一种安全带佩戴检测的方法及装置制造方法及图纸

本申请涉及图像处理技术领域，尤其涉及一种安全带佩戴检测的方法及装置，该方法包括：获取无效样本训练集和有效样本训练集，无效样本训练集包含不具有车内人员或安全带的图像特征的第一待识别图像样本，有效样本训练集包含具有车内人员佩戴安全带的图像特征的第二待识别图像样本、以及具有车内人员未佩戴安全带的图像特征的第三待识别图像样本。基于无效样本训练集和有效样本训练集训练得到神经网络模型，进而基于训练得到的神经网络模型对获取的待识别图像进行安全带佩戴检测。采用上述方案，对车内人员未佩戴安全带、车内人员佩戴安全带、以及不具有车内人员或安全带的情况下的待识别图像进行有效区分，从而提升安全带佩戴检测的准确性。

【技术实现步骤摘要】
一种安全带佩戴检测的方法及装置
本申请涉及图像处理
，尤其涉及一种安全带佩戴检测的方法及装置。
技术介绍
随着交通运输业的快速发展，现代交通车辆也大幅度增加，这虽然可以使得人们的出行更加便捷，但是与此同时也增加了交通事故的发生概率。为了尽可能地保障安全驾驶、以及降低交通事故中的死伤率，驾驶员需要正确的佩戴安全带。但是很多驾驶员在实际驾驶过程中，可能会忘记佩戴安全带、或者故意不佩戴安全带，这会带来较大的安全隐患。因此，如何有效的检测安全带的佩戴情况，是目前亟需解决的一个技术问题。
技术实现思路
有鉴于此，本申请提供一种安全带佩戴检测的方法及装置，以实现对车内人员的安全带的佩戴状况的准确检测。主要包括以下几个方面：第一方面，本申请提供了一种安全带佩戴检测的方法，所述方法包括：获取无效样本训练集和有效样本训练集；其中所述无效样本训练集包含不具有车内人员或安全带的图像特征的第一待识别图像样本，所述有效样本训练集包含具有车内人员佩戴安全带的图像特征的第二待识别图像样本、以及具有车内人员未佩戴安全带的图像特征的第三待识别图像样本；基于所述无效样本训练集和所述有效样本训练集训练得到神经网络模型；基于训练得到的神经网络模型对获取的待识别图像进行安全带佩戴检测。结合第一方面，本申请提供了第一方面的第一种可能的实施方式，其中，所述训练得到的神经网络模型包括依次进行图像处理的三级图像处理单元；其中，第一级图像处理单元包括N1个第一卷积层和N2个第一池化层；第二级图像处理单元包括N3个第二卷积层和N4个第二池化层、N5个第一全连接层、以及第一分类器；第三级图像处理单元包括N6个第三卷积层和N7个第三池化层、N8个第二全连接层、以及第二分类器；N1至N8为正整数。结合第一方面的第一种可能的实施方式，本申请提供了第一方面的第二种可能的实施方式，其中，所述基于训练得到的神经网络模型对获取的待识别图像进行安全带佩戴检测，具体包括：将所述待识别图像输入至所述N1个第一卷积层和所述N2个第一池化层进行图像处理，得到M1个第一特征图，M1为正整数；将所述M1个第一特征图输入至所述N3个第二卷积层和所述N4个第二池化层进行图像处理，得到M2个第二特征图，M2为正整数；将所述M2个第二特征图转化为特征向量后输入至所述N5个第一全连接层进行计算，通过第一分类器对计算出的数据进行解析后得到第一轮检测后的检测结果；当第一轮检测后的检测结果为所述待识别图像不具有车内人员或安全带的图像特征时，确定所述第一轮检测后的检测结果为安全带佩戴检测结果。结合第一方面的第二种可能的实施方式或第二种可能的实施方式，本申请实施例提供了第一方面的第三种可能的实施方式，其中，在得到第一轮检测后的检测结果之后，所述方法还包括：当第一轮检测后的检测结果为所述待识别图像具有车内人员以及安全带的图像特征时，将所述M1个第一特征图输入至所述N6个第三卷积层和所述N7个第三池化层进行图像处理，得到M3个第三特征图，M3为正整数；将所述M3个第三特征图转化为特征向量后输入至所述N8个第二全连接层进行计算，通过第二分类器对计算出的数据进行解析后得到第二轮检测后的检测结果；确定所述第二轮检测后的检测结果为安全带佩戴检测结果；其中，所述第二轮检测后的检测结果为所述待识别图像具有车内人员佩戴安全带的图像特征、或所述待识别图像具有车内人员未佩戴安全带的图像特征。结合第一方面的第一至第三种可能的实施方式中任一种可能的实施方式，本申请提供了第一方面的第四种可能的实施方式，其中，基于所述无效样本训练集和所述有效样本训练集训练得到神经网络模型，包括：从所述无效样本训练集和所述有效样本训练集依次选取第一预设数量的选定待识别图像样本输入至所述第一级图像处理单元和所述第二级图像处理单元进行图像处理，得到第一轮测试后每个选定待识别图像样本的测试结果；通过比较所述第一轮测试后每个选定待识别图像样本的测试结果与预设的该选定待识别图像样本的第一标准训练结果，确定第一轮测试后的测试结果的准确率，当所述第一轮测试后的测试结果的准确率小于第一预设值时，对所述第一级图像处理单元的模型参数和所述第二级图像处理单元的模型参数进行调整，直至所述第一轮测试后的测试结果的准确率大于或等于所述第一预设值；当所述第一轮测试后的测试结果的准确率大于或等于所述第一预设值时，将经过所述第一级图像处理单元进行图像处理后的所述选定待识别图像样本输入至所述第三级图像处理单元中进行图像处理，得到第二轮训练后每个选定待识别图像样本的训练结果；通过比较所述第二轮训练后每个选定待识别图像样本的训练结果与预设的该选定待识别图像样本的第二标准训练结果，确定第二轮测试后的测试结果的准确率，当所述第二轮测试后的测试结果的准确率小于第二预设值时，对所述第三级图像处理单元的模型参数进行调整，直至所述第二轮测试后的测试结果的准确率大于或等于所述第二预设值。结合第一方面，本申请提供了第一方面的第五种可能的实施方式，其中，所述训练得到的神经网络模型包括并行进行图像处理的两个分支图像处理单元；其中，第一分支图像处理单元包括P1个第四卷积层和P2个第四池化层、P3个第三全连接层、以及第三分类器；第二分支图像处理单元包括P4个第五卷积层和P5个第五池化层、P6个第四全连接层、以及第四分类器；P1至P6为正整数。结合第一方面的第五种可能的实施方式，本申请提供了第一方面的第六种可能的实施方式，其中，所述基于训练得到的神经网络模型对获取的待识别图像进行安全带佩戴检测，具体包括：将所述待识别图像输入至所述P1个第四卷积层和所述P2个第四池化层进行图像处理，得到Q1个第四特征图，Q1为正整数，并将所述Q1个第四特征图转化为特征向量后输入至所述P3个第三全连接层进行计算，通过第三分类器对计算出的数据进行解析后得到第一分支的检测结果；以及，将所述待识别图像输入至所述P4个第五卷积层和所述P5个第五池化层进行图像处理，得到Q2个第五特征图，Q2为正整数，并将所述Q2个第五特征图转化为特征向量后输入至所述P6个第四全连接层进行计算，通过第四分类器对计算出的数据进行解析后得到第二分支的检测结果；根据所述第一分支的检测结果、以及所述第二分支的检测结果，确定安全带佩戴检测结果。结合第一方面的第六种可能的实施方式，本申请提供了第一方面的第七种可能的实施方式，其中，所述根据所述第一分支的检测结果、以及所述第二分支的检测结果，确定安全带佩戴检测结果，具体包括：当所述第一分支的检测结果为所述待识别图像不具有车内人员或安全带的图像特征时，确定所述第一分支的检测结果为安全带佩戴检测结果；当所述第一分支的检测结果为所述待识别图像具有车内人员以及安全带的图像特征时，确定所述第二分支的检测结果为安全带佩戴检测结果；其中，所述第二分支的检测结果为所述待识别图像具有车内人员佩戴安全带的图像特征、或所述待识别图像具有车内人员未佩戴安全带的图像特征。结合第一方面的第五至第七种可能的实施方式中任一种可能的实施方式，本申请提供了第一方面的第八种可能的实施方式，其中，基于所述无效样本训练集和所述有效样本训练集训练得到神经网络模型，包括：从所述无效样本训练集和所述有效样本训练集依次选取第二预设数量的选定待识别图像样本分别输本文档来自技高网...

