一種安全帶檢測方法和裝置與流程

本發明涉及信息檢測技術領域，更具體地說，涉及一種安全帶檢測方法和裝置。

背景技術：

目前，大多數交警部門在進行安全帶檢測時都采用人工肉眼判斷，而人工判斷不但準確性和時效性因人而異，且海量的交通監控數據使得人工檢測耗費的人力成本相當巨大。因此，如何將安全帶檢測過程智能化，自動化，高效化成為交警部門的迫切需求。

技術實現要素：

本發明的目的是提供一種安全帶檢測方法和裝置，以實現安全帶檢測過程智能化，自動化和高效化。

為實現上述目的，本發明提供了如下技術方案：

一種安全帶檢測方法，包括：

獲取對道路上的車輛行駛情況進行拍攝得到的圖像；

對所述圖像進行車輛檢測，分割出車輛圖像區域；

在所述車輛圖像區域中檢測車窗；

在車窗區域中檢測人臉區域和/或方向盤區域；

基于所述人臉區域和/或方向盤區域確定安全帶檢測區域；

在所述安全帶檢測區域中提取直線段，基于所提取的直線段確定所述安全帶檢測區域中是否包含安全帶。

上述方法，優選的，所述在車窗區域中檢測人臉區域和/或方向盤區域包括：

在所述車窗區域中確定目標區域，所述目標區域為駕駛員檢測候選區域，或者，為乘車人員檢測候選區域；

在所述目標區域中檢測人臉區域和/或方向盤區域。

上述方法，優選的，所述在所述安全帶檢測區域中提取直線段，基于所提取的直線段確定所述安全帶檢測區域中是否包含安全帶包括：

在所述安全帶檢測區域中檢測傾斜角度在預設角度范圍內，且長度大于預設長度閾值的直線段；

若所述安全帶檢測區域中未檢測到傾斜角度在所述預設范圍內，且長度大于預設長度閾值的直線段，確定所述安全帶檢測區域中未包含安全帶；

若所述安全帶檢測區域中存在有兩條平行直線段，且所述兩條平行直線段之間的距離在預置的距離范圍內，確定所述安全帶檢測區域中包含安全帶；

若所述安全帶檢測區域中僅存在一條直線段，則沿著與該直線段中心點的梯度相同或相反方向進行搜索，若在距離該直線段的所述距離范圍內存在梯度相反的邊緣點，則以該邊緣點為邊界，生成一條與該直線段平行的新的直線段，在該直線段與所述新的直線段之間的區域內確定亮度差值小于預設差值閾值的像素點的個數，若所確定的個數占所述區域內的像素點的總數的百分比大于預設百分比閾值，確定所述安全帶檢測區域中包含安全帶。

