CN106650567B - 一种安全带检测方法和装置 - Google Patents
一种安全带检测方法和装置 Download PDFInfo
- Publication number
- CN106650567B CN106650567B CN201610792780.7A CN201610792780A CN106650567B CN 106650567 B CN106650567 B CN 106650567B CN 201610792780 A CN201610792780 A CN 201610792780A CN 106650567 B CN106650567 B CN 106650567B
- Authority
- CN
- China
- Prior art keywords
- area
- straight line
- safety belt
- belt detection
- line segment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 254
- 238000000034 method Methods 0.000 claims abstract description 37
- 230000009466 transformation Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000009499 grossing Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
- G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请实施例公开了一种安全带检测方法和装置,获取对道路上的车辆行驶情况进行拍摄得到的图像;对所述图像进行车辆检测,分割出车辆图像区域;在所述车辆图像区域中检测车窗区域,并在车窗区域中检测人脸区域和/或方向盘区域;基于所述人脸区域和/或方向盘区域确定安全带检测区域;在所述安全带检测区域中提取直线段,基于所述提取的直线段确定所述安全带检测区域中是否包含安全带。实现安全带检测过程智能化、自动化和高效化。
Description
技术领域
本发明涉及信息检测技术领域,更具体地说,涉及一种安全带检测方法和装置。
背景技术
目前,大多数交警部门在进行安全带检测时都采用人工肉眼判断,而人工判断不但准确性和时效性因人而异,且海量的交通监控数据使得人工检测耗费的人力成本相当巨大。因此,如何将安全带检测过程智能化,自动化,高效化成为交警部门的迫切需求。
发明内容
本发明的目的是提供一种安全带检测方法和装置,以实现安全带检测过程智能化,自动化和高效化。
为实现上述目的,本发明提供了如下技术方案:
一种安全带检测方法,包括:
获取对道路上的车辆行驶情况进行拍摄得到的图像;
对所述图像进行车辆检测,分割出车辆图像区域;
在所述车辆图像区域中检测车窗;
在车窗区域中检测人脸区域和/或方向盘区域;
基于所述人脸区域和/或方向盘区域确定安全带检测区域;
在所述安全带检测区域中提取直线段,基于所提取的直线段确定所述安全带检测区域中是否包含安全带。
上述方法,优选的,所述在车窗区域中检测人脸区域和/或方向盘区域包括:
在所述车窗区域中确定目标区域,所述目标区域为驾驶员检测候选区域,或者,为乘车人员检测候选区域;
在所述目标区域中检测人脸区域和/或方向盘区域。
上述方法,优选的,所述在所述安全带检测区域中提取直线段,基于所提取的直线段确定所述安全带检测区域中是否包含安全带包括:
在所述安全带检测区域中检测倾斜角度在预设角度范围内,且长度大于预设长度阈值的直线段;
若所述安全带检测区域中未检测到倾斜角度在所述预设范围内,且长度大于预设长度阈值的直线段,确定所述安全带检测区域中未包含安全带;
若所述安全带检测区域中存在有两条平行直线段,且所述两条平行直线段之间的距离在预置的距离范围内,确定所述安全带检测区域中包含安全带;
若所述安全带检测区域中仅存在一条直线段,则沿着与该直线段中心点的梯度相同或相反方向进行搜索,若在距离该直线段的所述距离范围内存在梯度相反的边缘点,则以该边缘点为边界,生成一条与该直线段平行的新的直线段,在该直线段与所述新的直线段之间的区域内确定亮度差值小于预设差值阈值的像素点的个数,若所确定的个数占所述区域内的像素点的总数的百分比大于预设百分比阈值,确定所述安全带检测区域中包含安全带。
上述方法,优选的,所述在所述安全带检测区域中检测倾斜角度在预设角度范围内,且长度大于预设长度阈值的直线段包括:
基于相邻像素灰度对数差在所述安全带检测区域中提取边缘特征;
对提取的边缘特征进行概率Hough变换,得到若干直线段,以及各条直线段的起止位置;
从所述若干条直线段中选择倾斜角度在预设角度范围内,且长度大于预设长度阈值的直线段。
上述方法,优选的,还包括:
若所述安全带检测区域中未检测到安全带,则提取所述安全带检测区域的方向梯度直方图特征;
基于所述方向梯度直方图特征,使用已经训练好的分类器检测所述安全带检测区域中是否存在安全带。
一种安全带检测装置,包括:
获取模块,用于获取对道路上的车辆行驶情况进行拍摄得到的图像;
第一检测模块,用于对所述图像进行车辆检测,分割出车辆图像区域;
第二检测模块,用于在所述车辆图像区域中检测车窗;
第三检测模块,用于在车窗区域人脸区域和/或方向盘区域;
第一确定模块,用于基于所述人脸区域和/或方向盘区域确定安全带检测区域;
第二确定模块,用于在所述安全带检测区域中提取直线段,基于所述提取的直线段确定所述安全带检测区域中是否包含安全带。
上述装置,优选的,所述第三检测模块包括:
