CN117253218A - 安全带高度调节方法及相关装置 - Google Patents
安全带高度调节方法及相关装置 Download PDFInfo
- Publication number
- CN117253218A CN117253218A CN202210640934.6A CN202210640934A CN117253218A CN 117253218 A CN117253218 A CN 117253218A CN 202210640934 A CN202210640934 A CN 202210640934A CN 117253218 A CN117253218 A CN 117253218A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- cabin
- safety belt
- height
- belt
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012544 monitoring process Methods 0.000 claims description 49
- 238000003062 neural network model Methods 0.000 claims description 28
- 230000015654 memory Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 16
- 238000011176 pooling Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 8
- 230000001629 suppression Effects 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 description 48
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 210000001015 abdomen Anatomy 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
- G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
-
- 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
- B60R22/18—Anchoring devices
- B60R22/20—Anchoring devices adjustable in position, e.g. in height
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- B60R22/18—Anchoring devices
- B60R22/20—Anchoring devices adjustable in position, e.g. in height
- B60R2022/208—Anchoring devices adjustable in position, e.g. in height by automatic or remote control means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Mechanical Engineering (AREA)
- Automotive Seat Belt Assembly (AREA)
Abstract
本发明提供一种安全带高度调节方法及相关装置。该方法包括:获取车辆内座舱的图像;对车辆内座舱的图像进行目标识别,确定车辆内的乘坐人员信息;根据车辆内座舱的图像和车辆内的乘坐人员信息,识别车辆内的各个乘坐人是否佩戴安全带;确定各个佩戴安全带的乘坐人的安全带的高度与对应乘坐人是否匹配;对于每个高度与对应乘坐人不匹配的安全带,生成该安全带对应的调节信号,并将该安全带对应的调节信号发送至座舱域控制器,指示座舱域控制器对该安全带的高度进行调节,以使该安全带的高度与对应乘坐人匹配。本发明能够实现安全带高度的自动调节,使各个乘坐人的安全带高度与自身匹配,能够提高乘坐人乘车便利性和安全性。
Description
技术领域
本发明涉及车辆安全技术领域,尤其涉及一种安全带高度调节方法及相关装置。
背景技术
车辆的安全带是为了在车辆碰撞时对乘员进行约束,以及避免车辆碰撞时乘员与方向盘及仪表板等发生二次碰撞或避免碰撞时冲出车外导致死伤的安全装置。传统的安全带装置固定在车辆B柱,高度无法调节,乘客安全带佩戴的舒适程度与乘客身高强相关,身高较矮的乘客佩戴安全带时,安全带位置位于乘客脖颈处,当发生急刹车等突发情况下,可能瞬间勒住乘客脖颈,增加乘客乘坐风险,身高较高的乘客佩戴安全带时,安全带位置位于乘客腹部,当发生急刹车等突发情况下,可能对乘客腹部内器官造成损害,增加乘客乘坐风险。
