CN116946063A - 车辆的安全带装置 - Google Patents
车辆的安全带装置 Download PDFInfo
- Publication number
- CN116946063A CN116946063A CN202211492361.3A CN202211492361A CN116946063A CN 116946063 A CN116946063 A CN 116946063A CN 202211492361 A CN202211492361 A CN 202211492361A CN 116946063 A CN116946063 A CN 116946063A
- Authority
- CN
- China
- Prior art keywords
- pattern
- webbing
- seat belt
- monitoring system
- image
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 claims abstract description 107
- 238000000576 coating method Methods 0.000 claims abstract description 57
- 239000011248 coating agent Substances 0.000 claims abstract description 56
- 239000000463 material Substances 0.000 claims abstract description 32
- 239000003973 paint Substances 0.000 claims description 19
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 10
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 230000003247 decreasing effect Effects 0.000 claims 1
- 238000000034 method Methods 0.000 description 24
- 238000001514 detection method Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 17
- 238000011176 pooling Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000001788 irregular Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 238000000059 patterning Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000009941 weaving Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
- B60R22/00—Safety belts or body harnesses in vehicles
- B60R22/48—Control systems, alarms, or interlock systems, for the correct application of the belt or harness
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
- B60R22/00—Safety belts or body harnesses in vehicles
- B60R22/48—Control systems, alarms, or interlock systems, for the correct application of the belt or harness
- B60R2022/4808—Sensing means arrangements therefor
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Mechanical Engineering (AREA)
- Automotive Seat Belt Assembly (AREA)
Abstract
本发明涉及一种车辆的安全带装置。本发明中描述的车辆的安全带装置包括安全带,所述安全带联接到座椅并且包括织带,所述织带包括可检测材料;视觉传感器,其配置为通过捕获包括座椅的视野区域来产生影像;以及监控系统,其配置为例如基于影像中涂覆有至少一种涂料的图案来检测织带的长度,并且基于检测到的织带的长度来确定用户是否按照需要佩戴了安全带或者错误佩戴了安全带。
Description
相关申请的交叉引用
本申请根据《美国法典》第35卷第119(a)条要求2022年4月 25日在韩国知识产权局提交的韩国专利申请No.10-2022-0050538和 2022年6月23日在韩国知识产权局提交的韩国专利申请 No.10-2022-0076660的权益,其全部内容通过引用并入本文。
技术领域
本发明的实施方案涉及车辆的安全带装置,更具体地,涉及应用安全带佩戴监控方法的车辆。
背景技术
为了保护自动驾驶车辆中的乘客,乘客必须正常佩戴安全带。当乘客没有佩戴安全带时,发生事故时乘客无法得到保护。因此,需要一种引导乘客正常佩戴安全带的技术。
在相关技术中,通过使用嵌入在用于紧固安全带的带扣中的on/off 开关,检测乘客是否佩戴了安全带。当安全带没有紧固到带扣时,会产生提醒佩戴安全带的警报。然而,当乘客在没有佩戴安全带的情况下将假的舌状物紧固到带扣,或者将安全带异常地紧固到带扣时,会出现无法检测到这些情况的问题。
公开于该背景技术部分的上述信息仅仅旨在增强对本发明的背景的理解,因此其可能包含并不构成在本国已为本领域普通技术人员所公知的现有技术的信息。
