1.基于深度学习的主动式气囊拉带装置，其特征在于，包括：气囊回收装置(12)、单向电机(1)、电机支架(2)、转速传感器(3)、传动轴(4)、挡板(5)、卷筒(6)、底座(7)、摄像头、语音提示模块(11)、主动式安全气囊(9)、拉带模块(13)以及ACU；

所述气囊回收装置(12)安装在座椅靠背中，用于回收主动式安全气囊的气囊袋；所述拉带模块布置在气囊回收装置中；所述单向电机(1)安装在电机支架(2)上端，在拉带回收时，单向电机(1)为卷筒(6)提供动力；所述电机支架(2)与底座(7)相连，为单向电机(1)提供支撑力；所述转速传感器(3)安装在单向电机(1)上，用于检测单向电机输出轴的旋转圈数；所述传动轴的两端分别与单向电机的输出轴和卷筒(6)相连，用于将单向电机输出的转矩传递至卷筒(6)，使得单相电机的输出轴与卷筒(6)同步转动；所述挡板(5)位于卷筒(6)的中心位置，用于隔离卷筒(6)的两端拉带，防止在拉带回收时，拉带发生缠绕现象；所述卷筒(6)固定连接传动轴上，用于在安全气囊泄气时回收拉带；所述底座(7)通过螺栓固定在气囊回收装置(12)上；所述摄像头布置在车内，用于拍摄乘员的坐姿，以采集乘员坐姿图像；语音提示模块(11)用于提醒乘员佩戴安全带；所述主动式安全气囊(9)能够收纳于气囊回收装置中，在校车发生碰撞时，为乘员提供最佳防护。

2.根据权利要求1所述的基于深度学习的主动式气囊拉带装置，其特征在于，所述ACU根据轮速传感器(3)实时采集车速信息、根据存储的算法获得儿童乘员安全带的佩戴信息和乘员的姿态信息，其包括头部、颈部、胸部、髋部、大腿、小腿和前臂的坐标信息，结合储存在ACU中的主动式安全气囊包形信息进行匹配，得出最优包形，以便为儿童乘员提供最佳防护；

所述ACU计算各个拉带的长度，以确定单向电机输出轴的旋转圈数，向拉带模块发送信号，通过控制拉带的长度，以使得气囊达到ACU计算得到的包形；

所述ACU存储的算法包括：YOLO3网络模型，得出包含儿童乘员和安全带的区域；G-RMI算法模型，对儿童乘员进行姿态估计；以及Softmax分类器模型，用于当前儿童乘员的坐姿类别。

3.基于深度学习的主动式气囊拉带装置的控制方法，其特征在于，包括如下步骤：

步骤1：各摄像头采集儿童乘员坐姿图像，将图像信息输入已训练好的Yolo3网络中，输出分类为儿童乘员和安全带的包围框；

步骤2：判别Yolo3网络是否输出儿童乘员和安全带的包围框，若没有检测到儿童乘员，则主动式安全气囊不启动，反之，则主动式安全气囊开始启动；若检测到儿童乘员未佩戴安全带，则发出预警信号，语音提示模块(11)接收到预警信号后，进行语音提示，若检测到儿童乘员已佩戴安全带，则语音提示模块不工作；

步骤3：将Yolo3网络输出的儿童乘员包围框，输入到姿态估计网络中，使用G-RMI算法得到关节点骨架图，将骨架图输入到分类器softmax中，得到人体坐姿图像对应的儿童乘员当前坐姿状态，进而确定出头部、颈部、胸部、髋部、大腿、小腿和前臂等的位置，以及儿童乘员相对于座椅对称面的横向偏移度，同时，对原始图像特征的提取，估算儿童乘员前胸与前排座椅的距离，并将数据传输至主动式安全气囊控制器，即ACU；

步骤4：ACU根据轮速传感器实时采集车速信息、步骤2中获得的儿童乘员安全带的佩戴信息和步骤3中获得的乘员的姿态信息，其包括头部、颈部、胸部、髋部、大腿、小腿和前臂的坐标信息，结合储存在ACU中的主动式安全气囊包形进行匹配，得以匹配最优包形，为儿童乘员提供最佳防护；

步骤5：ACU计算各个拉带的长度，以确定单向电机输出轴的旋转圈数，向拉带模块发送信号，通过控制拉带的长度，以达到ACU计算得到的包形；

步骤6：在校车发生碰撞的过程中，ACU根据摄像头探测到的儿童乘员与主动式安全气囊的接触位置，实时向单向电机发送信号，通过控制各个拉带的长度，以控制主动式安全气囊的包形，极大降低儿童乘员的损伤。

