CN108182385A - 一种用于智能交通***的驾驶员安全带佩戴识别方法 - Google Patents
一种用于智能交通***的驾驶员安全带佩戴识别方法 Download PDFInfo
- Publication number
- CN108182385A CN108182385A CN201711293446.8A CN201711293446A CN108182385A CN 108182385 A CN108182385 A CN 108182385A CN 201711293446 A CN201711293446 A CN 201711293446A CN 108182385 A CN108182385 A CN 108182385A
- Authority
- CN
- China
- Prior art keywords
- image
- vehicle window
- region
- formula
- identified
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 230000011218 segmentation Effects 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims description 9
- 238000003708 edge detection Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种用于智能交通***的驾驶员安全带佩戴识别方法,包括步骤:1)使用基于颜色与纹理特征的车牌定位算法识别出待检测卡口图像的车牌区域;2)进行车窗区域粗定位,采用基于积分投影与MBI特征的方法提取车窗精确区域;3)根据车窗区域提取驾驶员位置区域;4)从驾驶员位置区域分割出安全带区域;5)选取标签的安全带区域图像作为训练样本,提取HOG特征,采用SVM分类器进行训练;6)使用训练好的安全带佩戴识别分类器对待检测图像进行识别。本发明能准确从卡口图像中识别出驾驶员的安全带佩戴情况,加入了MBI特征检测,无需设置安全带的宽度或斜率,算法的鲁棒性与实时性都得到了提高。
Description
技术领域
本发明涉及计算机视觉技术领域,尤其是指一种用于智能交通***的驾驶员安全带佩戴识别方法。
背景技术
每年我国死于交通安全事故的人数超过5万人,其中不少比例的死者没有佩戴安全带。安全带作为机动车辆中非常重要的被动式安全装备,能够有效保护驾驶员和乘客的人身安全,据统计,当车辆发生正面撞击时,佩戴安全带可使事故死亡率减少57%。我国交通法规定,机动车辆前座乘客必须系带安全带。对机动车辆内驾驶员安全带佩戴情况的研究,实现自动识别驾驶员安全带佩戴情况,成为智能交通***中的重要课题。
传统的安全带检测方法一般都是基于直线检测的原理,使用Hough变换对边缘检测图像进行直线检测,根据直线的斜率和灰度值来识别安全带。然而这种方法对卡口图像的光照情况、驾驶员衣物颜色、车内装饰物品等十分敏感,鲁棒性较差。
公开号为CN104182960A的中国发明专利申请公开了一种驾驶员佩戴安全带检测方法,该方法获取驾驶员图像后进行边缘检测,基于边缘检测图像中像素点的像素值,确定该边缘检测图像中的各连通域,根据各连通域中是否存在满足预设条件的两个连通域来判断驾驶员是否佩戴了安全带。然而,此驾驶员安全带佩戴检测方法需要预设安全带的宽度和佩戴角度,不能针对所有类型的安全带佩戴情况。
综上所述,目前迫切需要提出一种适用面广泛、准确率高、鲁棒性强的驾驶员安全带佩戴识别方法。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提出了一种用于智能交通***的驾驶员安全带佩戴识别方法,利用该方法可以在智能交通***中实现自动检测驾驶员安全带佩戴识别情况,且准确率高、鲁棒性强。
为实现上述目的,本发明所提供的技术方案为:一种用于智能交通***的驾驶员安全带佩戴识别方法,包括以下步骤:
1)使用基于颜色与纹理特征的车牌定位算法识别出待检测卡口图像的车牌区域;
2)进行车窗区域粗定位,采用基于积分投影与MBI特征的方法提取车窗精确区域;
3)根据车窗区域提取驾驶员位置区域;
4)从驾驶员位置区域分割出安全带区域;
5)选取标签的安全带区域图像作为训练样本,提取HOG特征,采用SVM分类器进行训练;
6)使用训练好的安全带佩戴识别分类器对待检测图像进行识别。
所述步骤2)包括以下步骤:
2.1)根据车牌识别得到车牌长度为L,以车牌为坐标中心,往左右各k1×L,往下k2×L,往上k3×L截取卡口图像获得车窗区域粗定位图像I1,其中k1∈[2,2.5],k2∈[0.5,0.8],k3∈[4,6];
