基于模糊增強的安全帶佩戴識別方法

李萬臣，張晉

哈爾濱工程大學信息與通信工程學院，黑龍江哈爾濱 150001

基于模糊增強的安全帶佩戴識別方法

李萬臣，張晉

哈爾濱工程大學信息與通信工程學院，黑龍江哈爾濱 150001

為了彌補目前安全帶佩戴提示系統的不足，提高駕駛員安全帶佩戴率，提出一種基于模糊增強的安全帶識別方法。該方法首先對采集到的駕駛員圖像進行光補償處理，采用自定義的Canny算子進行邊緣檢測，再使用Hough變換對處理過的圖像進行直線檢測和初步判斷，對于沒有檢測到安全帶的圖像進行模糊增強，采用最大類間方差法選擇最佳閾值進行圖像分割得到二值化圖，再進行直線檢測并得到最后結論。實驗證明，該方法有效地完成對駕駛員安全帶佩戴情況的識別，具有較高的準確率。

安全帶識別；邊緣檢測；Hough變換；直線檢測；模糊增強

安全帶是公認的最有效、最直接的車內被動保護設施，通過佩戴安全帶可以有效降低交通事故的傷亡率［1］。作為降低交通事故中死傷率和保障司機安全駕駛的一項重要舉措，交管部門嚴格要求駕駛員在行車過程中佩戴安全帶。因此，對安全帶佩戴提示系統及識別方法的研究，有著重要的意義。目前，國內外主要通過安裝傳感器的方法對安全帶佩戴進行檢測識別，如在卡座中安裝傳感器進行檢測［2］，系統判定只有當安全帶卡扣插入安全帶卡座并且鎖定的情況才是安全帶正常佩戴的情況。但是駕駛員經常有假佩戴［3］的行為出現，比如先將安全帶卡扣扣好，然后再坐在座椅上。文獻［4］通過在坐墊和靠背上安裝壓力傳感器來進行輔助檢測，但這種方法依然不能有效地提高安全帶佩戴率。通過道路監控的方式采集的駕駛員圖像，對安全帶佩戴進行檢測，只能夠記錄數據，無法做到及時提醒和警告駕駛員的作用。文獻［5］采用一種基于灰度積分投影的方法對安全帶進行檢測識別。但是該方法需要具有反光性能的安全帶，不具有普遍適用性。針對現有安全帶識別方法的不足，本文提出一種基于模糊增強的安全帶識別方法。該方法設計了一種安全帶檢測模型，通過對圖像進行模糊增強，增強邊緣點兩側像素灰度的對比度［6］，然后利用直線檢測及判別模塊對圖像進行檢測，達到安全帶識別的目的。該方法能有效準確地識別出駕駛員是否佩戴安全帶，具有較強的實用性。

1 安全帶佩戴識別過程

駕駛員的圖像信息通過在車內安裝攝像機采集得到，首先進行圖像預處理，包括光補償和平滑去噪。然后對經過預處理的圖像進行邊緣檢測和直線檢測，初步判斷是否有佩戴安全帶。對于判斷沒有佩戴安全帶的圖像，先對經過預處理的圖像進行模糊增強，再采用最大類間方差法選擇最佳閾值進行圖像分割得到二值化圖，然后進行直線檢測并得出最終結論。安全帶識別算法流程如圖1所示。

圖1 安全帶識別算法流程

1.1 圖像預處理

1.1.1 光照補償

由于車輛使用環境較為復雜，尤其是車輛內部光線環境變化很大，文中選擇代表大多數情況的普通光照條件下的駕駛員駕駛圖像進行處理，而完全黑暗或者陽光曝曬的極端情況并不考慮。利用照度儀經過多天實驗測得車內光照強度范圍在100～20 000 lx。本文采用自適應非線性變換修正法［7］對像素的亮度值進行處理。具體過程如下：

1）對較亮和較暗區域的修正。

設輸入圖像像素的亮度值為g（x，y），輸入圖像像素總數是N，灰度級是L，文中取L＝256，第i級灰度的值是ri，灰度級ri出現的頻數為ni，pr（ri）為第i個灰度級出現的概率：

