CN104700066A - 一种检测驾驶员是否佩戴有安全带的方法和装置 - Google Patents
一种检测驾驶员是否佩戴有安全带的方法和装置 Download PDFInfo
- Publication number
- CN104700066A CN104700066A CN201310674803.0A CN201310674803A CN104700066A CN 104700066 A CN104700066 A CN 104700066A CN 201310674803 A CN201310674803 A CN 201310674803A CN 104700066 A CN104700066 A CN 104700066A
- Authority
- CN
- China
- Prior art keywords
- driver
- difference
- region
- securing band
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种检测驾驶员是否佩戴有安全带的方法和装置：从待检测图像中确定出驾驶员区域和安全带区域；计算驾驶员区域内的x～y度方向上的梯度信息与m～n度方向上的梯度信息的差值A，并计算安全带区域内的x～y度方向上的梯度信息与m～n度方向上的梯度信息的差值B；n>m>y>x，n=180-x，m=180-y；如果差值A和差值B符合预先设定的佩戴有安全带时的取值要求，则确定待检测图像中的驾驶员佩戴有安全带；如果差值A和差值B符合预先设定的未佩戴安全带时的取值要求，则确定待检测图像中的驾驶员未佩戴安全带。应用本发明所述方案，能够提高检测结果的准确性。
Description
技术领域
本发明涉及智能交通领域，特别涉及一种检测驾驶员是否佩戴有安全带的方法和装置。
背景技术
在机动车驾驶过程中，自觉佩戴安全带是保证驾驶员生命安全的一个重要规范，但在现实中，往往有些驾驶员没有这个意识和习惯。
为了规范驾驶员的驾驶习惯，通常会对不按照规定佩戴安全带的驾驶员进行处罚，为此，交管部门需要能够有效地获取到驾驶员的安全带佩戴状态，即有效地检测出驾驶员是否佩戴有安全带。
现有技术中，通常采用Hough直线检测方式，但是这种方式对于驾驶室内成像环境恶劣（如对比度低）、安全带边缘不明显等情况下的检测效果并不理想，从而会产生大量的误判，如将佩戴有安全带的驾驶员错误地判定为未佩戴安全带。
发明内容
有鉴于此，本发明提供了一种检测驾驶员是否佩戴有安全带的方法和装置，能够提高检测结果的准确性。
为了达到上述目的，本发明的技术方案是这样实现的：
一种检测驾驶员是否佩戴有安全带的方法，包括：
从待检测图像中确定出驾驶员区域和安全带区域；
计算所述驾驶员区域内的x～y度方向上的梯度信息与m～n度方向上的梯度信息的差值A，并计算所述安全带区域内的x～y度方向上的梯度信息与m～n度方向上的梯度信息的差值B；n>m>y>x，n=180-x，m=180-y；
如果所述差值A和所述差值B符合预先设定的佩戴有安全带时的取值要求，则确定所述待检测图像中的驾驶员佩戴有安全带；
如果所述差值A和所述差值B符合预先设定的未佩戴安全带时的取值要求，则确定所述待检测图像中的驾驶员未佩戴安全带。
一种检测驾驶员是否佩戴有安全带的装置，包括：
第一处理模块，用于从待检测图像中确定出驾驶员区域和安全带区域；计算所述驾驶员区域内的x～y度方向上的梯度信息与m～n度方向上的梯度信息的差值A，并计算所述安全带区域内的x～y度方向上的梯度信息与m～n度方向上的梯度信息的差值B；n>m>y>x，n=180-x，m=180-y；将所述差值A和所述差值B发送给第二处理模块；
所述第二处理模块，用于当确定所述差值A和所述差值B符合预先设定的佩戴有安全带时的取值要求时，确定所述待检测图像中的驾驶员佩戴有安全带；当确定所述差值A和所述差值B符合预先设定的未佩戴安全带时的取值要求时，确定所述待检测图像中的驾驶员未佩戴安全带。
可见，采用本发明所述方案，通过比较不同方向上的梯度信息的差值来确定待检测图像中的驾驶员是否佩戴有安全带，从而克服了现有技术中存在的问题，进而提高了检测结果的准确性。
附图说明
图1为本发明检测驾驶员是否佩戴有安全带的方法实施例的流程图。
图2为本发明所述初始兴趣区域的示意图。
