1.一种基于深度学习的驾驶员手持电话检测方法，其特征在于，包括如下步骤：

步骤1)：给定训练图像集合Ct＝{Ti|i＝1,2,3,...,n}，n为训练图像数量，集合中每张图像Ti已贴好标签；

步骤2)：将数据集Ct合放入Yolov2中进行训练，获得训练模型W；

步骤3)：输入测试图像P，用训练模型W进行测试，得到检测结果m个矩形检测框Kj，j＝1,

2,3,…,m的集合Nk＝{(xj,yj,wj,hj)|j＝1,2,3...,m}，其中(xj,yj)表示检测结果矩形Kj左上角的坐标，wj和hj分别表示矩形的宽度和高度，矩形中点表示为(xcj,ycj)：步骤4)：测试图像P进行Lab颜色空间的分离，得到L通道图像PL、a通道图像Pa以及b通道图像Pb；

步骤5)：b通道图像Pb通过通道相减减去a通道图像Pa，得到新图像Pn；

步骤6)：对图像Pn进行OTSU二值化处理，得到二值图像Pno；

步骤7)：在图像Pno中查找连通域，得到连通域最小外接矩形的集合Cr＝{(xv,yv,wv,hv)|v＝1,2,3...,m2}，其中(xv,yv)表示最小外接矩形左上角的坐标，wv和hv分别表示矩形的宽度和高度，m2表示连通域的数量，矩形面积表示为Sv，v＝1,2,3,…,m2；

步骤8)：将Sv中最大的记为Sm，(xm,ym)为该矩形左上角坐标，wm和hm分别表示该形的宽度和高度，该矩形中点表示为(xcm,ycm)；

步骤9)：若xcj＞xcm，则保存该检测框Kj，得到新的检测框集合Ckn＝{Ku|u＝1,2,3...,n2}，Ku表示新的检测框，n2表示检测框数量，其中，j＝1,2,3,…,m；否则，去除该检测框；

步骤10)：利用Yolov2对每个检测框Ku对应的子图像进行测试，得到一个对应的置信度Vu，则得到置信度集合为Ckv＝{Vu|u＝1,2,3...,n2}；选取最大置信度记为Vmax，其对应的检测框记为Kmax，读取Kmax的标签，即为检测结果。

2.根据权利要求1所述的一种基于深度学习的驾驶员手持电话检测方法，其特征在于，所述步骤5)中利用cvAddWeighted函数实现通道相减，其中a通道图像Pa在该函数中的权重值设置为-1，b通道图像Pb在该函数中的权重值设置为1，即完成图像的通道相减。

3.根据权利要求1所述的一种基于深度学习的驾驶员手持电话检测方法，其特征在于，所述步骤6)中采用threshold函数进行二值化，并将参数设置为CV_THRESH_OTSU。

4.根据权利要求1所述的一种基于深度学习的驾驶员手持电话检测方法，其特征在于，所述步骤7)中对二值图Pno采用cvfindcontours函数，获取连通域轮廓，并计算wv*hv，v＝1,

2,3,…,m2得到各个连通域的面积。