一种基于全卷积网络的安全带检测方法和装置与流程

1.本发明实施例涉及安全带检测技术领域，尤其涉及一种基于全卷积网络的安全带检测方法和装置。


背景技术：

2.随着经济的快速发展，汽车的数量也在逐年的增加。汽车持续快速增长为城市交通系统带来巨大负担，驾驶员未佩戴安全带直接影响到自己以及其他人的生命安全，因此，对驾驶员是否佩戴安全带的检测十分重要。
3.现有的安全带检测算法绝大多数是基于分类的方法，该方法实施较为简单，由于摄像设备安装角度多样性、光照条件和驾驶员穿着姿态等环境背景复杂性，基于分类的安全带检测方法误识别率较高。另外，基于边缘设备的硬件计算能力不强，对神经网络模型的设计具有较高的要求。


技术实现要素：

4.本发明提供一种基于全卷积网络的安全带检测方法，基于分割的方法，通过识别安全带在图像中的位置来判别是否含有安全带，以提高安全带检测的准确率和速度。
5.第一方面，本发明实施例提供了一种基于全卷积网络的安全带检测方法，包括：s110、采集驾驶员区域的待识别图像；s120、利用训练后的安全带检测全卷积网络提取待识别图像安全带区域的特征图，根据所述特征图判断驾驶员是否佩戴安全带。
6.可选的，在步骤s110之前还包括：对采集到的图像训练样本进行筛选，以得到包含安全带的安全带训练样本；沿着各安全带训练样本中的安全带中线位置标注若干特征点；将标注后的安全带训练样本输入待训练的安全带检测全卷积网络中进行训练，以得到训练后的安全带检测全卷积网络。
7.可选的，所述图像训练样本中的安全带为驾驶员腰部以上区域的安全带。
8.可选的，步骤s120具体包括：将所述待识别图像输入练后的安全带检测全卷积网络，得到待识别图像中安全带区域的匹配点；计算所有匹配点的置信度均值，以得到所述待识别图像中存在安全带的置信度；若所述置信度大于设定阈值，则待识别图像中的驾驶员佩戴安全带。
9.可选的，该方法还包括：若检测到驾驶员未佩戴安全带，则通过发生装置进行报警。
10.第二方面，本发明实施例还提供了一种基于全卷积网络的安全带检测装置，包括：采集模块，用于采集驾驶员区域的待识别图像；检测模块，利用训练后的安全带检测全卷积网络提取待识别图像安全带区域的特
征图，根据所述特征图判断驾驶员是否佩戴安全带。
11.可选的，所述检测模块具体用于：将所述待识别图像输入练后的安全带检测全卷积网络，得到待识别图像中安全带区域对应的匹配点；计算所有匹配点的置信度均值，以得到所述待识别图像中存在安全带的置信度；若所述置信度大于设定阈值，则待识别图像中的驾驶员佩戴安全带。
12.本实施例的技术方案，基于分割的方法，通过识别安全带在待识别图像中的位置来判别驾驶员是否佩戴安全带，提高了安全带检测的准确率和速度。
13.附图说明
14.图1为本发明实施例提供的一种基于全卷积网络的安全带检测方法的流程图；图2为本发明实施例提供的安全带标注流程图；图3为本发明实施例提供的安全带标注示意图；图4为本发明实施例提供的安全带检测全卷积网络框架图；图5为本发明实施例提供的白天安全带检测效果图；图6为本发明实施例提供的夜晚安全带检测效果图；图7为本发明实施例提供的电子设备框图。
具体实施方式
15.下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例
16.图1为本发明实施例提供的一种基于全卷积网络的安全带检测方法的流程图，具体包括如下步骤：s110、采集驾驶员区域的待识别图像。
17.本实施例中，在进行安全带的检测之间，首先进行安全带检测全卷积网络的训练。
18.图2为安全带标注流程图，包括分为筛选、标注和交叉验证。
19.其中，筛选包括：对采集到的图像训练样本进行筛选，以得到包含安全带的安全带训练样本。
20.标注包括：沿着各安全带训练样本中的安全带中线位置标注若干特征点。具体标注情况如图3，观察安全带中线与基准线的交点，从上到下进行标注。不必标注每个交点，在安全带较直的部分，可一次跨越多条基准线标注。在标注过程中只需要标安全带上半部分，安全带在人腰部的部分不需标注，同时保证标注线不会在同一条基准线上出现两个交点。
21.在安全带样本标注好之后，将标注后的安全带训练样本输入待训练的安全带检测全卷积网络中进行训练，以得到训练后的安全带检测全卷积网络。
22.s120、利用训练后的安全带检测全卷积网络提取待识别图像安全带区域的特征
图，根据所述特征图判断驾驶员是否佩戴安全带。
23.具体的，s120包括：将所述待识别图像输入练后的安全带检测全卷积网络，得到待识别图像中安全带位置的匹配点；计算所有匹配点的置信度均值，以得到所述待识别图像中存在安全带的置信度；若所述置信度大于设定阈值，则待识别图像中的驾驶员佩戴安全带。
24.示例性的，本实施例中训练后的安全带检测全卷积网络参见图4。输入图像大小为288*384，类型为三通道，其中白天条件下，算法模型的输入为彩色rgb图像，夜晚条件下，算法模型的输入需要将单通道红外灰度图像转换成三通道图像。输入图像经过多层卷积后，得到模型的输出特征图，其中输出特征图的每一个位置值代表是否匹配安全带，拟合所有的安全带匹配点即可得到最终的安全带检测结果，对每一个匹配点的置信度求平均可得到图像中存在安全带的置信度，再根据安全带置信度与预设的置信度阈值进行比较，判断驾驶员是否佩戴安全带。图5和图6分别展示了白天和夜晚的安全带检测效果。
25.进一步的，若检测到驾驶员未佩戴安全带，则通过发生装置进行报警，及时对未系安全带进行提醒，避免突发情况造成的人员伤害。
26.继续参见图7，图7为可对未正确系安全带进行报警的电子设备，包括处理器、发生模块、网络模块、摄像头组件、存储模块、电源模块、4g模块以及服务器。
27.其中，处理器用于检测驾驶员是否佩戴安全带，当检测到驾驶员未佩戴安全带时，通过发生装置进行报警，将对报警信息记录到存储模块当中，并使用4g模块上传到后台服务器。
28.本发明实施例还提供了一种基于全卷积网络的安全带检测装置，包括：采集模块，用于采集驾驶员区域的待识别图像；检测模块，用于利用训练后的安全带检测全卷积网络提取待识别图像安全带区域的特征点，根据所述特征点判断驾驶员是否佩戴安全带。
29.其中，所述检测模块具体用于：将所述待识别图像输入练后的安全带检测全卷积网络，得到待识别图像中安全带位置的匹配点；计算所有匹配点的置信度均值，以得到所述待识别图像中存在安全带的置信度；若所述置信度大于设定阈值，则待识别图像中的驾驶员佩戴安全带。
30.本发明实施例所提供的一种基于全卷积网络的安全带检测装置可执行本发明任意实施例所提供的一种基于全卷积网络的安全带检测方法，具备执行方法相应的功能模块和有益效果。
31.注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。