本发明涉及图像处理技术领域，尤其涉及一种安全带佩戴检测方法、装置及电子设备。
背景技术：
随着城市经济高速增长，城市化进程加快，交通安全成为困扰我国城市交通领域的一大难题。据公安交通部门统计，在所有的交通事故中，汽车驾驶人员不佩戴安全带是造成道路交通死亡事故的重要原因。所以，对未佩戴安全带驾驶人员进行监控监测和预警十分必要。
目前，基于视觉的安全带检测技术主要分为两大类，一类是基于普通的图像处理技术，另一类是基于机器学习技术。然而，上述两类安全带检测技术的检测精度较低。
技术实现要素：
鉴于以上内容，有必要提供一种安全带佩戴检测方法、装置及电子设备，能够提高安全带检测的精度。
一种安全带佩戴检测方法，所述方法包括：
获取需要进行安全带佩戴检测的灰度图像；
对所述灰度图像进行直线检测，获得多条直线；
根据预先确定的车窗几何参数的取值范围以及所述多条直线，确定所述灰度图像中的车窗区域图像；
对所述车窗区域图像进行均等划分，并从均等划分后的两部分车窗子区域图像中截取任一部分车窗子区域图像；
从截取的所述车窗子区域图像中提取第一局部纹理特征；
使用预先训练好的二类分类模型对所述第一局部纹理特征进行分类，获得分类结果，所述分类结果用于标识佩戴安全带或未佩戴安全带；
根据所述分类结果，对所述车窗子区域图像中的用户进行安全带佩戴检测。
在一种可能的实现方式中，所述第一局部纹理特征为局部二值模式lbp特征，所述二类分类模型为支持向量机svm模型，所述对所述灰度图像进行直线检测，获得多条直线包括：
使用线段检测器lsd算法对所述灰度图像进行直线检测，获得多条直线。
在一种可能的实现方式中，所述根据预先确定的车窗几何参数的取值范围以及所述多条直线，确定所述灰度图像中的车窗区域图像包括：
确定所述多条直线的几何参数的数值；
从所述数值中筛选出属于所述车窗几何参数的取值范围的目标数值，并确定所述目标数值所对应的多条目标直线；
将多条所述目标直线所组成区域的图像确定为所述灰度图像中的车窗区域图像。
在一种可能的实现方式中，所述获取需要进行安全带佩戴检测的灰度图像之前，所述方法还包括：
获取多个带车窗的正样本灰度图像及多个不带车窗的负样本灰度图像；
对多个所述正样本灰度图像进行直线检测，获得多条第一直线，确定多条所述第一直线的第一几何参数信息，并根据所述第一几何参数信息确定第一取值范围；
对多个所述负样本灰度图像进行直线检测，获得多条第二直线，确定多条所述第二直线的第二几何参数信息，并根据所述第二几何参数信息确定第二取值范围；
从所述第一取值范围中删除所述第二取值范围，获得第三取值范围；
将所述第三取值范围确定为能够标识车窗的车窗几何参数的取值范围。
在一种可能的实现方式中，所述获取需要进行安全带佩戴检测的灰度图像之前，所述方法还包括：
获取多个带车窗的正样本灰度图像；
针对每个所述正样本灰度图像，对所述正样本灰度图像进行均等划分，并从均等划分后的两部分正样本灰度子图像中截取任一部分正样本灰度子图像；
从截取的所述正样本灰度子图像中提取第二局部纹理特征；
对所述第二局部纹理特征进行二类分类训练，获得二类分类模型。
在一种可能的实现方式中，所述方法还包括：
若截取的所述正样本灰度子图像中的用户佩戴安全带，使用第一标识对所述第二局部纹理特征进行标记；
若截取的所述正样本灰度子图像中的用户未佩戴安全带，使用第二标识对所述第二局部纹理特征进行标记；
所述对所述第二局部纹理特征进行二类分类训练，获得二类分类模型包括：
对标记后的第二局部纹理特征进行二类分类训练，获得二类分类模型。
在一种可能的实现方式中，所述根据所述分类结果，对所述车窗子区域图像中的用户进行安全带佩戴检测包括：
若所述分类结果为所述第一标识，则确定所述车窗子区域图像中的用户佩戴安全带；
若所述分类结果为所述第二标识，则确定所述车窗子区域图像中的用户未佩戴安全带。
在一种可能的实现方式中，所述方法还包括：
若所分类结果标识所述车窗子区域图像中的用户未佩戴安全带，则向交警终端发送所述分类结果。
一种安全带佩戴检测装置，所述安全带佩戴检测装置包括：
获取单元，用于获取需要进行安全带佩戴检测的灰度图像；
检测单元，用于对所述灰度图像进行直线检测，获得多条直线；
第一确定单元，用于根据预先确定的车窗几何参数的取值范围以及所述多条直线，确定所述灰度图像中的车窗区域图像；
划分截取单元，用于对所述车窗区域图像进行均等划分，并从均等划分后的两部分车窗子区域图像中截取任一部分车窗子区域图像；
提取单元，用于从截取的所述车窗子区域图像中提取第一局部纹理特征；
分类单元，用于使用预先训练好的二类分类模型对所述第一局部纹理特征进行分类，获得分类结果，所述分类结果用于标识佩戴安全带或未佩戴安全带；
所述检测单元，还用于根据所述分类结果，对所述车窗子区域图像中的用户进行安全带佩戴检测。
在一种可能的实现方式中，所述第一局部纹理特征为局部二值模式lbp特征，所述二类分类模型为支持向量机svm模型，所述检测单元对所述灰度图像进行直线检测，获得多条直线的方式具体为：
使用线段检测器lsd算法对所述灰度图像进行直线检测，获得多条直线。
在一种可能的实现方式中，所述第一确定单元根据预先确定的车窗几何参数的取值范围以及所述多条直线，确定所述灰度图像中的车窗区域图像的方式具体为：
确定所述多条直线的几何参数的数值；
从所述数值中筛选出属于所述车窗几何参数的取值范围的目标数值，并确定所述目标数值所对应的多条目标直线；
将多条所述目标直线所组成区域的图像确定为所述灰度图像中的车窗区域图像。