发明内容
本发明致力于提供一种车辆的安全带装置,所述安全带装置具有检测是否正常地或按需要佩戴了安全带的优点。
在一个方面中,提供一种车辆的安全带装置,所述安全带装置包括:(a)安全带,其联接到座椅并包括织带,所述织带包括可检测材料或呈至少一种图案的涂料;(b)视觉传感器,其配置为通过捕获包括座椅的视野区域来产生影像;以及(c)监控系统,其配置为在影像中检测涂覆有至少一种涂料的可检测材料图案,并且基于检测到的可检测材料确定用户是否i)正确或按照需要佩戴了安全带或者ii)错误佩戴了安全带。在某些实施方案中,安全带适当地包括织带,所述织带包括可检测材料。在某些实施方案中,所述织带包括涂覆为呈至少一种图案的涂料的可检测材料。
在优选方面,提供一种车辆的安全带装置,其包括安全带,所述安全带联接到座椅并且包括以呈至少一种图案的涂料涂覆的织带;视觉传感器,其配置为通过捕获包括座椅的视野区域来产生影像;以及监控系统,其配置为基于影像中涂覆有至少一种涂料的图案来检测织带的长度,并且基于检测到的织带的长度来确定用户是否i)正确或按照需要佩戴了安全带或者ii)错误佩戴了安全带。
所述织带可以包括具有规则顺序并且以涂料涂覆图案实现的织带,所述规则顺序具有面积和长度信息,所述涂料涂覆图案具有等于或大于预定的范围的红外反射率。
所述可检测材料或涂料涂覆图案可以形成包括具有特定尺寸的唯一编号的红外涂料涂覆图案的织带结构,并且所述安全带装置可以通过涂料涂覆图案确定拉出的织带的量。
所述可检测材料或涂料涂覆图案可以以后涂实现或者以纱线预涂涂覆实现。
所述监控系统适当地可以在影像中检测与特定的图案匹配的图案,并且根据与检测到的特定的图案匹配的图案的数量来检测拉出的织带的长度。
所述监控系统适当地可以从影像中提取至少两个感兴趣区域 (ROI),并且基于提取的至少两个ROI的共同的预定的区域计算拉出的织带长度。
所述监控系统适当地可以通过将在提取的至少两个ROI中的佩戴 ROI的最上端检测到的图案的编号与在提取的至少两个ROI中的非佩戴ROI的最上端检测到的图案的编号进行比较,来计算拉出的织带长度。
所述监控系统适当地可以将预定的参考织带长度范围与检测到的拉出的织带的长度进行比较,并且基于比较结果确定用户是否佩戴了安全带或错误佩戴了安全带。
所述监控系统适当地可以在佩戴安全带之后,检测在提取的至少两个ROI中的佩戴ROI中检测到的图案的数量。
当拉出的织带长度在参考织带长度范围内并且在佩戴ROI中检测到的图案的数量大于或等于参考数量范围时,所述监控系统适当地可以确定出用户正常佩戴了安全带。
当确定出用户错误佩戴了安全带时,所述监控系统适当地可以产生关于视觉传感器的重新捕获控制命令并将重新捕获控制命令发送到视觉传感器。
所述视觉传感器适当地可以通过根据重新捕获控制命令重新捕获视野区域来产生影像,并且将通过重新捕获产生的影像发送到监控系统。
当确定出用户错误佩戴了安全带时,所述监控系统适当地可以控制车辆的扬声器或显示器,以在重新捕获之前执行通知来警告用户佩戴安全带。
所述监控系统适当地可以利用图像匹配或卷积神经网络(CNN) 算法,以从影像中提取与特定的图案匹配的图案。
所述监控系统适当地可以从构成影像的多个帧中选择多个图案中的一个,跟踪多个帧的每个帧中的始终选择的图案的位移,并且估算呼吸速率。
所述监控系统适当地可以跟踪所选择的图案的x轴和y轴中的每一个的位移,计算x轴和y轴中的每一个的长度增加和减少的次数,并且估算呼吸速率。
所述至少一个图案适当地可以包括根据n×n计数制方式的图案,其中,n是等于或大于3的自然数。
所述至少一个图案可以包括根据图形、标志、字母和数字中的至少一种的规则图案。
所述至少一个图案可以包括以特定的顺序包括多个无规则图案的图案。
提供一种能够检测是否正常佩戴了安全带的车辆的安全带装置。
如本文所述,术语涂料可以包括例如任何涂覆或标记材料或可数据化材料,包括一体材料(即,与包括安全带织带的安全带的构造的材料成一体的材料)并提供本文公开的功能,例如涂料可以与监控系统一起工作的功能。
如所讨论的,所述方法和系统适当地包括使用控制器或处理器。
在另一实施方案中,提供了包括如本文所公开的装置的车辆。
附图说明
图1是示出了在车辆内部观看挡风玻璃的方向上的车辆内部的示意图。
图2是示出了在车辆的挡风玻璃观看内部的方向上的车辆内部的示意图。
图3A和图3B是示出了根据实施方案的涂覆有涂料的安全带的织带的示意图。
图4A是示意性地示出了根据实施方案的座椅、安全带装置、监控系统和视觉传感器的示意图。
图4B是示出了根据实施方案的视觉传感器的框图。
图5A和图5B是示出了根据实施方案的影像中的感兴趣区域的示意图。
图6是示出了根据实施方案的可以涂覆在织带上的多个图案的示意图。
图7是示出了根据实施方案的可以涂覆在织带上的各种图案的示意图。
图8是示出了根据实施方案的可以涂覆在织带上的无规则图案的示意图。
图9是示意性地示出了根据实施方案的以CNN算法实现的监控系统的结构的示意图。
图10是示出了根据示例性实施方案的安全带佩戴监控方法的流程图。
附图标记说明:
1:车辆
2:监控系统
20:视觉传感器。
具体实施方式
在下文中,将参考附图详细描述本说明书中公开的实施方案,但相同或相似的组件被赋予相同或相似的附图标记,并且将省略其冗余描述。
仅仅考虑撰写说明书的方便性使用或混合使用以下描述中使用的组件后缀“模块”和/或“部件”,它们不具有彼此不同的含义或作用。此外,在描述本说明书中公开的实施方案时,当确定出相关已知技术的详细描述可能模糊本说明书中所公开的实施方案的要点时,将省略其详细描述。此外,附图仅仅用于容易理解本说明书中公开的实施方案,不限制本说明书中所公开的技术思想,并且应当理解为包括本发明的精神和范围中包括的所有变化形式、等同形式或替代形式。
包括诸如第一、第二等等序号的术语可以用于描述各种组件,但是组件不受这些术语的限制。这些术语仅仅用于将一个组件和另一个组件进行区分的目的。
