CN115214430A - 车辆座椅调节方法及车辆 - Google Patents
车辆座椅调节方法及车辆 Download PDFInfo
- Publication number
- CN115214430A CN115214430A CN202210290477.2A CN202210290477A CN115214430A CN 115214430 A CN115214430 A CN 115214430A CN 202210290477 A CN202210290477 A CN 202210290477A CN 115214430 A CN115214430 A CN 115214430A
- Authority
- CN
- China
- Prior art keywords
- passenger
- vehicle
- target
- seat
- passengers
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 239000013598 vector Substances 0.000 claims description 53
- 238000001514 detection method Methods 0.000 claims description 45
- 238000012544 monitoring process Methods 0.000 claims description 38
- 210000000746 body region Anatomy 0.000 claims description 33
- 238000001914 filtration Methods 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000013526 transfer learning Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 description 28
- 238000010586 diagram Methods 0.000 description 19
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000000605 extraction Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60N—SEATS SPECIALLY ADAPTED FOR VEHICLES; VEHICLE PASSENGER ACCOMMODATION NOT OTHERWISE PROVIDED FOR
- B60N2/00—Seats specially adapted for vehicles; Arrangement or mounting of seats in vehicles
- B60N2/02—Seats specially adapted for vehicles; Arrangement or mounting of seats in vehicles the seat or part thereof being movable, e.g. adjustable
- B60N2/0224—Non-manual adjustments, e.g. with electrical operation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60N—SEATS SPECIALLY ADAPTED FOR VEHICLES; VEHICLE PASSENGER ACCOMMODATION NOT OTHERWISE PROVIDED FOR
- B60N2/00—Seats specially adapted for vehicles; Arrangement or mounting of seats in vehicles
- B60N2/02—Seats specially adapted for vehicles; Arrangement or mounting of seats in vehicles the seat or part thereof being movable, e.g. adjustable
- B60N2/0224—Non-manual adjustments, e.g. with electrical operation
- B60N2/0244—Non-manual adjustments, e.g. with electrical operation with logic circuits
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60N—SEATS SPECIALLY ADAPTED FOR VEHICLES; VEHICLE PASSENGER ACCOMMODATION NOT OTHERWISE PROVIDED FOR
- B60N2/00—Seats specially adapted for vehicles; Arrangement or mounting of seats in vehicles
- B60N2/02—Seats specially adapted for vehicles; Arrangement or mounting of seats in vehicles the seat or part thereof being movable, e.g. adjustable
- B60N2/0224—Non-manual adjustments, e.g. with electrical operation
- B60N2/0244—Non-manual adjustments, e.g. with electrical operation with logic circuits
- B60N2/0256—Arrangements for facilitating the occupant to get in or out of the vehicle, e.g. stowing a seat forward
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种车辆座椅调节方法及车辆,所述车辆座椅调节方法包括:通过获取车外识别视频;对车外识别视频进行乘客实体识别,得到乘客识别结果;乘客识别结果包括乘客的数量以及与乘客对应的乘客位置;根据乘客位置和乘客的数量,确定座椅位置调节模式;控制车辆待调节座椅执行与座椅位置调节模式对应的座椅调节操作。本发明解决了大型汽车需要手动调整座椅入座问题,满足了乘客入座的舒适性,大大提高了车辆的座椅调节的性能。
Description
技术领域
本发明涉及车辆控制技术,尤其涉及一种车辆座椅调节方法及车辆。
背景技术
随着人们生活水平的提高,汽车逐渐走进千家万户,成为最主要的交通工具,因为家庭平均成员人数存在增长的趋势,所以越来越多六座或者七座的三排中大型汽车成为家庭主选汽车,比如,现有的三排中大型汽车,乘客入第三排的座椅时,大部分需要手动对第二排座椅做调整才可入座,再入座后还需手动回归第二排座椅才能让其他乘客入第二排座椅,而且手动调整十分吃力,因此,多次的手动操作带来诸多入座的不便,无法满足乘客的入座舒适度体验,大大降低了座椅调节的车辆性能。
发明内容
本发明提供一种车辆座椅调节方法及车辆,本发明解决了现有技术中大型汽车需要手动调整座椅入座的技术问题。
一种车辆座椅调节方法,包括:
获取车外识别视频;
对所述车外识别视频进行乘客实体识别,得到乘客识别结果;所述乘客识别结果包括乘客的数量以及与所述乘客对应的乘客位置;
根据所述乘客位置和所述乘客的数量,确定座椅位置调节模式;