图3为本发明所述驾驶员搜索区域的示意图。
图4为本发明所述驾驶员区域的示意图。
图5为本发明所述安全带区域的示意图。
图6为本发明不同类别的样本图像的分布情况示意图。
图7为本发明检测驾驶员是否佩戴有安全带的装置实施例的组成结构示意图。
具体实施方式
针对现有技术中存在的问题，本发明中提出一种检测驾驶员是否佩戴有安全带的方案，能够提高检测结果的准确性。
图1为本发明检测驾驶员是否佩戴有安全带的方法实施例的流程图。如图1所示，包括以下步骤11～13。
步骤11：从待检测图像中确定出驾驶员区域和安全带区域。
步骤12：计算驾驶员区域内的x～y度方向上的梯度信息与m～n度方向上的梯度信息的差值A，并计算安全带区域内的x～y度方向上的梯度信息与m～n度方向上的梯度信息的差值B；n>m>y>x，n=180-x，m=180-y。
以驾驶员区域为例，在整个图像区域内，计算所有像素点的梯度方向，并统计整个图像区域内，梯度方向在x～y度以内的像素点的个数，得到的结果即为驾驶员区域内的x～y度方向上的梯度信息。
驾驶员区域内的m～n度方向上的梯度信息、安全带区域内的x～y度方向上的梯度信息与m～n度方向上的梯度信息与上述类似，不再赘述。
步骤13：如果差值A和差值B符合预先设定的佩戴有安全带时的取值要求，则确定待检测图像中的驾驶员佩戴有安全带；如果差值A和差值B符合预先设定的未佩戴安全带时的取值要求，则确定待检测图像中的驾驶员未佩戴安全带。
另外，如果差值A和差值B既不符合佩戴有安全带时的取值要求，也不符合未佩戴安全带时的取值要求，则可利用预先训练好的支持向量机（SVM，Support VectorMachine）分类器来确定待检测图像中的驾驶员是否佩戴有安全带。
以下结合附图等，对上述各步骤的具体实现分别进行详细说明。
一）从待检测图像中确定出驾驶员区域和安全带区域
在实际应用中，从待检测图像中确定出驾驶员区域和安全带区域的方式可为：
根据待检测图像中的车牌位置，确定出包括车窗的上下界的初始兴趣区域；
根据初始兴趣区域中的纹理特点，确定出车窗的上下界位置；
根据车牌位置以及车窗的上下界位置，确定出驾驶员搜索区域；
在驾驶员搜索区域中进行驾驶员目标定位（即驾驶员目标检测），从驾驶员搜索区域中确定出驾驶员区域；
将驾驶员区域中包含安全带的指定区域作为安全带区域。
1）确定初始兴趣区域
在正向车辆卡口图像中，车窗位置一般位于车牌位置的正上方，因此，可根据车牌位置，确定出包括车窗的上下界的初始兴趣区域。
比如，可预先设定初始兴趣区域的左边缘正对车牌的中心点，初始兴趣区域的下边缘距离车牌的上边缘的距离也可预先设定，并且可预先设定初始兴趣区域的宽度和高度等。
图2为本发明所述初始兴趣区域的示意图。
2）确定车窗的上下界位置
初始兴趣区域中的纹理通常呈现以下特点：车窗内部由于有驾驶员、车内物体、方向盘等，因此纹理会比较丰富；而车窗上部为车顶，纹理比较简单；车窗下部为汽车前盖，纹理也比较简单。
根据上述特点，可首先求取初始兴趣区域内的图像在垂直方向上的Sobel边缘，得到边缘图像；之后，对边缘图像进行中值滤波，以减少噪声影响；再之后，对中值滤波后的边缘图像进行二值化；最后，对二值边缘图像进行水平方向上的投影，并通过对水平方向上的投影进行分析，确定出车窗的上下界位置。
3）确定驾驶员搜索区域
在已经确定出车窗的上下界位置的基础上，结合车牌位置，即可确定出驾驶员搜索区域。
比如，可预先设定驾驶员搜索区域的左边缘位于车牌的中心点偏左一点的位置，具体偏多少可根据实际需要而定，驾驶员搜索区域的右边缘与左边缘的距离也可预先设定，如为车牌宽度的1.75倍，驾驶员搜索区域的上下边缘即为车窗的上下界位置。
图3为本发明所述驾驶员搜索区域的示意图。
4）确定驾驶员区域
现有技术中，通常会利用人脸检测来进行驾驶员目标定位，但在车窗内部，由于遮阳板遮挡、挡风玻璃反光和窗外亮度过大等因素的影响，图像中的人脸特征并不明显，甚至面部都不能完全呈现在图像中，因此利用人脸检测来进行驾驶员目标定位的方式并不能取得较好的定位效果。
为此，本发明所述方案中提出，可采用头-肩模型来进行驾驶员目标定位，也就是利用人脸与肩部这一整块区域作为定位目标，这样即使人脸被遮挡等也不会对定位效果产生很大影响。
