驾乘人员佩戴安全带的自动检测

吴裕锋

摘 要：目前，道路交通复杂多变，安全态势日趋严峻，为切实保护人民群众安全出行，交警已采用普法宣传、上路执法、人工筛查等方式；而国内外交通违法检测主要集中在闯红灯、超速、逆行等领域，极少涉及不系安全带交通违法的自动检测。本文综合运用计算机图像处理技术，通过车辆定位、车辆旋转矫正、车窗定位、安全带定位、图像增强、安全带佩戴判定等方法，实现对驾乘人员不系安全带的图像检测。实验结果表明，本方法有效解决了安全带的识别与判定，检测效果总体较理想。

关键词：安全帶；卡口图片；交通违法；计算机视觉；模式识别；图像处理

1 前言

近年来，随着我国经济快速发展，机动车及驾驶人数量迅猛增长，交通事故死伤人数已连续十年高居世界第一。据交管部门统计，不系安全带是交通事故死亡的主要原因之一，约每10万人中约有2人因不系安全带死亡，是酒驾死亡人数的十倍。研究数据表明，安全带在交通事故碰撞过程中可减轻驾乘人员的伤害程度，平均可减少45%～73%的人员伤亡。

目前，交警已采用普法宣传、上路纠违、人工筛查等方式，但上述措施覆盖面窄，执法成本高、工作效率低、效果不佳。同时，国内外交通违法信息检测还主要集中在闯红灯、超速、逆行等领域，一直没有涉及不系安全带的交通违法信息。

随着现代计算机技术及图像技术的不断发展，基于数字图像处理的模式识别技术已广泛应用于公安图侦、交通管理等领域。因此，需要研究一种专门通过对诸如道路卡口图片等图像信息进行分析，利用计算机视觉与图像处理算法，对图像中车辆驾驶员的安全带佩带情况进行自动检测的方法。

2 相关技术研究

2.1 计算机视觉

计算机视觉是使用计算机及相关设备对生物视觉的一种模拟。它的主要任务就是通过对采集的图片或视频进行处理以获得相应场景的三维信息，与人类和其他许多生物的视觉密切相关。

计算机视觉是各应用领域（如制造业、检验、文档分析、医疗诊断以及军事等）中各种智能/自主系统中不可分割的一部分。由于其重要性，一些先进国家如美国把对计算机视觉与其他领域的关系研究列为对经济和科学有广泛影响的科学和工程中的重大基本问题，即所谓的重大挑战（grand challenge）。

计算机视觉的挑战是要为计算机和机器人开发具有与人类水平相当的视觉能力。机器视觉需要图象信号，纹理和颜色建模，几何处理和推理，以及物体建模。

2.2 模式识别

模式识别研究主要集中在两方面，一是研究生物体（包括人）是如何感知对象的，属于认识科学的范畴，二是在给定的任务下，如何用计算机实现模式识别的理论和方法。后者通过数学家、信息学专家和计算机科学工作者近几十年来的努力，已经取得了系统的研究成果。

模式识别与统计学、心理学、语言学、计算机科学、生物学、控制论等都有关系。它与人工智能、图像处理的研究有交叉关系。例如自适应或自组织的模式识别系统包含了人工智能的学习机制；又如模式识别中的预处理和特征抽取环节应用图像处理的技术；图像处理中的图像分析也应用模式识别的技术。

2.2.1 图像处理

图像处理在我国国民经济的许多领域已经得到广泛的应用。农林部门通过遥感图像了解植物生长情况，进行估产，监视病虫害发展及治理；水利部门通过遥感图像分析，获取水害灾情的变化；气象部门用以分析气象云图，提高预报的准确程度；国防及测绘部门，使用航测或卫星获得地域地貌及地面设施等资料。机械部门可以使用图像处理技术，自动进行金相图分析识别。医疗部门采用各种数字图像技术对各种疾病进行自动诊断。

图像处理技术在智能交通系统（ITS）中应用的研究，是ITS的重要前沿研究领域，具有十分重要的理论意义和应用价值。通过视觉可以获得90%以上的环境信息，例如交通标志、交通信号、车道线、道路形状、车辆、驾驶员、道路标记、障碍物等。

图像处理技术在智能交通中的应用领域非常广阔，大体上可分为基于视觉的智能车辆导航、基于视觉的交通监控和基于视觉的交通管理三大应用领域。本文主要涉及交通管理领域中的安全带识别。

2.2.2 安全带检测方法

本文主要采用了Sobel边缘检测算子、Canny算法、Hear特征以及Adaboost机器学习算法等技术处理交通图像，实现车辆定位、车辆旋转矫正、车窗定位、安全带定位、图像增强、安全带佩戴判定。如图1所示：

（1）车辆定位

车辆定位主要用于判断图像中有几辆完整车辆，并且确定车辆在图像中的位置。

在车辆定位中使用车辆检测器对静态图像中的车辆进行识别定位，此处用的车辆检测器是一种基于哈尔（Haar）特征的级联分类器。训练步骤如图2所示：首先收集车辆的正负样本，在样本收集阶段尽量包括不同图像源，不同场景，不同时间段，不同类型车辆的样本；然后对机动车辆使用哈尔特征进行特征提取，利用Adaboost算法对特征进行选取得到级联分类器；分类器训练完成后使用测试图片源（样本图片源以外的图片）对分类器进行测试，将测试中的漏警目标作为正样本，虚警目标作为负样本加入样本数据中，然后迭代几次，重新训练分类器以提高检测的准确率。训练完成后，即可以在输入图像中对车辆进行识别定位。