第一确定单元,用于在所述车窗区域中确定目标区域,所述目标区域为驾驶员检测候选区域,或者,为乘车人员检测候选区域;
第一检测单元,用于在所述目标区域中检测人脸区域和/或方向盘区域。
上述装置,优选的,所述第二确定模块,包括:
第二检测单元,用于在所述安全带检测区域中检测倾斜角度在预设角度范围内,且长度大于预设长度阈值的直线段;
第二确定单元,用于若所述安全带检测区域中未检测到倾斜角度在预设范围内,且长度大于预设长度阈值的直线段,确定所述安全带检测区域中未包含安全带;
第三确定单元,用于若所述安全带检测区域中存在有两条平行直线段,且所述两条平行直线段之间的距离在预置的距离范围内,确定所述安全带检测区域中包含安全带;
第四确定单元,用于若所述安全带检测区域中仅存在一条直线段,则沿着与该直线段中心点的梯度相同或相反方向进行搜索,若在距离该直线段的所述距离范围内存在梯度相反的边缘点,则以该边缘点为边界,生成一条与该直线段平行的新的直线段,在该直线段与所述新的直线段之间的区域内确定亮度差值小于预设差值阈值的像素点的个数,若所确定的个数占所述区域内的像素点的总数的百分比大于预设百分比阈值,确定所述安全带检测区域中包含安全带。
上述装置,优选的,所述第二检测单元包括:
提取子单元,用于基于相邻像素灰度对数差在所述安全带检测区域中提取边缘特征;
变换子单元,用于对提取的边缘特征进行概率Hough变换,得到若干直线段,以及各条直线段的起止位置;
选择子单元,用于从所述若干条直线段中选择倾斜角度在预设角度范围内,且长度大于预设长度阈值的直线段。
上述装置,优选的,还包括:
提取模块,用于若所述第二确定模块未在安全带检测区域中检测到安全带,则提取所述安全带检测区域的方向梯度直方图特征;
分类检测模块,用于基于所述方向梯度直方图特征,使用已经训练好的分类器检测所述安全带检测区域中是否存在安全带。
通过以上方案可知,本申请提供的一种安全带检测方法和装置,获取对道路上的车辆行驶情况进行拍摄得到的图像;对所述图像进行车辆检测,分割出车辆图像区域;在所述车辆图像区域中检测车窗区域,并在车窗区域中检测人脸区域和/或方向盘区域;基于所述人脸区域和/或方向盘区域确定安全带检测区域;在所述安全带检测区域中提取直线段,基于所述提取的直线段确定所述安全带检测区域中是否包含安全带。实现安全带检测过程智能化、自动化和高效化。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的安全带检测方法的一种实现流程图;
图2为本申请实施例提供的在车窗区域中检测人脸区域和/或方向盘区域的一种实现流程图;
图3为本申请实施例提供的在安全带检测区域中检测倾斜角度在预设角度范围内,且长度大于预设长度阈值的直线段的一种实现流程图;
图4为本申请实施例提供的安全带检测装置的一种结构示意图;
图5为本申请实施例提供的第三检测模块的一种结构示意图;
图6为本申请实施例提供的第二确定模块的一种结构示意图;
图7为本申请实施例提供的安全带检测装置的另一种结构示意图。
说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的部分,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示的以外的顺序实施。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,图1为本申请实施例提供的安全带检测方法的一种实现流程图,可以包括:
步骤S11:获取对道路上的车辆行驶情况进行拍摄得到的图像;
由于是对安全带进行检测,而安全带的最佳可视范围是车辆的前挡风车窗区域,因此本申请实施例中,在对道路上的车辆行驶情况进行拍摄时,应对车辆的正面进行拍摄,以便能够拍摄到车辆的前挡风车窗区域,进而对安全带进行检测。具体的,拍摄设备的摄像头的朝向应与道路上车辆的行驶方向相反,从而车辆经过拍摄设备的拍摄区域时,能够拍摄到车辆的正面图像。
步骤S12:对获取的图像进行车辆检测,分割出车辆图像区域;
可以计算所获取图像的梯度分布,根据该梯度分布信息来确定车底的阴影候选区域,根据该车底阴影候选区域提取车辆图像区域。该方法鲁棒性比较强,分割结果受阴影、复杂光照等方面的影响较小。
步骤S13:在车辆图像区域中检测车窗,分割出车窗区域;
可选的,可以基于AdaBoost方法在车辆图像区域内分割出车窗区域。AdaBoost方法是基于Haar-like特征实现的。标准的Haar-like特征有15种,如图3所示,包括四类:边缘特征、线特征、点特征(中心特征)和对角线特征。
本发明实施例中,对Haar-like特征进行了扩展,除了包括图3所示的15种特征还,还新增了拐角特征,如图4所示,为本发明实施例扩展的4种Haar-like特征,加上标准的15种Haar-like特征,共19种Haar-like特征。
基于AdaBoost方法在车辆图像区域内分割出车窗区域的具体实现方式可以为:
通过样本库构建AdaBoost级联分类器;其中样本库中的正样本为车辆的车窗(即前挡风窗)位置的图像(该图像中具有完整的车窗),负样本为与车窗位置的重合度不大于30%的车辆其它区域图像;
通过上述19种Haar-like特征对车辆图像进行训练构成弱分类器,然后通过Adaboost将弱分类器叠加串联构成级联强分类器
利用所述训练好的AdaBoost级联分类器,对车辆图像区域进行检测,完成车窗定位。
通过实验对比发现,在扩展Haar-like特征后,基于AdaBoost方法的车窗定位方法的鲁棒性更强,定位准确率更高,明显提升了在复杂环境下的车窗定位效果。
步骤S14:在车窗区域中检测人脸区域和/或方向盘区域;
对于驾驶员的位置(即主驾驶位置),可以只检测人脸区域,或者,可以只检测方向盘区域,或者,既检测人脸区域,又检测方向盘区域。
