八月瓜首页 > 专利查询 > G06计算;推算;计数 >正文

安全带检测方法、装置、电子设备及系统

基本信息

  • 申请号 CN202010593874.8 
  • 公开号 CN111476224A 
  • 申请日 2020/06/28 
  • 公开日 2020/07/31 
  • 申请人 杭州鸿泉物联网技术股份有限公司  
  • 优先权日期  
  • 发明人 汪寒 金丽娟 吕慧华  
  • 主分类号 G06K9/00 
  • 申请人地址 310000 浙江省杭州市滨江区长河街道江二路400号2幢513室 
  • 分类号 G06K9/00;G06K9/62 
  • 专利代理机构 北京路浩知识产权代理有限公司 11002 
  • 当前专利状态 发明专利申请公布 
  • 代理人 白淑君 
  • 有效性 审查中-实审 
  • 法律状态 审查中-实审
  •  

摘要

本发明实施例公开了一种安全带检测方法、装置、电子设备及系统,该安全带检测方法包括:获取车载摄像头采集到的驾驶员驾驶状态图像;利用安全带检测深度学习网络对所述驾驶员驾驶状态图像进行安全带检测,得到安全带检测结果;其中,所述安全带检测结果包括驾驶员已系安全带或驾驶员未系安全带;输出所述安全带检测结果。
因此,本发明实施例实现了准确、实时地检测驾驶员安全带佩戴情况,提高了安全带检测的可靠性和效率。
展开

权利要求书


1.一种安全带检测方法,其特征在于,包括:获取车载摄像头采集到的驾驶员驾驶状态图像;利用安全带检测深度学习网络对所述驾驶员驾驶状态图像进行安全带检测,得到安全带检测结果;其中,所述安全带检测结果包括驾驶员已系安全带或驾驶员未系安全带;输出所述安全带检测结果。
2.根据权利要求1所述的安全带检测方法,其特征在于,所述利用安全带检测深度学习网络对所述驾驶员驾驶状态图像进行安全带检测,得到安全带检测结果,包括:将所述驾驶员驾驶状态图像输入所述安全带检测深度学习网络中,得到至少一个安全带像素点;对各个安全带像素点进行聚类,得到安全带所在区域;根据所述安全带所在区域中的安全带像素点个数,确定所述安全带检测结果。
3.根据权利要求1或2所述的安全带检测方法,其特征在于,所述安全带检测深度学习网络是在U型网络结构中使用了移动端神经网络MobileNet的深度可分离卷积模块的语义分割网络。
4.根据权利要求2所述的安全带检测方法,其特征在于,所述对各个安全带像素点进行聚类,得到安全带所在区域,包括:利用基于密度的噪声应用空间聚类DBSCAN方式,对所述各个安全带像素点进行聚类,聚类后只保留最大的安全带像素点簇,其他区域的安全带像素点作为噪声去掉,所述最大的像素点簇为所述安全带所在区域。
5.根据权利要求2所述的安全带检测方法,其特征在于,所述根据所述安全带所在区域中的安全带像素点个数,确定所述安全带检测结果,包括:按照第一设定规则根据所述安全带所在区域中的安全带像素点个数和设定个数阈值,判断是否检测到安全带,得到判断结果;按照第二设定规则计算所述判断结果对应的当前累计检测数;若所述当前累计检测数大于0,则确定驾驶员已系安全带;若所述当前累计检测数小于或等于0,则确定驾驶员未系安全带。
6.根据权利要求5所述的安全带检测方法,其特征在于,所述第一设定规则包括:若所述安全带像素点个数大于或等于所述设定个数阈值,则确定检测到安全带;若所述安全带像素点个数小于所述设定个数阈值,则确定未检测到安全带;所述第二设定规则包括:当前累计检测数的初始状态为0,若当前帧图像确定检测到安全带,则用于表征所述当前累计检测数的值加1;若当前帧图像确定未检测到安全带,则用于表征所述当前累计检测数的值减1;若所述当前累计检测数超过预设的累计检测上限帧数,则将所述当前累计检测数的绝对值设置为所述预设的累计检测上限帧数。
7.根据权利要求1所述的安全带检测方法,其特征在于,所述输出所述安全带检测结果,包括:将所述安全带检测结果发送至多媒体中控屏,以使所述多媒体中控屏显示所述安全带检测结果,以及若所述安全带检测结果为驾驶员未系安全带,则所述多媒体中控屏输出未系安全带语音信息;和/或若所述安全带检测结果为驾驶员未系安全带的累计连续次数超过设定次数阈值,则将未系安全带报警信息发送至服务器,以使所述服务器输出所述未系安全带报警信息。
8.一种安全带检测装置,其特征在于,包括:获取模块,用于获取车载摄像头采集到的驾驶员驾驶状态图像;检测模块,用于利用安全带检测深度学习网络对所述驾驶员驾驶状态图像进行安全带检测,得到安全带检测结果;其中,所述安全带检测结果包括驾驶员已系安全带或驾驶员未系安全带;输出模块,用于输出所述安全带检测结果。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在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程序时实现如权利要求1至7任一项所述安全带检测方法的步骤。
10.一种安全带检测系统,其特征在于,包括:车载摄像头和车载终端、以及多媒体中控屏和/或服务器;其中,所述车载摄像头包括红外摄像头,所述红外摄像头位于车辆仪表盘上方,以及车辆方向盘的左侧或者右侧;所述车载终端用于实现如权利要求1至7任一项所述安全带检测方法的步骤。
展开

