CN111814636A - 一种安全带检测方法、装置、电子设备及存储介质 - Google Patents

Abstract

本申请公开了一种安全带检测方法、装置、电子设备及存储介质，涉及人工智能、深度学习和图像检测领域，可应用于自动驾驶领域。具体方案为：将待识别图像输入至预先训练的语义分割网络，通过语义分割网络对待识别图像进行安全带区域检测，得到待识别图像的安全带检测区域；将安全带检测区域输入至预先训练的安全带检测网络，通过安全带检测网络对安全带检测区域进行安全带检测，得到安全带检测区域对应的安全带检测结果。本申请实施例可以准确地检测出驾驶员是否系安全带，从而可以有效地协助车辆监管部门进行运营监管，为车辆安全行驶提供保障。

Description

一种安全带检测方法、装置、电子设备及存储介质

技术领域

本申请涉及计算机技术领域，进一步涉及人工智能、深度学习和图像检测领域，可应用于自动驾驶领域，尤其是一种安全带检测方法、装置、电子设备及存储介质。

背景技术

随着互联网和人工智能技术的不断发展，越来越多的领域开始涉及自动化计算与分析，其中监控安防领域是最为重要的场景之一。

对于公共运营车辆，如出租车、公交车、长途大巴车等，由于涉及众多乘客安全，驾驶员的驾驶安全显得尤为重要。因此，许多公共运营车辆已安装车载监控摄像头，方便对应公司或监管部门对驾驶员驾驶行为进行监控。对于驾驶员经常出现的一些危险驾驶行为，如抽烟、打电话、未系安全带等，需要及时发现并进行警告，最大限度保证车辆行驶安全。

针对驾驶员安全带判断，传统方法通常采用对监控视频进行抽查，之后人工肉眼进行判断；近年来，随着卷积神经网络(Convolutional Neural Networks，CNN)的兴起，一些方法已引入人工智能辅助识别，不过这些方法通常只是对整张监控图片或者司机身体区域进行直接二分类来进行判断。在已有方案中，人工肉眼方式存在速度慢，误差大，时间、人力成本高昂等缺点；基于CNN的直接分类法，由于安全带目标在图像中较小，可提取出的特征稀少，同时周围又存在大量干扰信息，导致在真实车载场景中识别准确率较低，识别效果不理想。

发明内容

本申请提供了一种安全带检测方法、装置、电子设备及存储介质，可以准确地检测出驾驶员是否系安全带，从而可以有效地协助车辆监管部门进行运营监管，为车辆安全行驶提供保障。

第一方面，本申请提供了一种安全带检测方法，所述方法包括：

将待识别图像输入至预先训练的语义分割网络，通过所述语义分割网络对所述待识别图像进行安全带区域检测，得到所述待识别图像的安全带检测区域；

将所述安全带检测区域输入至预先训练的安全带检测网络，通过所述安全带检测网络对所述安全带检测区域进行安全带检测，得到所述安全带检测区域对应的安全带检测结果。

第二方面，本申请提供了一种安全带检测装置，所述装置包括：分割模块和检测模块；其中，

所述分割模块，用于将待识别图像输入至预先训练的语义分割网络，通过所述语义分割网络对所述待识别图像进行安全带区域检测，得到所述待识别图像的安全带检测区域；

所述检测模块，用于将所述安全带检测区域输入至预先训练的安全带检测网络，通过所述安全带检测网络对所述安全带检测区域进行安全带检测，得到所述安全带检测区域对应的安全带检测结果。

第三方面，本申请实施例提供了一种电子设备，包括：

一个或多个处理器；

存储器，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本申请任意实施例所述的安全带检测方法。

第四方面，本申请实施例提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现本申请任意实施例所述的安全带检测方法。

根据本申请的技术解决了现有技术中基于CNN直接对待识别图像进行识别，由于安全带在图像中较小，可提取出的特征稀少，同时周围又存在大量干扰信息，导致在真实车载场景中识别准确率较低，识别效果不理想的技术问题，本申请提供的技术方案，可以准确地检测出驾驶员是否系安全带，从而可以有效地协助车辆监管部门进行运营监管，为车辆安全行驶提供保障。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是本申请实施例一提供的安全带检测方法的流程示意图；

