驾驶人未系安全带识别系统研究

发布时间：2017-10-07 18:30

  本文关键词：驾驶人未系安全带识别系统研究

  更多相关文章： 智能交通系统 未系安全带识别 车牌定位 纹理特征 支持向量机

【摘要】：基于机器视觉的交通违章识别是近年来国内外智能交通领域研究的一大热点,极大促进了城市智能交通系统的发展完善。作为车内最有效的保护措施之一,佩戴安全带驾驶一直是我国法律明文规定的驾驶行为,但目前其检测仍以人工筛查为主。随着汽车数量的爆炸式增长,传统检测方式已满足不了城市交通管理的需求,存在处理效率低、人为干扰严重、执法成本偏高等问题,实现未系安全带检测的智能化处理早已成为当前交通系统亟需解决的问题,因此,本文以三点式安全带为研究对象,设计一种驾驶人未系安全带识别系统,利用图像处理、最优化控制、模式识别等技术分析卡口图像,有效识别驾驶人是否按规定佩戴安全带,对实现安全带检测的自动化处理,提高城市交通管理水平,降低交通事故中的伤亡率具有深远意义。全文主要研究内容分为如下三个部分:(1)基于Haar分类器的车牌定位相对安全带定位,车牌定位算法比较成熟,且车牌与车窗相对位置固定,易于利用几何关系定位安全带,因此,本文将车牌定位作为安全带识别的第一步,采用Haar分类器对车牌进行定位。首先对图像进行预处理,利用灰度积分投影算法获取边缘图像下的车辆位置,设立车牌识别区,然后以车牌字头部分为正样本,训练得到车牌检测器,通过检索车牌识别区定位车牌位置,为后续安全带定位奠定基础。(2)基于梯度变化的安全带区域提取分析发现,驾驶人肩部安全带受方向盘、手臂遮挡等影响最小,可作为安全带识别区域,因此,本文采用“逼近”思维提取安全带图像。首先以车牌为参照,往图像上方偏移一定距离,切取车窗右侧图像,然后对车窗图像进行再处理,利用梯度变换得到车窗各边缘坐标,最后通过几何偏移获取安全带区域图像,为提取安全带特征奠定基础。(3)基于纹理特征的未系安全带识别传统安全带识别研究以Hough变换、Haar特征识别为主,存在直线提取繁琐、识别适应性差等问题,因此,本文引入纹理特征识别未系安全带。通过提取驾驶员肩部安全带区域的多种纹理特征作为特征向量,利用优化的支持向量机对佩戴状态进行识别,测试结果表明,基于纹理特征的未系安全带识别有效可行,算法总体识别率达到86.12%,AUC值为0.9141,未系安全带识别具有较高准确性。
【关键词】：智能交通系统 未系安全带识别 车牌定位 纹理特征 支持向量机
【学位授予单位】：山东农业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：U495
【目录】：

• 中文摘要6-7
• ABSTRACT7-9
• 1 绪论9-17
• 1.1 研究目的意义9-10
• 1.2 国内外研究现状及分析10-14
• 1.2.1 国外研究现状10-11
• 1.2.2 国内研究现状11-14
• 1.3 研究内容与技术路线14-16
• 1.3.1 主要研究内容14-16
• 1.3.2 技术路线16
• 1.4 本章小结16-17
• 2 图像获取及预处理17-25
• 2.1 图像获取17-19
• 2.2 图像预处理19-24
• 2.2.1 灰度化转换19-20
• 2.2.2 图像增强20-22
• 2.2.3 车辆边缘检测22-23
• 2.2.4 形态学运算23-24
• 2.3 本章小结24-25
• 3 车辆定位和车牌定位25-34
• 3.1 基于积分投影的车辆定位25-26
• 3.2 基于Haar分类器的车牌定位26-33
• 3.2.1 设立车牌ROI区26-27
• 3.2.2 Haar分类器原理27-30
• 3.2.3 车牌定位及分析30-33
• 3.3 本章小结33-34
• 4 未系安全带纹理特征提取34-46
• 4.1 安全带识别区域定位34-36
• 4.2 基于灰度梯度共生矩阵的纹理特征提取36-39
• 4.3 基于小波变换的特征提取39-43
• 4.3.1 二维离散小波变换39-40
• 4.3.2 小波基的选择40-41
• 4.3.3 分解层数的确定41-42
• 4.3.4 离散小波特征提取42-43
• 4.4 Tamura纹理特征提取43-45
• 4.5 本章小结45-46
• 5 基于支持向量机的未系安全带识别46-61
• 5.1 支持向量机基础46-48
• 5.1.1 线性支持向量机46-47
• 5.1.2 非线性支持向量机47-48
• 5.2 基于Relief算法的特征选择48-53
• 5.2.1 Relief算法的数学表达48-49
• 5.2.2 特征选择及分析49-53
• 5.3 未系安全带识别模型的建立53-55
• 5.3.1 样本图像的选取53
• 5.3.2 核函数选择53-54
• 5.3.3 未系安全带识别模型的建立54-55
• 5.4 基于遗传算法的参数优化55-58
• 5.4.1 遗传算法基本原理55-56
• 5.4.2 支持向量机参数优化56-58
• 5.4.3 寻优结果及分析58
• 5.5 实验结果及分析58-60
• 5.6 本章小结60-61
• 6 结论与展望61-63
• 6.1 主要结论61-62
• 6.2 工作展望62-63
• 参考文献63-67
• 致谢67-68
• 攻读硕士学位期间的研究成果68

【相似文献】

中国期刊全文数据库 前10条

1 勾丽杰;郑玉兴;兰静;;基于粒子群的车牌定位识别的神经网络方法[J];辽宁省交通高等专科学校学报;2007年02期

2 马玺;胡泽;;车牌定位关键技术的研究[J];仪器仪表用户;2008年01期

3 徐晓丹;张健;;车牌定位的研究与实现[J];辽宁工业大学学报(自然科学版);2008年05期

4 王枚;苏光大;王国宏;;复杂环境下的车牌定位及目标真实性验证[J];光学精密工程;2009年04期

5 朱春满;房斌;尚赵伟;王翊;;复杂背景下的多车牌定位技术研究[J];公路交通科技;2010年07期

6 陆恩诞,陆锋,袁晓辉;用神经网络进行车牌定位的研究[J];南京理工大学学报(自然科学版);2002年S1期

7 许健;段小梅;;车牌定位技术在“电子警察”系统中的应用研究[J];自动化与信息工程;2006年03期

8 陈阳;李定主;;基于统计边缘跳变次数的车牌定位算法[J];机械工程与自动化;2007年03期

9 王传琦;张建;闫晓东;刘佳宇;;基于色彩转换和投影的车牌定位方法[J];淮阴工学院学报;2008年01期

10 安红新;蒋建国;齐美彬;刘红海;;基于三值图像的车牌定位算法[J];电子测量与仪器学报;2012年01期

中国重要会议论文全文数据库 前10条

1 李孟歆;吴成东;曹阳;;基于旋转差分投影的混合车牌定位方法[A];2008’“先进集成技术”院士论坛暨第二届仪表、自动化与先进集成技术大会论文集[C];2008年

2 许礼武;许伦辉;;基于小波分解的车牌定位算法[A];第一届中国智能交通年会论文集[C];2005年

3 黄文楷;孙季丰;;基于灰度图像的车牌定位算法的研究[A];第十三届全国图象图形学学术会议论文集[C];2006年

4 毕思娟;吴晓娟;尚峰;亓磊;;基于色彩分割及信息融合的车牌定位方法[A];第十三届全国信号处理学术年会（CCSP-2007）论文集[C];2007年

5 古智超;孙季丰;;复杂背景下的车牌定位与快速分割算法[A];第十三届全国图象图形学学术会议论文集[C];2006年

6 韩立明;王波涛;;一种改进的灰度跳变车牌定位方法[A];2009全国虚拟仪器大会论文集（二）[C];2009年

7 李艳洪;邹俊忠;张见;雷江震;;基于小波特征提取的车牌定位方法[A];'2006系统仿真技术及其应用学术交流会论文集[C];2006年

8 侯培国;赵静;刘明;;基于小波变换和行扫描的车牌定位方法[A];中国系统仿真学会第五次全国会员代表大会暨2006年全国学术年会论文集[C];2006年

9 徐文宇;白廷柱;蒋晓瑜;;一种基于字符纹理分析的车牌定位方法[A];中国光学学会2010年光学大会论文集[C];2010年

10 曹陆军;;一种基于灰度差阈值的快速车牌定位方法[A];全国第20届计算机技术与应用学术会议（CACIS·2009）暨全国第1届安全关键技术与应用学术会议论文集（上册）[C];2009年

中国博士学位论文全文数据库 前1条

1 李波;基于图像分析的车辆识别与跟踪若干关键技术研究[D];华中科技大学;2011年

中国硕士学位论文全文数据库 前10条

1 杨松;一种实用的车牌定位系统的研究[D];昆明理工大学;2015年

2 史忠翰;车标自动精确定位算法研究[D];北京理工大学;2015年

3 陈佳;基于形态学的车牌定位方法的研究与应用[D];南华大学;2015年

4 蒋婧婧;车辆视频信息采集及身份识别系统设计[D];南京邮电大学;2015年

5 周霖;智能停车场系统及管理的研究[D];武汉工程大学;2015年

6 刁丽芳;基于ZedBoard的车牌定位与字符识别系统设计与实现[D];东北大学;2014年

7 郜伟;复杂环境下车牌定位的研究与应用[D];安徽大学;2016年

8 于国辉;车辆多特征识别算法研究与实现[D];电子科技大学;2016年

9 王文章;基于边缘点检测的车牌定位技术的研究[D];上海师范大学;2016年

10 唐v炄，

本文编号：989414