專利名稱：基于車牌識別的未扣緊安全帶違章駕駛檢測系統(tǒng)及方法
技術(shù)領(lǐng)域：
本發(fā)明屬于交通視頻檢測領(lǐng)域，具體地是一種基于車牌識別的未扣緊安全帶違章駕駛檢測系統(tǒng)及其方法。
背景技術(shù)：
目前行車安全帶檢測主要依靠交警肉眼判別，而人工判斷的準(zhǔn)確性和有效性因人而異。采用視頻或圖像處理的方法，并且基于目前高清卡口的抓拍相機(jī)，可以有效的定位未系緊安全帶的車主，幫助執(zhí)法人員有效檢索信息。安全帶檢測主要依賴于車牌定位來找到車輛位置，并以此推算駕駛員的位置。這種定位車輛的方法受環(huán)境影響小，一般能達(dá)到98%左右的識別率。但是安全帶檢測受相機(jī)架設(shè)角度和車內(nèi)遮擋物影響，檢測安全帶準(zhǔn)確率和人眼判斷的準(zhǔn)確率相當(dāng)。只有人能夠看 請安全帶佩戴的情況下，才能通過視頻或圖像進(jìn)行檢測。

發(fā)明內(nèi)容
本發(fā)明的基于車牌識別的未扣緊安全帶違章駕駛檢測系統(tǒng)主要分為兩步，首先基于車牌識別定位車主，然后對車主是否佩戴安全帶進(jìn)行檢測。主要運(yùn)用的技術(shù)有車牌識別和安全帶檢測技術(shù)。所述的基于車牌識別的未扣緊安全帶違章駕駛檢測系統(tǒng)，包括車牌定位模塊，車牌分割模塊，車牌字符識別模塊，人臉檢測模塊和安全帶檢測模塊，其特征在于所述人臉檢測模塊檢測得到人臉后，往圖像下方采用所述安全帶檢測模塊對是否扣緊安全帶進(jìn)行檢測。所述的基于車牌識別的未扣緊安全帶違章駕駛檢測系統(tǒng)，其中所述車牌定位模塊，車牌分割模塊和車牌字符識別模塊對車牌進(jìn)行識別。所述的基于車牌識別的未扣緊安全帶違章駕駛檢測系統(tǒng)，其中所述車牌定位模塊和人臉檢測模塊采用Adaboost分類算法，對圖像中的車牌和人臉進(jìn)行定位和檢測。所述的基于車牌識別的未扣緊安全帶違章駕駛檢測系統(tǒng)，其中所述車牌分割模塊使用車牌定位模塊的結(jié)果，采用基于字符二值化投影和車牌字符模板匹配方法對車牌進(jìn)行分割。所述的基于車牌識別的未扣緊安全帶違章駕駛檢測系統(tǒng)，其中所述車牌字符識別模塊采用車牌分割模塊的結(jié)果，使用卷積神經(jīng)網(wǎng)絡(luò)算法。所述的基于車牌識別的未扣緊安全帶違章駕駛檢測系統(tǒng)，其中所述安全帶檢測模塊采用基于Hough變換的直線檢測算法。所述的基于車牌識別的未扣緊安全帶違章駕駛檢測系統(tǒng)，還包括報警模塊，根據(jù)所述安全帶檢測模塊輸出的結(jié)果，若有駕駛員或乘客未按規(guī)定佩戴安全帶，則報警。本發(fā)明還提供了一種基于車牌識別的未扣緊安全帶違章駕駛檢測方法，包括如下步驟對圖像中的車輛車牌進(jìn)行識別；對圖像中的人臉進(jìn)行檢測；檢測到人臉后，往圖像下方對是否扣緊安全帶進(jìn)行檢測。


圖I是本基于車牌識別的未扣緊安全帶違章駕駛檢測系統(tǒng)的工作流程 圖2是字符分割模塊的字符分割模板示意 圖3是本基于車牌識別的未扣緊安全帶違章駕駛檢測系統(tǒng)的檢測示意圖。
具體實施例方式如圖I所示的安全帶的檢測流程，本發(fā)明的基于車牌識別的未扣緊安全帶違章駕駛檢測系統(tǒng)以高清相機(jī)拍攝的圖像為基礎(chǔ)，其包括車牌定位模塊，車牌分割模塊，車牌字符識別模塊，人臉檢測模塊，安全帶檢測模塊，報警模塊。 車牌定位模塊和人臉檢測模塊采用了常用的Adaboost分類算法，對圖像中的車牌和人臉進(jìn)行定位和檢測。車牌分割模塊使用車牌定位模塊的結(jié)果，采用基于字符二值化投影和車牌字符模板匹配方法對車牌進(jìn)行分割。如圖2所示的字符分割模板，采用以下步驟分割字符