在一种可能的实现方式中，所述获取单元，还用于获取多个带车窗的正样本灰度图像及多个不带车窗的负样本灰度图像；
所述检测单元，还用于对多个所述正样本灰度图像进行直线检测，获得多条第一直线；
所述安全带佩戴检测装置还包括：
第二确定单元，用于确定多条所述第一直线的第一几何参数信息，并根据所述第一几何参数信息确定第一取值范围；
所述检测单元，还用于对多个所述负样本灰度图像进行直线检测，获得多条第二直线；
所述第二确定单元，还用于确定多条所述第二直线的第二几何参数信息，并根据所述第二几何参数信息确定第二取值范围；
删除单元，用于从所述第一取值范围中删除所述第二取值范围，获得第三取值范围；
所述第二确定单元，还用于将所述第三取值范围确定为能够标识车窗的车窗几何参数的取值范围。
在一种可能的实现方式中，所述获取单元，还用于获取多个带车窗的正样本灰度图像；
所述划分截取单元，还用于针对每个所述正样本灰度图像，对所述正样本灰度图像进行均等划分，并从均等划分后的两部分正样本灰度子图像中截取任一部分正样本灰度子图像；
所述提取单元，还用于从截取的所述正样本灰度子图像中提取第二局部纹理特征；
所述安全带佩戴检测装置还包括：
训练单元，用于对所述第二局部纹理特征进行二类分类训练，获得二类分类模型。
在一种可能的实现方式中，所述安全带佩戴检测装置还包括：
标记单元，用于若截取的所述正样本灰度子图像中的用户佩戴安全带，使用第一标识对所述第二局部纹理特征进行标记，若截取的所述正样本灰度子图像中的用户未佩戴安全带，使用第二标识对所述第二局部纹理特征进行标记；
所述训练单元对所述第二局部纹理特征进行二类分类训练，获得二类分类模型的方式具体为：
对标记后的第二局部纹理特征进行二类分类训练，获得二类分类模型。
在一种可能的实现方式中，所述检测单元根据所述分类结果，对所述车窗子区域图像中的用户进行安全带佩戴检测的方式具体为：
若所述分类结果为所述第一标识，则确定所述车窗子区域图像中的用户佩戴安全带；
若所述分类结果为所述第二标识，则确定所述车窗子区域图像中的用户未佩戴安全带。
在一种可能的实现方式中，所述安全带佩戴检测装置还包括：
发送单元，用于若所分类结果标识所述车窗子区域图像中的用户未佩戴安全带，则向交警终端发送所述分类结果。
一种电子设备，所述电子设备包括存储器及处理器，所述存储器用于存储至少一个指令，所述处理器用于执行所述至少一个指令以实现上述任一种可能的实施方式中所述的安全带佩戴检测方法。
一种计算机可读存储介质，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现上述任一种可能的实施方式中所述的安全带佩戴检测方法。
由以上技术方案，本发明中，电子设备可以获取需要进行安全带佩戴检测的灰度图像，对所述灰度图像进行直线检测，获得多条直线，并根据预先确定的车窗几何参数的取值范围以及所述多条直线，确定所述灰度图像中的车窗区域图像，进一步地，电子设备可以对所述车窗区域图像进行均等划分，并从均等划分后的两部分车窗子区域图像中截取任一部分车窗子区域图像；从截取的所述车窗子区域图像中提取第一局部纹理特征；更进一步地，电子设备可以使用预先训练好的二类分类模型对所述第一局部纹理特征进行分类，获得分类结果，所述分类结果用于标识佩戴安全带或未佩戴安全带，并根据所述分类结果，对所述车窗子区域图像中的用户进行安全带佩戴检测。通过本发明的实施例，电子设备通过进行直线检测，能够快速地根据车窗的几何信息来确定车窗的位置，且使用的第一局部纹理特征相较于传统的特征有更好描述直线纹理特征的功能，进一步地结合第一局部纹理特征和二类分类模型对获取的灰度图像进行分类，从而能够提高安全带检测的精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1是本发明公开的一种安全带佩戴检测方法的较佳实施例的流程图。
图2是本发明公开的另一种安全带佩戴检测方法的较佳实施例的流程图。
图3是本发明公开的一种带车窗的正样本灰度图像的示意图。
图4是本发明公开的一种不带车窗的负样本灰度图像的示意图。
图5是本发明公开的一种车窗的几何参数的示意图。
图6是本发明公开的一种正样本灰度子图像的示意图。
图7是本发明公开的另一种正样本灰度子图像的示意图。
图8是本发明公开的一种安全带佩戴检测装置的较佳实施例的功能模块图。
图9是本发明公开的另一种安全带佩戴检测装置的较佳实施例的功能模块图。
图10是本发明公开的另一种安全带佩戴检测装置的较佳实施例的功能模块图。
图11是本发明实现安全带佩戴检测方法的较佳实施例的电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
优选地，本发明的安全带佩戴检测方法可以应用在一个或者多个所述电子设备中。所述电子设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(applicationspecificintegratedcircuit，asic)、可编程门阵列(field－programmablegatearray，fpga)、数字处理器(digitalsignalprocessor，dsp)、嵌入式设备等。
所述电子设备包括但不限于任何一种可与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(personaldigitalassistant，pda)、交互式网络电视(internetprotocoltelevision，iptv)、智能式穿戴式设备、数码相机等。