图2是本申请实施例二提供的安全带检测方法的流程示意图；

图3是本申请实施例三提供的安全带检测方法的流程示意图；

图4是本申请实施例四提供的安全带检测装置的第一结构示意图；

图5是本申请实施例四提供的安全带检测装置的第二结构示意图；

图6是本申请实施例四提供的预处理模块的结构示意图；

图7是用来实现本申请实施例的安全带检测方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

实施例一

图1是本申请实施例一提供的安全带检测方法的流程示意图，该方法可以由安全带检测装置或者电子设备来执行，该装置或者电子设备可以由软件和/或硬件的方式实现，该装置或者电子设备可以集成在任何具有网络通信功能的智能设备中。如图1所示，安全带检测方法可以包括以下步骤：

S101、将待识别图像输入至预先训练的语义分割网络，通过语义分割网络对待识别图像进行安全带区域检测，得到待识别图像的安全带检测区域。

在本申请的具体实施例中，电子设备可以将待识别图像输入至预先训练的语义分割网络，通过语义分割网络对待识别图像进行安全带区域检测，得到待识别图像的安全带检测区域。在一个实施例中，电子设备可以将语义分割网络的第一个卷积单元作为当前卷积单元；将待识别图像作为当前卷积单元的检测对象；然后通过当前卷积单元对当前卷积单元的检测对象进行图像特征提取，得到当前卷积单元对应的图像特征提取结果；再将当前卷积单元对应的图像特征提取结果作为当前卷积单元的下一个卷积单元的检测对象；将下一个卷积单元作为当前卷积单元，重复执行上述操作，直到在语义分割网络的最后一个卷积单元的检测对象中提取出最后一个卷积单元对应的人脸特征提取结果；最后基于最后一个卷积单元对应的人脸特征提取结果，得到待识别图像的安全带检测区域。考虑到如果仅仅通过语义分割网络的分割结果判断是否存在安全带，其判断结果并不准确，因为分割结果经常出现各种微小区域，造成误差。本申请对现有的语义分割网络进行了改造，具体方式是：去掉语义分割网络最终输出掩码(mask)的一层，在倒数第二层处并按顺序分别连接3×3卷积层、池化层、全连接层各一层，输出1×3的向量，代表3类分类结果(系安全带、未系安全带、不确定)各自的概率，三者之和等于1；其中最后一类“不确定”对应看不到司机身体或图片过于模糊等情况。这一步的网络改造，相当于基于语义分割网络提取的特征来直接进行分类判断，避免了人工对分割结果手工制定判断策略，可达到较好的准确性和鲁棒性。

S102、将安全带检测区域输入至预先训练的安全带检测网络，通过安全带检测网络对安全带检测区域进行安全带检测，得到安全带检测区域对应的安全带检测结果。

在本申请的具体实施例中，电子设备可以将安全带检测区域输入至预先训练的安全带检测网络，通过安全带检测网络对安全带检测区域进行安全带检测，得到安全带检测区域对应的安全带检测结果。在一个实施例中，电子设备可以先将安全带检测区域输入至安全带检测网络中的卷积层，通过卷积层对安全带检测区域进行卷积操作，得到卷积层对应的特征提取结果；然后将卷积层对应的特征提取结果输入至安全带检测网络中的池化层，通过池化层对卷积层对应的特征提取结果进行池化操作，得到池化层对应的特征提取结果；再将池化层对应的特征提取结果输入至安全带检测网络中的全连接层，通过全连接层对池化层对应的人脸特征提取特征进行分类操作，得到安全带检测区域对应的安全带检测结果。