目前,有些车辆内部安装了安全带高度调节器,可以对安全带高度进行调节,但是,现有的安全带高度调节器均需用户手动调节安全带高度,可能需要多次调节,操作比较繁琐。
发明内容
本发明实施例提供了一种安全带高度调节方法及相关装置,以解决现有的安全带高度调节器均需用户手动调节安全带高度,可能需要多次调节,操作比较繁琐的问题。
第一方面,本发明实施例提供了一种安全带高度调节方法,应用于车载监控系统,安全带高度调节方法包括:
获取车辆内座舱的图像,车辆内座舱的图像覆盖座舱内的所有座位;
对车辆内座舱的图像进行目标识别,确定车辆内的乘坐人员信息;
根据车辆内座舱的图像和车辆内的乘坐人员信息,识别车辆内的各个乘坐人是否佩戴安全带;
确定各个佩戴安全带的乘坐人的安全带的高度与对应乘坐人是否匹配;
对于每个高度与对应乘坐人不匹配的安全带,生成该安全带对应的调节信号,并将该安全带对应的调节信号发送至座舱域控制器,该安全带对应的调节信号用于指示座舱域控制器对该安全带的高度进行调节,以使该安全带的高度与对应乘坐人匹配。
在一种可能的实现方式中,对车辆内座舱的图像进行目标识别,确定车辆内的乘坐人员信息,包括:
将车辆内座舱的图像输入到预先训练好的YOLO神经网络模型中,得到第一座舱图像;第一座舱图像中已用检测框框选出车辆内的乘坐人;
基于非极大值抑制算法,去除第一座舱图像中的冗余检测框,得到第二座舱图像;
根据第二座舱图像,得到车辆内的乘坐人员信息。
在一种可能的实现方式中,YOLO神经网络模型包括24层卷积层、4层池化层以及2层全连接层。
在一种可能的实现方式中,根据车辆内座舱的图像和车辆内的乘坐人员信息,识别车辆内的各个乘坐人是否佩戴安全带,包括:
根据车辆内的乘坐人员信息,对车辆内座舱的图像进行切割,得到各个乘坐人的安全带佩戴区域图像;
将各个乘坐人的安全带佩戴区域图像依次输入到预先训练好的安全带佩戴识别模型中,确定各个乘坐人是否佩戴安全带。
在一种可能的实现方式中,安全带佩戴识别模型包括依次连接的第一卷积层、第一池化层、第一dropout层、第二卷积层、第二池化层、双向长短时记忆层、第二dropout层、第一全连接层和第二全连接层。
在一种可能的实现方式中,确定各个佩戴安全带的乘坐人的安全带的高度与对应乘坐人是否匹配,包括:
获取各个佩戴安全带的乘坐人的安全带佩戴区域图像;
将各个佩戴安全带的乘坐人的安全带佩戴区域图像依次输入到预先训练好的安全带高度匹配模型中,确定各个佩戴安全带的乘坐人的安全带的高度与对应乘坐人是否匹配。
第二方面,本发明实施例提供了一种安全带高度调节装置,应用于车载监控系统,安全带高度调节装置包括:
获取模块,用于获取车辆内座舱的图像,车辆内座舱的图像覆盖座舱内的所有座位;
目标识别模块,用于对车辆内座舱的图像进行目标识别,确定车辆内的乘坐人员信息;
安全带识别模块,用于根据车辆内座舱的图像和车辆内的乘坐人员信息,识别车辆内的各个乘坐人是否佩戴安全带;
匹配模块,用于确定各个佩戴安全带的乘坐人的安全带的高度与对应乘坐人是否匹配;
调节模块,用于对于每个高度与对应乘坐人不匹配的安全带,生成该安全带对应的调节信号,并将该安全带对应的调节信号发送至座舱域控制器,该安全带对应的调节信号用于指示座舱域控制器对该安全带的高度进行调节,以使该安全带的高度与对应乘坐人匹配。
第三方面,本发明实施例提供了一种车载监控系统,包括处理器和存储器,存储器用于存储计算机程序,处理器用于调用并运行存储器中存储的计算机程序,执行如上第一方面或第一方面的任一种可能的实现方式所述的安全带高度调节方法。
第四方面,本发明实施例提供了一种车辆,包括如上第三方面所述的车载监控系统、座舱域控制器、安全带高度调节器和安全带;
座舱域控制器分别与车载监控系统和安全带高度调节器连接,安全带高度调节器还与安全带连接。
第五方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述的安全带高度调节方法的步骤。
本发明实施例提供一种安全带高度调节方法及相关装置,通过识别车辆内的各个乘坐人是否佩戴安全带,并确定各个佩戴安全带的乘坐人的安全带的高度与对应乘坐人是否匹配,对于每个高度与对应乘坐人不匹配的安全带,生成该安全带对应的调节信号,并将该安全带对应的调节信号发送至座舱域控制器,从而使座舱域控制器对该安全带的高度进行调节,以使该安全带的高度与对应乘坐人匹配,能够实现安全带高度的自动调节,使各个乘坐人的安全带高度与自身匹配,无需乘坐人手动调节,能够提高乘坐人乘车便利性和安全性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术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是本发明实施例提供的安全带高度调节方法的实现流程图;
