[发明专利]基于视觉的安全带实时监测方法、终端设备及存储介质

权利要求书

1.一种基于视觉的安全带实时监测方法，其特征在于，包括以下步骤：

获取驾驶员的实时监控红外图像；

定位人脸和进行人脸姿态估计，得到人脸位置和人脸姿态信息；

根据人脸位置和人脸姿态信息截取安全带检测区域；

将安全带检测区域输入训练好的分类器中分析安全带的佩带情况。

2.如权利要求1所示的方法，其特征在于，实时监控红外图像通过安装在驾驶室的疲劳监控红外摄像头获得。

3.如权利要求1所示的方法，其特征在于，人脸位置和人脸姿态信息包括人脸高度H、宽度W、人脸左上角点P₁、右下角点P₂的坐标以及人脸姿态估计角度α、β和γ，其中，α、β和γ分别是俯仰角、偏航角和翻滚角。

4.如权利要求3所示的方法，其特征在于，根据人脸位置和人脸姿态信息截取安全带检测区域的具体过程是：

按公式(1)计算安全带检测区域左上角点P_tl坐标，

其中，(P_tl_x,P_tl_y)为点P_tl的坐标，(P₁_x,P₁_y)和(P₂_x,P₂_y)分别为人脸左上角点P₁和右下角点P₂的坐标；

以人脸高度H作为安全带检测区域尺寸的基准，则安全带检测区域的尺寸L＝coef*H；

根据人脸姿态估计角度α、β和γ，按公式(2)和(3)将P_tl坐标修正回人脸与摄像头正对的标准状态，

其中(P_c_x,P_c_y)为人脸矩形框中心坐标，(P_tl_x_roll,P_tl_y_roll)为修正γ后点P_tl的坐标，

其中，(P_tl_x_r,P_tl_y_r)为修正α、β和γ后点P_tl的坐标。

5.如权利要求3所示的方法，其特征在于，coef取值为1.2。

6.如权利要求1所示的方法，其特征在于，分类器采用优化的卷积神经网络模型实现，其中，卷积神经网络模型采用窄而深的全卷积网络结构，包括9个卷积层和1个输出层，9个卷积层的中间7个为可分离卷积层，其余为普通卷积层，卷积层中采用3×3和1×1的卷积核进行特征提取和加权操作。

7.如权利要求6所示的方法，其特征在于，卷积神经网络模型的优化包括以下步骤：首先对训练好的网络模型中卷积核权重参数值均小于阈值的神经元结构进行剪枝，然后对剪枝后的模型进行迭代训练微调模型参数，最后对模型中的卷积层和BatchNorm层按公式(4)进行合并操作；输出结果为分类判断安全带佩戴情况的置值度值ρ，当ρ阈值，则判定为未系安全带，否则为系安全带，

式中，y_conv为卷积层运算结果，w_conv和b_conv分别为卷积层的权重和偏置；y_bn为BatchNorm运算结果，λ和μ分别为BatchNorm层的缩放因子和偏移量，ε为一个防止分母为0的较小值，E[x]和Var[x]分别为BatchNorm层的滑动均值和滑动方差；和为合并后的权重和偏置值。

8.如权利要求7所示的方法，其特征在于，阈值为0.65。

9.一种终端设备，其包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-8中任一项所述的方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-8中任一项所述的方法的步骤。