在实际应用中，可预先获取一系列的样本图像，并获取每个样本图像的特征数据，如方向梯度直方图（HOG，Histogram of Oriented Gradient），并可利用各样本图像的特征数据来训练SVM分类器，训练完成后，即可利用HOG＋SVM分类器来进行实际的驾驶员目标定位，从而确定出驾驶员区域，具体实现为现有技术。
图4为本发明所述驾驶员区域的示意图。
5）确定安全带区域
可将驾驶员区域中包含安全带的指定区域作为安全带区域。
比如，可预先设定安全带区域的左边缘正对驾驶员区域的上边缘的中心点，并可预先设定安全带区域的上边缘与驾驶员区域的上边缘的距离、安全带区域的下边缘与驾驶员区域的下边缘的距离，以及安全带区域的右边缘与驾驶员区域的右边缘的距离。
图5为本发明所述安全带区域的示意图。
需要说明的是，以上在确定各个区域时，预先设定的各距离、宽度、高度等的具体取值均可根据实际情况而定，如可为经验值。
二）确定待检测图像中的驾驶员是否佩戴有安全带
如图4所示的驾驶员区域，如果驾驶员未佩戴安全带，那么驾驶员区域内的边缘图像应该是基本对称的，反之，如果驾驶员佩戴有安全带，那么在驾驶员区域内的45～75度方向上的边缘产生的梯度信息会比105～135度方向上的边缘产生的梯度信息更为丰富，因此，可对这两个方向上的梯度信息进行比较。
另外，如果驾驶员佩戴有安全带，安全带一般会呈现在图5中所示的小矩形区域内，同样地，可对该区域内的上述两个方向上的梯度信息进行比较。
相应地，本发明方案中提出，在从待检测图像中确定出驾驶员区域和安全带区域之后，可进行以下处理：计算驾驶员区域内的x～y度方向上的梯度信息与m～n度方向上的梯度信息的差值A，并计算安全带区域内的x～y度方向上的梯度信息与m～n度方向上的梯度信息的差值B；n>m>y>x，n=180-x，m=180-y；如果差值A和差值B符合预先设定的佩戴有安全带时的取值要求，则确定待检测图像中的驾驶员佩戴有安全带；如果差值A和差值B符合预先设定的未佩戴安全带时的取值要求，则确定待检测图像中的驾驶员未佩戴安全带。
较佳地，x的取值为45，y的取值为75，m的取值为105，n的取值为135，因为安全带与水平方向所成角度一般为45～75度。
另外，如果差值A和差值B既不符合佩戴有安全带时的取值要求，也不符合未佩戴安全带时的取值要求，则可采用机器学习的方法来确定待检测图像中的驾驶员是否佩戴有安全带。
在实际应用中，通过对大量样本图像进行分析，会发现不同类别的样本图像分布会存在一定的规律性。
图6为本发明不同类别的样本图像的分布情况示意图。如图6所示，以驾驶员区域对应的差值为横轴，以安全带区域对应的差值为纵轴，横轴和纵轴的交叉点的坐标为（0，0），横轴之上的区域内的各坐标点的纵坐标均大于0，横轴之下的区域内的各坐标点的纵坐标均小于0，纵轴之右的区域内的各坐标点的横坐标均大于0，纵轴之左的区域内的各坐标点的横坐标均小于0；菱形表示佩戴有安全带的样本图像，矩形表示未佩戴安全带的样本图像；可以看出，在图6所示白色矩形区域范围之外，横轴之上基本均为佩戴有安全带的样本图像，横轴之下基本均为未佩戴安全带的样本图像，而在矩形区域范围之内，两类样本图像混杂在一起，无法区分。
因此，在得到上述差值A和差值B之后，可将差值A作为横坐标，差值B作为纵坐标，确定出一个坐标点。
如果该坐标点位于右上角坐标为（a，c）、右下角坐标为（a，-d）、左上角坐标为（-b，c）、左下角坐标为（-b，-d）的矩形区域范围（即图6所示白色矩形区域范围）内，则确定差值A和差值B既不符合佩戴有安全带时的取值要求，也不符合未佩戴安全带时的取值要求；a、b、c、d均大于0。
如果该坐标点位于矩形区域范围之外，且差值B大于0，则确定差值A和差值B符合佩戴有安全带时的取值要求。
如果该坐标点位于矩形区域范围之外，且差值B小于0，则确定差值A和差值B符合未佩戴安全带时的取值要求。
上述a、b、c、d的具体取值均可根据实际情况而定，如可为经验值。
在实际应用中，可首先计算一系列已知是否佩戴有安全带的样本图像的差值A和差值B，然后根据不同的样本图像的差值A和差值B的分布情况，确定a、b、c、d的取值。
比如，可分别对427个样本图像计算差值A和差值B，从而可以得到图6中所示的分布情况，根据这一分布情况，并为了尽量减少误判，可设定a=150，b=120，c=100，d=50。
