[发明专利]一种改进的安全带检测方法

摘要

本发明提供一种改进的安全带检测方法，发明采用卷积神经网络作为训练模型，用于解决现有深度学习安全带检测方法检测准确率低的问题。本发明通过使用一种新型的反馈增量式卷积神经网络训练方法以及新型多分支最终评估值获取方法提高了卷积神经网络检测精度，同时借助随机多尺度选取安全带目标候选区域方法，增加了安全带区域选中率，最后使用用户设定容错阈值方法提高了检测操作的灵活性。本发明是CNN结构在安全带检测上的成功应用，相较现有算法提升了检测的准确率。

主权项

1.一种基于卷积神经网络的安全带检测方法，其特征在于，包含以下步骤：步骤1：将卡口车辆数字图像集输入电脑，建立安全带检测分类所用图像库，卡口车辆数字图像集内的图像分为正样本图像和负样本图像；从卡口车辆数字图像集中选取正样本图像、负样本图像，分别建立总样本库、测试库和训练库,同时人工对训练库和测试库中图像设定分类标签；所述步骤1进一步包括如下步骤：将用卡口电子摄像机拍摄获得的卡口车辆数字图像集输入电脑，建立安全带检测分类所用图像库，卡口车辆数字图像集内的图像均为主副驾乘人员半身图像，卡口车辆数字图像集内的图像分为正样本图像和负样本图像，其中：正样本图像包括：主驾驶座有人且佩带安全带的图像、副驾驶座有人且佩带安全带的图像、主驾驶座有人且佩戴安全带且副驾驶座无人的图像；负样本图像包括：主驾驶座有人但未佩带安全带的图像、副驾驶座有人但未佩带安全带的图像、主副驾驶均有人且未佩戴安全带的图像；从卡口车辆数字图像集中选取正样本图像、负样本图像，分别建立总样本库、测试库和训练库，其中：总样本库由获取的所有正样本图像、负样本图像组成；训练库图像和测试库图像均来自于对总样本库中正负样本图像的抽取，且训练库和测试库无重合，训练库图像与测试库图像数量总和小于等于总样本库图像数量,同时人工对训练库和测试库中图像设定分类标签；步骤2：对训练库图像和测试库图像进行预处理，预处理包括图像的灰度化处理和图像的尺寸规范化处理；其中，预处理过程为：首先对库中所有图像进行灰度化处理，随后将所有经过灰度化处理的图像的尺寸规范化；步骤3：使用CNN网络对经过预处理后的训练库中的图像进行迭代训练，得到用于构建测试用CNN网络模型的权值文件；具体步骤为：首先赋予一个训练用CNN网络的随机权值，由电脑依据该用于建立训练用CNN网络的随机权值得到初始训练用CNN网络，接着将步骤2中经过预处理后的训练库中正负样本图像以及各自对应的类别信息输入训练用CNN网络，并令训练用CNN网络进行2次以上的迭代训练，得到用于构建测试用CNN网络模型的权值文件；步骤4：对上述步骤3中所得的用于构建测试用CNN网络模型的权值文件进行准确率验证，具体步骤包括：设定一个精度阈值，该精度阈值取值范围在0～0.5之间；利用步骤3中所得的用于构建测试用CNN网络模型的权值文件构建测试用CNN网络，接着将测试库中的所有图像输入测试用CNN网络，用测试用CNN网络对测试库中的图像进行分类，得到由测试用CNN网络获得的分类结果，之后将由测试用CNN网络获得的分类结果与测试库中分类标签进行对比，如果不同则将错误值加1，如果相同则将错误值加0，错误值初始化为1，用错误值除以总测试样本数量获得错误率；如果错误率不超过精度阈值，则进入步骤5，进行后续的识别；若错误率超过了精度阈值，则返回步骤3，采用增加训练库内图像的方式或/和采用增加迭代次数的方式，重新训练，再次获取测试用CNN网络模型的权值文件；步骤5：图像识别阶段将主副驾驶座图像首先进行灰度化处理，之后从经过灰度化处理的主副驾驶座图像中获得400个安全带的目标候选区域图像Is(l),1≤l≤400,形成目标候选区域图像集Is，之后规范化目标候选区域图像集中的图像尺寸，获得规范化后的目标候选区域图像集Isr，对规范化后的目标候选区域图像集中的图像用检测用CNN网络模型进行识别后，再使用多分支评估值设定方法复核,得到最终评估值；最后，将最终评估值进行容错阈值T限定，筛选得到“可能的安全带目标区域”并输出结果；步骤5中用于确定最终评估值的多分支评估值设定方法和容错阈值设定方法，判定方法如下：将步骤5得到的规范化目标候选区域图像集Isr中的图像Isr(l),1≤l≤400，依次送至检测CNN网络进行检测，其中规范化目标候选区域图像集Isr中的图像Isr(l)为当前图像，得到与安全带图像相似度评估值O1和与非安全带图像相似度评估值O2；设定两个集合O1s,O2s，分别存放最终评估值，若O1大于O2，则对规范化目标候选区域图像Isr(l)进行安全带位置合理性的复检，如果复检结论为符合，则将O1加入集合O1s，反之，将O2加入O2s；如果O1s不为空，则取O1s中最大的评估值O1max作为当前检测图像Isr的检测CNN网络评估值，根据公式(8)进行映射，将其折算成0～200的最终评估值；Ofinal＝(1+O1max)×100   (8)其中O1max的取值区间为(‑1，1)，当前检测图像的最终评估值记为Ofinal，Ofinal的取值区间为(0，200)；如果O1s为空，首先判定当前检测图像Isr是否为模糊,进行模糊判定操作,若函数判定为模糊，则将其直接判定为模糊图像，同时将Isr对应的Ofinal设为最小值0,若函数判定为否,则取O2s中最小的评估值O2min作为Isr的检测CNN网络评估值，根据公式(9)进行映射，将其折算成0～200的最终评估值；Ofinal＝(1‑O2min)×100   (9)其中，O2min的取值区间为(‑1，1)；当前检测图像所对应的规范化目标候选区域图像依次经过检测CNN网络检测后，获得1个Ofinal值，由用户给定容错阈值T，如果Ofinal≥T，则判定当前检测图像为已系安全带，反之为未系安全带；用户可以通过调节该阈值来进行检出率的缩放控制；当程序指定的阈值较大时，则找出的未系安全带图像偏多，但准确度有所下降，反之，当程序指定的阈值较小时，则找出的未系安全带图像偏少，但准确度会较高。