當si＜5%，si＋1＞5%時，若mi＞100且g（x，y）灰度值靠近0，令H＝g（x，y）；即從低到高對整幅圖像像素的亮度值進行排列，若有足夠多的像素排在前5%（例如滿足條件的像素個數大于50，本文取整個圖像像素個數的3%），就將這些像素的最大亮度值改為H。

當si＜95%，si＋1＞95%時，若mi＞100且g（x，y）灰度值靠近255，則令L＝g（x，y）；即從高到低對整幅圖像像素的亮度值進行排列，若有足夠多的像素排在前5%（例如大于50，本文取整個圖像像素個數的3%），就將這些像素的最小亮度值改為L。

2）對中間灰度區域的修正。

根據人的視覺感應模型，為了獲得柔和且層次清晰的變換后圖像，要求人視覺的視敏響應模擬曲線和圖像變換后的直方圖是相匹配的。根據文獻［8］可知，人視覺感受的亮度強弱與眼睛入射光強（照度）是對數函數的關系。變換關系如下：

式中：f（x，y）為經過變換后的圖像像素亮度值；m、n表示圖像變換前的最大和最小灰度值；GH、GL是圖像變換后的最大和最小灰度值。

自適應非線性變換函數f（x，y）表示如下：

1.1.2 濾波去噪及感興趣區域截取

圖像經過光線補償后，仍然會存在一定的噪聲，會造成后續處理工作準確性的降低。為了提高檢測準確度，本文利用中值濾波對于點狀噪聲和干擾脈沖具有良好的抑制作用的特點進行平滑去噪。通過固定角度的攝像機拍攝的駕駛員圖像即使每個個體身材不同，但是對檢測結果有重要影響的駕駛員軀干部分還是會在相對固定的位置，為了進一步提高識別準確率，本文選擇截取駕駛員頸部以下的軀干部分作為感興趣區域進行安全帶檢測。

1.2 邊緣檢測

在各種經典邊緣檢測算子中，Canny算法不僅具有最全面的邊緣信息［9］而且對于光照改變時依然魯棒。Canny算子是根據檢測邊緣的可靠性和有效性，研究最優化檢測邊緣的特性，并推導出數學表達式。Canny算子是從滿足邊緣檢測效果的3個準則出發推導得出的，3個準則分別是：信噪比高、定位性能強、邊緣響應單一。

圖2是滿足上述3個準則的邊緣檢測算法流程圖。從圖2可以看出，輸入圖像首先要進行高低平滑濾波，抑制圖像噪聲。高斯函數為

式中：x、y為圖像中的二維參數，σ控制平滑程度，σ越小，邊緣定位精度越高，圖像信噪比越小；σ越大，邊緣定位精度越低，對噪聲能夠極大抑制。σ一般取1.0～2.0。

圖2 Canny算子邊緣檢測流程

圖3 Canny邊緣檢測效果圖

其次，Canny算子通過計算像素點的梯度得到邊緣點，同時計算出每個像素點的梯度幅度和梯度方向。再用非極大值抑制法對圖像的屋脊進行細化，保留局部幅值變化最大的邊緣點。具體方法是：考慮像素點的3×3鄰域，將中心像素點的梯度幅值與其梯度方向所在區域相同的2個像素點的梯度幅值相比較，若中心像素點的幅值小于相鄰像素點的幅值，則中心像素點為非邊緣點；反之，中心像素點為候選邊緣點。

最后使用雙梯度閾值法［10］對邊緣點進行連接操作。具體方法是：設定2個門限值，高閾值T1和低閾值T2。對圖像中每一個像素點進行檢測，梯度幅值大于幅值T1的像素點被認為是邊緣點，幅值小于閾值T2的像素點則被認為是非邊緣點，于兩閾值之間的像素點視為弱邊緣點。即分別用高閾值T1和低閾值T2對圖像進行檢測，將梯度幅值小于T1的像素灰度設為0得到邊緣圖像1，把梯度幅值小于T2的像素灰度設為0得到邊緣圖像2。選取閾值較大的圖像1噪聲少，但丟失了部分真實邊緣，而選取閾值較小的圖像2，保留了大部分的邊緣信息，但存在偽邊緣。因此可以以邊緣圖像1為基礎，再以邊緣圖像2進行修正從而得到最終的邊緣圖像。圖3即為使用Canny算子進行邊緣檢測得到的效果圖。其中，左側（a）組的5張圖像為原彩色圖像，右側（b）組的5張圖像為對應的邊緣檢測后的圖像。