对于副驾驶的位置,由于没有方向盘,则可以只检测人脸区域。
步骤S15:基于人脸区域和/或方向盘区域确定安全带检测区域;
本实施例中以基于国内驾驶规则为例说明安全带检测区域的具体过程。
若只检测人脸区域,则根据人脸区域确定安全带检测区域的实现方式可以为:
对于主驾驶区域,安全带检测区域确定方式为:
xs=xf-α×widthf,
widths=xw+widthw-xs,
heights=yw+heightw-ys,
对于副驾驶区域,安全带检测区域确定方式为:
xs=xw
widths=xf+α×widthf,
heights=yw+heightw-ys,
其中,(xw,yw)为车窗区域左上顶点的坐标;widthw为车窗区域的宽度;heightw为车窗区域的高度;(xf,yf)为人脸区域左上顶点的坐标;widthf为人脸区域的宽度;heightf为人脸区域的高度;(xs,ys)为安全带检测区域的左上顶点的坐标;widths为安全带检测区域的宽度;heights为安全带检测区域的高度;α为为预置系数,可根据使用情况设定,可选的,α的取值可以为1。
若只检测方向盘区域,则可根据方向盘区域确定安全带检测区域的实现方式可以为:
xs=x0,
ys=yw,
widths=xw+widthw-xs,
heights=y0-ys,
其中,(x0,y0)为拟合出的方向盘的中心坐标;(xs,ys)为安全带检测区域的左上顶点的坐标;(xw,yw)为车窗区域左上顶点的坐标;widthw为车窗区域的宽度;widths为安全带检测区域的宽度;heights为安全带检测区域的高度。
若既检测人脸区域,又检测方向盘区域,则根据人脸区域和方向盘区域确定安全带检测区域的实现方式可以为:
xs=min(x0,xf-α×widthf),
widths=xw+widthw-xs,
heights=y0-ys,
(xs,ys)为安全带检测区域的左上顶点的坐标;(x0,y0)为拟合出的方向盘的中心坐标;(xf,yf)为人脸区域左上顶点的坐标;xw为车窗区域左上顶点的x轴的坐标;widths为安全带检测区域的宽度;heights为安全带检测区域的高度;widthf为人脸区域的宽度;heightf为人脸区域的高度;widthw为车窗区域的宽度。
根据人脸区域和/或方向盘区域确定安全带检测区域,在安全带检测区域检测安全带,使得安全带检测结果更加精确。降低误检的概率。
步骤S16:在安全带检测区域中提取直线段,基于所提取的直线段确定安全带检测区域中是否包含安全带。
由于安全带通常为直条形片状,因此,通过所提取的直线段可以确定安全带检测区域中是否包含安全带。
本申请实施例提供的安全带检测方法,获取对道路上的车辆行驶情况进行拍摄得到的图像;对所述图像进行车辆检测,分割出车辆图像区域;在所述车辆图像区域中检测车窗区域,并在车窗区域中检测人脸区域和/或方向盘区域;基于所述人脸区域和/或方向盘区域确定安全带检测区域;在所述安全带检测区域中提取直线段,基于所述提取的直线段确定所述安全带检测区域中是否包含安全带。实现安全带检测过程智能化、自动化和高效化。
可选的,本申请实施例提供的在车窗区域中检测人脸区域和/或方向盘区域的一种实现流程图如图2所示,可以包括:
步骤S21:在车窗区域中确定目标区域,该目标区域为驾驶员检测候选区域,或者,为副驾驶乘车人员检测候选区域;
对于符合中国的行车习惯(靠右行驶)的车辆,若检测驾驶员是否系安全带,则将车窗区域的右侧区域作为驾驶员检测候选区。若检测副驾驶乘车人员是否系安全带,则将车窗区域的左侧区域作为副驾驶乘车人员检测候选区域。
目标区域的大小可以通过实验确定,以保证目标区域包括完整的驾驶员图像或完整的副驾驶乘车人员图像。
步骤S22:在目标区域中检测人脸区域和/或方向盘区域。
为减少图像中的噪声,可以在目标区域中检测人脸区域和/或方向盘区域之前,先采用高斯平滑滤波器对目标区域进行平滑滤波,以提高人脸区域和/或方向盘区域的检测精度。然后在平滑滤波后的目标区域中检测人脸区域和/或方向盘区域。
可选的,由于方向盘的边缘近似与两个圆弧,因此,可以采用随机Hough变换的方法在目标区域中进行圆弧(圆、椭圆等)检测。通过随机Hough变换的方法,可以拟合得到椭圆的圆心坐标(x0,y0)和椭圆的半径,圆心坐标(x0,y0)即前述方向盘的中心坐标。
可选的,本申请实施例提供的在安全带检测区域中提取直线段,基于所提取的直线段确定安全带检测区域中是否包含安全带的一种实现方式可以为:
在安全带检测区域中检测倾斜角度在预设角度范围内,且长度大于预设长度阈值的直线段;
在安全带检测区域中,可能检测不到倾斜角度在预设角度范围内,且长度大于预设长度预置的直线段;也可能只检测到一条倾斜角度在预设角度范围内,且长度大于预设长度预置的直线段;或者,检测到两条或更多条倾斜角度在预设角度范围内,且长度大于预设长度预置的直线段。
若安全带检测区域中未检测到倾斜角度在预设范围内,且长度大于预设长度阈值的直线段,确定安全带检测区域中未包含安全带;
若安全带检测区域中存在有两条平行直线段,且该两条平行直线段之间的距离在预置的距离范围内,确定安全带检测区域中包含安全带;
也就是说,若在安全带检测区域中检测到至少两条直线段,则判断该至少两条直线段中,是否存在两条相互平行的直线段,且该两条相互平行的直线段之间的距离在预置的距离范围内,若存在满足上述条件的两条直线段,则定安全带检测区域中包含安全带。