如果差值A和差值B既不符合佩戴有安全带时的取值要求，也不符合未佩戴安全带时的取值要求，那么可利用预先训练好的SVM分类器来确定待检测图像中的驾驶员是否佩戴有安全带。
在实际应用中，可预先获取一系列的样本图像，并获取每个样本图像的特征数据，如边缘方向直方图（EOH，Edge Orientation Histograms），并可利用各样本图像的特征数据来训练SVM分类器，训练完成后，即可利用EOH＋SVM分类器来确定待检测图像中的驾驶员是否佩戴有安全带，具体实现为现有技术。
基于上述介绍，图7为本发明检测驾驶员是否佩戴有安全带的装置实施例的组成结构示意图。如图7所示，包括：
第一处理模块71，用于从待检测图像中确定出驾驶员区域和安全带区域；计算驾驶员区域内的x～y度方向上的梯度信息与m～n度方向上的梯度信息的差值A，并计算安全带区域内的x～y度方向上的梯度信息与m～n度方向上的梯度信息的差值B；n>m>y>x，n=180-x，m=180-y；将差值A和差值B发送给第二处理模块72；
第二处理模块72，用于当确定差值A和差值B符合预先设定的佩戴有安全带时的取值要求时，确定待检测图像中的驾驶员佩戴有安全带；当确定差值A和差值B符合预先设定的未佩戴安全带时的取值要求时，确定待检测图像中的驾驶员未佩戴安全带。
其中，第二处理模块72还可进一步用于，当确定差值A和差值B既不符合佩戴有安全带时的取值要求，也不符合未佩戴安全带时的取值要求时，利用预先训练好的SVM分类器来确定待检测图像中的驾驶员是否佩戴有安全带。
具体地，第二处理模块72可将差值A作为横坐标，差值B作为纵坐标，确定出一个坐标点；
如果该坐标点位于右上角坐标为（a，c）、右下角坐标为（a，-d）、左上角坐标为（-b，c）、左下角坐标为（-b，-d）的矩形区域范围内，则确定差值A和差值B既不符合佩戴有安全带时的取值要求，也不符合未佩戴安全带时的取值要求；a、b、c、d均大于0；
如果该坐标点位于矩形区域范围之外，且差值B大于0，则确定差值A和差值B符合佩戴有安全带时的取值要求；
如果该坐标点位于矩形区域范围之外，且差值B小于0，则确定差值A和差值B符合未佩戴安全带时的取值要求。
另外，第一处理模块71可根据待检测图像中的车牌位置，确定出包括车窗的上下界的初始兴趣区域；根据初始兴趣区域中的纹理特点，确定出车窗的上下界位置；根据车牌位置以及车窗的上下界位置，确定出驾驶员搜索区域；在驾驶员搜索区域中进行驾驶员目标定位，从驾驶员搜索区域中确定出驾驶员区域；将驾驶员区域中包含安全带的指定区域作为安全带区域。
较佳地，第一处理模块71可采用头-肩模型来进行驾驶员目标定位。
较佳地，x的取值为45；y的取值为75；m的取值为105；n的取值为135。
总之，采用本发明所述方案，可通过比较不同方向上的梯度信息的差值来确定待检测图像中的驾驶员是否佩戴有安全带，从而克服了现有技术中存在的问题，进而提高了检测结果的准确性；而且，本发明所述方案中采用了先定位车窗位置，再进行驾驶员目标定位的方式，从而提高了定位速度；再有，本发明所述方案中采用头-肩模型来进行驾驶员目标定位，相比于现有技术中采用人脸检测的驾驶员目标定位方式，能够得到更好的定位效果。
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (12)
1.一种检测驾驶员是否佩戴有安全带的方法，其特征在于，包括：
从待检测图像中确定出驾驶员区域和安全带区域；
计算所述驾驶员区域内的x～y度方向上的梯度信息与m～n度方向上的梯度信息的差值A，并计算所述安全带区域内的x～y度方向上的梯度信息与m～n度方向上的梯度信息的差值B；n>m>y>x，n=180-x，m=180-y；
如果所述差值A和所述差值B符合预先设定的佩戴有安全带时的取值要求，则确定所述待检测图像中的驾驶员佩戴有安全带；
如果所述差值A和所述差值B符合预先设定的未佩戴安全带时的取值要求，则确定所述待检测图像中的驾驶员未佩戴安全带。
2.根据权利要求1所述的方法，其特征在于，
该方法进一步包括：如果所述差值A和所述差值B既不符合佩戴有安全带时的取值要求，也不符合未佩戴安全带时的取值要求，则利用预先训练好的支持向量机SVM分类器来确定所述待检测图像中的驾驶员是否佩戴有安全带。
3.根据权利要求2所述的方法，其特征在于，
所述差值A和所述差值B既不符合佩戴有安全带时的取值要求，也不符合未佩戴安全带时的取值要求包括：
