基于YOLO和极限学习机的驾驶员安全带检测模型研究
田 坤 李 冠* 赵卫东
【摘 要】摘 要 针对现有的驾驶员安全带检测算法存在的定位精度差、实时性低的问题，提出一种基于YOLO和极限学习机相结合的驾驶员安全带检测模型。利用YOLO网络快速定位主驾驶区域，提取主驾驶区域特征，传递给极限学习机，训练成一个安全带检测分类器。实验结果表明，与传统的安全带检测算法相比，该方法在驾驶员安全带检测中准确率更高，检测速度大大提升。 【期刊名称】《计算机应用与软件》 【年(卷),期】2024(036)011 【总页数】6
【关键词】关键词 安全带检测 YOLO 特征提取 极限学习机(ELM)
0 引 言
汽车事故调查表明，如果系安全带，在发生正面撞车时，可使死亡率减少57%，侧面撞车时可减少44%，翻车时可减少80%。因此驾驶员安全带检测逐渐成为智慧交通领域的一个研究热点。基于计算机视觉的检测方法由于其信息获取简单、对人和车辆影响较小及非接触性等特点，成为最有前景和价值的检测方法。
目前，国内外研究人员在安全带检测方面做了大量的研究。由于检测工具和应用环境的不同，检测方法也不尽相同。Guo等[1]提出的基于图像处理的安全带检测方法。首先通过边缘检测和霍夫直线变化方法对图像进行预处理，定位驾驶员区域，然后通过基于边缘检测和Hough变换的方法对安全带进行检测。然而该方法容易受到光照、车辆颜色的影响，对图片质量和拍摄角度要求也较
高，并且缺乏鲁棒性，因此很难普及推广。Chen等[2]提出的基于Adabooast的安全带检测方法。首先对车窗区域进行一个粗定位，找到多个车窗候选区，然后再对驾驶员区域进行粗定位，找到多个驾驶员候选区，接着对安全带进行检测，找到多个安全带检测区域，最后通过高斯混合模型处理后得到安全带的最终检测结果。然而该方法对图像质量要求较高，并且检测精度达不到推广的地步。付春芬[3]提出的基于深度学习的安全带检测方法研究，首先运用帧差法定位交通视频中的车辆，然后利用边缘检测和积分投影定位驾驶员车窗区域，最后训练卷积神经网络模型检测安全带。然而该方法训练速度较慢，并且容易受到光照和遮挡因素的影响。谢锦等[4]提出的基于图像不变特征深度学习的交通标志分类。首先基于慢特征分析的深度学习框架自动学习得到每个阶段的特征映射矩阵，然后将第一阶段和第二阶段特征联合输出作为交通标志的特征，最后使用支持向量机进行交通标志分类。运用该方法在对安全带进行检测分类时，能有效地进行特征提取，并且泛化能力较强，但检测速度达不到实时检测的要求。杨凯杰等[5]提出的基于深度学习的安全带检测方法。该方法包括两个检测器D1、D2和一个分类器C1，首先将高清图片输入检测器D1，定位汽车的挡风玻璃区域，然后再用检测器D2定位到主驾驶区域，最后将主驾驶区域图片送入二元分类器C1判断是否系安全带。但是该方法时效性不高，处理速度较慢。施辉等[6]提出改进的YOLO V3的安全帽佩戴检测方法。首先采用图像金字塔结构获取不同尺度的特征图，用于位置和类别预测，然后对数据集目标框进行聚类，确定目标框参数，最后训练迭代过程中改变输入图像尺寸，增加模型对尺度的适应性。该方法能够满足实时性检测的要求，但是YOLO算法在提升检测速度的同时也损失了部分的准确率。
本文将YOLO网络和极限学习机结合起来应用到道路监控视频中的汽车驾驶员安全带检测。首先将视频中的汽车图片提取出来输入到YOLO网络中，利用YOLO网络的深层次特征提取、高精度检测分类特性对主驾驶区域进行目标提取；然后将提取的主驾驶区域特征传递给极限学习机，利用极限学习机训练速度快、泛化能力强的优点，训练成一个二元分类器；最后对驾驶员是否佩戴安全带进行准确分类。实验时通过Nvidia 1060显卡进行加速，处理速度可以达到198 帧/s,基本可以实现对道路监控视频中驾驶员安全带的实时检测。
1 算法研究
1.1 YOLO算法
YOLO算法[7]是一个基于单个神经网络的目标检测系统，以回归的方式对目标进行检测，输入图像后，直接在图像的多个位置上回归出目标的位置以及其分类类别。YOLO算法的创新之处在于采用了端到端的网络结构设计，其最大优势就是能够实现实时检测。YOLO的目标检测网络由24个卷积层和2个全连接层组成。其中卷积层的功能是提取图像特征，全连接层的功能是预测图像位置和类别置信概率。YOLO分类网络结构采用的是GoogLeNet[8]，它将输入图像分成S×S个格子，如果某个物体的中心位置的坐标落入到其中一个格子内，那么这个格子就负责检测出该物体。YOLO网络的输出结果为一个张量，计算公式如下： S×S×(5×B+C) (1)
式中：S×S为划分网格数目；B为每个网格预测的物体边界框数目；C为类别个数。每个网格要预测B个边界框还要预测C个类别。
基于YOLO和极限学习机的驾驶员安全带检测模型研究