若安全带检测区域中仅存在一条直线段(为方便叙述,记为第一直线段),则沿着与第一直线段中心点的梯度相同或相反方向进行搜索,若在距离该直线段的上述距离范围内存在梯度相反的边缘点,则以该边缘点为边界,生成一条与该直线段平行的新的直线段(为方便叙述,记为第二直线段),在第一直线段与第二直线段之间的区域内确定亮度差值小于预设差值阈值的像素点的个数,若所确定的个数占第一直线段与第二直线段之间的区域内的像素点的总数的百分比大于预设百分比阈值,确定安全带检测区域中包含安全带。
可选的,本发明实施例提供的在安全带检测区域中检测倾斜角度在预设角度范围内,且长度大于预设长度阈值的直线段的一种实现流程图如图3所示,可以包括:
步骤S31:基于相邻像素灰度对数差在安全带检测区域中提取边缘特征;
具体的,边缘特征检测过程可以为:
对于任意一个像素点a(i,j),计算与该像素点相邻的四个像素点(a(i-1,j),a(i+1,j),a(i,j+1),a(i,j-1))的对数值,计算像素点a(i,j)的左右两个像素点的对数值的差值的绝对值,以及像素点a(i,j)的上下两个像素点的对数值的差值的绝对值;若计算得到的两个绝对值均大于预设的边缘阈值,则确定像素点a(i,j)为边缘点,即该像素点a(i,j)为一个边缘特征点。
步骤S32:对提取的边缘特征进行概率Hough变换(PPHT),得到若干直线段,以及各条直线段的起止位置;
通过直线段的起止位置可以计算出直线段的长度,以及直线段的倾斜角度。
步骤S33:从上述若干条直线段中选择倾斜角度在预设角度范围内,且长度大于预设长度阈值的直线段。
可选的,本发明实施例提供的安全带检测方法还可以包括:
若通过上述方法未在安全带检测检测区域检测到安全带,则可以对安全带检测区域进行二次检测,以降低漏检率。对安全带检测区域进行二次检测的具体实现方式可以为:
提取安全带检测区域的方向梯度直方图特征(HOG特征);
基于提取的方向梯度直方图特征,使用已经训练好的分类器(如SVM分类器)检测安全带检测区域中是否存在安全带。
与方法实施例相对应,本申请实施例还提供一种安全带检测装置。本申请实施例提供的安全带检测装置的一种结构示意图如图4所示,可以包括:
获取模块41,第一检测模块42,第二检测模块43,第三检测模块44,第一确定模块45和第二确定模块46;其中,
获取模块41用于获取对道路上的车辆行驶情况进行拍摄得到的图像;
由于是对安全带进行检测,而安全带的最佳可视范围是车辆的前挡风车窗区域,因此本申请实施例中,在对道路上的车辆行驶情况进行拍摄时,应对车辆的正面进行拍摄,以便能够拍摄到车辆的前挡风车窗区域,进而对安全带进行检测。具体的,拍摄设备的摄像头的朝向应与道路上车辆的行驶方向相反,从而车辆经过拍摄设备的拍摄区域时,能够拍摄到车辆的正面图像。
第一检测模块42用于对所述图像进行车辆检测,分割出车辆图像区域;
可以计算所获取图像的梯度分布,根据该梯度分布信息来确定车底的阴影候选区域,根据该车底阴影候选区域提取车辆图像区域。该方法鲁棒性比较强,分割结果受阴影、复杂光照等方面的影响较小。
第二检测模块43用于在所述车辆图像区域中检测车窗,分割出车窗区域;
可选的,可以基于AdaBoost方法在车辆图像区域内分割出车窗区域。AdaBoost方法是基于Haar-like特征实现的。标准的Haar-like特征有15种,如图3所示,包括四类:边缘特征、线特征、点特征(中心特征)和对角线特征。
本发明实施例中,对Haar-like特征进行了扩展,除了包括图3所示的15种特征还,还新增了拐角特征,如图4所示,为本发明实施例扩展的4种Haar-like特征,加上标准的15种Haar-like特征,共19种Haar-like特征。
基于AdaBoost方法在车辆图像区域内分割出车窗区域的具体实现方式可以为:
通过样本库构建AdaBoost级联分类器;其中样本库中的正样本为车辆的车窗位置的图片,负样本为与车窗位置的重合度不大于30%的车辆其它区域图像;
通过上述19种Haar-like特征对车辆图像进行训练构成弱分类器,然后通过Adaboost将弱分类器叠加串联构成级联强分类器。
利用所述训练好的AdaBoost级联分类器,对车辆图像区域进行检测,完成车窗定位。
通过实验对比发现,在扩展Haar-like特征后,基于AdaBoost方法的车窗定位方法的鲁棒性更强,定位准确率更高,明显提升了在复杂环境下的车窗定位效果。
第三检测模块44,用于在车窗区域中检测人脸区域和/或方向盘区域;
对于驾驶员的位置(即主驾驶位置),可以只检测人脸区域,或者,可以只检测方向盘区域,或者,既检测人脸区域,又检测方向盘区域。
对于副驾驶的位置,由于没有方向盘,则可以只检测人脸区域。
第一确定模块45用于基于所述人脸区域和/或方向盘区域确定安全带检测区域;
本实施例中以基于国内驾驶规则为例说明安全带检测区域的具体过程。
若只检测人脸区域,则根据人脸区域确定安全带检测区域的实现方式可以为:
对于主驾驶区域,安全带检测区域确定方式为:
xs=xf-α×widthf,
widths=xw+widthw-xs,
heights=yw+heightw-ys,
对于副驾驶区域,安全带检测区域确定方式为:
xs=xw
widths=xf+α×widthf,
heights=yw+heightw-ys,
其中,(xw,yw)为车窗区域左上顶点的坐标;widthw为车窗区域的宽度;heightw为车窗区域的高度;(xf,yf)为人脸区域左上顶点的坐标;widthf为人脸区域的宽度;heightf为人脸区域的高度;(xs,ys)为安全带检测区域的左上顶点的坐标;widths为安全带检测区域的宽度;heights为安全带检测区域的高度;α为为预置系数,可选的,α的取值可以为1。
若只检测方向盘区域,则可根据方向盘区域确定安全带检测区域的实现方式可以为:
xs=x0,
ys=yw,
widths=xw+widthw-xs,
heights=y0-ys,