将所述差值A作为横坐标，所述差值B作为纵坐标，确定出一个坐标点；
如果所述坐标点位于右上角坐标为（a，c）、右下角坐标为（a，-d）、左上角坐标为（-b，c）、左下角坐标为（-b，-d）的矩形区域范围内，则确定所述差值A和所述差值B既不符合佩戴有安全带时的取值要求，也不符合未佩戴安全带时的取值要求；a、b、c、d均大于0；
所述差值A和所述差值B符合佩戴有安全带时的取值要求包括：所述坐标点位于所述矩形区域范围之外，且所述差值B大于0；
所述差值A和所述差值B符合未佩戴安全带时的取值要求包括：所述坐标点位于所述矩形区域范围之外，且所述差值B小于0。
4.根据权利要求1所述的方法，其特征在于，
所述从待检测图像中确定出驾驶员区域和安全带区域包括：
根据所述待检测图像中的车牌位置，确定出包括车窗的上下界的初始兴趣区域；
根据所述初始兴趣区域中的纹理特点，确定出车窗的上下界位置；
根据所述车牌位置以及所述车窗的上下界位置，确定出驾驶员搜索区域；
在所述驾驶员搜索区域中进行驾驶员目标定位，从所述驾驶员搜索区域中确定出驾驶员区域；
将所述驾驶员区域中包含安全带的指定区域作为所述安全带区域。
5.根据权利要求4所述的方法，其特征在于，
所述进行驾驶员目标定位包括：采用头-肩模型来进行驾驶员目标定位。
6.根据权利要求1～5中任一项所述的方法，其特征在于，
所述x的取值为45；所述y的取值为75；
所述m的取值为105；所述n的取值为135。
7.一种检测驾驶员是否佩戴有安全带的装置，其特征在于，包括：
第一处理模块，用于从待检测图像中确定出驾驶员区域和安全带区域；计算所述驾驶员区域内的x～y度方向上的梯度信息与m～n度方向上的梯度信息的差值A，并计算所述安全带区域内的x～y度方向上的梯度信息与m～n度方向上的梯度信息的差值B；n>m>y>x，n=180-x，m=180-y；将所述差值A和所述差值B发送给第二处理模块；
所述第二处理模块，用于当确定所述差值A和所述差值B符合预先设定的佩戴有安全带时的取值要求时，确定所述待检测图像中的驾驶员佩戴有安全带；当确定所述差值A和所述差值B符合预先设定的未佩戴安全带时的取值要求时，确定所述待检测图像中的驾驶员未佩戴安全带。
8.根据权利要求7所述的装置，其特征在于，
所述第二处理模块进一步用于，当确定所述差值A和所述差值B既不符合佩戴有安全带时的取值要求，也不符合未佩戴安全带时的取值要求时，利用预先训练好的支持向量机SVM分类器来确定所述待检测图像中的驾驶员是否佩戴有安全带。
9.根据权利要求8所述的装置，其特征在于，
所述第二处理模块将所述差值A作为横坐标，所述差值B作为纵坐标，确定出一个坐标点；
如果所述坐标点位于右上角坐标为（a，c）、右下角坐标为（a，-d）、左上角坐标为（-b，c）、左下角坐标为（-b，-d）的矩形区域范围内，则确定所述差值A和所述差值B既不符合佩戴有安全带时的取值要求，也不符合未佩戴安全带时的取值要求；a、b、c、d均大于0；
如果所述坐标点位于所述矩形区域范围之外，且所述差值B大于0，则确定所述差值A和所述差值B符合佩戴有安全带时的取值要求；
如果所述坐标点位于所述矩形区域范围之外，且所述差值B小于0，则确定所述差值A和所述差值B符合未佩戴安全带时的取值要求。
10.根据权利要求7所述的装置，其特征在于，
所述第一处理模块根据所述待检测图像中的车牌位置，确定出包括车窗的上下界的初始兴趣区域；根据所述初始兴趣区域中的纹理特点，确定出车窗的上下界位置；根据所述车牌位置以及所述车窗的上下界位置，确定出驾驶员搜索区域；在所述驾驶员搜索区域中进行驾驶员目标定位，从所述驾驶员搜索区域中确定出驾驶员区域；将所述驾驶员区域中包含安全带的指定区域作为所述安全带区域。
11.根据权利要求10所述的装置，其特征在于，
所述第一处理模块采用头-肩模型来进行驾驶员目标定位。
12.根据权利要求7～11中任一项所述的装置，其特征在于，
所述x的取值为45；所述y的取值为75；