将理解,当组件被称为“连接到”或“联接到”另一个组件时,它可以连接到或联接到其它组件,或者可以存在中间组件。相反,当组件被称为“直接连接到”或“直接联接到”另一个组件时,不存在中间组件。
将进一步理解,当在本说明书中使用术语“包括”和/或“包括有”时,指定存在所述特征、数值、步骤、操作、组件和/或部件,但不排除存在或添加一个或多个其它特征、数值、步骤、操作、组件、部件和/或其组合。
另外,说明书中描述的术语“……器(er)”、“……设备(or)”和“模块”指的是用于处理至少一种功能和操作的单元,并且可以通过硬件组件或软件组件及其组合来实现。
应当理解,本文中使用的术语“车辆”或“车辆的”或其它类似术语一般包括机动车辆,例如包括运动型多用途车辆(SUV)、大客车、大货车、各种商用车辆的乘用车辆,包括各种舟艇、船舶的船只,航空器等等,并且包括混合动力车辆、电动车辆、插电式混合动力电动车辆、氢动力车辆以及其它替代性燃料车辆(例如,源于非汽油的能源的燃料)。如本文所提到的,混合动力车辆是具有两种或更多种动力源的车辆,例如汽油动力和电力动力两者的车辆。
本文中所使用的术语仅仅出于描述具体实施方案的目的并且并不旨在限制本发明。如本文所使用的,单数形式的“一”、“一个”和“所述”旨在也包括复数形式,除非上下文明确指示相反的情况。这些术语仅仅旨在区分一个组件与另一个组件,并且这些术语不限制组成组件的性质、次序或顺序。将进一步理解,当在本说明书中使用术语“包括”和/或“包括有”时,指定存在所述特征、数值、步骤、操作、元件和/或组件,但不排除存在或添加一个或多个其它特征、数值、步骤、操作、元件、组件和/或其群组。如本文中使用的,术语“和/或”包括一个或更多个相关列举项的任何和所有组合。在整个说明书中,除非明确描述为相反的情况,否则词语“包括”和诸如“包含”或“包含有”的变体将理解成暗示包括所述元件而不排除任何其他元件。另外,本说明书中描述的术语“单元”、“……器(er)”、“……设备(or)”和“模块”指的是用于处理至少一种功能和操作的单元,并且可以通过硬件组件或软件组件及其组合来实现。
尽管将示例性实施方式描述为利用多个单元来执行示例性过程,但是应当理解,也可以通过一个或多个模块来执行示例性过程。此外,应当理解,术语控制器/控制单元指的是包括存储器和处理器并且具体被编程为执行本文描述的过程的硬件装置。存储器配置为存储模块,处理器具体地配置为执行所述模块以执行下面进一步描述的一个或多个过程。
此外,本发明的控制逻辑可以实施为包含通过处理器、控制器等等执行的可执行程序指令的计算机可读介质上的非易失性计算机可读介质。计算机可读介质的示例包括但不限于ROM、RAM、光盘(CD) -ROM、磁带、软盘、闪存驱动器、智能卡和光学数据存储装置。计算机可读介质也可以分布在网络联接的计算机系统中,以使计算机可读介质以分布式形式(例如通过远程信息处理服务器或控制器局域网(CAN))进行存储和执行。
除非特别陈述或根据上下文显而易见,否则本文中使用的术语“大约”理解为在本领域的正常公差范围内,例如平均值的2倍标准差内。“大约”可以理解为在陈述的值的10%、9%、8%、7%、6%、5%、4%、 3%、2%、1%、0.5%、0.1%、0.05%或0.01%内。除非上下文中另有明确规定,否则本文提供的所有数值由术语“大约”进行修改。
实现为体现控制另一配置所需的控制算法的一组指令的程序可以安装在根据实施方案的配置中的在特定控制条件下控制另一配置的配置中。控制配置可以根据安装的程序处理输入数据和存储的数据以产生输出数据。控制配置可以包括用于存储程序的非易失性存储器和用于存储数据的存储器。
根据实施方案的监控系统可以通过使用视觉传感器来识别安全带的织带路径,并且基于识别出的织带路径来确定是否i)正常地或按要求佩戴了安全带,或者ii)异常佩戴(下文中称为错误佩戴)了安全带。视觉传感器可以包括RGB摄像头和红外(IR)摄像头。监控系统可以包括实现为人工智能(artificial intelligence,AI)算法(例如,CNN算法)的分类模块。此外,根据实施方案的包括监控系统的车辆可以包括安全带,其中,涂料被涂覆到织带表面。涂料可以实现为IR高反射涂料,或者由监控系统适当地检测的其它材料。此外,织带可以包括可检测材料,例如,根据预定的图案涂覆有涂料。通过此,由视觉传感器获得的影像的图案可以被监控系统容易且快速地检测到。
在下文中,将参考必要的附图描述根据实施方案的用于检测安全带佩戴的装置和方法。
图1和图2是示出了根据实施方案的车辆内部的一部分的示意图。
图1是示出了在车辆内部观看挡风玻璃的方向上的车辆内部的示意图。
图2是示出了在车辆的挡风玻璃观看内部的方向上的车辆内部的示意图。
如图1和图2所示,车辆1可以包括驾驶员座椅11、副驾驶员座椅12、安全带111和121以及视觉传感器20。在图1中,示出了一个视觉传感器20位于头顶控制台30,但是视觉传感器20的位置和数量不限于此,并且可以是可以获得乘坐于驾驶员座椅11或副驾驶员座椅12的用户的影像的位置和数量。例如,两个视觉传感器可以位于车辆 1的A柱31和32。
在图2中,为了便于说明,示出了用户乘坐于驾驶员座椅11并且佩戴了安全带111。然而,用户不仅可以乘坐于副驾驶员座椅12,而且还可以乘坐于后排座椅,并且即使当乘坐于后排座椅的用户佩戴了安全带时,也可以应用实施方案。
尽管在图1中仅示出了能够获得前排座椅的影像的视觉传感器,但是可以在车辆1中设置能够获得后排座椅的影像的视觉传感器。在这种情况下,用于后排座椅的视觉传感器的位置和数量可以是可以获得乘坐于后排座椅的用户的清晰影像的位置和数量。例如,两个视觉传感器可以位于车辆1的B柱。
视觉传感器20可以产生视野区域的RGB影像和红外(IR)影像中的至少一个。视觉传感器20可以包括IR摄像头和RGB摄像头。RGB 摄像头可以实现为CMOS图像传感器,IR摄像头可以实现为量子红外传感器或热红外传感器。