图2是本发明实施例提供的安全带高度调节器的结构示意图;
图3是本发明实施例提供的目标检测的流程示意图;
图4是本发明实施例提供的安全带佩戴识别模型的训练过程示意图;
图5是本发明实施例提供的安全带高度调节装置的结构示意图;
图6是本发明实施例提供的车载监控系统的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图通过具体实施例来进行说明。
参见图1,其示出了本发明实施例提供的安全带高度调节方法的实现流程图,安全带高度调节方法应用于车载监控系统,执行主体为车载监控系统。
该方法详述如下:
在S101中,获取车辆内座舱的图像,车辆内座舱的图像覆盖座舱内的所有座位。
在一些可能的实现方式中,对于加装VIMS(Video Intelligent Monitor System,视频智能监控系统)的车辆,上述车载监控系统可以为VIMS。VIMS包括DMS(Driver MonitorSystem,驾驶员监控系统)和OMS(Occupant Monitoring System,乘客监控系统)。DMS可以设置于车辆座舱内部的A柱位置,OMS可以设置于车辆的后视镜位置,DMS和OMS也可以设置在车辆座舱内其它可实现驾驶员监控和乘客监控的位置,在此不做具体限制。DMS可以实时获取驾驶员的监控视频,OMS可以实时获取车门所有乘坐人的监控视频。通过DMS和OMS可以获取车辆内座舱的视频,根据该视频可以获取车辆内座舱的图像,该图像覆盖座舱内的所有座位,可以体现出各个座位是否坐有乘客、各个乘客是否系安全带以及可以体现出各个安全带上端固定点的位置。该图像为二维图像。
在一些可能的实现方式中,对于未加装VIMS的车辆,可以在车辆座舱内加装摄像设备,通过加装的摄像设备获取车辆内座舱的图像。示例性地,加装的摄像设备可以是一台,其安装在可以拍摄到车内所有座位的位置,例如,可以安装在车辆的后视镜位置,该摄像设备拍摄到车辆内座舱的图像后,发送至车载监控系统;加装的摄像设备也可以是多台,例如,车辆座舱内的每个座椅对应一台摄像设备,用于拍摄该座椅的图像,各个拍摄设备将拍摄的图像发送至车载监控系统,车载监控系统可以通过图像拼接得到上述车辆内座舱的图像。
在S102中,对车辆内座舱的图像进行目标识别,确定车辆内的乘坐人员信息。
在本实施例中,通过对车辆内座舱的图像进行目标识别,识别出车内乘坐人员信息。其中,车辆内的乘坐人员信息可以包括车辆内的乘坐人的数量以及每个乘坐人所在位置等信息。
本实施例对车辆内座舱的图像进行目标识别,确定车辆内的乘坐人员信息的具体手段不做限制,例如,可以通过Blob分析法、模板匹配法或深度学习方法等手段实现。
在S103中,根据车辆内座舱的图像和车辆内的乘坐人员信息,识别车辆内的各个乘坐人是否佩戴安全带。
本实施例可以根据车辆内的乘坐人的数量、每个乘坐人所在位置等信息以及车辆内座舱的图像,识别出每个乘坐人是否佩戴安全带。对识别车辆内的各个乘坐人是否佩戴安全带的具体手段不做限制,例如,可以通过深度卷积神经网络或SVM分类器等手段实现。
在S104中,确定各个佩戴安全带的乘坐人的安全带的高度与对应乘坐人是否匹配。
本实施例可以根据S103的识别结果以及车辆内座舱的图像,识别各个已佩戴安全带的乘坐人的安全带的高度与对应乘坐人是否匹配,若不匹配,还可以识别出安全带高度是过高还是过低。
安全带高度与乘坐人匹配是指安全带高度与乘坐人的身高正好合适,安全带从引出位置经过乘坐人的肩部扣在卡扣内,可以使乘坐人舒适地坐在座椅上,不会出现安全带位置位于脖颈或腹部等情况。安全带高度过高是指安全带高度与乘坐人不匹配,且安全带并不是从引出位置经过乘车人的肩部扣在卡扣内,而是从引出位置经过比乘车人的肩部高的位置,比如,颈部或者接近颈部的位置扣在卡扣内。安全带高度过低是指安全带高度与乘坐人不匹配,且安全带并不是从引出位置经过乘车人的肩部扣在卡扣内,而是从引出位置经过比乘车人的肩部低的位置,比如,腹部或者接近腹部的位置扣在卡扣内。
本实施例对确定各个佩戴安全带的乘坐人的安全带的高度与对应乘坐人是否匹配的具体手段不做限制,例如,可以通过深度卷积神经网络或SVM分类器等手段实现。
在S105中,对于每个高度与对应乘坐人不匹配的安全带,生成该安全带对应的调节信号,并将该安全带对应的调节信号发送至座舱域控制器,该安全带对应的调节信号用于指示座舱域控制器对该安全带的高度进行调节,以使该安全带的高度与对应乘坐人匹配。
本实施例可以根据S104的匹配结果,对每个高度与对应乘坐人不匹配的安全带,生成该安全带对应的调节信号。具体地,若该安全带的高度相对于对应乘坐人过高,则可以生成向下调节信号,以使座舱域控制器将该安全带向下调节;若该安全带的高度相对于对应乘坐人过低,则可以生成向上调节信号,以使座舱域控制器将该安全带向上调节。其中,对安全带的高度进行上下调节,是对安全带上端固定点的位置进行上下调节。