控制车辆待调节座椅执行与所述座椅位置调节模式对应的座椅调节操作。
一种车辆座椅调节装置,包括:
获取单元,用于获取车外识别视频;
识别单元,用于对所述车外识别视频进行乘客实体识别,得到乘客识别结果;所述乘客识别结果包括乘客的数量以及与所述乘客对应的乘客位置;
输出单元,用于根据所述乘客位置和所述乘客的数量,确定座椅位置调节模式;
调节单元,用于控制车辆待调节座椅执行与所述座椅位置调节模式对应的座椅调节操作。
一种车辆,包括用于执行上述的车辆座椅调节方法的控制模块。
本发明提供了一种车辆座椅调节方法,实现了通过获取车外识别视频;对所述车外识别视频进行乘客实体识别,得到包含乘客的数量和与所述乘客对应的乘客位置的乘客识别结果;根据所述乘客位置和所述乘客的数量,确定出座椅位置调节模式;控制车辆待调节座椅执行与所述座椅位置调节模式对应的座椅调节操作,因此,本发明能够获取车辆外围的视频,通过乘客实体识别技术,自动地、准确地识别出拍摄的视频中的乘客的数量以及各个乘客的位置,基于乘客的数量和乘客的位置,确定出座椅位置调节模式,自动控制车辆待调节座椅执行与座椅位置调节模式对应的座椅调节操作,通过基于乘客的数量和乘客的位置,自动确定出车辆待调节座椅的调节模式,能够在车辆内部腾出足够的空间,便于乘客舒适地进入车辆及入座,而且无需乘客十分吃力的手动调节座椅,解决了手动操作带来的诸多入座不便,满足了乘客入座的舒适性,大大提高了车辆的座椅调节的性能。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例中车辆座椅调节方法的流程图;
图2是本发明一实施例中车辆座椅调节方法中步骤S20的流程图;
图3是本发明一实施例中车辆座椅调节方法中步骤S203的流程图;
图4是本发明另一实施例中车辆座椅调节方法的流程图;
图5是本发明一实施例中车辆座椅调节装置的原理框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供的车辆座椅调节方法,可应用在车辆中的控制模块中,通过所述控制模块实现车辆座椅调节方法。
在一实施例中,如图1所示,提供一种车辆座椅调节方法,其技术方案主要包括以下步骤S10-S40:
S10,获取车外识别视频。
可理解地,外采摄像头安装在车辆的两侧部位中,所述外采摄像头包括左外采摄像头和右外采摄像头,例如安装在车辆的左后视镜和右后视镜中,所述外采摄像头用于采集车辆两侧的外部环境的视频,为乘客识别提供数据基础,能够准确地识别出需要入座的乘客,优选地,所述外采摄像头的采集范围和安装角度需要满足预设的要求,以拍摄的车外识别视频能够涵盖两侧所有乘客的站立位置以及入座的乘客的全身图,其中,预设的要求指外采摄像头的视角范围为可拍摄到距离车辆两侧预设距离以及预设高度和预设宽度的全视角范围,所述预设高度大于人均高度,所述预设宽度大于车辆轴距的长度,如此,能够拍摄出车辆两侧预设距离外的车外识别视频,该车外识别视频的尺寸为与预设高度相应的高度和与预设宽度相应的宽度,例如:预设的要求为预设距离为1m,预设高度为2m,预设宽度为3.5m。
其中,所述车外识别视频为拍摄出车辆两侧环境的视频,所述车外识别视频能够通过外采摄像头拍摄到车主和乘车的乘客,所述车外识别视频的拍摄方式可以为在车主携带车辆遥控器靠近车辆达到预设靠近距离时,车辆自动唤醒,启动所述外采摄像头拍摄,可以一直拍摄直至车辆车门开锁或者车辆车门被打开,停止拍摄从而得到所述车外识别视频,也可以一直拍摄直至拍摄的视频中的人体静止或者接近静止(移动偏差在预设公差范围内)的时候,停止拍摄得到所述车外识别视频,并获取该车外识别视频。
S20,对所述车外识别视频进行乘客实体识别,得到乘客识别结果;所述乘客识别结果包括乘客的数量以及与所述乘客对应的乘客位置。
可理解地,所述乘客实体识别的过程可以为:首先,对所述车外识别视频进行每预设间隔帧的剪辑,得到若干个视频帧图像;其次,对每个所述视频帧图像进行与车辆轴距所对应的有效视角范围的裁剪,得到待识别图像;最后,对裁剪出的所述待识别图像进行乘客识别,从中将所述待识别图像中的行人进行筛选,从而可以识别出乘客和乘客位置的过程,所述乘客识别为识别出待识别图像中距离车辆预设的监测范围内的人体是否为即将入座的乘客的数量以及各乘客的乘客位置的过程。
其中,所述乘客识别结果包括所有乘客的数量,以及与各乘客一一对应的乘客位置,所述乘客位置体现了车辆两侧即将入座的乘客在车辆两侧距离车辆的距离或者坐标位置。
在一实施例中,所述乘客实体识别的过程也可以通过训练完成的目标跟踪模型来实现,通过所述目标跟踪模型对输入的所述车外识别视频进行分帧处理,拆分出所述车外识别视频中每一帧的视频帧图像,并对每一个所述视频帧图像进行目标检测处理,检测出每一帧所述视频帧图像中的人体,然后,运用目标跟踪算法,将所有检测出的所述视频帧图像中的人体进行目标跟踪处理,可以得到每个人体的移动轨迹,最后,从所有人体的移动轨迹中,筛选出移动轨迹朝向车辆且在车辆附近停留的人体,将筛选出的人体确定为乘客,统计所有乘客的数量,并从乘客的移动轨迹中将人体最后停留的位置确定为该乘客的乘客位置。
其中,所述目标检测处理的过程为基于CenterNet的神经网络的处理过程,即对输入的视频帧图像进行预处理,将视频帧图像缩放至预设尺寸,所述预处理包括图像缩放处理,即运用图像缩放技术,将图像的长边和短边按照长边缩放和短边补零的方式进行缩放至预设尺寸,再对缩放后的视频帧图像进行图像通道分离,分离出包含有红、绿、蓝三个通道的图像,对分离出的图像进行人体特征的提取,所述人体特征为包含头、头发、手、人脸、躯干、衣服、腿、脚等能体现一个人体的特征,将一个人体作为目标,以该目标当成一个点来检测,即用目标区域的中心点来表示这个目标,预测目标的中心点偏移量(offset),宽高(size)以得到人体实际区域,然后对提取的人体特征进行反卷积模块进行上采样,即反卷积,可进行三次上采样得到待预测特征图,最后将所述待预测特征图进行三个分支网络的预测,三个分支网络分别为热力图预测网络、长宽预测网络和区域中心偏移预测网络,通过热力图预测网络对所述待预测特征图进行目标分类,以及对各目标的目标区域的中心点预测和高斯圆的半径计算,以中心点为圆心,沿着计算出的半径向外按高斯函数递减,从而得到与待预测特征图对应的热力图,通过长宽预测网络进行多个目标的长宽区域预测,得到与待预测特征图对应的目标的长宽图,通过区域中心偏移预测网络进行多个目标的偏移值进行预测,得到与待预测特征图对应的目标的中心偏移值,根据热力图、长宽图和中心偏移值,确定出各个人体的区域,也即检测出该视频帧图像中的人体的结果的处理过程,所述目标跟踪算法为运用IOU(Intersection over Union)匹配算法计算出两个矩形区域IOU值,基于IOU值判断两个矩形区域是否为同一目标的算法,所述目标跟踪处理的过程为运用所述目标跟踪算法,对相邻两个视频帧图像中的人体所框出的区域进行IOU匹配,计算出IOU值,在IOU值大于预设IOU阈值时,将该两区域所对应的人体确定为与同一人体,从而可以获取每个人体的移动轨迹的处理过程,所述IOU匹配算法为一种测量两个检测区域存在交集的一个标准。
在一实施例中,如图2所示,所述步骤S20中,即所述对所述车外识别视频进行乘客实体识别,得到乘客识别结果,包括:
S201,对所述车外识别视频进行视频帧抽取,得到多个视频帧图像。
可理解地,所述视频帧抽取的过程为从所述车外识别视频中抽取出若干个帧所对应的图像的过程,所述抽取的方式可以根据需求设定,比如从所述车外识别视频中每隔0.5秒抽取一帧图像,或者每隔0.2秒抽取一帧图像,从而能够抽取出多个所述视频帧图像。
S202,对各所述视频帧图像进行基于车辆轴距的图像裁剪,得到与各所述视频帧图像对应的待识别图像。
可理解地,从每个所述视频帧图像中按照车辆轴距在所述视频帧图像所对应的起始点至结束点的宽度进行裁剪,即车辆轴距平移刚好进入至所述外采摄像头的视角范围内所对应的拍摄到的车外识别视频中的宽度,得到宽度与车辆轴距相对应视频帧图像中的宽度一致的图像,将该图像记录为所述待识别图像,通常乘客入座会靠近车辆轴距之间的车门前方,因此按照车辆轴距的宽度裁剪,能够裁剪出有效宽度范围内的图像内容,能够更加准确地识别出乘客。