请参见图1，图1是本发明公开的一种安全带佩戴检测方法的较佳实施例的流程图。其中，根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
s11、电子设备获取需要进行安全带佩戴检测的灰度图像。
本发明的实施例中，电子设备可以从交警终端中直接获取需要进行安全带佩戴检测的灰度图像，或者，电子设备可以从交警终端中获取摄像头抓拍的抓拍图像，并将该抓拍图像转换为灰度图像，以获得需要进行安全带佩戴检测的灰度图像。其中，交通道路口上的摄像头可以对来往的机动车进行抓拍，获得抓拍图像后，并上传至交警终端。交警终端接收到抓拍图像后，可以直接将该抓拍图像发送给电子设备以进行安全带佩戴检测，或者，可以将该抓拍图像转化为灰度图像后再发送给电子设备以进行安全带佩戴检测。其中，该摄像头抓拍的抓拍图像为包括机动车驾驶员以及前风窗的机动车正面图像，转换后的灰度图像也是包括机动车驾驶员以及前风窗的机动车正面图像。
交警终端主要用于接收电子设备反馈的关于机动车驾驶员的安全带检测的分类结果，对所述机动车驾驶员的安全带检测的分类结果进行记录，并上传至机动车驾驶员的个人驾驶记录中，机动车驾驶员可以通过登录个人驾驶记录进行查看有关安全带佩戴的情况。
s12、电子设备对所述灰度图像进行直线检测，获得多条直线。
其中，所述电子设备可以使用线段检测器(linesegmentdetector，lsd)算法对所述灰度图像进行直线检测。需要说明的是，本发明的实施例中还可以使用其他的算法对所述灰度图像进行直线检测，并不局限于lsd算法。
所述lsd是一种直线检测分割算法，它能在线性的时间内得出亚像素级精度的检测结果。lsd算法的输入是灰度图像，输出是一系列的直线分割结果。lsd算法的目标在于检测图像中局部的直的轮廓。
本发明的实施例中，电子设备使用线段检测器lsd算法对所述灰度图像进行直线检测，就可以检测出所述灰度图像中局部的直的轮廓，从而获得多条直线。其中，该多条直线可以包括但不限于车窗的四条直线、车牌的四条直线、车身边缘的直线、车内部安全带的直线以及车内部座椅的直线等等。
s13、电子设备根据预先确定的车窗几何参数的取值范围以及所述多条直线，确定所述灰度图像中的车窗区域图像。
在一个实施例中，电子设备可以预先获取多个带车窗的正样本灰度图像及多个不带车窗的负样本灰度图像，对多个所述正样本灰度图像进行直线检测，获得多条第一直线，确定多条所述第一直线的第一几何参数信息，并根据所述第一几何参数信息确定第一取值范围；进一步地，电子设备可以对多个所述负样本灰度图像进行直线检测，获得多条第二直线，确定多条所述第二直线的第二几何参数信息，并根据所述第二几何参数信息确定第二取值范围；更进一步地，电子设备可以从所述第一取值范围中删除所述第二取值范围，获得第三取值范围，并将所述第三取值范围确定为能够标识车窗的车窗几何参数的取值范围。
其中，车窗几何参数可以包括但不限于前风窗的四条边的长度、四个夹角以及四条边构成的区域面积。该车窗几何参数的取值范围可以用于唯一标识车窗。具体请参见图2中的相关描述，在此不再赘述。
具体的，电子设备根据预先确定的车窗几何参数的取值范围以及所述多条直线，确定所述灰度图像中的车窗区域图像的方式具体可以为：
确定所述多条直线的几何参数的数值；
从所述数值中筛选出属于所述车窗几何参数的取值范围的目标数值，并确定所述目标数值所对应的多条目标直线；
将多条所述目标直线所组成区域的图像确定为所述灰度图像中的车窗区域图像。
本发明的实施例中，电子设备可以在灰度图像上建立直角坐标系，通过lsd算法可以获得每条直线的顶点坐标，进而针对每条直线，可以根据直线的顶点坐标来计算每条直线的长度，进一步地，可以根据直线的顶点坐标以及直线的长度来计算直线间的夹角，更进一步地，还可以根据直线长度以及顶点坐标来计算由多条直线构成区域的面积。
在计算出直线的长度、夹角以及区域面积等几何参数的数值之后，可以从计算出的数值中筛选出属于预先确定的车窗几何参数的取值范围的目标数值，进而确定所述目标数值所对应的多条目标直线，这样，就可以把多条所述目标直线所组成区域的图像确定为所述灰度图像中的车窗区域图像。
相比传统的通过一个区域一个区域地滑窗检测技术来定位车窗，本发明的实施例中，使用lsd算法对灰度图像进行直线检测，并根据车窗几何参数的取值范围以及灰度图像中的多条直线，能够快速定位灰度图像中的车窗的位置。
s14、电子设备对所述车窗区域图像进行均等划分，并从均等划分后的两部分车窗子区域图像中截取任一部分车窗子区域图像。
本发明的实施例中，电子设备在确定车窗区域图像之后，可以对车窗区域图像进行均等划分，获得两部分车窗子区域图像，即包括正驾驶员的车窗子区域图像和包括副驾驶员的车窗子区域图像。电子设备可以从该两部分车窗子区域图像中截取任一部分车窗子区域图像进行局部纹理特征提取。
由于正驾驶员的车窗子区域图像中包括方向盘，方向盘通常会有三条较短的直线，为了避免方向盘对局部纹理特征提取造成影响，本发明的实施例中，优选的，电子设备可以选择包括副驾驶员的车窗子区域图像来进行局部纹理特征提取。
s15、电子设备从截取的所述车窗子区域图像中提取第一局部纹理特征。
