王猛

摘要：安全帶檢測是智能交通系統(tǒng)中的一個重要研究課題。本文提出了一種在復(fù)雜道路環(huán)境下，基于深度學(xué)習(xí)的安全帶檢測算法。首先從帶標(biāo)簽的車輛區(qū)域、車窗區(qū)域以及安全帶區(qū)域提取特征，通過深度學(xué)習(xí)算法訓(xùn)練檢測器；然后，檢測車輛、車窗及安全帶3個部件的位置，根據(jù)各部件的相對位置關(guān)系以及檢測得分訓(xùn)練一個支持向量機(jī)（SVM）分類模型，最后通過該分類模型對安全帶區(qū)域進(jìn)行精細(xì)定位與識別。該方法在道路監(jiān)控?cái)z像頭采集的數(shù)據(jù)庫上表現(xiàn)良好。

關(guān)鍵詞：安全帶檢測；深度學(xué)習(xí)；支持向量機(jī)；智能交通；特征提取

中圖分類號：TP391 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2016）11-0240-03

Abstract：Seat belt detection in intelligent transportation systems is an important research area. A seat belt detection algorithm for complex road backgrounds based on deep learning is proposed. It first extracts features from labeled vehicle， windshield， and seat belt regions， and those features are used to train the detection models by deep learning. Then， it detects the locations of the vehicle， windshield， and seat belt regions， and uses the relative positions among these vehicle components and their detection scores to train a support vector machine classification model. Finally， it performs a fine mapping and identification process using this classification model on the seat belt region. This method performs well when applied to a database of images collected by road surveillance cameras.

Key words： Seat belt detection； deep learning； support vector machine； intelligent transportation； feature extraction

針對駕駛員未系安全帶的這種危險(xiǎn)駕駛行為，以及為了響應(yīng)公安部門的需求，目前出現(xiàn)了很多種安全帶檢測方法?，F(xiàn)有的安全帶檢測方法大多是基于邊緣檢測[1-2]和Hough變換[3]的方法進(jìn)行安全帶檢測。Guo等人[4]提出了安全帶檢測系統(tǒng)，包括安全帶檢測和駕駛員區(qū)域定位兩個模塊。該算法利用線性濾波器在HSV顏色空間[5]通過水平方向和垂直方向投影來確定車牌的位置，然后利用邊緣檢測算子（Sobel[6]，Canny[7]等）通過邊緣檢測得到車窗的上下邊緣，再通過幾何關(guān)系確定駕駛員區(qū)域的位置。該方法容易受到車身顏色影響，穩(wěn)定性較差。

為了解決安全帶檢測過程中的光照、車型、駕駛員著裝等因素對檢測結(jié)果的影響，本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)（CNN[8]）的安全帶檢測系統(tǒng)。當(dāng)采集到圖片后，首先粗定位車輛區(qū)域，并根據(jù)檢測算法得到車窗區(qū)域粗定位模塊，找到圖像上若干個車窗候選區(qū)域，最后通過安全帶檢測模型及支持向量機(jī)（SVM）分類器[9]處理得到安全帶檢測結(jié)果。

1 基于深度學(xué)習(xí)的安全帶檢測

1.1 CNN特征提取算法

深度學(xué)習(xí)[11-12]是通過大量的簡單神經(jīng)元組成，根據(jù)非線性關(guān)系將底層特征抽象表示為高層特征。卷積神經(jīng)網(wǎng)絡(luò)[13]是一個多層的神經(jīng)網(wǎng)絡(luò)，每層由多個二維平面組成，而每個平面包括多個獨(dú)立神經(jīng)元。網(wǎng)絡(luò)中由一些簡單元和復(fù)雜元組成，分別記為S-元和C-元。

1.2 檢測模型的構(gòu)建

如圖1所示，我們構(gòu)建了由三個CNNs組成的多尺度的特征提取模型。每個CNN模型共有八層，其中有五個卷積層和三個全連接層。對于每一張圖片，都會自動的提取三個嵌套的越來越小的矩形窗口的特征，分別為車輛區(qū)域、車窗區(qū)域以及安全帶區(qū)域。這三個由CNNs提取的特征送到兩個全連接層，第二個全連接層的輸出被送到輸出層，最后用線性支持向量機(jī)分類器對所有子塊進(jìn)行分類。

2 實(shí)驗(yàn)結(jié)果

2.1 車輛及車窗檢測

本實(shí)驗(yàn)訓(xùn)練集包括戴安全帶和未戴安全帶各2000張的車輛圖像，測試集包括戴安全帶和未戴安全帶各100張的圖像。本文共完成車輛檢測、車窗檢測和安全帶檢測三個實(shí)驗(yàn)。其中，對于車輛和車窗檢測部分，使用檢測率（CIR）和漏檢率（MIR）來作為系統(tǒng)的評價(jià)指標(biāo)，計(jì)算方式如下式所示：