其中,所述车辆轴距为车辆同一侧相邻两车轮的中点,并垂直于车辆纵向对称平面的二垂线之间的距离。
S203,对所有所述待识别图像进行乘客识别,得到所述乘客识别结果。
可理解地,所述对所有所述待识别图像进行乘客识别的过程可以为:针对每一个所述待识别图像进行基于预设的监测范围的人体目标识别,得到落入所述监测范围的目标对象和与所述目标对象对应的目标位置,其中,监测范围为乘客入座时可能站立的位置所靠近车门的车辆两侧范围,然后,基于各所述待识别图像的所述目标对象和所述目标位置,对所有所述待识别图像进行乘客识别,识别出乘客以及乘客在监测范围内的乘客位置的过程,统计所有识别出的乘客的数量,将识别出的乘客的数量以及乘客在监测范围内的乘客位置确定为所述乘客识别结果。
其中,所述对所有所述待识别图像进行乘客识别的过程还可以为通过训练完成的乘客检测模型实现,所述乘客检测模型的网络结构可以根据需求设定,比如乘客检测模型的网络结构可以为YOLO、AlexNet等网络结构,优选地,所述乘客检测模型的网络结构为AlexNet网络结构,通过所述乘客检测模型对输入的所有所述待识别图像进行乘客特征的提取,所述乘客特征包括人体特征和朝向车辆移动的特征,根据提取的乘客特征进行预测区域的定位,对定位出的预测区域进行乘客分类,以及定位出分类为乘客的预测区域相对与车辆的位置,从而得到所述乘客识别结果,所述乘客检测模型的训练过程为通过收集的关联有乘客标签的样本视频进行训练,其中,乘客标签标识出了样本视频中的乘客以及该乘客的位置标签,对样本视频进行乘客特征的提取,根据提取的乘客特征进行乘客的预测,得到预测结果,所述预测结果体现了样本视频中预测出的乘客和乘客的位置,将预测结果和乘客标签进行一一对应的损失值计算,在检测到损失值未达到收敛条件时,迭代更新所述乘客检测模型中的参数,并重新进行乘客特征的提取的步骤,直至损失值达到收敛条件,停止训练,得到训练完成的乘客检测模型。
在一实施例中,如图3所示,所述步骤S203中,即所述对所有所述待识别图像进行乘客识别,得到所述乘客识别结果,包括:
S2031,针对每一个所述待识别图像,进行基于预设的监测范围的人体目标识别,得到落入所述监测范围的目标对象和与所述目标对象对应的目标位置。
可理解地,所述基于预设的监测范围的人体目标识别的过程为:首先,对所述待识别图像进行人体目标识别,识别出所述待识别图像中的具有人体特征的待处理对象以及人体区域;其次,根据所有所述人体区域所对应的待识别图像中的位置,对各所述待处理对象进行预设监测范围的过滤,过滤的过程为将人体区域的底边的中点在所述监测范围内所对应的人体区域保留,将人体区域的底边的中点不落入所述监测范围的人体区域进行去除,从而将剩余的人体区域所对应的待处理对象记录为所述目标对象;最后,基于过滤后的目标对象所对应的所述人体区域,对其进行定位,得到与各过滤后的目标对象对应的所述目标位置的过程。
其中,所述监测范围为乘客入座时可能站立的位置所靠近车门的车辆两侧范围在所述外采摄像头拍摄的图像中所对应的像素范围。
在一实施例中,所述步骤S2031中,即所述对所述待识别图像进行基于预设的监测范围的人体目标识别,得到落入所述监测范围的目标对象和与所述目标对象对应的目标位置,包括:
对所述待识别图像进行人体目标识别,得到所述待识别图像中的多个待处理对象和与所述待处理对象对应的人体区域。
可理解地,所述对所述待识别图像进行人体目标识别过程可以通过训练完成的人体目标检测模型实现,所述人体目标检测模型为用于检测输入的图像中具有人体特征的区域的神经网络,所述人体目标检测模型的网络结构可以根据需求设定,比如人体目标检测模型的网络结构可以为Faster R-CNN、SSD、AlexNet和YOLO等网络结构,优先地,所述人体目标检测模型的网络结构为AlexNet的网络结构,因为运用AlexNet的网络结构能够精准地定位出人体的位置,所述人体目标检测模型的训练过程为输入含有人体标注区域的人体样本图像,对该人体样本图像生成1K~2K个的候选区域,再对每个候选区域使用卷积层提取人体特征,将提取的人体特征送入人体分类器中,判别该候选区域是否包含人体,使用回归器修正候选框位置,最终识别出该人体样本图像中的包含人体的区域,计算该区域和人体标注区域之间的损失值,根据损失值迭代更新人体目标检测模型的参数,直至损失值达到收敛条件,从而停止训练的过程,所述人体目标识别为通过人体目标检测模型对输入的所述待识别图像进行所述人体特征的提取,根据提取的人体特征进行人体区域的定位,对定位出的人体区域进行分类,判断该区域是否为人体,识别出包含人体的区域,将其确定为人体区域,将该人体区域所对应的人体确定为所述待处理对象。
在一实施例中,所述对所述待识别图像进行人体目标识别,得到所述待识别图像中的多个待处理对象和与所述待处理对象对应的人体区域,包括:
将所述待识别图像输入至人体目标检测模型;所述人体目标检测模型为通过迁移学习的目标检测网络训练后获得。
可理解地,所述迁移学习技术为将训练完成的与人体识别相关的场景应用的目标检测网络中的各层级的所有参数迁移至当前模型中的技术,所述人体目标检测模型为运用迁移学习技术,从训练完成的目标检测网络中的各个层级的参数迁移过来的模型,再将通过所述外采摄像头拍摄的图像样本输入迁移后的人体目标检测模型中进行训练,直至训练完成得到训练完成后的人体目标检测模型,如此,运用迁移学习技术可以大大减少人体目标检测模型构建的复杂过程,而且大大减少了图像样本的训练时间,以及压缩了人体目标检测模型的容量,提高了人体目标检测模型的投入成本和构建效率。
通过所述人体目标检测模型对所述待识别图像进行人体特征的提取,得到特征图。
可理解地,所述人体特征的提取为在所述人体目标检测模型中的低层次的卷积层,只会提取所述待识别图像中的基本特征,比如点与线,在高层次的卷积层,提取所述待识别图像中的高级特征,比如轮廓、大小、形状等;通过高层次的卷积层能够提取更多的具有人体特征的信息,从而将所述人体目标检测模型中的卷积层提取的多层次的人体特征进行矩阵汇总,得到所述特征图。
对所述特征图进行目标识别,识别出所述待识别图像中含有人体的所述待处理对象,以及与各所述待处理对象对应的人体区域。
可理解地,对所述特征图进行目标识别的过程为通过人体分类器对所述特征图进行人体的分类,对特征图中的划分出的候选区域进行判断,判断该候选区域是否为人体,识别出包含人体的区域,将其确定为人体区域,将该人体区域所对应的人体确定为所述待处理对象。
本发明实现了通过将所述待识别图像输入至经迁移学习目标检测网络获得的人体目标检测模型;通过所述人体目标检测模型对所述待识别图像进行人体特征的提取,得到特征图;对所述特征图进行目标识别,识别出所述待识别图像中含有人体的所述待处理对象,以及与各所述待处理对象对应的人体区域,如此,能够通过迁移学习获得人体目标检测模型,并通过提取人体特征自动识别出待识别图像中的包含人体的待处理对象以及人体区域,无需人工识别出待识别图像中的人体,大大节省了人工成本,以及人体目标检测模型训练的复杂过程,提高了人体目标识别的效率和准确度。
基于所述人体区域,对各所述待处理对象进行预设监测范围的过滤,得到所述目标对象。
可理解地,所述对各所述待处理对象进行预设监测范围的过滤的过程为判断人体区域的底边或者底边的中点是否与所述监测范围是否存在相交的部分,如果人体区域的底边或者底边的中点是否与所述监测范围存在相交的部分,将在所述监测范围内相交的部分所对应的人体区域保留,如果人体区域的底边或者底边的中点是否与所述监测范围不存在相交的部分,将不相交的人体区域进行去除,从而能够在一个所述待处理对象中将过滤剩余的人体区域所对应的待处理对象进行保留,将保留的待处理对象记录为所述目标对象。