本发明的实施例中，所述第一局部纹理特征为局部二值模式(localbinarypattern，lbp)特征。其中，lbp是一种用来描述图像局部纹理特征的算子，主要用于纹理特征提取，lbp具有旋转不变性和灰度不变性等显著的优点。
本发明的实施例中，lbp算子定义为在3*3的窗口内，以窗口中心像素为阈值，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，3*3邻域内的8个点经比较可产生8位二进制数(通常转换为十进制数即lbp码，共256种)，数值范围[0，255]，即得到该窗口中心像素点的lbp值，然后统计整幅灰度图像的lbp直方图，即数值在[0，255]中的每个整数值的像素点个数，这样就可以得到256维的lbp特征，并用这个256维的lbp特征来反映该灰度图像的纹理信息。
本发明的实施例中，电子设备从截取的所述车窗子区域图像中提取第一lbp特征，可以用该第一lbp特征来反映所述车窗子区域图像的纹理信息。
s16、电子设备使用预先训练好的二类分类模型对所述第一局部纹理特征进行分类，获得分类结果。
在一个实施例中，电子设备可以预先获取多个带车窗的正样本灰度图像，针对每个所述正样本灰度图像，对所述正样本灰度图像进行均等划分，并从均等划分后的两部分正样本灰度子图像中截取任一部分正样本灰度子图像；进一步地，电子设备可以从截取的所述正样本灰度子图像中提取第二局部纹理特征，对所述第二局部纹理特征进行二类分类训练，获得二类分类模型。具体的，若截取的所述正样本灰度子图像中的用户佩戴安全带，电子设备可以使用第一标识对所述第二局部纹理特征进行标记；若截取的所述正样本灰度子图像中的用户未佩戴安全带，电子设备可以使用第二标识对所述第二局部纹理特征进行标记，之后，电子设备可以使用标记后的第二局部纹理特征进行二类分类训练，获得二类分类模型。举例来说，可以使用第一标识“1”来标记佩戴安全带，使用第二标识“0”来标记未佩戴安全带。
其中，所述第二局部纹理特征为第二lbp特征，所述二类分类模型为支持向量机(supportvectormachine，svm)模型。
其中，svm模型是一种二类分类模型，其基本模型定义为特征空间上的间隔最大的线性分类器，其学习策略便是间隔最大化，最终可转化为一个凸二次规划问题的求解。举例来说，给定一些数据点，它们分别属于两个不同的类，假设用x表示数据点，用y表示类别(y可以取1或者-1，分别代表两个不同的类)，svm模型可以在n维的数据空间中找到一个超平面，把这些数据分成两类。
本发明的实施例中，在二类分类模型训练好之后，电子设备可以使用预先训练好的二类分类模型对所述第一局部纹理特征进行分类，获得分类结果。其中，所述分类结果为训练时标记的第一标识或第二标识，所述分类结果用于标识佩戴安全带或未佩戴安全带。
s17、电子设备根据所述分类结果，对所述车窗子区域图像中的用户进行安全带佩戴检测。
具体的，电子设备根据所述分类结果，对所述车窗子区域图像中的用户进行安全带佩戴检测的方式具体为：
若所述分类结果为所述第一标识，则确定所述车窗子区域图像中的用户佩戴安全带；
若所述分类结果为所述第二标识，则确定所述车窗子区域图像中的用户未佩戴安全带。
本发明的实施例中，若所述分类结果为用于标识佩戴安全带的第一标识，则电子设备对所述车窗子区域图像中的用户进行安全带佩戴检测的检测结果为所述车窗子区域图像中的用户佩戴了安全带，若所述分类结果为用于标识未佩戴安全带的第二标识，则电子设备对所述车窗子区域图像中的用户进行安全带佩戴检测的检测结果为所述车窗子区域图像中的用户未佩戴安全带。
作为一种可选的实施方式，所述方法还包括：
若所述分类结果标识所述车窗子区域图像中的用户未佩戴安全带，则向交警终端发送所述分类结果。
在该可选的实施方式中，若所分类结果标识所述车窗子区域图像中的用户未佩戴安全带，则电子设备可以向交警终端发送所述分类结果。交警终端接收到该分类结果后，就可以将该分类结果上传至机动车驾驶员的个人驾驶记录中，机动车驾驶员可以通过登录个人驾驶记录进行查看有关安全带佩戴的情况。
在图1所描述的方法流程中，电子设备可以获取需要进行安全带佩戴检测的灰度图像，对所述灰度图像进行直线检测，获得多条直线，并根据预先确定的车窗几何参数的取值范围以及所述多条直线，确定所述灰度图像中的车窗区域图像，进一步地，电子设备可以对所述车窗区域图像进行均等划分，并从均等划分后的两部分车窗子区域图像中截取任一部分车窗子区域图像；从截取的所述车窗子区域图像中提取第一局部纹理特征；更进一步地，电子设备可以使用预先训练好的二类分类模型对所述第一局部纹理特征进行分类，获得分类结果，所述分类结果用于标识佩戴安全带或未佩戴安全带，并根据所述分类结果，对所述车窗子区域图像中的用户进行安全带佩戴检测。通过本发明的实施例，电子设备通过进行直线检测，能够快速地根据车窗的几何信息来确定车窗的位置，且使用的第一局部纹理特征相较于传统的特征有更好描述直线纹理特征的功能，进一步地结合第一局部纹理特征和二类分类模型对获取的灰度图像进行分类，从而能够提高安全带检测的精度。
请参见图2，图2是本发明公开的另一种安全带佩戴检测方法的较佳实施例的流程图。其中，根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
s21、电子设备获取多个带车窗的正样本灰度图像及多个不带车窗的负样本灰度图像。
