基于最大局部变化的安全带检测算法*

杨　鹏（浙江工贸职业技术学院，浙江温州325003）

基于最大局部变化的安全带检测算法*

杨鹏
（浙江工贸职业技术学院，浙江温州325003）

传统的边缘检测算法的效果很大程度上取决于阈值的选取，针对这个问题，提出了基于局部最大变化和二维OTSU的边缘检测方法，该方法利用图像局部区域的所有像素灰度值与中心像素灰度值的最大差值来描述图像边缘分布信息，从而得到图像边缘分布信息图，然后利用二维OTSU方法对该边缘分布信息图进行二值化处理得到边缘二值图。利用该边缘二值图，结合车辆的一些先验信息，提出车窗定位算法，并进一步确定驾驶员区域，最后通过在驾驶员区域内检测是否存在满足安全带先验特征的直线来判断驾驶员是否佩戴安全带。实验结果表明，该方法能够准确定位车窗边缘和驾驶员区域，可以应用于安全带的检测，具有一定的实用价值。

边缘检测；车窗定位；安全带检测

0　引言

安全带是目前公认的最有效、最直接的车内被动保护设施，为了降低交通事故中死伤率和保障司机安全驾驶，我国交管部门严格要求驾驶员在行车过程中佩戴安全带，并在2015年的新交规中对不系安全带的行为做了明确的处罚规定。

目前，安全带检测主要有两种技术方案：基于传感器的检测和基于图像处理的检测。传感器技术是利用安装在车内的传感器来检测驾驶员是否佩戴安全带，目前最常用的就是日本工程师Okada等［1］提出的基于锁扣传感器式的安全带检测方法。基于传感器的安全带检测系统具有实用性高、成本低和结构简单等优点，但检测范围仅局限于车内检测，无法对驾驶员是否系安全带的行为进行有效的外部监督，即驾驶员可以采取多种方式规避其检测。基于图像处理技术的安全带检测是通过计算机来对采集得到的道路监控图片进行一系列的处理后进行智能分析，从而判断驾驶员是否佩戴安全带，该方法能够有效避免基于传感器方法的不足，能够从侧面对驾驶员不佩戴安全带的行为进行有效监督和约束。

本文主要研究基于图像处理技术的安全带检测，因此也只关注图像处理相关的安全带检测文献。葛如海等［2］提出了一种基于灰度积分投影的安全带佩戴识别方法，但该方法对安全带的反光性能有一定要求，并且只适合于车内的检测；石时需等［3］针对高速公路的应用场景，结合车牌定位技术、人脸检测技术和边缘检测技术对安全带进行检测，但是当待检测图像中人脸区域被遮挡或车内光线较弱时，该方法就无法定位驾驶员位置也无法获得较好的边缘检测效果，因此也就无法准确检测安全带；谢腾等［4］利用基于Freeman链码的最小二乘圆弧拟合法来识别方向盘边缘圆弧，并结合安全带固有的先验特征来构造特征向量，最后利用支持向量机来完成对安全带的检测，该方法仍然对车内光线有一定的要求，并且在边缘检测时，不同的阈值也将会对结果产生很大的影响；李万臣等［5］提出一种基于模糊增强的安全带佩戴识别方法，该方法仍然需要利用Canny算子来对图像进行初步的边缘检测，因此也存在不同阈值会产生不同结果的问题，另外，该方法仅仅针对车内采集得到的图片进行测试，不能对道路监控图片进行测试。

综上所述，目前，基于图像处理技术的安全带检测方法都必须先对待检测图像进行边缘检测，而最常用的方法就是Canny边缘检测。但是基于Canny算子的边缘检测方法存在最优阈值选取的问题，即不同阈值将获得不同的边缘检测结果，而实际获得的交通监控图像在清晰度、对比度方面存在很大差异，因此无法利用固定的阈值来进行边缘检测。为了解决这个问题，本文提出一种基于最大局部变化的安全带检测算法。该算法利用局部最大变化算子计算车辆区域的边缘分布，并利用二维OTSU算子对该边缘分布图进行二值化，以此得到车辆区域的边缘检测结果；然后通过车牌的位置以及边缘信息来综合确定车窗区域，从而确定驾驶员区域；最后结合驾驶员区域的边缘信息和安全带的先验特征来判断驾驶员是否佩戴安全带。基于最大局部变化的边缘检测方法不需要设定阈值，能够避免Canny边缘检测算法的不足。实验结果表明，该方法能够获得较好的检测效果，具有一定的实用性。

1　基于最大局部变化的边缘检测

最大局部变化（Maximum Local Variation，MLV）的概念是Khosro Bahrami等［6］提出来用于图像锐化度评估的。最大局部变化是用来度量图像局部区域内像素灰度值的变化的一种度量准则，图像局部区域内像素灰度值的变化能够反映该局部区域的图像锐度的强弱，也就能够反映该区域的边缘分布信息，因此，可以利用最大局部变化来对图像进行边缘检测。