构成根据实施方案的安全带111和121的织带可以根据任意图案涂覆有可检测材料(例如涂料)。此时,涂覆在安全带111和121的织带上的可检测材料(例如涂料)的图案可以是至少一种类型。涂料可以具有等于或大于预定的范围(例如,20%至30%)的IR反射比。当可见光不足时,例如,在黑夜或隧道中(当自然光小于预定的阈值时),可能难以在RGB摄像头捕获的影像中识别安全带。在可见光不足的环境中,IR摄像头可以通过捕获视野来产生影像。此时,在所述说明性系统中,由于安全带111和121的织带以至少一种图案涂覆有可检测材料或涂料,所以可以从IR摄像头产生的影像中识别安全带111和121 的织带。
用可检测材料或例如涂料在织带的表面形成图案的方法可以是后涂(post-painting)法或纱线预涂法。后涂法是一种根据特定的图案而使用丝网或彩色涂料,用涂料对完全制作的织带进行喷涂的方法。纱线预涂法是一种首先在与特定的图案相对应的位置用涂料喷涂纱线(经纱或纬纱),编织经纱和纬纱,并且制作织带的方法。尽管预涂法比后涂法更复杂,但预涂法在涂覆耐久性方面可能更胜一筹。
在实施方案中,织带可以包括实现为可检测材料(例如涂料)涂覆图案(其具有包括面积和长度信息的规则顺序,并且具有大于或等于预定的范围的红外反射比)的织带。涂料涂覆图案可以形成包括具有特定尺寸的唯一编号的红外涂料涂覆图案的织带结构。监控系统2 可以通过涂料涂覆图案确定织带的拉出量。可检测材料(例如涂料) 涂覆图案可以利用后涂实现或者可以通过纱线预涂涂覆实现。可替代地,可检测材料(例如涂料)涂覆图案可以利用后涂和通过纱线预涂涂覆来实现。
图3A和图3B是示出了根据实施方案的涂覆有涂料的安全带的织带的示意图。
图3A和图3B所示的图案是示例,本发明不限于此。
图3A是由RGB摄像头获得的影像,图3B是由IR摄像头获得的影像。如图3A所示,在自然光的量等于或大于阈值的条件下,可以在RGB摄像头产生的影像中清楚地识别织带图案。在自然光的量小于阈值而难以用RGB摄像头获得清晰影像的条件下,可以在IR摄像头产生的影像中清楚地识别织带图案。
图4A是示意性地示出了根据实施方案的座椅、安全带装置、监控系统和视觉传感器的示意图。
图4A所示的座椅是驾驶员座椅11,其中用户未就座。
图4B是示出了根据实施方案的视觉传感器的框图。
如图4A所示,安全带装置110可以包括安全带111、安全带舌板 112、带扣113和安全带束114。安全带111可以包括涂覆有涂料的织带。用户佩戴安全带意味着用户乘座于座椅(例如,图4中的驾驶员座椅11),移动安全带111,并且将安全带舌板112紧固到带扣113。
视觉传感器20可以通过捕获包括座椅(例如,图4A的驾驶员座椅11)的视野来产生影像。在下文中,所述影像被称为影像。视觉传感器20包括RGB摄像头21、IR摄像头22和图像处理器23。
视觉传感器20可以由点火触发以产生座椅的影像。在从车辆1获得关于点火的信息之后,监控系统2可以与点火同步以控制视觉传感器20并产生影像。具体地,当触发信号从监控系统2发送到图像处理器23时,图像处理器23可以向RGB摄像头21和IR摄像头22中的至少一个发送指示捕获的信号(下文中称为捕获指示信号)。RGB摄像头21和IR摄像头22中的至少一个可以通过捕获视野区域来获得影像,并且将影像发送到图像处理器23。影像可以包括RGB影像和IR影像中的至少一种。
图像处理器23可以将接收到的RGB影像和IR影像中的至少一种发送到监控系统2。在这方面,图像处理器23可以根据监控系统2的请求将RGB影像和IR影像中的一种发送到监控系统2。监控系统2 可以根据自然光的量向图像处理器23发送用于选择RGB摄像头21和IR摄像头22中的一个的控制命令。图像处理器23可以根据控制命令使RGB摄像头21和IR摄像头22中的一个工作。相反,图像处理器 23可以根据触发信号使RGB摄像头21和IR摄像头22两者都工作,并且根据控制命令选择RGB影像和IR影像中的一种并将选择的影像发送到监控系统2。
触发信号可以不与点火同步,但可以与用户就座同步地产生。用户就座可以通过设置于座椅的压力传感器来检测。车辆1可以从每个座椅的压力传感器接收检测信号,并且基于接收到的检测信号检测用户所坐的座椅。例如,当在驾驶员座椅11中检测到用户就座时,车辆 1可以将此通知监控系统2,并且监控系统2可以产生触发信号并将触发信号发送到视觉传感器20。后续操作与以上描述的操作相同,因此将省略其描述。
通过用涂料以特定的图案涂覆织带,监控系统2可以利用影像检测拉出的织带的长度并且确定用户是否佩戴了安全带。拉出的织带是指用户佩戴安全带111时,暴露在外部以便视觉识别的安全带111的织带。
当在影像中检测到与特定的图案匹配的图案时,监控系统2可以检测拉出的织带的长度。监控系统2可以在影像中检测与特定的图案匹配的图案,估算与检测到的特定的图案匹配的图案的数量,根据估算出的图案的数量计算从安全带111拉出的织带的长度,并且基于拉出的织带的长度确定用户是否佩戴了安全带。特定的图案可以是多个预设的图案中的一个。在实施方案中,用于确定是否佩戴了安全带或错误佩戴了安全带的多个特定的图案可以被预设并存储在监控系统2 中。
监控系统2可以从影像中提取感兴趣区域(region of interest,ROI)。
图5A和图5B是示出了根据实施方案的影像中的ROI的示意图。
如图5A和图5B所示,影像中可以存在至少两个感兴趣区域ROI1 和ROI2。如图5A所示,当用户没有坐在座椅上且没有佩戴安全带时,安全带位于影像中的感兴趣区域ROI2中。感兴趣区域ROI2是当用户没有佩戴安全带时安全带所位于的区域(下文中称为未佩戴区域)。
如图5B所示,当用户坐在座椅上时,安全带可以位于影像中的感兴趣区域ROI1中。感兴趣区域ROI1是当用户佩戴了安全带时安全带所位于的区域(下文中称为佩戴区域)。
监控系统2可以从影像中提取至少两个ROI,并且根据安全带位于提取的至少ROI中的哪个ROI来确定是否检测图案。例如,当安全带位于作为非佩戴区域的感兴趣区域ROI2中时,监控系统2不在作为佩戴区域的感兴趣区域ROI1中执行图案检测并且仅存储在作为非佩戴区域的感兴趣区域ROI2中检测到的图案。与此不同,当安全带位于作为佩戴区域的感兴趣区域ROI1中时,监控系统2可以对感兴趣区域 ROI1执行图案检测。