其中,所述监测范围为乘客入座时可能站立的位置所靠近车门的车辆两侧范围在所述外采摄像头拍摄的图像中所对应的像素范围,比如在车辆两侧的水平地面上,距离车辆车门2.5米作为宽和车辆轴距作为长的面积范围,该面积范围在拍摄的图像中所对应的矩形或者梯形的范围,即映射在拍摄的图像中的像素范围。
基于所述目标对象所对应的所述人体区域,对各所述目标对象进行定位,得到与各所述目标对象对应的所述目标位置。
可理解地,所述对各所述目标对象进行定位的过程为根据人体区域的底边的中心点落入在所述监测范围的像素点映射出目标对象站立点距离车辆两侧车门的垂直位置,左外采摄像头拍摄的视频在人体目标识别中识别出的目标对象能够标识出左边,右外采摄像头拍摄的视频在人体目标识别中识别出的目标对象能够标识出右边,通过标识出的左/右边可以定位出目标位置中的左/右位置,所述目标位置体现了目标对象在监测范围的坐标位置(车辆前轮的中心作为监测范围的原心,与车辆平行的方向为x轴,垂直车辆车轮的方向作为y轴)以及与车辆前后门之间的相对位置,比如目标位置体现为(左,前,(0.5,1)),表示该人体站立在车辆的左侧,靠近车头的前门范围,在监测范围的坐标位置为(0.5,1)m。
本发明实现了通过对所述待识别图像进行人体目标识别,得到所述待识别图像中的多个待处理对象和与所述待处理对象对应的人体区域;基于所述人体区域,对各所述待处理对象进行预设监测范围的过滤,得到所述目标对象;基于所述目标对象所对应的所述人体区域,对各所述目标对象进行定位,得到与各所述目标对象对应的所述目标位置,如此,能够通过人体目标识别、过滤和定位,自动识别出待识别图像中在预设的监测范围内的人体,以及定位出人体相对车辆的位置,为后续的乘客识别奠定基础,将监测范围外的人体自动过滤,剔除无用的信息,提高了目标对象的识别准确性和正确性。
S2032,基于各所述待识别图像的所述目标对象和所述目标位置,对所有所述待识别图像进行乘客识别,得到所述乘客识别结果。
可理解地,所述乘客识别为对各所述目标对象所对应的人体区域进行目标特征提取,所述目标特征为人物中能够体现唯一的特征,比如上衣、下衣、人脸等等,所述目标特征可以为人体特征,得到与各所述目标对象对应的目标特征向量,对各所述待识别图像之间的各所述目标特征向量进行对比,得到各所述目标特征向量之间的相似度,将两两目标特征向量之间的相似度大于或者等于预设的相似度阈值的两个目标特征向量所对应的目标对象确定为相同的目标对象,对所有所述目标对象和与所述目标对象对应的所述目标位置进行乘客筛选,也即行人和乘客的区分,筛选出剔除行人的目标对象后的乘客,以及与所述乘客对应的乘客位置。
在一实施例中,所述步骤S2032中,即所述基于各所述待识别图像的所述目标对象和所述目标位置,对所有所述待识别图像进行乘客识别,得到所述乘客识别结果,包括:
对各所述目标对象所对应的人体区域进行目标特征提取,得到与各所述目标对象对应的目标特征向量。
可理解地,对各所述目标对象所对应的人体区域进行目标特征提取的过程可以为:首先,对每一个目标对象所框出的所述人体区域进行图像提取,将提取的图像输入目标提取模型中;其次,通过目标提取模型对输入的图像进行目标特征的提取,所述目标提取模型可以为训练完成的用于提取图像中的人物中特有的目标特征,并根据提取的目标特征进行特征向量的汇总成目标特征向量的神经网络模型,所述目标特征为人物中能够体现唯一的特征,比如上衣、下衣、人脸等等,所述目标特征可以为人体特征,因此,所述目标提取模型也可以为所述人体目标检测模型中卷积层提取输出的人体特征,如此,能够直接引用人体目标检测模型,可以减少控制模块中的程序处理空间;最后,将提取的目标特征汇合成一个目标特征向量,将其作为该输入的图像中的目标对象所对应的所述目标特征向量的过程,所述目标特征向量体现了目标对象所具有的独特特征向量。
对各所述待识别图像之间的各所述目标特征向量进行对比,得到各所述目标特征向量之间的相似度。
可理解地,将每个所述待识别图像中的每个所述目标特征向量之间进行比较,运用余弦相似度算法,计算两两目标特征向量之间的相似度,所述余弦相似度算法为通过计算两个向量的余弦值作为两个向量之间的相似度的算法,也可以计算相邻两个待识别图像之间的两两目标特征向量的相似度,得到每个目标特征向量与其他目标特征向量之间的相似度。
根据各所述目标特征向量之间的相似度,对所有所述目标对象和与所述目标对象对应的所述目标位置进行乘客筛选,筛选出乘客和与所述乘客对应的乘客位置。
可理解地,如果两两目标特征向量之间的相似度大于或者等于预设的相似度阈值时,说明两个目标特征向量所对应的目标对象属于同一目标对象,将两者所对应的目标对象标识为同一目标对象,如果两两目标特征向量之间的相似度小于预设的相似度阈值时,说明两个目标特征向量所对应的目标对象不属于同一目标对象,将两者所对应的目标对象标识为不同的目标对象,将同一目标对象所对应的目标位置进行汇总,得到该目标对象的移动轨迹,由于在识别出的目标对象中会存在行人,对乘客的识别会存在误判的情况,行人通常存在移动和不朝向车辆的特征,因此需对不同的目标对象所对应的移动轨迹进行乘客筛选,所述乘客筛选的过程可以为将相邻两个待识别图像中的目标对象的移动轨迹超过预设间距,且移动轨迹的朝向不朝向车辆的目标对象确定为行人,将其剔除,剩余的目标对象确认为乘员,根据各个筛选后获得的乘客所对应的移动轨迹中的最后停留的结束点,将乘客所对应的移动轨迹中结束点的目标位置记录为该乘客的乘客位置。
在一实施例中,所述根据各所述目标特征向量之间的相似度,对所有所述目标对象和与所述目标对象对应的所述目标位置进行乘客筛选,筛选出乘客和与所述乘客对应的乘客位置,包括:
根据各所述目标特征向量之间的相似度,以及各所述目标对象所对应的所述目标位置,生成各所述目标对象的移动轨迹。
可理解地,如果两两目标特征向量之间的相似度大于或者等于预设的相似度阈值时,说明两个目标特征向量所对应的目标对象属于同一目标对象,将两者所对应的目标对象标识为同一目标对象,如果两两目标特征向量之间的相似度小于预设的相似度阈值时,说明两个目标特征向量所对应的目标对象不属于同一目标对象,将两者所对应的目标对象标识为不同的目标对象,标识是否为同一目标对象,可以通过对目标对象赋予一个唯一的目标标识,通过目标标识区分出所有不同的目标对象,将同一目标对象所对应的目标位置进行汇总,得到该目标对象的移动轨迹。
对各所述移动轨迹进行行人轨迹过滤,将行人轨迹过滤后的所述移动轨迹所对应的目标对象确定为乘客。
可理解地,由于在识别出的目标对象中会存在行人,对乘客的识别会存在误判的情况,行人通常存在移动和不朝向车辆的特征,因为成年人正常行走的速度为4~7km/h,故按照4km/h计算,行人的最低速度为每秒1.11m/s,所以0.5s正常路人可移动0.55m,因此需对不同的目标对象所对应的移动轨迹进行乘客筛选,将相邻两个待识别图像中的目标对象的移动轨迹超过预设间距(例如:0.55m),且移动轨迹的朝向不朝向车辆的目标对象确定为行人,将其剔除,剩余的目标对象确认为乘员,也即计算每个移动轨迹中相邻两个目标位置之间的欧式距离和方向,生成移动向量,对移动向量中的欧式距离大于预设间距(0.55m)以及移动向量的方向与车辆平行的x轴方向的夹角大于预设角度的目标对象进行剔除,从而筛选出乘客。
基于所述乘客所对应的所述移动轨迹的结束点,确定出与所述乘客对应的所述乘客位置。
可理解地,根据各个筛选后获得的乘客所对应的移动轨迹中的结束点,将乘客所对应的移动轨迹中结束点的目标位置记录为该乘客的乘客位置,所述结束点为目标对象在车外识别视频中最后抽取的待识别图像中所停留的位置,体现了乘客站立在车辆两侧的坐标位置。
本发明实现了通过根据各所述目标特征向量之间的相似度,以及各所述目标对象所对应的所述目标位置,生成各所述目标对象的移动轨迹;对各所述移动轨迹进行行人轨迹过滤,将行人轨迹过滤后的所述移动轨迹所对应的目标对象确定为乘客;基于所述乘客所对应的所述移动轨迹的结束点,确定出与所述乘客对应的所述乘客位置,如此,实现了自动根据目标特征向量之间的相似度,判断出是否同一目标对象,并生成同一目标对象的移动轨迹,通过行人轨迹过滤将具有行人特征的目标对象进行剔除,确定出乘客,并根据乘客的移动轨迹确定出乘客位置,能够自动识别出乘客以及乘客位置,便于后续车辆座椅调节的操作,为后续的车辆座椅调节提供了可靠的、精确的数据基础。
