乘客安全保护方法、装置、设备及存储介质

技术领域

本发明涉及安全保护技术领域，尤其涉及一种乘客安全保护方法、装置、设备及存储介质。

背景技术

安全带被视为确保车内乘客安全的重要装置。在紧急情况下，如碰撞发生时，能够减少乘客的前冲力，降低伤害风险。目前市场上，采用硬件检测设备实现对乘客的安全带佩戴检测占据了较大比例。目前，大多数汽车已经安装了疲劳驾驶监测系统。该系统通过监测驾驶员的行为和生理指标，以识别疲劳驾驶的迹象，并发出警报，提醒驾驶员休息或交替驾驶。疲劳驾驶监测系统通常采用基于机器视觉的方法来实现对驾驶员疲劳驾驶的检测。

然而，现有的乘客安全保护和危险警示方案仍有改进的空间。针对乘客安全带的佩戴检测方法相对有限，基于硬件的安全带检测方法存在较高的漏检率。举例来说，仅使用压力传感器来检测安全带的佩戴容易出现漏报和误报的情况。若乘客未正确佩戴安全带，传统的检测方法准确率较低。

专利申请公布号CN113887291的文献中提出基于安全带掩膜判断安全带边界平行，从而判断安全带佩戴状况。利用霍夫变换，得到安全带的边界的直线方程，通过斜率判断两条边界是否平行。在该方法中若检测对象穿着条纹花样的衣服，检测结果可能受较大影响。

专利申请公布号CN11512341A的文献中给出了一种基于视觉的乘员安全带提醒装置和方法。在该安全带检测方法中，实时检测车速，检测到车速大于零时检测系统开始工作。然而，当车速检测系统出现错误时，安全带检测系统启动方式未考虑。在该方法实施案例中目标检测算法述为

针对紧急情况，目前的乘客安全保护方案还不够完善。在当前技术水平下，车辆座椅的智能程度较低。提高车辆座椅的智能化程度可以更有效地保护乘客的安全。

发明内容

本发明的主要目的在于提供一种乘客安全保护方法、装置、设备及存储介质，旨在解决现有技术乘客安全保护不够完善的技术问题。

为实现上述目的，本发明提供了一种乘客安全保护方法，所述方法包括以下步骤：

获取车辆的当前行驶速度；

在所述当前行驶速度超过预设速度阈值时，启动各检测单元进行检测；

获取检测单元检测的车辆状况数据、车内乘客的图像信息、乘客状态信息以及驾驶员状态数据；

通过所述车辆状况数据、所述图像信息、所述乘客状态信息以及所述驾驶员状态数据中的一种或多种确定车内人员状态；

根据所述车内人员状态执行对应的安全保护。

可选地，通过所述车辆状况数据确定车内人员状态，包括：

对所述车辆状况数据进行预处理，得到处理后的车辆状况数据；

对处理后的车辆状况数据进行特征提取，得到车辆状态和性能特征；

通过预设故障诊断模型对所述车辆状态和性能特征进行故障诊断，得到车辆的故障诊断结果；

根据所述车辆的诊断结果确定车辆风险等级；

通过所述车辆风险等级确定人员状态。

可选地，通过所述图像信息和所述乘客状态信息确定车内人员状态，包括：

根据所述乘客状态信息得到磁场变化信息；

对所述图像信息进行安全带佩戴检测，得到第一安全带佩戴结果；

根据所述磁场变化信息得到第二安全带佩戴结果；

在所述第一安全带佩戴结果和所述第二安全带佩戴结果均为乘客佩戴安全带时，确定车内人员状态为车内人员佩戴安全带状态；

在所述第一安全带佩戴结果或所述第二安全带佩戴结果为乘客未佩戴安全带时，确定车内人员状态为车内人员未佩戴安全带状态。

可选地，所述对所述图像信息进行安全带佩戴检测，得到第一安全带佩戴结果，包括：

获取预设目标检测模型，其中，所述预设目标检测模型中的主干网络为分组卷积层，神经网络为引入空间与通道注意力机制的改进RPN网络；

将所述图像信息输入至所述预设目标检测模型，通过所述预设目标检测模型中的分组卷积层进行特征提取，得到特征图；

通过所述预设目标检测模型中的改进RPN网络对所述特征图进行候选区域生成，得到候选框数据；

对所述候选框进行感兴趣特征提取，得到候选框特征表示；

通过对所述候选框特征表示进行检测，得到每个候选框佩戴安全带的概率的检测结果；

通过改进的非极大值抑制方式对所述检测结果进行非极大值抑制，得到更新检测结果；

通过所述更新检测结果得到第一安全带佩戴结果。

可选地，所述通过所述车辆状况数据、所述图像信息、所述乘客状态信息以及所述驾驶员状态数据中的一种或多种确定车内人员状态之后，还包括：

在所述车内人员状态为车内人员佩戴安全带状态时，根据预设识别模型对所述图像信息进行识别，得到车内人员的身高数据和姿态数据；

获取车厢高度数据；

将所述身高数据与所述车厢高度数据进行比较，计算安全带的调整高度；

根据所述姿态数据对车内人员进行座椅调节；

通过所述调整高度对车内人员佩戴的安全带进行调节。

可选地，通过所述驾驶员状态数据确定车内人员状态，包括：

根据所述驾驶员状态数据得到驾驶员心率变化数据、呼吸频率数据、血氧保护度数据、体温数据、身体姿态数据、注视点数据以及眨眼频率数据；

对所述驾驶员心率变化数据、所述呼吸频率数据、所述血氧保护度数据、所述体温数据、所述身体姿态数据、所述注视点数据以及眨眼频率数据进行分析，得到驾驶状态检测结果；

根据所述驾驶状态检测结果得到驾驶风险等级；

通过所述驾驶风险等级确定车内人员状态。

可选地，所述根据所述车内人员状态执行对应的安全保护，包括：

在所述车内人员状态为危险状态或车内人员未佩戴安全带时，启动警示提醒单元进行车辆故障提醒或开启安全保护单元对车内人员进行保护。

此外，为实现上述目的，本发明还提出一种乘客安全保护装置，所述乘客安全保护装置包括：

获取模块，用于获取车辆的当前行驶速度；

启动模块，用于在所述当前行驶速度超过预设速度阈值时，启动各检测单元进行检测；

所述获取模块，还用于获取检测单元检测的车辆状况数据、车内乘客的图像信息、乘客状态信息以及驾驶员状态数据；

确定模块，用于通过所述车辆状况数据、所述图像信息、所述乘客状态信息以及所述驾驶员状态数据中的一种或多种确定车内人员状态；

保护模块，用于根据所述车内人员状态执行对应的安全保护。

此外，为实现上述目的，本发明还提出一种乘客安全保护设备，所述乘客安全保护设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的乘客安全保护程序，所述乘客安全保护程序配置为实现如上文所述的乘客安全保护方法的步骤。

