检测车辆中是否使用了安全带的方法和系统与流程

本公开涉及检测车辆中是否使用了安全带的方法和系统，具体涉及检测是否正确使用安全带或者是否以预期使用的方式来使用安全带的方法和系统。

背景技术：

安全带(换句话说：座椅安全带)是车辆中最重要的安全措施之一。然而，安全带只有在使用时并且被正确使用时才有效。

现今，检测汽车中的人员是否扣上安全带的标准是在带扣接收器中使用传感器。该方法可靠且具有高准确度。然而，该传感器是否检测到带扣接收器中的安全带的信息并不能指示是否正确地佩戴安全带。例如，可以将另一安全带(例如，备件)插入带扣接收器中，而不是插入真正的安全带带扣，或者可以连接安全带，而乘客可以坐在安全带的前方或安全带的上方。

而且，如果座椅可以在滑轨上移动和调节或者是可转动的(例如，在货车上)，那么带扣接收器中的传感器的布线也可能是一个挑战，因为必须确保所有配置的连接性。

因此需要改进安全带检测。

技术实现要素：

本公开提供了一种计算机实现方法、计算机系统以及非暂时性计算机可读介质。实施方式是在说明书以及附图中给出的。

在一个方面，本公开涉及一种检测车辆中是否使用(或者佩戴或应用)了安全带的计算机实现方法，所述方法包括由计算机硬件组件执行(换句话说：进行)的以下步骤：获取车辆的内部的图像；基于所述图像，确定多个子图像；针对所述多个子图像中的至少一个子图像，对相应子图像中是否存在所述安全带的(至少)一部分(例如，安全带的皮带的一部分或者安全带的带扣的一部分)进行检测；以及基于所述检测，确定是否使用了所述安全带(例如，正确地使用安全带或者以预期使用的方式来使用安全带)。

换句话说，可以获取图像，并且可以确定多个子图像(这些子图像可以是所述图像的裁剪图像，并且这些子图像可以被称为图块，并且这些子图像可以是矩形的或者具有任何其它形状，其中子图像的边界与所述图像的边界平行或不平行)，从而可以对这些子图像执行检测。所述方法可以提供可视的四点式安全带验证。

如果座椅可以在滑轨上移动和调节或者是可转动的(例如，在货车上)，那么带扣接收器中的常规传感器的布线可能是一个挑战，因为必须确保所有配置的连接性。在这种情况下，利用根据各种实施方式的基于视觉的方法，可以提供用于检测是否正确佩戴安全带的非接触解决方案，这可以降低系统的复杂性和成本。

利用根据各种实施方式的基于视觉的方法，通过分析安全带实际上是否沿着乘客身体正确地路由，可以克服常用安全带检测方法的错误检测。另外，如果内部摄像头可以用于其它功能，诸如驾驶员监视或驾驶室监视，那么可以将带扣接收器中的传感器移除以节省成本。

根据另一方面，所述检测包括：确定所述相应子图像中存在所述安全带的一部分的估计概率。例如，如果相应子图像中存在安全带的一部分的概率处于中间范围(例如，介于30％至70％之间、或者40％至60％之间、或者大约50％)，则可以确定无法检测目前子图像中是否存在安全带的一部分。在这样的情况下，检测目前子图像中是否存在安全带的一部分可以提供结果“未知”。这可以允许对遮蔽或“未知”情况进行检测但不将其归类成“不存在安全带的部分”。应理解，“中间范围”包括无法或不适合明确指示“存在安全带的部分”或“不存在安全带的部分”的概率。

根据另一方面，基于所述至少一个子图像的多个估计概率来确定是否(正确地)使用了所述安全带。可以将该概率用于累积处理结果，并允许进行更复杂的确定，而不仅仅是“是”或“否”确定。

根据另一方面，顺序地执行所述检测(即，一个子图像接着一个子图像)，其中，如果针对目前子图像检测到所述目前子图像中不存在所述安全带的一部分(例如，如果确定存在安全带的概率低于预定阈值)，则停止对所述检测的处理并且确定未(正确地)使用所述安全带。这可以降低计算工作量。

根据另一方面，顺序地执行所述检测(即，一个子图像接着一个子图像)，其中，如果针对目前子图像检测到所述目前子图像中所述安全带的一部分被遮蔽，则停止对所述检测的处理并且确定无法指示是否使用了所述安全带。