其中,(x0,y0)为拟合出的方向盘的中心坐标;(xs,ys)为安全带检测区域的左上顶点的坐标;(xw,yw)为车窗区域左上顶点的坐标;widthw为车窗区域的宽度;widths为安全带检测区域的宽度;heights为安全带检测区域的高度。
若既检测人脸区域,又检测方向盘区域,则根据人脸区域和方向盘区域确定安全带检测区域的实现方式可以为:
xs=min(x0,xf-α×widthf),
widths=xw+widthw-xs,
heights=y0-ys,
(xs,ys)为安全带检测区域的左上顶点的坐标;(x0,y0)为拟合出的方向盘的的中心坐标;(xf,yf)为人脸区域左上顶点的坐标;xw为车窗区域左上顶点的x轴的坐标;widths为安全带检测区域的宽度;heights为安全带检测区域的高度;widthf为人脸区域的宽度;heightf为人脸区域的高度;widthw为车窗区域的宽度。
根据人脸区域和/或方向盘区域确定安全带检测区域,在安全带检测区域检测安全带,使得安全带检测结果更加精确。降低误检的概率。
第二确定模块46用于在所述安全带检测区域中提取直线段,基于所述提取的直线段确定所述安全带检测区域中是否包含安全带。
由于安全带通常为直条形片状,因此,通过所提取的直线段可以确定安全带检测区域中是否包含安全带。
本申请实施例提供的安全带检测装置,取对道路上的车辆行驶情况进行拍摄得到的图像;对所述图像进行车辆检测,分割出车辆图像区域;在所述车辆图像区域中检测车窗区域,并在车窗区域中检测人脸区域和/或方向盘区域;基于所述人脸区域和/或方向盘区域确定安全带检测区域;在所述安全带检测区域中提取直线段,基于所述提取的直线段确定所述安全带检测区域中是否包含安全带。实现安全带检测过程智能化、自动化和高效化。
可选的,本申请实施例提供的第三检测模块44的一种结构示意图如图5所示,可以包括:
第一确定单元51和第一检测单元52;其中,
第一确定单元51用于在所述车窗区域中确定目标区域,所述目标区域为驾驶员检测候选区域,或者,为乘车人员检测候选区域;
对于符合中国的行车习惯(靠右行驶)的车辆,若检测驾驶员是否系安全带,则将车窗区域的右侧区域作为驾驶员检测候选区。若检测副驾驶乘车人员是否系安全带,则将车窗区域的左侧区域作为副驾驶乘车人员检测候选区域。
目标区域的大小可以通过实验确定,以保证目标区域包括完整的驾驶员图像或完整的副驾驶乘车人员图像。
第一检测单元52用于在所述目标区域中检测人脸区域和/或方向盘区域。
为减少图像中的噪声,可以在目标区域中检测人脸区域和/或方向盘区域之前,先采用高斯平滑滤波器对目标区域进行平滑滤波,以提高人脸区域和/或方向盘区域的检测精度。然后在平滑滤波后的目标区域中检测人脸区域和/或方向盘区域。
可选的,由于方向盘的边缘近似与两个圆弧,因此,可以采用随机Hough变换的方法在目标区域中进行圆弧检测。
可选的,本申请实施例提供的第二确定模块46的一种结构示意图如图6所示,可以包括:
第二检测单元61,第二确定单元62,第三确定单元63和第四确定单元64;其中,
第二检测单元61用于在所述安全带检测区域中检测倾斜角度在预设角度范围内,且长度大于预设长度阈值的直线段;
在安全带检测区域中,可能检测不到倾斜角度在预设角度范围内,且长度大于预设长度预置的直线段;也可能只检43测到一条倾斜角度在预设角度范围内,且长度大于预设长度预置的直线段;或者,检测到两条或更多条倾斜角度在预设角度范围内,且长度大于预设长度预置的直线段。
第二确定单元62用于若所述安全带检测区域中未检测到倾斜角度在预设范围内,且长度大于预设长度阈值的直线段,确定所述安全带检测区域中未包含安全带;
第三确定单元63用于若所述安全带检测区域中存在有两条平行直线段,且所述两条平行直线段之间的距离在预置的距离范围内,确定所述安全带检测区域中包含安全带;
也就是说,若在安全带检测区域中检测到至少两条直线段,则判断该至少两条直线段中,是否存在两条相互平行的直线段,且该两条相互平行的直线段之间的距离在预置的距离范围内,若存在满足上述条件的两条直线段,则定安全带检测区域中包含安全带。
第四确定单元64用于若安全带检测区域中仅存在一条直线段(为方便叙述,记为第一直线段),则沿着与第一直线段中心点的梯度相同或相反方向进行搜索,若在距离该直线段的上述距离范围内存在梯度相反的边缘点,则以该边缘点为边界,生成一条与该直线段平行的新的直线段(为方便叙述,记为第二直线段),在第一直线段与第二直线段之间的区域内确定亮度差值小于预设差值阈值的像素点的个数,若所确定的个数占第一直线段与第二直线段之间的区域内的像素点的总数的百分比大于预设百分比阈值,确定安全带检测区域中包含安全带。
可选的,本申请实施例提供的第二检测单元61可以包括:
提取子单元,用于基于相邻像素灰度对数差在所述安全带检测区域中提取边缘特征;
具体的,边缘特征检测过程可以为:
对于任意一个像素点a(i,j),计算与该像素点相邻的四个像素点(a(i-1,j),a(i+1,j),a(i,j+1),a(i,j-1))的对数值,计算像素点a(i,j)的左右两个像素点的对数值的差值的绝对值,以及像素点a(i,j)的上下两个像素点的对数值的差值的绝对值;若计算得到的两个绝对值均大于预设的边缘阈值,则确定像素点a(i,j)为边缘点,即该像素点a(i,j)为一个边缘特征点。
变换子单元,用于对提取的边缘特征进行概率Hough变换,得到若干直线段,以及各条直线段的起止位置;
通过直线段的起止位置可以计算出直线段的长度,以及直线段的倾斜角度。
选择子单元,用于从所述若干条直线段中选择倾斜角度在预设角度范围内,且长度大于预设长度阈值的直线段。
可选的,在图4所示实施例的基础上,本申请实施例提供的安全带检测装置的另一种结构示意图如图7所示,还可以包括:
提取模块71,用于若所述第二确定模块46未在安全带检测区域中检测到安全带,则提取所述安全带检测区域的方向梯度直方图特征(HOG特征);
分类检测模块72用于基于所述方向梯度直方图特征,使用已经训练好的分类器(如SVM分类器)检测所述安全带检测区域中是否存在安全带。
本实施例中,若未在安全带检测区域中检测到安全带,则对安全带检测区域进行二次检测,以降低漏检率。
结合本发明公开内容所描述的方法或者算法的步骤可以硬件的方式来实现,也可以是由处理器执行软件指令的方式来实现。软件指令可以由相应的软件模块组成,软件模块可以被存放于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动硬盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。另外,该ASIC可以位于用户设备中。当然,处理器和存储介质也可以作为分立组件存在于用户设备中。
本领域技术人员应该可以意识到,在上述一个或多个示例中,本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时,可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种安全带检测方法,其特征在于,包括:
获取对道路上的车辆行驶情况进行拍摄得到的图像;
对所述图像进行车辆检测,分割出车辆图像区域;
在所述车辆图像区域中检测车窗;
在车窗区域中检测人脸区域和方向盘区域;
基于所述人脸区域和方向盘区域确定安全带检测区域,具体包括:按照如下方式计算所述安全带检测区域:
xs=min(x0,xf-α×widthf),
widths=xw+widthw-xs,
heights=y0-ys,
其中,(xs,ys)为所述安全带检测区域的左上顶点的坐标;(x0,y0)为拟合出的方向盘的中心坐标;(xf,yf)为所述人脸区域左上顶点的坐标;xw为所述车窗区域左上顶点的x轴的坐标;widths为所述安全带检测区域的宽度;heights为所述安全带检测区域的高度;widthf为所述人脸区域的宽度;heightf为所述人脸区域的高度;widthw为所述车窗区域的宽度;α为预置系数;
在所述安全带检测区域中提取直线段,基于所提取的直线段确定所述安全带检测区域中是否包含安全带。
2.根据权利要求1所述的方法,其特征在于,所述在车窗区域中检测人脸区域和方向盘区域包括:
在所述车窗区域中确定目标区域,所述目标区域为驾驶员检测候选区域;
在所述目标区域中检测人脸区域和方向盘区域。
3.根据权利要求1所述的方法,其特征在于,所述在所述安全带检测区域中提取直线段,基于所提取的直线段确定所述安全带检测区域中是否包含安全带包括:
在所述安全带检测区域中检测倾斜角度在预设角度范围内,且长度大于预设长度阈值的直线段;
若所述安全带检测区域中未检测到倾斜角度在所述预设范围内,且长度大于预设长度阈值的直线段,确定所述安全带检测区域中未包含安全带;
若所述安全带检测区域中存在有两条平行直线段,且所述两条平行直线段之间的距离在预置的距离范围内,确定所述安全带检测区域中包含安全带;
若所述安全带检测区域中仅存在一条直线段,则沿着与该直线段中心点的梯度相同或相反方向进行搜索,若在距离该直线段的所述距离范围内存在梯度相反的边缘点,则以该边缘点为边界,生成一条与该直线段平行的新的直线段,在该直线段与所述新的直线段之间的区域内确定亮度差值小于预设差值阈值的像素点的个数,若所确定的个数占所述区域内的像素点的总数的百分比大于预设百分比阈值,确定所述安全带检测区域中包含安全带。
4.根据权利要求3所述的方法,其特征在于,所述在所述安全带检测区域中检测倾斜角度在预设角度范围内,且长度大于预设长度阈值的直线段包括:
基于相邻像素灰度对数差在所述安全带检测区域中提取边缘特征;
对提取的边缘特征进行概率Hough变换,得到若干直线段,以及各条直线段的起止位置;
从所述若干条直线段中选择倾斜角度在预设角度范围内,且长度大于预设长度阈值的直线段。
5.根据权利要求1-4任意一项所述的方法,其特征在于,还包括:
若所述安全带检测区域中未检测到安全带,则提取所述安全带检测区域的方向梯度直方图特征;
基于所述方向梯度直方图特征,使用已经训练好的分类器检测所述安全带检测区域中是否存在安全带。
6.一种安全带检测装置,其特征在于,包括:
获取模块,用于获取对道路上的车辆行驶情况进行拍摄得到的图像;
第一检测模块,用于对所述图像进行车辆检测,分割出车辆图像区域;
第二检测模块,用于在所述车辆图像区域中检测车窗;
第三检测模块,用于在车窗区域检测人脸区域和方向盘区域;
第一确定模块,用于基于所述人脸区域和方向盘区域确定安全带检测区域,具体包括:按照如下方式计算所述安全带检测区域:
xs=min(x0,xf-α×widthf),
widths=xw+widthw-xs,
heights=y0-ys,
其中,(xs,ys)为所述安全带检测区域的左上顶点的坐标;(x0,y0)为拟合出的方向盘的中心坐标;(xf,yf)为所述人脸区域左上顶点的坐标;xw为所述车窗区域左上顶点的x轴的坐标;widths为所述安全带检测区域的宽度;heights为所述安全带检测区域的高度;widthf为所述人脸区域的宽度;heightf为所述人脸区域的高度;widthw为所述车窗区域的宽度;α为预置系数;
第二确定模块,用于在所述安全带检测区域中提取直线段,基于所述提取的直线段确定所述安全带检测区域中是否包含安全带。
7.根据权利要求6所述的装置,其特征在于,所述第三检测模块包括:
第一确定单元,用于在所述车窗区域中确定目标区域,所述目标区域为驾驶员检测候选区域;
第一检测单元,用于在所述目标区域中检测人脸区域和方向盘区域。
