專利名稱：基于視頻圖像的駕駛員姿態(tài)自動識別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及圖像識別及交通安全研究技術(shù)，尤其涉及一種基于視頻圖像的駕駛員的駕駛姿態(tài)自動識別方法。
背景技術(shù)：
據(jù)統(tǒng)計報告顯示，每年世界上很大部分交通事故是由人為因素造成的，即由不良的駕駛行為造成的，例如在駕駛過程中打電話、吃東西等。為及時檢測潛在的行車不安全因素，智能交通系統(tǒng)協(xié)會對駕駛員在駕駛過程中的行為進行監(jiān)控產(chǎn)生了濃厚的興趣。駕駛是一項需要駕駛員集中注意力的復(fù)雜操作活動，最新的關(guān)于自動駕駛的研究主要致力于以駕駛員為中心的駕駛輔助系統(tǒng)。開發(fā)駕駛輔助系統(tǒng)的目的是為了檢測交通事故和交通堵塞，并且考慮到人與行車環(huán)境因素。自動理解和識別駕駛行為是以駕駛員為中心的駕駛輔助系統(tǒng)的重要組成部分，駕駛員的行為反映他們的駕駛狀況，包括注意力、疲勞程度以及其他引起注意力分散的因素。目前關(guān)于駕駛員活動或行為的研究主要集中于檢測駕駛員面部表情，頭部位置等。有些學(xué)者使用機械、磁力傳感器探測駕駛員身體某部位置及運動方向， 這些方法需要將探測器與駕駛員身體相連，將對駕駛員造成直接影響。目前，尚未有基于視頻圖像的自動識別駕駛員的操作方向盤、操作檔位、吃東西和打電話等駕駛姿態(tài)的方法，本方法提出了基于視頻圖像的駕駛姿態(tài)識別方法能夠在不干擾駕駛員的前提下監(jiān)控其駕駛行為，對潛在的交通安全隱患行為作出正確識別及預(yù)警。

發(fā)明內(nèi)容
本發(fā)明要解決的問題是現(xiàn)有技術(shù)中對駕駛員狀態(tài)的檢測需要將探測器與駕駛員身體相連，會對駕駛員造成直接影響，需要一種能夠在不干擾駕駛員的前提下檢測駕駛員駕駛狀態(tài)的方法。本發(fā)明的技術(shù)方案為基于視頻圖像的駕駛員駕駛姿態(tài)的自動識別方法，包括如下步驟1)采集駕駛員的不同的駕駛姿態(tài)圖像，共m類，作為訓(xùn)練數(shù)據(jù)；2)對采集的駕駛姿態(tài)圖像進行同態(tài)濾波處理；3)對步驟2)處理后的駕駛姿態(tài)圖像，采用基于彩色圖像RGB三分量的閾值分割方法分割出包括駕駛員頭部及手部皮膚區(qū)域的圖像；4)對步驟幻得到的包含駕駛員頭部及手部皮膚區(qū)域的圖像進行Curvelet變換， 提取表征駕駛員駕駛姿態(tài)的Curvelet小波特征向量，即駕駛姿態(tài)特征向量；5)采用支持向量機SVM對步驟4)得到的駕駛員姿態(tài)的Curvelet小波特征向量進行分類，識別出駕駛員的駕駛姿態(tài)，支持向量機進行分類的目標(biāo)是尋找一個超平面，即分類函數(shù)，將可以歸類為同一種駕駛姿態(tài)的特征向量劃分到超平面的同一側(cè)，所述分類函數(shù)為f (Xi) = <w · XiHb
上式中，W為分類函數(shù)f (Xi)的權(quán)重，b為分類函數(shù)f(Xi)的偏差項，Xi為分類函數(shù) f(Xi)的輸入訓(xùn)練樣本，駕駛員的駕駛姿態(tài)特征向量作為訓(xùn)練樣本，分類函數(shù)使用非線性映射函數(shù)Φ ( ·)將駕駛員姿態(tài)的Curvelet小波特征向量的映射到高維特征空間，映射函數(shù)又稱為核函數(shù)，其表達式為K (Xi, Xj) = <χ” Xj> = <Φ (Xi) · Φ (Xj) >Xj為待識別駕駛姿態(tài)圖像的第j個駕駛姿態(tài)特征向量，這里采用交叉核函數(shù)，其表達為K(XpXj)=Iiiin(XpXj)則分類函數(shù)表示為
權(quán)利要求
1.基于視頻圖像的駕駛員駕駛姿態(tài)的自動識別方法，其特征是包括如下步驟1)采集駕駛員的不同的駕駛姿態(tài)圖像，共m類，作為訓(xùn)練數(shù)據(jù)；2)對采集的駕駛姿態(tài)圖像進行同態(tài)濾波處理；3)對步驟幻處理后的駕駛姿態(tài)圖像，采用基于彩色圖像RGB三分量的閾值分割方法分割出包括駕駛員頭部及手部皮膚區(qū)域的圖像；4)對步驟幻得到的包含駕駛員頭部及手部皮膚區(qū)域的圖像進行Curvelet變換，提取表征駕駛員駕駛姿態(tài)的Curvelet小波特征向量，即駕駛姿態(tài)特征向量；5)采用支持向量機SVM對步驟4)得到的駕駛員姿態(tài)的Curvelet小波特征向量進行分類，識別出駕駛員的駕駛姿態(tài)，支持向量機進行分類的目標(biāo)是尋找一個超平面，即分類函數(shù)，將可以歸類為同一種駕駛姿態(tài)的特征向量劃分到超平面的同一側(cè)，所述分類函數(shù)為f (Xi) = <w · XiHb上式中，w為分類函數(shù)f (Xi)的權(quán)重，b為分類函數(shù)f (Xi)的偏差項，Xi為分類函數(shù)f (Xi) 的輸入訓(xùn)練樣本，駕駛員的駕駛姿態(tài)特征向量作為訓(xùn)練樣本，分類函數(shù)使用非線性映射函數(shù)Φ(·)將駕駛員姿態(tài)的Curvelet小波特征向量的映射到高維特征空間，映射函數(shù)又稱為核函數(shù)，其表達式為K (Xi, Xj) = <xi Xj> = < Φ (Xi) · Φ (Xj) >Xj為待識別駕駛姿態(tài)圖像的第j個駕駛姿態(tài)特征向量，這里采用交叉核函數(shù)，其表達為K (Xi, Xj) = min (Xi, Xj)則分類函數(shù)表示為/(x) = sign Σ aiyiκ(χ,· ’ Xj )+ b _ =1 _其中N為訓(xùn)練樣本數(shù)，α i為與每個樣本對應(yīng)的Lagrange乘子，Yi為概率參數(shù)，Yi取 0. 25，對m類駕駛姿態(tài)的訓(xùn)練樣本，根據(jù)分類函數(shù)的計算得到第t類駕駛姿態(tài)的非線性映射函數(shù)，t = 1，. . .m，對待識別的駕駛員駕駛姿態(tài)特征矩陣向量&分類，計算其分類值Ct c, = arg max (iw' / φ( (χ )+ b丨)上式中，Ct對應(yīng)駕駛姿態(tài)類型，t為姿態(tài)類型的編號，Wt為分類函數(shù)f(X)的權(quán)重，bt為分類函數(shù)f(x)的偏差項，m為駕駛姿態(tài)類型總數(shù)，權(quán)重#取0. 33，偏差項1^取0.01，Φ,(Χρ 為第j個駕駛姿態(tài)特征向量\分類為第t類駕駛姿態(tài)的非線性映射函數(shù)，T為向量轉(zhuǎn)置，根據(jù)分類值ct的公式確定t的取值，實現(xiàn)對駕駛姿態(tài)的識別。
2.根據(jù)權(quán)利要求1所述的基于視頻圖像的駕駛員姿態(tài)自動識別方法，其特征是步驟2) 中，圖像進行同態(tài)濾波的過程為令采集的車內(nèi)駕駛員姿態(tài)圖像為f (X，y)，即 \f{x,y) = fs{x,y)-fX^y)\Q<fXx,y)<^i)<fr{x,y)<\上式中，fs(x，y)為照明函數(shù)，f;(x，y)為反射函數(shù)；對上式取對數(shù)并進行傅立葉變換得Fln (u，v) = Fs,ln(u，v)+Fr,ln(u，ν)其中u，ν分別為變量χ，y在函數(shù)進行傅里葉變換后的映射值，照明函數(shù)取對數(shù)后的傅里葉變換Fs,ln(u，ν)的頻譜特性集中在低頻段，反射函數(shù)取對數(shù)后的傅里葉變換Fnln(u，ν) 的頻譜特性集中在高頻段；通過與同態(tài)濾波器函數(shù)H(u，ν)相乘，在頻域上削弱照明函數(shù)的成分，同時增強反射函數(shù)的頻譜成分，以增加圖像對比度，即 Gln(u, v) = Fsjln(u, ν) · H(u, ν) +Frjln(u, ν) · H(u, ν)對上式進行傅立葉反變換，則得同態(tài)濾波器預(yù)處理后的駕駛員駕駛姿態(tài)圖像，即
3.根據(jù)權(quán)利要求1所述的基于視頻圖像的駕駛員姿態(tài)自動識別方法，其特征是步驟3) 中對圖像進行彩色分割提取皮膚區(qū)域的過程為3-1)對于圖像某一像素彩色三分量(r，g，b)，首先使用如下公式對r，g，b三分量歸一化
4.根據(jù)權(quán)利要求1所述的基于視頻圖像的駕駛員姿態(tài)自動識別方法，其特征是步驟4) 中，駕駛姿態(tài)圖像進行Curvelet變換提取Curvelet小波特征向量的過程為對于輸入圖像f(x，y)，其Curvelet變換結(jié)果c (j，k，k)是圖像信號函數(shù)f(x，y)與 curvelet小波函數(shù)的內(nèi)積，即上式中，力#(·)為curvelet小波函數(shù)，j、k、1分別為curvelet小波函數(shù)的尺度、方向和位置，對圖像信號函數(shù)f (X，y)與curvelet小波函數(shù)的內(nèi)積結(jié)果取均值和方差，則得到駕駛姿態(tài)圖像的Curvelet小波特征向量。
全文摘要
基于視頻圖像的駕駛員姿態(tài)自動識別方法，通過安裝在駕駛室側(cè)方的CCD攝像機采集駕駛員操作方向盤、操作檔位、吃東西和打電話等駕駛姿態(tài)圖像，然后通過同態(tài)濾波處理、皮膚區(qū)域分割和Curvelet小波變換提取駕駛姿態(tài)特征向量來表征不同類的駕駛姿態(tài)，最后，采用支持向量機SVM對提取的駕駛姿態(tài)特征向量進行分類，從而實現(xiàn)操作方向盤、操作檔位、吃東西和打電話等駕駛姿態(tài)的自動識別。本發(fā)明方法在不干擾駕駛員正常駕駛活動的前提下，可有效地檢測駕駛員的不良駕駛行為，從而提高交通行車安全。
文檔編號G06K9/66GK102567743SQ20111042898
公開日2012年7月11日 申請日期2011年12月20日 優(yōu)先權(quán)日2011年12月20日
發(fā)明者何杰, 黨倩, 趙池航, 連捷 申請人:東南大學(xué)