上述方法，優選的，所述在所述安全帶檢測區域中檢測傾斜角度在預設角度范圍內，且長度大于預設長度閾值的直線段包括：

基于相鄰像素灰度對數差在所述安全帶檢測區域中提取邊緣特征；

對提取的邊緣特征進行概率Hough變換，得到若干直線段，以及各條直線段的起止位置；

從所述若干條直線段中選擇傾斜角度在預設角度范圍內，且長度大于預設長度閾值的直線段。

上述方法，優選的，還包括：

若所述安全帶檢測區域中未檢測到安全帶，則提取所述安全帶檢測區域的方向梯度直方圖特征；

基于所述方向梯度直方圖特征，使用已經訓練好的分類器檢測所述安全帶檢測區域中是否存在安全帶。

一種安全帶檢測裝置，包括：

獲取模塊，用于獲取對道路上的車輛行駛情況進行拍攝得到的圖像；

第一檢測模塊，用于對所述圖像進行車輛檢測，分割出車輛圖像區域；

第二檢測模塊，用于在所述車輛圖像區域中檢測車窗；

第三檢測模塊，用于在車窗區域人臉區域和/或方向盤區域；

第一確定模塊，用于基于所述人臉區域和/或方向盤區域確定安全帶檢測區域；

第二確定模塊，用于在所述安全帶檢測區域中提取直線段，基于所述提取的直線段確定所述安全帶檢測區域中是否包含安全帶。

上述裝置，優選的，所述第三檢測模塊包括：

第一確定單元，用于在所述車窗區域中確定目標區域，所述目標區域為駕駛員檢測候選區域，或者，為乘車人員檢測候選區域；

第一檢測單元，用于在所述目標區域中檢測人臉區域和/或方向盤區域。

上述裝置，優選的，所述第二確定模塊，包括：

第二檢測單元，用于在所述安全帶檢測區域中檢測傾斜角度在預設角度范圍內，且長度大于預設長度閾值的直線段；

第二確定單元，用于若所述安全帶檢測區域中未檢測到傾斜角度在預設范圍內，且長度大于預設長度閾值的直線段，確定所述安全帶檢測區域中未包含安全帶；

第三確定單元，用于若所述安全帶檢測區域中存在有兩條平行直線段，且所述兩條平行直線段之間的距離在預置的距離范圍內，確定所述安全帶檢測區域中包含安全帶；

第四確定單元，用于若所述安全帶檢測區域中僅存在一條直線段，則沿著與該直線段中心點的梯度相同或相反方向進行搜索，若在距離該直線段的所述距離范圍內存在梯度相反的邊緣點，則以該邊緣點為邊界，生成一條與該直線段平行的新的直線段，在該直線段與所述新的直線段之間的區域內確定亮度差值小于預設差值閾值的像素點的個數，若所確定的個數占所述區域內的像素點的總數的百分比大于預設百分比閾值，確定所述安全帶檢測區域中包含安全帶。

上述裝置，優選的，所述第二檢測單元包括：

提取子單元，用于基于相鄰像素灰度對數差在所述安全帶檢測區域中提取邊緣特征；

變換子單元，用于對提取的邊緣特征進行概率Hough變換，得到若干直線段，以及各條直線段的起止位置；

選擇子單元，用于從所述若干條直線段中選擇傾斜角度在預設角度范圍內，且長度大于預設長度閾值的直線段。

上述裝置，優選的，還包括：

提取模塊，用于若所述第二確定模塊未在安全帶檢測區域中檢測到安全帶，則提取所述安全帶檢測區域的方向梯度直方圖特征；

分類檢測模塊，用于基于所述方向梯度直方圖特征，使用已經訓練好的分類器檢測所述安全帶檢測區域中是否存在安全帶。

通過以上方案可知，本申請提供的一種安全帶檢測方法和裝置，獲取對道路上的車輛行駛情況進行拍攝得到的圖像；對所述圖像進行車輛檢測，分割出車輛圖像區域；在所述車輛圖像區域中檢測車窗區域，并在車窗區域中檢測人臉區域和/或方向盤區域；基于所述人臉區域和/或方向盤區域確定安全帶檢測區域；在所述安全帶檢測區域中提取直線段，基于所述提取的直線段確定所述安全帶檢測區域中是否包含安全帶。實現安全帶檢測過程智能化、自動化和高效化。

附圖說明

為了更清楚地說明本申請實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。

圖1為本申請實施例提供的安全帶檢測方法的一種實現流程圖；

圖2為本申請實施例提供的在車窗區域中檢測人臉區域和/或方向盤區域的一種實現流程圖；

圖3為本申請實施例提供的在安全帶檢測區域中檢測傾斜角度在預設角度范圍內，且長度大于預設長度閾值的直線段的一種實現流程圖；

圖4為本申請實施例提供的安全帶檢測裝置的一種結構示意圖；

圖5為本申請實施例提供的第三檢測模塊的一種結構示意圖；

圖6為本申請實施例提供的第二確定模塊的一種結構示意圖；

圖7為本申請實施例提供的安全帶檢測裝置的另一種結構示意圖。

說明書和權利要求書及上述附圖中的術語“第一”、“第二”、“第三”“第四”等(如果存在)是用于區別類似的部分，而不必用于描述特定的順序或先后次序。應該理解這樣使用的數據在適當情況下可以互換，以便這里描述的本申請的實施例能夠以除了在這里圖示的以外的順序實施。

具體實施方式

下面將結合本申請實施例中的附圖，對本申請實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有付出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。