将所有所述乘客的数量和与各所述乘客对应的乘客位置确定为所述乘客识别结果。
可理解地,统计所有所述乘客的数量,并将统计的乘客的数量和与各所述乘客对应的乘客位置确定为所述乘客识别结果,所述乘客位置体现了车辆两侧即将入座的乘客在车辆两侧距离车辆的距离或者坐标位置。
本发明实现了通过对各所述目标对象所对应的人体区域进行目标特征提取,得到与各所述目标对象对应的目标特征向量;对各所述待识别图像之间的各所述目标特征向量进行对比,得到各所述目标特征向量之间的相似度;根据各所述目标特征向量之间的相似度,对所有所述目标对象和与所述目标对象对应的所述目标位置进行乘客筛选,筛选出乘客和与所述乘客对应的乘客位置;将所有所述乘客的数量和与各所述乘客对应的乘客位置确定为所述乘客识别结果,如此,实现了通过目标特征提取,获得各个目标对象的目标特征向量,通过对比两两目标特征向量,确定出同一个目标对象,并通过乘客筛选,筛选出真正的乘客,从而获得乘客的数量,并基于各目标对象所对应的目标位置确定出各个真正的乘客位置,提高了乘客识别的准确率和可靠性,便于后续车辆座椅调节的操作,为后续的车辆座椅调节提供了可靠的、精确的数据基础。
S30,根据所述乘客位置和所述乘客的数量,确定座椅位置调节模式。
可理解地,获取车辆座椅总数、车辆主副座椅的数量和车辆待调节座椅的数量,所述车辆主副座椅为车主驾驶位的座椅和车主旁边的副驾驶位座椅,将车辆主副座椅的数量和车辆待调节座椅的数量记录为车辆前排座椅数量,判断所述乘客的数量是否小于或者等于车辆座椅总数,如果所述乘客的数量小于或者等于车辆座椅总数,就判断所述乘客的数量与所述车辆主副座椅的数量的大小,在所述乘客的数量小于或者等于所述车辆主副座椅的数量时,确定座椅位置调节模式为无需调节模式,无需调节模式体现车辆待调节座椅无需移动的模式;在所述乘客的数量大于所述车辆主副座椅的数量时,就判断所述乘客的数量与所述车辆前排座椅数量的大小,在所述乘客的数量小于或者等于车辆前排座椅数量时,确定为后移调节模式,说明入座的乘客将会入座靠近车门的车辆待调节座椅,为让入座车辆待调节座椅的空间尽可能的大,满足乘客的入座舒适度,将车辆待调节座椅向车辆车头的反方向进行后移,扩大车辆待调节座椅车头前方的空间,在一实施例中,所述后移调节模式包括左后移调节模式和右后移调节模式,根据乘客位置确定出乘客分布图,所述乘客分布图体现了乘客在车辆左/右后门(与乘客位置中的车辆前后门之间的相对位置对应)所站立的乘客的左/右数量,在乘客位置中所有“后”中“左”数量为零时,确定为右后移调节模式,说明左侧的车辆待调节座椅无需调节,只需调节右侧的车辆待调节座椅后移,在乘客位置中所有“后”中“右”数量为零时,确定为左后移调节模式,说明右侧的车辆待调节座椅无需调节,只需调节左侧的车辆待调节座椅后移;在所述乘客的数量大于车辆前排座椅数量时,确定为前移调节模式,说明入座的乘客将会入座车辆除车主座椅和副驾驶位座椅以外的预设固定座椅,需要通过调节车辆待调节座椅腾出足够的空间,以便于乘客入座预设固定座椅,满足乘客的入座预设固定座椅的舒适度,将车辆待调节座椅向车辆车头前方进行前移,扩大乘客入座预设固定座椅的空间,在一实施例中,所述前移调节模式包括左前移调节模式和右前移调节模式,根据乘客位置确定出乘客分布图,所述乘客分布图体现了乘客在车辆左/右后门(与乘客位置中的车辆前后门之间的相对位置对应)所站立的乘客的左/右数量,在乘客位置中所有“后”中“左”数量为零时,确定为右前移调节模式,说明左侧的车辆待调节座椅无需调节,只需调节右侧的车辆待调节座椅前移,在乘客位置中所有“后”中“右”数量为零时,确定为左前移调节模式,说明右侧的车辆待调节座椅无需调节,只需调节左侧的车辆待调节座椅前移。
其中,所述座椅位置调节模式体现了车辆待调节座椅的移动的调节模式,所述座椅位置调节模式包括无需调节模式、后移调节模式和前移调节模式。
S40,控制车辆待调节座椅执行与所述座椅位置调节模式对应的座椅调节操作。
可理解地,在接收到所述座椅位置调节模式之后,向所述车辆待调节座椅发送控制指令,以控制所述车辆待调节座椅做与所述座椅位置调节模式相应的座椅调节操作,所述座椅调节操作与所述座椅位置调节模式一一对应,在所述座椅位置调节模式为无需调节模式时,座椅调节操作为控制车辆待调节座椅无需移动的操作;在所述座椅位置调节模式为后移调节模式时,座椅调节操作为控制车辆待调节座椅向车头相反的方向后移预设的第一移动距离,所述第一移动距离可以根据需求设定,以扩大车辆待调节座椅车头前方的空间,满足乘客坐在车辆待调节座椅上的周围空间;在所述座椅位置调节模式为左后移调节模式时,座椅调节操作为控制车辆左侧的车辆待调节座椅向车头相反的方向后移预设的第一移动距离;在所述座椅位置调节模式为右后移调节模式时,座椅调节操作为控制车辆右侧的车辆待调节座椅向车头相反的方向后移预设的第一移动距离;在所述座椅位置调节模式为前移调节模式时,座椅调节操作为控制车辆待调节座椅向车头的方向前移预设的第二移动距离,所述第二移动距离可以根据需求设定,以便于乘客入座预设固定座椅,满足乘客的入座预设固定座椅的舒适度,让乘客上车时无需手动对车辆待调节座椅操作,大大减少人工操作;在所述座椅位置调节模式为左前移调节模式时,座椅调节操作为控制车辆左侧的车辆待调节座椅向车头的方向前移预设的第二移动距离;在所述座椅位置调节模式为右前移调节模式时,座椅调节操作为控制车辆右侧的车辆待调节座椅向车头的方向前移预设的第二移动距离。
本发明实现了通过获取车外识别视频;对所述车外识别视频进行乘客实体识别,得到包含乘客的数量和与所述乘客对应的乘客位置的乘客识别结果;根据所述乘客位置和所述乘客的数量,确定出座椅位置调节模式;控制车辆待调节座椅执行与所述座椅位置调节模式对应的座椅调节操作,因此,本发明能够获取车辆外围的视频,通过乘客实体识别技术,自动地、准确地识别出拍摄的视频中的乘客的数量以及各个乘客的位置,基于乘客的数量和乘客的位置,确定出座椅位置调节模式,自动控制车辆待调节座椅执行与座椅位置调节模式对应的座椅调节操作,通过基于乘客的数量和乘客的位置,自动确定出车辆待调节座椅的调节模式,能够在车辆内部腾出足够的空间,便于乘客舒适地进入车辆及入座,而且无需乘客十分吃力的手动调节座椅,解决了手动操作带来的诸多入座不便,满足了乘客入座的舒适性,大大提高了车辆的座椅调节的性能。
在一实施例中,如图4所示,所述步骤S40之后,即所述控制车辆待调节座椅执行与所述座椅位置调节模式对应的座椅调节操作之后,包括:
S50,接收乘客入座结果;所述乘客入座结果包括乘客在预设车辆固定座椅上的入座信息。
可理解地,实时或者定时接收乘客入座结果,所述乘客入座结果包括乘客在所述预设车辆固定座椅上的入座信息,所述预设车辆固定座椅为除车主座椅、副驾驶座椅和车辆待可调座椅以外的预设在车辆中无法移动的座椅,所述乘客入座结果体现了乘客是否完成入座所述预设车辆固定座椅的情况。
在一实施例中,所述乘客入座结果通过对安装在车辆上的内采摄像头拍摄的车内监控视频进行入座识别后得到;或/和
所述乘客入座结果通过安装在所述预设固定座椅上的传感器的感应数据得到。
可理解地,在所述乘客的数量大于车辆前排座椅数量时,计算车辆座椅总数与所述乘客的数量的差值,得到入座所述预设固定座椅的后排数量,通过所述内采拍摄头拍摄车内监控视频,所述内采摄像头安装在车辆内,用于采集车辆内部的座椅情况,并与控制模块连接,对所述车内监控视频进行入座识别,所述入座识别为识别出所述预设固定座椅上具有人头或者人身特征的对象的个数的过程,通过入座检测模型对监控视频进行人头或者人身特征的提取,根据提取的人头或者人身特征进行分类,分类出人头或者人身的个数,得到入座数量,在所述入座数量大于或者等于所述后排数量时,确定第一入座结果为所有乘客完成入座,获取通过安装在所述预设固定座椅上的传感器感应乘客入座所述预设固定座椅的感应数据,根据各个传感器反馈的感应数据确定乘客入座所述预设固定座椅的个数,在确定的个数大于或者等于所述后排数量时,确定第二入座结果为所有乘客完成入座。