其中，每个带车窗的正样本灰度图像均对车窗进行了标注，这有利于后续对正样本灰度图像进行直线检测时，能快速的定位车窗的位置，进而提取车窗的直线。其中，带车窗的正样本灰度图像均是一些车的图像，比如小轿车、货车、卡车、公交车等，不带车窗的负样本灰度图像不固定，只要不带车窗的图像均可，比如公路、房子、树木、人等。
本发明的实施例中，电子设备可以预先从交警终端中直接获取多个带车窗的正样本图像及多个不带车窗的负样本图像，并进一步将正样本图像转换为灰度图像，将负样本图像转换为灰度图像，以获得多个带车窗的正样本灰度图像及多个不带车窗的负样本灰度图像。或者，电子设备也可以从网络服务器上获取多个带车窗的正样本灰度图像及多个不带车窗的负样本灰度图像，其中，该“多个”不是一个、两个，而是足够用于模型训练的样本的数量，多达上万个。
请一并参见图3及图4，其中，图3是本发明公开的一种带车窗的正样本灰度图像的示意图，图4是本发明公开的一种不带车窗的负样本灰度图像的示意图。如图3所示，图3显示的是一个带车窗的汽车，如图4所示，图4显示的是不带车窗的一段高速公路，从图3以及图4中，均可以看出，灰度图像中包括很多的直线，比如图3中车窗的直线，图4中道路两边的直线及中间的短线等。需要说明的是，图3及图4仅仅是本发明提供的一种可能的示意图，本发明并不局限于图3及图4所示的示意图，还可以包括其他的示意图，本发明实施例不做限定。
s22、电子设备对多个所述正样本灰度图像进行直线检测，获得多条第一直线，确定多条所述第一直线的第一几何参数信息，并根据所述第一几何参数信息确定第一取值范围。
本发明的实施例中，电子设备可以使用线段检测器(linesegmentdetector，lsd)算法对多个所述正样本灰度图像进行直线检测，获得多条第一直线。需要说明的是，本发明的实施例中还可以使用其他的算法对多个所述正样本灰度图像进行直线检测，并不局限于lsd算法。
由于所述正样本灰度图像是带车窗的图像，而带车窗的正样本灰度图像中的直线一般就是车窗部分包括的直线(即长方形的4条直线)，故电子设备使用所述lsd算法对多个所述正样本灰度图像进行直线检测，获得的多条第一直线就是所有车窗的直线，每个车窗的4条直线均有几何参数，比如：每条直线的长度，相邻两条直线的夹角，4条直线构成区域的面积等。
故多条所述第一直线的第一几何参数信息包括每条直线的长度，相邻两条直线的夹角，4条直线构成区域的面积等。电子设备可以针对每个正样本灰度图像，确定出上述4个几何参数信息，在对所有的正样本灰度图像检测完成后，统计所有的第一几何参数信息，并确定每个第一几何参数的第一取值范围，比如直线长度的取值范围，相邻两条直线的夹角的取值范围，4条直线构成区域的面积的取值范围等。
请一并参见图5，图5是本发明公开的一种车窗的几何参数的示意图。如图5所示，车窗4条直线的顶点分别为(x1,y1)，(x2,y2)，(x3,y3)，(x4,y4)，4条直线的长度分别为l1、l2、l3及l4，相邻两条直线间的夹角分别为θ1，θ2，θ3，θ4，其中，4条直线长度的计算公式如下：
4个夹角的计算方法如下：
θ1＝((x2-x1)(y2-y1)+(x4-x1)(y4-y1))/l1l4
θ2＝((x1-x2)(y1-y2)+(x3-x2)(y3-y2))/l1l2
θ3＝((x2-x3)(y2-y3)+(x4-x3)(y4-y3))/l2l3
θ4＝((x3-x4)(y3-y4)+(x1-x4)(y1-y4))/l3l4
由于车窗为梯形或矩形，可以近似计算其面积s如下：
s＝(l1+l3)[(y3+y4)/2-(y1+y2)/2]/2
每一个正样本灰度图像，由车窗标注信息就可以计算出以上几何参数，有多个正样本灰度图像，可以统计出每个几何参数的取值范围以及均值。每个几何参数的取值范围具有统计意义，能够从统计层面表征车窗边框的特征。
s23、电子设备对多个所述负样本灰度图像进行直线检测，获得多条第二直线，确定多条所述第二直线的第二几何参数信息，并根据所述第二几何参数信息确定第二取值范围。
本发明的实施例中，电子设备可以使用lsd算法对多个所述负样本灰度图像进行直线检测，获得多条第二直线。需要说明的是，本发明的实施例中还可以使用其他的算法对多个所述负样本灰度图像进行直线检测，并不局限于lsd算法。
本发明的实施例中，负样本灰度图像是不带车窗的任何图像，负样本灰度图像本身是不固定的，故对多个所述负样本灰度图像进行直线检测，获得的多条第二直线也是不固定的。针对每个所述负样本灰度图像，检测到的第二直线的第二几何参数信息包括每条直线的长度，相邻两条直线的夹角，多条直线构成区域的面积等。在对所有的负样本灰度图像检测完成后，统计所有的第二几何参数信息，并确定每个第二几何参数的第二取值范围，比如直线长度的取值范围，相邻两条直线的夹角的取值范围，多条直线构成区域的面积的取值范围等。其中，具体计算方法可以参见步骤s22中的相关描述，在此不再赘述。
s24、电子设备从所述第一取值范围中删除所述第二取值范围，获得第三取值范围。
本发明的实施例中，所述第一取值范围均是用于描述车窗的4条直线的几何参数的取值范围，所述第二取值范围均是用于描述非车窗的多条直线的几何参数的取值范围，而所述第一取值范围与所述第二取值范围难免会存在交叉的现象，为了后期统计的结果能够用于唯一标识车窗，电子设备需要从所述第一取值范围中删除所述第二取值范围，获得第三取值范围，所述第三取值范围确定为能够标识车窗的车窗几何参数的取值范围。
s25、电子设备将所述第三取值范围确定为能够标识车窗的车窗几何参数的取值范围。