根据另一方面，顺序地执行所述检测(即，一个子图像接着一个子图像)，其中，如果针对目前子图像确定无法检测所述目前子图像中是否存在所述安全带的一部分(例如，因为对目前子图像中是否存在安全带的一部分的检测提供了结果“未知”)，则停止对所述检测的处理并且确定无法指示是否使用了所述安全带。

根据另一方面，所述图像是通过2d摄像头、黑白摄像头、彩色摄像头、彩色红外摄像头、近红外摄像头或飞行时间摄像头中的至少一种摄像头获取的。相应的摄像头也可以用于车辆中的其它任务，例如用于驾驶员监视或驾驶员状态检测。

根据另一方面，可以基于所述检测来确定与所述安全带相对应的座椅的占用状况(例如，“空着”或“被占用”)。例如，如果确定座椅已被占用，则在发生事故的情况下，可以采取安全措施以保护占用座椅的乘客。

根据另一方面，如果座椅占用状况是从另一模块获得的(例如，使用同一传感器输入的另一处理步骤，或者来自另一传感器(例如，座椅中的重量传感器))，则也可以将该另一模块提供的信号包括在最终安全带状况的计算中。例如，如果基于该另一模块确定座椅被占用的可能性非常低，则可以对安全带检测器的参数进行修改，例如通过增加空座椅的“安全带已系”的分类阈值。

根据另一方面，可以基于所述检测来确定安全带状况(例如，“安全带未系”(即，未使用或未佩戴)、“安全带已系”(“已使用安全带”或“已佩戴安全带”)、“安全带可能已系”或“安全带可能未系”)。基于所确定的安全带状况，可以向车辆的乘员提供警告消息。

根据另一方面，可以基于所述检测来确定所述安全带的(安全带)路由状况(例如，“正确地路由”、“在肩部以下”、“在背后”)。基于所确定的路由状况，可以向车辆的乘员提供警告消息或如何获得正确路由的指示。

根据另一方面，可以基于所述检测来确定所述安全带的遮蔽状况(例如，“安全带被其它身体部位遮蔽”、“安全带被衣物遮蔽”、“安全带被膝上的物品遮蔽”)。例如，如果确定安全带被乘员膝上的物品遮蔽，则在发生事故的情况下，可以采取安全措施以保护占用该座椅的乘客，例如，通过有选择地启用安全气囊以避免乘员膝上的物品伤害到该乘员。应理解，“遮蔽”可能是指安全带(至少部分地)在所获取的图像上不可见，例如，因为另一物品位于安全带与获取图像的传感器(例如，摄像头)之间。

根据另一方面，可以基于所述图像来确定(应该佩戴安全带的车辆乘员的)至少一个身体关键点的位置，并且可以基于所述至少一个身体关键点的所确定的位置来确定所述多个子图像。这可以允许补偿各种就坐位置，其中，随着就坐位置的变化，安全带的位置也改变。

根据另一方面，可以基于所述图像来确定所述安全带的一部分是否被遮蔽和/或所述安全带的哪些部分被遮蔽。根据另一方面，如果确定安全带的一部分被遮蔽，则执行以下步骤中的至少一个步骤：提示用户移走遮蔽物品；调整对所述子图像的确定，以使所述子图像示出所述安全带的未被遮蔽的部分；推迟所述检测，直到所述安全带的所述部分不再被遮蔽；或者基于早前的检测来预测所述检测的结果。仅当安全带未被遮蔽时，这才可以允许获得结果。

根据另一方面，所述检测是使用分类器执行的。

例如，分类器可以对子图像上示出的一个或多个物品进行分类。例如，分类器可以将子图像(换句话说：整个子图像或完整子图像)分类成“示出安全带的至少一部分”或者“未示出安全带”；应理解，可以提供分类成另一组类别的分类，例如“示出安全带的至少一部分的概率小于30％”、“示出安全带的至少一部分的概率介于30％至70％之间”或者“示出安全带的至少一部分的概率大于70％”。

在另一示例中，分类器可以对子图像中的各个像素进行分类。分类器可以将各个像素分类成“属于安全带的像素”类别或“不属于安全带的像素”类别。另选地，分类器可以指派属于安全带或不属于安全带的概率(或概率范围，以便保持低的类别数)。可以将所得到的概率表示成概率图(换句话说：图像)，然后在第二步骤中，可以对这些图进一步进行处理并分类成“安全带存在/安全带不存在/安全带存在但被错误地使用”等。该第二步骤可以是由另一神经网络或任何其它分类方法来执行的。