本申请实施例提出的安全带检测方法，先将待识别图像输入至预先训练的语义分割网络，通过语义分割网络对待识别图像进行安全带检测，得到待识别图像的安全带检测区域；然后将安全带检测区域输入至预先训练的安全带检测网络，通过安全带检测网络对安全带检测区域进行安全带区域检测，得到安全带检测区域对应的安全带检测结果。也就是说，本申请可以先对待识别图像进行区域分割，然后对安全带检测区域进行检测。而在现有的安全带检测方法中，基于CNN直接对待识别图像中进行检测。因为本申请采用了先在待识别图像中分割出安全带检测区域，然后基于安全带检测区域进行检测的技术手段，克服了现有技术中基于CNN的直接对待识别图像进行检测，由于安全带在图像中较小，可提取出的特征稀少，同时周围又存在大量干扰信息，导致在真实车载场景中识别准确率较低，识别效果不理想的技术问题，本申请提供的技术方案，可以准确地检测出驾驶员是否系安全带，从而可以有效地协助车辆监管部门进行运营监管，为车辆安全行驶提供保障；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。

实施例二

图2是本申请实施例二提供的安全带检测方法的流程示意图。如图2所示，安全带检测方法可以包括以下步骤：

S201、对待识别图像进行图像预处理，得到图像预处理后的待识别图像。

在本申请的具体实施例中，电子设备可以对待识别图像进行图像预处理，得到图像预处理后的待识别图像。在一个实施例中，电子设备可以先将待识别图像进行缩放处理，得到缩放处理后的待识别图像；然后将缩放处理处理后的待识别图像进行归一化处理，得到归一化处理后的待识别图像；将归一化后的待识别图像作为图像预处理后的待识别图像。在计算机图像处理和计算机图形学中，图像缩放(image scaling)是指对数字图像的大小进行调整的过程。图像缩放需要在处理效率以及结果的平滑度(smoothness)和清晰度(sharpness)上做一个权衡。当一个图像的大小增加之后，组成图像的像素的可见度将会变得更高，从而使得图像表现得“软”。相反地，缩小一个图像将会增强它的平滑度和清晰度。此外，图像归一化是指对图像进行了一系列标准的处理变换，使之变换为一固定标准形式的过程，该标准图像称作归一化图像。图像归一化就是通过一系列变换(即利用图像的不变矩寻找一组参数使其能够消除其他变换函数对图像变换的影响)，将待处理的原始图像转换成相应的唯一标准形式，该标准形式的图像对平移、旋转、缩放等仿射变换具有不变特性。在本步骤中，待识别图像经过预处理，被缩放成固定尺寸(如512×512)，经过归一化处理(每个像素除以255)、减去统一的红绿蓝(RGB)均值(如[0.485，0.456，0.406])并除以统一的RGB方差(如[0.229，0.224，0.225])。预处理的目的是提升输入网络的图像数据的鲁棒性。由于训练数据一般都满足一定的分布，通过归一化、减均值、除方差等预处理，可以消除数据中公共的部分，以突显个体之间的特征和差异，使得网络更容易学习到具有区分度的图像特征。

S202、将图像预处理后的待识别图像输入至语义分割网络，通过语义分割网络对图像预处理后的待识别图像进行安全带区域检测，得到图像预处理后的待识别图像的安全带检测区域。

在本申请的具体实施例中，电子设备可以将图像预处理后的待识别图像输入至语义分割网络，通过语义分割网络对图像预处理后的待识别图像进行安全带区域检测，得到图像预处理后的待识别图像的安全带检测区域。在一个实施例中，电子设备可以将语义分割网络的第一个卷积单元作为当前卷积单元；将预处理后的待识别图像作为当前卷积单元的检测对象；然后通过当前卷积单元对当前卷积单元的检测对象进行图像特征提取，得到当前卷积单元对应的图像特征提取结果；在将当前卷积单元对应的图像特征提取结果作为当前卷积单元的下一个卷积单元的检测对象；将下一个卷积单元作为当前卷积单元，重复执行上述操作，直到在语义分割网络的最后一个卷积单元的检测对象中提取出最后一个卷积单元对应的人脸特征提取结果；最后基于最后一个卷积单元对应的人脸特征提取结果，得到待识别图像的安全带检测区域。具体地，一个卷积单元输出的特征图(feature map)，尺寸为64×64×320。