此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有乘客安全保护程序，所述乘客安全保护程序被处理器执行时实现如上文所述的乘客安全保护方法的步骤。

本发明通过获取车辆的当前行驶速度；在所述当前行驶速度超过预设速度阈值时，启动各检测单元进行检测；获取检测单元检测的车辆状况数据、车内乘客的图像信息、乘客状态信息以及驾驶员状态数据；通过所述车辆状况数据、所述图像信息、所述乘客状态信息以及所述驾驶员状态数据中的一种或多种确定车内人员状态；根据所述车内人员状态执行对应的安全保护，综合考虑到乘客状态检测、驾驶员状态检测、车辆状况检测，从而最大程度上保护乘客安全，提高乘客安全保护的效果。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的乘客安全保护设备的结构示意图；

图2为本发明乘客安全保护方法第一实施例的流程示意图；

图3为本发明乘客安全保护方法中的乘客安全保护系统的结构示意图；

图4为本发明乘客安全保护方法第二实施例的流程示意图；

图5为本发明乘客安全保护方法第三实施例的流程示意图；

图6为本发明乘客安全保护方法一实施例的车速达到阈值的安全带检测流程示意图；

图7为本发明乘客安全保护方法一实施例的驾驶员手动开启安全带检测流程示意图；

图8为本发明乘客安全保护方法一实施例的安全带检测流程示意图；

图9为本发明乘客安全保护方法一实施例的通过预设目标检测模型进行安全带检测的流程示意图；

图10为本发明乘客安全保护方法第四实施例的流程示意图；

图11为本发明乘客安全保护方法一实施例的整体流程示意图；

图12为本发明乘客安全保护装置第一实施例的结构框图。

附图标号说明：

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

参照图1，图1为本发明实施例方案涉及的硬件运行环境的乘客安全保护设备结构示意图。

如图1所示，该乘客安全保护设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity，Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的结构并不构成对乘客安全保护设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及乘客安全保护程序。

在图1所示的乘客安全保护设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明乘客安全保护设备中的处理器1001、存储器1005可以设置在乘客安全保护设备中，所述乘客安全保护设备通过处理器1001调用存储器1005中存储的乘客安全保护程序，并执行本发明实施例提供的乘客安全保护方法。

本发明实施例提供了一种乘客安全保护方法，参照图2，图2为本发明乘客安全保护方法第一实施例的流程示意图。

本实施例中，所述乘客安全保护方法包括以下步骤：

步骤S10：获取车辆的当前行驶速度。

需要说明的是，本实施例的执行主体可为乘客安全保护系统，还可为其他可实现相同或显示功能的设备或系统，本实施例对此不作限制，本实施例以乘客安全保护系统为例进行说明。

如图3所示，图3为乘客安全保护系统的结构示意图，本实施例中乘客安全保护系统包括有车辆状况检测单元1、车速监测单元2、信息采集单元3、信息存储单元4、驾驶员状态检测单元5、安全带检测单元6、警示提醒单元7、安全保护单元8、处理器9以及智能座椅调控单元10。

信息采集单元3工作，利用车内各类传感器实现对车辆状况的数据采集，采用多个红外摄像头实现车辆内部乘客和驾驶员位置图像信息采集。利用可测量生命体征的多功能方向盘和集成眼动传感器的仪表显示器获取检测驾驶员生命体征信息的数据。信息采集结束后将传输至信息存储单元4。

信息存储单元4中包含大量且不同类型的数据，将数据根据不同类型进行分类，以便后续进行不同的检测时可快速获取其所需数据。分类方法可采用SVM算法但不限于该方法，SVM算法主要用于分类问题。在分类问题中，SVM试图找到一个决策边界或超平面，将数据分为两个或多个类别，适用于本申请中多类别分类。

将采集的图像信息单独分类，并使用适当的图像处理和存储方法进行管理。这可以包括图像压缩、索引、标记或其他图像处理操作，以便于后续的检索和分析。对于图像信息需要对其座位顺序进行标记，便于后续统计监测结果，监测结果进行精准播报，提醒乘客佩戴安全带。将存储器中的驾驶员生命体征数据单独分类。涉及将心率、呼吸、血氧饱和度、体温等生理参数提取和存储，并可以应用相应的数据处理算法进行分析和监测。车辆车况数据单独分类，包括车辆的行驶数据、速度、转向角度、加速度、制动状态等信息。这些数据可以用于车辆性能评估、故障诊断和维护等方面。

车况检测单元1提取信息存储单元4中实现车况检测的所需数据信息，依次作为车况检测的判断依据。车况检测单元1主要实现的功能为车辆的故障诊断和预测维护。

驾驶员状态检测单元5提取信息存储单元4中实现驾驶员状况检测的所需数据信息，依次作为驾驶员状况检测的判断依据。

安全带检测单元6提取信息存储单元4中实现驾驶员和乘客安全带检测的所需的数据信息，依次作为安全带检测的判断依据。

车速监测单元2是对车辆当前车速进行监测，当车速达到阈值，车辆自动开启安全带检测单元6、车况检测单元1、驾驶员状态检测单元5和智能座椅调控单元10。另外除车速到达阈值后自动开启各检测单元，安全带检测单元6亦可手动开启，驾驶员在行车之前手动开启安全带检测单元6。

安全保护单元8功能是实现大客车安全平稳停靠。将自动驾驶技术应用于该单元实现大客车安全平稳停靠。启动安全保护单元8开启双闪警示其他车辆，车辆自动驾驶至安全路段后，在控制车辆稳定的状况下实现制动，完成安全平稳停靠。