（2）车辆旋转矫正

车辆旋转矫正主要是将图像中因为拍摄角度问题而稍有倾斜的车辆统一矫正到接近水平的位置，以提高后续安全带检测的准确性。

在实现车辆旋转矫正过程中，首先在上一车辆定位的车辆区域中进行边缘检测，并且在保留横向边缘的同时抑制其他方向的边缘；然后根据边缘点的连通性对检测到的边缘进行分割分段；分析计算每个边缘段的角度方向；最后根据所有边缘段的方向估计车辆的旋转角度并对整个车辆区域进行旋转矫正，使得图中车辆接近水平方向。如图3所示：

（3）车窗定位

车窗定位就是确定车辆的前挡风玻璃位置，从而限定安全带检测的搜索区域。

对安全带的检测，其次是要定位车窗，而车窗与车牌有着相对固定的位置关系。通过定位简单图像，进而最后辅助定位困难图像，也就是先定位车牌再定位车窗的方法。将车牌颜色投影到HSL色彩空间，对空间中车牌颜色可能出现的区域进行细致的刻画，从过滤掉图片的大多数区域，然后采取Sobel算子的横向极大值计数的方法，抽取区域的纹理特征。对于车窗定位，选取车窗一角用统计学习的方法，得到车窗检测器，以车牌为基准偏移一定方位后对区域作Adaboost判别，选取响应最大的位置坐标作为车窗角点坐标。通过以上步骤，实现了车窗定位，为后续安全带的定位奠定基础。如图4所示：

特征提取方法提取的特征主要包括3部分，一是车辆检测器中用到的哈尔（Haar）特征，二是方向梯度直方图（Histogram of Oriented Gradient，HOG）特征，三是在将样本图片进行尺寸归一化后测得的车窗位置、车窗高度等特征。需要指出的是①第三类特征只在车辆图片是车辆正面时使用，②HOG特征数量很多，需要利用主成分分析（PCA）降维之后使用。

（4）安全带定位

安全带区域的定位主要有两个目的：一是在车窗范围内通过人脸检测确定司乘人员数目及位置；二是根据人脸位置确定安全带区域。

安全带区域的定位方法：首先在车窗范围内进行人脸检测，通过人脸检测的结果确定该位置是否有司乘人员；然后根据人脸在车窗中的相对位置确定安全带检测区域在人脸的左侧还是右侧，如图5所示，安全带检测区域为正方形，宽度约为人脸检测框宽度的2.5倍。

（6）安全带佩戴判定

安全带佩戴判定流程（由图7所示）：首先对增强后的图像进行边缘检测（由图8所示），根据边缘检测的结果对各条边缘线段进行分析，结合线段的方向、长度、位置连通性等等因素，分析是否检测到安全带；如果检测到安全带，判定该人员未违章；如果未检测到安全带，继续检测是否有司乘人员完整的肩部线条；如果检测到完整肩部线条则判定为该人员违章，否则判定为不确定是否违章。检测肩部线条的方法是基于尽量减少算法误判的原则而采用的，因为在某些特殊条件下（例如环境光线特别差，或者安全带颜色、座椅颜色和司乘人员衣物颜色很接近等），未检测到安全带并不一定是未佩戴安全带，这种情况下即使判定为违章也很难做出有效处罚。

3 结论及改进

综上所述，本文运用计算机视觉技术，结合ITS图像处理、机器学习和模式识别技术，研究车辆定位、车辆旋转矫正、车窗定位、安全带定位、图像增强、安全带佩戴判定等方法。实验结果表明，本方法可有效解决车辆及车窗的定位，安全带的定位、识别与判定，最终检测结果的可靠性、精度和效率方面总体效果较好。

经过研究，在以下几个方面仍然有待改进和提高：

（1）车窗定位

由于车窗的特殊材料造成的反光现象导致图像中车窗位置模糊不清，对识别造成一定干扰，同时不同车型，不用拍摄角度下，乘客位置差异较大，因此需要再对乘客位置进行定位；

（2）安全带定位

由于安全带颜色未知，安全带定位难度加大；

（3）安全带佩戴判定

流程已优化，判断步骤方法合理，但鉴于驾乘人员上衣颜色及纹理与安全带的可能非常接近，容易导致检测结果的误判定。

本文的检测方法还适用于分布式系统或计算模式，在各个处理器上部署各子块的計算和处理，进一步提高运行效率。

参考文献

[1]史海成，王春艳，张媛媛.浅谈模式识别[J].今日科苑，2007，（22）：169.

[2]杨明，宋雪峰.面向智能交通系统的图像处理[J].计算机工程与应用，2001，37（9）：4-7.

[3]魏武，张起森，王明俊，等.基于计算机视觉和图像处理的交通参数检测[J].信息与控制，2001，30（3）：257-261.

[4]李文举.智能交通中图像处理技术应用的研究[J].大连海事大学学报，2004，6（3）：41-46.

[5]史忠科，曹力.交通图像检测与分析[M].科学出版社，2007.

（作者单位：广州市交通管理科学技术研究所）