1.3 基于模糊增強的安全帶直線檢測

駕駛員的衣著顏色會影響邊緣檢測效果及后續判斷的結果，因為會有駕駛員衣物的灰度值與安全帶灰度值接近的情況，這時通過對圖像進行模糊增強可以有效增大區域對比度，提高檢測準確性。

1.3.1 基于GFO算子的模糊增強

模糊集理論在感知、分析判斷及辨識人類的各種行為時是一個有效的工具，而一幅灰度圖像邊緣檢測的效果隨著圖片所含的灰度級的層次的減少而變好，基于上述原因，Pal.King等［11］提出了一種圖像邊緣檢測模糊算法。但由于該算法的模糊隸屬函數采用冪函數形式，運算量大，并且為了解決逆變換無解的問題會以犧牲圖像中部分低灰度值的灰度信息為代價。本文的隸屬函數采用升半梯形分布，并利用廣義模糊算子［12］將廣義模糊集變換為普通的模糊集合，在模糊空間做對比度增強處理，提高了檢測速度和質量。

論域上U廣義模糊集合A表征為

式中：μA（x）∈［－1，1］稱為U上A的廣義隸屬函數。普通模糊集合經過擴充成為廣義模糊集合，即將普通模糊集合的隸屬函數從μA（x）∈［0，1］擴充至廣義模糊集合的μA（x）∈［－1，1］。

定義一個廣義模糊算子GFO，廣義模糊集A經其作用可產生普通模糊集A′，即A′＝GFO（A），本文GFO定義如下：

根據分段函數在r處的連續性可得r≈0.295 6。GFO算子的作用是降低廣義模糊集A的模糊度，即通過增加－1≤μA（x）＜0和r≤μA（x）≤1區域中μA（x）的值和降低0≤μA（x）＜r中μA（x）的值來增強區域間對比度。采用Pal算法進行圖像增強，需要迭代運算（一般需要2～5次迭代）來達到較好的增強效果，算法運算時間長。而式（1）引入開放運算，進一步強化增強效果，一般只需一次迭代即可得到較好效果。

把圖像X看作是一個廣義的模糊集合，表示為矩陣：

本文通過一種升半梯形分布函數來求Pij，即

式中V為可調參數，選擇范圍為

式中xmax和xmin分別為圖像的最大和最小灰度值，式（2）是一個簡單的線性函數，運算速度快。

基于GFO算子的模糊增強算法步驟如下：

1）通過式（2）將圖像X從空間域的灰度值X＝｛xij｝映射到與之對應的廣義隸屬度P＝｛Pij｝。

2）通過定義的GFO算子對廣義隸屬度進行非線性變換，增強區域之間的對比度。

3）利用式（2）的反函數進行對普通隸屬度P′的逆變換，得到經過了模糊增強的圖像X′，X′中像素點的灰度x′ij為

1.3.2 圖像二值化

圖像二值化的主要目的是保留圖像的有用信息。最大類間方差法［13］具有計算簡單、自適應強的特點，因而成為使用最多的圖像閾值自動選取方法之一，被廣泛應用在圖像二值化處理中。最大類間方差法是1979年由日本學者大津提出的，又稱大津法，簡稱OTSU。其主要思想是用閾值T把圖像的灰度值集合分為2類，然后計算2個類別的平均值方差（類間方差）和這2個類的方差（類內方差）的比，比值最大時候的閾值T即為所求閾值。

假設圖像有L個灰度級，閾值為T，根據灰度值在T以下或者在T以上將像素分為2類，設為類1和類2。類1中的像素數量為n1（T），灰度值的均值為v1（T），方差為σ21（T）；類2中的像素數量為n2（T），灰度的均值為v2（T），方差為σ22（T）。全體像素的平均值為VT，則類內方差為

