发明名称 |
一种基于深度CNN的安全带检测方法 |
摘要 |
本发明属于智能交通领域,涉及一种基于交通卡口图像采用深度CNN的安全带检测方法,通过建立样本库并对其进行深度卷积神经网络训练,采用训练参数来判断新输入的图像中司机是否佩戴安全带;其包括提取驾驶员区域灰度图像、建立样本库、设计深度卷积神经网络和训练深度卷积神经网络并判断个案结果等步骤;其利用车辆前窗的上下边缘信息来提取车窗区域,并利用车牌区域进行驾驶员区域的辅助定位,无需借用人工设计分类特性对驾驶员是否佩戴安全带具有很高的判断精度,其判定方法原理简单,应用操作方便,判断误差小,安全可靠,具有很强的应用价值,应用环境友好。 |
申请公布号 |
CN106203499A |
申请公布日期 |
2016.12.07 |
申请号 |
CN201610529729.7 |
申请日期 |
2016.07.07 |
申请人 |
青岛大学 |
发明人 |
王国栋;徐洁;刘兵;王彬;潘振宽;张志梅 |
分类号 |
G06K9/62(2006.01)I;G06N3/04(2006.01)I |
主分类号 |
G06K9/62(2006.01)I |
代理机构 |
青岛高晓专利事务所 37104 |
代理人 |
张世功 |
主权项 |
一种基于深度CNN的安全带检测方法,其特征在于该方法主要包括以下步骤:(1)、提取驾驶员区域灰度图像:采集交通卡口拍摄的机动车行时的彩色图像,将彩色图像转变为灰度图像;在装有MATLAB工具的计算机系统中使用如下计算机函数对灰度图像进行处理,以便将车窗区域部分的图像从原始灰度图像中提取出来:carWindowAreaX1=max(plateCenterX‑plateW*2,1);carWindowAreaY2=max(plateCenterY‑plateW,1);carWindowAreaX2=min(plateCenterX+plateW*2,srcImgW);carWindowAreaY1=min(plateCenterY‑plateW*4.5,srcImgH);其中plateCenterX、plateCenterY为分别定位的车牌区域的中心点的X和Y坐标,plateW为车牌的宽度,srcImgW和srcImgH分别表示图像的宽度和高度;然后对提取出来的图像进行边缘检测,对图像进行边缘检测滤波,采用LOG算子进行滤波,Gaussian滤波器中高斯方差选为7,以便减少小的边缘的干扰;对经过滤波提取的线段进行合并,最大长度的两条线段即为车窗区域的上下边缘,即得驾驶员区域灰度图像;(2)、建立样本库:对步骤(1)采集的驾驶员区域灰度图像进行归一化处理,把图像缩放为144×144像素,挑选系安全带的图像12000张作为正样本,非确定系安全带的图像4000张作为负样本;然后对负样本进行扩展,把非确定系安全带的负样本分别进行正五度旋转和负五度旋转,将正负旋转得到的负样本中间区域随机进行加减20灰度操作,增加负样本对姿态和光照亮度方面的复杂性,以排除衣领及衣服边缘对结果判断的影响;经过上述操作使得正负样本比例达到1:1,即建立样本库;(3)、设计深度卷积神经网络:深度卷积神经网络的结果为输入层为144×144的灰度图像,深度卷积神经网络采用5个卷积层,第一卷积层卷积核为11×11,隐层的激活函数采用ReLU函数,利用2×2最大化池化技术,第二卷积层卷积核为5×5,隐层的激活函数采用ReLU函数,利用2×2最大化池化技术,第三卷积层卷积核为3×3,隐层的激活函数采用ReLU函数,该层不再对结果进行池话,第四卷积层卷积核为3×3,隐层的激活函数采用ReLU函数,该层不再对结果进行池话,第五卷积层卷积核为3×3,隐层的激活函数采用ReLU函数,对该层的输出利用2×2最大化池化技术进行降采样;最后一层为判断输出层,利用Softmax函数进行判断,把结果分为两类,即系安全带和未系安全带;(4)、训练深度卷积神经网络并判断个案结果:把步骤(2)采集的样本库通过步骤(3)设计的深度卷积神经网络进行训练,把训练结果参数保存在文件中;在利用深度卷积神经网络进行安全带识别时,将待判断的驾驶员区域灰度图像归一化为144×144,然后读取训练好的深度卷积神经网络参数对新采集的驾驶员区域图像进行判定,深度卷积神经网络的输出结果即为安全带是否佩戴的最终结果。 |
地址 |
266071 山东省青岛市市南区宁夏路308号 |