座舱域控制器对安全带的高度进行调节,可以是每次调节预设距离,车载监控系统对调节后的安全带高度进行检测,是否与乘坐人匹配,若匹配,则调节完成,若不匹配,则再次调节预设距离,直至安全带高度与乘坐人匹配;也可以是通过车载监控系统预先确定需要调节的距离,一次调节到位。
座舱域控制器可以通过安全带高度调节器,对安全带的高度进行调节。安全带高度调节器的结构如图2所示,包括电动机和升降器,电动机和升降器的数量与车辆的座位数量一致。以四座车为例,四座车是指具有驾驶座、副驾驶座和后排两个座椅的车辆。参见图2,电动机包括主驾的电动机、副驾的电动机、后排左侧座位的电动机和后排右侧座位的电动机,升降器包括主驾的安全带高度升降器、副驾的安全带高度升降器、后排左侧座位的安全带高度升降器和后排右侧座位的安全带高度升降器。当对安全带进行调节时,座舱域控制器可以对对应的电动机发出信号,使电动机驱动对应的安全带高度升降器动作。
对于五座车,即具有驾驶座、副驾驶座和后排三个座椅的车辆,相比于四座车,安全带高度调节器的结构增加了后排中间座位的电动机和后排中间座位的安全带高度升降器。当需要对后排中间座位的安全带进行调节时,座舱域控制器可以对后排中间座位的电动机发出信号,使后排中间座位的电动机驱动后排中间座位的安全带高度升降器动作。
其中,座舱域控制器位于车机终端,车机终端设置于座舱前部位置。
本实施例通过识别车辆内的各个乘坐人是否佩戴安全带,并确定各个佩戴安全带的乘坐人的安全带的高度与对应乘坐人是否匹配,对于每个高度与对应乘坐人不匹配的安全带,生成该安全带对应的调节信号,并将该安全带对应的调节信号发送至座舱域控制器,从而使座舱域控制器对该安全带的高度进行调节,以使该安全带的高度与对应乘坐人匹配,能够实现安全带高度的自动调节,使各个乘坐人的安全带高度与自身匹配,无需乘坐人手动调节,能够提高乘坐人乘车便利性和安全性。
在一些实施例中,上述S102可以包括:
将车辆内座舱的图像输入到预先训练好的YOLO(You Only Look Once)神经网络模型中,得到第一座舱图像;第一座舱图像中已用检测框框选出车辆内的乘坐人;
基于非极大值抑制(Non-Maximum Suppression,NMS)算法,去除第一座舱图像中的冗余检测框,得到第二座舱图像;
根据第二座舱图像,得到车辆内的乘坐人员信息。
在一些可能的实现方式中,在将车辆内座舱的图像输入到预先训练好的YOLO神经网络模型中之前,可以对车辆内座舱的图像进行大小调整,使调整后的车辆内座舱的图像符合YOLO神经网络模型的输入图像的格式要求。
参见图3,图3中数据图像即为上述车辆内座舱的图像,对该图像进行调整,将调整后的图像输入预先训练好的YOLO神经网络模型中,输出已框选出乘坐人的第一座舱图像,通过NMS算法对第一座舱图像进行冗余检测框去除处理,得到第二座舱图像,通过第二座舱图像可以得到最终的目标检测结果,即车辆内的乘坐人员信息。
训练好的YOLO神经网络模型可以识别图像中的乘坐人。
本实施例通过YOLO神经网络模型对车辆内的乘坐人进行识别,YOLO神经网络模型识别速度快,可以实时处理流媒体视频,与加装了VIMS的车辆的应用场景适配度较高;YOLO神经网络模型是对输入图像进行全局处理,与滑动窗口/区域提取方式不同,YOLO能够有效获取上下文信息,相比其它算法,例如,RCNN/Fast-RCNN等,背景误检数量少一半;YOLO神经网络模型通用性强,泛化能力好;YOLO神经网络模型虽然对小目标、密集的物体(比如鸟群等)识别效果较差,但是本实施例所应用的场景并不涉及小目标、密集的物体;YOLO神经网络模型在同一类物体出现的新的不常见长宽比泛化能力偏弱,但是安全带佩戴人员通常保持同一姿势,并不涉及该场景。综上所述,本实施例通过YOLO神经网络模型对车辆内的乘坐人进行识别识别速度快,背景误检率低,对乘坐人识别效果较好。
在一些实施例中,YOLO神经网络模型包括24层卷积层、4层池化层以及2层全连接层。
参见图3,YOLO神经网络模型可以包括依次连接的一层卷积层、一层池化层、一层卷积层、一层池化层、4层卷积层、1层池化层、10层卷积层、1层池化层、4层卷机层、4层卷机层、一层全连接层和一层全连接层。
上述YOLO神经网络模型中的各层卷积层可以由若干卷积单元组成,每个卷积单元的参数都是通过反向传播算法最佳化得到的。卷积运算的目的是提取输入的不同特征,第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级,更多层的网路能从低级特征中迭代提取更复杂的特征。
上述YOLO神经网络模型中的各层池化层主要用于对数据进行降维,缩减模型的大小,提高计算速度,同时提高所提取特征的鲁棒性。