s26、针对每个所述正样本灰度图像，电子设备对所述正样本灰度图像进行均等划分，并从均等划分后的两部分正样本灰度子图像中截取任一部分正样本灰度子图像。
本发明的实施例中，为了训练安全带佩戴检测的二类分类模型，针对每个所述正样本灰度图像，电子设备需要对所述正样本灰度图像进行均等划分，获得两部分正样本灰度子图像，电子设备可以从所述两部分正样本灰度子图像中截取任一部分正样本灰度子图像作为后续训练的样本，其中，正样本灰度图像中的正驾驶位置的驾驶员和副驾驶位置的非驾驶员均可以佩戴安全带或者不佩戴安全带，所述两部分正样本灰度子图像为正驾驶位置一侧的图像和副驾驶位置一侧的图像。
请一并参见图6及图7，图6是本发明公开的一种正样本灰度子图像的示意图，图7是本发明公开的另一种正样本灰度子图像的示意图。如图6所示，图6中的是副驾驶位置一侧的图像，图6中副驾驶位置的非驾驶员未佩戴安全带，如图7所示，图7中的是正驾驶位置一侧的图像，图7中正驾驶位置的驾驶员佩戴了安全带。
需要说明的是，由于正驾驶位置一侧的图像中包括方向盘，方向盘上有几条比较短的直线，会对后续的训练产生一定的影响，为了确保训练的准确性，本发明的实施例中，优选的，电子设备截取的是副驾驶位置一侧的图像作为提取第二局部纹理特征的正样本灰度子图像。
s27、电子设备从截取的所述正样本灰度子图像中提取第二局部纹理特征。
其中，该第二局部纹理特征为lbp特征。
s28、若截取的所述正样本灰度子图像中的用户佩戴安全带，使用第一标识对所述第二局部纹理特征进行标记，若截取的所述正样本灰度子图像中的用户未佩戴安全带，使用第二标识对所述第二局部纹理特征进行标记。
本发明的实施例中，电子设备可以根据截取的正样本灰度子图像中的人是否佩戴安全带，对所述第二局部纹理特征进行标记，比如：可以使用第一标识“1”来标记佩戴安全带，使用第二标识“0”来标记未佩戴安全带。
s29、电子设备对标记后的所述第二局部纹理特征进行二类分类训练，获得二类分类模型。
其中，二类分类训练可以为svm模型。
本发明的实施例中，电子设备对标记后的所述第二局部纹理特征进行二类分类训练，在确定二类分类模型中的相关参数之后，就可以获得二类分类模型。
需要说明的是，步骤s22至步骤s25与步骤s26至步骤s28可以是同步执行的，也可以是先执行步骤s22至步骤s25，后执行步骤s26至步骤s28，也可以是先执行步骤s26至步骤s28，后执行步骤s22至步骤s25。
s210、电子设备获取需要进行安全带佩戴检测的灰度图像。
s211、电子设备对所述灰度图像进行直线检测，获得多条直线。
s212、电子设备根据预先确定的车窗几何参数的取值范围以及所述多条直线，确定所述灰度图像中的车窗区域图像。
s213、电子设备对所述车窗区域图像进行均等划分，并从均等划分后的两部分车窗子区域图像中截取任一部分车窗子区域图像。
s214、电子设备从截取的所述车窗子区域图像中提取第一局部纹理特征。
s215、电子设备使用预先训练好的二类分类模型对所述第一局部纹理特征进行分类，获得分类结果。
s216、电子设备根据所述分类结果，对所述车窗子区域图像中的用户进行安全带佩戴检测。
在图2所描述的方法流程中，电子设备可以预先获取多个带车窗的正样本灰度图像及多个不带车窗的负样本灰度图像，并确定能够标识车窗的车窗几何参数的取值范围以及获得二类分类模型之后，就可以对需要进行安全带佩戴检测的灰度图像进行检测。
请参见图8，图8是本发明公开的一种安全带佩戴检测装置的较佳实施例的功能模块图。其中，图8描述的安全带佩戴检测装置用于执行图1所描述的安全带佩戴检测方法中的部分或全部步骤，具体请参照图1中的相关描述，在此不再赘述。本发明所称的单元是指一种能够被处理器13所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器12中。在本实施例中，关于各单元的功能将在后续的实施例中详述。图3描述的安全带佩戴检测装置11包括：
获取单元101，用于获取需要进行安全带佩戴检测的灰度图像；
检测单元102，用于对所述灰度图像进行直线检测，获得多条直线；
第一确定单元103，用于根据预先确定的车窗几何参数的取值范围以及所述多条直线，确定所述灰度图像中的车窗区域图像；
划分截取单元104，用于对所述车窗区域图像进行均等划分，并从均等划分后的两部分车窗子区域图像中截取任一部分车窗子区域图像；
提取单元105，用于从截取的所述车窗子区域图像中提取第一局部纹理特征；
分类单元106，用于使用预先训练好的二类分类模型对所述第一局部纹理特征进行分类，获得分类结果，所述分类结果用于标识佩戴安全带或未佩戴安全带；
所述检测单元102，还用于根据所述分类结果，对所述车窗子区域图像中的用户进行安全带佩戴检测。
其中，所述第一局部纹理特征为局部二值模式lbp特征，所述二类分类模型为支持向量机svm模型，所述检测单元102对所述灰度图像进行直线检测，获得多条直线的方式具体为：
使用线段检测器lsd算法对所述灰度图像进行直线检测，获得多条直线。
可选的，所述第一确定单元103根据预先确定的车窗几何参数的取值范围以及所述多条直线，确定所述灰度图像中的车窗区域图像的方式具体为：
确定所述多条直线的几何参数的数值；
从所述数值中筛选出属于所述车窗几何参数的取值范围的目标数值，并确定所述目标数值所对应的多条目标直线；
将多条所述目标直线所组成区域的图像确定为所述灰度图像中的车窗区域图像。