说明书

技术领域
本发明涉及深度学习和机器视觉领域,具体涉及一种安全带检测方法、装置、电子设备及系统。
背景技术
随着经济发展,城市建设速度加快,汽车的数量逐年增加。
汽车持续快速增长为城市交通系统带来巨大负担,违法驾驶和不良驾驶行为依旧存在,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。
发明内容
由于现有方法存在上述问题,本发明实施例提出一种安全带检测方法、装置、电子设备及系统,以实现在驾驶室内可以准确、实时地检测驾驶员安全带佩戴情况,当驾驶员未系安全带时对驾驶员进行报警提示的方法,并用于弥补现有卡口类安全带检测系统易被驾驶员屏蔽的问题。
第一方面,本发明实施例提出一种安全带检测方法,包括:获取车载摄像头采集到的驾驶员驾驶状态图像;利用安全带检测深度学习网络对所述驾驶员驾驶状态图像进行安全带检测,得到安全带检测结果;其中,所述安全带检测结果包括驾驶员已系安全带或驾驶员未系安全带;输出所述安全带检测结果。
可选地,所述利用安全带检测深度学习网络对所述驾驶员驾驶状态图像进行安全带检测,得到安全带检测结果,包括:将所述驾驶员驾驶状态图像输入所述安全带检测深度学习网络中,得到至少一个安全带像素点;对各个安全带像素点进行聚类,得到安全带所在区域;根据所述安全带所在区域中的安全带像素点个数,确定所述安全带检测结果。
可选地,所述安全带检测深度学习网络是在U型网络结构中使用了移动端神经网络MobileNet的深度可分离卷积模块的语义分割网络。
可选地,所述对各个安全带像素点进行聚类,得到安全带所在区域,包括:利用基于密度的噪声应用空间聚类DBSCAN方式,对所述各个安全带像素点进行聚类,聚类后只保留最大的安全带像素点簇,其他区域的安全带像素点作为噪声去掉,所述最大的像素点簇为所述安全带所在区域。
可选地,所述根据所述安全带所在区域中的安全带像素点个数,确定所述安全带检测结果,包括:按照第一设定规则根据所述安全带所在区域中的安全带像素点个数和设定个数阈值,判断是否检测到安全带,得到判断结果;按照第二设定规则计算所述判断结果对应的当前累计检测数;若所述当前累计检测数大于0,则确定驾驶员已系安全带;若所述当前累计检测数小于或等于0,则确定驾驶员未系安全带。
可选地,所述第一设定规则包括:若所述安全带像素点个数大于或等于所述设定个数阈值,则确定检测到安全带;若所述安全带像素点个数小于所述设定个数阈值,则确定未检测到安全带;所述第二设定规则包括:当前累计检测数的初始状态为0,若当前帧图像确定检测到安全带,则用于表征所述当前累计检测数的值加1;若当前帧图像确定未检测到安全带,则用于表征所述当前累计检测数的值减1;若所述当前累计检测数超过预设的累计检测上限帧数,则将所述当前累计检测数的绝对值设置为所述预设的累计检测上限帧数。
可选地,所述输出所述安全带检测结果,包括:将所述安全带检测结果发送至多媒体中控屏,以使所述多媒体中控屏显示所述安全带检测结果,以及若所述安全带检测结果为驾驶员未系安全带,则所述多媒体中控屏输出未系安全带语音信息;和/或若所述安全带检测结果为驾驶员未系安全带的累计连续次数超过设定次数阈值,则将未系安全带报警信息发送至服务器,以使所述服务器输出所述未系安全带报警信息。
第二方面,本发明实施例提出一种安全带检测装置,包括:获取模块,用于获取车载摄像头采集到的驾驶员驾驶状态图像;检测模块,用于利用安全带检测深度学习网络对所述驾驶员驾驶状态图像进行安全带检测,得到安全带检测结果;其中,所述安全带检测结果包括驾驶员已系安全带或驾驶员未系安全带;输出模块,用于输出所述安全带检测结果。