請參閱圖1，圖1為本申請實施例提供的安全帶檢測方法的一種實現流程圖，可以包括：

步驟S11：獲取對道路上的車輛行駛情況進行拍攝得到的圖像；

由于是對安全帶進行檢測，而安全帶的最佳可視范圍是車輛的前擋風車窗區域，因此本申請實施例中，在對道路上的車輛行駛情況進行拍攝時，應對車輛的正面進行拍攝，以便能夠拍攝到車輛的前擋風車窗區域，進而對安全帶進行檢測。具體的，拍攝設備的攝像頭的朝向應與道路上車輛的行駛方向相反，從而車輛經過拍攝設備的拍攝區域時，能夠拍攝到車輛的正面圖像。

步驟S12：對獲取的圖像進行車輛檢測，分割出車輛圖像區域；

可以計算所獲取圖像的梯度分布，根據該梯度分布信息來確定車底的陰影候選區域，根據該車底陰影候選區域提取車輛圖像區域。該方法魯棒性比較強，分割結果受陰影、復雜光照等方面的影響較小。

步驟S13：在車輛圖像區域中檢測車窗，分割出車窗區域；

可選的，可以基于AdaBoost方法在車輛圖像區域內分割出車窗區域。AdaBoost方法是基于Haar-like特征實現的。標準的Haar-like特征有15種，如圖3所示，包括四類：邊緣特征、線特征、點特征(中心特征)和對角線特征。

本發明實施例中，對Haar-like特征進行了擴展，除了包括圖3所示的15種特征還，還新增了拐角特征，如圖4所示，為本發明實施例擴展的4種Haar-like特征，加上標準的15種Haar-like特征，共19種Haar-like特征。

基于AdaBoost方法在車輛圖像區域內分割出車窗區域的具體實現方式可以為：

通過樣本庫構建AdaBoost級聯分類器；其中樣本庫中的正樣本為車輛的車窗(即前擋風窗)位置的圖像(該圖像中具有完整的車窗)，負樣本為與車窗位置的重合度不大于30％的車輛其它區域圖像；

通過上述19種Haar-like特征對車輛圖像進行訓練構成弱分類器，然后通過Adaboost將弱分類器疊加串聯構成級聯強分類器

利用所述訓練好的AdaBoost級聯分類器，對車輛圖像區域進行檢測，完成車窗定位。

通過實驗對比發現，在擴展Haar-like特征后，基于AdaBoost方法的車窗定位方法的魯棒性更強，定位準確率更高，明顯提升了在復雜環境下的車窗定位效果。

步驟S14:在車窗區域中檢測人臉區域和/或方向盤區域；

對于駕駛員的位置(即主駕駛位置)，可以只檢測人臉區域，或者，可以只檢測方向盤區域，或者，既檢測人臉區域，又檢測方向盤區域。

對于副駕駛的位置，由于沒有方向盤，則可以只檢測人臉區域。

步驟S15：基于人臉區域和/或方向盤區域確定安全帶檢測區域；

本實施例中以基于國內駕駛規則為例說明安全帶檢測區域的具體過程。

若只檢測人臉區域，則根據人臉區域確定安全帶檢測區域的實現方式可以為：

對于主駕駛區域，安全帶檢測區域確定方式為：

x_s＝x_f-α×width_f，

width_s＝x_w+width_w-x_s，

height_s＝y_w+height_w-y_s，

對于副駕駛區域，安全帶檢測區域確定方式為：

x_s＝x_w

width_s＝x_f+α×width_f，

height_s＝y_w+height_w-y_s，

其中，(x_w,y_w)為車窗區域左上頂點的坐標；width_w為車窗區域的寬度；height_w為車窗區域的高度；(x_f，y_f)為人臉區域左上頂點的坐標；width_f為人臉區域的寬度；height_f為人臉區域的高度；(x_s，y_s)為安全帶檢測區域的左上頂點的坐標；width_s為安全帶檢測區域的寬度；height_s為安全帶檢測區域的高度；α為為預置系數，可根據使用情況設定，可選的，α的取值可以為1。

若只檢測方向盤區域，則可根據方向盤區域確定安全帶檢測區域的實現方式可以為：

x_s＝x₀，

y_s＝y_w，

width_s＝x_w+width_w-x_s，

height_s＝y₀-y_s，

其中，(x₀,y₀)為擬合出的方向盤的中心坐標；(x_s，y_s)為安全帶檢測區域的左上頂點的坐標；(x_w,y_w)為車窗區域左上頂點的坐標；width_w為車窗區域的寬度；width_s為安全帶檢測區域的寬度；height_s為安全帶檢測區域的高度。

