图像的像素值看成是前景高斯分布和背景高斯分布的混合体，若图像的某点像素值符合前景高斯分布时，则该点属于前景目标；若图像的某点像素值符合背景高斯分布，则该点属于背景，并进行背景更新采用基于卡尔曼滤波的更新公式来改进图像平均模型：

B_k+1(i)＝B_k(i)+(α₁×M_k(i)+α₂×(1-M_k(i)))(C_k(i)-B_k(i))

式中：B_k(i)为当前背景中像素i的值，B_k+1(i)为更新后背景中像素i的值，C_k(i)为当前图像中像素i的值，α₁、α₂为更新系数，M_k(i)定义如下：

$M_k\left(i\right)=\left\{\begin{array}{cc}1& \mathrm{if}\left(\right|C_k\left(i\right)-B_k\left(i\right)|<T_b)\\ 0& \mathrm{else}\end{array}\right.$

由于噪声和背景的变化，当|C_k(i)-B_k(i)|<T_b时，认为当前的图像值为背景，否则当前的图像值为前景；

(4)未系安全带行为判定

采用基于灰度积分投影模型算法，将检测区域分割为不同区域，每个区域设置特征点，安全带有腰部横向佩戴和斜向上下方向佩戴两部分，

(4.1)通过水平积分投影和垂直投影建立数学模型，计算二值化图像的水平积分投影和垂直积分投影；

水平积分投影： $S_{\mathrm{Hor}}\left(y\right)=\underset{x=0}{\overset{n-1}{\mathrm{\&Sigma;}}}(x,y);$ 垂直积分投影： $S_{\mathrm{Ver}}\left(x\right)=\underset{y=0}{\overset{m-1}{\mathrm{\&Sigma;}}}(x,y)$

式中：n为行有效像素，m为列有效像素，x为像素在图像中的横坐标，y为像素在图像中的纵坐标，

(4.2)设定区域特征值，将步骤4.1中得到的水平积分投影和垂直积分投影与区域特征值对比，符合区域特征值则说明佩戴安全带，不符合区域特征值就说明为佩戴安全带。

2.根据权利要求1所述的一种基于车载式视频分析的未系安全带行为检测方法，其特征在于：

更新系数α₁＝0.1、α₂＝0.01时，

B_k+1(i)＝B_k(i)+(α₁×M_k(i)+α₂×(1-M_k(i)))(C_k(i)-B_k(i))为最优模型，背景估计效果最优。