一种基于深度学习的驾驶员安全带检测装置及检测方法制造方法及图纸

一种基于深度学习的驾驶员安全带检测装置，包括安装在道路一侧车流方向下游的支架，支架上依次安装有第一激光测距装置、面阵相机及第二激光测距装置，车流方向上游的道路两侧分别设有对应的红外发射器及红外接收器，第一激光测距装置、面阵相机、第二激光测距装置、红外发射器和红外接收器分别与处理器双向信号连接；基于深度学习，通过图像采集、图像处理、图像检测以及对驾驶员安全带识别；能够降低人工检测驾驶员是否佩戴安全带的劳动强度，提高检测的准确度，实现自动检测，具有结构简单、准确率高、智能化及实用高效的优点。

【技术实现步骤摘要】
一种基于深度学习的驾驶员安全带检测装置及检测方法
本专利技术属于驾驶员安全检测
，具体涉及一种基于深度学习的驾驶员安全带检测装置及检测方法。
技术介绍
随着汽车保有量的增加，汽车安全问题越来越成为人们关注的焦点，高发的交通事故对人民生命财产造成了巨大损失。从统计数据可知，不系安全带仅次于超速行驶和酒后驾车，是造成死亡事故的第三大原因。经研究发现，发生交通事故时，若佩戴安全带则可大大降低死亡率。因此必须对驾驶员是否佩戴安全带进行检测工作加以重视。传统的驾驶员是否佩戴安全带主要通过监控图像进行人工判断，无法满足快速检测和智能化管理的要求。
技术实现思路
为了克服现有技术存在的不足，本专利技术提供了一种基于深度学习的驾驶员安全带检测装置及检测方法，能够降低人工检测驾驶员是否佩戴安全带的劳动强度，提高检测的准确度，实现自动检测，具有结构简单、准确率高、智能化及实用高效的优点。为了实现上述目的，本专利技术采取的技术方案为：一种基于深度学习的驾驶员安全带检测装置，包括安装在道路一侧车流方向下游的支架4，所述支架4上依次安装有第一激光测距装置1、面阵相机2及第二激光测距装置3，车流方向上游的道路两侧分别设有对应的红外发射器5及红外接收器6，第一激光测距装置1、面阵相机2、第二激光测距装置3、红外发射器5和红外接收器6分别与处理器7双向信号连接。一种基于深度学习的驾驶员安全带检测检测方法，具体包括以下步骤：步骤一、分别通过处理器7对第一激光测距装置1及第二激光测距装置3设定阈值，启动面阵相机2对行驶车辆图像采集，通过第一激光测距装置1测量当前汽车的距离，并将该距离与第一激光测距装置1设定的阈值进行比对，当行驶车辆与第一激光测距装置1的距离值小于或等于第一激光测距装置1的设定的阈值时，面阵相机2开始对行驶车辆进行连续图像采集；另外，在第一激光测距装置1的设定阈值内，面阵相机2拍摄一张没有车辆的空场图片，作为背景；同时，处理器7控制红外发射器5和红外接收器6发射和接收红外信号，若红外发射器5发出的信号能够被红外接收器6接收，则面阵相机2继续进行图像采集；若红外发射器5发出的信号，红外接收器6接收不到，则面阵相机2图像采集结束；若红外接收器6接收不到红外发射器5发出的信号，则处理器7控制第二激光测距装置3测量当前汽车的距离，并将该距离值与第二激光测距装置3设定的阈值进行比对，若车辆与第二激光测距装置3的距离值小于或等于第二激光测距装置3设定的阈值时，处理器7控制面阵相机2对当前车辆进行图像采集，用于记录当前车辆的车牌信息；步骤二、图像处理1)对从步骤一中采集的连续图片中的每张图片中分割出车辆，具体操作如下：对步骤一中采集的图片与步骤一中拍摄的背景图片进行操作：设图片为M*N的矩阵，M为图像的行数，N为图像的列数，矩阵的每个元素为图片的灰度值，设采集到的图像为A，背景图像为B；设两个变量i和j,i的取值为1，2，3…M，j的取值为1，2，3…N，将A(i，j)的值与B(i,j)的值相减，将相减后的值取绝对值，该值小于阈值T的定为0，大于阈值T定为1，将该0或1作为新获得的图像D(i,j)的值，阈值T的值设为A(i，j)矩阵M*N个灰度值的平均值；遍历图像D(i,j)，找到值连续为1的行号i和列号j，其中最大和最小的行号i1、i2和列号j1、j2所对应的图像中的位置就是车辆的区域，从图像中分割出了车辆区域；2)从步骤二第1)步分割出的车辆图像中分割出前挡风玻璃；设分割出的图像大小为K行，L列，记为V，设循环变量为i和j；i的值从2到K-1依次循环，对于每个i,j的值从2到L-1依次循环；得到一个矩阵将该矩阵中的每行像素按降序排序，得到最大值、中间值和最小值；把三行中的最小值即第三列的值进行比较，取其中的最大值；把三行中的最大值即第一列的值进行比较，取其中的最小值；把三行的中间值即第二列的值进行比较，取中间值；把三个值再做一次降序排序，获得的值作为新的图像矩阵V1第i行第j列的值；遍历所有的i和j，得到处理后的图像矩阵V1(i,j)；对V1(i,j)进行以下操作分割车辆前挡风玻璃：待处理图像V1(i,j)具有为K行，L列，灰度值为d,d的范围是[0,255]，d从0开始每次加1直到255循环；对应一个确定d,计算图像V1(i,j)中灰度值小于或等于d个数，记为N1，则图像V1(i,j)中灰度值小于或等于d的概率P1＝N1/(K*L)；计算图像V1(i,j)中灰度值大于d个数，记为N2，则图像V1(i,j)中灰度值大于d的概率为P2＝N2/(K*L)；计算V1(i,j)中灰度值小于或等于d的均值qi为灰度值为i的概率，即图像中灰度值为i的个数除以M*N，i的取值为0到d；计算V1(i,j)中灰度值大于d的均值计算灰度值为d时的方差σd＝P1P2(μ1-μ2)2；当灰度值从0到255循环时，可以得到256个方差值，即σ0,σ1,σ2Lσ255，找出这256个值中最大的值，该值对应的下标确定为最优的分割阈值，设为T；利用阈值T对图像V1(i,j)的灰度大于等于T保持原来的灰度值，对灰度值小于T的，将该灰度值置为0，处理后的图像记为V2；3)根据步骤二第2)步中分割出的车前挡风玻璃图像，进行驾驶员安全带识别，具体方法如下：建立网络结构模型：将图像V2输入到Resnet152网络，Resnet152网络的输出分两个并行的分支进行；其中一支对Resnet152网络的输出并行进行1*1空洞卷积运算、采样率为6的3*3空洞卷积运算、采样率为12的3*3空洞卷积运算、采样率为18的3*3空洞卷积运算、进行图像池化，通过以上操作后的结果连接后，再进行组归一化操作，然后进行激活操作，激活函数采用relu，再采用1*1的卷积运算后进行连接，并采用4倍上采样得到图像T1；Resnet152网络输出并行的另一支先进行组归一化后，通过relu函数进行激活，再通过1*1的卷积运算操作后得到图像T2；将图像T1和图像T2进行连接后，采用3*3的卷积运算后进行全局池化，再进行1*1卷积操作，再进行组归一化处理，采用sigmoid函数进行激活，得到图像T3；将图像T3进行2倍上采样后，进行全局池化操作、1*1卷积操作、组归一化操作，采用sigmoid函数进行激活，通过softmax层，输出识别概率；所述组归一化的方法为：H和W表示特征图像的高度、宽度用，N表示分组数，C表示特征图像的通道数，组归一化作用域Si的计算为：i和k分别为特征图上的一个点的具体坐标，其中i包括(iN,iC,iH,iW),k包括(kN,kC,kH,kW),G为在通道上的分组数目，本模型中将其设置为32；kN＝iN表示两个点在N维度上相等即具有相同的特征，表示两个点处于一个组内；按照式(1)计算相同特征维度和相同组内的均值μi和方差σi，(xi-μi)/σi为特征图i上的组归一本文档来自技高网...