若既檢測人臉區域，又檢測方向盤區域，則根據人臉區域和方向盤區域確定安全帶檢測區域的實現方式可以為：

x_s＝min(x₀,x_f-α×width_f)，

width_s＝x_w+width_w-x_s，

height_s＝y₀-y_s，

(x_s，y_s)為安全帶檢測區域的左上頂點的坐標；(x₀,y₀)為擬合出的方向盤的中心坐標；(x_f，y_f)為人臉區域左上頂點的坐標；x_w為車窗區域左上頂點的x軸的坐標；width_s為安全帶檢測區域的寬度；height_s為安全帶檢測區域的高度；width_f為人臉區域的寬度；height_f為人臉區域的高度；width_w為車窗區域的寬度。

根據人臉區域和/或方向盤區域確定安全帶檢測區域，在安全帶檢測區域檢測安全帶，使得安全帶檢測結果更加精確。降低誤檢的概率。

步驟S16：在安全帶檢測區域中提取直線段，基于所提取的直線段確定安全帶檢測區域中是否包含安全帶。

由于安全帶通常為直條形片狀，因此，通過所提取的直線段可以確定安全帶檢測區域中是否包含安全帶。

本申請實施例提供的安全帶檢測方法，獲取對道路上的車輛行駛情況進行拍攝得到的圖像；對所述圖像進行車輛檢測，分割出車輛圖像區域；在所述車輛圖像區域中檢測車窗區域，并在車窗區域中檢測人臉區域和/或方向盤區域；基于所述人臉區域和/或方向盤區域確定安全帶檢測區域；在所述安全帶檢測區域中提取直線段，基于所述提取的直線段確定所述安全帶檢測區域中是否包含安全帶。實現安全帶檢測過程智能化、自動化和高效化。

可選的，本申請實施例提供的在車窗區域中檢測人臉區域和/或方向盤區域的一種實現流程圖如圖2所示，可以包括：

步驟S21：在車窗區域中確定目標區域，該目標區域為駕駛員檢測候選區域，或者，為副駕駛乘車人員檢測候選區域；

對于符合中國的行車習慣(靠右行駛)的車輛，若檢測駕駛員是否系安全帶，則將車窗區域的右側區域作為駕駛員檢測候選區。若檢測副駕駛乘車人員是否系安全帶，則將車窗區域的左側區域作為副駕駛乘車人員檢測候選區域。

目標區域的大小可以通過實驗確定，以保證目標區域包括完整的駕駛員圖像或完整的副駕駛乘車人員圖像。

步驟S22：在目標區域中檢測人臉區域和/或方向盤區域。

為減少圖像中的噪聲，可以在目標區域中檢測人臉區域和/或方向盤區域之前，先采用高斯平滑濾波器對目標區域進行平滑濾波，以提高人臉區域和/或方向盤區域的檢測精度。然后在平滑濾波后的目標區域中檢測人臉區域和/或方向盤區域。

可選的，由于方向盤的邊緣近似與兩個圓弧，因此，可以采用隨機Hough變換的方法在目標區域中進行圓弧(圓、橢圓等)檢測。通過隨機Hough變換的方法，可以擬合得到橢圓的圓心坐標(x₀,y₀)和橢圓的半徑，圓心坐標(x₀,y₀)即前述方向盤的中心坐標。

可選的，本申請實施例提供的在安全帶檢測區域中提取直線段，基于所提取的直線段確定安全帶檢測區域中是否包含安全帶的一種實現方式可以為：

在安全帶檢測區域中檢測傾斜角度在預設角度范圍內，且長度大于預設長度閾值的直線段；

在安全帶檢測區域中，可能檢測不到傾斜角度在預設角度范圍內，且長度大于預設長度預置的直線段；也可能只檢測到一條傾斜角度在預設角度范圍內，且長度大于預設長度預置的直線段；或者，檢測到兩條或更多條傾斜角度在預設角度范圍內，且長度大于預設長度預置的直線段。