8.根据权利要求6所述的装置,其特征在于,所述第二确定模块,包括:
第二检测单元,用于在所述安全带检测区域中检测倾斜角度在预设角度范围内,且长度大于预设长度阈值的直线段;
第二确定单元,用于若所述安全带检测区域中未检测到倾斜角度在预设范围内,且长度大于预设长度阈值的直线段,确定所述安全带检测区域中未包含安全带;
第三确定单元,用于若所述安全带检测区域中存在有两条平行直线段,且所述两条平行直线段之间的距离在预置的距离范围内,确定所述安全带检测区域中包含安全带;
第四确定单元,用于若所述安全带检测区域中仅存在一条直线段,则沿着与该直线段中心点的梯度相同或相反方向进行搜索,若在距离该直线段的所述距离范围内存在梯度相反的边缘点,则以该边缘点为边界,生成一条与该直线段平行的新的直线段,在该直线段与所述新的直线段之间的区域内确定亮度差值小于预设差值阈值的像素点的个数,若所确定的个数占所述区域内的像素点的总数的百分比大于预设百分比阈值,确定所述安全带检测区域中包含安全带。
9.根据权利要求8所述的装置,其特征在于,所述第二检测单元包括:
提取子单元,用于基于相邻像素灰度对数差在所述安全带检测区域中提取边缘特征;
变换子单元,用于对提取的边缘特征进行概率Hough变换,得到若干直线段,以及各条直线段的起止位置;
选择子单元,用于从所述若干条直线段中选择倾斜角度在预设角度范围内,且长度大于预设长度阈值的直线段。
10.根据权利要求6-9任意一项所述的装置,其特征在于,还包括:
提取模块,用于若所述第二确定模块未在安全带检测区域中检测到安全带,则提取所述安全带检测区域的方向梯度直方图特征;
分类检测模块,用于基于所述方向梯度直方图特征,使用已经训练好的分类器检测所述安全带检测区域中是否存在安全带。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610792780.7A CN106650567B (zh) | 2016-08-31 | 2016-08-31 | 一种安全带检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610792780.7A CN106650567B (zh) | 2016-08-31 | 2016-08-31 | 一种安全带检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106650567A CN106650567A (zh) | 2017-05-10 |
CN106650567B true CN106650567B (zh) | 2019-12-13 |
Family
ID=58853178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610792780.7A Active CN106650567B (zh) | 2016-08-31 | 2016-08-31 | 一种安全带检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106650567B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108470144B (zh) * | 2018-01-31 | 2021-05-04 | 浙江工业大学 | 一种基于曲线分段的汽车方向盘检测方法 |
CN108470145B (zh) * | 2018-01-31 | 2021-03-16 | 浙江工业大学 | 一种基于曲线斜率变化的汽车方向盘检测方法 |
CN109709541A (zh) * | 2018-12-26 | 2019-05-03 | 杭州奥腾电子股份有限公司 | 一种车载环境感知融合***目标误检处理方法 |
CN111382617B (zh) * | 2018-12-28 | 2024-01-09 | 北京嘀嘀无限科技发展有限公司 | 一种驾驶员识别方法及装置 |
CN110517261A (zh) * | 2019-08-30 | 2019-11-29 | 上海眼控科技股份有限公司 | 安全带状态检测方法、装置、计算机设备和存储介质 |
CN113689447A (zh) * | 2020-05-19 | 2021-11-23 | 华晨宝马汽车有限公司 | 用于识别带状固定件的方法、装置、设备和*** |
CN111950348A (zh) * | 2020-06-29 | 2020-11-17 | 北京百度网讯科技有限公司 | 安全带的佩戴状态识别方法、装置、电子设备和存储介质 |
CN114758324A (zh) * | 2020-12-26 | 2022-07-15 | 虹软科技股份有限公司 | 安全带佩戴检测方法、装置、存储介质及处理器 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150556A (zh) * | 2013-02-20 | 2013-06-12 | 西安理工大学 | 用于道路交通监控的安全带自动检测方法 |
CN104123557A (zh) * | 2014-06-29 | 2014-10-29 | 中南大学 | 一种基于公路监控设备的轿车安全带系挂状态的检测方法 |
CN104657752A (zh) * | 2015-03-17 | 2015-05-27 | 银江股份有限公司 | 一种基于深度学习的安全带佩戴识别方法 |