第三方面,本发明实施例提出一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所述安全带检测方法的步骤。
第四方面,本发明实施例提出一种安全带检测系统,包括:车载摄像头和车载终端、以及多媒体中控屏和/或服务器;其中,所述车载摄像头包括红外摄像头,所述红外摄像头位于车辆仪表盘上方,以及车辆方向盘的左侧或者右侧;所述车载终端用于实现如第一方面所述安全带检测方法的步骤。
由上述技术方案可知,本发明实施例通过获取车载摄像头采集到的驾驶员驾驶状态图像,利用安全带检测深度学习网络对驾驶员驾驶状态图像进行安全带检测,得到安全带检测结果,其中,所述安全带检测结果包括驾驶员已系安全带或驾驶员未系安全带,输出安全带检测结果,从而实现了准确、实时地检测驾驶员安全带佩戴情况,提高了安全带检测的可靠性和效率。
说明书附图为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些图获得其他的附图。
图1为本发明实施例提供的一种安全带检测方法的流程示意图;图2为本发明实施例提供的一种安全带检测深度学习网络的结构示意图;图3为本发明实施例提供的一种安全带检测装置的结构示意图;图4为本发明实施例提供的一种电子设备的实体结构示意图;图5为本发明实施例提供的一种安全带检测系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。
基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了便于清楚描述本发明实施例的技术方案,在本发明的各实施例中,若采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分,本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定。
图1为本发明实施例提供的一种安全带检测方法的流程示意图;该方法可以用于实现安全带检测功能的电子设备上,比如:车载终端;如图1所示,该安全带检测方法可以包括:S101、获取车载摄像头采集到的驾驶员驾驶状态图像。
具体地,车载摄像头可以为红外摄像头,该红外摄像头可以位于车辆仪表盘上方,以及车辆方向盘的左侧或者右侧。
其中,红外摄像头的安装要求以不妨碍驾驶员正常驾驶视线的位置,并且,该红外摄像头采集到的图像要求安全带与驾驶员的胸前区域有一定重叠,车辆方向盘在图像中的占比尽可能少,避免驾驶员打方向影响安全带检测。
S102、利用安全带检测深度学习网络对驾驶员驾驶状态图像进行安全带检测,得到安全带检测结果。
其中,所述安全带检测结果包括驾驶员已系安全带或驾驶员未系安全带。
具体地,车载终端获取到一帧驾驶员驾驶状态图像后,会根据配置的检测频率将该图像缩放至128×128像素后,再输入到安全带检测深度学习网络中,并采用该安全带检测深度学习网络对缩放后的图像进行安全带检测,进而确定驾驶员已系安全带或驾驶员未系安全带。
S103、输出安全带检测结果。
由上述实施例可见,通过获取车载摄像头采集到的驾驶员驾驶状态图像,利用安全带检测深度学习网络对驾驶员驾驶状态图像进行安全带检测,得到安全带检测结果,其中,所述安全带检测结果包括驾驶员已系安全带或驾驶员未系安全带,输出安全带检测结果,从而实现了准确、实时地检测驾驶员安全带佩戴情况,提高了安全带检测的可靠性和效率。
