[發明專利]一種安全帶檢測方法、裝置、電子設備及存儲介質

在審

• 申請號: 202310159334.2
• 申請日: 2023-02-24
• 公開（公告）號: CN116071734A
• 公開（公告）日: 2023-05-05
• 發明（設計）人: 王慧;孟闖
• 申請（專利權）人: 內蒙古工業大學
• 主分類號: G06V20/59
• 分類號: G06V20/59;G06T5/00;G06T5/40;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 西安匯恩知識產權代理事務所(普通合伙) 61244
• 代理人: 張偉花

本發明實施例公開了一種安全帶檢測方法、裝置、電子設備及存儲介質。該方法包括：獲取車輛在行駛途中的原始圖像；獲取車輛在行駛途中的原始圖像；將目標圖像輸入至第二預設模型，檢測目標圖像中的駕駛員是否佩戴有安全帶，其中，第二預設模型基于FasterR?CNN雙階段網絡設計的。本發明提供的方案能夠精準地檢測出駕駛員在駕車的過程中是否佩戴有安全帶，提高了檢測的準確性和適用性。

技術領域

本發明涉及圖像識別技術領域，尤其涉及一種安全帶檢測方法、裝置、電子設備及存儲介質。

背景技術

在交通安全領域，駕駛員未正確佩戴安全帶將會加重交通事故的傷亡率，所以有關部門明確要求機動車駕駛員需佩戴安全帶駕駛車輛。

目前，檢測機動車駕駛員是否佩戴安全帶主要有傳感器檢測與計算機視覺檢測兩種方法。其中，傳感器檢測方法是在安全帶卡座或者駕駛員座位中安裝壓力傳感器，通過判別壓力傳感器數值大小判斷駕駛員是否佩戴安全帶，該方法的弊端在于：當駕駛員事先將安全帶卡扣扣好再坐到座椅上時，會錯誤判別駕駛員已佩戴安全帶；同時對于未安裝傳感器的車輛不能進行安全帶檢測，不具有普遍適用性。計算機視覺檢測方法主要依靠傳統的圖像處理檢測方法，一般通過灰度積分投影法、霍夫直線檢測法等，利用安全帶長直線特點或者安全帶反光等特性檢測駕駛員是否佩戴安全帶，但是這種方法的檢測準確度并不高。隨著機器學習、深度學習的興起與快速發展，如何提高檢測準確率、適應復雜的使用場景已成為如今研究的重點。

發明內容

為解決上述技術問題，本發明實施例期望提供一種安全帶檢測方法、裝置、電子設備及存儲介質，能夠精準地檢測出駕駛員在駕車的過程中是否佩戴有安全帶，提高了檢測的準確性和適用性。

本發明的技術方案是這樣實現的：

第一方面，本發明實施例提供一種安全帶檢測方法，包括：

獲取車輛在行駛途中的原始圖像；

將原始圖像輸入至第一預設模型，得到目標圖像，其中，第一預設模型基于YOLOv3網絡設計的；

將目標圖像輸入至第二預設模型，檢測目標圖像中的駕駛員是否佩戴有安全帶，其中，第二預設模型基于Faster?R-CNN雙階段網絡設計的。

可選的，在得到目標圖像后，還包括：

依次對目標圖像進行灰度化處理、直方圖均衡化處理和高斯濾波去噪處理。

可選的，經過灰度化處理后的目標圖像表示為其中，k∈N^*，n_j表示目標圖像中灰度級為j像素點的個數，n為像素點總個數，k為灰度級等級總數。

可選的，對目標圖像進行高斯濾波去噪處理，包括：

選用3*3的高斯核對目標圖像進行卷積操作，其中，采用二維高斯分布函數式定義卷積核數值大小，(x,y)表示以中心點為原點的位置坐標，σ為方差，假設卷積核的大小為(2k+1)*(2k+1)，則卷積核各個元素值通過公式表示。

可選的，第一預設模型的主干特征提取網絡采用Darknet-53的網絡架構，包含53個卷積層；

將原始圖像輸入至第一預設模型，得到目標圖像，包括：

將原始圖像調整成416*416*3的格式大小，并輸入卷積層進行卷積操作；

分別通過32倍下采樣、16倍下采樣、8倍下采樣得到不同尺度大小的卷積核；

對不同尺度大小的卷積核進行跨層連接，輸出目標圖像。

可選的，Faster?R-CNN雙階段網絡包括RPN區域生成網絡和Fast?R-CNN網絡；其中，