图6是示出了根据实施方案的可以涂覆在织带上的多个图案的示意图。
在图6中,示出了三进制方式的多个图案,但本发明不限于此,并且其它进制方式(例如,4X4、5X5……)可以应用于实施方案。
此外,可以将以预定的顺序在织带上涂覆特定的图案、标志、图片、文本等等的方法应用于实施方案。也就是说,尽管正方形被用作图6中的图案的示例,但是本发明不限于此,并且可以使用其它图形、标志、字母、数字等等。
图7是示出了根据实施方案的可以涂覆在织带上的各种图案的示意图。
如图7所示,除了黑色正方形外,还可以使用韩文( ……)、英文、汉字、其它形状(圆形和圆环形)、标志(/>) 等等。
此外,如果无特殊规则的图案以特定的顺序涂覆在织带上,则监控系统2可以检测影像中的图案。
图8是示出了根据实施方案的可以涂覆在织带上的无规则图案的示意图。
如图8所示,当根据特定的顺序涂覆多个无规则图案时,监控系统2可以通过识别多个图案的涂覆顺序来检测织带的长度。
这样,当在监控系统2中将无规则图案的涂覆顺序设置为参考图案时,监控系统2可以通过从影像中提取与参考图案匹配的区域来检测织带长度。
在图6中,一个图案的长度为64mm,包括分割线。在图6中,y 方向上的长度被称为图案长度。分割线的作用是通过利用相邻图案之间的空间来防止对相邻图案的错误识别。分割线的y方向长度(下文中称为分割线长度)可以根据图案的格式和形状适当地设置。例如,当图案的错误识别的概率很低时,可以没有分割线。可替代地,随着图案的错误识别的概率增加,分割线长度可以增加到一个图案的长度。尽管分割线在图6中被示为空白,但是与分割线相对应的织带区域可以涂覆有特定的颜色,或者可以将图案或用于分割线的图案涂覆于与分割线相对应的织带区域。
涂覆于织带区域的多个图案可以实现为矩阵形式。例如,关于开源计算机视觉(Open Source Computer Vision,OpenCV)灰度,在矩阵形式的图案中,白色像素的灰度值可以是255,黑色像素的灰度值可以表示为0。矩阵形式的图案仅包括白色像素和黑色像素,白色和黑色是灰度中彼此最远的值。因此,监控系统2可以容易地检测图6中所示的图案。监控系统2可以是图像匹配方法或卷积神经网络(Convolution Neural Network,CNN)算法,以便从影像中提取与特定的图案匹配的图案。作为图像匹配方法,诸如平均哈希匹配、模板匹配和特征匹配的各种已知方法中的一种可以应用于实施方案。
在图6中,在三进制方式的多个图案中,示出了图案1至图案7。在三进制方式中可提取的图案的数量总共为27个,尽管图6中未示出,但剩余的21个图案可以涂覆在安全带111上。然而,本发明不限于此,可以重复总共27个图案中的一些图案(例如,图案1至图案7)。
一个图案的织带长度和宽度为48mm,分割线的长度为16mm。因此,当有27种图案涂覆于安全带111时,安全带111上涂覆有27种图案的织带的长度为1728mm[27×(48+16)]。可以用27个图案单元对织带进行重复图案化。一般来说,安全带中向外拉出的织带的最大长度为1600mm至1800mm,并且根据座椅内安全带(Belt In Seat,BIS) 标准,安全带从用户的肩部跨过身体而拉出的织带的长度可以为大约 900mm。可以根据拉出的织带的长度设置参考织带长度范围。
监控系统2可以存储在感兴趣区域(ROI2)的最上端检测到的图案,并且在佩戴安全带之后,通过将在感兴趣区域(ROI1)中检测到的图案中的与感兴趣区域(ROI2)的最上端相同的位置检测到的图案的编号与在感兴趣区域(ROI2)的最上端检测到的图案的编号进行比较来计算拉出的织带长度。例如,在图6所示的三进制方式图案的情况下,如果在感兴趣区域(ROI2)的最上端检测到的图案的编号是1 号,并且在佩戴安全带之后,在感兴趣区域(ROI1)的最上端检测到的图案的编号是14号,则监控系统2可以将832mm(=|1-14|×64mm) 计算为拉出的织带长度。
监控系统2可以将参考织带长度范围与拉出的织带长度进行比较,并且基于比较结果确定用户是否佩戴了安全带或错误佩戴了安全带。
为了最终确定用户是正常佩戴了安全带还是错误佩戴了安全带,监控系统2可以计算佩戴安全带之后在感兴趣区域(ROI1)中检测到的图案的数量以及拉出的织带长度。例如,在图6所示的三进制方式的情况下,监控系统2可以确定佩戴安全带之后在感兴趣区域(ROI1) 中是否检测到五个或更多个图案。当拉出的织带长度在参考织带长度范围内并且在佩戴安全带之后在感兴趣区域(ROI1)中检测到的图案的数量大于或等于参考数量范围时,监控系统2可以确定出用户正常佩戴了安全带。
相反,如果拉出的织带长度超过参考织带长度范围,或者在佩戴安全带之后在感兴趣区域(ROI1)中检测到的图案的数量小于参考数量范围,则监控系统2可以确定出用户没有佩戴安全带或错误佩戴了安全带。这被称为佩戴检测故障,包括用户没有佩戴安全带或错误佩戴了安全带。监控系统2可以在确定出佩戴检测故障时产生关于视觉传感器20的重新捕获控制命令并且将该命令发送到视觉传感器20。监控系统2可以在确定出佩戴检测故障时控制设置在车辆1中的扬声器和显示器,以在重新捕获之前执行通知来警告用户佩戴安全带。
响应于重新捕获控制命令,视觉传感器20可以重新捕获视野区域并产生影像。视觉传感器20将通过重新捕获产生的影像发送到监控系统2,并且监控系统2再次对影像执行图案检测,以再次确定用户是否佩戴了安全带或错误佩戴了安全带。
监控系统2可以基于通过重新捕获产生的影像(下文中称为重新捕获的影像)至少一次重复确定用户是否佩戴了安全带或错误佩戴了安全带。当基于重新捕获的影像的确定是佩戴检测故障时,监控系统2 可以最终将用户是否佩戴了安全带确定为佩戴检测故障。
在实施方案中,使用OpenCV库,但本发明不限于此。在实施方案中,涂覆在织带上的图案可以是有利于识别的简单图案,可以使用用于简单图案的另一编程库来代替OpenCV,并且可以使用另一编程语言。根据所使用的库或语言,可以设置待涂覆在织带上的图案的形状。
