一种基于语义分割的安全带检测方法技术

本发明专利技术公开一种基于语义分割的安全带检测方法，所述基于语义分割的安全带检测方法包括：获取车辆的正面图像，将所述正面图像划分为训练集和测试集，并对所述正面图像中的司机和安全带分别进行标注，得到司机图片集和安全带图片集，将所述训练集输入第一卷积神经网络，完成对司机特征检测的参数训练，得到司机特征检测的结果图Pi，将所述训练集输入第二卷积神经网络，完成对安全带特征检测的参数训练，得到安全带特征检测的结果图Pk，根据所述司机特征检测的结果图Pi和安全带特征检测的结果图Pk，得到司机是否佩戴安全带。本发明专利技术能够训练大量的图片，大大的提高了卷积神经网络对司机和安全带检测的准确性，能够快速的检测出安全带的配带情况。

【技术实现步骤摘要】
一种基于语义分割的安全带检测方法
本专利技术涉及图像检测
，特别是涉及一种基于语义分割的安全带检测方法。
技术介绍
随着时代的发展，科技的进步，汽车已经逐渐成为人们出门不可或缺的工具，但是，随着汽车的大量增加，交通事故频发，人们出行却经常不佩戴安全带，给出行带来了隐患。为了使交通事故减少，已经加大对不佩戴安全带惩处力度，但人为的去查看摄像机拍摄的照片，不仅浪费了大量的人力，效率也较为低下，卷积神经网络的提出，可以有效的解决这种情况。目前，在有关检测安全带配带的领域，存在下面的方法进行检测：现有技术中使用一种新型的反馈增量式卷积神经网络训练方法以及信息多分支最终评估值获取方法提高了卷积神经网络的检测精度，同时借助随机多尺度选取安全带目标候选区域方法，提高了检测操作的灵活性，但是使用的卷积神经网络较为落后，效率还是较为低下，不适合大量的图片训练和使用，同时对于候选区域的选取有很大的误差，不能精确地选择司机的位置，也无法快速的检测出安全带的配带情况。现有技术中还使用haar特征区间检测人脸，根据人脸区域确定前排位置，将前排位置分为主驾驶和副驾驶进行安全带的检测。这种方法效率低，效果差本文档来自技高网...

【技术保护点】
1.一种基于语义分割的安全带检测方法，其特征在于，所述基于语义分割的安全带检测方法包括：获取车辆的正面图像，将所述正面图像划分为训练集和测试集，并对所述正面图像中的司机和安全带分别进行标注，得到司机图片集和安全带图片集；将所述训练集输入第一卷积神经网络，完成对司机特征检测的参数训练，得到司机特征检测的结果图Pi；将所述训练集输入第二卷积神经网络，完成对安全带特征检测的参数训练，得到安全带特征检测的结果图Pk；根据所述司机特征检测的结果图Pi和安全带特征检测的结果图Pk，得到司机是否佩戴安全带；将所述测试集分别输入第一卷积神经网络和第二卷积神经网络，得到司机特征检测的测试结果图Pi′和安全带特征...

【技术特征摘要】
1.一种基于语义分割的安全带检测方法，其特征在于，所述基于语义分割的安全带检测方法包括：获取车辆的正面图像，将所述正面图像划分为训练集和测试集，并对所述正面图像中的司机和安全带分别进行标注，得到司机图片集和安全带图片集；将所述训练集输入第一卷积神经网络，完成对司机特征检测的参数训练，得到司机特征检测的结果图Pi；将所述训练集输入第二卷积神经网络，完成对安全带特征检测的参数训练，得到安全带特征检测的结果图Pk；根据所述司机特征检测的结果图Pi和安全带特征检测的结果图Pk，得到司机是否佩戴安全带；将所述测试集分别输入第一卷积神经网络和第二卷积神经网络，得到司机特征检测的测试结果图Pi′和安全带特征检测的结果图Pk′，判断是否继续训练。2.根据权利要求1所述的一种基于语义分割的安全带检测方法，其特征在于：将所述训练集输入第一卷积神经网络，完成对司机特征检测的参数训练，得到司机特征检测的结果图Pi包括：选取19层卷积神经网络作为第一卷积神经网络，所述第一卷积神经网络依次包括第一卷积层、第二池化层、第三卷积层、第四池化层、第五卷积层、第六卷积层、第七卷积层、第八池化层、第九卷积层、第十卷积层、第十一卷积层、第十二池化层、第十三卷积层、第十四卷积层、第十五卷积层、第十六池化层、第十七反卷积层、第十八反卷积层、第十九反卷积层；所述第一卷积神经网络的图片输入的维度为224×224×3，所述第一卷积层输出的图片维度为224×224×32，第二池化层输出的图片维度为112×112×32，第三卷积层输出的图片维度为112×112×64，第四池化层输出的图片维度为56×56×64，第五卷积层输出的图片维度为56×56×128，第六卷积层输出的图片维度为56×56×64，第七卷积层输出的图片维度为56×56×128，第八池化层输出的图片维度为28×28×128，第九卷积层输出的图片维度为28×28×256，第十卷积层输出的图片维度为28×28×128，第十一卷积层输出的图片维度为28×28×512，第十二池化层输出的图片维度为14×14×512，第十三卷积层输出的图片维度为14×14×1024，第十四卷积层输出的图片维度为14×14×512，第十五卷积层输出的图片维度为14×14×1024，第十六池化层输出的图片维度为7×7×1024，第十七反卷积层输出的图片维度为28×28×128，第十八反卷积层输出的图片维度为112×112×32，第十九反卷积层输出的图片维度为224×224×3；所述第一卷积层的卷积核为3×3，第三卷积层的卷积核为3×3，第五卷积层的卷积核为3×3，第六卷积层的卷积核为1×1，第七卷积层的卷积核为3×3，第九卷积层的卷积核为3×3，第十卷积层的卷积核为1×1，第十一卷积层的卷积核为3×3，第十三卷积层的卷积核为3×3，第十四卷积层的卷积核为1×1，第十五卷积层的卷积核为3×3；向第一卷积神经网络输入司机图片集，在第一卷积神经网络的第一卷积层至第十六池化层中，利用公式(1)对第一卷积神经网络进行正向传播和反向传播；xj＝F(xj-1)+Wxi(1)其中，xj表示矩阵的输出，xj-1表示矩阵的输入，xi表示矩阵的输入，i，j均表示第一卷积神经网络的层数，其中j＞i，F(xj-1)表示对xj-1进行卷积操作，W表示调整维度矩阵；在第一卷积神经网络的第十七反卷积层至第十九反卷积层中，通过上采样反卷积方式，即对第十六池化层输出的图片维度进行还原放大，所述第十七反卷积层、第十八反卷积层、第十九反卷积层分别使用不同大小的卷积核，所述卷积核的大小利用线性递增的方式设定，第十九反卷积层输出的图片中司机的颜色为蓝色；构造第一卷积神经网络的损失函数为公式(2)，其中，n表示样本编号，y表示第一卷积神经网络的期望输出，a表示第一卷积神经网络的实际输出，ln表示取对数操作，当J＜0.001，完成对司机特征检测的参数训练，得到司机特征检测的结果图Pi。3.根据权利要求2所述的一种基于语义分割的安全带检测方法，其特征在于：将所述训练集输入第二卷积神经网络，完成对安全带特征检测的参数训练，得到安全带特征检测的结果图Pk包括：选取16层卷积神经网络作为第二...

【专利技术属性】
技术研发人员：卫星，张海涛，韩江洪，乔轩元，李佳，张乾威，何海涛，陆阳，张建军，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽,34