【技术保护点】
1.一种基于深度学习的驾驶员安全带检测装置，包括安装在道路一侧车流方向下游的支架(4)，其特征在于：所述支架(4)上依次安装有第一激光测距装置(1)、面阵相机(2)及第二激光测距装置(3)，车流方向上游的道路两侧分别设有对应的红外发射器(5)及红外接收器(6)，第一激光测距装置(1)、面阵相机(2)、第二激光测距装置(3)、红外发射器(5)和红外接收器(6)分别与处理器(7)双向信号连接。/n

【技术特征摘要】
1.一种基于深度学习的驾驶员安全带检测装置，包括安装在道路一侧车流方向下游的支架(4)，其特征在于：所述支架(4)上依次安装有第一激光测距装置(1)、面阵相机(2)及第二激光测距装置(3)，车流方向上游的道路两侧分别设有对应的红外发射器(5)及红外接收器(6)，第一激光测距装置(1)、面阵相机(2)、第二激光测距装置(3)、红外发射器(5)和红外接收器(6)分别与处理器(7)双向信号连接。


2.基于权利要求1所述的装置的一种基于深度学习的驾驶员安全带检测方法，其特征在于：具体包括以下步骤：
步骤一、分别通过处理器(7)对第一激光测距装置(1)及第二激光测距装置(3)设定阈值，启动面阵相机(2)对行驶车辆图像采集，通过第一激光测距装置(1)测量当前汽车的距离，并将该距离与第一激光测距装置(1)设定的阈值进行比对，当行驶车辆与第一激光测距装置(1)的距离值小于或等于第一激光测距装置(1)的设定的阈值时，面阵相机(2)开始对行驶车辆进行连续图像采集；另外，在第一激光测距装置(1)的设定阈值内，面阵相机(2)拍摄一张没有车辆的空场图片，作为背景；
同时，处理器(7)控制红外发射器(5)和红外接收器(6)发射和接收红外信号，若红外发射器(5)发出的信号能够被红外接收器(6)接收，则面阵相机(2)继续进行图像采集；若红外发射器(5)发出的信号，红外接收器(6)接收不到，则面阵相机(2)图像采集结束；
若红外接收器(6)接收不到红外发射器(5)发出的信号，则处理器(7)控制第二激光测距装置(3)测量当前汽车的距离，并将该距离值与第二激光测距装置(3)设定的阈值进行比对，若车辆与第二激光测距装置(3)的距离值小于或等于第二激光测距装置(3)设定的阈值时，处理器(7)控制面阵相机(2)对当前车辆进行图像采集，用于记录当前车辆的车牌信息；
步骤二、图像处理
1)对从步骤一中采集的连续图片中的每张图片中分割出车辆，具体操作如下：
对步骤一中采集的图片与步骤一中拍摄的背景图片进行操作：
设图片为M*N的矩阵，M为图像的行数，N为图像的列数，矩阵的每个元素为图片的灰度值，设采集到的图像为A，背景图像为B；
设两个变量i和j,i的取值为1，2，3…M，j的取值为1，2，3…N，将A(i，j)的值与B(i,j)的值相减，将相减后的值取绝对值，该值小于阈值T的定为0，大于阈值T定为1，将该0或1作为新获得的图像D(i,j)的值，阈值T的值设为A(i，j)矩阵M*N个灰度值的平均值；
遍历图像D(i,j)找到值连续为1的行号i和列号j，其中最大和最小的行号i1、i2和列号j1、j2所对应的图像中的位置就是车辆的区域，从图像中分割出了车辆区域；
2)从步骤二第1)步分割出的车辆图像中分割出前挡风玻璃；
设分割出的图像大小为K行，L列，记为V，设循环变量为i和j；
i的值从2到K-1依次循环，对于每个i,j的值从2到L-1依次循环；
得到一个矩阵将该矩阵中的每行像素按降序排序，得到最大值、中间值和最小值；把三行中的最小值即第三列的值进行比较，取其中的最大值；把三行中的最大值即第一列的值进行比较，取其中的最小值；把三行的中间值即第二列的值进行比较，取中间值；把三个值再做一次降...

【专利技术属性】
技术研发人员：王建锋，刘奇，徐浩东，杨永翌，
申请(专利权)人：西京学院，
类型：发明
国别省市：陕西;61