监控系统2可以从构成影像的多个帧中选择多个图案中的一个(下文中称为代表图案),跟踪多个帧的每个帧中的代表图案的位移,并且估算呼吸速率。监控系统2可以跟踪x轴和y轴中的每一个的位移,计算x轴和y轴中的每一个的长度增加和减少的次数,并且估算呼吸速率。吸气时,x轴和y轴的长度可能会增加,而呼气时,x轴和y轴的长度可能会减少。监控系统2可以基于拉出的织带的长度来确定用户是否佩戴了安全带或错误佩戴了安全带,并且另外估算用户的呼吸速率,从而更准确地确定用户是否佩戴了安全带或错误佩戴了安全带。
此外,监控系统2可以估算用户每分钟的呼吸次数。例如,当用户在影像的多个帧中呼吸n次时,监控系统2可以使用等式1估算每分钟的呼吸速率。
[等式1]
每分钟的呼吸次数=(每秒的帧数)*60/(呼吸n次期间的多个帧的数量)×(n次)
如上所述,监控系统2可以通过CNN算法来实现。由于应用于监控系统2的CNN算法被训练以识别涂覆在织带上的图案,因此可以使用基于涂覆在织带上的图案的训练数据。
当带规则的图案被涂覆在织带上时,可以根据规则确定所有图案的类型和数量,并且还可以基于总的图案的类型与数量来确定训练数据。此外,即使在无规则图案的情况下,当以特定的顺序涂覆图案时,也可以基于以特定的顺序排列的多个图案来确定训练数据。
这样,由于训练数据可以根据涂覆在织带上的图案的类型和数量来确定,所以训练数据的量不大。
图9是示意性地示出了根据实施方案的以CNN算法实现的监控系统的结构的示意图。
监控系统2可以包括用于提取关于影像的多个特征值的特征提取模块210和用于基于多个特征值来确定是否佩戴了安全带或错误佩戴了安全带的分类模块220。
监控系统2可以包括特征提取模块210和分类模块220。特征提取模块210可以包括至少一个卷积层、至少一个池化(pooling)层和压平层。在图7中,作为示例,特征提取模块210被示为包括两个卷积层211和213以及两个池化层212和214。
当影像输入到卷积层211时,卷积层211可以通过对输入影像应用矩阵型滤波器来获得第一特征图。可以在特征提取模块210中预设关于滤波器结构(大小、数量、值等等)、跨步值和填充方法的信息。此外,激活函数可以应用于第一特征图。
池化层212可以对第一特征图进行下采样,降低第一特征图的阶数(order),并且获得第二特征图。下采样方法可以包括最大池化、平均池化等等。
卷积层213可以通过对池化层212获得的第二特征图应用滤波器来获得第三特征图。
池化层212可以对第三特征图进行下采样,降低第三特征图的阶数,并且获得第四特征图。
分类模块220可以包括压平层221、至少一个全连接(fully connected,FC)层222和分类层223。尽管分类模块220在图7中被示为包括一个FC层222,但是本发明不限于此。
压平层221可以展开构成第四特征图的数据并将数据转换为多条一维矢量数据。多条一维矢量数据可以输入到FC层222。
FC层222可以将权重应用于多个输入,将应用了权重的多个输入应用于激活函数,并且产生多个输出。FC层222的多个输出可以输入到分类层223。
分类层223可以基于FC层222的多个输出提供关于分类标签的最终概率LB1和LB2。根据实施方案的分类标签可以是指示用户是否正常佩戴了安全带的两个,包括指示正常佩戴检测的标签1和指示佩戴检测故障的标签2。
当标签1的概率LB1高于标签2的概率LB2时,监控系统2可以确定出正常佩戴。相反,当标签2的概率LB2高于标签1的概率LB1 时,监控系统2可以确定出佩戴检测故障。
图10是示出了根据示例性实施方案的安全带佩戴监控方法的流程图。
视觉传感器20可以捕获包括座椅的视野区域并产生影像(步骤 S1)。
监控系统2可以检测影像中涂覆有至少一个图案的安全带111的织带的长度,并且基于检测到的织带的长度确定用户是否佩戴了安全带111。
首先,监控系统2可以在影像中检测与特定的图案匹配的图案,并且根据与检测到的特定的图案匹配的图案的数量来检测拉出的织带的长度(步骤S2)。
监控系统2可以将预定的参考织带长度与检测到的拉出织带的长度进行比较,并且基于比较结果确定用户是否佩戴了安全带或错误佩戴了安全带(步骤S3)。
例如,当拉出织带的长度在参考织带长度范围内时,监控系统2 可以确定出用户正常佩戴了安全带111(步骤S4)。可替代地,当拉出织带的长度超出参考织带长度范围时,监控系统2可以确定出佩戴检测故障(步骤S5)。
当确定出佩戴检测故障时,监控系统2可以产生关于视觉传感器 20的重新捕获控制命令并将该命令发送到视觉传感器20(步骤S6)。
视觉传感器20可以通过根据重新捕获控制命令重新捕获视野区域来产生影像,并且将通过重新捕获产生的影像发送到监控系统2(步骤 S7)。此后,可以从步骤S2重复步骤。根据佩戴检测故障的重复次数可以设置为至少两次。
可替代地,监控系统2可以从影像中提取至少两个ROI,并且根据安全带111位于提取的至少两个ROI中的哪个ROI来确定是否检测图案(步骤S8)。例如,当安全带111位于感兴趣区域ROI1中时,监控系统2可以执行步骤S2。
根据实施方案,可以利用自然光或红外光容易且快速地检测涂覆在织带上的图案。
与实施方案相比,当没有在织带上涂覆图案时,用于在影像中识别安全带的监控系统的容量可能非常大。例如,当以AI算法实现监控系统时,需要学习非常大量的影像数据以提高分类精度。与此不同,根据实施方案的监控系统仅仅需要学习多个设置图案。此外,与实施方案相比,当没有在织带上涂覆图案时,需要更多的卷积层和池化层来实现AI算法,因此,处理速度可能比实施方案慢。此外,在实施方案中,可以立即检测织带的长度,但是当没有在织带上涂覆图案时,还需要用于根据在影像中识别出的织带的路径来确定是否正常佩戴了安全带的单独算法。也就是说,在没有在织带上涂覆图案的现有技术中,在错误佩戴了安全带的情况下,即使拉出织带的总长度与正常佩戴不同,这也不会被检测到,或者需要单独的辅助传感器来检测。例如,当没有在织带上涂覆图案时,额外地使用辅助传感器(例如,筒管传感器(bobbin sensor))来确定是否正常佩戴了安全带。然而,由于根据实施方案的检测系统可以检测织带的长度,因此检测系统可以在没有单独的辅助传感器的情况下确定正常佩戴或错误佩戴。