【技术保护点】
1.一种安全带佩戴检测的方法，其特征在于，包括：获取无效样本训练集和有效样本训练集；其中所述无效样本训练集包含不具有车内人员或安全带的图像特征的第一待识别图像样本，所述有效样本训练集包含具有车内人员佩戴安全带的图像特征的第二待识别图像样本、以及具有车内人员未佩戴安全带的图像特征的第三待识别图像样本；基于所述无效样本训练集和所述有效样本训练集训练得到神经网络模型；基于训练得到的神经网络模型对获取的待识别图像进行安全带佩戴检测。

【技术特征摘要】
1.一种安全带佩戴检测的方法，其特征在于，包括：获取无效样本训练集和有效样本训练集；其中所述无效样本训练集包含不具有车内人员或安全带的图像特征的第一待识别图像样本，所述有效样本训练集包含具有车内人员佩戴安全带的图像特征的第二待识别图像样本、以及具有车内人员未佩戴安全带的图像特征的第三待识别图像样本；基于所述无效样本训练集和所述有效样本训练集训练得到神经网络模型；基于训练得到的神经网络模型对获取的待识别图像进行安全带佩戴检测。2.如权利要求1所述的方法，其特征在于，所述训练得到的神经网络模型包括依次进行图像处理的三级图像处理单元；其中，第一级图像处理单元包括N1个第一卷积层和N2个第一池化层；第二级图像处理单元包括N3个第二卷积层和N4个第二池化层、N5个第一全连接层、以及第一分类器；第三级图像处理单元包括N6个第三卷积层和N7个第三池化层、N8个第二全连接层、以及第二分类器；N1至N8为正整数。3.如权利要求2所述的方法，其特征在于，所述基于训练得到的神经网络模型对获取的待识别图像进行安全带佩戴检测，具体包括：将所述待识别图像输入至所述N1个第一卷积层和所述N2个第一池化层进行图像处理，得到M1个第一特征图，M1为正整数；将所述M1个第一特征图输入至所述N3个第二卷积层和所述N4个第二池化层进行图像处理，得到M2个第二特征图，M2为正整数；将所述M2个第二特征图转化为特征向量后输入至所述N5个第一全连接层进行计算，通过第一分类器对计算出的数据进行解析后得到第一轮检测后的检测结果；当第一轮检测后的检测结果为所述待识别图像不具有车内人员或安全带的图像特征时，确定所述第一轮检测后的检测结果为安全带佩戴检测结果。4.如权利要求3所述的方法，其特征在于，在得到第一轮检测后的检测结果之后，所述方法还包括：当第一轮检测后的检测结果为所述待识别图像具有车内人员以及安全带的图像特征时，将所述M1个第一特征图输入至所述N6个第三卷积层和所述N7个第三池化层进行图像处理，得到M3个第三特征图，M3为正整数；将所述M3个第三特征图转化为特征向量后输入至所述N8个第二全连接层进行计算，通过第二分类器对计算出的数据进行解析后得到第二轮检测后的检测结果；确定所述第二轮检测后的检测结果为安全带佩戴检测结果；其中，所述第二轮检测后的检测结果为所述待识别图像具有车内人员佩戴安全带的图像特征、或所述待识别图像具有车内人员未佩戴安全带的图像特征。5.如权利要求2至4任一所述的方法，其特征在于，基于所述无效样本训练集和所述有效样本训练集训练得到神经网络模型，包括：从所述无效样本训练集和所述有效样本训练集依次选取第一预设数量的选定待识别图像样本输入至所述第一级图像处理单元和所述第二级图像处理单元进行图像处理，得到第一轮测试后每个选定待识别图像样本的测试结果；通过比较所述第一轮测试后每个选定待识别图像样本的测试结果与预设的该选定待识别图像样本的第一标准训练结果，确定第一轮测试后的测试结果的准确率，当所述第一轮测试后的测试结果的准确率小于第一预设值时，对所述第一级图像处理单元的模型参数和所述第二级图像处理单元的模型参数进行调整，直至所述第一轮测试后的测试结果的准确率大于或等于所述第一预设值；当所述第一轮测试后的测试结果的准确率大于或等于所述第一预设值时，将经过所述第一级图像处理单元进行图像处理后的所述选定待识别图像样本输入至所述第三级图像处理单元中进行图像处理，得到第二轮训练后每个选定待识别图像样本的训练结果；通过比较所述第二轮训练后每个选定待识别图像样本的训练结果与预设的该选定待识别图像样本的第二标准训练结果，确定第二轮测试后的测试结果的准确率，当所述第二轮测试后的测试结果的准确率小于第二预设值时，对所述第三级图像处理单元的模型参数进行调整，直至所述第二轮测试后的测试结果的准确率大于或等于所述第二预设值。6.如权利要求1所述的方法，其特征在于，所述训练得到的神经网络模型包括并行进行图像处理的两个分支图像处理单元；其中，第一分支图像处理单元包括P1个第四卷积层和P2个第四池化层、P3个第三全连接层、以及第三分类器；第二分支图像处理单元包括P4个第五卷积层和P5个第五池化层、P6个第四全连接层、以及第四分类器；P1至P6为正整数。7.如权利要求6所述的方法，其特征在于，所述基于训练得到的神经网络模型对获取的待识别图像进行安全带佩戴检测，具体包括：将所述待识别图像输入至所述P1个第四卷积层和所述P2个第四池化层进行图像处理，得到Q1个第四特征图，Q1为正整数，并将所述Q1个第四特征图转化为特征向量后输入至所述P3个第三全连接层进行计算，通过第三分类器对计算出的数据进行解析后得到第一分支的检测结果；以及，将所述待识别图像输入至所述P4个第五卷积层和所述P5个第五池化层进行图像处理，得到Q2个第五特征图，Q2为正整数，并将所述Q2个第五特征图转化为特征向量后输入至所述P6个第四全连接层进行计算，通过第四分类器对计算出的数据进行解析后得到第二分支的检测结果；根据所述第一分支的检测结果、以及所述第二分支的检测结果，确定安全带佩戴检测结果。8.如权利要求7所述的方法，其特征在于，所述根据所述第一分支的检测结果、以及所述第二分支的检测结果，确定安全带佩戴检测结果，具体包括：当所述第一分支的检测结果为所述待识别图像不具有车内人员或安全带的图像特征时，确定所述第一分支的检测结果为安全带佩戴检测结果；当所述第一分支的检测结果为所述待识别图像具有车内人员以及安全带的图像特征时，确定所述第二分支的检测结果为安全带佩戴检测结果；其中，所述第二分支的检测结果为所述待识别图像具有车内人员佩戴安全带的图像特征、或所述待识别图像具有车内人员未佩戴安全带的图像特征。9.如权利要求6至8任一所述的方法，其特征在于，基于所述无效样本训练集和所述有效样本训练集训练得到神经网络模型，包括：从所述无效样本训练集和所述有效样本训练集依次选取第二预设数量的选定待识别图像样本分别输入至所述第一分支的图像处理单元和所述第二分支的图像处理单元并行进行图像处理，得到每个选定待识别图像样本对应的第一分支测试结果、以及第二分支测试结果；通过比较每个选定待识别图像样本对应的第一分支测试结果与预设的该选定待识别图像样本的第三标准训练结果，确定所述第一分支测试结果的准确率，当所述第一分支测试结果的准确率小于第三预设值时，对所述第一分支的图像处理单元的模型参数进行调整，直至所述第一分支测试结果的准确率大于或等于所述第三预设值；以及通过比较每个选定待识别图像样本对应的第二分支训练结果与预设的该选定待识别图像样本对应的第四标准训练结果，确定所述第二分支测试结果的准确率，当所述第二分支测试结果的准确率小于第四预设值时，对所述第二分支的图像处理单元的模型参数进行调整，直至所述第二分支测试结果的准确率大于或等于所述第四预设值。10.如权利要求1所述的方法，其特征在于，获取无效样本训练集和有效样本训练集，包括：按照所述第一待识别图像样本、所述第二待识别图像样本、和所述第三待识别图像样本的不同比例，获取所述无效样本训练集和有效样本训练集；基于所述无效样本训练集和所述有效样本训练集训练得到神经网络模型，包括：分别基于每种比例下的所述第一待识别图像样本、所述第二待识别图像样本和所述第三待识别图像样本进行神经网络模型训练；统计采用每种比例下的所述第一待识别图像样本、所述第二待识别图像样本和所述第三待识别图像样本进行神经网络模型训练时得到的训练结果的准确率；将得到的训练结果的准确率最高的情况下采用的模型参数，作为所述神经网络模型的模型参数。11.如权利要求4或8所述的方法，其特征在于，所述方法还包括：当所述安全带佩戴检测结果为所述待识别图像具有车内人员未佩戴安全带的图像特征时，向所述车内人员使用的客户端发送提示信息。12.如权利要求1所述的方法，其特征在于，获取无效样本训练集和有效样本训练集，具体包括：将获取的所述第一待识别图像样本、所述第二待识别图像样本、以及所述第三待识别图像样本分别按照预设规则进行截取以及缩放后，得到所述无效样本训练集和所述有效样本训练集。13.一种安全带佩戴检测的装置，其特征在于，包括：获取模块，用于获取无效样本训练...

【专利技术属性】
技术研发人员：李友增，胡钧，阮腾，赵震，
申请(专利权)人：北京嘀嘀无限科技发展有限公司，
类型：发明
国别省市：北京,11