若安全帶檢測區域中未檢測到傾斜角度在預設范圍內，且長度大于預設長度閾值的直線段，確定安全帶檢測區域中未包含安全帶；

若安全帶檢測區域中存在有兩條平行直線段，且該兩條平行直線段之間的距離在預置的距離范圍內，確定安全帶檢測區域中包含安全帶；

也就是說，若在安全帶檢測區域中檢測到至少兩條直線段，則判斷該至少兩條直線段中，是否存在兩條相互平行的直線段，且該兩條相互平行的直線段之間的距離在預置的距離范圍內，若存在滿足上述條件的兩條直線段，則定安全帶檢測區域中包含安全帶。

若安全帶檢測區域中僅存在一條直線段(為方便敘述，記為第一直線段)，則沿著與第一直線段中心點的梯度相同或相反方向進行搜索，若在距離該直線段的上述距離范圍內存在梯度相反的邊緣點，則以該邊緣點為邊界，生成一條與該直線段平行的新的直線段(為方便敘述，記為第二直線段)，在第一直線段與第二直線段之間的區域內確定亮度差值小于預設差值閾值的像素點的個數，若所確定的個數占第一直線段與第二直線段之間的區域內的像素點的總數的百分比大于預設百分比閾值，確定安全帶檢測區域中包含安全帶。

可選的，本發明實施例提供的在安全帶檢測區域中檢測傾斜角度在預設角度范圍內，且長度大于預設長度閾值的直線段的一種實現流程圖如圖3所示，可以包括：

步驟S31：基于相鄰像素灰度對數差在安全帶檢測區域中提取邊緣特征；

具體的，邊緣特征檢測過程可以為：

對于任意一個像素點a_(i,j)，計算與該像素點相鄰的四個像素點(a_(i-1,j)，a_(i+1,j)，a_(i,j+1)，a_(i,j-1))的對數值，計算像素點a_(i,j)的左右兩個像素點的對數值的差值的絕對值，以及像素點a_(i,j)的上下兩個像素點的對數值的差值的絕對值；若計算得到的兩個絕對值均大于預設的邊緣閾值，則確定像素點a_(i,j)為邊緣點，即該像素點a_(i,j)為一個邊緣特征點。

步驟S32：對提取的邊緣特征進行概率Hough變換(PPHT)，得到若干直線段，以及各條直線段的起止位置；

通過直線段的起止位置可以計算出直線段的長度，以及直線段的傾斜角度。

步驟S33：從上述若干條直線段中選擇傾斜角度在預設角度范圍內，且長度大于預設長度閾值的直線段。

可選的，本發明實施例提供的安全帶檢測方法還可以包括：

若通過上述方法未在安全帶檢測檢測區域檢測到安全帶，則可以對安全帶檢測區域進行二次檢測，以降低漏檢率。對安全帶檢測區域進行二次檢測的具體實現方式可以為：

提取安全帶檢測區域的方向梯度直方圖特征(HOG特征)；

基于提取的方向梯度直方圖特征，使用已經訓練好的分類器(如SVM分類器)檢測安全帶檢測區域中是否存在安全帶。

與方法實施例相對應，本申請實施例還提供一種安全帶檢測裝置。本申請實施例提供的安全帶檢測裝置的一種結構示意圖如圖4所示，可以包括：

獲取模塊41，第一檢測模塊42，第二檢測模塊43，第三檢測模塊44，第一確定模塊45和第二確定模塊46；其中，

獲取模塊41用于獲取對道路上的車輛行駛情況進行拍攝得到的圖像；

由于是對安全帶進行檢測，而安全帶的最佳可視范圍是車輛的前擋風車窗區域，因此本申請實施例中，在對道路上的車輛行駛情況進行拍攝時，應對車輛的正面進行拍攝，以便能夠拍攝到車輛的前擋風車窗區域，進而對安全帶進行檢測。具體的，拍攝設備的攝像頭的朝向應與道路上車輛的行駛方向相反，從而車輛經過拍攝設備的拍攝區域時，能夠拍攝到車輛的正面圖像。