进一步地,建立在上述方法的基础上,执行S102中利用安全带检测深度学习网络对所述驾驶员驾驶状态图像进行安全带检测,得到安全带检测结果,可以包括:S1021、将所述驾驶员驾驶状态图像输入所述安全带检测深度学习网络中,得到至少一个安全带像素点。
具体地,车载终端获取到一帧驾驶员驾驶状态图像后,会根据配置的检测频率将该图像缩放至128×128像素后,再输入到安全带检测深度学习网络中,得到至少一个安全带像素点。
可选地,上述S102或S1021中的安全带检测深度学习网络可以是:在U型网络结构中使用了移动端神经网络MobileNet的深度可分离卷积模块的语义分割网络,即mobileunet语义分割网络。
其中,mobileunet是mobilenet和unet的结合,即在U型网络结构中,用到了mobilenet里的深度可分离卷积模块。
该mobilenet是一种应用了深度可分离卷积适用于在移动设备上推理的网络结构;该unet是因为网络有两部分,第一部分,特征提取,第二部分,上采样部分。
并且,网络结构像U型,所以叫Unet网络。
上述S102或S1021中的安全带检测深度学习网络,其网络结构如图2所示,mobileunet结合了mobilenet的深度可分离卷积和unet中特征提取、上采样的U型结构,在细化边缘的同时减少推理速度。
该安全带检测深度学习网络输入128×128×3的图像,最终推理出128×128×n的结果,代表每一个像素点推理为对应的类别的概率。
其中,图2中的128×128×3(即长×宽×通道) 表示输入图像的尺寸。
其中,通道可以为RGB三通道。
图2中的128×128×n中的n代表类别数,若n=2,则代表背景和安全带这2个类别。
S1022、对各个安全带像素点进行聚类,得到安全带所在区域。
具体地,各个安全带像素点可以指的是安全带类别概率最大的像素点。
可以对各个安全带像素点进行聚类,保留其中最大的簇,也就是最大连通区域,其他作为噪声去除,确定安全带区域。
可选地,在执行S1022中对各个安全带像素点进行聚类,得到安全带所在区域,可以包括:利用DBSCAN方式,对所述各个安全带像素点进行聚类,聚类后只保留最大的安全带像素点簇,其他区域的安全带像素点作为噪声去掉,所述最大的像素点簇为所述安全带所在区域。
其中,DBSCAN方式为基于密度的噪声应用空间聚类(Density-Based SpatialClustering of Applications with Noise)方式。
S1023、根据所述安全带所在区域中的安全带像素点个数,确定所述安全带检测结果。
具体地,可以按照一定规则根据所述安全带所在区域中的安全带像素点个数,确定所述安全带检测结果。
比如:安全带像素点个数大于或等于设定个数阈值,则确定驾驶员已系安全带或驾驶员;安全带像素点个数小于设定个数阈值,则确定驾驶员未系安全带。
由上述实施例可见,通过将所述驾驶员驾驶状态图像输入所述安全带检测深度学习网络中,得到至少一个安全带像素点,对各个安全带像素点进行聚类,得到安全带所在区域,根据所述安全带所在区域中的安全带像素点个数,确定所述安全带检测结果,从而提高了安全带检测的准确性,还解决了现有卡口类安全带检测系统易被驾驶员屏蔽的问题。
进一步地,建立在上述方法的基础上,执行S1023中根据所述安全带所在区域中的安全带像素点个数,确定所述安全带检测结果,可以包括:S1024、按照第一设定规则根据所述安全带所在区域中的安全带像素点个数和设定个数阈值,判断是否检测到安全带,得到判断结果。
具体地,第一设定规则可以是根据实际情况提前设置的用于判断是否检测到安全带的规则。
