一种基于多特征融合的乘员类型识别方法、系统、装置制造方法及图纸

本发明专利技术属于汽车安全控制领域，具体涉及一种基于多特征融合的乘员类型识别方法、系统、装置。该乘员类型识别方法用于根据多个特征信息判断车内乘员的类型；该乘员类型识别方法包括如下步骤：S1：获取各个座椅靠背处的压力值，确定乘员是否已就座。S2：以安全带完成系扣的时刻作为乘员的坐姿端正时刻。S3：分别检测座椅的坐垫上平均压力值，进而判定当前乘员是否为婴幼儿。S4：采集乘员的原始图像，通过分类模型识别年龄和性别，区分出婴幼儿、儿童、成年女性和成年男性；S5：计算乘员的预测身高H；S6：计算乘员的体型预测值并判定当前成年男性乘员的体型。本发明专利技术解决了现有车辆无法有效区分乘员类型，难以实施差异化的被动安全措施的问题。题。题。

【技术实现步骤摘要】
一种基于多特征融合的乘员类型识别方法、系统、装置


[0001]本专利技术属于汽车安全控制领域，具体涉及一种基于多特征融合的乘员类型识别方法、系统、装置。

技术介绍

[0002]车辆的安全控制系统主要包含主动安全技术和被动安全技术两个部分，其中主动安全技术为预防汽车发生事故，避免人员受到伤害而采取的安全设计。具体包括如ABS(antilock brake system，防抱死制动系统)，EBD(Electronic Brake force Distribution，电子制动力分配)，TCS(Traction Control System，牵引力控制系统)，LDWS(Lane departure warning system，车道偏离预警系统)等都是主动安全设计。它们的特点是提高汽车的行驶稳定性，尽力防止车祸发生。其它像胎压监测、倒车影像、高位刹车灯，前后雾灯，后窗除雾等也是主动安全设计。而被动安全技术是指在交通事故发生后，汽车本身减轻人员伤害和货物损失的能力，具体包括汽车安全带、安全气囊、保险杠减振系统等。
[0003]在车辆的被动安全技术中，传统的安全气囊通过外部加速度传感器采集加速度信号，然后经过特定的算法计算，达到起爆的条件后就会引爆安全气囊。安全气囊摊开后，可以降低在车辆碰撞条件下乘员受到的冲击作用。安全气囊的设计和应用还应当根据不同乘员的状态进行差异化设计。这是因为不同乘员在车内的乘坐状态时不一样的；例如对于年龄小于12岁的婴幼儿，这些乘员一般坐在安全座椅上；而对于体型较大的乘员，这些乘员本身占据了座椅的大部分空间，乘员距离车辆前部的其它结构距离较近。如果安全气囊在无法在起爆瞬间针对不同乘员对安全气囊的起爆时间、充气压力，织带长度、气囊压力等参数进行动态调整，反而可能对乘员造成二次伤害。
[0004]但是在现有车辆的被动安全系统中，通常无法准确识别不同驾乘人员的类型，也就无法针对不同乘员进行差异化的被动安全控制。如果需要对驾乘人员进行准确识别，则需要在车辆内部新增部署大量用于分辨驾乘人员类型的软硬件设备，这些都会产生较大的经济成本和技术难度。此外，目前最具有实用前景的乘员识别方法主要是各类型基于机器学习的图像识别方法，但是该方法对不同乘员的类别区分仍然不够精细，且容易受到算法训练效果，人为因素和环境因素的影响，例如在光照条件较差或乘员动作较为频繁等条件下，识别准确率很低，对于年龄不满12岁的汽车安全座椅适用期婴幼儿童，图像识别的效果尤其糟糕。