警示提醒单元7包含客车语音播报系统和客车中控台显示，其针对车况检测单元1、驾驶员状态检测单元5和安全带检测单元6的检测结果做出反馈。安全带检测结果进行语音播报和驾驶员中控台显示。若驾驶员状态检测单元或车况检测单元的检测结果等级为高风险，警示提醒单元启动相应程序，车辆将自动启用安全保护单元8。

处理器9通过解释和执行存储在内存中的指令集，控制计算机系统的操作。根据程序中的指令顺序和条件，控制数据的流动、存储器的读写、输入输出设备的操作等，从而实现计算机系统的整体控制。

智能座椅调控单元10集成了智能安全气囊系统、自动调整安全带系统和座椅联动安全系统，为乘客提供了卓越的保护和乘坐体验。提取信息存储单元4中实现智能座椅调控单元的所需的数据信息。

在车辆行驶时，通过乘客安全保护系统中的车速监测单元2对车辆的当前车速进行监测，得到车辆的当前行驶速度。

步骤S20：在所述当前行驶速度超过预设速度阈值时，自动启动各检测单元进行检测。

需要说明的是，可提前设置预设速度阈值，预设速度阈值为安全速度值，例如10km/h、15km/h等，通过将当前行驶速度与预设速度阈值进行比较，在当前行驶速度超过预设速度阈值时，车辆的行驶速度较快，若此时车辆出现故障或乘客未佩戴安全带，容易发生危险，则可启动各个检测单元进行检测，具体包括车况检测单元1、驾驶员状态检测单元5、安全带检测单元6。

通过车况检测单元1检测车辆的车辆状况数据，驾驶员状态检测单元5检测驾驶员的状态，安全带检测单元6可检测乘客的安全带佩戴情况，包括有磁场传感器的检测数据以及图像采集器采集的图像信息。

步骤S30：获取检测单元检测的车辆状况数据、车内乘客的图像信息、乘客状态信息以及驾驶员状态数据。

需要说明的是，可获取各检测单元的车辆状况数据、车内乘客的图像信息、乘客状态信息以及驾驶员状态数据，车辆状况数据包括有车辆的行驶数据、速度、转向角度、加速度、制动状态等信息。驾驶员状态数据包括驾驶员的生命体征数据，车内乘客的图像信息包括有车内乘客的位置、姿态等，乘客状态信息包括磁场传感器的变化信息，磁性传感器是感知磁场变化，利用该特性在安全带扣或连接处安装磁性传感器，确保磁性传感器与安全带之间有足够的接触。当乘客佩戴安全带时，磁性传感器能够检测到磁场的变化。换言之，如果磁性传感器检测到磁场变化，则表示乘客佩戴安全带；若没有检测到磁场变化，则表示安全带未正确佩戴。

可通过在车厢内安装多个红外摄像头，安装于车厢顶部，安装角度和位置不能漏掉任何一个座椅区域，确保能采集到每一位乘客的图像信息，该图像的内容须包含乘客上半身区域，即乘客安全带佩戴区域。

步骤S40：通过所述车辆状况数据、所述图像信息、所述乘客状态信息以及所述驾驶员状态数据中的一种或多种确定车内人员状态。

在具体实施中，可通过车辆状态数据、图像信息、乘客状态信息以及所述驾驶员状态数据中的一种或多种确定车内人员状态，例如通过车辆状态数据确定车辆状况，在车辆存在高风险时，确定车内人员状态为危险状态，或通过驾驶员状态数据确定驾驶员状态，当驾驶员状态为高风险时，确定车内人员状态为危险状态等。车内人员状态还可包括车内人员佩戴安全带状态和车内人员未佩戴安全带状态。

可选地，在确定车内人员状态后，还可根据车内人员状态进行对应的调整或保护，则在步骤S40之后，还包括：在所述车内人员状态为车内人员佩戴安全带状态时，根据预设识别模型对所述图像信息进行识别，得到车内人员的身高数据和姿态数据；获取车厢高度数据；将所述身高数据与所述车厢高度数据进行比较，计算安全带的调整高度；根据所述姿态数据对车内人员进行座椅调节；通过所述调整高度对车内人员佩戴的安全带进行调节。

需要说明的是，根据车内人员状态进行对应的调整可通过智能座椅调控单元10实现，智能座椅调控单元10集成了智能安全气囊系统、自动调整安全带系统和座椅联动安全系统，自动调整安全带系统能够根据不同乘客的身高、体型、坐姿智能调整安全带的高度和松紧程度，使安全带贴合乘客身体，提高安全带的保护效果。座椅联动安全系统是一项集座椅调节和安全防护功能于一体的智能化系统，它可以根据车载乘员的情况自动调节座椅，提供更舒适的乘坐体验，同时，在发生碰撞时，系统也能够自动展开安全设备，保证车内人员的安全和健康。座椅联动安全系统能够与智能安全气囊系统和自动调整安全带系统相互配合。智能座椅调控单元通过使用深度学习技术和传感器数据，进行智能化升级，使其更加准确、自适应和可靠。

智能安全气囊系统的实现在大客车的车身周围安装多个碰撞传感器和车载内外摄像头，实时监测车辆的运行状态、车速、方向、周围环境和乘客数据采集。利用深度神经网络对传感器采集到的乘客数据进行分析和处理，提取出乘客的状态，一旦检测到乘客出现危险情况，就可以自动展开安全气囊。

自动调整安全带系统可通过将图像信息输入值预设识别模型进行识别，预设识别模型可提前采集车载乘员的身体特征、姿态、状态等相关数据，可以通过摄像头或其他传感器来进行数据采集，并将采集到的数据输入至深度学习技术训练，得到预设识别模型，从而通过预设识别模型对图像信息中的车内人员的身高数据和姿态数据进行识别，得到车内人员的身高数据和姿态数据，最为合适的深度学习模型是YOLOv5，因此本申请采用基于YOLOv5模型实现智能座椅调控单元中所需的图像识别的功能，具体包括：利用信息采集单元3所收集车辆驾驶员和乘客的身高、体型、姿态、状态、安全带位置以及传感器数据等信息，信息存储到信息存储单元4中，信息存储单元4并将其整合到一个数据集中。对数据进行清洗和预处理，包括移除缺失数据和标准化等处理。训练YOLOv5模型：根据数据训练一个检测器模型，用于自动检测乘客的状态、身高、体型和安全带的位置等信息。将训练好的模型在特定场景下进行微调，以适应目标检测的环境。将训练好的模型部署到嵌入式设备中，通过传感器的读取和图像的处理，进行安全带的调节和座椅的调节。