S203、将安全带检测区域输入至预先训练的安全带检测网络，通过安全带检测网络对安全带检测区域进行安全带检测，得到安全带检测区域对应的安全带检测结果。

本申请实施例提出的安全带检测方法，先将待识别图像输入至预先训练的语义分割网络，通过语义分割网络对待识别图像进行安全带区域检测，得到待识别图像的安全带检测区域；然后将安全带检测区域输入至预先训练的安全带检测网络，通过安全带检测网络对安全带检测区域进行安全带检测，得到安全带检测区域对应的安全带检测结果。也就是说，本申请可以先对待识别图像进行区域分割，然后对安全带检测区域进行检测。而在现有的安全带检测方法中，基于CNN直接对待识别图像中进行检测。因为本申请采用了先在待识别图像中分割出安全带检测区域，然后基于安全带检测区域进行检测的技术手段，克服了现有技术中基于CNN的直接对待识别图像进行检测，由于安全带在图像中较小，可提取出的特征稀少，同时周围又存在大量干扰信息，导致在真实车载场景中识别准确率较低，识别效果不理想的技术问题，本申请提供的技术方案，可以准确地检测出驾驶员是否系安全带，从而可以有效地协助车辆监管部门进行运营监管，为车辆安全行驶提供保障；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。

实施例三

图3是本申请实施例三提供的安全带检测方法的流程示意图。如图3所示，安全带检测方法可以包括以下步骤：

S301、对待识别图像进行图像预处理，得到图像预处理后的待识别图像。

S302、将图像预处理后的待识别图像输入至语义分割网络，通过语义分割网络对图像预处理后的待识别图像进行安全带区域检测，得到图像预处理后的待识别图像的安全带检测区域。

S303、将安全带检测区域输入至安全带检测网络中的卷积层，通过卷积层对安全带检测区域进行卷积操作，得到卷积层对应的特征提取结果。

在本申请的具体实施例中，电子设备可以将安全带检测区域输入至安全带检测网络中的卷积层，通过卷积层对安全带检测区域进行卷积操作，得到卷积层对应的特征提取结果。安全带检测网络中的卷积层(Convolutional layer)由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法最佳化得到的。卷积运算的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，更多层的网路能从低级特征中迭代提取更复杂的特征。

S304、将卷积层对应的特征提取结果输入至安全带检测网络中的池化层，通过池化层对卷积层对应的特征提取结果进行池化操作，得到池化层对应的特征提取结果。

在本申请的具体实施例中，电子设备可以将卷积层对应的特征提取结果输入至安全带检测网络中的池化层，通过池化层对卷积层对应的特征提取结果进行池化操作，得到池化层对应的特征提取结果。池化层的每个节点的输入也是上一层(卷积层)的一小块，这个小块的大小由池化核的窗口大小决定，池化层不会改变节点矩阵的深度，但它可以改变矩阵的大小。对于图像处理，池化层中池化操作可以理解为是将一张分辨率高的图片转化为分辨率低的图片。常用的池化操作有最大池化、平均池化等，通过卷积层和池化层后，可以进一步缩小网络模型中的参数个数。

S305、将池化层对应的特征提取结果输入至安全带检测网络中的全连接层，通过全连接层对池化层对应的人脸特征提取特征进行分类操作，得到安全带检测区域对应的安全带检测结果。

在本申请的具体实施例中，电子设备可以将池化层对应的特征提取结果输入至安全带检测网络中的全连接层，通过全连接层对池化层对应的人脸特征提取特征进行分类操作，得到安全带检测区域对应的安全带检测结果。全连接层的每一个结点都与上一层的所有结点相连，用来把前边提取到的特征综合起来。由于其全相连的特性，一般全连接层的参数也是最多的。在CNN结构中，经卷积层和池化层后，连接着1个或者1个以上的全连接层；全连接层中的每个神经元与其前一层的所有神经元进行全连接，全连接层可以整合卷积层或者池化层中具有类别区分性的局部信息，为了提升CNN网络性能，全连接层每个神经元的激励函数一般采用ReLU函数。最后一层全连接层的输出值被传递给一个输出，可以采用softmax逻辑回归(softmax regression)进行分类，该层也可称为softmax层(softmaxlayer)。

