详情

原文传递基于车载机器视觉的安全带识别方法研究

论文题名：	基于车载机器视觉的安全带识别方法研究
关键词：	车载机器视觉;三点式安全带;识别模型;乘员约束系统;图像采集
摘要：	为提高安全带佩戴率，论文从三点式安全带使用过程中存在的问题出发，分析三点式安全带的不同佩戴方式对乘员损伤的影响，利用车载机器视觉对其进行识别，提出安全带识别评价方法，构建满足实时性和高精度要求的识别模型，实现了嵌入式车载安全带监控系统设计。论文研究内容包括: 　　1)三点式安全带使用情况调查与分析。针对我国典型城市安全带的使用状况展开调查，结果显示，安全带使用过程中存在两类问题:不规范佩戴安全带和卷曲佩戴安全带。其中，导致安全带佩戴提示系统失效的不规范佩戴行为包括:单独使用安全带带扣、预佩戴和仅系肩带;卷曲佩戴包括:肩带卷曲、腰带卷曲和严重卷曲。　　2)三点式安全带的不同佩戴方式对乘员损伤影响。采用MADYMO构建乘员约束系统模型，并验证模型的有效性。运用该模型进行三点式安全带在不同佩戴方式下的乘员损伤分析，结果表明:车辆碰撞时，预佩戴安全带的乘员将从座椅位置飞出;仅系肩带将产生明显的下潜、滑移运动。上述情况均导致乘员受到致命性损伤。相比正确使用三点式安全带，卷曲佩戴将导致乘员各项损伤指标明显上升。因此，对三点式安全带不同的佩戴方式进行识别，为充分发挥安全带应有的保护作用，具有积极意义。　　3)车载视频监控平台搭建及安全带图像采集试验设计。搭建安全带图像采集试验平台，在CCD传感器性能参数、红外补光装置和特殊材料安全带等方面展开具体研究;设计并实施不同光线环境下的车辆行驶试验，采集获得安全带不同佩戴方式下的乘员图像信息;研究适用于安全带识别的图像预处理技术，为构建安全带识别的多特征参数模型奠定基础。　　4)构建满足实时性要求的安全带识别模型。针对安全带在线检测的要求，采用主成分分析法降维后的安全带空间参数特征作为输入向量，选用BP神经网络作为分类器，构建基于BP神经网络的安全带识别模型，以满足实时性要求。引入遗传算法(GA)对其内部参数进行优化，构建基于GA-BP神经网络的安全带识别实时性模型，以满足准确性要求。通过硬件在环测试(HIL)和模型在环测试(MIL)验证了模型的实时性和准确性。　　5)构建满足高精度要求的卷曲佩戴识别模型。提取安全带结构参数的统计特征值作为输入向量，选用支持向量机(SVM)作为模型核心分类器，以交叉验证方法对内部参数进行选择，采用粒子群算法(PSO)对其进行优化，构建基于PSO-SVM的高精度识别模型，并进行软件在环测试以验证代码的有效性，从而将其应用于高精度离线检测之中。　　6)实现了嵌入式车载安全带监控系统的设计。从分析车载系统对软硬件的性能要求着手，探讨了DSP内核高速处理数据的特点以及ARM内核控制和管理的功能，选择ICETEK-DM642-B评估板作为硬件平台，实现了基于嵌入式技术的安全带识别系统的设计;完成系统功能的总体设计和功能模块的软件设计，并进行程序优化。　　论文研究的创新点如下: 　　1)提出基于车载机器视觉识别安全带的方法，搭建嵌入式车载安全带识别系统平台; 　　2)揭示了三点式安全带的不同佩戴方式（不规范佩戴和卷曲佩戴）与乘员损伤之间的关系; 　　3)提出安全带识别的实时性和准确性评价方法; 　　4)构建基于GA-BP神经网络的安全带识别实时性模型; 　　5)构建基于PSO-SVM的卷曲佩戴识别高精度模型。
作者：	胡满江
专业：	车辆工程
导师：	葛如海
授予学位：	博士
授予学位单位：	江苏大学
学位年度：	2014
正文语种：	中文