2.2)使用Prewitt水平边缘算子对图像I1进行边缘检测,采用线性结构元素对边缘图像进行开操作,使用公式式中,I(x,y)表示点(x,y)在该坐标下的像素值,fh(y)表示从坐标x1到x2的水平积分投影,对开操作后的边缘图像进行水平积分投影,使用动态选取阈值方法由下至上寻找积分投影函数的两个峰值,确定车窗水平直线带,获取水平车窗区域图像I2;
2.3)使用Sobel算子对图像I2进行边缘检测,建立锯齿状结构元素,对I2左右两侧图像进行开操作,使用公式式中,I(x,y)表示点(x,y)在该坐标下的像素值,fv(y)表示从坐标y1到y2的垂直积分投影,对开操作后的边缘图像进行垂直积分投影,使用动态选取阈值方法由左至右寻找积分投影函数的两个峰值,确定车窗垂直直线带,获取精确定位的车窗区域图像I3;
2.4)使用形态学建筑物指数MBI对车窗区域的粘贴标志进行特征检测,截取I3左上1/α区域,计算多尺度差分形态学序列WTHDMP,使用公式式中,mean表示求取平均值,s表示线性结构元素,计算MBI特征图,二值化后通过闭操作填充图像中的连通区域,计算连通区域的最小外接矩形面积,设定面积百分比阈值β检验MBI特征,其中α∈[3,5],β∈[0.2,0.5]。
所述动态选取阈值方法包括以下步骤:
a.将水平积分投影函数fh(y)中非零元素从小到大快速排序,统计个数为m,最大值为max;
b.选取max×ω为门限,剔除所有小于该门限的投影值,其中ω∈[0.2,0.4];
c.选取fh(y)下方的m/θ个值中最大值为车窗的下侧直线带,赋值给row2,其中θ∈[2,4];
d.从下至上寻找车窗的上边缘,取出第一个不为零的fh(y)值,将y赋值给row1;
e.通过|row1-row2|与L大小比较更新row1,若|row1-row2|≥L,则认为row1为车窗上侧直线带,完成提取,否则认为row1不是车窗上侧直线带,继续执行d。
所述步骤5)包括以下步骤:
5.1)从卡口图像样本集中随机选取x1张正样本,x2张负样本,提取样本安全带区域图像,对所有安全带区域图像进行降采样,保持像素大小一致;
5.2)以n1×n1大小的细胞单元,n2×n2大小的区间,采用L2-norm公式式中,v表示进行归一化的区间特征,ε表示一个很小的标准化常量,进行区间归一化,利用积分图像快速计算安全带区域分割图的HOG特征,构建特征空间,其中n1∈{4,8,16},n2∈{1,2,3,4};
5.3)选取径向基函数作为SVM核函数,式中,exp表示以自然数e为底的指数函数,δ表示函数的宽度参数,K(x,xi)表示从x到xi的径向基函数值,采用交叉检验,训练SVM分类器,使用真阳率和假阳率作为实验评估标准,式中,TPR表示真阳率,TP表示正样本中识别为正样本的个数,FN表示正样本中识别为负样本的个数,FPR表示假阳率,FP表示负样本中识别为正样本的个数,TN表示负样本中识别为负样本的个数,得到训练好的安全带佩戴识别分类器。
本发明与现有技术相比,具有如下优点与有益效果:
1、无需设定安全带的宽度、斜率等数值,可以识别所有安全带佩戴情况。
2、训练完SVM分类器后,可以做到实时对卡口图像进行识别,满足智能交通***实时监测的要求。
3、加入MBI特征检测,车窗区域检测鲁棒性较强,有效提高后续安全带佩戴识别准确率。
4、采用HOG特征描述安全带,结合SVM分类器进行识别,能够大幅提高算法识别率。
附图说明
图1为本发明方法的流程图。
图2为车窗粗定位图像。
图3为车窗水平区域图像。
图4为车窗精确提取图像。
图5为MBI特征检测图像。
图6为驾驶员位置图像。
图7为驾驶员安全带区域图像。
图8为安全带HOG特征提取流程图。
图9为安全带HOG特征提取图像。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
如图1所示,本实施例所提供的用于智能交通***的驾驶员安全带佩戴识别方法,其具体情况如下:
1)使用基于颜色与纹理特征的车牌定位算法识别出待检测卡口图像的车牌区域。
2)利用车牌区域进行车窗区域的粗定位,如图2所示,再使用基于积分投影与MBI特征的方法提取车窗精确区域,包括以下步骤:
2.1)根据车牌识别得到车牌长度为L,以车牌为坐标中心,往左右各k1×L,往下k2×L,往上k3×L截取卡口图像获得车窗区域粗定位图像I1,其中k1∈[2,2.5],k2∈[0.5,0.8],k3∈[4,6],优选地,k1选为2,k2选为0.5,k3选为5;
2.2)使用Prewitt水平边缘算子对图像I1进行边缘检测,采用1×10线性结构元素对边缘图像进行开操作,使用公式式中,I(x,y)表示点(x,y)在该坐标下的像素值,fh(y)表示从坐标x1到x2的水平积分投影,对开操作后的边缘图像进行水平积分投影,使用动态选取阈值方法由下至上寻找积分投影函数的两个峰值,确定车窗水平直线带,获取水平车窗区域图像I2,如图3所示,其中,动态选取阈值方法包括以下步骤:
a.将水平积分投影函数fh(y)中非零元素从小到大快速排序,统计个数为m,最大值为max;
b.选取max×ω为门限,剔除所有小于该门限的投影值,其中ω∈[0.2,0.4],优选地,ω选为0.3;
c.选取fh(y)下方的m/θ个值中最大值为车窗的下侧直线带,赋值给row2,其中θ∈[2,4],优选地,θ选为3;
d.从下至上寻找车窗的上边缘,取出第一个不为零的fh(y)值,将y赋值给row1;
e.若|row1-row2|≥L,则认为row1为车窗上侧直线带,完成提取;否则认为row1不是车窗上侧直线带,继续执行d;
2.3)使用Sobel算子对图像I2进行边缘检测,建立锯齿状结构元素和对I2左右两侧图像进行开操作,使用公式式中,I(x,y)表示点(x,y)在该坐标下的像素值,fv(y)表示从坐标y1到y2的垂直积分投影,对开操作后的边缘图像进行垂直积分投影,使用动态选取阈值方法由左至右寻找积分投影函数的两个峰值,确定车窗垂直直线带,获取精确定位的车窗区域图像I3,如图4所示;
2.4)使用形态学建筑物指数MBI对车窗区域的粘贴标志进行特征检测,如图5所示,提取I3左上1/α区域,计算多尺度差分形态学序列WTHDMP,使用公式式中,mean表示求取平均值,s表示线性结构元素,计算MBI特征图,二值化后通过闭操作填充图像中的连通区域,计算连通区域的最小外接矩形面积,设定面积百分比阈值β检验MBI特征,其中α∈[3,5],β∈[0.2,0.5],优选地,α选为4,β选为0.4。
3)根据车窗区域提取驾驶员位置区域,如图6所示;
4)从驾驶员位置区域分割出安全带区域,如图7所示;
5)选取标签的佩戴安全带、未佩戴安全带的安全带区域图像作为训练样本,提取HOG特征流程如图8所示,得到安全带区域HOG特征,如图9所示,采用SVM分类器进行训练,获取训练好的安全带佩戴识别分类器,包括以下步骤:
5.1)从卡口图像样本集中随机选取x1张正样本,x2张负样本,提取样本安全带区域图像,对所有安全带区域图像进行降采样,保持像素大小一致;
5.2)以n1×n1大小的细胞单元,n2×n2大小的区间,采用L2-norm公式式中,v表示进行归一化的区间特征,ε表示一个很小的标准化常量,进行区间归一化,利用积分图像快速计算安全带区域分割图的HOG特征,构建特征空间,其中n1∈{4,8,16},n2∈{1,2,3,4},优选地,n1选为8,n2选为4;
5.3)选取径向基函数作为SVM核函数,式中,exp表示以自然数e为底的指数函数,δ表示函数的宽度参数,K(x,xi)表示从x到xi的径向基函数值,采用交叉检验,训练SVM分类器,使用真阳率和假阳率作为实验评估标准,式中,TPR表示真阳率,TP表示正样本中识别为正样本的个数,FN表示正样本中识别为负样本的个数,FPR表示假阳率,FP表示负样本中识别为正样本的个数,TN表示负样本中识别为负样本的个数,得到训练好的安全带佩戴识别分类器。
6)使用训练好的安全带佩戴识别分类器对待检测图像进行识别,判断图像中的驾驶员佩戴安全带情况。
以上所述实施例只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (4)
1.一种用于智能交通***的驾驶员安全带佩戴识别方法,其特征在于,包括以下步骤:
1)使用基于颜色与纹理特征的车牌定位算法识别出待检测卡口图像的车牌区域;
2)进行车窗区域粗定位,采用基于积分投影与MBI特征的方法提取车窗精确区域;
3)根据车窗区域提取驾驶员位置区域;
4)从驾驶员位置区域分割出安全带区域;
5)选取标签的安全带区域图像作为训练样本,提取HOG特征,采用SVM分类器进行训练;
6)使用训练好的安全带佩戴识别分类器对待检测图像进行识别。
2.根据权利要求1所述的一种用于智能交通***的驾驶员安全带佩戴识别方法,其特征在于,所述步骤2)包括以下步骤:
2.1)根据车牌识别得到车牌长度为L,以车牌为坐标中心,往左右各k1×L,往下k2×L,往上k3×L截取卡口图像获得车窗区域粗定位图像I1,其中k1∈[2,2.5],k2∈[0.5,0.8],k3∈[4,6];
2.2)使用Prewitt水平边缘算子对图像I1进行边缘检测,采用线性结构元素对边缘图像进行开操作,使用公式式中,I(x,y)表示点(x,y)在该坐标下的像素值,fh(y)表示从坐标x1到x2的水平积分投影,对开操作后的边缘图像进行水平积分投影,使用动态选取阈值方法由下至上寻找积分投影函数的两个峰值,确定车窗水平直线带,获取水平车窗区域图像I2;
2.3)使用Sobel算子对图像I2进行边缘检测,建立锯齿状结构元素,对I2左右两侧图像进行开操作,使用公式式中,I(x,y)表示点(x,y)在该坐标下的像素值,fv(y)表示从坐标y1到y2的垂直积分投影,对开操作后的边缘图像进行垂直积分投影,使用动态选取阈值方法由左至右寻找积分投影函数的两个峰值,确定车窗垂直直线带,获取精确定位的车窗区域图像I3;
