![](https://csdnimg.cn/release/download_crawler_static/85814511/bg8.jpg)
基于卷积神经网络的驾驶员检测和安全带识别
4
窗反光材料等都会对图像的获取产生影响,也对安全带特征的检测产生较大干扰。
此外,也存在一些实际制约问题,如 Hough 直线变换以理想条件安全带直线佩戴,
但受驾驶员姿态、安全带长短等实际因素干扰,多为折曲线;又如以安全带夹角斜
率及投影等为准的安全带检测策略,更会因驾驶员坐姿、姿态遮挡、拍摄角度等影
响安全带检测的实用性。
§1.2.2 卷积神经网络式驾驶员安全带检测方法
随着卷积神经网络理论研究的深入,基于图像的目标检测和识别技术产生了翻
天覆地的变化,也在实际场景中得到了广泛应用,而起始之作就是小规模手写数字
的分类识别,效果斐然。随着人工智能研究热潮的兴起及诸多实际场景智能化的成
功应用,让解放人力资源,提高实效性成为一种人工智能研究趋势。卷积神经网络
模仿人对视觉信息的感知原理,通过神经元记忆性学习,将特征的低层至高层信息
进行整合与分析,得到对已学经验特征的检测和识别感应。现今随着卷积神经网络
理论和实际应用的长足发展,出现了很多经典图像目标检测和属性识别的网络模型,
如 AlexNet
[18]
、VGGNet
[19]
、Faster-RCNN
[20]
、DenseNet
[21]
、SENet
[22]
等,给智能交
通系统中的驾驶员检测和违章行为识别提供了理论指导与应用参考。目前,基于卷
积网络的驾驶员检测和安全带识别研究相对较少,随着智能交通违章执法系统构建
步伐的推进,基于卷积神经网络的驾驶员违章检测和识别研究也在逐步深入,以下
主要对卷积神经网络式驾驶员安全带检测现状进行分析。
文献
[3]
依据车窗与车身比例关系,先用统计的经验阈值对车窗位置粗定位,再
利用边缘检测与积分投影法得到车窗位置;然后以图像中线点分割的方式得到驾驶
员位置;最后使用 AlexNet 算法对驾驶员区域进行驾驶员安全带佩戴识别,与传统
检测相比,实用性增强。但该方法的车窗定位方式易受拍摄角度、车型车窗的比例
关系及车头部件信息等干扰。此外,车窗粗分割驾驶员定位方式,也存在干扰信息
过多的缺点,如车窗排放物品矿泉水瓶、纸巾盒等都会对驾驶员安全带特征的识别
产生影响。
文献
[4-5]
使用多尺度 CNNs 组合的方法,自动提取 3 个嵌套越来越小的车辆、车
窗及安全带的区域特征,以各区域的检测得分及相对应位置关系,用支持向量机
(SVM)
[23]
进行特征识别模型训练,然后对安全带区域进行违章识别,取得了较高
的识别精度。然而,当交通视频图像量巨大,汽车车型众多,车窗和驾驶员受拍摄
角度、光照变化及遮阳板等影响,不同时段、地域的特征差异性较大时,SVM 特征
训练的模型分类精度较低。此外,SVM 的参数存储和计算,也将耗费大量机器内存
和运算时间。
在现有驾驶员检测和违章行为识别研究中,主要关注正驾驶员有无佩戴安全带,
万方数据