可选地,第一设定规则可以包括:若所述安全带像素点个数大于或等于所述设定个数阈值,则确定检测到安全带;若所述安全带像素点个数小于所述设定个数阈值,则确定未检测到安全带。
具体地,安全带像素点个数p大于或等于设定个数阈值P,则确定当前帧图像检测到安全带;安全带像素点个数p小于设定个数阈值P,则确定当前帧图像未检测到安全带。
其中,设定个数阈值P可以是根据实际情况提前设置的一个值,比如:65。
S1025、按照第二设定规则计算所述判断结果对应的当前累计检测数。
具体地,第一设定规则可以是根据实际情况提前设置的用于计算当前累计检测数的规则。
可选地,第二设定规则可以包括:当前累计检测数的初始状态为0,若当前帧图像确定检测到安全带,则用于表征所述当前累计检测数的值加1;若当前帧图像确定未检测到安全带,则用于表征所述当前累计检测数的值减1;若所述当前累计检测数超过预设的累计检测上限帧数,则将所述当前累计检测数的绝对值设置为所述预设的累计检测上限帧数。
比如:设置累计检测上限帧数为S,当前累计检测数为F,F初始状态为0,在当前帧图像中检测到安全带,则F=F+1,在当前帧图像中未检测到安全带,则F=F-1,若累计检测数超过累计检测上限帧数,即|F| > S,则将F置为±S。
其中,累计检测上限帧数用于规避偶然的误检,或者真实情况下驾驶员在打方向盘或者观察窗外情况时因遮挡未检测到安全带造成的误报。
S1026、若所述当前累计检测数大于0,则确定驾驶员已系安全带。
S1027、若所述当前累计检测数小于或等于0,则确定驾驶员未系安全带。
具体地,设置当前累计检测数为F,若F > 0,则确定驾驶员已系安全带;若F<=0,则确定驾驶员已系安全带。
由上述实施例可见,可以按照第一设定规则根据所述安全带所在区域中的安全带像素点个数和设定个数阈值,判断是否检测到安全带,得到判断结果,以及按照第二设定规则计算所述判断结果对应的当前累计检测数,若所述当前累计检测数大于0,则确定驾驶员已系安全带,若所述当前累计检测数小于或等于0,则确定驾驶员未系安全带,从而提高了安全带检测的准确性,尤其是累计检测上限帧数用于规避偶然的误检,或者真实情况下驾驶员在打方向盘或者观察窗外情况时因遮挡未检测到安全带造成的误报,进而提高了安全带检测的可靠性。
进一步地,建立在上述方法的基础上,执行S103中输出所述安全带检测结果,可以包括:S1031、将所述安全带检测结果发送至多媒体中控屏,以使所述多媒体中控屏显示所述安全带检测结果,以及若所述安全带检测结果为驾驶员未系安全带,则输出未系安全带语音信息;和/或S1032、若所述安全带检测结果为驾驶员未系安全带的累计连续次数超过设定次数阈值,则将未系安全带报警信息发送至服务器,以使所述服务器输出所述未系安全带报警信息。
具体的,将所述安全带检测结果发送至多媒体中控屏时,当F > 0,可以发送驾驶员系安全带的安全带佩戴信息;当F<=0,可以发送驾驶员未系安全带的安全带佩戴信息,这样多媒体中控屏根据接收到安全带佩戴信息后,可以将安全带检测结果叠加在视频中展现给驾驶员,尤其是多媒体中控屏接收到驾驶员未系安全带的安全带佩戴信息时,可以播报“未正确佩戴安全带”的语音信息提示驾驶员佩戴安全带。
另外,当累计连续10次(即设定次数阈值)均为未系安全带,车载终端将报警信息上传至服务器,(车载终端首先对驾驶员进行提示,在提示未果依旧未系安全带的情况下,上传报警信息)对于连续的未系安全带报警,上传间隔为5分钟。
上传至服务器的报警信息包括:报警时间(年月日时分秒), 地点(GPS经纬度),触发报警时刻的视频画面,报警时刻前后5秒的视频片段。