上述YOLO神经网络模型中的全连接层是每一个结点都与上一层的所有结点相连,用来把前边提取到的特征综合起来。全连接层可以整合卷积层或者池化层中具有类别区分性的局部信息。
本实施例通过将车辆内座舱的图像输入到预先训练好的YOLO神经网络模型中,得到第一座舱图像,并基于NMS算法,去除第一座舱图像中的冗余检测框,得到第二座舱图像,以及根据第二座舱图像,得到车辆内的乘坐人员信息,YOLO神经网络模型是端到端的,输入一次图像即可完成分类与回归工作,可以提高目标识别速度,且YOLO神经网络模型可以学习到目标的概括信息,相比于其它算法,准确率较高,NMS算法可以从多个重复检测框中保留效果最好的检测框,可以进一步提高识别准确率。
在一些实施例中,上述S103可以包括:
根据车辆内的乘坐人员信息,对车辆内座舱的图像进行切割,得到各个乘坐人的安全带佩戴区域图像;
将各个乘坐人的安全带佩戴区域图像依次输入到预先训练好的安全带佩戴识别模型中,确定各个乘坐人是否佩戴安全带。
安全带佩戴识别模型可以对图像中的乘坐人是否佩戴安全带进行分类,输出结果为两类,分别为已佩戴安全带和未佩戴安全带。该模型可以是一种神经网络模型。
本实施例可以根据车辆内各个乘坐人员的位置信息,对车辆内座舱的图像进行切割,得到与车辆内乘坐人的数量相同的安全带佩戴区域图像。各个乘坐人的安全带佩戴区域图像为可以明显体现出该乘坐人是否佩戴安全带的区域图像。
预先训练好的安全带佩戴识别模型的数量可以为一个,将车辆内各个乘坐人的安全带佩戴区域图像依次输入到该预先训练好的安全带佩戴识别模型中,可以得到各个乘坐人是否佩戴安全带的识别结果。
在一些实施例中,安全带佩戴识别模型包括依次连接的第一卷积层、第一池化层、第一dropout层、第二卷积层、第二池化层、双向长短时记忆(Bi-directional Long Short-Term Memory,Bi-LSTM)层、第二dropout层、第一全连接层和第二全连接层。
上述安全带佩戴识别模型中的第一dropout层和第二dropout层用于在深度学习网络的训练过程中,对于神经网络单元,按照一定的概率将其暂时从网络中丢弃,从而用于减少过拟合。
上述安全带佩戴识别模型中的Bi-LSTM层包括前向的LSTM与后向的LSTM,在LSTM的基础上,结合了输入序列在前向和后向两个方向上的信息。对于t时刻的输出,前向LSTM具有输入序列中t时刻以及之前时刻的信息,而后向LSTM中具有输入序列中t时刻以及之后时刻的信息,因此Bi-LSTM使得t时刻所获取的特征数据同时拥有过去和将来之间的信息,其结构相比于单个LSTM结构,特征提取效率和性能更优。
上述安全带佩戴识别模型中的卷积层、池化层和全连接层可参照前述YOLO神经网络模型的相关描述,不再赘述。
在使用安全带佩戴识别模型对安全带佩戴进行分类前,需对该模型进行训练。参见图4,采集数据包括已佩戴安全带的数据和未佩戴安全带的数据,且均已标注类别,将采集数据按照60%用于训练、20%用于验证和20%用于测试的比例进行划分。将采集数据的60%作为训练数据集进行特征输入,通过安全带佩戴识别模型后输出预览结果,利用预览结果和输入标签数据构造模型的损失函数,通过优化函数对第一卷积层、第一全连接层、第二全连接层、Bi-LSTM层和分类参数进行优化迭代,当达到迭代次数时结束训练,当未达到迭代次数时继续优化迭代。安全带佩戴识别模型训练完成之后,将20%的验证数据集和20%的测试数据集用对于模型的验证及测试。
在一些实施例中,上述S104可以包括:
获取各个佩戴安全带的乘坐人的安全带佩戴区域图像;
将各个佩戴安全带的乘坐人的安全带佩戴区域图像依次输入到预先训练好的安全带高度匹配模型中,确定各个佩戴安全带的乘坐人的安全带的高度与对应乘坐人是否匹配。
安全带高度匹配模型可以识别出佩戴安全带的乘坐人的安全带佩戴区域图像中的安全带高度是否与乘坐人相匹配,输出结果可以分为三类,分别为匹配、过高和过低。过高是指安全带高度相比于乘坐人身高过高,需要向下调节安全带位置;过低是指安全带高度相比于乘坐人身高过低,需要向上调节安全带位置。
预先训练好的安全带高度匹配模型的数量可以为一个,将车内各个佩戴安全带的乘坐人的安全带佩戴区域图像依次输入到该预先训练好的安全带高度匹配模型中,可以得到车内各个佩戴安全带的乘坐人的安全带的高度与对应乘坐人是否匹配的识别结果。
安全带高度匹配模型与上述安全带佩戴识别模型的结构可以相同,训练过程类似,只是训练后的相关参数不同。
需要说明的是,本申请提供的方法不仅适用于四座车辆,五座车辆,还适用于任何涉及安全带佩戴的交通工具,比如,七座商务车,大巴车,甚至飞机,等等,只是应用不同的交通工具时,可以在合适位置加装摄像设备,以便可以获取座舱内的图像。本申请通过车载监控系统对座舱内人员进行安全带扣系状态检测、安全带扣系位置检测(即安全带高度是否匹配检测),本申请还可在座舱内其他区域另置监控设备进行安全带扣系状态进行检测,本申请所适用的所有安装方案均属本发明保护范围之内。
