基于机器视觉的机动车前排未系安全带识别系统及方法
【技术领域】
[0001] 本发明涉及一种基于机器视觉的机动车前排未系安全带识别系统及方法，属于智 能交通领域。
【背景技术】
[0002] 目前机动车未系安全带违章检测主要依靠人工肉眼识别，而人工违章检测的效率 低、准确性差，人为干扰非常明显。利用机器视觉技术，并且基于目前各路口架设的高清电 子警察监控，可以有效地对机动车驾驶员是否佩戴安全带进行识别，提高交警执法效率，增 强驾驶员安全驾驶意识。
[0003] 随着机器视觉技术在智能交通系统中的不断应用发展，车牌识别技术、超速检测、 闯红灯检测技术已日趋成熟，逐渐实现了相关交通违章的自动化和智能化，为减少交通事 故做出了积极贡献，但目前安全带识别技术尚不成熟，识别处理能力满足不了交通系统要 求。因此，将基于机器视觉的机动车前排未系安全带识别系统及方法应用到实际使用过程 中，对完善智能交通系统，提高我国交通智能化技术水平具有重要意义。
【发明内容】
[0004] 将基于机器视觉技术的机动车前排未系安全带识别系统及方法应用到实际生活 中，可以提高交警执法效率，增强司机安全驾驶意识，减少交通事故中的死亡率，促进交通 事业的智能化发展。为实现未系安全带快速识别，本发明提供了一种基于机器视觉技术的 机动车前排未系安全带识别系统及方法。
[0005] -种基于机器视觉技术的机动车前排未系安全带识别系统及方法主要分为三部 分：第一，实现车牌的定位及分割；第二，对安全带检测区域图像的提取；第三，对是否佩戴 安全带进行检测。
[0006] 本发明所米取的技术方案是，提供一种基于机器视觉的机动车前排未系安全带 识别系统，包括车牌定位分割模块，安全带区域定位模块和安全带识别检测模块，其特征 在于：所述车牌定位模块检测到车牌后对车牌进行提取，然后根据二值图像判断车型大小 (本系统中大型车主要指公交车、大型客车、卡车；小型车主要指面包车、轿车、越野车SUV 等），往图像上方采用所述安全带定位模块实现安全带检测区域（驾驶员肩部附近位置）的 获取，然后采用安全带识别模块对司机是否佩戴安全带进行识别。
[0007] 作为优选，所述的基于机器视觉的机动车前排未系安全带识别系统，其中所述的 车牌定位分割模块实现对车牌的精准定位及分割，获取车牌图像信息，其中车牌精准定位 采用Haar分类器算法，基于Haar特征对图像中的车牌进行检测分割，通过对大量车牌样本 训练，获取分类器，实现车牌提取。
[0008] 作为优选，所述的基于机器视觉的机动车前排未系安全带识别系统，其中所述的 安全带区域定位模块对车型大小的判断采用二值化图像判别法，首先对图像进行二值化处 理，然后对车辆二值化图像进行边界扫描并计算车型图像在整幅图像中所占比例，通过车 辆在图像中所占比例，判别车辆车型大小。其中大型车指客车、公交车、重型以及大型卡车， 特种大型工程车辆等；小型车是指面包车、轿车、越野车等；以车牌中心线为参照，根据车 型大小往图像上方偏移一定距离（大型车偏移500像素距离，小型车偏移300像素距离） 切取车辆右部分驾驶位图像。
[0009] 作为优选，所述的基于机器视觉的机动车前排未系安全带识别系统，其中所述的 安全带区域定位模块利用已定位的车牌中心为参考，根据车型大小分别实现对不同车型的 驾驶位车窗定位，然后对安全带检测区域进行分割，获取安全带检测区域图像。
[0010] 作为优选，所述的基于机器视觉的机动车前排未系安全带识别系统，其中所述的 安全带区域定位模块对车窗定位采用的是三点定位法，对所述的驾驶位图像进行灰度化处 理，然后在图像X方向及Y方向各选取一列并获取灰度值，对灰度值进行梯度计算，由于灰 度图像中车窗边框处梯度变化非常明显，以此为依据对梯度进行大小比较，确定车窗上、下 部分及右侧车窗边框梯度变化最大点的坐标值，然后以坐标点为参照对安全带检测区域进 行切割，通过计算定位出安全带位置区域，进行区域图像提取。
[0011] 作为优选，所述的基于机器视觉的机动车前排未系安全带识别系统，其中所述的 安全带识别模块采用基于BP神经网络算法，通过对安全带检测区域图像的15种纹理特征 进行分类识别，判断司机是否佩戴安全带，输出包括未系安全带车辆的原始监控图像以及 车牌图像信息。
[0012] 作为优选，所述的基于机器视觉的机动车前排未系安全带识别系统，其中所述的 安全带检测区域图像的15种纹理特征包括小梯度优势、大梯度优势、灰度分布的不均匀 性、梯度分布的不均匀性、能量、灰度平均、梯度平均、灰度均方差、梯度均方差、相关性、灰 度熵、梯度熵、混合熵、惯性、逆差矩。
[0013] 本发明还提供一种基于机器视觉的机动车前排未系安全带识别方法，包括如下步 骤：
[0014] 1)对图像中的车辆车牌进行识别提取，其中车牌精准定位采用Haar分类器算法， 基于Haar特征对图像中的车牌进行检测分割；
[0015] 2)对车辆车型进行判别，对车型大小的判断采用二值化图像判别法，首先对图像 进行二值化处理，然后对车辆二值化图像进行边界扫描并计算车型图像在整幅图像中所占 比例，以车牌中心线为参照，根据车型大小往图像上方偏移一定距离切取车辆右部分驾驶 位图像；
[0016] 3)对安全带检测区域图像进行检测，利用已定位的车牌中心为参考，根据车型大 小分别实现对不同车型的驾驶位车窗定位，然后对安全带检测区域进行分割，获取安全带 检测区域图像，另外，对车窗定位采用的是三点定位法，对所述的驾驶位图像进行灰度化处 理，然后在图像X方向及Y方向各选取一列并获取灰度值，对灰度值进行梯度计算，由于灰 度图像中车窗边框处梯度变化非常明显，以此为依据对梯度进行大小比较，确定车窗上、下 部分及右侧车窗边框梯度变化最大点的坐标值，然后以坐标点为参照对安全带检测区域进 4丁切割；
[0017] 4)检测到安全带识别区域后对是否佩戴安全带进行检测，采用BP神经网络算法 对安全带检测区域图像的15种纹理特征进行分类识别，判断驾驶员是否佩戴安全带，输出 未系安全带图像的原始图像、车牌图像信息等。
【附图说明】
[0018] 图1是基于机器视觉的机动车前排未系安全带识别方法的工作流程图；
[0019] 图2是Haar分类器部分正样本图像；
[0020] 图3是Haar分类器部分负样本图像；
[0021] 图4是提取的车牌图像；
[0022] 图5是车辆二值图像；
[0023] 图6是驾驶位图像；
[0024] 图7是安全带区域图像。
【具体实施方式】
[0025] 以下实施方式用于说明本发明，但不用来限制本发明的范围。
[0026] 如图1所示的本发明的未系安全带识别系统及方法识别流程，本发明以高清卡口 图像为基础，共包括3大处理模块：①车牌定位模块；②安全带区域定位模块；③安全带识 别检测模块。
[0027] 在本实施例中，车牌定位模块采用Haar分类器算法，利用大量样本训练获得的分 类器对卡口图像进行车牌的定位，具体步骤如下：