根据另一方面，所述检测是使用(人工)神经网络(例如，卷积神经网络)来执行的。

根据另一方面，所述多个子图像是基于对所述图像进行裁剪并且使用透视变换对所裁剪的图像中的各个裁剪的图像进行变换来确定的。透视变换(换句话说：视觉变换)可以被选择成使得安全带被定向成垂直于方框的主轴。子图像的透视变换和/或裁剪可以确保对于所有各种可能的(或可行的或有效的)座椅位置，安全带的一部分在图像中。而且，这可以允许将相同的分类器或人工神经网络用于与安全带的皮带有关的所有子图像。可以将单独的分类器或人工网络用于与安全带的带扣有关的子图像。

在另一方面，本公开涉及一种计算机系统，所述计算机系统包括多个计算机硬件组件，所述多个计算机硬件组件被配置成执行本文所描述的计算机实现方法的多个或所有步骤。所述计算机系统可以是车辆的一部分。

在另一方面，本公开涉及一种车辆，该车辆包括计算机系统以及被配置成获取该车辆的内部的图像的至少一个传感器。

该计算机系统可以包括多个计算机硬件组件(例如，处理单元、至少一个存储器单元以及至少一个非暂时性数据存储部)。应理解，可以提供另外的计算机硬件组件并用于在计算机系统中执行所述计算机实现方法的步骤。该非暂时性数据存储部和/或存储器单元可以包括计算机程序，该计算机程序用于指示计算机例如使用所述处理单元和所述至少一个存储器单元来执行本文所描述的计算机实现方法的多个或所有步骤或方面。

在另一方面，本公开涉及一种非暂时性计算机可读介质，该非暂时性计算机可读介质包括用于执行本文所描述的计算机实现方法的多个或所有步骤或方面的指令。该计算机可读介质可以被配置成：诸如光盘(cd)或数字通用盘(dvd)的光学介质；诸如硬盘驱动器(hdd)的磁介质；固态驱动器(ssd)；诸如闪速存储器的只读存储器(rom)；等等。而且，该计算机可读介质可以被配置成能够经由诸如互联网连接的数据连接来访问的数据存储部。计算机可读介质例如可以是在线数据存储库或云存储。

本公开还涉及一种计算机程序，该计算机程序用于指示计算机执行本文所描述的计算机实现方法的多个或所有步骤或方面。

附图说明

本文结合以下示意性地示出的附图，对本公开的示例实施方式和功能进行描述：

图1是根据各种实施方式获取的图像的例示图；

图2是根据各种实施方式的乘员状态模型的例示图；以及

图3是例示了根据各种实施方式的检测车辆中是否使用了安全带的方法的流程图。

具体实施方式

根据各种实施方式，可以使用对汽车内部的了解来有效地执行座椅占用和安全带状况验证。对汽车内部的了解连同存在恒定摄像头视点的事实可以允许对汽车中人员的正常就坐位置做出某些假设。

根据各种实施方式的检测车辆中是否正确使用安全带的系统可以包括：至少一个视觉传感器(例如，2d(二维)rgb(红绿蓝)传感器、rgb-ir(红外)传感器、nir(近红外)传感器或飞行时间传感器)、接收图像并计算输出信号的处理单元以及向至少一个接收单元提供输出信号的信令单元。

可以将摄像头定位在车辆中的不同位置处，例如，后视镜附近、顶棚、中央显示区、a柱中、b柱中、或者第二排上方。

可以设置超过一个摄像头，以使可以在处理单元中融合来自多个摄像头的信息。

根据各种实施方式，安全带可以配备有标记。这样的标记例如可以以ir光谱反射，并且在视觉传感器的像平面中导致可以按照根据各种实施方式的方法进行检测和处理的特征图案。

图1示出了根据各种实施方式获取的图像的例示图100。用白框例示了子图像102、104、106、108、110、112、114、116。可以根据白框裁剪获取的图像获得子图像。如果安全带被正确地使用，则子图像108和110位于带扣的位置，而其它子图像102、104、106、112、114、116位于安全带皮带的位置。