由于根据实施方案的监控系统基于涂覆有特定的图案的织带的影像来确定是否正常佩戴了安全带,因此即使仅学习少量数据,织带和非织带区域之间的特征值差异也可以非常大。特别地,当图案以矩阵形式表示时,相邻行之间的特征值差异和相邻列之间的特征值差异非常大。通过设置与可能位于座椅上的物体(例如,用户穿着的衣服) 的图案非常不同的特定的图案,可以提高监控系统确定正常佩戴的准确性。此外,实施方案的涂料可以实现为IR高反射涂料,因此,即使当自然光不足时,监控系统的精度也可以保持较高。当以AI算法实现监控系统时,由于其特征值由特定的图案清楚地揭示,所以层数少,从而处理速度快。
根据上述示例性实施方案的安全带监控方法可以通过软件来执行。当所述方法作为软件执行时,本发明的组成装置是执行必要任务的代码段。程序或代码段可以存储在处理器可读介质上,或者通过与传输介质或通信网络中的载波耦合的计算机数据信号来传输。
计算机可读记录介质包括存储有计算机系统可读数据的所有类型的记录装置。计算机可读记录装置的示例包括ROM、RAM、CD-ROM、 DVD_ROM、DVD_RAM、磁带、软盘、硬盘、光学数据学习DB等等。此外,计算机可读记录介质可以分布到网络连接的计算机装置,并且计算机可读代码可以以分布式方式存储和执行。
以上参考的所描述的发明的附图和具体描述仅仅是本发明的示例,其仅仅用于解释本发明的目的,而不用于限制权利要求中描述的本发明的含义或范围。因此,本领域普通技术人员可以容易地从中选择和替换它们。此外,本领域普通技术人员可以省略本文描述的一些组件而不降低性能,或者添加组件以提高性能。此外,本领域普通技术人员可以根据处理环境或设备改变本文描述的方法步骤的顺序。因此,本发明的范围应当由权利要求及其等同形式而不是所描述的实施方案来确定。
Claims (20)
1.一种车辆的安全带装置,所述安全带装置包括:
安全带,其联接到座椅并且包括织带,所述织带包括能够检测的材料或呈至少一种图案的涂料;
视觉传感器,其配置为通过捕获包括座椅的视野区域来产生影像;以及
监控系统,其配置为在影像中检测能够检测的材料或涂覆有至少一种涂料的图案,并且基于检测到的能够检测的材料或涂覆有至少一种涂料的图案来确定用户是否正确佩戴了安全带或是否错误佩戴了安全带。
2.根据权利要求1所述的车辆的安全带装置,其中,所述安全带包括织带,所述织带包括能够检测的材料。
3.根据权利要求2所述的车辆的安全带装置,其中,所述织带包括涂覆为呈至少一种图案的涂料的能够检测的材料。
4.根据权利要求1所述的车辆的安全带装置,其中,所述织带包括:
具有规则顺序并且以涂料涂覆图案实现的织带,所述规则顺序具有面积和长度信息,所述涂料涂覆图案具有等于或大于预定的范围的红外反射率。
5.根据权利要求4所述的车辆的安全带装置,其中,所述涂料涂覆图案:
形成包括具有特定尺寸的唯一编号的红外涂料涂覆图案的织带结构,
通过涂料涂覆图案确定拉出的织带的量。
6.根据权利要求4所述的车辆的安全带装置,其中,所述涂料涂覆图案以后涂实现或者以纱线预涂涂覆实现。
7.根据权利要求1所述的车辆的安全带装置,其中,所述监控系统配置为:
在影像中检测与特定的图案匹配的图案,
根据与检测到的特定的图案匹配的图案的数量来检测拉出的安全带的织带的长度。
8.根据权利要求7所述的车辆的安全带装置,其中,所述监控系统配置为:
从影像中提取至少两个感兴趣区域,
基于提取的至少两个感兴趣区域的共同的预定的区域计算拉出的织带长度。
9.根据权利要求8所述的车辆的安全带装置,其中,所述监控系统配置为:
通过将在提取的至少两个感兴趣区域中的佩戴感兴趣区域的最上端检测到的图案的编号与在提取的至少两个感兴趣区域中的非佩戴感兴趣区域的最上端检测到的图案的编号进行比较,来计算拉出的织带长度。
10.根据权利要求7所述的车辆的安全带装置,其中,所述监控系统配置为:
将预定的参考织带长度范围与检测到的拉出的织带的长度进行比较,
基于比较结果来确定用户是否佩戴了安全带或错误佩戴了安全带。
11.根据权利要求10所述的车辆的安全带装置,其中,所述监控系统配置为:
在佩戴安全带之后,检测在提取的至少两个感兴趣区域中的佩戴感兴趣区域中检测到的图案的数量。
12.根据权利要求11所述的车辆的安全带装置,其中,所述监控系统配置为:
当拉出的织带的长度在参考织带长度范围内并且在佩戴感兴趣区域中检测到的图案的数量大于或等于参考数量范围时,确定出用户正常佩戴了安全带。
13.根据权利要求12所述的车辆的安全带装置,其中,所述监控系统配置为:
当确定出用户错误佩戴了安全带时,产生关于视觉传感器的重新捕获控制命令并且将重新捕获控制命令发送到视觉传感器。
14.根据权利要求13所述的车辆的安全带装置,其中,所述视觉传感器配置为:
通过根据重新捕获控制命令重新捕获视野区域来产生影像,
将通过重新捕获产生的影像发送到监控系统。
15.根据权利要求14所述的车辆的安全带装置,其中,所述监控系统配置为:
当确定出用户错误佩戴了安全带时,控制车辆的扬声器或显示器,以在重新捕获之前执行通知来警告用户佩戴安全带。
16.根据权利要求7所述的车辆的安全带装置,其中,所述监控系统配置为:
利用图像匹配或卷积神经网络算法,以从影像中提取与特定的图案匹配的图案。
17.根据权利要求7所述的车辆的安全带装置,其中,所述监控系统配置为:
从构成影像的多个帧中选择多个图案中的一个,
跟踪在所述多个帧的每个帧中始终选择的图案的位移,
估算呼吸速率;和/或
所述监控系统配置为:
跟踪所选择的图案的x轴和y轴中的每一个的位移,
计算x轴和y轴中的每一个的长度增加和减少的次数,
估算呼吸速率。
18.根据权利要求1所述的车辆的安全带装置,其中,所述能够检测的材料包括至少一种图案,所述至少一种图案包括:
根据n×n计数制方式的图案,其中,n是等于或大于3的自然数;和/或所述能够检测的材料包括至少一种图案,所述至少一种图案包括:
根据图形、标志、字母和数字中的至少一种的规则图案。