對于車輛檢測實(shí)驗(yàn)，選取6000車輛圖片用于訓(xùn)練模型。然后選取2000張車輛圖片作為測試圖片，并隨機(jī)分成10份。檢測結(jié)果示例如圖2（a）。平均檢測率為93.3%，平均漏檢率為6.7%。同時，對比了基于Adaboost算法[10]的車輛檢測模型，檢測結(jié)果示例如圖2（b），平均檢測率為90.6%，平均漏檢率為9.4%。

由此可以看出，本文算法在相同的數(shù)據(jù)庫上比Adaboost算法表現(xiàn)更好，具有更低的漏檢率和誤檢率。并且車輛檢測結(jié)果更適合用于后面的車窗檢測實(shí)驗(yàn)。

車窗檢測實(shí)驗(yàn)的示例如圖3所示。選取6000張車窗正面車窗圖片用于訓(xùn)練模型，選取2000張圖片作為測試集，并隨機(jī)分成10份。平均檢測率為93.6%，平均漏檢率為9.4%。

2.2 安全帶檢測

對于安全帶檢測部分，使用檢測率（CIR）、虛警率（WIR）和漏檢率（MIR）作為安全帶檢測系統(tǒng)的評價(jià)指標(biāo)，計(jì)算方式如下式所示：

選取戴安全帶和未戴安全帶圖片各2000張圖片用于訓(xùn)練模型。選取2000安全帶區(qū)域圖片作為測試圖片，并隨機(jī)分成10份，每份包含戴安全帶圖片和未戴安全帶圖片各100張。通過基于深度學(xué)習(xí)的安全帶檢測算法，檢測結(jié)果示例如圖4所示，平均檢測率為92.1%，平均虛警率為6.4%，平均漏檢率為2.5%。

3 結(jié)論

安全帶檢測是智能交通系統(tǒng)中的一個重要研究課題。本文提出了一個高效的進(jìn)行安全帶檢測的系統(tǒng)，對于檢測部分，我們采用深度神經(jīng)網(wǎng)絡(luò)的特征提取方法，該特征更加適用于訓(xùn)練檢測模型。同時，我們結(jié)合SVM的后處理，提高了安全帶檢測系統(tǒng)的魯棒性，并且很大程度上減低了虛警率和漏檢率。

參考文獻(xiàn)：

[1] Ha D M， Lee J M， Kim， Y D. Neural-edge-based vehicle detection and traffic parameter extraction [J]. Image and vision computing， 2004， 22（11）： 899-907.

[2] Song G Y， Lee K Y， Lee J W. Vehicle detection by edge-based candidate generation and appearance-based classification [C]//Intelligent Vehicles Symposium， IEEE， 2008： 428-433.

[3] Ballard D H. Generalizing the Hough transform to detect arbitrary shapes [J]. Pattern recognition， 1981， 13（2）： 111-122.

[4] Guo H， Lin H， Zhang S. Image-based seat belt detection [C]//2011 IEEE International Conference on Vehicular Electronics and Safety （ICVES）. IEEE， 2011： 161-164.

[5] 王運(yùn)瓊， 游志勝. 基于色差均值的快速車窗定位算法[J]. 計(jì)算機(jī)應(yīng)用與軟件， 2004， 21（1）： 78-79.

[6] 張建軍， 羅靜. 基于改進(jìn)Sobel算子的表面裂紋邊緣檢測算法[J]. 合肥工業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2011年06期.

[7] Ali M， Clausi D. Using the Canny edge detector for feature extraction and enhancement of remote sensing images [C]//IEEE 2001 International Geoscience and Remote Sensing Symposium. 2001：2298-2300.

[8] Li Guanbin， Yu Yizhou. Visual Saliency Based on Multiscale Deep Features [C]//2015 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. IEEE， 2015： 5455-5463.

[9] 駱玉榮. 安全帶識別系統(tǒng)的研究與實(shí)現(xiàn)[D]. 北京：北京工業(yè)大學(xué)， 2008.

[10] 吳法. 圖像處理與機(jī)器學(xué)習(xí)在未系安全帶駕車檢測中的應(yīng)用[D]. 杭州：浙江大學(xué)， 2013.

[11] A. Krizhevsky， I. Sutskever， G. E. Hinton. Imagenet classification with deep convolutional neural networks [C]//Advances in neural information processing systems， 2012：1097-1105.

[12] 余凱賈磊陳雨強(qiáng)徐偉.深度學(xué)習(xí)的昨天，今大和明天[J].計(jì)算機(jī)研究與發(fā)展，2013，50（9）：1799-1804.

[13] Ouyang W， Wang X. Joint deep learning for pedestrian detection[C]//Computer Vision（ICCV），2013 IEEE International Conference on. Conference on. IEEE，2013：2056-2063.