4.根据权利要求3所述的基于深度学习的主动式气囊拉带装置的控制方法，其特征在于，步骤3中，用于儿童乘员的姿态估计方法，具体包括：采用自顶向下的方式，即先使用目标检测方法对图像中的人物进行检测，并将包含人物的目标区域框出，然后对目标区域进行单人姿态估计；具体分为三个阶段，第一阶段，将原始图像输入YOLO3网络中，输出儿童乘员和安全带的包围框和类别，即使用矩形框框出包含儿童乘员和安全带的区域，将包含儿童乘员的区域进行截取，输入到下一阶段的网络；第二阶段，采用G-RMI算法对儿童乘员进行姿态估计，即采用基于全卷积网络的残差网ResNet对第一阶段截取的目标区域的人物，进行预测密集热图Dense Heatmap和补偿Offset，最后通过Dense Heatmap和Offset的融合得到关键点的精确定位，从而得到儿童乘员的人体骨架图；第三阶段，将人体姿态估计网络输出的人体骨架图，输入分类器Softmax中，得到当前儿童乘员的坐姿类别。

5.根据权利要求4所述的基于深度学习的主动式气囊拉带装置的控制方法，其特征在于，所述YOLO3网络使用目标算法Yolo V3，采用YOLOv3的Darknet-53网络结构；采用DarkNet53网络前52个CBL层,存在有23个残差层结构，设计3个不同尺度的特征图输出，并且通过上采样将3个不同分辨率的特征图进行了融合；通过聚类先验框尺寸，对每个尺度的输出给定3个先验框；

其中CBL层集合了卷积操作、BatchNormal操作和LeakyReLU激活操作的网络层，Conv2d表示卷积操作，卷积核数量为a，大小为b×b；BN表示批标准化操作；LeakyReLU是激活函数，公式如下：其中，ai是(1，+∞)区间内的固定参数；

在将原始图像输入到DarkNet-53网络之前，将其归一化为符合DarkNet-53输入的尺寸，图像归一化处理公式为：

其中：xi表示图像像素点值，min(x)，max(x)分别表示图像像素的最大值和最小值。

6.根据权利要求5所述的基于深度学习的主动式气囊拉带装置的控制方法，其特征在于，所述采用G-RMI算法对儿童乘员进行姿态估计的方法如下：(1)对矩形框框出的预测区域进行裁剪，并对矩形框的高度或宽度进行扩展，使得所用图像的矩形框具有相同的长宽比i(1.0～1.5)，保证提取的图像不发生扭曲；

(2)采用基于全卷积网络的残差网络ResNet(共101层)，并使用1*1的卷积层替换它的最后一层，生成3*K个输出通道的热图Dense Heatmap(每个关键点一个通道)和补偿offset，K＝17为关键点数量；生成热图Dense Heatmap和补偿offset后，将两者结合生成高度局部化激活图fk(xi)：Fk(xi)＝lk-xi

其中，G(·)为双线性插值核，这是霍夫投票的形式：图像裁剪网格中的每一个点j投下一张投票，并对每一个关键点的位置进行估计，投票由它在相应关键点的影像盘中的概率加权得到；hk为热图的输出通道，lk为第k个关键点的位置，x为每个点的位置；

(3)将热图Dense Heatmap和补偿offset通过上述公式进行融合后，可精确地确定关节点的位置，进而得到儿童乘员的骨架图。

7.根据权利要求3所述的基于深度学习的主动式气囊拉带装置的控制方法，其特征在于，语音提示模块在语音提示三次后，停止播报。

8.根据权利要求3所述的基于深度学习的主动式气囊拉带装置的控制方法，其特征在于，在主动式安全气囊充气时，单向电机作为发电机，将充气时卷筒转动产生的动能转化为电能，储存至储能模块中。

9.根据权利要求3所述的基于深度学习的主动式气囊拉带装置的控制方法，其特征在于，在步骤5中，所述拉带模块的控制方法为：在ACU计算完成后，主动式安全气囊开始充气，在充气过程中，主动式安全气囊拉动拉带，从而拉带受力以带动卷筒转动，此时卷筒产生动能，单向电机将卷筒的动能转化为电能，储存至储能模块中；当转速传感器检测到单向电机输出轴的旋转圈数达到目标圈数后，ACU向单向电机发送启动信号，单向电机开始启动，产生阻力距，使得卷筒停止转动；在拉带回收过程中，储能模块向单向电机提供电能，带动卷筒向回转动，以回收拉带。