所述m的取值为105；所述n的取值为135。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310674803.0A CN104700066B (zh) | 2013-12-11 | 2013-12-11 | 一种检测驾驶员是否佩戴有安全带的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310674803.0A CN104700066B (zh) | 2013-12-11 | 2013-12-11 | 一种检测驾驶员是否佩戴有安全带的方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104700066A true CN104700066A (zh) | 2015-06-10 |
| CN104700066B CN104700066B (zh) | 2018-02-16 |
Family
ID=53347166
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310674803.0A Active CN104700066B (zh) | 2013-12-11 | 2013-12-11 | 一种检测驾驶员是否佩戴有安全带的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104700066B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105373779A (zh) * | 2015-11-10 | 2016-03-02 | 北京汉王智通科技有限公司 | 一种车辆安全带智能检测方法及智能检测系统 |
| CN105718864A (zh) * | 2016-01-18 | 2016-06-29 | 安徽天盛智能科技有限公司 | 一种机动车驾乘人员在途未系安全带的检测方法 |
| WO2017028587A1 (zh) * | 2015-08-14 | 2017-02-23 | 杭州海康威视数字技术股份有限公司 | 车辆监控的方法和装置、处理器、图像采集设备 |
| CN108162975A (zh) * | 2017-12-11 | 2018-06-15 | 厦门蓝斯通信股份有限公司 | 一种驾驶员身份识别与监管方法及系统 |
| CN108182385A (zh) * | 2017-12-08 | 2018-06-19 | 华南理工大学 | 一种用于智能交通系统的驾驶员安全带佩戴识别方法 |
| CN108470137A (zh) * | 2017-12-13 | 2018-08-31 | 天津天地伟业机器人技术有限公司 | 一种基于视频的汽车遮阳板检测方法 |
| CN110969162A (zh) * | 2019-12-05 | 2020-04-07 | 四川大学 | 一种机动车车窗定位方法 |
| CN112418241A (zh) * | 2019-08-22 | 2021-02-26 | 河海大学常州校区 | 一种基于红外成像技术的电力设备识别方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102750544A (zh) * | 2012-06-01 | 2012-10-24 | 浙江捷尚视觉科技有限公司 | 基于车牌识别的未扣紧安全带违章驾驶检测系统及方法 |
| CN102915640A (zh) * | 2012-10-30 | 2013-02-06 | 武汉烽火众智数字技术有限责任公司 | 基于Hough变换的安全带检测方法 |
| CN102999749A (zh) * | 2012-12-21 | 2013-03-27 | 广东万安科技股份有限公司 | 基于人脸检测的安全带违章事件智能检测方法 |
-
2013
- 2013-12-11 CN CN201310674803.0A patent/CN104700066B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102750544A (zh) * | 2012-06-01 | 2012-10-24 | 浙江捷尚视觉科技有限公司 | 基于车牌识别的未扣紧安全带违章驾驶检测系统及方法 |
| CN102915640A (zh) * | 2012-10-30 | 2013-02-06 | 武汉烽火众智数字技术有限责任公司 | 基于Hough变换的安全带检测方法 |