19.根据权利要求1所述的车辆的安全带装置,其中,所述能够检测的材料包括至少一种图案,所述至少一种图案包括:
以特定的顺序包括多个无规则图案的图案。
20.一种车辆,其包括根据权利要求1所述的车辆的安全带装置。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR10-2022-0050538 | 2022-04-25 | ||
KR10-2022-0076660 | 2022-06-23 | ||
KR1020220076660A KR20230151416A (ko) | 2022-04-25 | 2022-06-23 | 차량의 시트벨트 장치 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116946063A true CN116946063A (zh) | 2023-10-27 |
Family
ID=88443243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211492361.3A Pending CN116946063A (zh) | 2022-04-25 | 2022-11-25 | 车辆的安全带装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116946063A (zh) |
-
2022
- 2022-11-25 CN CN202211492361.3A patent/CN116946063A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113147664B (zh) | 检测车辆中是否使用了安全带的方法和系统 | |
EP3280619B1 (en) | Detection of occupant size and pose with a vehicle interior camera | |
US7630804B2 (en) | Occupant information detection system, occupant restraint system, and vehicle | |
US20070195990A1 (en) | Vision-Based Seat Belt Detection System | |
CN107380111B (zh) | 用于控制气囊的装置和方法 | |
CN111469802A (zh) | 座椅安全带状态确定系统和方法 | |
US20040220705A1 (en) | Visual classification and posture estimation of multiple vehicle occupants | |
US11155226B2 (en) | Vehicle cabin monitoring system | |
WO2003073359A2 (en) | Method and apparatus for recognizing objects | |
US8560179B2 (en) | Adaptive visual occupant detection and classification system | |
CN108334818B (zh) | 用于识别车辆中的对象的方法和设备 | |
US20080059027A1 (en) | Methods and apparatus for classification of occupancy using wavelet transforms | |
CN116946063A (zh) | 车辆的安全带装置 | |
US20060030988A1 (en) | Vehicle occupant classification method and apparatus for use in a vision-based sensing system | |
US20230339427A1 (en) | Seatbelt device of vehicle | |
US11975683B2 (en) | Relative movement-based seatbelt use detection | |
CN111231968B (zh) | 面向驾驶员的摄像机的移动跟踪 | |
Baltaxe et al. | Marker-less vision-based detection of improper seat belt routing | |
KR20230151416A (ko) | 차량의 시트벨트 장치 | |
EP4303822A1 (en) | Child seat detection for a seat occupancy classification system | |
US11958437B2 (en) | Method and device for detecting seat belt of vehicle | |
US20230196796A1 (en) | Method and system for seatbelt detection using determination of shadows | |
EP4212390A1 (en) | Methods and systems for determining a state indicating whether a seat belt of a vehicle is used | |
US20240029452A1 (en) | Seat belt wearing determination apparatus | |
GB2622599A (en) | Method and system for detecting a seatbelt status of a vehicle seat |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |