国民经济的飞速发展增强了居民对汽车的购买力,但我国居民的交通安全意识仍不足,交通违法行为频现,最终导致机动车事故数量不断攀升,未按规定佩戴安全带是造成大量事故伤亡的重要原因之一。因此,进行准确的安全带识别是智能交通违法识别系统的重要功能之一。针对道路监控视频中驾驶员安全带佩戴状态不易识别的问题,本文对传统的基于图像处理的安全带检测算法进行改进,并提出一种基于弱监督信息的安全带检测算法。改进的基于图像处理的安全带检测算法首先利用Darknet-53网络模型进行车窗定位,生成安全带检测区域图像,对待检测图像进行预处理后利用Canny算子进行边缘检测,最后利用概率霍夫变换提取边缘中的直线段并判断是否属于安全带边缘。改进后的安全带检测算法实现了端到端的车窗检测,且能有效识别安全带,准确率达到81.54%,优于大多数基于图像处理的安全带检测算法。不同于传统的安全带检测方法,本文提出的新方法充分利用了基于弱监督信息的方法对图像中更具区分度的细粒度特征进行挖掘。算法首先利用预训练的Res Net50网络模型提取待检测图像的全局特征,然后计算全局特征的梯度图,通过在梯度最大值附近提取局部区域筛选关键局部,而后再利用预训练的Res Net50网络模型进行局部信息的提取,据此将全局信息和局部信息重构为完整的特征向量,并在此基础上使用XGBoost算法训练分类模型以根据图像信息进行安全带佩戴检测识别。实验结果表明,该算法在道路监控图片数据集上的准确率达到86.5%,与传统的基于图像处理的安全带佩戴检测识别算法相比,本文所提出的新方法更佳。