较佳地，在本申请的具体实施例中，电子设备在将待识别图像输入至预先训练的语义分割网络之前，还可以先对语义分割网络进行训练。具体地，电子设备可以先将预先获取的第一个安全带图像样本作为当前安全带图像样本；若语义分割网络不满足预先设置的语义分割网络对应的收敛条件，将当前安全带图像样本输入至语义分割网络，使用当前安全带图像样本对语义分割网络进行训练；将当前安全带图像样本的下一个安全带图像样本作为当前安全带图像样本，重复执行上述操作，直到语义分割网络满足语义分割网络对应的收敛条件。

较佳地，在本申请的具体实施例中，电子设备在将安全带检测区域输入至预先训练的安全带检测网络之前，还可以先对安全带检测网络进行训练。具体地，电子设备可以先将预先获取的第一个安全带检测区域作为当前安全带检测区域样本；若安全带检测网络不满足预先设置的安全带检测网络对应的收敛条件，将当前安全带检测区域样本输入至安全带检测网络，使用当前安全带检测区域样本对安全带检测网络进行训练；然后将当前安全带检测区域样本的下一个安全带检测区域样本作为当前安全带检测区域样本，重复执行上述操作，直到安全带检测网络满足安全带检测网络对应的收敛条件。

本申请中提出的基于语义分割网络改造的安全带检测网络，可基于驾驶员安全带的分割特征，进一步进行分类判断。由于分割特征完全针对于安全带对应的小区域，具有非常强的区分度和鲁棒性，能有效支持后续分类网络得到准确的司机是否系安全带的判断结果。本申请可有效协助对应公司或监管部门进行运营监管，为车辆安全行驶提供保障。

本申请实施例提出的安全带检测方法，先将待识别图像输入至预先训练的语义分割网络，通过语义分割网络对待识别图像进行安全带区域检测，得到待识别图像的安全带检测区域；然后将安全带检测区域输入至预先训练的安全带检测网络，通过安全带检测网络对安全带检测区域进行安全带检测，得到安全带检测区域对应的安全带检测结果。也就是说，本申请可以先对待识别图像进行区域分割，然后对安全带检测区域进行检测。而在现有的安全带检测方法中，基于CNN直接对待识别图像中进行检测。因为本申请采用了先在待识别图像中分割出安全带检测区域，然后基于安全带检测区域进行检测的技术手段，克服了现有技术中基于CNN的直接对待识别图像进行检测，由于安全带在图像中较小，可提取出的特征稀少，同时周围又存在大量干扰信息，导致在真实车载场景中识别准确率较低，识别效果不理想的技术问题，本申请提供的技术方案，可以准确地检测出驾驶员是否系安全带，从而可以有效地协助车辆监管部门进行运营监管，为车辆安全行驶提供保障；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。

实施例四

图4是本申请实施例四提供的安全带检测装置的第一结构示意图。如图4所示，所述装置400包括：分割模块401和检测模块402；其中，

所述分割模块401，用于将待识别图像输入至预先训练的语义分割网络，通过所述语义分割网络对所述待识别图像进行安全带区域检测，得到所述待识别图像的安全带检测区域；

所述检测模块402，用于将所述安全带检测区域输入至预先训练的安全带检测网络，通过所述安全带检测网络对所述安全带检测区域进行安全带检测，得到所述安全带检测区域对应的安全带检测结果。

图5是本申请实施例四提供的安全带检测装置的第二结构示意图。如图5所示，所述装置400还包括：预处理模块403，用于对所述待识别图像进行图像预处理，得到图像预处理后的待识别图像；将所述图像预处理后的待识别图像输入至所述语义分割网络。

图6是本申请实施例四提供的预处理模块的结构示意图。如图6所示，预处理模块403包括：缩放处理子模块4031和归一化处理子模块4032；其中，

所述缩放处理子模块4031，用于将所述待识别图像进行缩放处理，得到缩放处理后的待识别图像；

所述归一化处理子模块4032，用于将所述缩放处理处理后的待识别图像进行归一化处理，得到归一化处理后的待识别图像；将所述归一化后的待识别图像作为所述图像预处理后的待识别图像。