類間方差為

1.3.3 直線檢測及判別

在眾多的直線檢測算法中，Hough變換因其算法穩定性高、抗噪性能好的特點而被廣泛使用，但存在計算量和儲存空間太大的缺點。本文采用改進的直線檢測算法［14-15］，即設定一距離條件以及累加器單元閾值，在隨機Hough變換選取點對時需先滿足距離條件，然后才可計算參數值，進而得到參數空間。這樣有效地解決了上述問題，提高了圖像直線特征提取的運算速度。距離的獲得公式如下：

算法步驟如下：

1）掃描圖像空間，得到邊緣點集D，設定參數空間Q為空，迭代步驟數k＝0。

2）隨機從D中選取點對d1（x1，y1）和d2（x2，y2），d1（x1，y1）≠d2（x2，y2），如果d≤dmax，則繼續下一步，否則重新選取d1（x1，y1）和d2（x2，y2）。

3）將點對代入得到參數空間點q＝（a1，a2）。

4）在參數空間中搜索qc，若則認為存在這樣的qc，轉到步驟6），否則轉到步驟5）。

5）把q插入到參數空間中，轉到步驟7）。

6）相應的累加器單元計數加1，并且檢測該計數是否大于設定的閾值，如果是，轉到步驟8），否則轉到步驟7）。

7）k＝k＋1，如果k＞kmax，算法結束，否則轉到步驟2）。

8）qc為所檢測到的直線參數，將D中相應的點清除后對參數空間進行初始化，轉到步驟2）。

根據安全帶幾何特征的先驗知識，本文基于Hough直線檢測提出了一種安全帶佩戴檢測模型。規定了所檢測到的直線的斜率范圍為－85°～－30°，規定了所檢測到的2條直線的斜率差絕對值應小于30°。直線檢測及判別模塊的流程圖如圖4所示。

圖4 直線檢測及判別模塊一流程

2個直線檢測及判別模塊在輸出部分略有不同，需要模塊2輸出沒系安全帶的時候將直接轉入模糊增強部分。

2 實驗結果與分析

在主頻2.0 GHz，內存2 GB，Windows XP操作系統的計算機上進行實驗，軟件環境采用MATLAB7.0圖像處理工具箱。按照上述方法對10名駕駛員在不同時刻的不同光照條件下共150張采集圖片進行實驗，選取的各組圖片駕駛員衣著顏色和紋理不同，并有是否佩戴安全帶的區別。實驗所得識別正確的圖像個數為124張，識別準確率為82.7%。佩戴安全帶和不佩戴安全帶的駕駛員識別結果如表1、2所示。

表1 佩戴安全帶的駕駛員識別結果統計

表2 沒佩戴安全帶的駕駛員識別結果統計

部分駕駛員原圖像及安全帶識別結果如圖5、6所示。

圖5 駕駛員佩戴安全帶的識別結果

圖6 駕駛員沒佩戴安全帶的識別結果

為了驗證本文算法可以排除條形圖案的衣服對實驗結果的干擾，也對條形圖案的衣服做了實驗，實驗結果如圖7所示。

圖7 條形圖案的衣服識別結果

由實驗結果可知，除非駕駛員衣物灰度與安全帶的灰度極為接近，否則駕駛員衣物顏色不會對檢測結果造成影響。但駕駛員衣著或飾物對安全帶的遮擋會造成圖像中安全帶出現變形、不連續，甚至斷點的情況，從而會造成識別錯誤，這是影響本文算法識別準確率的主要原因。

實驗結果表明，通過本文算法檢測駕駛員是否佩戴安全帶的準確率較高，能夠適應不同的駕駛人及不同的服飾條件。相較于文獻［5］的方法，本算法不要求裝備反光性能的安全帶，更具有普遍適用性。

3 結束語

針對目前安全帶佩戴提示系統的不足，采用光照補償和平滑濾波對采集到的圖像進行預處理，通過Canny邊緣檢測和Hough直線檢測，初步判斷是否有佩戴安全帶。對于判斷沒有佩戴安全帶的情況，則對預處理過的圖像進行圖像增強，再采用最大類間方差法進行圖像分割得到二值化圖，最后進行直線檢測得到安全帶佩戴識別結果。由實驗可知，駕駛員衣物對安全帶的遮擋及安全帶的變形會造成識別錯誤，考慮使用顏色模型和帶狀區域檢測相結合的方法，進一步提高識別準確率，是未來工作努力解決的方向。

［1］National Highway Traffic Safety Adm inistration.Fifth／Sixth report to congress：effectiveness of occupant protection sys-tems and their use［R］.Washington DC：U.S.Department of Transportation；National Highway Traffic Safety Adminis-tration，2001.