由上述实施例可见,在输出安全带检测结果时,可以将所述安全带检测结果发送至多媒体中控屏,以使所述多媒体中控屏显示所述安全带检测结果,以及若所述安全带检测结果为驾驶员未系安全带,则输出未系安全带语音信息;也可以在所述安全带检测结果为驾驶员未系安全带的累计连续次数超过设定次数阈值时,将未系安全带报警信息发送至服务器,以使所述服务器输出所述未系安全带报警信息,从而实现了未系安全带语音提示和未系安全带报警,最大程度上避免了驾驶员在不系安全带的情况下驾驶。
图3为本发明实施例提供的一种安全带检测装置的结构示意图,该安全带检测装置可以用于实现安全带检测功能的电子设备上,比如:车载终端;如图3所示,该安全带检测装置可以包括:获取模块31,用于获取车载摄像头采集到的驾驶员驾驶状态图像;检测模块32,用于利用安全带检测深度学习网络对所述驾驶员驾驶状态图像进行安全带检测,得到安全带检测结果;其中,所述安全带检测结果包括驾驶员已系安全带或驾驶员未系安全带;输出模块33,用于输出所述安全带检测结果。
进一步地,建立在上述所示装置的基础上,所述检测模块32包括:输入子模块,用于将所述驾驶员驾驶状态图像输入所述安全带检测深度学习网络中,得到至少一个安全带像素点;聚类子模块,用于对各个安全带像素点进行聚类,得到安全带所在区域;确定子模块,用于根据所述安全带所在区域中的安全带像素点个数,确定所述安全带检测结果。
进一步地,建立在上述所示装置的基础上,所述安全带检测深度学习网络是在U型网络结构中使用了移动端神经网络MobileNet的深度可分离卷积模块的语义分割网络。
进一步地,建立在上述所示装置的基础上,所述聚类子模块可以包括:聚类单元,用于利用基于密度的噪声应用空间聚类DBSCAN方式,对所述各个安全带像素点进行聚类,聚类后只保留最大的安全带像素点簇,其他区域的安全带像素点作为噪声去掉,所述最大的像素点簇为所述安全带所在区域。
进一步地,建立在上述所示装置的基础上,所述确定单元可以包括:判断单元,用于按照第一设定规则根据所述安全带所在区域中的安全带像素点个数和设定个数阈值,判断是否检测到安全带,得到判断结果;计算单元,用于按照第二设定规则计算所述判断结果对应的当前累计检测数;第一确定单元,用于若所述当前累计检测数大于0,则确定驾驶员已系安全带;第二确定单元,用于若所述当前累计检测数小于或等于0,则确定驾驶员未系安全带。
进一步地,建立在上述所示装置的基础上,所述第一设定规则包括:若所述安全带像素点个数大于或等于所述设定个数阈值,则确定检测到安全带;若所述安全带像素点个数小于所述设定个数阈值,则确定未检测到安全带;所述第二设定规则包括:当前累计检测数的初始状态为0,若当前帧图像确定检测到安全带,则用于表征所述当前累计检测数的值加1;若当前帧图像确定未检测到安全带,则用于表征所述当前累计检测数的值减1;若所述当前累计检测数超过预设的累计检测上限帧数,则将所述当前累计检测数的绝对值设置为所述预设的累计检测上限帧数。
进一步地,建立在上述所示装置的基础上,所述输出模块可以包括:第一输出子模块,用于将所述安全带检测结果发送至多媒体中控屏,以使所述多媒体中控屏显示所述安全带检测结果,以及若所述安全带检测结果为驾驶员未系安全带,则所述多媒体中控屏输出未系安全带语音信息;和/或第二输出子模块,用于若所述安全带检测结果为驾驶员未系安全带的累计连续次数超过设定次数阈值,则将未系安全带报警信息发送至服务器,以使所述服务器输出所述未系安全带报警信息。