在图8所描述的安全带佩戴检测装置11中，通过进行直线检测，能够快速地根据车窗的几何信息来确定车窗的位置，且使用的第一局部纹理特征相较于传统的特征有更好描述直线纹理特征的功能，进一步地结合第一局部纹理特征和二类分类模型对获取的灰度图像进行分类，从而能够提高安全带检测的精度。
请参见图9，图9是本发明公开的另一种安全带佩戴检测装置的较佳实施例的功能模块图。其中，图9描述的安全带佩戴检测装置用于执行图1或2所描述的安全带佩戴检测方法中的部分或全部步骤。其中，图9所示的安全带佩戴检测装置是在图8所示的安全带佩戴检测装置的基础上进一步优化得到的，与图8所示的安全带佩戴检测装置相比，图9所示的安全带佩戴检测装置还包括第二确定单元107、删除单元108，其中，本发明所称的单元是指一种能够被处理器13所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器12中。在本实施例中，关于各单元的功能将在后续的实施例中详述。
所述获取单元101，还用于获取多个带车窗的正样本灰度图像及多个不带车窗的负样本灰度图像；
所述检测单元102，还用于对多个所述正样本灰度图像进行直线检测，获得多条第一直线；
第二确定单元107，用于确定多条所述第一直线的第一几何参数信息，并根据所述第一几何参数信息确定第一取值范围；
所述检测单元102，还用于对多个所述负样本灰度图像进行直线检测，获得多条第二直线；
所述第二确定单元107，还用于确定多条所述第二直线的第二几何参数信息，并根据所述第二几何参数信息确定第二取值范围；
删除单元108，用于从所述第一取值范围中删除所述第二取值范围，获得第三取值范围；
所述第二确定单元107，还用于将所述第三取值范围确定为能够标识车窗的车窗几何参数的取值范围。
在图9所描述的安全带佩戴检测装置11中，可以通过进行直线检测，能够快速地根据车窗的几何信息来确定车窗的位置，且使用的第一局部纹理特征相较于传统的特征有更好描述直线纹理特征的功能，进一步地结合第一局部纹理特征和二类分类模型对获取的灰度图像进行分类，从而能够提高安全带检测的精度。
请参见图10，图10是本发明公开的另一种安全带佩戴检测装置的较佳实施例的功能模块图。其中，图10描述的安全带佩戴检测装置用于执行图1或2所描述的安全带佩戴检测方法中的部分或全部步骤。其中，图10所示的安全带佩戴检测装置是在图8所示的安全带佩戴检测装置的基础上进一步优化得到的，与图8所示的安全带佩戴检测装置相比，图10所示的安全带佩戴检测装置还包括训练单元109、标记单元110以及发送单元111，其中，本发明所称的单元是指一种能够被处理器13所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器12中。在本实施例中，关于各单元的功能将在后续的实施例中详述。
所述获取单元101，还用于获取多个带车窗的正样本灰度图像；
所述划分截取单元104，还用于针对每个所述正样本灰度图像，对所述正样本灰度图像进行均等划分，并从均等划分后的两部分正样本灰度子图像中截取任一部分正样本灰度子图像；
所述提取单元105，还用于从截取的所述正样本灰度子图像中提取第二局部纹理特征；
训练单元109，用于对所述第二局部纹理特征进行二类分类训练，获得二类分类模型。
可选的，标记单元110，用于若截取的所述正样本灰度子图像中的用户佩戴安全带，使用第一标识对所述第二局部纹理特征进行标记，若截取的所述正样本灰度子图像中的用户未佩戴安全带，使用第二标识对所述第二局部纹理特征进行标记；
所述训练单元109，具体用于对标记后的所述第二局部纹理特征进行二类分类训练，获得二类分类模型。
所述检测单元102根据所述分类结果，对所述车窗子区域图像中的用户进行安全带佩戴检测的方式具体为：
若所述分类结果为所述第一标识，则确定所述车窗子区域图像中的用户佩戴安全带；
若所述分类结果为所述第二标识，则确定所述车窗子区域图像中的用户未佩戴安全带。
可选的，发送单元110，用于若所分类结果标识所述车窗子区域图像中的用户未佩戴安全带，则向交警终端发送所述分类结果。
在图10所描述的安全带佩戴检测装置11中，可以通过进行直线检测，能够快速地根据车窗的几何信息来确定车窗的位置，且使用的第一局部纹理特征相较于传统的特征有更好描述直线纹理特征的功能，进一步地结合第一局部纹理特征和二类分类模型对获取的灰度图像进行分类，从而能够提高安全带检测的精度。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读存储介质中。其中，该计算机可读存储介质可以存储计算机程序，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
请参见图11所，图11是本发明实现安全带佩戴检测方法的较佳实施例的电子设备的结构示意图。所述电子设备1包括存储器12以及处理器13。本领域技术人员可以理解，所述图11所示的示意图仅仅是电子设备的示例，并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
所述电子设备1还包括但不限于任何一种可与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(personaldigitalassistant，pda)、游戏机、交互式网络电视(internetprotocoltelevision，iptv)、智能式穿戴式设备等。所述电子设备1所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(virtualprivatenetwork，vpn)等。