2.4)使用形态学建筑物指数MBI对车窗区域的粘贴标志进行特征检测,截取I3左上1/α区域,计算多尺度差分形态学序列WTHDMP,使用公式式中,mean表示求取平均值,s表示线性结构元素,计算MBI特征图,二值化后通过闭操作填充图像中的连通区域,计算连通区域的最小外接矩形面积,设定面积百分比阈值β检验MBI特征,其中α∈[3,5],β∈[0.2,0.5]。
3.根据权利要求2所述的一种用于智能交通***的驾驶员安全带佩戴识别方法,其特征在于,所述动态选取阈值方法包括以下步骤:
a.将水平积分投影函数fh(y)中非零元素从小到大快速排序,统计个数为m,最大值为max;
b.选取max×ω为门限,剔除所有小于该门限的投影值,其中ω∈[0.2,0.4];
c.选取fh(y)下方的m/θ个值中最大值为车窗的下侧直线带,赋值给row2,其中θ∈[2,4];
d.从下至上寻找车窗的上边缘,取出第一个不为零的fh(y)值,将y赋值给row1;
e.通过|row1-row2|与L大小比较更新row1,若|row1-row2|≥L,则认为row1为车窗上侧直线带,完成提取,否则认为row1不是车窗上侧直线带,继续执行d。
4.根据权利要求1所述的一种用于智能交通***的驾驶员安全带佩戴识别方法,其特征在于,所述步骤5)包括以下步骤:
5.1)从卡口图像样本集中随机选取x1张正样本,x2张负样本,提取样本安全带区域图像,对所有安全带区域图像进行降采样,保持像素大小一致;
5.2)以n1×n1大小的细胞单元,n2×n2大小的区间,采用L2-norm公式式中,v表示进行归一化的区间特征,ε表示一个标准化常量,进行区间归一化,利用积分图像快速计算安全带区域分割图的HOG特征,构建特征空间,其中n1∈{4,8,16},n2∈{1,2,3,4};
5.3)选取径向基函数作为SVM核函数,式中,exp表示以自然数e为底的指数函数,δ表示函数的宽度参数,K(x,xi)表示从x到xi的径向基函数值,采用交叉检验,训练SVM分类器,使用真阳率和假阳率作为实验评估标准,式中,TPR表示真阳率,TP表示正样本中识别为正样本的个数,FN表示正样本中识别为负样本的个数,FPR表示假阳率,FP表示负样本中识别为正样本的个数,TN表示负样本中识别为负样本的个数,得到训练好的安全带佩戴识别分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711293446.8A CN108182385B (zh) | 2017-12-08 | 2017-12-08 | 一种用于智能交通***的驾驶员安全带佩戴识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711293446.8A CN108182385B (zh) | 2017-12-08 | 2017-12-08 | 一种用于智能交通***的驾驶员安全带佩戴识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108182385A true CN108182385A (zh) | 2018-06-19 |
CN108182385B CN108182385B (zh) | 2020-05-22 |
Family
ID=62545699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711293446.8A Expired - Fee Related CN108182385B (zh) | 2017-12-08 | 2017-12-08 | 一种用于智能交通***的驾驶员安全带佩戴识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108182385B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110569732A (zh) * | 2019-08-09 | 2019-12-13 | 径卫视觉科技(上海)有限公司 | 一种基于驾驶员监控***的安全带检测方法以及相应的设备 |
CN112541413A (zh) * | 2020-11-30 | 2021-03-23 | 阿拉善盟特种设备检验所 | 面向叉车司机实操考核与教练的危险行为检测方法及*** |
CN113269005A (zh) * | 2020-02-14 | 2021-08-17 | 深圳云天励飞技术有限公司 | 一种安全带检测方法、装置及电子设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090094569A (ko) * | 2008-03-03 | 2009-09-08 | 안진득 | 자동차의 안전벨트 미착용 단속 시스템 |
