一种基于视觉的安全带检测方法及系统技术方案

本发明专利技术公开了一种基于视觉的安全带检测方法及系统，包括：获取主驾驶/副驾驶图片数据；对主驾驶/副驾驶图片数据进行人体关键点检测，确定人体关键点位置，所述人体关键点为肩部和腰部；对人体关键点位置进行扩张抠取，得到抠取的图片；将抠取的图片输入到预先训练好的深度神经网络进行是否系安全带分类，若分类为没有系安全带则进行报警，否则不报警。优点：本发明专利技术利用人体关键点检测技术对人体上肢关键点检测，肩部和腰部，然后利用深度学习分类网络对抠取的图像区域进行分类判别是否系安全带，本发明专利技术的技术方案使得安全带检测在检测的精度和召回上有明显提升。

【技术实现步骤摘要】
一种基于视觉的安全带检测方法及系统
本专利技术涉及一种基于视觉的安全带检测方法及系统，属于视觉检测

技术介绍
随着经济发展，城市建设速度加快，汽车的数量逐年增加。汽车数量的持续性增加为城市交通系统带来巨大负担，违法驾驶和不良驾驶行为的存在又使得交通安全尤为重要，驾驶员未佩戴安全带直接关系到自身和他人的生命安全。传统的安全带检测通过锁扣内接触开关触发，当驾驶员进入驾驶室并打开点火钥匙控制器开始工作，在安全带没有插入锁扣时，汽车安全带声音提示装置的回路导通，提示驾驶员系上安全带；系上安全带后，安全带锁扣内的接触开关处在关闭状态，安全带提醒系统电源被断开，从而提示声音停止。但是，由于检测系统仅针对锁扣内部，因此存在一定局限性，驾驶员可以通过利用安全带插扣，或者直接将安全带从背后插入锁扣等方式，屏蔽安全带提示，从而在不系安全带的情况下驾驶。
技术实现思路
本专利技术所要解决的技术问题是克服现有技术的缺陷，提供一种基于视觉的安全带检测方法及系统。为解决上述技术问题，本专利技术提供一种基于视觉的安全带检测方法，包括：获取主驾驶/副驾驶图片数据；对主驾驶/副驾驶图片数据进行人体关键点检测，确定人体关键点位置，所述人体关键点为肩部和腰部；对人体关键点位置进行扩张抠取，得到抠取的图片；将抠取的图片输入到预先训练好的深度神经网络进行是否系安全带分类，若分类为没有系安全带则进行报警，否则不报警。进一步的，所述对主驾驶/副驾驶图片信息进行人体关键点检测，确定人体关键点位置的过程包括：利用Densenet网络对主驾驶/副驾驶图片信息进行特征提取，得到深度特征；利用WASP模块对得到的深度特征编码处理，得到高分辨率特征；对高分辨率特征进行解码，确定人体关键点位置。进一步的，所述深度神经网络采用密集卷积网络DenseNet。进一步的，所述训练好的深度神经网络的训练过程包括：采集不同光照条件、不同车型、不同视角的主/副驾驶图像数据；对采集的图像数据进行人体关键点标注，确定训练集；初始化密集卷积网络DenseNet参数，利用改进后的空洞卷积编码方法和所述训练集对初始化密集卷积网络DenseNet参数的密集卷积网络DenseNet进行训练，得到训练好的密集卷积网络DenseNet。一种基于视觉的安全带检测系统，包括：获取模块，用于获取主驾驶/副驾驶图片数据；检测模块，用于对主驾驶/副驾驶图片数据进行人体关键点检测，确定人体关键点位置，所述人体关键点为肩部和腰部；抠取模块，用于对人体关键点位置进行扩张抠取，得到抠取的图片；分类模块，用于将抠取的图片输入到预先训练好的深度神经网络进行是否系安全带分类，若分类为没有系安全带则进行报警，否则不报警。进一步的，所述检测模块包括：网络处理模块，用于利用Densenet网络对主驾驶/副驾驶图片信息进行特征提取，得到深度特征；利用WASP模块对得到的深度特征编码处理，得到高分辨率特征；对编码后的高分辨率特征进行解码，确定人体关键点位置。进一步的，所述深度神经网络采用密集卷积网络DenseNet。进一步的，所述分类模块包括网络确定模块，所述网络确定模块包括：数据采集模块，用于采集不同光照条件、不同车型、不同视角的主/副驾驶图像数据；标注模块，用于对采集的图像数据进行人体关键点标注，确定训练集；训练模块，用于初始化密集卷积网络DenseNet参数，利用改进后的空洞卷积编码方法和所述训练集对初始化密集卷积网络DenseNet参数的密集卷积网络DenseNet进行训练，得到训练好的密集卷积网络DenseNet。本专利技术所达到的有益效果：本专利技术利用人体关键点检测技术对人体上肢关键点检测，肩部和腰部，然后利用深度学习分类网络对抠取的图像区域进行分类判别是否系安全带，本专利技术的技术方案使得安全带检测在检测的精度和召回上有明显提升。附图说明图1是本专利技术的流程示意图。具体实施方式为使得本专利技术的专利技术目的、特征、优点能够更加的明显和易懂，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本专利技术一部分实施例，而非全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。如图1所示，一种基于视觉的安全带检测方法，包括：利用摄像头获取主驾驶/副驾驶图片数据，摄像头的安装需要确保待分析区域进入镜头画面；对主驾驶/副驾驶图片数据进行人体关键点检测，确定人体关键点位置，所述人体关键点为肩部和腰部；对人体关键点位置进行扩张抠取，得到抠取的图片；将抠取的图片输入到预先训练好的深度神经网络进行是否系安全带分类，若分类为没有系安全带则进行报警，否则不报警。主驾驶/副驾驶图片数据经过DenseNet网络（密集卷积网络），经过WASP模块（空洞卷积编码），再经过Decoder（解码模块），得到关键点的特征图heatmap，每一个heatmap对应一个关节。在通过双线性差值回复原始的分辨率。在通过局部最大值操作定位最后的关键点。WASP模块，它首先通过一个过滤器进行处理，然后创建一个新的分支，从而创建一个瀑布流。也就是一个输入，串联空洞卷积（增大感受野），再在每一个结点创建一个分支，最后执行特征图级联。解码模块就是将前面的DenseNet网络和WASP模块的特征处理一下级联。所述深度神经网络采用密集卷积网络DenseNet，密集卷积网络DenseNet为一个更激进的密集连接机制：即互相连接所有的层，具体来说就是每个层都会接受其前面所有层作为其额外的输入；实现特征重用，更有效的利用了特征。所述训练好的深度神经网络的训练过程包括：采集不同光照条件、不同车型、不同视角的主/副驾驶图像数据；对采集的图像数据进行人体关键点标注，确定训练集；初始化密集卷积网络DenseNet参数，利用改进后的空洞卷积编码方法所述训练集对初始化密集卷积网络DenseNet参数的密集卷积网络DenseNet进行训练，得到训练好的密集卷积网络DenseNet。为了验证训练的神经网络的正确性，还包括如下步骤：在对采集的图像数据进行标注后，还确定了测试集和验证集；初始化深度神经网络参数；利用已有方法在训练集的基础上训练深度神经网络。利用改进后的方法在训练集的基础上训练深度神经网络。对改进后的模型进行分析，验证其表现特性与设计预期相符。设计若干对比实验，进一步对两个深度神经网络在测试集、验证集上进行量化评估，验证了本专利技术的深度神经网络模型的正确性。相应的本专利技术还提供一种基于视觉的安全带检测系统，包括：获取模块，用于获取主驾驶本文档来自技高网...

