基于灰度积分投影的安全带佩戴识别方法*

葛如海，胡满江，符 凯

(江苏大学汽车与交通工程学院，镇江 212013)

前言

安全带被公认为是汽车内最有效的被动保护设施。当车辆发生碰撞时，安全带的使用可有效降低伤亡率［1］。因此，开发安全带佩戴提示系统和研究相应的安全带佩戴识别方法，对降低事故的伤亡率具有重大意义。目前，国内外安全带佩戴提示系统主要通过传感器进行佩戴识别，如文献［2］中提出了在卡座中安装传感器的检测方法，只有当安全带卡扣插入安全带卡座锁定后才会自动确认乘员已经系好安全带。但是乘员在安全带使用过程中存在逃避提示系统的假佩戴行为［3］，如直接坐在安全带已经扣好的座椅上或者购买单独卡扣将其插入卡槽。文献［4］中将压力传感器布置在坐垫和靠背上，用以检测座椅上是否有乘员，但这种方法仍然未能避免上述行为的发生。使用安装在公路上的监控摄像机对采集到的乘员图像进行安全带佩戴识别，但仅仅应用在道路监控，不能给驾驶员及时的提醒，同时该方法受光线和图像清晰度的影响很大［5］。文献［6］中提出将图像识别技术应用于人脸检测。

针对现有安全带佩戴提示系统的不足，在文献［6］中方法的基础上，本文中采用了一种基于灰度积分投影的安全带佩戴识别方法。该方法通过安全带垂直和水平积分投影曲线，结合安全带几何特征的先验知识，达到安全带佩戴识别的目的。该方法能有效地避免乘员的假佩戴行为，具有一定的工程应用价值。

1 安全带佩戴识别过程

首先通过安装在车内的CCD摄像机采集乘员的图像信息，其次对采集的图像进行预处理，包括平滑去噪和灰度图转化。然后对经过预处理的图像进行二值化操作并进行积分投影，最后结合安全带几何特征的先验知识确定安全带特征点坐标，从而达到安全带识别目的。安全带识别算法的流程图如图1所示。

1.1 图像采集与图像预处理

本文中为提高系统的适应性和结果的准确性，在图像信息采集过程中进行了光线补偿，并在图像预处理环节中增加了平滑去噪和彩色图转换为灰度图的步骤。

1.1.1 光线补偿

由于车辆的使用环境较复杂，导致车厢中光线环境变化较大，同时为避免由于乘员穿着衣物的颜色与安全带颜色过于接近而导致的检测误差，本文中利用光线照在具有反光性能的安全带上，会得到亮度较高图像的原理，在图像采集过程中，采用连续低照度LED进行光线补偿。

系统适当地延长了连续LED补光时间和CCD曝光时间，从而可以获得较清晰的图像;同时系统的工作周期为25s，连续LED补光时间4s，再加上LED灯光本身具有一定的方向性和聚光罩的聚光效果，使光线更加集中在待检测区域，从而可以有效降低灯亮给驾驶员造成的干扰。

图2(a)所示为采用光线补偿方式采集到的穿着白色衣物的乘员图像，通过对图像进行灰度值分析发现，即使是纯白色衣物，其图像的灰度值范围不会超过200，而反光安全带的灰度值范围达到240以上。

1.1.2 平滑去噪

在多变的车厢环境下获得的光线补偿图像存在一定的噪声，在图2(a)中标出，会降低后续处理工作的准确性。为去除这些噪声的影响，采用中值滤波技术［7］，它对于干扰脉冲和点状噪声具有良好的抑制作用。平滑去噪后的结果如图2(b)所示，经过平滑去噪后的图像，噪声得到了明显抑制，提高了后续处理工作的准确性。

1.1.3 彩色图转化为灰度图

经过平滑去噪处理的乘员图像，仍包含较多的色彩信息，比如背景和衣物颜色等，不利于安全带特征的识别。为此本文中采用非线性灰度变换技术将其转换为灰度图。以指数函数作为映射函数进行灰度变换，即

式中:f(x，y)为原图像(x，y)位置处的像素灰度值;g(x，y)为变换后的像素灰度值;a、b、c为可调参数。通过灰度变换，图像的低灰度区有较大的扩展而高灰度区得到了压缩，使图像灰度分配较为均匀，灰度图像如图2(c)所示。

经过预处理后的乘员图像，噪声得到了明显抑制，灰度对比明显，为后续的二值化处理打下基础。

1.2 图像二值化处理

对预处理后的图像进行二值化处理的目的在于保留图像的有效信息［8］。对图像进行灰度分析发现，涂有反光材料的安全带其灰度值达到240以上，而且即便是穿着纯白色衣物的乘员图像其灰度值范围仍不会超过200，因此图像可以看成由亮的安全带和深的乘员与座椅组成。这样的组成方式将对象(安全带)和背景(乘员与座椅)所具有的灰度级的像素分成两组不同的支配模式。于是采用阈值T由图像灰度级值确定的全局阈值分割法对图像进行二值化处理，其数学表达式为

实验中选取T=240，通过上述二值化过程，将安全带从图像中分割出来。结果表明，经过二值化处理后，安全带特征更加突出，进而使后续积分投影结果更加精确，有利于安全带特征的识别。二值化处理后的图像如图3(b)所示。