技术实现思路

[0005]为了解决现有车辆无法有效区分乘员类型，难以实施差异化的被动安全措施的问题。本专利技术提供一种基于多特征融合的乘员类型识别方法、系统、装置。
[0006]本专利技术采用以下技术方案实现：
[0007]一种基于多特征融合的乘员类型识别方法，该乘员类型识别方法用于根据提取出的多个特征信息判断车内乘员的类型；识别出的乘员类型分为：婴幼儿、儿童、成年女性、中
等体型成年男性和大体型成年男性五类；该乘员类型识别方法包括如下步骤：
[0008]S1：获取各个座椅靠背处的压力值，记为靠压P1，判断P1是否大于一个预设的第一压力临界值p1，是则确定乘员已就座。
[0009]S2：在确定当前乘员已就座后，获取当前座椅的安全带的带扣传感器的检测信号，当带扣传感器检测到安全带处于系扣状态时，以安全带完成系扣的时刻作为乘员的坐姿端正时刻T0。
[0010]S3：在乘员的坐姿端正时刻T0后，分别检测座椅的坐垫上平均压力值，记为坐压P2；以及压力信号的分布状态，记为φ；其中，φ＝1表征压力信号分布均匀完整，φ＝0表征压力信号分布不均匀且分散。判断是否满足：P2小于一个预设的第二临界压力值p2且φ＝1：
[0011](1)是则判定当前乘员为“婴幼儿”。
[0012](2)否则判定当前乘员处于“待定状态一”。
[0013]S4：在当前乘员处于“待定状态一”时，采集当前座椅上的乘员的原始图像，对原始图像进行预处理，并将预处理后的图像输入到采用支持向量机构建的分类模型中，由分类模型输出图像中包含的人物对象的年龄预测值Y和性别分类结果。
[0014]然后根据分类模型的输出结果作出如下预测：
[0015](1)当输出结果中的年龄预测值Y＜12时，则判定当前乘员为“婴幼儿”。
[0016](2)当输出结果中的年龄预测值12≤Y＜18时，则判定当前乘员为“儿童”。
[0017]在人物对象的年龄属于未成年组别时，无需对其进行性别区分直接判定为“婴幼儿”或“儿童”，仅在人物对象的年龄大于等于18岁时，判定对象为成年，然后根据性别进行初步区分，区分出“成年女性”和“成年男性”组别。此外，对于“成年男性”组别还需要根据体型进行进一步的区分。
[0018](3)当输出结果中的年龄预测值Y≥18且性别为女性时，则判定当前乘员为“成年女性”。
[0019](4)当输出结果中的年龄预测值Y≥18且性别为男性时，则判定当前乘员处于“待定状态二”。
[0020]S5：在当前乘员处于“待定状态二”时，获取当前座椅顶部的超声波传感器检测到的最小回波距离x；根据最小回波距离采用下式计算出当前乘员的预测身高H：
[0021]H＝δ
·
(x0‑
x)
[0022]上式中，x0为超声波传感器在坐姿端正时刻T0前检测到的平均回波距离；δ为一个半身长身高预测系数；δ是一个与年龄、性别和体重值具有关联关系的专家经验值。
[0023]S6：根据当前乘员的预测身高H、坐压P2计算出当前乘员的体型预测值ω；体型预测值ω的计算公式如下：
[0024]ω＝α
·
(H
‑
h0)+β
·
γ
·
(P2‑
p0)
[0025]上式中，α为体型预测的体重权重；h0为体型预测的基准身高；β为体型预测的身高权重；γ为体型预测的性别权重；p0为体型预测的基准体重；
[0026]根据当前乘员的体型预测值ω与一个体型基准值ω0之间的关系作出如下判断：
[0027](1)当ω≤ω0时，则判定当前乘员为“中等体型成年男性”。
[0028](2)当ω＞ω0时，则判定当前乘员为“大体型成年男性”。
[0029]其中，体型基准值是一个根据专家经验确定的可以有效区分中等体型和大体型男
性的阀值。该值对于将不同成年男性的体型进行有效区分，进而在车辆发生碰撞时，采用不同的被动安全措施降低不同乘员受到损伤具有突出的参考意义。
[0030]作为本专利技术进一步地改进，步骤S1中，座椅靠背处的压力值在座椅处于未使用状态时均小于第一压力临界值p1；且座椅靠背处的压力值通过仅具有一个测量位点的第一压力传感器测量；靠压P1的值按照一个预设的采样频率等周期采集。
[0031]作为本专利技术进一步地改进，步骤S3中，座椅的坐垫上的平均压力值和压力信号的分布状态通过具有多个测量位点的第本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多特征融合的乘员类型识别方法，其特征在于，所述乘员类型识别方法用于根据提取出的多个特征信息判断车内乘员的类型；识别出的乘员类型分为：婴幼儿、儿童、成年女性、中等体型成年男性和大体型成年男性五类；所述乘员类型识别方法包括如下步骤：S1：获取各个座椅靠背处的压力值，记为靠压P1，判断P1是否大于一个预设的第一压力临界值p1，是则确定乘员已就座；S2：在确定当前乘员已就座后，获取当前座椅的安全带的带扣传感器的检测信号，当带扣传感器检测到安全带处于系扣状态时，以安全带完成系扣的时刻作为乘员的坐姿端正时刻T0；S3：在乘员的坐姿端正时刻T0后，分别检测座椅的坐垫上平均压力值，记为坐压P2；以及压力信号的分布状态，记为φ；其中，φ＝1表征压力信号