基于车牌识别的未扣紧安全带违章驾驶检测系统及方法

摘要

一种基于车牌识别的未扣紧安全带违章驾驶检测系统，包括：车牌定位模块，车牌分割模块，车牌字符识别模块，人脸检测模块和安全带检测模块，所述人脸检测模块检测得到人脸后，往图像下方采用所述安全带检测模块对是否扣紧安全带进行检测。在检测到人脸后，再检测是否扣紧安全带，提高了检测的精确性。

主权项

一种基于车牌识别的未扣紧安全带违章驾驶检测系统，包括：车牌定位模块，车牌分割模块，车牌字符识别模块，人脸检测模块和安全带检测模块，其特征在于：所述人脸检测模块检测得到人脸（1）后，往图像下方采用所述安全带检测模块对是否扣紧安全带（3）进行检测，其中所述车牌定位模块，车牌分割模块和车牌字符识别模块对车牌（2）进行识别；所述车牌字符识别模块采用车牌分割模块的结果，使用卷积神经网络算法，该卷积神经网络算法通过如下方式得到：采用反向传播(BP)算法，也就是通过理想输出值和实际输出值之间的差值来后向传递误差，并通过随机梯度法来修正权重，具体的更新过程如下：对每个样本要优化的目标函数是其均方误差MSE：（1）其中是理想输出，其值和这个样本的类别有关，通常假定为只在向量的类别处输出为1，其他输出都是‑1，是CNN的实际输出，Ei是每个样本的误差；卷积神经网络的权重更新采用的是梯度下降法，也就是按下式进行：其中W是卷积神经网络每个神经元的权重； 所以要求出，也就是最终的误差对每个权重的导数，另外更新因子和二阶导数有关，所以关键是要求出各个层中权重和偏置的这两个导数；（2）（3）其中y_i是单个神经元节点的输出结果，b_i是单个神经元关于权重W_i的偏置系数；对于最后一层，由公式（1）得到：（4）              其中卷积神经网络目标输出d_i；          由公式（3）得到： （5）              由公式（2）得到：（6）（7） 这样就可以由公式（4）导出公式（5），（6），（7）；  同理对二阶导数：由于，令，在理想的情况下，原函数的中间一条曲线应该是一条斜直线，所以这个假设是合理的。