最大局部变化定义为：对于每一个像素P（i，j），其灰度值为Ii，j，计算其与8-邻域内所有其他像素的灰度值差，取其中最大的差值作为该像素的最大局部变化值，公式表示如下：

其中，Ix，y（i-1≤x≤i+1，j-1≤y≤j+1）表示像素P（i，j）的8-邻域的像素点对应的灰度值。

对于给定的一幅图像I，每个像素点都可以得到一个局部最大变化值，这样就可以得到一个新的图像边缘分布信息图Ψ，即

采用局部最大变化得到的边缘分布图让边缘信息变得更为明显，为了进一步得到边缘图像，本文采用文献［7］提出的二维OTSU算法进行图像二值化处理。图1（a-c）分别展示了原始图像及其边缘分布信息图和边缘二值化图。

图1　原始图、边缘分布图和边缘二值化图

2　车辆和车牌定位

本文提出算法的流程如图2所示，其中第一步就是车辆区域和车牌区域的定位。文献［8］提出了一种可变形部件模型用于目标检测，文献［9］将其用于车牌检测并获得较好的检测效果。本文将采用可变形部件模型进行车辆区域的定位，算法步骤可参阅文献［9］所述。

确定车辆区域后，本文将采用文献［9］所述的方法在该区域内进行车牌定位，算法步骤见图2。

图2　算法流程图

1）对图片进行垂直边缘检测；

2）对垂直边缘图像进行水平投影，利用直方图分析得到候选的车牌行区域；

3）计算候选区域内水平边缘的紧密度，并根据紧密度得到新的候选车牌区域；

4）对候选区域进行膨胀处理，并对空洞区域进行填充；

5）对膨胀处理后的区域进行腐蚀操作和中值滤波得到最后的候选车牌区域；

6）根据候选车牌区域的面积确定最终的车牌位置。

图3展示了车辆区域定位和车牌定位的结果，蓝色框为车牌定位结果，红色框为车辆区域定位结果。

3　车窗上下边缘及驾驶员区域定位

确定车牌位置后，可以根据车牌位置和车牌大小确定车窗的大致宽度。首先，根据车牌信息确定检测车窗的区域，具体计算公式如下：

其中，（x0，y0）为区域的左上点坐标，（x1，y1）为区域的右下点坐标，（Plate_x，Plate_y）为车牌左上点坐标，Plate_w和Plate_h分别是车牌的宽度和高度。这样，用于车窗上下边缘定位的图片Im_w ind ow可以表示为：

Im_w ind ow=Im_edg（x0:x1，y0:y1）（4）

其中Im_edg为车辆区域的边缘二值图。

采用hough直线检测方法检测Im_w ind ow内的倾斜角度th eta满足||th eta≤2的所有直线，其中离图像原点最远的那条直线即为车窗的下边缘，剩余直线到原点距离的和的平均值即为车窗上边缘到原点的距离。

其中line_ρ（x）表示原点到直线x的距离，n是检测得到的直线条数，w ind ow_b是原点到车窗下边缘的距离，w ind ow_t是原点到车窗上边缘的距离，T是一个阈值用来删除那些明显不是车窗边缘的直线，本文取T=100。

确定车窗上下边缘后，采用如下公式计算驾驶员区域：

其中（Driver_x0，Driver_y0）为驾驶员区域的左上点，（Driver_x1，Driver_y1）为驾驶员区域的右下点。

图3中的绿色框为用于检测车窗边缘的区域，黄色的两条直线为检测得到的车窗上下边缘，黑色框为检测得到的驾驶员区域。

图3　检测结果示意图

4　安全带检测

根据安全带的先验知识可知，安全带对应的边缘应位于倾斜角度在45度左右的直线上，因此可以根据驾驶员区域内是否存在满足该先验信息的直线来判断驾驶员是否佩戴安全带。

5　实验结果和分析

为了验证该算法的检测效果，在英特尔3.2G双核处理器，8G内存的硬件环境，和matlab2014软件环境中进行实验。实验分为两部分，第一部分是比较本文所提的基于局部最大变化的边缘检测方法与传统的基于canny算子的边缘检测方法的效果差异，第二部分是验证本文算法用于检测安全带的有效性。

实验一对一幅交通卡口采集得到的大小为1 600×1 200的图像分别采用本文第二节所提的边缘检测方法和canny边缘检测方法进行边缘检测，其中canny边缘检测采用的阈值为matlab软件默认的阈值。图4（a）为原始图片，图4（b）为本文方法得到的边缘二值图，图4（c）为canny算子得到的边缘二值图。其中采用最大局部变化算子计算边缘信息分布图的部分matlab代码如下：