本发明实施例所述的安全带检测装置可以用于执行上述方法实施例,其原理和技术效果类似,此处不再赘述。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。
可以根据实际的需要选择其中的部分或者全部模块来实现本发明实施例方案的目的。
本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
图4为本发明实施例提供的一种电子设备的实体结构示意图,如图4所示,该电子设备可以包括:处理器(processor)401、通信接口(Communications Interface)402、存储器(memory)403和通信总线404,其中,处理器401,通信接口402,存储器403通过通信总线404完成相互间的通信。
处理器401可以调用存储器403中的逻辑指令,以执行如下方法:获取车载摄像头采集到的驾驶员驾驶状态图像;利用安全带检测深度学习网络对所述驾驶员驾驶状态图像进行安全带检测,得到安全带检测结果;其中,所述安全带检测结果包括驾驶员已系安全带或驾驶员未系安全带;输出所述安全带检测结果。
此外,上述的存储器403中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。
基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
进一步地,本发明实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:获取车载摄像头采集到的驾驶员驾驶状态图像;利用安全带检测深度学习网络对所述驾驶员驾驶状态图像进行安全带检测,得到安全带检测结果;其中,所述安全带检测结果包括驾驶员已系安全带或驾驶员未系安全带;输出所述安全带检测结果。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的方法,例如包括:获取车载摄像头采集到的驾驶员驾驶状态图像;利用安全带检测深度学习网络对所述驾驶员驾驶状态图像进行安全带检测,得到安全带检测结果;其中,所述安全带检测结果包括驾驶员已系安全带或驾驶员未系安全带;输出所述安全带检测结果。
进一步地,如图5所示,本发明实施例还公开一种安全带检测系统,包括:车载摄像头501和车载终端502、以及多媒体中控屏503和/或服务器504;其中,所述车载摄像头501包括红外摄像头,所述红外摄像头位于车辆仪表盘上方,以及车辆方向盘的左侧或者右侧;所述车载终端502用于实现上述安全带检测方法的步骤。
具体地,服务器504可以放置在用户所提供的机房服务器504内部署车辆管理系统;车载摄像头501,车载终端502,多媒体中控屏503可以安装在车辆驾驶舱内。
车载终端502和多媒体中控屏503的安装位置没有过于严苛的要求,在驾驶员方便操作、观看,且不妨碍驾驶员正常驾驶视线处安装即可。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。
基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
展开

查看更多专利详情信息请先登录或注册会员

相关专利类别推荐

获取手机验证码,即可注册成为会员

专利详情咨询

咨询内容

姓名

手机

验证码

用户登录

手机号

手机验证码

提示

不能再减了!!!

提交成功

八月瓜客服中心已经收到您的信息,正在为您派遣知识产权顾问。知识产权顾问会携带贴心的服务以闪电搬的速度与您联系。

扫一扫关注八月瓜微信 创业一手掌握