进一步的，所述分割模块401，具体用于将所述语义分割网络的第一个卷积单元作为当前卷积单元；将所述待识别图像作为所述当前卷积单元的检测对象；通过所述当前卷积单元对所述当前卷积单元的检测对象进行图像特征提取，得到所述当前卷积单元对应的图像特征提取结果；将所述当前卷积单元对应的图像特征提取结果作为所述当前卷积单元的下一个卷积单元的检测对象；将所述下一个卷积单元作为所述当前卷积单元，重复执行上述操作，直到在所述语义分割网络的最后一个卷积单元的检测对象中提取出所述最后一个卷积单元对应的人脸特征提取结果；基于所述最后一个卷积单元对应的人脸特征提取结果，得到所述待识别图像的安全带检测区域。

进一步的，所述检测模块402，具体用于将所述安全带检测区域输入至所述安全带检测网络中的卷积层，通过所述卷积层对所述安全带检测区域进行卷积操作，得到所述卷积层对应的特征提取结果；将所述卷积层对应的特征提取结果输入至所述安全带检测网络中的池化层，通过所述池化层对所述卷积层对应的特征提取结果进行池化操作，得到所述池化层对应的特征提取结果；将所述池化层对应的特征提取结果输入至所述安全带检测网络中的全连接层，通过所述全连接层对所述池化层对应的人脸特征提取特征进行分类操作，得到所述安全带检测区域对应的安全带检测结果。

进一步的，所述装置还包括：分割训练模块404(图中未示出)，用于将预先获取的第一个安全带图像样本作为当前安全带图像样本；若所述语义分割网络不满足预先设置的所述语义分割网络对应的收敛条件，将所述当前安全带图像样本输入至所述语义分割网络，使用所述当前安全带图像样本对所述语义分割网络进行训练；将所述当前安全带图像样本的下一个安全带图像样本作为所述当前安全带图像样本，重复执行上述操作，直到所述语义分割网络满足所述语义分割网络对应的收敛条件。

进一步的，所述装置还包括：检测训练模块405(图中未示出)，用于将预先获取的第一个安全带检测区域作为当前安全带检测区域样本；若所述安全带检测网络不满足预先设置的所述安全带检测网络对应的收敛条件，将所述当前安全带检测区域样本输入至所述安全带检测网络，使用所述当前安全带检测区域样本对所述安全带检测网络进行训练；将所述当前安全带检测区域样本的下一个安全带检测区域样本作为所述当前安全带检测区域样本，重复执行上述操作，直到所述安全带检测网络满足所述安全带检测网络对应的收敛条件。

上述安全带检测装置可执行本申请任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请任意实施例提供的安全带检测方法。

实施例五

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

如图7所示，是根据本申请实施例的安全带检测方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图7所示，该电子设备包括：一个或多个处理器701、存储器702，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图7中以一个处理器701为例。

存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的安全带检测方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的安全带检测方法。

存储器702作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的安全带检测方法对应的程序指令/模块(例如，附图4所示的分割模块401和检测模块402)。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的安全带检测方法。

存储器702可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据安全带检测方法的电子设备的使用所创建的数据等。此外，存储器702可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器702可选包括相对于处理器701远程设置的存储器，这些远程存储器可以通过网络连接至安全带检测方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

安全带检测方法的电子设备还可以包括：输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接，图7中以通过总线连接为例。

输入装置703可接收输入的数字或字符信息，以及产生与安全带检测方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网和区块链网络。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

根据本申请实施例的技术方案，先将待识别图像输入至预先训练的语义分割网络，通过语义分割网络对待识别图像进行安全带区域检测，得到待识别图像的安全带检测区域；然后将安全带检测区域输入至预先训练的安全带检测网络，通过安全带检测网络对安全带检测区域进行安全带检测，得到安全带检测区域对应的安全带检测结果。也就是说，本申请可以先对待识别图像进行区域分割，然后对安全带检测区域进行检测。而在现有的安全带检测方法中，基于CNN直接对待识别图像中进行检测。因为本申请采用了先在待识别图像中分割出安全带检测区域，然后基于安全带检测区域进行检测的技术手段，克服了现有技术中基于CNN的直接对待识别图像进行检测，由于安全带在图像中较小，可提取出的特征稀少，同时周围又存在大量干扰信息，导致在真实车载场景中识别准确率较低，识别效果不理想的技术问题，本申请提供的技术方案，可以准确地检测出驾驶员是否系安全带，从而可以有效地协助车辆监管部门进行运营监管，为车辆安全行驶提供保障；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (16)

1.一种安全带检测方法，其特征在于，所述方法包括：

将待识别图像输入至预先训练的语义分割网络，通过所述语义分割网络对所述待识别图像进行安全带区域检测，得到所述待识别图像的安全带检测区域；

将所述安全带检测区域输入至预先训练的安全带检测网络，通过所述安全带检测网络对所述安全带检测区域进行安全带检测，得到所述安全带检测区域对应的安全带检测结果。

2.根据权利要求1所述的方法，其特征在于，在将待识别图像输入至预先训练的语义分割网络之前，所述方法还包括：

对所述待识别图像进行图像预处理，得到图像预处理后的待识别图像；将所述图像预处理后的待识别图像输入至所述语义分割网络。

3.根据权利要求2所述的方法，其特征在于，所述对所述待识别图像进行图像预处理，得到图像预处理后的待识别图像，包括：

将所述待识别图像进行缩放处理，得到缩放处理后的待识别图像；

将所述缩放处理处理后的待识别图像进行归一化处理，得到归一化处理后的待识别图像；将所述归一化后的待识别图像作为所述图像预处理后的待识别图像。

4.根据权利要求1所述的方法，其特征在于，所述通过所述语义分割网络对所述待识别图像进行安全带区域检测，得到所述待识别图像的安全带检测区域，包括：

将所述语义分割网络的第一个卷积单元作为当前卷积单元；将所述待识别图像作为所述当前卷积单元的检测对象；

通过所述当前卷积单元对所述当前卷积单元的检测对象进行图像特征提取，得到所述当前卷积单元对应的图像特征提取结果；将所述当前卷积单元对应的图像特征提取结果作为所述当前卷积单元的下一个卷积单元的检测对象；将所述下一个卷积单元作为所述当前卷积单元，重复执行上述操作，直到在所述语义分割网络的最后一个卷积单元的检测对象中提取出所述最后一个卷积单元对应的人脸特征提取结果；

基于所述最后一个卷积单元对应的人脸特征提取结果，得到所述待识别图像的安全带检测区域。

5.根据权利要求1所述的方法，其特征在于，所述将所述安全带检测区域输入至预先训练的安全带检测网络，通过所述安全带检测网络对所述安全带检测区域进行安全带检测，得到所述安全带检测区域对应的安全带检测结果，包括：

将所述安全带检测区域输入至所述安全带检测网络中的卷积层，通过所述卷积层对所述安全带检测区域进行卷积操作，得到所述卷积层对应的特征提取结果；

将所述卷积层对应的特征提取结果输入至所述安全带检测网络中的池化层，通过所述池化层对所述卷积层对应的特征提取结果进行池化操作，得到所述池化层对应的特征提取结果；

将所述池化层对应的特征提取结果输入至所述安全带检测网络中的全连接层，通过所述全连接层对所述池化层对应的人脸特征提取特征进行分类操作，得到所述安全带检测区域对应的安全带检测结果。

6.根据权利要求1所述的方法，其特征在于，在将待识别图像输入至预先训练的语义分割网络之前，所述方法还包括：

将预先获取的第一个安全带图像样本作为当前安全带图像样本；

若所述语义分割网络不满足预先设置的所述语义分割网络对应的收敛条件，将所述当前安全带图像样本输入至所述语义分割网络，使用所述当前安全带图像样本对所述语义分割网络进行训练；将所述当前安全带图像样本的下一个安全带图像样本作为所述当前安全带图像样本，重复执行上述操作，直到所述语义分割网络满足所述语义分割网络对应的收敛条件。

7.根据权利要求1所述的方法，其特征在于，在所述将所述安全带检测区域输入至预先训练的安全带检测网络之前，所述方法还包括：

将预先获取的第一个安全带检测区域作为当前安全带检测区域样本；

若所述安全带检测网络不满足预先设置的所述安全带检测网络对应的收敛条件，将所述当前安全带检测区域样本输入至所述安全带检测网络，使用所述当前安全带检测区域样本对所述安全带检测网络进行训练；将所述当前安全带检测区域样本的下一个安全带检测区域样本作为所述当前安全带检测区域样本，重复执行上述操作，直到所述安全带检测网络满足所述安全带检测网络对应的收敛条件。

