[发明专利]一种基于深度学习的驾驶员安全带佩戴识别方法

说明书

本发明公开了一种基于深度学习的驾驶员安全带佩戴识别方法，包括：通过人脸检测算法识别出输入图像中驾驶员的人脸位置；根据所述人脸位置截取驾驶员躯干区域作为待识别安全带区域；通过训练好的卷积深度学习模型对所述待识别安全带区域进行识别，识别出驾驶员是否佩戴安全带及识别出安全带的位置。本发明的卷积深度学习模型能够在各种环境下识别出驾驶员是否佩戴安全带及识别出安全带的准确位置，其学习效果和鲁棒性会比普通的CNN识别更好，因此能很好的推动汽车智能辅助终端技术的发展，可以为驾驶员安全带识别方面提供更高的识别率。

技术领域

本发明涉及汽车驾驶辅助终端领域，具体涉及一种基于深度学习的驾驶员安全带佩戴识别方法。

背景技术

目前，安全带是否佩戴识别技术并不像驾驶员疲劳识别技术那么成熟，但是随着国家层面对道路交通安全方面关注加深，交通管理部门开始严格监管“两客一危”车辆，驾驶员的行车安全受到重视。车辆行驶过程中，当车辆发生交通事故时，佩戴安全带可以极大的降低驾驶员受到伤害的程度。所以，判断驾驶员行车是否佩戴安全带就变的特别重要。越来越多的车辆营运公司都要求，车内安全辅助终端设备具有识别驾驶员是否佩戴安全带的功能。现有技术的安全带识别的方法有以下几种：

(1)传统的方法使用Canny边缘检测，然后使用霍夫变换直线检测，如果能检测到两条基本平行而且在特定角度范围内的直线即可认为驾驶员佩戴安全带。这种方法优点是使用传统图像处理的方法，处理速度上比较有优势，利用较少的先验知识；但是，这种方法缺点非常明显，对于光线变化较大识别鲁棒性不好，而且面对有部分手臂遮挡情况容易误识别。所以，这种方法只能在比较固定的环境中使用，在复杂的行车环境中识别效果可能不尽人意。

(2)利用传统手工提取安全带区域特征，然后利用机器学习的BP神经网络或者传统机器学习SVM算法根据特征做一个分类器。方法(2)会比方法(1)现实效果更强，缺点在于特征提取方式比较困难。在一系列纹理特征包括灰度分布的不均匀性、梯度分布的不均匀性、能量大小、灰度平均、梯度平均、灰度均方差、梯度均方差、相关性、灰度熵、梯度熵、混合熵、惯性、逆差矩、LBP特征、haar特征和HOG特征中如何选择适合安全带分类的特征是很难的，选择过多特征容易冗余或者过拟合，选择过少特征模型会欠拟合。

(3)深度学习方法：随着深度学习兴起，越来越多视觉识别问题可以通过深度学习来解决。深度学习方法的最大优点是通过卷积网络学习自动提取分类所需要的特征，而且深度学习网络具有强大的拟合学习能力。在许多领域里，深度学习物体识别率上已经能超过人类。对于佩戴安全带的问题上，卷积网络通过自身对数据的学习能提取相应的特征进行分类是否佩戴安全带。尽管单纯的卷积神经网络在大数据学习能获得比较好的分类结果，但是依然存在比较大的缺点：(1)无法知道学习到的特征是安全带的特征还是其他方面的特征；(2)需要非常庞大的数据进行训练；(3)在识别是否佩戴安全带的分类图片中无法准确定位安全带的位置。

发明内容

本发明的主要目的在于提出一种基于深度学习的驾驶员安全带佩戴识别方法，能够在各种环境下识别出驾驶员是否佩戴安全带及识别出安全带的准确位置。

本发明采用如下技术方案：

一种基于深度学习的驾驶员安全带佩戴识别方法，包括：

通过人脸检测算法识别出输入图像中驾驶员的人脸位置；

根据所述人脸位置截取驾驶员躯干区域作为待识别安全带区域；

通过训练好的卷积深度学习模型对所述待识别安全带区域进行识别，识别出驾驶员是否佩戴安全带及识别出安全带的位置。

优选的，所述识别出驾驶员是否佩戴安全带及识别出安全带的位置之后，还包括：

选择一段时间内的多帧图像进行识别，综合各帧识别结果识别出驾驶员是否佩戴安全带及识别出安全带的位置。