| CN102999749A (zh) * | 2012-12-21 | 2013-03-27 | 广东万安科技股份有限公司 | 基于人脸检测的安全带违章事件智能检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| HUIWEN GUO等: "Image-based Seat Belt Detection", 《IEEE XPLORE》 * |
| 葛如海等: "基于灰度积分投影的安全带佩戴识别方法", 《汽车工程》 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017028587A1 (zh) * | 2015-08-14 | 2017-02-23 | 杭州海康威视数字技术股份有限公司 | 车辆监控的方法和装置、处理器、图像采集设备 |
| CN106469309A (zh) * | 2015-08-14 | 2017-03-01 | 杭州海康威视数字技术股份有限公司 | 车辆监控的方法和装置、处理器、图像采集设备 |
| CN106469309B (zh) * | 2015-08-14 | 2019-11-12 | 杭州海康威视数字技术股份有限公司 | 车辆监控的方法和装置、处理器、图像采集设备 |
| US11003931B2 (en) | 2015-08-14 | 2021-05-11 | Hangzhou Hikvision Digital Technology Co., Ltd. | Vehicle monitoring method and apparatus, processor, and image acquisition device |
| CN105373779A (zh) * | 2015-11-10 | 2016-03-02 | 北京汉王智通科技有限公司 | 一种车辆安全带智能检测方法及智能检测系统 |
| CN105373779B (zh) * | 2015-11-10 | 2018-09-28 | 北京数字智通科技有限公司 | 一种车辆安全带智能检测方法及智能检测系统 |
| CN105718864A (zh) * | 2016-01-18 | 2016-06-29 | 安徽天盛智能科技有限公司 | 一种机动车驾乘人员在途未系安全带的检测方法 |
| CN108182385B (zh) * | 2017-12-08 | 2020-05-22 | 华南理工大学 | 一种用于智能交通系统的驾驶员安全带佩戴识别方法 |
| CN108182385A (zh) * | 2017-12-08 | 2018-06-19 | 华南理工大学 | 一种用于智能交通系统的驾驶员安全带佩戴识别方法 |
| CN108162975A (zh) * | 2017-12-11 | 2018-06-15 | 厦门蓝斯通信股份有限公司 | 一种驾驶员身份识别与监管方法及系统 |
| CN108470137A (zh) * | 2017-12-13 | 2018-08-31 | 天津天地伟业机器人技术有限公司 | 一种基于视频的汽车遮阳板检测方法 |
| CN108470137B (zh) * | 2017-12-13 | 2022-05-13 | 天地伟业技术有限公司 | 一种基于视频的汽车遮阳板检测方法 |
| CN112418241A (zh) * | 2019-08-22 | 2021-02-26 | 河海大学常州校区 | 一种基于红外成像技术的电力设备识别方法 |
| CN110969162A (zh) * | 2019-12-05 | 2020-04-07 | 四川大学 | 一种机动车车窗定位方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104700066B (zh) | 2018-02-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104700066A (zh) | 一种检测驾驶员是否佩戴有安全带的方法和装置 | |
| CN111212772B (zh) | 用于确定车辆的驾驶策略的方法和设备 | |
| CN205992300U (zh) | 用于提供利用人行横道识别结果的引导信息的电子装置 | |
| US8184159B2 (en) | Forward looking sensor system | |
| KR101605514B1 (ko) | 차선 인식 장치 및 방법 | |
| CN105260699B (zh) | 一种车道线数据的处理方法及装置 | |
| CN101950350B (zh) | 使用分级方法的畅通路径检测 | |
| US9959624B2 (en) | Early detection of turning condition identification using perception technology | |
| CN102789234B (zh) | 基于颜色编码标识的机器人导航方法及系统 | |
| KR101517181B1 (ko) | 차선 이탈 경보 시스템 및 방법 | |
| US20190122059A1 (en) | Signal light detection | |
| Hautière et al. | Real-time disparity contrast combination for onboard estimation of the visibility distance | |
| US9064418B2 (en) | Vehicle-mounted environment recognition apparatus and vehicle-mounted environment recognition system | |
| JP6082802B2 (ja) | 物体検知装置 | |
| Chen et al. | Conflict analytics through the vehicle safety space in mixed traffic flows using UAV image sequences | |
| US8718329B2 (en) | Top-down view classification in clear path detection | |
| CN104778444A (zh) | 道路场景下车辆图像的表观特征分析方法 | |
| CN102938057B (zh) | 一种车辆阴影消除方法及装置 | |
| KR20150084234A (ko) | 차량 및 차선 위치 검출 시스템 및 방법 | |
| CN107463890A (zh) | 一种基于单目前视相机的前车检测与跟踪方法 | |
| JP5943077B2 (ja) | 立体物検出装置および立体物検出方法 | |
| US20110013839A1 (en) | Procede de determination d'une region d'interet dans une image | |
| CN107832674A (zh) | 一种车道线检测方法 | |
| CN106803066A (zh) | 一种基于Hough变换的车辆偏航角确定方法 | |
| CN202911633U (zh) | 基于多信息融合的混合动力车车道标识线动态检测装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20190611 Address after: 201203 2nd Floor, No. 77-78, 887 Lane, Zuchong Road, Zhangjiang High-tech Park, Pudong New Area, Shanghai Patentee after: Gaodewei Intelligent Traffic System Co., Ltd., Shanghai Address before: 310052 Haikang Science Park Building No.1, 700 Dongliu Road, Binjiang District, Hangzhou City, Zhejiang Province Patentee before: Hangzhou Hikvision Digital Technology Co., Ltd. |
|
| TR01 | Transfer of patent right |