US20110243376A1 (en) * | 2007-08-04 | 2011-10-06 | Continental Teves Ag & Ohg | Method and a device for detecting objects in an image |
US20130229522A1 (en) * | 1999-11-04 | 2013-09-05 | Donnelly Corporation | Accessory mounting system for a vehicle |
CN104700066A (zh) * | 2013-12-11 | 2015-06-10 | 杭州海康威视数字技术股份有限公司 | 一种检测驾驶员是否佩戴有安全带的方法和装置 |
CN104700068A (zh) * | 2014-12-17 | 2015-06-10 | 安徽清新互联信息科技有限公司 | 一种基于svm的驾驶员安全带检测方法 |
CN105005759A (zh) * | 2015-05-04 | 2015-10-28 | 南京理工大学 | 多特征融合的卡口图像前车窗的定位与提取方法 |
CN105718864A (zh) * | 2016-01-18 | 2016-06-29 | 安徽天盛智能科技有限公司 | 一种机动车驾乘人员在途未系安全带的检测方法 |
CN106485224A (zh) * | 2016-10-13 | 2017-03-08 | 北京智芯原动科技有限公司 | 一种安全带佩戴识别方法及装置 |
CN106709443A (zh) * | 2016-12-19 | 2017-05-24 | 同观科技(深圳)有限公司 | 一种安全带佩戴状态的检测方法及终端 |
-
2017
- 2017-12-08 CN CN201711293446.8A patent/CN108182385B/zh not_active Expired - Fee Related
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130229522A1 (en) * | 1999-11-04 | 2013-09-05 | Donnelly Corporation | Accessory mounting system for a vehicle |
US20110243376A1 (en) * | 2007-08-04 | 2011-10-06 | Continental Teves Ag & Ohg | Method and a device for detecting objects in an image |
KR20090094569A (ko) * | 2008-03-03 | 2009-09-08 | 안진득 | 자동차의 안전벨트 미착용 단속 시스템 |
CN104700066A (zh) * | 2013-12-11 | 2015-06-10 | 杭州海康威视数字技术股份有限公司 | 一种检测驾驶员是否佩戴有安全带的方法和装置 |
CN104700068A (zh) * | 2014-12-17 | 2015-06-10 | 安徽清新互联信息科技有限公司 | 一种基于svm的驾驶员安全带检测方法 |
CN105005759A (zh) * | 2015-05-04 | 2015-10-28 | 南京理工大学 | 多特征融合的卡口图像前车窗的定位与提取方法 |
CN105718864A (zh) * | 2016-01-18 | 2016-06-29 | 安徽天盛智能科技有限公司 | 一种机动车驾乘人员在途未系安全带的检测方法 |
CN106485224A (zh) * | 2016-10-13 | 2017-03-08 | 北京智芯原动科技有限公司 | 一种安全带佩戴识别方法及装置 |
CN106709443A (zh) * | 2016-12-19 | 2017-05-24 | 同观科技(深圳)有限公司 | 一种安全带佩戴状态的检测方法及终端 |
Non-Patent Citations (2)
Title |
---|
XIN HUANG等: "A Multidirectional and Multiscale Morphological Index for Automatic Building Extraction from Multispectral GeoEye-1 Imagery", 《PHOTOGRAMMETRIC ENGINEERING & REMOTE SENSING》 * |
王好贤: "智能交通违章监测算法研究及软件***实现", 《万方数据库》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110569732A (zh) * | 2019-08-09 | 2019-12-13 | 径卫视觉科技(上海)有限公司 | 一种基于驾驶员监控***的安全带检测方法以及相应的设备 |
CN113269005A (zh) * | 2020-02-14 | 2021-08-17 | 深圳云天励飞技术有限公司 | 一种安全带检测方法、装置及电子设备 |
CN113269005B (zh) * | 2020-02-14 | 2024-06-11 | 深圳云天励飞技术有限公司 | 一种安全带检测方法、装置及电子设备 |
CN112541413A (zh) * | 2020-11-30 | 2021-03-23 | 阿拉善盟特种设备检验所 | 面向叉车司机实操考核与教练的危险行为检测方法及*** |
CN112541413B (zh) * | 2020-11-30 | 2024-02-23 | 阿拉善盟特种设备检验所 | 面向叉车司机实操考核与教练的危险行为检测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN108182385B (zh) | 2020-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
e Silva et al. | Helmet detection on motorcyclists using image descriptors and classifiers | |
CN106682601B (zh) | 一种基于多维信息特征融合的驾驶员违规通话检测方法 | |
CN108053615B (zh) | 基于微表情的驾驶员疲劳驾驶状态检测方法 | |
US9842266B2 (en) | Method for detecting driver cell phone usage from side-view images | |
CN112241658B (zh) | 一种基于深度相机的疲劳驾驶预警方法 | |
CN108182385A (zh) | 一种用于智能交通***的驾驶员安全带佩戴识别方法 | |
KR101498114B1 (ko) | 보행자를 검출하는 영상 처리 장치 및 그 방법 | |
KR100912746B1 (ko) | 교통 표지판 탐지를 위한 방법 | |
CN109460699A (zh) | 一种基于深度学习的驾驶员安全带佩戴识别方法 | |
CN109697430A (zh) | 基于图像识别的工作区域安全帽佩戴的检测方法 | |
CN107978165A (zh) | 基于计算机视觉的交叉口标志标线与信号灯智能感知方法 | |
KR101094752B1 (ko) | 에이치에스아이 색정보의 통계적 모델을 이용한 차선 분류방법 | |
CN103425989B (zh) | 一种基于显著性分析的车辆颜色识别方法及*** | |
KR101957759B1 (ko) | 안전 벨트 검출 시스템 및 그 방법 | |
CN105373779A (zh) | 一种车辆安全带智能检测方法及智能检测*** | |
CN103390167A (zh) | 一种多特征的分层交通标志识别方法 | |
CN103632132A (zh) | 一种基于肤色分割和模板匹配的人脸检测与识别方法 | |
CN103366190A (zh) | 一种识别交通标志的方法 | |
CN109190523A (zh) | 一种基于视觉的车辆检测跟踪预警方法 | |
Sufri et al. | Vision based system for banknote recognition using different machine learning and deep learning approach | |
KR101537961B1 (ko) | 안전 벨트 탐지 장치 및 방법 | |
CN112381870B (zh) | 一种基于双目视觉的船舶识别与航速测量***及方法 | |
Chourasia et al. | Centroid based detection algorithm for hybrid traffic sign recognition system | |
CN105224945B (zh) | 一种基于联合检测与辨识算法的车标识别方法 | |
CN106203338B (zh) | 基于网格区域分割和阈值自适应的人眼状态快速识别方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200522 |