在具体实施中，可通过设置高度检测传感器得到车厢高度数据，从而将身高数据与车厢高度数据进行比较，计算安全带的调整高度，例如根据车厢高度数据与身高数据计算高度差，从而计算安全带的调整高度，并根据车内人员的姿态数据对车内人员的座椅进行调节，根据安全带的调整高度对车内人员佩戴的安全带进行调节，根据乘客的身体参数和位置进行智能调整，以确保最佳的安全性和舒适性。确保安全带正确贴合乘客身体，提供最佳的保护效果。

为了提高YOLOv5模型的检测精度和速度，在模型结构方面，本申请提出改进YOLOv5的neck网络结构和backbone网络结构。

YOLOv5采用的主干网络结构是CSPNet，可以考虑增加主干网络的深度和宽度，同时对网络结构进行优化和改进，以提高特征提取的效率和精度。在backbone网络中引入注意力机制，可以提高网络特征的关注度，进而提高模型的表达能力。采用更加先进的卷积结构，可使用HRNet模块实现，它是高分辨率网络结构，即同时保持网络深度和低分辨率特征的同时，又将多个ResNet模块的特征提取结果进行融合。

YOLOv5采用的neck网络结构是FPN(Feature Pyramid Network)和PAN(PathAggregation Network)的组合，可以考虑优化其结构和参数，以提高特征金字塔的精度和有效性。可以通过更改PAN和FPN的结构来提高neck网络的性能。例如，在PAN中使用具有多个刻度的金字塔降采样(PPM)，可在多个尺度上更好地捕获不同层次的特征，从而提高检测精度。可以通过组合不同的特征融合机制来提高neck网络的性能。例如，在FPN中同时使用特征汇聚和特征金字塔，可以同时利用不同架构的优势，形成更加强大的特征表达能力。

当通过YOLOv5算法检测出结果后，通过STM32芯片上的GPIO引脚或专用外设接口实现对硬件驱动的控制，通过控制这些硬件驱动的方式，可以实现座椅的角度调整、座椅支撑力的调节以及安全气囊的充气等动作。

嵌入式系统具有实时响应、数据处理能力强等特点，可以支持智能安全气囊系统、自动调整安全带系统和座椅联动安全系统进行更智能化的操作和管理。本申请引入嵌入式系统实现智能座椅调控单元的功能。首先选择适合用于该单元的嵌入式系统。嵌入式系统需要具备充足的计算能力，对传感器信号的采集和处理能力较强，并能够方便地进行模型的部署和更新，使用STM32系列微控制器，其具有低功耗、高性能和强大的扩展性能等特点。将所训练好的深度学习模型部署到嵌入式系统中，并将收集的传感器数据输入到模型中。模型的集成需要考虑嵌入式系统的资源限制和计算能力，确保模型的运行速度和准确性。设计嵌入式系统的接口，可以使用LCD显示屏或其他人机交互方式，实现设置、调整和显示乘客佩戴安全带高度的信息和状态。

可通过车载控制器控制电子马达调整座椅安全带的高度，从而适应不同乘客的身高需求，当检测到存在碰撞危险时，还可控制智能安全气囊系统自动展开安全气囊，提升用户的安全。

座椅联动安全系统需要采集车载乘员的身体特征、姿态、状态等相关数据，可以通过摄像头或其他传感器来进行数据采集。通过深度学习技术训练完成的模型，就可以在座椅联动安全系统的实际应用过程中实时运用，根据乘客身体数据来调整座椅高度、固定力度等参数，在需要时自动展开安全设备。自动调整安全带系统的实现首先需要装配车载传感器，以检测不同乘客的身高、体型和坐姿等信息。可以选择安装在座位顶部或者靠背上的传感器，通过红外线或者声波等常见技术，对顶部的传感器进行传感处理后即可检测到乘客的身高数据。

步骤S50：根据所述车内人员状态执行对应的安全保护。

应理解的是，可根据车内人员状态执行对应的安全保护。

可选地，在所述车内人员状态为危险状态或车内人员未佩戴安全带时，启动警示提醒单元进行车辆故障提醒或开启安全保护单元对车内人员进行保护。

例如车内人员状态为危险状态，可确定车内人员为危险状态的具体原因，若是车辆故障，可通过警示提醒单元7进行警示提醒，并进行部件更换或必要的维修工作，以减少故障风险和维修成本，降低客车事故发生的概率，最大程度上保护乘客安全，若是乘客未佩戴安全带导致的危险的状态，则可通过警示提醒单元7提醒车内乘客佩戴安全带。若检测到车辆存在碰撞风险，则控制安全气囊自动弹开，对用户进行保护。

本实施例通过获取车辆的当前行驶速度；在所述当前行驶速度超过预设速度阈值时，启动各检测单元进行检测；获取检测单元检测的车辆状况数据、车内乘客的图像信息、乘客状态信息以及驾驶员状态数据；通过所述车辆状况数据、所述图像信息、所述乘客状态信息以及所述驾驶员状态数据中的一种或多种确定车内人员状态；根据所述车内人员状态执行对应的安全保护，综合考虑到乘客状态检测、驾驶员状态检测、车辆状况检测，从而最大程度上保护乘客安全，提高乘客安全保护的效果。