所述存储器12可选地包括一个或多个计算机可读存储介质，用于存储一种安全带佩戴检测方法的程序和各种数据，并在运行过程中实现高速、自动地完成程序或数据的存取。所述存储器12可选地包括高速随机存取存储器，并且还可选地包括非易失性存储器，诸如一个或多个磁盘存储设备、闪存存储器设备、或其它非易失性固态存储器设备。
所述处理器13又称中央处理器(cpu，centralprocessingunit)，是一块超大规模的集成电路，是运算核心(core)和控制核心(controlunit)。所述处理器13可执行操作系统以及安装的各类应用程序、程序代码等，例如安全带佩戴检测装置11。
其中，所述存储器12用于存储至少一个指令，所述处理器13用于执行所述至少一个指令以实现：
获取需要进行安全带佩戴检测的灰度图像；
对所述灰度图像进行直线检测，获得多条直线；
根据预先确定的车窗几何参数的取值范围以及所述多条直线，确定所述灰度图像中的车窗区域图像；
对所述车窗区域图像进行均等划分，并从均等划分后的两部分车窗子区域图像中截取任一部分车窗子区域图像；
从截取的所述车窗子区域图像中提取第一局部纹理特征；
使用预先训练好的二类分类模型对所述第一局部纹理特征进行分类，获得分类结果，所述分类结果用于标识佩戴安全带或未佩戴安全带；
根据所述分类结果，对所述车窗子区域图像中的用户进行安全带佩戴检测。
在一个可选的实施方式中，所述第一局部纹理特征为第一局部二值模式lbp特征，所述二类分类模型为支持向量机svm模型，所述对所述灰度图像进行直线检测，获得多条直线包括：
使用线段检测器lsd算法对所述灰度图像进行直线检测，获得多条直线。
在一个可选的实施方式中，所述根据预先确定的车窗几何参数的取值范围以及所述多条直线，确定所述灰度图像中的车窗区域图像包括：
确定所述多条直线的几何参数的数值；
从所述数值中筛选出属于所述车窗几何参数的取值范围的目标数值，并确定所述目标数值所对应的多条目标直线；
将多条所述目标直线所组成区域的图像确定为所述灰度图像中的车窗区域图像。
在一个可选的实施方式中，所述获取需要进行安全带佩戴检测的灰度图像之前，所述处理器13还用于执行所述至少一个指令以实现：
获取多个带车窗的正样本灰度图像及多个不带车窗的负样本灰度图像；
对多个所述正样本灰度图像进行直线检测，获得多条第一直线，确定多条所述第一直线的第一几何参数信息，并根据所述第一几何参数信息确定第一取值范围；
对多个所述负样本灰度图像进行直线检测，获得多条第二直线，确定多条所述第二直线的第二几何参数信息，并根据所述第二几何参数信息确定第二取值范围；
从所述第一取值范围中删除所述第二取值范围，获得第三取值范围；
将所述第三取值范围确定为能够标识车窗的车窗几何参数的取值范围。
在一个可选的实施方式中，所述获取需要进行安全带佩戴检测的灰度图像之前，所述处理器13还用于执行所述至少一个指令以实现：
获取多个带车窗的正样本灰度图像；
针对每个所述正样本灰度图像，对所述正样本灰度图像进行均等划分，并从均等划分后的两部分正样本灰度子图像中截取任一部分正样本灰度子图像；
从截取的所述正样本灰度子图像中提取第二局部纹理特征；
对所述第二局部纹理特征进行二类分类训练，获得二类分类模型。
在一个可选的实施方式中，所述处理器13还用于执行所述至少一个指令以实现：
若截取的所述正样本灰度子图像中的用户佩戴安全带，使用第一标识对所述第二局部纹理特征进行标记；
若截取的所述正样本灰度子图像中的用户未佩戴安全带，使用第二标识对所述第二局部纹理特征进行标记；
所述对所述第二局部纹理特征进行二类分类训练，获得二类分类模型包括：
对标记后的第二局部纹理特征进行二类分类训练，获得二类分类模型。
在一个可选的实施方式中，所述根据所述分类结果，对所述车窗子区域图像中的用户进行安全带佩戴检测包括：
若所述分类结果为所述第一标识，则确定所述车窗子区域图像中的用户佩戴安全带；
若所述分类结果为所述第二标识，则确定所述车窗子区域图像中的用户未佩戴安全带。
在一个可选的实施方式中，所述处理器13还用于执行所述至少一个指令以实现：
若所述分类结果标识所述车窗子区域图像中的用户未佩戴安全带，则向交警终端发送所述分类结果。
在图11所述的电子设备1中，电子设备可以获取需要进行安全带佩戴检测的灰度图像，对所述灰度图像进行直线检测，获得多条直线，并根据预先确定的车窗几何参数的取值范围以及所述多条直线，确定所述灰度图像中的车窗区域图像，进一步地，电子设备可以对所述车窗区域图像进行均等划分，并从均等划分后的两部分车窗子区域图像中截取任一部分车窗子区域图像；从截取的所述车窗子区域图像中提取第一局部纹理特征；更进一步地，电子设备可以使用预先训练好的二类分类模型对所述第一局部纹理特征进行分类，获得分类结果，所述分类结果用于标识佩戴安全带或未佩戴安全带，并根据所述分类结果，对所述车窗子区域图像中的用户进行安全带佩戴检测。通过本发明的实施例，电子设备通过进行直线检测，能够快速地根据车窗的几何信息来确定车窗的位置，且使用的第一局部纹理特征相较于传统的特征有更好描述直线纹理特征的功能，进一步地结合第一局部纹理特征和二类分类模型对获取的灰度图像进行分类，从而能够提高安全带检测的精度。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。