第一檢測模塊42用于對所述圖像進行車輛檢測，分割出車輛圖像區域；

可以計算所獲取圖像的梯度分布，根據該梯度分布信息來確定車底的陰影候選區域，根據該車底陰影候選區域提取車輛圖像區域。該方法魯棒性比較強，分割結果受陰影、復雜光照等方面的影響較小。

第二檢測模塊43用于在所述車輛圖像區域中檢測車窗，分割出車窗區域；

可選的，可以基于AdaBoost方法在車輛圖像區域內分割出車窗區域。AdaBoost方法是基于Haar-like特征實現的。標準的Haar-like特征有15種，如圖3所示，包括四類：邊緣特征、線特征、點特征(中心特征)和對角線特征。

本發明實施例中，對Haar-like特征進行了擴展，除了包括圖3所示的15種特征還，還新增了拐角特征，如圖4所示，為本發明實施例擴展的4種Haar-like特征，加上標準的15種Haar-like特征，共19種Haar-like特征。

基于AdaBoost方法在車輛圖像區域內分割出車窗區域的具體實現方式可以為：

通過樣本庫構建AdaBoost級聯分類器；其中樣本庫中的正樣本為車輛的車窗位置的圖片，負樣本為與車窗位置的重合度不大于30％的車輛其它區域圖像；

通過上述19種Haar-like特征對車輛圖像進行訓練構成弱分類器，然后通過Adaboost將弱分類器疊加串聯構成級聯強分類器。

利用所述訓練好的AdaBoost級聯分類器，對車輛圖像區域進行檢測，完成車窗定位。

通過實驗對比發現，在擴展Haar-like特征后，基于AdaBoost方法的車窗定位方法的魯棒性更強，定位準確率更高，明顯提升了在復雜環境下的車窗定位效果。

第三檢測模塊44，用于在車窗區域中檢測人臉區域和/或方向盤區域；

對于駕駛員的位置(即主駕駛位置)，可以只檢測人臉區域，或者，可以只檢測方向盤區域，或者，既檢測人臉區域，又檢測方向盤區域。

對于副駕駛的位置，由于沒有方向盤，則可以只檢測人臉區域。

第一確定模塊45用于基于所述人臉區域和/或方向盤區域確定安全帶檢測區域；

本實施例中以基于國內駕駛規則為例說明安全帶檢測區域的具體過程。

若只檢測人臉區域，則根據人臉區域確定安全帶檢測區域的實現方式可以為：

對于主駕駛區域，安全帶檢測區域確定方式為：

x_s＝x_f-α×width_f，

width_s＝x_w+width_w-x_s，

height_s＝y_w+height_w-y_s，

對于副駕駛區域，安全帶檢測區域確定方式為：

x_s＝x_w

width_s＝x_f+α×width_f，

height_s＝y_w+height_w-y_s，

其中，(x_w,y_w)為車窗區域左上頂點的坐標；width_w為車窗區域的寬度；height_w為車窗區域的高度；(x_f，y_f)為人臉區域左上頂點的坐標；width_f為人臉區域的寬度；height_f為人臉區域的高度；(x_s，y_s)為安全帶檢測區域的左上頂點的坐標；width_s為安全帶檢測區域的寬度；height_s為安全帶檢測區域的高度；α為為預置系數，可選的，α的取值可以為1。

若只檢測方向盤區域，則可根據方向盤區域確定安全帶檢測區域的實現方式可以為：

x_s＝x₀，

y_s＝y_w，

width_s＝x_w+width_w-x_s，

height_s＝y₀-y_s，

其中，(x₀,y₀)為擬合出的方向盤的中心坐標；(x_s，y_s)為安全帶檢測區域的左上頂點的坐標；(x_w,y_w)為車窗區域左上頂點的坐標；width_w為車窗區域的寬度；width_s為安全帶檢測區域的寬度；height_s為安全帶檢測區域的高度。

若既檢測人臉區域，又檢測方向盤區域，則根據人臉區域和方向盤區域確定安全帶檢測區域的實現方式可以為：

x_s＝min(x₀,x_f-α×width_f)，

width_s＝x_w+width_w-x_s，

height_s＝y₀-y_s，

(x_s，y_s)為安全帶檢測區域的左上頂點的坐標；(x₀,y₀)為擬合出的方向盤的的中心坐標；(x_f，y_f)為人臉區域左上頂點的坐標；x_w為車窗區域左上頂點的x軸的坐標；width_s為安全帶檢測區域的寬度；height_s為安全帶檢測區域的高度；width_f為人臉區域的寬度；height_f為人臉區域的高度；width_w為車窗區域的寬度。