1.3 基于积分投影的安全带特征点的提取

1.3.1 图像的积分投影方法

积分投影法是根据图像在某些方向上的积分投影分布特征来对其进行检测［9］，当图像某一行像素灰度均值发生变化时，这种变化会在水平积分投影值上反映出来，同理，当图像某一列像素灰度均值发生变化时，这种变化会在垂直积分投影值上反映出来。水平积分投影和垂直积分投影公式分别为

式中:n为一行所有的像素点数;m为一列所有的像素点数。

由此可知，水平投影就是将一行所有的像素点的灰度值进行累加后再显示，垂直投影就是将一列所有的像素点的灰度值进行累加后再显示。

1.3.2 安全带特征点的提取

对二值化图像分别在垂直和水平方向进行灰度积分投影，得到积分投影曲线，如图3(a)和图3(c)所示。

根据灰度积分投影曲线，结合安全带特征的先验知识，对安全带的特征点进行提取。假设图像的宽度和长度分别为xImage，yImage;腰带左、右两端点的横坐标为xLeft，xRight;纵坐标为yWaist_Belt;肩带顶点的纵坐标为yShould_Belt。

根据垂直积分投影确定腰带左、右端点的横坐标xLeft，xRight。观察垂直积分投影图，结合安全带特征先验知识可知:积分投影曲线左、右两个零值点对应的横坐标即为腰带左、右端点的横坐标xLeft，xRight。

同理，根据水平积分投影确定腰带端点纵坐标yWaist_Belt和肩带顶点纵坐标yShould_Belt。利用腰带灰度值水平积分投影较集中的特点，积分投影值越大则越有可能是腰带。观察水平积分投影可知:积分投影曲线在y1～y2区间上有明显凸起的阴影部分恰好对应腰带区域，于是求得腰带端点的纵坐标为同时，水平积分投影曲线的第2个零值点所对应的纵坐标即为肩带顶点的纵坐标yShould_Belt。

综上所述，求得三点式安全带3个点坐标为:

(xLeft，yWaist_Belt)，(xRight，yWaist_Belt)和(xRight，yShould_Belt)。输出结果如图4中圆圈内“+”所示。

2 实验验证分析

为验证上述方法的适应性和准确性，在主频3.0GHz奔腾IV、内存1GB、Windows XP操作系统的计算机上采用Matlab7.6图像处理工具箱软件环境中进行实验。按照上述方法对50名乘员分别在不同的光线条件下(白天和夜晚)采集的100幅图像进行图像处理和特征提取，这100幅图像的特点是存在光线条件、衣物颜色和头发等信息干扰，这对后续的特征提取有较大影响。根据光线条件的不同将100幅乘员图像分成两组分别进行实验，得到识别率分别为82%和85.3%，平均识别率为83.65%，部分乘员图像及识别结果如图5和图6所示。

由实验结果可知，夜晚比白天的识别率高的原因是反光材料在夜晚的反光效果更好，安全带亮度更高。乘员衣物颜色的不同对该方法不会产生影响，但衣领和乘员头发等对安全带的遮挡使图像中安全带不连续，出现断点，造成识别错误，这是影响识别率的主要原因。

实验结果表明，该方法检测安全带是否佩带的正确率较高，在不同环境、不同驾驶人和不同服饰条件下具有较强的适应性。

3 结论

针对目前安全带提示系统的不足，采用中值滤波和灰度变换技术对乘员图像进行预处理，并通过全局阈值分割法将安全带从乘员图像中分割出来，最后利用安全带的灰度特征通过灰度积分投影方式确定安全带的坐标，从而达到安全带佩戴识别的目的。通过实验验证，该方法可有效避免在安全带使用过程中驾驶员为逃避现有安全带报警系统的检测而进行的假佩戴行为发生。由实验结果可知，乘员衣领等对安全带的遮挡会造成识别的失败。采用修复技术对安全带图像被遮挡的部分进行修复，提高识别成功率，是下一步要解决的问题。

［1］U.S.Department of Transportation，National Highway Traffic Safety Administration.Fifth/Sixth Report to Congress:Effectiveness of Occupant Protection Systems and Their Use［R］.Washington，D.C.，2001.

［2］Okada，Shoji(Anjo，JP)，Suzuki，et al.Seat Belt Warning Device，United States，US6239695B1［P］.May 29，2001.

［3］俞学群，武阳丰.机动车安全带作用、使用现状及干预策略［J］.中国预防医学杂志，2008(5):440-441.

［4］Guido Becker，Thierry Mousel，Paul Schockmel.TOR(Total Occupant Recognition)System［C］.Proceedings of 17th International Technical Conference on the EnhanceSafety of Vehicles.CDROM，Amsterdam，Netherlands，2001:4.

［5］Luo Yurong，Liu Jianli，Shi Xiaotao.An Improved Method of RHT to Localize Circle Applied in Intelligent Transportation System［C］.International Conference on Audio，Language and Image Processing，Shanghai，China，2008.7:335-338.

［6］Kanade T.Picture Processing by Computer Complex and Recognition of Human Face［D］.Japan:Kyoto University，1973.

［7］张德丰.详解MATLAB数字图像处理［M］.北京:电子工业出版社，2010:201-205.

［8］Rafael C Gonzalez，Richard E Woods.Digital Image Processing［M］.Paramus:Prentice Hall，Inc，2002:482-486.

［9］冯建强，刘文波，于盛林.基于灰度积分投影的人眼定位［J］.计算机仿真，2005，22(4):75-77.