8.一种安全带检测装置，其特征在于，所述装置包括：分割模块和检测模块；其中，

所述分割模块，用于将待识别图像输入至预先训练的语义分割网络，通过所述语义分割网络对所述待识别图像进行安全带区域检测，得到所述待识别图像的安全带检测区域；

所述检测模块，用于将所述安全带检测区域输入至预先训练的安全带检测网络，通过所述安全带检测网络对所述安全带检测区域进行安全带检测，得到所述安全带检测区域对应的安全带检测结果。

9.根据权利要求8所述的装置，其特征在于，所述装置还包括：预处理模块，用于对所述待识别图像进行图像预处理，得到图像预处理后的待识别图像；将所述图像预处理后的待识别图像输入至所述语义分割网络。

10.根据权利要求9所述的装置，其特征在于，所述预处理模块包括：缩放处理子模块和归一化处理子模块；其中，

所述缩放处理子模块，用于将所述待识别图像进行缩放处理，得到缩放处理后的待识别图像；

所述归一化处理子模块，用于将所述缩放处理处理后的待识别图像进行归一化处理，得到归一化处理后的待识别图像；将所述归一化后的待识别图像作为所述图像预处理后的待识别图像。

11.根据权利要求8所述的装置，其特征在于：

所述分割模块，具体用于将所述语义分割网络的第一个卷积单元作为当前卷积单元；将所述待识别图像作为所述当前卷积单元的检测对象；通过所述当前卷积单元对所述当前卷积单元的检测对象进行图像特征提取，得到所述当前卷积单元对应的图像特征提取结果；将所述当前卷积单元对应的图像特征提取结果作为所述当前卷积单元的下一个卷积单元的检测对象；将所述下一个卷积单元作为所述当前卷积单元，重复执行上述操作，直到在所述语义分割网络的最后一个卷积单元的检测对象中提取出所述最后一个卷积单元对应的人脸特征提取结果；基于所述最后一个卷积单元对应的人脸特征提取结果，得到所述待识别图像的安全带检测区域。

12.根据权利要求8所述的装置，其特征在于：

所述检测模块，具体用于将所述安全带检测区域输入至所述安全带检测网络中的卷积层，通过所述卷积层对所述安全带检测区域进行卷积操作，得到所述卷积层对应的特征提取结果；将所述卷积层对应的特征提取结果输入至所述安全带检测网络中的池化层，通过所述池化层对所述卷积层对应的特征提取结果进行池化操作，得到所述池化层对应的特征提取结果；将所述池化层对应的特征提取结果输入至所述安全带检测网络中的全连接层，通过所述全连接层对所述池化层对应的人脸特征提取特征进行分类操作，得到所述安全带检测区域对应的安全带检测结果。

13.根据权利要求8所述的装置，其特征在于，所述装置还包括：分割训练模块，用于将预先获取的第一个安全带图像样本作为当前安全带图像样本；若所述语义分割网络不满足预先设置的所述语义分割网络对应的收敛条件，将所述当前安全带图像样本输入至所述语义分割网络，使用所述当前安全带图像样本对所述语义分割网络进行训练；将所述当前安全带图像样本的下一个安全带图像样本作为所述当前安全带图像样本，重复执行上述操作，直到所述语义分割网络满足所述语义分割网络对应的收敛条件。

14.根据权利要求8所述的装置，其特征在于，所述装置还包括：检测训练模块，用于将预先获取的第一个安全带检测区域作为当前安全带检测区域样本；若所述安全带检测网络不满足预先设置的所述安全带检测网络对应的收敛条件，将所述当前安全带检测区域样本输入至所述安全带检测网络，使用所述当前安全带检测区域样本对所述安全带检测网络进行训练；将所述当前安全带检测区域样本的下一个安全带检测区域样本作为所述当前安全带检测区域样本，重复执行上述操作，直到所述安全带检测网络满足所述安全带检测网络对应的收敛条件。

15.一种电子设备，其特征在于，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。

16.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。

Images