图4　边缘检测结果对比

由结果可以看出，Canny方法得到的结果含有大量类似噪声点的干扰，不适合做进一步的处理，而本文提出的基于局部最大变化和二维OTSU的边缘二值化的方法能够突出主要目标轮廓，适合接下来的车窗区域的定位。Canny方法通过调整阈值也可以减少干扰项，但一组阈值只能适合于特定的一幅图片，而本文提出的方法不需要设定阈值，因此，本文方法能够避免Canny算法的不足。

实验二对4幅在交通卡口采集得到的大小为1 360×970的图像进行检测。图5为检测所用的图片，图6为对图5（a-b）检测得到的驾驶员区域及其边缘二值化图，图7为图5（c-d）检测得到的驾驶员区域及其边缘二值化图，其中图7中的红色直线为检测得到的安全带边缘。其中确定车窗下边缘的部分matlab代码如下：

由检测结果可以看到，本文提出的方法能够较为准确检测出驾驶员区域，并进一步检测出安全带边缘。

图5　检测图片

图6　检测图片a-b的检测结果

图7　检测图片c-d的检测结果

7总结与展望

目前常用的基于图像处理技术的安全带检测方法是通过在驾驶员区域内进行直线检测来判断驾驶员是否佩戴安全带，检测准确率很大程度上依赖于驾驶员区域和边缘检测结果。传统的边缘检测方法的效果很大程度上取决于阈值的选取，本文提出的利用图像最大局部变化和二维OTSU方法来进行边缘检测的策略能够避免传统方法的不足。利用该方法获取的边缘二值图以及车辆的一些先验信息，本文进一步提出一种准确的车窗定位和驾驶员区域定位算法，并在驾驶员区域内结合该边缘二值图来判断驾驶员是否佩戴安全带。实验结果证实了该方法的有效性。但是该方法对车牌定位的要求较高，后期可以加入更为准确的车牌定位算法来提高安全带检测的准确率。

［1］Okada S，SuzukiY，TakayanagiH.Seatbeltwarning device:U.S.Patent6，239，695［P］.2001-5-29.

［2］葛如海，胡满江，符凯.基于灰度积分投影的安全带佩戴识别方法［J］.汽车工程，2012（9）:787-790.

［3］石时需，秦勇，蔡昭权，等.基于高速公路交通图像的安全带自动识别算法［J］.计算机与现代化，2014（5）:118-121.

［4］谢腾，穆平安，戴曙光，等.一种改进的安全带图像特征提取方法的应用［J］.信息技术，2015，39（1）:154-158.

［5］李万臣，张晋.基于模糊增强的安全带佩戴识别方法［J］.应用科技，2015，42（1）:22-27.

［6］Bahrami K，Kot A C.A fastapproach forno-reference image sharpness assessmentbased onmaximum local variation［J］.Signal Processing Letters，IEEE，2014，21（6）:751-755.

［7］朱志亮，刘富国，陶向阳，等.基于积分图和粒子群优化的肤色分割［J］.计算机工程与应用，2014（21）:171-174.

［8］P.Felzenszwalb，D.McAllester，and D.Ramanan.A discriminatively trained，multiscale，deformable partmodel，in IEEE Conference on ComputerVision and Pattern Recognition，2008.1:1-8.

［9］FaradjiF，Rezaie A H，Ziaratban M.Amorphological-based license plate location［C］//Image Processing，2007.ICIP 2007.IEEE International Conference on.IEEE，2007，1:I-57-I-60.

（责任编辑：黎浩宏）

Seat BeltDetection Based on Maximum LocalVariation

YANG Peng
（Zhejiang Industry&Trade VocationalCollege，Wenzhou，325003，China）

While the effectof traditionaledge detection algorithms is largely dependenton the selection of threshold value，and a new edge detectionmethod based onmaximum localvariation and 2D OTSU wasproposed.Themethod calculated the differenceof the gray values of the all pixelsand the center pixel in a localarea in an image and used the biggest difference values in different local areas to describe the edge distribution information of the image.To do this，an edge distribution information image could be obtained，and then themethod used the2D OTSUmethod to segment theedge distribution information imageand gained theedge binary image. Based on the edge binary image and some prior information of the vehicle，an algorithm for carw indow area and driver area localization was proposed.In theend，a seatbelt detectionmethod wasproposed by detectingwhether there isa linemeeting the seatbeltprior characteristics in the driverarea.Theexperimental results show that themethod can accurately locate the carw indow edgesand the pilotarea，and can beapplied to detect the seatbelts，and then hasa certain practicalvalue.

edge detection；vehiclewindow localization；seatbeltdetection

TP391.41

A

1672-0105（2016）01-0037-05

10.3969/j.issn.1672-0105.2016.01.010

2016-01-10

浙江工贸职业技术学院2015年度第一期教师科技创新活动计划项目“基于图像处理的安全带检测系统的研究”（G150109）

杨鹏，硕士，浙江工贸职业技术学院讲师，主要研究方向：计算机应用，教学管理。