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。
以下为本发明的装置实施例,对于其中未详尽描述的细节,可以参考上述对应的方法实施例。
图5示出了本发明实施例提供的安全带高度调节装置的结构示意图,为了便于说明,仅示出了与本发明实施例相关的部分,详述如下:
如图5所示,安全带高度调节装置30应用于车载监控系统,包括:获取模块31、目标识别模块32、安全带识别模块33、匹配模块34和调节模块35。
获取模块31,用于获取车辆内座舱的图像,车辆内座舱的图像覆盖座舱内的所有座位;
目标识别模块32,用于对车辆内座舱的图像进行目标识别,确定车辆内的乘坐人员信息;
安全带识别模块33,用于根据车辆内座舱的图像和车辆内的乘坐人员信息,识别车辆内的各个乘坐人是否佩戴安全带;
匹配模块34,用于确定各个佩戴安全带的乘坐人的安全带的高度与对应乘坐人是否匹配;
调节模块35,用于对于每个高度与对应乘坐人不匹配的安全带,生成该安全带对应的调节信号,并将该安全带对应的调节信号发送至座舱域控制器,该安全带对应的调节信号用于指示座舱域控制器对该安全带的高度进行调节,以使该安全带的高度与对应乘坐人匹配。
在一种可能的实现方式中,目标识别模块32具体用于:
将车辆内座舱的图像输入到预先训练好的YOLO神经网络模型中,得到第一座舱图像;第一座舱图像中已用检测框框选出车辆内的乘坐人;
基于非极大值抑制算法,去除第一座舱图像中的冗余检测框,得到第二座舱图像;
根据第二座舱图像,得到车辆内的乘坐人员信息。
在一种可能的实现方式中,YOLO神经网络模型包括24层卷积层、4层池化层以及2层全连接层。
在一种可能的实现方式中,安全带识别模块33具体用于:
根据车辆内的乘坐人员信息,对车辆内座舱的图像进行切割,得到各个乘坐人的安全带佩戴区域图像;
将各个乘坐人的安全带佩戴区域图像依次输入到预先训练好的安全带佩戴识别模型中,确定各个乘坐人是否佩戴安全带。
在一种可能的实现方式中,安全带佩戴识别模型包括依次连接的第一卷积层、第一池化层、第一dropout层、第二卷积层、第二池化层、双向长短时记忆层、第二dropout层、第一全连接层和第二全连接层。
在一种可能的实现方式中,匹配模块34具体用于:
获取各个佩戴安全带的乘坐人的安全带佩戴区域图像;
将各个佩戴安全带的乘坐人的安全带佩戴区域图像依次输入到预先训练好的安全带高度匹配模型中,确定各个佩戴安全带的乘坐人的安全带的高度与对应乘坐人是否匹配。
图6是本发明实施例提供的车载监控系统的示意图。如图6所示,该实施例的车载监控系统4包括:处理器40和存储器41。所述存储器41用于存储计算机程序42,所述处理器40用于调用并运行所述存储器41中存储的计算机程序42,执行上述各个安全带高度调节方法实施例中的步骤,例如图1所示的S101至S105。或者,所述处理器40用于调用并运行所述存储器41中存储的计算机程序42,实现上述各装置实施例中各模块/单元的功能,例如图5所示模块/单元31至35的功能。
示例性的,所述计算机程序42可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器41中,并由所述处理器40执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序42在所述车载监控系统4中的执行过程。例如,所述计算机程序42可以被分割成图5所示的模块/单元31至35。
所述车载监控系统4可包括,但不仅限于,处理器40、存储器41。本领域技术人员可以理解,图6仅仅是车载监控系统4的示例,并不构成对车载监控系统4的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述车载监控系统还可以包括输入输出设备、网络接入设备、总线等。例如,车载监控系统还可以包括前述DMS和OMS等。
所述处理器40可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41可以是所述车载监控系统4的内部存储单元,例如车载监控系统4的硬盘或内存。所述存储器41也可以是所述车载监控系统4的外部存储设备,例如所述车载监控系统4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器41还可以既包括所述车载监控系统4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述车载监控系统所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
对应于上述车载监控系统,本发明实施例还提供了一种车辆,包括如上任一种所述的车载监控系统,还包括座舱域控制器、安全带高度调节器和安全带;
座舱域控制器分别与车载监控系统和安全带高度调节器连接,安全带高度调节器还与安全带连接。