其中,所述乘客入座结果为所述第一入座结果或/和所述第二入座结果。
如此,通过对内采拍摄头拍摄车内监控视频进行入座识别,以及对安装在预设固定座椅上的传感器的感应数据进行分析,能够更加准确地确定出乘客入座预设固定座椅的乘客入座结果,提高了乘客入座结果输出的准确性和可靠性。
S60,在所述乘客入座结果表征所有乘客完成入座时,触发座椅位置归位模式,并控制所述车辆待调节座椅执行与所述座椅位置归位模式对应的座椅归位操作。
可理解地,在所述乘客入座结果表征所有乘客完成入座时,表明此次需要入座所述预设固定座椅的乘客已经入座完成,触发座椅位置归位模式,所述座椅位置归位模式为需将车辆待调节座椅移动回原始位置的模式,控制所述车辆待调节座椅执行的座椅归位操作为将不在原始位置的车辆待调节座椅回归移动至原始位置,即将移动过的车辆待调节座椅归位的操作。
本发明实现了通过在控制车辆待调节座椅执行与所述座椅位置调节模式对应的座椅调节操作之后,接收乘客入座结果;所述乘客入座结果包括乘客在预设车辆固定座椅上的入座信息;在所述乘客入座结果表征所有乘客完成入座时,触发座椅位置归位模式,并控制所述车辆待调节座椅执行与所述座椅位置归位模式对应的座椅归位操作,如此,实现了实时监控预设固定座椅的入座情况,能够在乘客入座完预设固定座椅后,自动控制车辆待调节座椅归位,无需手动将车辆待调节座椅归位,让乘客在入座时无需手动操作,大大提高了乘客入座的舒适满意度,避免了乘客入座时的手动不便操作,大大提高了座椅调节的车辆性能。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在一实施例中,提供一种车辆座椅调节装置,该车辆座椅调节装置与上述实施例中车辆座椅调节方法一一对应。如图5所示,该车辆座椅调节装置包括获取单元11,识别单元12,输出单元13和调节单元14。各单元详细说明如下:
获取单元11,用于获取车外识别视频;
识别单元12,用于对所述车外识别视频进行乘客实体识别,得到乘客识别结果;所述乘客识别结果包括乘客的数量以及与所述乘客对应的乘客位置;
输出单元13,用于根据所述乘客位置和所述乘客的数量,确定座椅位置调节模式;
调节单元14,用于控制车辆待调节座椅执行与所述座椅位置调节模式对应的座椅调节操作。
关于车辆座椅调节装置的具体限定可以参见上文中对于车辆座椅调节方法的限定,在此不再赘述。上述车辆座椅调节装置中的各个单元可全部或部分通过软件、硬件及其组合来实现。
在一实施例中,本发明提供了一种车辆,所述车辆包括用于执行上述的车辆座椅调节方法的控制模块,其中,所述控制模块包括通过系统总线连接的处理器、存储器、接口和数据库,所述控制模块的处理器用于提供计算和控制调节能力,该计算机设备的存储器包括可读存储介质、内存储器,该可读存储介质存储有操作系统、计算机程序和数据库,该内存储器为可读存储介质中的操作系统和计算机程序的运行提供环境。该计算机程序被处理器执行时以实现一种车辆座椅调节方法,所述车辆还包括外采摄像头、内采摄像头和传感器,所述控制模块通过接口连接所述外采摄像头、所述内采摄像头和所述传感器,其连接方式在此不做限定,比如有线连接、无线连接、蓝牙连接等等,所述外采摄像头用于采集车辆两侧的外部环境的视频,所述内采摄像头用于采集车辆内部的座椅情况,所述传感器用于感应乘客入座座椅的情况。
在一实施例中,本发明提供了一种车辆,上述车辆座椅调节装置应用至所述车辆中。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (11)
1.一种车辆座椅调节方法,其特征在于,包括:
获取车外识别视频;
对所述车外识别视频进行乘客实体识别,得到乘客识别结果;所述乘客识别结果包括乘客的数量以及与所述乘客对应的乘客位置;
根据所述乘客位置和所述乘客的数量,确定座椅位置调节模式;
控制车辆待调节座椅执行与所述座椅位置调节模式对应的座椅调节操作。
2.如权利要求1所述的车辆座椅调节方法,其特征在于,所述对所述车外识别视频进行乘客实体识别,得到乘客识别结果,包括:
对所述车外识别视频进行视频帧抽取,得到多个视频帧图像;
对各所述视频帧图像进行基于车辆轴距的图像裁剪,得到与各所述视频帧图像对应的待识别图像;
对所有所述待识别图像进行乘客识别,得到所述乘客识别结果。
3.如权利要求2所述的车辆座椅调节方法,其特征在于,所述对所有所述待识别图像进行乘客识别,得到所述乘客识别结果,包括:
针对每一个所述待识别图像,进行基于预设的监测范围的人体目标识别,得到落入所述监测范围的目标对象和与所述目标对象对应的目标位置;
基于各所述待识别图像的所述目标对象和所述目标位置,对所有所述待识别图像进行乘客识别,得到所述乘客识别结果。
4.如权利要求3所述的车辆座椅调节方法,其特征在于,所述对所述待识别图像进行基于预设的监测范围的人体目标识别,得到落入所述监测范围的目标对象和与所述目标对象对应的目标位置,包括:
对所述待识别图像进行人体目标识别,得到所述待识别图像中的多个待处理对象和与所述待处理对象对应的人体区域;
基于所述人体区域,对各所述待处理对象进行预设监测范围的过滤,得到所述目标对象;
基于所述目标对象所对应的所述人体区域,对各所述目标对象进行定位,得到与各所述目标对象对应的所述目标位置。
5.如权利要求4所述的车辆座椅调节方法,其特征在于,所述对所述待识别图像进行人体目标识别,得到所述待识别图像中的多个待处理对象和与所述待处理对象对应的人体区域,包括:
将所述待识别图像输入至人体目标检测模型;所述人体目标检测模型为通过迁移学习的目标检测网络训练后获得;
通过所述人体目标检测模型对所述待识别图像进行人体特征的提取,得到特征图;
对所述特征图进行目标识别,识别出所述待识别图像中含有人体的所述待处理对象,以及与各所述待处理对象对应的人体区域。
6.如权利要求3所述的车辆座椅调节方法,其特征在于,所述基于各所述待识别图像的所述目标对象和所述目标位置,对所有所述待识别图像进行乘客识别,得到所述乘客识别结果,包括:
对各所述目标对象所对应的人体区域进行目标特征提取,得到与各所述目标对象对应的目标特征向量;
对各所述待识别图像之间的各所述目标特征向量进行对比,得到各所述目标特征向量之间的相似度;
根据各所述目标特征向量之间的相似度,对所有所述目标对象和与所述目标对象对应的所述目标位置进行乘客筛选,筛选出乘客和与所述乘客对应的乘客位置;
将所有所述乘客的数量和与各所述乘客对应的乘客位置确定为所述乘客识别结果。
7.如权利要求6所述的车辆座椅调节方法,其特征在于,所述根据各所述目标特征向量之间的相似度,对所有所述目标对象和与所述目标对象对应的所述目标位置进行乘客筛选,筛选出乘客和与所述乘客对应的乘客位置,包括:
根据各所述目标特征向量之间的相似度,以及各所述目标对象所对应的所述目标位置,生成各所述目标对象的移动轨迹;
对各所述移动轨迹进行行人轨迹过滤,将行人轨迹过滤后的所述移动轨迹所对应的目标对象确定为乘客;
基于所述乘客所对应的所述移动轨迹的结束点,确定出与所述乘客对应的所述乘客位置。
8.如权利要求1所述的车辆座椅调节方法,其特征在于,所述控制车辆待调节座椅执行与所述座椅位置调节模式对应的座椅调节操作之后,包括:
接收乘客入座结果;所述乘客入座结果包括乘客在预设车辆固定座椅上的入座信息;
在所述乘客入座结果表征所有乘客完成入座时,触发座椅位置归位模式,并控制所述车辆待调节座椅执行与所述座椅位置归位模式对应的座椅归位操作。
9.如权利要求8所述的车辆座椅调节方法,其特征在于,所述乘客入座结果通过对安装在车辆上的内采摄像头拍摄的车内监控视频进行入座识别后得到;或/和
所述乘客入座结果通过安装在所述预设固定座椅上的传感器的感应数据得到。
10.一种车辆座椅调节装置,其特征在于,包括:
获取单元,用于获取车外识别视频;