【技术保护点】
1.一种基于视觉的安全带检测方法，其特征在于，包括：/n获取主驾驶/副驾驶图片数据；/n对主驾驶/副驾驶图片数据进行人体关键点检测，确定人体关键点位置，所述人体关键点为肩部和腰部；/n对人体关键点位置进行扩张抠取，得到抠取的图片；/n将抠取的图片输入到预先训练好的深度神经网络进行是否系安全带分类，若分类为没有系安全带则进行报警，否则不报警。/n

【技术特征摘要】
1.一种基于视觉的安全带检测方法，其特征在于，包括：
获取主驾驶/副驾驶图片数据；
对主驾驶/副驾驶图片数据进行人体关键点检测，确定人体关键点位置，所述人体关键点为肩部和腰部；
对人体关键点位置进行扩张抠取，得到抠取的图片；
将抠取的图片输入到预先训练好的深度神经网络进行是否系安全带分类，若分类为没有系安全带则进行报警，否则不报警。


2.根据权利要求1所述的基于视觉的安全带检测方法，其特征在于，所述对主驾驶/副驾驶图片信息进行人体关键点检测，确定人体关键点位置的过程包括：
利用Densenet网络对主驾驶/副驾驶图片信息进行特征提取，得到深度特征；
利用WASP模块对得到的深度特征编码处理，得到高分辨率特征；
对高分辨率特征进行解码，确定人体关键点位置。


3.根据权利要求1所述的基于视觉的安全带检测方法，其特征在于，所述深度神经网络采用密集卷积网络DenseNet。


4.根据权利要求3所述的基于视觉的安全带检测方法，其特征在于，所述训练好的深度神经网络的训练过程包括：
采集不同光照条件、不同车型、不同视角的主/副驾驶图像数据；
对采集的图像数据进行人体关键点标注，确定训练集；
初始化密集卷积网络DenseNet参数，利用改进后的空洞卷积编码方法和所述训练集对初始化密集卷积网络DenseNet参数的密集卷积网络DenseNet进行训练，得到训练好的密集卷积网络DenseNet。


5.一种基于视觉的安全带检测...

【专利技术属性】
技术研发人员：黄宇维，刘国清，杨广，周滔，
申请(专利权)人：南京佑驾科技有限公司，
类型：发明
国别省市：江苏;32