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。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/车载监控系统和方法,可以通过其它的方式实现。例如,以上所描述的装置/车载监控系统实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也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计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个安全带高度调节方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种安全带高度调节方法,其特征在于,应用于车载监控系统,所述安全带高度调节方法包括:
获取车辆内座舱的图像,所述车辆内座舱的图像覆盖座舱内的所有座位;
对所述车辆内座舱的图像进行目标识别,确定车辆内的乘坐人员信息;
根据所述车辆内座舱的图像和所述车辆内的乘坐人员信息,识别车辆内的各个乘坐人是否佩戴安全带;
确定各个佩戴安全带的乘坐人的安全带的高度与对应乘坐人是否匹配;
对于每个高度与对应乘坐人不匹配的安全带,生成该安全带对应的调节信号,并将该安全带对应的调节信号发送至座舱域控制器,该安全带对应的调节信号用于指示所述座舱域控制器对该安全带的高度进行调节,以使该安全带的高度与对应乘坐人匹配。
2.根据权利要求1所述的安全带高度调节方法,其特征在于,所述对所述车辆内座舱的图像进行目标识别,确定车辆内的乘坐人员信息,包括:
将所述车辆内座舱的图像输入到预先训练好的YOLO神经网络模型中,得到第一座舱图像;所述第一座舱图像中已用检测框框选出车辆内的乘坐人;
基于非极大值抑制算法,去除所述第一座舱图像中的冗余检测框,得到第二座舱图像;
根据所述第二座舱图像,得到车辆内的乘坐人员信息。
3.根据权利要求2所述的安全带高度调节方法,其特征在于,所述YOLO神经网络模型包括24层卷积层、4层池化层以及2层全连接层。
4.根据权利要求1所述的安全带高度调节方法,其特征在于,所述根据所述车辆内座舱的图像和所述车辆内的乘坐人员信息,识别车辆内的各个乘坐人是否佩戴安全带,包括:
根据所述车辆内的乘坐人员信息,对所述车辆内座舱的图像进行切割,得到各个乘坐人的安全带佩戴区域图像;
将各个乘坐人的安全带佩戴区域图像依次输入到预先训练好的安全带佩戴识别模型中,确定各个乘坐人是否佩戴安全带。
5.根据权利要求4所述的安全带高度调节方法,其特征在于,所述安全带佩戴识别模型包括依次连接的第一卷积层、第一池化层、第一dropout层、第二卷积层、第二池化层、双向长短时记忆层、第二dropout层、第一全连接层和第二全连接层。
6.根据权利要求1至5任一项所述的安全带高度调节方法,其特征在于,所述确定各个佩戴安全带的乘坐人的安全带的高度与对应乘坐人是否匹配,包括:
获取各个佩戴安全带的乘坐人的安全带佩戴区域图像;
将各个佩戴安全带的乘坐人的安全带佩戴区域图像依次输入到预先训练好的安全带高度匹配模型中,确定各个佩戴安全带的乘坐人的安全带的高度与对应乘坐人是否匹配。
7.一种安全带高度调节装置,其特征在于,应用于车载监控系统,所述安全带高度调节装置包括:
获取模块,用于获取车辆内座舱的图像,所述车辆内座舱的图像覆盖座舱内的所有座位;
目标识别模块,用于对所述车辆内座舱的图像进行目标识别,确定车辆内的乘坐人员信息;
安全带识别模块,用于根据所述车辆内座舱的图像和所述车辆内的乘坐人员信息,识别车辆内的各个乘坐人是否佩戴安全带;
匹配模块,用于确定各个佩戴安全带的乘坐人的安全带的高度与对应乘坐人是否匹配;
调节模块,用于对于每个高度与对应乘坐人不匹配的安全带,生成该安全带对应的调节信号,并将该安全带对应的调节信号发送至座舱域控制器,该安全带对应的调节信号用于指示所述座舱域控制器对该安全带的高度进行调节,以使该安全带的高度与对应乘坐人匹配。
8.一种车载监控系统,其特征在于,包括存储器和处理器,所述存储器用于存储计算机程序,所述处理器用于调用并运行所述存储器中存储的计算机程序,执行如权利要求1至6中任一项所述的安全带高度调节方法。
9.一种车辆,其特征在于,包括如权利要求8所述的车载监控系统、座舱域控制器、安全带高度调节器和安全带;