CN105373779A (zh) * | 2015-11-10 | 2016-03-02 | 北京汉王智通科技有限公司 | 一种车辆安全带智能检测方法及智能检测*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070195990A1 (en) * | 2006-02-16 | 2007-08-23 | Uri Levy | Vision-Based Seat Belt Detection System |
US9552524B2 (en) * | 2014-09-15 | 2017-01-24 | Xerox Corporation | System and method for detecting seat belt violations from front view vehicle images |
-
2016
- 2016-08-31 CN CN201610792780.7A patent/CN106650567B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150556A (zh) * | 2013-02-20 | 2013-06-12 | 西安理工大学 | 用于道路交通监控的安全带自动检测方法 |
CN104123557A (zh) * | 2014-06-29 | 2014-10-29 | 中南大学 | 一种基于公路监控设备的轿车安全带系挂状态的检测方法 |
CN104657752A (zh) * | 2015-03-17 | 2015-05-27 | 银江股份有限公司 | 一种基于深度学习的安全带佩戴识别方法 |
CN105373779A (zh) * | 2015-11-10 | 2016-03-02 | 北京汉王智通科技有限公司 | 一种车辆安全带智能检测方法及智能检测*** |
Non-Patent Citations (1)
Title |
---|
智能交通中的违章识别算法研究;黎华东;《中国优秀硕士学位论文全文数据库 信息科技辑》;20150215;第46-49页第4.3.2节 * |
Also Published As
Publication number | Publication date |
---|---|
CN106650567A (zh) | 2017-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106650567B (zh) | 一种安全带检测方法和装置 | |
CN107730520B (zh) | 车道线检测方法及*** | |
KR101517181B1 (ko) | 차선 이탈 경보 시스템 및 방법 | |
CA2885019C (en) | Robust windshield detection via landmark localization | |
Wu et al. | Lane-mark extraction for automobiles under complex conditions | |
KR101605514B1 (ko) | 차선 인식 장치 및 방법 | |
CN105205486B (zh) | 一种车标识别方法及装置 | |
CN106446150B (zh) | 一种车辆精确检索的方法及装置 | |
KR101609303B1 (ko) | 카메라 캘리브레이션 방법 및 그 장치 | |
US20100017060A1 (en) | Road-edge detection | |
CN103870832B (zh) | 车辆整体特征提取方法及车辆型号识别方法 | |
EP2580740A2 (en) | An illumination invariant and robust apparatus and method for detecting and recognizing various traffic signs | |
US20160148063A1 (en) | Traffic light detection | |
CN109948552B (zh) | 一种复杂交通环境中的车道线检测的方法 | |
Wang et al. | A vision-based road edge detection algorithm | |
CN108052904B (zh) | 车道线的获取方法及装置 | |
CN103902985B (zh) | 一种基于roi的强鲁棒性实时车道侦测算法 | |
KR101663574B1 (ko) | 야간 환경에서의 운전자 보조 시스템을 위한 위험 보행자 검출 방법 및 시스템 | |
WO2008020544A1 (en) | Vehicle detection device, vehicle detection method, and vehicle detection program | |
EP2741234B1 (en) | Object localization using vertical symmetry | |
Salarian et al. | A vision based system for traffic lights recognition | |
CN103927548A (zh) | 一种新的避免车辆碰撞的刹车行为检测方法 | |
CN112052782A (zh) | 基于环视的停车位识别方法、装置、设备及存储介质 | |
CN104112141A (zh) | 一种基于公路监控设备的货车安全带系挂状态的检测方法 | |
CN104239847A (zh) | 行车警示方法及车用电子装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |