随着社会迅速进步发展,国内各个重要交通路段都布有卡口监控录像,来监控司机是否规范行车,如检测司机是否佩戴安全带。而对于巨大的卡口监控录像数据量,采用人工监控的方式来判断司机是否佩戴安全带会消耗巨大的人力及财力资源。本文研究基于计算机视觉的方式来检测安全带。从两个方面进行卡口监控的安全带检测的研究:首先本文提出一种利用特殊的特征提取手段构造显著梯度图的方法检测安全带,传统的安全带检测利用Hough变换提取安全带边缘直线进行安全带检测,本文提出梯度突变直线检测法提取安全带边缘直线,方法能排除部分干扰如衣服衣领边缘,条纹边缘和假装佩戴安全带而将安全带置于胸前的行为。剔除相似线段构造出显著梯度图,融合显著梯度图的最长候选线段长度、候选线段个数与候选线段位置特征进行检测。本文将基于Hough变换的安全带检测与本文方法进行了实验对比,结果表明本文方法优于使用传统的Hough变换的方法。本文其次提出基于全卷积神经网络的积分投影方法检测安全带,尝试使用近年来在图像识别领域有较好应用的深度学习方法来检测安全带。对比传统的机器学习方法,深度学习的最大突出点在于可以从大量数据样本中自动地学习特征,最大限度地减少了手工设计特征的复杂性与人为的干预。本文研究深度学习中的全卷积神经网络,利用全卷积神经网络模型对样本图片集合进行训练得到用于检测安全带的模型,之后利用该模型对待检测的图片进行安全带检测。采用积分投影的方式寻找安全带端点检测安全带,利用两个端点所在线段的斜率判断安全带,最后对比其他的方法验证算法具有良好的检测安全带能力。