参考图4，图4为本发明乘客安全保护方法第二实施例的流程示意图。

基于上述第一实施例，本实施例乘客安全保护方法所述步骤S40，具体包括：

步骤S401：对所述车辆状况数据进行预处理，得到处理后的车辆状况数据。

需要说明的是，若通过车辆状况数据确定车内人员状态，则可利用传感器数据采集、机器学习和数据分析等技术，实现对车辆系统的实时监测和故障诊断。针对制动系统、悬挂系统、转向系统和发动机系统等系统的故障诊断和预测。若制动系统出现故障可能导致制动失效或制动力不足，停车距离增大，事故发生风险增加，对乘客的安全构成威胁。若悬挂系统出现故障可能导致车辆悬挂失去正常的减震和稳定性能，使乘客在行驶中感受到明显的颠簸和不舒适，甚至会影响车辆的操控稳定性，增加翻车或失控的风险。若转向系统发生故障可能导致方向盘失去控制，车辆无法正常转向，甚至可能发生急转弯或漂移，对乘客的安全构成严重威胁。若发动机系统发生故障可能导致车辆失去动力，车辆在道路上突然停止，增加后方车辆追尾的风险。还有电气系统、轮胎状态和排放系统等检测对象，它们的故障可能会对乘客的安全产生一定的影响。由于每个系统的故障影响因素和后果不同，在行驶过程中对所有系统进行综合检测和监测，以确保乘客的安全。利用传感器来采集与车辆系统相关的数据，如制动压力传感器、加速度传感器、转向角传感器等。这些传感器可以实时监测车辆各个系统的状态和参数，可以及时检测并诊断车辆存在的故障。

在具体实施中，对采集到的车辆状况数据进行预处理，预处理可包括数据清洗、噪声过滤、数据校准等。预处理可以提高数据的质量和准确性，为后续的分析和诊断提供可靠的数据基础。

步骤S402：对处理后的车辆状况数据进行特征提取，得到车辆状态和性能特征。

需要说明的是，在经过预处理后的数据中提取可以反映车辆系统的状态和性能的有用特征，从而将复杂的传感器数据转化为可供分析和诊断的有效信息。因此可通过对预处理后的车辆状况数据进行特征提取，得到可供分析和诊断的车辆状态和性能特征。

步骤S403：通过预设故障诊断模型对所述车辆状态和性能特征进行故障诊断，得到车辆的故障诊断结果。

可以理解的是，利用智能算法和模型对提取的特征进行分析和诊断，利用机器学习、深度学习等智能算法和模型可实现，可以采用监督学习、无监督学习、时序分析等方法，构建合适的模型来学习车辆系统的正常和异常模式。不同的系统具有不同的数据特征和故障模式，因此需要根据具体情况选择最适合的智能算法和模型来进行诊断。例如制动系统，可以使用机器学习算法(如支持向量机、随机森林)或深度学习模型(如卷积神经网络)来处理制动系统的传感器数据，以实现故障的分类和检测。这是因为制动系统故障的诊断通常涉及对传感器数据进行模式识别和分类，以区分正常运行和故障状态。因此可提前收集样本数据进行模型训练，得到预设故障诊断模型。

在具体实施中，可根据训练好的预设故障诊断模型对车辆系统进行故障诊断和预测，通过与已知故障样本进行比对，可以判断车辆系统是否存在故障，并对故障进行分类和定位。若信号与已知样本对比无法判断该系统是否存在故障或无法对故障进行分类和定位时，将该未知信号传导至云端平台。同时，可以利用模型对未来可能发生的故障进行预测，提前采取相应的维修和保养措施。

步骤S404：根据所述车辆的诊断结果确定车辆风险等级。

在本实施例中，可将故障诊断和预测结果以可视化或报警的形式输出给相关人员，警示提醒单元7进行警示提醒。例如将车辆的诊断结果划分为高、中、低三个风险级别。若车辆的诊断结果为高风险时，车辆自动开启安全保护单元8。检测结果为中风险或低风险时，警示提醒单元7进行警示提醒。

步骤S405：通过所述车辆风险等级确定人员状态。

在具体实施中，若车辆风险等级为高风险或中风险，则可确定人员状态为危险状态，需要执行相应的保护。若车辆风险等级为低风险，则可确定人员状态为安全状态，当前无需执行保护，可继续对车辆状况数据进行检测。

当车辆风险等级为中风险或高风险时，可提前更换部件或进行必要的维修工作，以减少故障风险和维修成本，降低客车事故发生的概率，最大程度上保护乘客安全。

云端平台可以提供强大的计算和存储资源，以及丰富的数据库和专家知识，可以用于处理车端无法检测出的未知信号，进行故障原因和故障点的诊断。将车端无法检测出的未知信号通过网络传输至云端平台。通过无线通信方式，利用移动网络或车载Wi-Fi，将数据发送到云端服务器。云端平台接收并存储从车端传输的未知信号数据。基于云端平台的数据库和专家知识，使用算法和模型进行故障诊断和判断。可以采用机器学习、深度学习或专家系统等方法，结合历史数据和专家经验，对未知信号进行故障原因和故障点的判断。将诊断结果反馈给车端，以便采取相应的修复措施。通过云端平台将诊断结果传输回车辆，并显示在车载终端或车辆控制系统上，警示提醒单元7进行警示提醒，供驾驶员或维修人员参考。利用云端平台的强大计算和存储能力，以及丰富的数据库和专家知识，提高故障诊断的准确性和效率。同时，云端平台还可以实现故障数据的集中管理和分析，为故障预测、维修计划和大数据分析等提供支持。

本实施例对所述车辆状况数据进行预处理，得到处理后的车辆状况数据；对处理后的车辆状况数据进行特征提取，得到车辆状态和性能特征；通过预设故障诊断模型对所述车辆状态和性能特征进行故障诊断，得到车辆的故障诊断结果；根据所述车辆的诊断结果确定车辆风险等级；通过所述车辆风险等级确定人员状态，可根据车辆状况数据快速确定车内乘客的安全状态，从而方便执行相对应的安全保护，提高安全保护的效果。

参考图5，图5为本发明乘客安全保护方法第三实施例的流程示意图。

基于上述第一实施例，本实施例乘客安全保护方法所述步骤S40，具体包括：

步骤S401'：根据所述乘客状态信息得到磁场变化信息。

需要说明的是，当车速达到设定的阈值时，可启动安全带检测单元，从而对车内乘客进行安全带佩戴检测，以对乘客的安全状态执行对应的保护措施，如图6所示，图6为车速达到阈值的安全带检测流程示意图，在车速达到阈值时，进行图像信息采集以及图像信息存储，从而进行安全带检测，通过获取磁力传感器的数据，结合磁力传感器数据以及图像信息检测数据综合检测乘客是否佩戴安全带，若检测到用户佩戴安全带，则无需进行提醒，若检测到用户未佩戴安全带，则语音播报提醒并在中控台的位置显示未佩戴安全带的用户的位置，提高用户的安全。