分布均匀完整，φ＝0表征压力信号分布不均匀且分散；判断是否满足：P2小于一个预设的第二临界压力值p2且φ＝1；是则判定当前乘员为“婴幼儿”；否则判定当前乘员处于“待定状态一”；S4：在当前乘员处于“待定状态一”时，采集当前座椅上的乘员的原始图像，对原始图像进行预处理，并将预处理后的图像输入到采用支持向量机构建的分类模型中，由所述分类模型输出图像中包含的人物对象的年龄预测值Y和性别分类结果；根据所述分类模型的输出结果作出如下预测：(1)当输出结果中的年龄预测值Y＜12时，则判定当前乘员为“婴幼儿”；(2)当输出结果中的年龄预测值12≤Y＜18时，则判定当前乘员为“儿童”；(3)当输出结果中的年龄预测值Y≥18且性别为女性时，则判定当前乘员为“成年女性”；(4)当输出结果中的年龄预测值Y≥18且性别为男性时，则判定当前乘员处于“待定状态二”；S5：在当前乘员处于“待定状态二”时，获取当前座椅顶部的超声波传感器检测到的最小回波距离x；根据所述最小回波距离采用下式计算出当前乘员的预测身高H：H＝δ
·
(x0‑
x)上式中，x0为超声波传感器在坐姿端正时刻T0前检测到的平均回波距离；δ为一个半身长身高预测系数；δ是一个与年龄、性别和体重值具有关联关系的专家经验值；S6：根据当前乘员的预测身高H、坐压P2计算出当前乘员的体型预测值ω；所述体型预测值ω的计算公式如下：ω＝α
·
(H
‑
h0)+β
·
γ
·
(P2‑
p0)上式中，α为体型预测的体重权重；h0为体型预测的基准身高；β为体型预测的身高权重；γ为体型预测的性别权重；p0为体型预测的基准体重；根据当前乘员的体型预测值ω与一个体型基准值ω0之间的关系作出如下判断：(1)当ω≤ω0时，则判定当前乘员为“中等体型成年男性”；(2)当ω＞ω0时，则判定当前乘员为“大体型成年男性”。2.如权利要求1所述的基于多特征融合的乘员类型识别方法，其特征在于：步骤S1中，座椅靠背处的压力值在座椅处于未使用状态时均小于第一压力临界值p1；且座椅靠背处的
压力值通过仅具有一个测量位点的第一压力传感器测量；靠压P1的值按照一个预设的采样频率等周期采集。3.如权利要求1所述的基于多特征融合的乘员类型识别方法，其特征在于：步骤S3中，座椅的坐垫上的平均压力值和压力信号的分布状态通过具有多个测量位点的第二压力传感器测量；第二压力传感器中各个测量位点均匀分布在座椅表面；且各个测量位点的平均值为坐压P2；坐压P2的值仅在P1＞p1且安全带完成系扣的状态下完成采集。4.如权利要求1所述的基于多特征融合的乘员类型识别方法，其特征在于：步骤S4中，目标图像的预处理方法包括如下过程：(1)图像切割：通过一个目标选择框对所述原始图像进行选择，然后对原始图像进行切割，保留目标选择框内的部分作为目标图像；所述目标选择框的尺寸根据座椅与获取原始图像的相机之间的相对位置确定，以保证目标选择框内包含了最大范围的目标人物信息且包含最小范围的人物背景信息；(2)灰度化处理：对所述目标图像进行灰度化处理，将原三通道的彩色图像转换为二通道的灰度图像；(3)滤波降噪处理：采用高斯滤波方法对上步骤的灰度图像进行处理，去除图像中的部分噪声信息；(4)目标提取：采用基于梯度的边缘检测方法，利用图像边缘灰度突变的特性区分边缘点和非边缘点，通过Canny算法将上步骤降噪后的图片中的乘员和背景图像分离，并采用Legendre矩描述乘员边缘特征，实现乘员特征空间提取；从而得到仅包含乘员信息的特征图像；所述特征图像作为所述分类模型的输入。5.如权利要求1所述的基于多特征融合的乘员类型识别方法，其特征在于：步骤S4中，所述分类模型是一种基于支持向量机的网络模型；所述网络模型包括年龄分类单元和性别分类单元；所述分类模型的输入为被预测的人物对象的特征图像；所述分类模型的输出为年龄分类结果和性别分类结果；所述分类模型的应用过程包括两个阶段，分别为学习阶段和识别阶段；在学习阶段，采集真实的车内状态下的乘员图像，并对采集的图像进行预处理后，将得到各个特征图像作为样本构成训练集，通过训练集对构建的分类模型进行训练；直到分类模型的训练指标达到预设的训练要求；保存完成训练后的分类模型的参数信息，得到完成训练的分类模型；在识别阶段，利用完成训练的分类模型对待预测的特征图像进行分类处理，得到特征图像中人物对象的年龄分类结果和性别分类结果。6.如权利要求1所述的基于多特征融合的乘员类型识别方法，其特征在于：步骤S4中，进一步结合所述分类模型的输出结果以及坐压值P2，对分类过程执行如下综合判断：(1)当Y＜12时，计算一个婴幼儿体重参考量Ma：Ma＝P2
‑
Pa，其中，Pa为根据专家经验确定的婴幼儿期对象在座椅上产生的压力值；当Ma属于一个预设的经验区间A时，则判定当前乘员为“婴幼儿”；否则判定当前乘员为“儿童”；(2)当12＜Y≤18时，计算一个体重参考量Mb：Mb...

【专利技术属性】
技术研发人员：谷先广，王硕，黄健，刘彬，杜杨，叶俊杰，缪连杰，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：