识别单元,用于对所述车外识别视频进行乘客实体识别,得到乘客识别结果;所述乘客识别结果包括乘客的数量以及与所述乘客对应的乘客位置;
输出单元,用于根据所述乘客位置和所述乘客的数量,确定座椅位置调节模式;
调节单元,用于控制车辆待调节座椅执行与所述座椅位置调节模式对应的座椅调节操作。
11.一种车辆,其特征在于,包括用于执行权利要求1至9任一项所述的车辆座椅调节方法的控制模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210290477.2A CN115214430B (zh) | 2022-03-23 | 2022-03-23 | 车辆座椅调节方法及车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210290477.2A CN115214430B (zh) | 2022-03-23 | 2022-03-23 | 车辆座椅调节方法及车辆 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115214430A true CN115214430A (zh) | 2022-10-21 |
CN115214430B CN115214430B (zh) | 2023-11-17 |
Family
ID=83606090
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210290477.2A Active CN115214430B (zh) | 2022-03-23 | 2022-03-23 | 车辆座椅调节方法及车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115214430B (zh) |
Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101093589A (zh) * | 2006-06-19 | 2007-12-26 | 株式会社电装 | 车辆控制系统 |
CN102855475A (zh) * | 2012-09-17 | 2013-01-02 | 广州杰赛科技股份有限公司 | 一种校车监控方法和系统 |
CN104167094A (zh) * | 2014-06-30 | 2014-11-26 | 惠州市水木网络科技有限公司 | 公交车智能发车和承载信息显示系统及发车控制方法 |
CN104210489A (zh) * | 2014-09-16 | 2014-12-17 | 武汉理工大学 | 车路协同环境下车辆与行人碰撞规避方法与系统 |
CN108985259A (zh) * | 2018-08-03 | 2018-12-11 | 百度在线网络技术(北京)有限公司 | 人体动作识别方法和装置 |
CN109684952A (zh) * | 2018-12-13 | 2019-04-26 | 北京航空航天大学 | 一种适用于高铁列车智能空调的乘客分布检测系统及方法 |
CN109829436A (zh) * | 2019-02-02 | 2019-05-31 | 福州大学 | 一种基于深度表观特征和自适应聚合网络的多人脸跟踪方法 |
JP2019217808A (ja) * | 2018-06-15 | 2019-12-26 | アイシン精機株式会社 | 乗員認識装置 |
US20200231109A1 (en) * | 2019-01-22 | 2020-07-23 | GM Global Technology Operations LLC | Seat belt status determining system and method |
WO2020151083A1 (zh) * | 2019-01-24 | 2020-07-30 | 北京明略软件系统有限公司 | 区域确定方法、装置、存储介质和处理器 |
CN111523414A (zh) * | 2020-04-13 | 2020-08-11 | 绍兴埃瓦科技有限公司 | 人脸识别方法、装置、计算机设备和存储介质 |
CN111753579A (zh) * | 2019-03-27 | 2020-10-09 | 杭州海康威视数字技术股份有限公司 | 指定代步工具的检测方法及装置 |
CN112026686A (zh) * | 2019-06-04 | 2020-12-04 | 上海汽车集团股份有限公司 | 一种自动调节车辆座椅位置的方法及装置 |
CN112124232A (zh) * | 2020-10-19 | 2020-12-25 | 的卢技术有限公司 | 一种自动调节车辆座椅的方法 |
CN112277797A (zh) * | 2020-10-23 | 2021-01-29 | 广汽蔚来新能源汽车科技有限公司 | 汽车内的生命探测报警方法、装置、设备和介质 |
CN112528812A (zh) * | 2020-12-04 | 2021-03-19 | 京东方科技集团股份有限公司 | 行人跟踪的方法、行人跟踪装置以及行人跟踪系统 |
CN112561957A (zh) * | 2020-11-30 | 2021-03-26 | 锐捷网络股份有限公司 | 一种目标对象的状态跟踪方法及装置 |
US20210192239A1 (en) * | 2019-06-27 | 2021-06-24 | Sensetime Group Limited | Method for recognizing indication information of an indicator light, electronic apparatus and storage medium |
CN113160322A (zh) * | 2021-03-17 | 2021-07-23 | 地平线(上海)人工智能技术有限公司 | 摄像装置标定方法和设备、介质以及电子设备 |
CN113705294A (zh) * | 2021-03-04 | 2021-11-26 | 腾讯科技(深圳)有限公司 | 一种基于人工智能的图像识别方法、装置 |
CN113815498A (zh) * | 2021-09-17 | 2021-12-21 | 阿尔特汽车技术股份有限公司 | 一种基于soa服务的车身座椅记忆调节方法 |
CN114067246A (zh) * | 2021-11-16 | 2022-02-18 | 深圳市商汤科技有限公司 | 视频标注、模型测试方法及装置、电子设备和存储介质 |
CN114139042A (zh) * | 2020-09-03 | 2022-03-04 | 阿里巴巴集团控股有限公司 | 图像的处理方法、装置、系统、存储介质及处理器 |
-
2022
- 2022-03-23 CN CN202210290477.2A patent/CN115214430B/zh active Active
Patent Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101093589A (zh) * | 2006-06-19 | 2007-12-26 | 株式会社电装 | 车辆控制系统 |
CN102855475A (zh) * | 2012-09-17 | 2013-01-02 | 广州杰赛科技股份有限公司 | 一种校车监控方法和系统 |
CN104167094A (zh) * | 2014-06-30 | 2014-11-26 | 惠州市水木网络科技有限公司 | 公交车智能发车和承载信息显示系统及发车控制方法 |
CN104210489A (zh) * | 2014-09-16 | 2014-12-17 | 武汉理工大学 | 车路协同环境下车辆与行人碰撞规避方法与系统 |
JP2019217808A (ja) * | 2018-06-15 | 2019-12-26 | アイシン精機株式会社 | 乗員認識装置 |