在具体实施中，安全带检测单元还可由驾驶员手动开启，在车辆行驶之前，驾驶员手动开启系统进行。检测如图7所示，图7为驾驶员手动开启安全带检测流程示意图，当驾驶员手动开启安全带检测单元后，可进行图像信息采集以及图像信息存储，并通过获取磁力传感器的数据，结合磁力传感器数据以及图像信息检测数据综合检测乘客是否佩戴安全带，若检测到用户佩戴安全带，则无需进行提醒，若检测到用户未佩戴安全带，则语音播报提醒并在中控台的位置显示未佩戴安全带的用户的位置，提高用户的安全。

需要说明的是，乘客状态信息包括有磁场变化信息，磁场变化信息为磁场传感器检测数据，磁场变化信息可包括磁场发生变化或磁场未发生变化。

步骤S402'：对所述图像信息进行安全带佩戴检测，得到第一安全带佩戴结果。

在具体实施中，可通过基于深度学习的方法对获取的图像信息进行识别，从而实现对图像或视频中的乘客进行目标检测和定位，确定乘客的位置，根据乘客的位置确定乘客是否佩戴安全带，第一安全带佩戴结果。

第一安全带佩戴结果为根据图像信息检测得到的用户是否佩戴安全带的检测结果。

可选地，对图像信息进行安全带佩戴检测的过程包括：获取预设目标检测模型，其中，所述预设目标检测模型中的主干网络为分组卷积层，神经网络为引入空间与通道注意力机制的改进RPN网络；

需要说明的是，预设目标检测模型可为改进的Faster R-CNN网络模型，在进行安全带佩戴检测时，首先是乘客检测，检测座位上是否有乘客，若有乘客再检测乘客是否佩戴安全带，如图8所示，图8为安全带检测流程示意图，通过获取采集的图像信息，先通过检测图像信息确定人像区域，再通过人像区域进行安全带佩戴检测。两个不同的目标检测任务，且两个任务又有一定的关联性，前一任务的输出结果是后一任务的输入。

改进的Faster R-CNN网络模型中的算法是一个端到端的目标检测算法，相比于传统的两阶段方法，Faster R-CNN检测速度有显著提升，实现更快的目标检测。基于改进的Faster R-CNN算法，设计一个端到端的模型，从输入的图像中直接检测乘客的位置并判断乘客是否佩戴安全带。这样的端到端模型可以在同一个网络中实现，减少了处理步骤和复杂性，同时可以更好地学习图像中的特征和关联信息，以提高检测准确性。

在具体实施中，可引入ResNeXt网络架构，即分组卷积层，并将ResNeXt网络架构作为预设目标检测模型中的主干网络，ResNeXt网络架构采用了密集连接和多个分支的结构，可以提供更强大的特征表示能力，使得Faster R-CNN算法能够更好地捕捉目标的细节和上下文信息，从而提高目标检测的准确性。

需要说明的是，预设目标检测模型中的神经网络为引入空间与通道注意力机制的改进RPN网络，通过使用空间注意力或通道注意力机制，使RPN在生成候选框时更加关注目标物体所在的区域。对候选框的生成过程进行优化，使得生成的候选框更加集中在目标物体周围，减少了对背景和无关区域的关注，提高了候选框的准确性。

在具体实施中，将所述图像信息输入至所述预设目标检测模型，通过所述预设目标检测模型中的分组卷积层进行特征提取，得到特征图；通过所述预设目标检测模型中的改进RPN网络对所述特征图进行候选区域生成，得到候选框数据；对所述候选框进行感兴趣特征提取，得到候选框特征表示；通过对所述候选框特征表示进行检测，得到每个候选框佩戴安全带的概率的检测结果；通过改进的非极大值抑制方式对所述检测结果进行非极大值抑制，得到更新检测结果；通过所述更新检测结果得到第一安全带佩戴结果。

需要说明的是，通过将收集的图像信息输入至预设目标检测模型，从而通过预设目标检测模型中的分组卷积层进行特征提取，得到特征图，并通过改进后的RPN网络生成候选框，RPN将根据候选框的预测得分对它们进行排序，选出具有最高得分的候选框，通过将候选框进行感兴趣特征提取，将选出的候选框作为感兴趣区域(Region of Interest，ROI)，通过ROI池化从特征图中提取每个候选框的固定大小的特征表示，即候选框特征表示。

在得到每个候选框的特征表示后，使用分类器来判断乘客是否佩戴安全带。可以通过添加一个全连接层和softmax激活函数来实现。分类器输出每个候选框属于佩戴安全带和未佩戴安全带的概率。并采用soft-NMS方法对检测结果进行非极大值抑制。soft-NMS是一种改进的非极大值抑制方法，它减少了传统NMS中检测框得分的突变，并对重叠区域进行更加准确的处理。从而可得到检测的目标类别以及相应的边界框的第一安全带佩戴结果，目标类别为乘客佩戴安全带或未佩戴安全带。

如图9所示，图9为通过预设目标检测模型进行安全带检测的流程示意图，步骤1为数据集获取，通过收集包含有乘客和安全带标注的训练数据集，从而构建预设目标检测模型，使用预设目标检测模型中的ResNeXt网络进行特征提取，步骤2为将图像输入网络，提取图像的特征图，步骤3为采用改进后的RPN网络生成候选框，步骤4为将选出的候选框作为感兴趣区域，步骤5为分类器来判断乘客是否佩戴安全带，输出每个候选框属于佩戴安全带和未佩戴安全带的概率，步骤6为采用soft-NMS方法对检测结果进行非极大值抑制，步骤7为输出检测到的目标类别和相应的边界框。

步骤S403'：根据所述磁场变化信息得到第二安全带佩戴结果。

在具体实施中，第二安全带佩戴结果为根据磁场变化信息得到是用户是否佩戴安全带的结果，包括与用户佩戴安全带或用户未佩戴安全带。

步骤S404'：在所述第一安全带佩戴结果和所述第二安全带佩戴结果均为乘客佩戴安全带时，确定车内人员状态为车内人员佩戴安全带状态。

在具体实施中，在第一安全带佩戴结果和第二安全带佩戴结果均为用户佩戴安全带，则判定车内人员正确佩戴安全带。

步骤S405'：在所述第一安全带佩戴结果或所述第二安全带佩戴结果为乘客未佩戴安全带时，确定车内人员状态为车内人员未佩戴安全带状态。

在具体实施中，若第一安全带佩戴结果和所述第二安全带佩戴结果中有一个为车内人员未佩戴安全带，则判定该人员未正确佩戴安全带，警示提醒单元7可进行语音播报：“XX号乘客请您正确佩戴安全带。安全带，生命带！”。

