[发明专利]一种安全带检测方法、装置、电子设备及存储介质

说明书

本发明实施例公开了一种安全带检测方法、装置、电子设备及存储介质。该方法包括：获取车辆在行驶途中的原始图像；获取车辆在行驶途中的原始图像；将目标图像输入至第二预设模型，检测目标图像中的驾驶员是否佩戴有安全带，其中，第二预设模型基于FasterR‑CNN双阶段网络设计的。本发明提供的方案能够精准地检测出驾驶员在驾车的过程中是否佩戴有安全带，提高了检测的准确性和适用性。

技术领域

本发明涉及图像识别技术领域，尤其涉及一种安全带检测方法、装置、电子设备及存储介质。

背景技术

在交通安全领域，驾驶员未正确佩戴安全带将会加重交通事故的伤亡率，所以有关部门明确要求机动车驾驶员需佩戴安全带驾驶车辆。

目前，检测机动车驾驶员是否佩戴安全带主要有传感器检测与计算机视觉检测两种方法。其中，传感器检测方法是在安全带卡座或者驾驶员座位中安装压力传感器，通过判别压力传感器数值大小判断驾驶员是否佩戴安全带，该方法的弊端在于：当驾驶员事先将安全带卡扣扣好再坐到座椅上时，会错误判别驾驶员已佩戴安全带；同时对于未安装传感器的车辆不能进行安全带检测，不具有普遍适用性。计算机视觉检测方法主要依靠传统的图像处理检测方法，一般通过灰度积分投影法、霍夫直线检测法等，利用安全带长直线特点或者安全带反光等特性检测驾驶员是否佩戴安全带，但是这种方法的检测准确度并不高。随着机器学习、深度学习的兴起与快速发展，如何提高检测准确率、适应复杂的使用场景已成为如今研究的重点。

发明内容

为解决上述技术问题，本发明实施例期望提供一种安全带检测方法、装置、电子设备及存储介质，能够精准地检测出驾驶员在驾车的过程中是否佩戴有安全带，提高了检测的准确性和适用性。

本发明的技术方案是这样实现的：

第一方面，本发明实施例提供一种安全带检测方法，包括：

获取车辆在行驶途中的原始图像；

将原始图像输入至第一预设模型，得到目标图像，其中，第一预设模型基于YOLOv3网络设计的；

将目标图像输入至第二预设模型，检测目标图像中的驾驶员是否佩戴有安全带，其中，第二预设模型基于Faster R-CNN双阶段网络设计的。

可选的，在得到目标图像后，还包括：

依次对目标图像进行灰度化处理、直方图均衡化处理和高斯滤波去噪处理。

可选的，经过灰度化处理后的目标图像表示为其中，k∈N^*，n_j表示目标图像中灰度级为j像素点的个数，n为像素点总个数，k为灰度级等级总数。

可选的，对目标图像进行高斯滤波去噪处理，包括：

选用3*3的高斯核对目标图像进行卷积操作，其中，采用二维高斯分布函数式定义卷积核数值大小，(x,y)表示以中心点为原点的位置坐标，σ为方差，假设卷积核的大小为(2k+1)*(2k+1)，则卷积核各个元素值通过公式表示。

可选的，第一预设模型的主干特征提取网络采用Darknet-53的网络架构，包含53个卷积层；

将原始图像输入至第一预设模型，得到目标图像，包括：

将原始图像调整成416*416*3的格式大小，并输入卷积层进行卷积操作；

分别通过32倍下采样、16倍下采样、8倍下采样得到不同尺度大小的卷积核；

对不同尺度大小的卷积核进行跨层连接，输出目标图像。

可选的，Faster R-CNN双阶段网络包括RPN区域生成网络和Fast R-CNN网络；其中，