I)對車牌定位結(jié)果進(jìn)行字符二值化。2)對字符二值化結(jié)果進(jìn)行水平坐標(biāo)軸投影。3)不斷在水平坐標(biāo)軸上平移字符分割模板，并分別計算落入(al，bl)，(a2，b2)，(a3, b3), (a4, b4), (a5, b5), (a6, b6), (a7, b7)的二值化像素點個數(shù),和落入(bl a2)，(bl a2), (b2 a3) , (b3 a4) , (b4 a5) , (b5 a6) , (b6 a7)的二值化像素點個數(shù),計算兩者比值最大的位置作為車牌字符分割位置。車牌字符識別模塊采用車牌分割模塊的結(jié)果，使用了卷積神經(jīng)網(wǎng)絡(luò)算法，該卷積神經(jīng)網(wǎng)絡(luò)算法通過如下方式得到采用反向傳播(BP)算法，也就是通過理想輸出值和實際輸出值之間的差值來后向傳遞誤差，并通過隨機(jī)梯度法來修正權(quán)重。具體的更新過程如下
對每個樣本要優(yōu)化的目標(biāo)函數(shù)是其均方誤差MSE
Ei二—YM -《？Co
2 c
其中Z是理想輸出，其值和這個樣本的類別有關(guān)，通常假定為只在向量的類別處輸出為1，其他輸出都是-I。Z是CNN的實際輸出。Ei是每個樣本的誤差。卷積神經(jīng)網(wǎng)絡(luò)的權(quán)重更新采用的是梯度下降法，也就是按下式進(jìn)行
其中W是卷積神經(jīng)網(wǎng)絡(luò)每個神經(jīng)元的權(quán)重。
f+1 }w = W》一a ——
dw所以要求出￥，也就是最終的誤差對每個權(quán)重的導(dǎo)數(shù)，另外更新因子和二階導(dǎo)數(shù)
有關(guān)，所以關(guān)鍵是要求出各個層中權(quán)重和偏置的這兩個導(dǎo)數(shù)。
權(quán)利要求
1.一種基于車牌識別的未扣緊安全帶違章駕駛檢測系統(tǒng)，包括車牌定位模塊，車牌分割模塊，車牌字符識別模塊，人臉檢測模塊和安全帶檢測模塊，其特征在于所述人臉檢測模塊檢測得到人臉(I)后，往圖像下方采用所述安全帶檢測模塊對是否扣緊安全帶(3)進(jìn)行檢測。
2.如權(quán)利要求I所述的基于車牌識別的未扣緊安全帶違章駕駛檢測系統(tǒng)，其中所述車牌定位模塊，車牌分割模塊和車牌字符識別模塊對車牌(2 )進(jìn)行識別。
3.如權(quán)利要求I所述的基于車牌識別的未扣緊安全帶違章駕駛檢測系統(tǒng)，其中所述車牌定位模塊和人臉檢測模塊采用Adaboost分類算法，對圖像中的車牌和人臉進(jìn)行定位和檢測。
4.如權(quán)利要求3所述的基于車牌識別的未扣緊安全帶違章駕駛檢測系統(tǒng)，其中所述車牌分割模塊使用車牌定位模塊的結(jié)果，采用基于字符二值化投影和車牌字符模板匹配方法對車牌進(jìn)行分割。
5.如權(quán)利要求I所述的基于車牌識別的未扣緊安全帶違章駕駛檢測系統(tǒng)，其中所述車牌字符識別模塊采用車牌分割模塊的結(jié)果，使用卷積神經(jīng)網(wǎng)絡(luò)算法。
6.如權(quán)利要求I所述的基于車牌識別的未扣緊安全帶違章駕駛檢測系統(tǒng)，其中所述安全帶檢測模塊采用基于Hough變換的直線檢測算法。
7.如權(quán)利要求I所述的基于車牌識別的未扣緊安全帶違章駕駛檢測系統(tǒng)，還包括報警模塊，根據(jù)所述安全帶檢測模塊輸出的結(jié)果，若有駕駛員或乘客未按規(guī)定佩戴安全帶(3)，則報警。
8.一種基于車牌識別的未扣緊安全帶違章駕駛檢測方法，包括如下步驟 對圖像中的車輛車牌進(jìn)行識別； 對圖像中的人臉進(jìn)行檢測； 檢測到人臉后，往圖像下方對是否扣緊安全帶進(jìn)行檢測。
9.如權(quán)利要求8所述的基于車牌識別的未扣緊安全帶違章駕駛檢測方法，還包括若檢測到未扣緊安全帶，則報警。
全文摘要
一種基于車牌識別的未扣緊安全帶違章駕駛檢測系統(tǒng)，包括車牌定位模塊，車牌分割模塊，車牌字符識別模塊，人臉檢測模塊和安全帶檢測模塊，所述人臉檢測模塊檢測得到人臉后，往圖像下方采用所述安全帶檢測模塊對是否扣緊安全帶進(jìn)行檢測。在檢測到人臉后，再檢測是否扣緊安全帶，提高了檢測的精確性。
文檔編號G06K9/62GK102750544SQ20121017796
公開日2012年10月24日 申請日期2012年6月1日 優(yōu)先權(quán)日2012年6月1日
發(fā)明者于曉靜, 尚凌輝, 王弘玥, 蔣宗杰, 鄭曉隆, 鄭永宏, 高勇 申請人:浙江捷尚視覺科技有限公司