本实施例根据所述乘客状态信息得到磁场变化信息；对所述图像信息进行安全带佩戴检测，得到第一安全带佩戴结果；根据所述磁场变化信息得到第二安全带佩戴结果；在所述第一安全带佩戴结果和所述第二安全带佩戴结果均为乘客佩戴安全带时，确定车内人员状态为车内人员佩戴安全带状态；在所述第一安全带佩戴结果或所述第二安全带佩戴结果为乘客未佩戴安全带时，确定车内人员状态为车内人员未佩戴安全带状态，通过第一安全带佩戴结果和第二安全带佩戴结果综合检测车内人员的安全带佩戴情况，提高检测的准确性。

参考图10，图10为本发明乘客安全保护方法第四实施例的流程示意图。

基于上述第一实施例，本实施例乘客安全保护方法所述步骤S40，具体包括：

步骤S401”：根据所述驾驶员状态数据得到驾驶员心率变化数据、呼吸频率数据、血氧保护度数据、体温数据、身体姿态数据、注视点数据以及眨眼频率数据。

需要说明的是，驾驶员状态数据包括有驾驶员心率变化数据、呼吸频率数据、血氧保护度数据、体温数据、身体姿态数据、注视点数据以及眨眼频率数据，如果驾驶员出现疲劳、心率异常或其他健康问题，可以及时采取措施，减少事故风险。监控驾驶员的生命体征可以帮助检测疲劳驾驶的迹象，如心率变化、眼动模式等。

驾驶员状态检测单元5首先提取信息存储单元4中实现驾驶员状况检测的所需数据信息。信息采集单元3实现驾驶员状态数据获取的设备为多功能方向盘和集成眼动传感器的仪表显示器，采集的数据信息包含心率变化、呼吸频率和深度、血氧饱和度、体温、身体姿势和姿态、注视点和眨眼频率。多功能方向盘上可以集成心率传感器、呼吸传感器、血氧传感器、温度传感器和姿势传感器。集成眼动传感器的仪表显示器实现获取驾驶员的注视点和眨眼频率。

步骤S402”：对所述驾驶员心率变化数据、所述呼吸频率数据、所述血氧保护度数据、所述体温数据、所述身体姿态数据、所述注视点数据以及眨眼频率数据进行分析，得到驾驶状态检测结果。

在具体实施中，可对获取到的驾驶员状态数据进行分析处理，从而得到驾驶状态检测结果。

步骤S403”：根据所述驾驶状态检测结果得到驾驶风险等级。

应理解的是，可将驾驶状态检测结果划分为三个风险等级，例如高中低三个级别。

步骤S404”：通过所述驾驶风险等级确定车内人员状态。

在具体实施中，可根据驾驶风险等级确定车内人员状态，例如驾驶员状态检测结果为低风险，检测到驾驶员的生命体征状态良好，专注于驾驶任务，保持良好的注意力和反应能力，处于正常的注意力和反应水平，没有明显的风险因素。则车内人员状态为安全状态。

若驾驶员状态检测结果为中风险，检测到驾驶员疲劳或昏昏欲睡，分心、注意力不集中，面临一定的压力或紧张感，则车内人员状态为危险状态，此时警示提醒单元7对驾驶员进行提醒，语音播报“当前您的驾驶状态检测结果为中风险，请您注意集中注意力，安全驾驶，请勿疲劳驾驶！”。

驾驶员状态检测结果为高风险，心率检测结果异常，昏迷或昏睡，重度身体状况不适等，可能面临较高的事故风险，则车内人员状态为危险状态。此时警示提醒单元7对驾驶员进行提醒，语音播报“当前您的驾驶状态检测结果为高风险，请您注意集中注意力，请勿疲劳驾驶，若您感到身体不适，请立即靠边停车！”。当检测结果显示驾驶员生命体征已无法实现自主驾驶，车辆启动安全保护单元8，进行车内人员安全保护。

如图11所示，图11为乘客安全保护方法的整体流程示意图，车速监测单元检测车速，确定车速是否达到阈值，当车速达到阈值时，调用信息采集单元采集数据，利用车内各类传感器实现对车辆状况的数据采集，采用多个红外摄像头实现车辆内部乘客和驾驶员位置图像信息采集。利用可测量生命体征的多功能方向盘和集成眼动传感器的仪表显示器获取检测驾驶员生命体征信息的数据。信息采集结束后将传输至信息存储单元。信息存储单元中包含大量且不同类型的数据，将数据根据不同类型进行分类，以便后续进行不同的检测时可快速获取其所需数据。将采集的图像信息单独分类，并使用适当的图像处理和存储方法进行管理。这可以包括图像压缩、索引、标记或其他图像处理操作，以便于后续的检索和分析。对于图像信息需要对其座位顺序进行标记，便于后续统计监测结果，监测结果进行精准播报，提醒乘客佩戴安全带。将存储器中的驾驶员生命体征数据单独分类。涉及将心率、呼吸、血氧饱和度、体温等生理参数提取和存储，并可以应用相应的数据处理算法进行分析和监测。车辆车况数据单独分类，包括车辆的行驶数据、速度、转向角度、加速度、制动状态等信息。这些数据可以用于车辆性能评估、故障诊断和维护等方面。车况检测单元提取信息存储单元中实现车况检测的所需数据信息，依次作为车况检测的判断依据。车况检测单元主要实现的功能为车辆的故障诊断和预测维护，驾驶员状态检测单元提取信息存储单元中实现驾驶员状况检测的所需数据信息，依次作为驾驶员状况检测的判断依据。