［2］OKADA Shoji.Seat belt warning device：United States， US6239695B1［P］.2001-05-09.

［3］俞學群，武陽豐.機動車安全帶作用、使用現狀及干預策略［J］.中國預防醫學雜志，2008（5）：440-441.

［4］BECKER G，MOUSEL T，SCHOCKMEL P.TOR（total oc-cupant recognition）system［C］//Proceedings of 17th In-ternational Technical Conference on the Enhance Safety of Vehicles.Amsterdam，Netherlands，2001：4-10.

［5］葛如海，胡滿江，符凱.基于灰度積分投影的安全帶佩戴識別方法［J］.汽車工程，2012，34（9）：787-790.

［6］李弼程，彭天強，彭波.智能圖像處理技術［M］.北京：電子工業出版社，2004：246-298.

［7］梁曉輝，游志勝.自適應的彩色圖像光照補償新方法研究［J］.光電工程，2006，33（2）：94-97.

［8］WERBLIN F S，COPENHAGEN D R.Control of retinal sensitivity［J］.Journal of General Physiology，1974，63（1）：62-87.

［9］CANNY JA.Computational approach to edge detection［J］.IEEE Trans on PAMI，1986，8（6）：679-698.

［10］王植，賀賽先.一種基于Canny理論的自適應邊緣檢測方法［J］.中國圖象圖形學報，2004，9（8）：957-962.

［11］PALSK，KINGR A.Image enhancementusing smoothing with fuzzy sets［J］.IEEE Trans on System，Man and Cy-bernetics，1981，11（7）：494-501.

［12］王輝，張基宏.圖像邊界檢測的區域對比度模糊增強算法［J］.電子學報，2000，28（1）：45-47.

［13］李宏，張冬生，林義剛，等.基Otsu理論的灰度圖像分割算法研究和改進［J］.科學技術與工程，2010，22（10）：5437-5440.

［14］陳志良.序列圖像中的直線特征提取與匹配［D］.南昌：南昌航空大學，2011：27-29.

［15］岳健，項學智.一種改進的Hough圓檢測算法［J］.應用科技，2006，33（6）：74-76.

A method of recognizing seat-belt wearing based on fuzzy enhancement

LIWanchen，ZHANG Jin
College of Information and Communication Engineering，Harbin Engineering University，Harbin 150001，China

To overcome the insufficency of existing warning systems for seat-beltwearing，and to further increase the seat-beltwearing rate，a new method for recognizing whether a seat-belt isworn or not is proposed based on fuzzy enhancement.In thismethod，firstly，the collected images of the driver are processed by light compensation.After using the customized Canny operator for edge detection，the straight-line detecting based on Hough transform and the preliminary judgment are proceeded.By processing the images in which the seat belt hasn’t been detected，a picture with fuzzy enhancement is obtained，then the Otsu method is used to select the optimal threshold for image segmentation，deriving the binary images.And then the straight-line detection is proceeded and thus the final con-clusion is reached.The test results show that the method proposed can effectively recognize the seat-belt wearing state with high accuracy.

seat-belt recognition；edge detection；Hough transform；straight-line detection；fuzzy enhancement

TP391.4

：A

：1009-671X（2015）01-22-06

10.3969／j.issn.1009-671X.201312001

http：//www.cnki.net／kcms／detail／23.1191.U.20150112.1530.004.htm l

2013-12-02.

日期：2015-01-12.

李萬臣（1963-），男，教授；張晉（1988-），男，碩士研究生.

李萬臣：E-mail：lwchen＠hrbeu.edu.cn.