根據人臉區域和/或方向盤區域確定安全帶檢測區域，在安全帶檢測區域檢測安全帶，使得安全帶檢測結果更加精確。降低誤檢的概率。

第二確定模塊46用于在所述安全帶檢測區域中提取直線段，基于所述提取的直線段確定所述安全帶檢測區域中是否包含安全帶。

由于安全帶通常為直條形片狀，因此，通過所提取的直線段可以確定安全帶檢測區域中是否包含安全帶。

本申請實施例提供的安全帶檢測裝置，取對道路上的車輛行駛情況進行拍攝得到的圖像；對所述圖像進行車輛檢測，分割出車輛圖像區域；在所述車輛圖像區域中檢測車窗區域，并在車窗區域中檢測人臉區域和/或方向盤區域；基于所述人臉區域和/或方向盤區域確定安全帶檢測區域；在所述安全帶檢測區域中提取直線段，基于所述提取的直線段確定所述安全帶檢測區域中是否包含安全帶。實現安全帶檢測過程智能化、自動化和高效化。

可選的，本申請實施例提供的第三檢測模塊44的一種結構示意圖如圖5所示，可以包括：

第一確定單元51和第一檢測單元52；其中，

第一確定單元51用于在所述車窗區域中確定目標區域，所述目標區域為駕駛員檢測候選區域，或者，為乘車人員檢測候選區域；

對于符合中國的行車習慣(靠右行駛)的車輛，若檢測駕駛員是否系安全帶，則將車窗區域的右側區域作為駕駛員檢測候選區。若檢測副駕駛乘車人員是否系安全帶，則將車窗區域的左側區域作為副駕駛乘車人員檢測候選區域。

目標區域的大小可以通過實驗確定，以保證目標區域包括完整的駕駛員圖像或完整的副駕駛乘車人員圖像。

第一檢測單元52用于在所述目標區域中檢測人臉區域和/或方向盤區域。

為減少圖像中的噪聲，可以在目標區域中檢測人臉區域和/或方向盤區域之前，先采用高斯平滑濾波器對目標區域進行平滑濾波，以提高人臉區域和/或方向盤區域的檢測精度。然后在平滑濾波后的目標區域中檢測人臉區域和/或方向盤區域。

可選的，由于方向盤的邊緣近似與兩個圓弧，因此，可以采用隨機Hough變換的方法在目標區域中進行圓弧檢測。

可選的，本申請實施例提供的第二確定模塊46的一種結構示意圖如圖6所示，可以包括：

第二檢測單元61，第二確定單元62，第三確定單元63和第四確定單元64；其中，

第二檢測單元61用于在所述安全帶檢測區域中檢測傾斜角度在預設角度范圍內，且長度大于預設長度閾值的直線段；

在安全帶檢測區域中，可能檢測不到傾斜角度在預設角度范圍內，且長度大于預設長度預置的直線段；也可能只檢43測到一條傾斜角度在預設角度范圍內，且長度大于預設長度預置的直線段；或者，檢測到兩條或更多條傾斜角度在預設角度范圍內，且長度大于預設長度預置的直線段。

第二確定單元62用于若所述安全帶檢測區域中未檢測到傾斜角度在預設范圍內，且長度大于預設長度閾值的直線段，確定所述安全帶檢測區域中未包含安全帶；

第三確定單元63用于若所述安全帶檢測區域中存在有兩條平行直線段，且所述兩條平行直線段之間的距離在預置的距離范圍內，確定所述安全帶檢測區域中包含安全帶；

也就是說，若在安全帶檢測區域中檢測到至少兩條直線段，則判斷該至少兩條直線段中，是否存在兩條相互平行的直線段，且該兩條相互平行的直線段之間的距離在預置的距離范圍內，若存在滿足上述條件的兩條直線段，則定安全帶檢測區域中包含安全帶。