安全带检测单元提取信息存储单元中实现驾驶员和乘客安全带检测的所需的数据信息，依次作为安全带检测的判断依据。

车速监测单元是对车辆当前车速进行监测，当车速达到阈值，车辆自动开启安全带检测单元、车况检测单元、驾驶员状态检测单元和智能座椅调控单元。另外除车速到达阈值后自动开启各检测单元，驾驶员在行车之前手动开启安全带检测单元。警示提醒单元在车内人员处于危险状态时进行警示提醒，并检测是否达到安全保护单元开启调节，若达到，则开启安全保护单元，实现大客车安全平稳停靠。安全保护单元的启用条件一：驾驶员状态检测单元当检测结果显示驾驶员生命体征已无法实现自主驾驶，驾驶员状态为昏迷或昏睡，车辆启动安全保护单元。启用条件二：驾驶员在感受到身体严重不适时，可手动开启安全保护单元。启用条件三：车况检测单元的检测结果等级为高风险时，车辆开启安全保护单元。

本实施例根据所述驾驶员状态数据得到驾驶员心率变化数据、呼吸频率数据、血氧保护度数据、体温数据、身体姿态数据、注视点数据以及眨眼频率数据；对所述驾驶员心率变化数据、所述呼吸频率数据、所述血氧保护度数据、所述体温数据、所述身体姿态数据、所述注视点数据以及眨眼频率数据进行分析，得到驾驶状态检测结果；根据所述驾驶状态检测结果得到驾驶风险等级；通过所述驾驶风险等级确定车内人员状态，可根据驾驶员状态数据快速确定车内乘客的安全状态，从而方便执行相对应的安全保护，提高安全保护的效果。

参照图12，图12为本发明乘客安全保护装置第一实施例的结构框图。

如图12所示，本发明实施例提出的乘客安全保护装置包括：

获取模块10，用于获取车辆的当前行驶速度。

启动模块20，用于在所述当前行驶速度超过预设速度阈值时，启动各检测单元进行检测。

所述获取模块10，还用于获取检测单元检测的车辆状况数据、车内乘客的图像信息、乘客状态信息以及驾驶员状态数据。

确定模块30，用于通过所述车辆状况数据、所述图像信息、所述乘客状态信息以及所述驾驶员状态数据中的一种或多种确定车内人员状态。

保护模块40，用于根据所述车内人员状态执行对应的安全保护。

本实施例通过获取车辆的当前行驶速度；在所述当前行驶速度超过预设速度阈值时，启动各检测单元进行检测；获取检测单元检测的车辆状况数据、车内乘客的图像信息、乘客状态信息以及驾驶员状态数据；通过所述车辆状况数据、所述图像信息、所述乘客状态信息以及所述驾驶员状态数据中的一种或多种确定车内人员状态；根据所述车内人员状态执行对应的安全保护，综合考虑到乘客状态检测、驾驶员状态检测、车辆状况检测，从而最大程度上保护乘客安全，提高乘客安全保护的效果。

在一实施例中，所述确定模块30，还用于对所述车辆状况数据进行预处理，得到处理后的车辆状况数据；对处理后的车辆状况数据进行特征提取，得到车辆状态和性能特征；通过预设故障诊断模型对所述车辆状态和性能特征进行故障诊断，得到车辆的故障诊断结果；根据所述车辆的诊断结果确定车辆风险等级；通过所述车辆风险等级确定人员状态。

在一实施例中，所述确定模块30，还用于根据所述乘客状态信息得到磁场变化信息；对所述图像信息进行安全带佩戴检测，得到第一安全带佩戴结果；根据所述磁场变化信息得到第二安全带佩戴结果；在所述第一安全带佩戴结果和所述第二安全带佩戴结果均为乘客佩戴安全带时，确定车内人员状态为车内人员佩戴安全带状态；在所述第一安全带佩戴结果或所述第二安全带佩戴结果为乘客未佩戴安全带时，确定车内人员状态为车内人员未佩戴安全带状态。

在一实施例中，所述确定模块30，还用于获取预设目标检测模型，其中，所述预设目标检测模型中的主干网络为分组卷积层，神经网络为引入空间与通道注意力机制的改进RPN网络；将所述图像信息输入至所述预设目标检测模型，通过所述预设目标检测模型中的分组卷积层进行特征提取，得到特征图；通过所述预设目标检测模型中的改进RPN网络对所述特征图进行候选区域生成，得到候选框数据；对所述候选框进行感兴趣特征提取，得到候选框特征表示；通过对所述候选框特征表示进行检测，得到每个候选框佩戴安全带的概率的检测结果；通过改进的非极大值抑制方式对所述检测结果进行非极大值抑制，得到更新检测结果；通过所述更新检测结果得到第一安全带佩戴结果。

在一实施例中，所述确定模块30，还用于在所述车内人员状态为车内人员佩戴安全带状态时，根据预设识别模型对所述图像信息进行识别，得到车内人员的身高数据和姿态数据；获取车厢高度数据；将所述身高数据与所述车厢高度数据进行比较，计算安全带的调整高度；根据所述姿态数据对车内人员进行座椅调节；通过所述调整高度对车内人员佩戴的安全带进行调节。

在一实施例中，所述确定模块30，还用于根据所述驾驶员状态数据得到驾驶员心率变化数据、呼吸频率数据、血氧保护度数据、体温数据、身体姿态数据、注视点数据以及眨眼频率数据；对所述驾驶员心率变化数据、所述呼吸频率数据、所述血氧保护度数据、所述体温数据、所述身体姿态数据、所述注视点数据以及眨眼频率数据进行分析，得到驾驶状态检测结果；根据所述驾驶状态检测结果得到驾驶风险等级；通过所述驾驶风险等级确定车内人员状态。

在一实施例中，所述保护模块40，还用于在所述车内人员状态为危险状态或车内人员未佩戴安全带时，启动警示提醒单元进行车辆故障提醒或开启安全保护单元对车内人员进行保护。

此外，本发明实施例还提出一种存储介质，所述存储介质上存储有乘客安全保护程序，所述乘客安全保护程序被处理器执行时实现如上文所述的乘客安全保护方法的步骤。

由于本存储介质采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。

应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。

需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。

另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的乘客安全保护方法，此处不再赘述。

此外，需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

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上述实施例方法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，但很多情况下前者是更佳的实施方式。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(如只读存储器(Read Only Memory，ROM)/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，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的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。