所述座舱域控制器分别与所述车载监控系统和所述安全带高度调节器连接,所述安全带高度调节器还与所述安全带连接。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上的权利要求1至6中任一项所述安全带高度调节方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210640934.6A CN117253218A (zh) | 2022-06-07 | 2022-06-07 | 安全带高度调节方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210640934.6A CN117253218A (zh) | 2022-06-07 | 2022-06-07 | 安全带高度调节方法及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117253218A true CN117253218A (zh) | 2023-12-19 |
Family
ID=89131820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210640934.6A Pending CN117253218A (zh) | 2022-06-07 | 2022-06-07 | 安全带高度调节方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117253218A (zh) |
-
2022
- 2022-06-07 CN CN202210640934.6A patent/CN117253218A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111469802B (zh) | 座椅安全带状态确定系统和方法 | |
CN113147664B (zh) | 检测车辆中是否使用了安全带的方法和系统 | |
US20040220705A1 (en) | Visual classification and posture estimation of multiple vehicle occupants | |
US7636479B2 (en) | Method and apparatus for controlling classification and classification switching in a vision system | |
US9077962B2 (en) | Method for calibrating vehicular vision system | |
EP2836410B1 (en) | User identification and personalized vehicle settings management system | |
CN110084184B (zh) | 一种基于图像处理技术的安全带未系探测系统和方法 | |
US8560179B2 (en) | Adaptive visual occupant detection and classification system | |
US20230316783A1 (en) | Computer-implemented method for analysing the interior of a vehicle | |
KR102443514B1 (ko) | 안전벨트 착용 검출을 위한 서비스 제공 시스템 및 방법 | |
CN117253218A (zh) | 安全带高度调节方法及相关装置 | |
CN114475511B (zh) | 基于视觉的气囊启动 | |
EP4303822A1 (en) | Child seat detection for a seat occupancy classification system | |
CN115284976B (zh) | 车辆座椅自动调节方法、装置、设备及存储介质 | |
CN111907468A (zh) | 用于控制无人车的方法和装置 | |
DE102022004540A1 (de) | System und Verfahren zur Erfassung des Vorhandenseins eines Kindersitzes in einem Fahrzeug | |
CN117416301A (zh) | 安全带佩戴确定设备 | |
DE102022004759A1 (de) | System und Verfahren zum Bestimmen der Orientierungsattribute eines Kindersitzes in einem Fahrzeug | |
Singh et al. | Driver's Seat Belt Detection Using CNN-SVM: A Hybrid Approach | |
CN117710946A (zh) | 基于车载摄像头的安全带使用识别方法、装置和存储介质 |
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 |