根据各种实施方式，可以提供不同的分类器(例如(人工)神经网络)来评估与带扣有关的子图像以及与皮带有关的子图像。用于与带扣有关的子图像的分类器可以检测是否扣上安全带(例如，通过检测带扣在子图像中是否可见)。用于与皮带有关的子图像的分类器可以检测正面的安全带在子图像(换句话说：图块)中是否可见。

可以选择与皮带有关的各个位置的子图像或图块，并将子图像或图块进行透视变换，以使安全带被定向成(在给定的公差内)垂直于方框的主轴取向。由于摄像头安装位置以及座椅位置是已知的，因此可以针对各个图块使用静态变换参数。这种子图像变换可以允许使所有图块对于汽车中的所有就坐位置看起来相似。这允许我们针对汽车中的所有就坐位置训练和重用一个单一分类器，并减少数据收集工作，特别是减少用于训练分类器的数据收集工作。

例如可以通过提供(子)图像和有关图像上实际示出的内容(或者在图像上是否实际示出带扣或皮带)的信息来训练分类器(例如，人工神经网络)，并且人工神经网络可以学习(使用机器学习方法)不仅正确地评估被用于训练的图像，而且正确地评估在正常操作期间(即，在训练之后)确定的任何(子)图像。

根据各种实施方式，可以确定安全评分或加权分类器评分。例如，安全评分可以是人员是否就位并佩戴安全带的函数。可以基于来自各个子图像(换句话说：图块，例如，来自四个图块)的输出来计算各个人员的安全评分。可以为各个图块指派该图块可以贡献的最大评分spatch。然后，可以将乘员o1在任何时间点的最终安全评分计算为

其中，sb0和sk是权重，buckleclassifier(b0)表示与在相应子图像(例如，图1所示的子图像108(乘客)或110(驾驶员))上是否示出带扣(的一部分)有关的评分，并且strapclassifier(ck)表示与在与皮带有关的第k个子图像上(例如，图1所示的子图像102、104、106(乘客)或112、114、114(驾驶员))上是否示出安全带的皮带(的一部分)有关的评分。

根据各种实施方式，可以提供乘员状态模型。

图2示出了根据各种实施方式的乘员状态模型的例示图200。图2中的方框例示了各种状态，并且图2中的箭头例示了在状态之间进行切换的条件。区域a、区域b、区域c以及区域d可以表示四个不同的图块，例如，表示图1的子图像102、104、106、108。应理解，子图像的数量不限于四个，而可以是任何整数。应理解，对图块进行处理的顺序(换句话说：次序)不限于图2所示的处理，而是可以以任何其它顺序对图块进行处理。

处理可以开始于安全带未系状态202(即，假设乘员未佩戴安全带的状态)。如果区域a中存在安全带(特别是安全带的皮带)的一部分的概率高于预定阈值，则所述处理可以切换至第一阶段(阶段a204)。

在阶段a204，如果区域b中存在安全带的一部分的概率高于预定阈值，则所述处理可以切换至第二阶段(阶段b206)，而如果区域a中存在安全带的一部分的概率低于预定阈值，则所述处理可以切换回至安全带未系阶段202。

在阶段b206，如果区域c中存在安全带的一部分的概率高于预定阈值，则所述处理可以切换至第三阶段(阶段c208)，而如果区域b中存在安全带的一部分的概率低于预定阈值，则所述处理可以切换回至阶段a204。

在阶段c208，如果区域d中存在安全带的一部分的概率高于预定阈值，则所述处理可以切换至安全带已系阶段210(即，假设乘员佩戴安全带的状态)，而如果区域c中存在安全带的一部分的概率低于预定阈值，则所述处理可以切换回阶段b206。

在安全带已系阶段210，如果区域d中存在安全带的一部分的概率低于预定阈值，则所述处理可以切换回至阶段c208。

应理解，图2所例示的各种阈值可以相同或不同，例如，前进至下一阶段的阈值可以高于返回至该阶段的相应阈值，以引入滞后来避免在阶段之间的频繁(来回)切换。

根据各种实施方式，可以将离散的中间状态(阶段a、b、c)用于交互式可视化，例如用于使3d(三维)模型动画化。

利用图2所例示的处理，可以降低处理要求，这是因为在各个时间点，不需要对整个图像运行分类器。例如，一旦确认了阶段b，仅对下一图块运行分类器就足够了(以便确定是否进行至阶段c)。

而且，利用图2所例示的处理，可以处理局部遮蔽。

根据各种实施方式，基于摄像头图像，可以确定各个就坐位置的输出，例如，座椅的占用状况(例如“空着”或“被占用”)、当前的安全带状况(例如“安全带未系”、“安全带已系”、“安全带可能已系”、“安全带可能未系”)、(安全带)路由状况(例如、“正确路由”、“在肩部以下”、“在背后”)和/或遮蔽状况(例如，“安全带被其它身体部位遮蔽”、“安全带被衣物遮蔽”、“安全带被膝上的物品遮蔽”)。

图3示出了例示根据各种实施方式的检测车辆中是否使用了安全带的方法的流程图300。在302，可以获取车辆的内部的图像。在304，可以基于所述图像来确定多个子图像。在306，针对所述多个子图像中的至少一个子图像，可以对相应子图像中是否存在安全带的一部分进行检测。在308，可以基于所述检测来确定是否使用了安全带。

应理解，在步骤304处确定子图像的步骤包括(或者是)确定子图像在所述图像中的相应位置(或定位)。可以提供如何定位子图像的多种方式。

根据各种实施方式，子图像可能位于所述图像中的可配置的静态位置。可以在校准步骤针对不同的汽车内部和/或针对不同的摄像头视点和/或针对不同的座椅位置来调整子图像。这可以被称为静态方法。

根据各种实施方式，可以相对于图像中的检测到的身体关键点(例如，肩部、臀部点)动态地定位(换句话说：布置)子图像。这可以被称为动态方法。

根据各种实施方式，可以提供静态方法和动态方法的组合。例如，子图像的位置可以从时间系列的身体关键点得出，其中身体关键点(例如，肩部或臀部)的主要位置可能会随着时间的推移而积累起来以使区域稳定，由此不再依赖于身体关键点检测器的逐帧检测，或者因不需要为每个帧重新计算身体关键点以便更新安全带状况而节省了处理时间。同时，与静态方法中的固定区域相比，这种组合的方法可能更灵活。

根据各种实施方式，可以基于来自车辆的另外的信号来调整对时间系列的图像进行分析的参数，例如，使子图像的布置更响应于最近的测量(以使可以进行较快的改变；这也可以被称为更动态的布置)。例如，来自车辆的信号可以包括指示座椅是否已经被移动的信号。例如，如果座椅长时间未移动，则布置的动态性可能较低，而如果最近调节了座椅，则布置的动态性可能较高。

分析的参数例如可以是布置的频率(例如可以指示子图像的位置被调节得有多频繁，例如每1秒、每5秒或每分钟)。

在该背景下的布置可以指的是在完整图像内布置(或定位)子图像(这可以被理解成设定搜索区域)。在上面的示例中，如果改变了座椅位置(例如，通过前后移动座椅)，则预期安全带所在的区域可能会改变。

在组合的方法中，可以基于身体关键点的出现的累积统计来布置子图像，并且可以对与子图像布置对身体关键点变化的反应速度有关的一些参数进行设定。

例如，可能希望该过程相当缓慢，以使小的身体移动不会改变子图像的位置或所在。

然而，如果调节了座椅(这例如可以经由车辆总线上的指示座椅位置已被改变的信号来获知)，则可以改变所述设定以更快地响应于身体关键点的变化。

在这种情况下，例如，子图像可以更快地移动至肩部的当前位置。

根据各种实施方式，子图像的确定可以与用户id(标识符)进行组合。用户id例如可以使用面部识别或另一识别方法来确定。通过使用用户id，可以为给定用户设定定制的子图像区域。

根据各种实施方式，可以将不同的子图像分类器的输出馈送到图形推理模型、附加的神经网络或其它数据驱动的机器学习方法中。可以例如使用递归神经网络架构或lstm，从单个时间实例或者从观测的序列获得该结果。

在一个实施方式中，安全带带扣状态结果可以经由hiddenmarkov模型得出，其中，隐含状态是安全带状况，而观测状态是来自子图像分类器的结果。观测状态的状态转移概率和输出可能性(emissionlikelihood)可以预先定义或者从训练数据中获知。

根据各种实施方式，所述检测包括：确定相应子图像中存在安全带的一部分的估计概率。

根据各种实施方式，基于所述至少一个子图像的多个估计概率来确定是否使用了安全带。

根据各种实施方式，所述检测是顺序地执行的，其中，如果针对目前子图像检测到目前子图像中不存在安全带的一部分，则停止对所述检测的处理并且确定未使用安全带。

根据各种实施方式，所述图像是通过2d摄像头、黑白摄像头、彩色摄像头、彩色红外摄像头、近红外摄像头或飞行时间摄像头中的至少一种摄像头获取的。

根据各种实施方式，所述方法还包括：基于所述检测，确定与安全带相对应的座椅的占用状况。

根据各种实施方式，所述方法还包括：基于所述检测，确定安全带状况。

根据各种实施方式，所述方法还包括：基于所述检测，确定安全带的路由状况。

根据各种实施方式，所述方法还包括：基于所述检测，确定安全带的遮蔽状况和/或乘员的身体姿势和/或乘员的身体关键点和/或乘员附近的物品。

根据各种实施方式，所述检测是使用分类器执行的。

根据各种实施方式，所述检测是使用神经网络执行的。

安全带的遮蔽可能是由于身体部位、衣物和物品以及传感器的阻挡视线的其它覆盖物(例如，摄像头镜头上的贴纸)而造成的。

根据各种实施方式，摄像头自检模块可能会不时将图像内容作为自诊断服务的一部分进行检查，以确保由摄像头获取的数据有效(例如，不存在模糊、冻结、过饱和、太暗等)并且摄像头不被物品靠近阻挡。该步骤也可以包含一个或更多个神经网络。

该系统可以与身体关键点检测模块结合以进一步优化和改进图块选择过程和遮蔽预测。这样的模块可以检测身体的2d或3d关键点(诸如肩部、臀部、肘部、手、膝部等)。根据各种实施方式，关键点是使用神经网络计算的。该网络可以针对完整图像或者不同子图像(不一定与安全带的裁剪有关)运行。

知道肩部和臀部身体关键点的位置可以允许使用相对于图像或3d空间中的关键点位置的参数来确定包含皮带和带扣的安全带子图像的自适应裁剪。

此外，可以将身体关键点模块用于确定安全带区域是否将被身体部位遮蔽。例如，如果手关键点落入皮带的子图像中，则可以将该子图像分类成“被其它身体部位遮蔽的安全带”，并且选择延迟在该特定子图像上运行安全带分类器，或者选择未被遮蔽的更合适的子图像。同一概念可以通过假设例如用手臂连接该2个关键点并由此可以将2个或更多个点之间的线性带(骨架)也用于对遮蔽进行预测来扩展。

也可以使用物品检测模块来确定安全带是否被遮蔽。可以使用物品检测或分段模块来确定被物品遮蔽的区域。例如，如果将诸如书包或笔记本电脑的物品放置在座椅上的人员的膝上，则该物品可能会部分或完全遮蔽安全带区域。

在检测到遮蔽的情况下，可以在系统内以多种方式对这些遮蔽进行处理。

在交互式方法中，可以提示用户移动遮蔽物品或身体部位。当系统确定安全带区域不再被遮蔽时，系统可以运行安全带分类器并且可以重新评估状态。

在动态子图像选择方法中，系统可以尝试仅选择未落入被遮蔽的区域内的子图像。如果有足够(例如，至少2个)未被遮蔽的区域，则该系统可以生成输出，但是总体置信度可能低于所有区域都可见的情况。

在等待方法(该方法可以被称为timewait方法)中，在再次对子图像运行分类器之前，系统可以等待一段时间以使子图像达到未被遮蔽的状态。

在预测方法中，可以通过外推先前时间段的结果来估计图块的先前结果或可能的结果。

根据各种实施方式，所述多个子图像是基于对所述图像进行裁剪并且使用透视变换对所裁剪的图像中的各个裁剪的图像进行变换来确定的。

上述步骤302、304、306、308以及另外的步骤中的各个步骤可以由计算机硬件组件来执行。

标号列表

100根据各种实施方式获取的图像的例示图

102子图像

104子图像

106子图像

108子图像

110子图像

112子图像

114子图像

116子图像

200根据各种实施方式的乘员状态模型的例示图

202安全带未系状态

204第一阶段

206第二阶段

208第三阶段

210安全带已系状态

300例示根据各种实施方式的检测车辆中是否使用了安全带的方法的流程图

302获取车辆的内部的图像的步骤

304基于所述图像来确定多个子图像的步骤

306针对所述多个子图像中的至少一个子图像，对相应子图像中是否存在安全带的一部分进行检测的步骤

308基于所述检测确定是否使用了安全带的步骤