第四確定單元64用于若安全帶檢測區域中僅存在一條直線段(為方便敘述，記為第一直線段)，則沿著與第一直線段中心點的梯度相同或相反方向進行搜索，若在距離該直線段的上述距離范圍內存在梯度相反的邊緣點，則以該邊緣點為邊界，生成一條與該直線段平行的新的直線段(為方便敘述，記為第二直線段)，在第一直線段與第二直線段之間的區域內確定亮度差值小于預設差值閾值的像素點的個數，若所確定的個數占第一直線段與第二直線段之間的區域內的像素點的總數的百分比大于預設百分比閾值，確定安全帶檢測區域中包含安全帶。

可選的，本申請實施例提供的第二檢測單元61可以包括：

提取子單元，用于基于相鄰像素灰度對數差在所述安全帶檢測區域中提取邊緣特征；

具體的，邊緣特征檢測過程可以為：

對于任意一個像素點a_(i,j)，計算與該像素點相鄰的四個像素點(a_(i-1,j)，a_(i+1,j)，a_(i,j+1)，a_(i,j-1))的對數值，計算像素點a_(i,j)的左右兩個像素點的對數值的差值的絕對值，以及像素點a_(i,j)的上下兩個像素點的對數值的差值的絕對值；若計算得到的兩個絕對值均大于預設的邊緣閾值，則確定像素點a_(i,j)為邊緣點，即該像素點a_(i,j)為一個邊緣特征點。

變換子單元，用于對提取的邊緣特征進行概率Hough變換，得到若干直線段，以及各條直線段的起止位置；

通過直線段的起止位置可以計算出直線段的長度，以及直線段的傾斜角度。

選擇子單元，用于從所述若干條直線段中選擇傾斜角度在預設角度范圍內，且長度大于預設長度閾值的直線段。

可選的，在圖4所示實施例的基礎上，本申請實施例提供的安全帶檢測裝置的另一種結構示意圖如圖7所示，還可以包括：

提取模塊71，用于若所述第二確定模塊46未在安全帶檢測區域中檢測到安全帶，則提取所述安全帶檢測區域的方向梯度直方圖特征(HOG特征)；

分類檢測模塊72用于基于所述方向梯度直方圖特征，使用已經訓練好的分類器(如SVM分類器)檢測所述安全帶檢測區域中是否存在安全帶。

本實施例中，若未在安全帶檢測區域中檢測到安全帶，則對安全帶檢測區域進行二次檢測，以降低漏檢率。

結合本發明公開內容所描述的方法或者算法的步驟可以硬件的方式來實現，也可以是由處理器執行軟件指令的方式來實現。軟件指令可以由相應的軟件模塊組成，軟件模塊可以被存放于RAM存儲器、閃存、ROM存儲器、EPROM存儲器、EEPROM存儲器、寄存器、硬盤、移動硬盤、CD-ROM或者本領域熟知的任何其它形式的存儲介質中。一種示例性的存儲介質耦合至處理器，從而使處理器能夠從該存儲介質讀取信息，且可向該存儲介質寫入信息。當然，存儲介質也可以是處理器的組成部分。處理器和存儲介質可以位于ASIC中。另外，該ASIC可以位于用戶設備中。當然，處理器和存儲介質也可以作為分立組件存在于用戶設備中。

本領域技術人員應該可以意識到，在上述一個或多個示例中，本發明所描述的功能可以用硬件、軟件、固件或它們的任意組合來實現。當使用軟件實現時，可以將這些功能存儲在計算機可讀介質中或者作為計算機可讀介質上的一個或多個指令或代碼進行傳輸。計算機可讀介質包括計算機存儲介質和通信介質，其中通信介質包括便于從一個地方向另一個地方傳送計算機程序的任何介質。存儲介質可以是通用或專用計算機能夠存取的任何可用介質。

對所公開的實施例的上述說明，使本領域專業技術人員能夠實現或使用本發明。對這些實施例的多種修改對本領域的專業技術人員來說將是顯而易見的，本文中所定義的一般原理可以在不脫離本發明的精神或范圍的情況下，在其它實施例中實現。因此，本發明將不會被限制于本文所示的這些實施例，而是要符合與本文所公開的原理和新穎特點相一致的最寬的范圍。