CN108985259A (zh) * | 2018-08-03 | 2018-12-11 | 百度在线网络技术(北京)有限公司 | 人体动作识别方法和装置 |
CN109684952A (zh) * | 2018-12-13 | 2019-04-26 | 北京航空航天大学 | 一种适用于高铁列车智能空调的乘客分布检测系统及方法 |
US20200231109A1 (en) * | 2019-01-22 | 2020-07-23 | GM Global Technology Operations LLC | Seat belt status determining system and method |
WO2020151083A1 (zh) * | 2019-01-24 | 2020-07-30 | 北京明略软件系统有限公司 | 区域确定方法、装置、存储介质和处理器 |
CN109829436A (zh) * | 2019-02-02 | 2019-05-31 | 福州大学 | 一种基于深度表观特征和自适应聚合网络的多人脸跟踪方法 |
CN111753579A (zh) * | 2019-03-27 | 2020-10-09 | 杭州海康威视数字技术股份有限公司 | 指定代步工具的检测方法及装置 |
CN112026686A (zh) * | 2019-06-04 | 2020-12-04 | 上海汽车集团股份有限公司 | 一种自动调节车辆座椅位置的方法及装置 |
US20210192239A1 (en) * | 2019-06-27 | 2021-06-24 | Sensetime Group Limited | Method for recognizing indication information of an indicator light, electronic apparatus and storage medium |
CN111523414A (zh) * | 2020-04-13 | 2020-08-11 | 绍兴埃瓦科技有限公司 | 人脸识别方法、装置、计算机设备和存储介质 |
CN114139042A (zh) * | 2020-09-03 | 2022-03-04 | 阿里巴巴集团控股有限公司 | 图像的处理方法、装置、系统、存储介质及处理器 |
CN112124232A (zh) * | 2020-10-19 | 2020-12-25 | 的卢技术有限公司 | 一种自动调节车辆座椅的方法 |
CN112277797A (zh) * | 2020-10-23 | 2021-01-29 | 广汽蔚来新能源汽车科技有限公司 | 汽车内的生命探测报警方法、装置、设备和介质 |
CN112561957A (zh) * | 2020-11-30 | 2021-03-26 | 锐捷网络股份有限公司 | 一种目标对象的状态跟踪方法及装置 |
CN112528812A (zh) * | 2020-12-04 | 2021-03-19 | 京东方科技集团股份有限公司 | 行人跟踪的方法、行人跟踪装置以及行人跟踪系统 |
CN113705294A (zh) * | 2021-03-04 | 2021-11-26 | 腾讯科技(深圳)有限公司 | 一种基于人工智能的图像识别方法、装置 |
CN113160322A (zh) * | 2021-03-17 | 2021-07-23 | 地平线(上海)人工智能技术有限公司 | 摄像装置标定方法和设备、介质以及电子设备 |
CN113815498A (zh) * | 2021-09-17 | 2021-12-21 | 阿尔特汽车技术股份有限公司 | 一种基于soa服务的车身座椅记忆调节方法 |
CN114067246A (zh) * | 2021-11-16 | 2022-02-18 | 深圳市商汤科技有限公司 | 视频标注、模型测试方法及装置、电子设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
冯治国;: "车内乘客智能手机控制模块设计理念", 山东工业技术, no. 20 * |
李雪煜;杨松;秦炜茗;孙淑婷;宫明;曲洲;: "基于树梅派和OpenCV的车牌识别算法研究", 电脑编程技巧与维护, no. 04 * |
Also Published As
Publication number | Publication date |
---|---|
CN115214430B (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10223597B2 (en) | Method and system for calculating passenger crowdedness degree | |
CN110334569B (zh) | 客流量进出识别方法、装置、设备及存储介质 | |
CN103699905B (zh) | 一种车牌定位方法及装置 | |
JP6650657B2 (ja) | フィンガープリントを使用してビデオ内で移動オブジェクトを追跡するため方法及びシステム | |
CN112026686B (zh) | 一种自动调节车辆座椅位置的方法及装置 | |
US9626599B2 (en) | Reconfigurable clear path detection system | |
WO2021139049A1 (zh) | 检测方法、检测装置、监控设备和计算机可读存储介质 | |
US10699567B2 (en) | Method of controlling a traffic surveillance system | |
CN106652465A (zh) | 一种道路异常驾驶行为的识别方法及系统 | |
US20060067562A1 (en) | Detection of moving objects in a video | |
US20030190058A1 (en) | Apparatus and method for measuring queue length of vehicles | |
CN111178245A (zh) | 车道线检测方法、装置、计算机设备和存储介质 | |
CN112487908B (zh) | 基于车载视频的前方车辆压线行为检测和动态追踪方法 | |
CN104778444A (zh) | 道路场景下车辆图像的表观特征分析方法 | |
JP2014071902A5 (zh) | ||
CN111891061B (zh) | 车辆碰撞检测方法、装置和计算机设备 | |
KR102166283B1 (ko) | 교통 신호기 제어 장치 | |
CN112419733A (zh) | 一种用户不规范停车的检测方法、装置、设备和存储介质 | |
CN113034378B (zh) | 一种区分电动汽车与燃油汽车的方法 | |
CN106650730A (zh) | 汽车变道过程中的转向灯检测方法和系统 | |
JP2019106193A (ja) | 情報処理装置、情報処理プログラム、及び、情報処理方法 | |
US20170053172A1 (en) | Image processing apparatus, and image processing method | |
CN114419669A (zh) | 一种基于重识别和方位感知的实时跨摄像头行人跟踪方法 | |
CN112733598A (zh) | 车辆违法判别方法、装置、计算机设备和存储介质 | |
RU2005133866A (ru) | Способ и система для автоматического обнаружения трехмерных образов |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |