JP2004131078A - 乗員の上部胴体を識別するための乗員ラベリングシステム、その方法、並びにそれらを使用した乗員追跡およびエアバッグ展開システム - Google Patents

Abstract

【課題】乗員のセグメント化イメージ中の各ピクセルを、上部胴体イメージまたは下部胴体イメージとして識別する乗員ラベリングシステムおよびその識別方法を提供すること。
【解決手段】ｋ−平均モジュール60において、ピクセルと上部胴体の推定中点との間の距離と、そのピクセルと下部胴体の推定中点との間の距離とを比較することによって、ピクセルの初期的な分類を実施する。続いて、パラメーター推定モジュール66で条件付尤度法を実施することによって、上部胴体および下部胴体の平均点（中点）を更新し、次に、ピクセル分類モジュール72において、各胴体部のマハラノビス距離を比較することによって、上部胴体または下部胴体のいずれのピクセルであるかを分類する。エアバッグに適用されるシステムにおいて、この上部胴体イメージを使用して、システムに適切な乗員特性を生成することができる。
【選択図】　図４

Description

　本発明は、一般に、エアバッグの展開に関連するシステムまたは方法に関する。特に、本発明は、乗員の上部胴体に関する特性をエアバッグの展開に関する判断のための基礎として役立てることができるように、乗員の上部胴体を識別することに関する。

　従来の衝突検知システムは、加速度計または荷重検知を主機能とするセンサを使用して、エアバッグの展開を開始すべき車両の衝突が発生したか否かを判別している。そのようなシステムでは、たとえば車両が氷結路面上を滑走して縁石に乗り上げるといった悪路条件や、駐車場に進入する際に誤って車止めに衝突するといった小さな衝撃により、誤警報が発生することがある。乗員のイメージ（画像）は、急な水平移動または荷重によって発生するエラーに対する感度を低く抑えることができるため、エアバッグ展開システムは、乗員のイメージから導出されるその乗員の特性に基づくことが望ましい。

　エアバッグ展開システムは、実時間環境においてその機能を発揮しなければならない。また、標準的なビデオカメラですら、１秒間に１００フレームのイメージを取込むことができる。したがって、センサの読取りすなわちイメージの取込みから展開の判断までの処理を、迅速かつ信頼性の高い方法で実施する必要がある。エアバッグに関するイメージ処理は、乗員の上部胴体に集中することが望ましい。エアバッグが展開される大抵の状況において、最大の移動部分は、乗員の上部胴体である。乗員がシートベルトに拘束されていない状況でも、上部胴体が腰を軸として前方に回転する際に、頭部が急速に前方に移動するため、上部胴体の動きが優勢となる。

　時間的な制約の下で、信頼性の高い処理を容易にするために、エアバッグ展開システムはロバスト（robust）である必要がある。ノイズを低減する処理を容易にするために、乗員の上部胴体イメージを識別する処理には、反復処理（iterative processing）および確率的重み付けを使用した解析法（probability-weighted analysis）を組込むことが望ましい。また、上部胴体のイメージを識別する処理の様々な時点またはイメージの取込みから展開の判断までの処理の全体に渡って使用される特定の仮定には、人体ダミーのデータ（anthropomorphic data）および車両に関する情報を組込むことも望ましい。

　本発明は、セグメント化イメージにおいて、どのピクセルが乗員の上部胴体を表すのかを判別するための乗員ラベリングシステム、その方法、並びにそれらを使用した乗員追跡およびエアバッグ展開システムを提供することを目的とする。

　上記目的を達成するために、本発明に係る乗員の上部胴体を識別するための乗員ラベリングシステムは、上部胴体メトリックおよび下部胴体メトリックを含むｋ−メトリックモジュールと、上部胴体パラメータおよび下部胴体パラメータを含むパラメータ推定モジュールとを含み、前記ｋ−メトリックモジュールは、前記上部胴体メトリックおよび前記下部胴体メトリックを生成し、前記パラメータ推定モジュールは、前記上部胴体メトリックおよび前記下部胴体メトリックから前記上部胴体パラメータおよび前記下部胴体パラメータを生成することを特徴とする。

　本発明の別の態様では、本発明に係る乗員の上部胴体を識別するための乗員ラベリングシステムは、セグメント化イメージ、初期推定、上部胴体の平均、および下部胴体の平均を含むｋ−平均モジュールと、上部胴体パラメータ、下部胴体パラメータ、およびマハラノビス距離を含む反復型パラメータ推定器と、上部胴体イメージを含むピクセル分類モジュールとを含み、前記ｋ−平均モジュールは、前記セグメント化イメージと前記初期推定とを使用して前記上部胴体の平均および前記下部胴体の平均を生成し、前記反復型パラメータ推定器は、前記マハラノビス距離と前記上部胴体の平均および前記下部胴体の平均とを使用して、前記上部胴体パラメータおよび前記下部胴体パラメータを生成し、前記ピクセル分類モジュールは、前記上部胴体パラメータおよび前記下部胴体パラメータから前記上部胴体イメージを生成することを特徴とする。

　本発明のさらに別の態様では、本発明に係る乗員追跡およびエアバッグ展開システムは、周囲イメージおよびセグメント化イメージを含むイメージセグメント化モジュールと、乗員類型を含むイメージ分類モジュールと、上部胴体イメージおよび乗員ラベリング手法を含む乗員ラベリング手法とを含み、前記イメージセグメント化モジュールは、前記周囲イメージから前記セグメント化イメージを生成し、前記イメージ分類モジュールは、前記セグメント化イメージから前記乗員類型を生成し、前記乗員ラベリングモジュールは、前記セグメント化イメージ、前記乗員ラベリング手法、および前記乗員類型から前記上部胴体イメージを生成することを特徴とする。

　本発明のさらに別の態様では、本発明に係る乗員ピクセルのセグメント化イメージから乗員の上部胴体を識別する方法は、各ピクセルから前記上部胴体の推定中点への距離を決定するステップと、前記上部胴体の推定中点を更新するステップと、該更新された推定中点を使用して、上部胴体ピクセルを選択して識別するステップとを含むことを特徴とする。

　エアバッグ展開に適用されるシステムは、乗員の上部胴体の特性を様々な方法で使用することができる。上部胴体の特性の抽出は、下部胴体を含む乗員のイメージから上部胴体イメージを分離することによって、容易化することができる。

　この本発明に係る乗員ラベリングシステムでは、上部胴体の中点および下部胴体の中点の初期推定を作成するために、人体ダミーのデータ、車両固有のデータ、直前の中点の計算値、および他の手段を使用することができる。続いて、ｋ−メトリック（ｋ−metric）モジュールを使用して、様々なピクセルから上部胴体および下部胴体の中点へのピクセル単位での距離を比較する発見的手法を実行することによって、それらの推定値を更新することができる。

　続いて、パラメータ推定モジュールを使用して、上部胴体および下部胴体の更新された中点の精度をさらに高めることができる。好適な実施形態では、パラメータ推定モジュールは、解析に確率を組込んだ１つまたは複数の数学的手法を使用して、反復的に処理を実行する。

　特定のセグメント化イメージの最終的な中点を使用して、特定のピクセルと上部胴体の中点および下部胴体の中点との間のマハラノビス（Mahalanobis）距離を計算することができる。特定のピクセルに対して、その上部胴体マハラノビス距離が下部胴体マハラノビス距離よりも小さい場合、そのピクセルは上部胴体ピクセルであると識別することができる。

　本発明の様々な態様は、添付した図面を参照し、好適な実施形態についての以下の詳細な説明を読むことによって、当業者にとって明らかになるであろう。

　Ａ．　周囲環境の部分図
　図１は、本発明の可能な一実施形態である乗員ラベリングシステム１６の周囲環境を示す部分図である。乗員１８が存在する場合、この乗員１８はシート２０に着席する。好適な実施形態では、一連のイメージを素早く取込むことができるカメラまたは他の撮像センサ（カメラと総称する）が、ルーフライナー２４に取付けられており、その位置は、乗員１８の上方であってかつ乗員１８よりも風防ガラス２６に近接した位置である。カメラ２２は、標準的なビデオカメラとすることができるが、衝突検知のためには、毎秒２５０〜１０００フレームのイメージ取込みが可能な高速度カメラ２２が好ましい。カメラ２２は、好ましくは乗員１８に向けて僅かに下方に傾斜した角度で配置され、シート２０の前後移動による乗員１８の上部胴体の位置および角度の変化を捉えるものである。カメラ２２をこのシステム１６に組込むことが可能な場所は、他にも多数存在する。同様に、コンピュータ３０は、車両のほぼ任意の位置に配置することができる。好適な実施形態では、コンピュータ３０は、カメラのイメージの伝送路が長くなることを回避するために、カメラ２２の近くに配置される。図１において、計器パネル３４中には、エアバッグコントローラ３２が示されているが、このエアバッグコントローラは車両中の任意の場所に配置することができる。また、エアバッグ展開システム３６は、計器パネル３４中の乗員１８およびシート２０の前面に示されているが、このシステム１６は、エアバッグ展開システム３６を他の場所に配置してもその機能を発揮するものである。

　Ｂ．　エアバッグ処理の高レベル処理の流れ
　図２は、エアバッグに関する処理全体の中で、システム１６の使用に関する高レベル処理の流れを示す図である。シート領域２１の入力ビデオイメージ（“周囲イメージ”）３８は、乗員１８および乗員１８を囲むシート領域２１の両方のイメージを含み、カメラ２２または一連のイメージを素早く取込むことができる他の任意のセンサによって取込まれる。図２において、シート領域２１は、乗員１８全体を含んでいるが、特に、カメラ２２が下肢の見えない場所に配置されている場合、乗員１８のイメージの一部のみが取込まれる状況または実施形態も存在する。この周囲イメージ３８は、コンピュータ３０に送信される。

　エアバッグ展開の処理における多くの機能は、１つまたは複数のコンピュータ３０によって実施することができる。コンピュータ３０を使用して、乗員１８および乗員１８を囲む領域の両方を含むシート領域の周囲イメージ３８から、乗員１８のセグメント化イメージを分離することができる。コンピュータ３０は、乗員１８の上部胴体を表すセグメント内のピクセルを識別する処理を備え、また、上部胴体から乗員の特性を抽出する処理を実施することができる。１つまたは複数の他のコンピュータを使用して、乗員の特性の追跡と予測、エアバッグの展開を要する事故が発生したか否かの判別、エアバッグ展開システムに乗員が近付き過ぎているために展開が望ましくない状況かどうか（たとえば、乗員の頭部または上部胴体が、展開時に所定の危険域（ＡＲＺ：at-risk-zone）内にないかどうか）の判別、エアバッグの望ましい展開力の計算、およびエアバッグの展開に関する他の任意の処理または解析を実行することができる。コンピュータ３０は、コンピュータプログラムまたは他の形式の構造化論理を実行可能な任意の装置とすることができる。

　コンピュータ３０によって実施された処理の結果に応じて、エアバッグ展開システム３６の実行のための適切な指令をエアバッグコントローラ３２に送信することができる。

　Ｃ．　エアバッグ処理の流れの詳細
　図３は、周囲イメージ３８の取込みからエアバッグコントローラ３２によって実施されるエアバッグ展開解析までの処理の流れの一例を示すフローチャートである。

　カメラ２２によって取込まれた各周囲イメージ３８は、イメージセグメント化モジュール４０によって処理することができる。イメージセグメント化モジュールは、周囲イメージ３８中の乗員１８を表すピクセルを分離し、それによって乗員のみを表すセグメント化イメージ４２を作成して次の処理に渡すことができる。

　セグメント化イメージ４２は、乗員分類モジュール４４への入力となる。乗員分類モジュール４４は、乗員１８のセグメント化イメージ４２を、いくつかの所定の乗員類型の１つに分類するように構成することができる。好ましい実施形態では、システム１６は、大人、子供、無人、前向きのチャイルドシート、後ろ向きのチャイルドシート、およびその他の物体からなる乗員類型を識別可能なものである。乗員分類モジュール４４は、適切な特徴の階層ツリーを使用して、乗員の正しい類型を識別することができる。

　好適な実施形態では、エアバッグ展開システム３６は、乗員１８が特定の類型４６に属するものとして分類された場合、エアバッグの展開を防止するものである。図３に示す例では、乗員１８が大人として分類された場合にのみ、エアバッグが展開され得る。別の様々な実施形態において、様々な類型４６に対する多様な展開規則を組込むことも可能である。図３に示す例では、ステップ５０において乗員１８が大人として分類されなかった場合、この周囲イメージ３８に関する処理を終了し、次の周囲イメージ３８の取込みによって、再び最初からこの処理を開始することができる。

　ステップ５０において、乗員類型４６がエアバッグの展開が可能なタイプであった場合、乗員ラベリングモジュール５２は、セグメント化イメージ４２および乗員類型４６の両方を入力として取得する。別の実施形態では、乗員分類モジュール４４を置かず、乗員ラベリングモジュール５２で乗員類型４６を使用しないこともできる。

　乗員ラベリングモジュール５２は、上部胴体イメージ５４とも呼ばれる頭部−胴体部イメージ５４を生成する。好適な実施形態では、上部胴体は、乗員１８の頭部を含んで腰から上の全体に渡り、したがって、下部胴体は、乗員１８の腰から下に渡るものである。別の実施形態では、上部胴体と下部胴体とを別の方法で区分化することもでき、さらに、乗員のセグメント化イメージ４２を、３つまたはそれ以上の部分に区分化することもできる。

　好適な実施形態では、上部胴体イメージ５４は乗員追跡モジュール５６に送られる。乗員追跡モジュール５６は、乗員ラベリングモジュール５２から渡された情報から、乗員の適切な特性を取込むものである。乗員追跡モジュール５６によって使用される特性は、測定された特性と測定された特性から導出された特性（導出特性）の両方を含むことができる。乗員１８の適切な特性は、位置、速度、加速度、傾斜角度、幅、高さ、重心の位置、および可能な他の特性のうち任意の適切な特性を含むものである。好適な実施形態では、乗員追跡モジュール５６は予測モジュールでもあり、複数の形態モデルおよび動作モデルを使用し、確率的重み付けを使用した解析において複数のカルマンフィルタを統合して、現時点以後の乗員１８の特性を予測するものである。

　Ｄ．　乗員ラベリングの発見的手法
　図４は、乗員ラベリング手法の一例における処理の流れを示すフローチャートである。好適な実施形態では、乗員ラベリングモジュールへの入力は、セグメント化イメージ４２と１つまたは複数の上部胴体イメージ５４（たとえば、頭部−胴体部イメージ）の初期推定である。この初期推定は、人体ダミーのデータ、乗員１８が着席していると仮定した場合のシステム１６におけるシートに関する特性といった車両固有のデータ、およびこの乗員ラベリングモジュールの過去（直前のセンサ測定時）の出力から導出された上部胴体イメージ５４についての情報とすることができる。

　このシステム１６には、多様な乗員ラベリング手法を組込むことができる。好適な実施形態では、乗員ラベリング手法は、下部胴体（たとえば、脚部）の中点と上部胴体（たとえば、乗員１８の頭部を含む腰から上の部分）の中点に関する推定を使用するものである。上述した初期推定は、これらの中点の位置に関するものとすることができる。ピクセルは、周囲イメージ３８、セグメント化イメージ４２、および上部胴体イメージを含むイメージの基本的な構成要素である。特定のピクセルと上部胴体の推定中点との関係、および同じ特定のピクセルと下部胴体の推定中点との関係に関して、多様な数学的演算を実行することができる。中点との距離は特に有用な関係であり、距離から導出される多数の可能な関係も同様である。システム１６には、中点との距離という関係が組込まれた多様な乗員ラベリング手法を組込むことも、中点との距離とは関係のない多様な乗員ラベリング手法を組込むこともできる。さらに、システム１６には、推定中点を使用しない多様な乗員ラベリング手法を組込むことができる。同様に、多様な乗員ラベリング手法において、セグメント化イメージ４２を２つ以上の部分に区分化すること、多様な初期推定を使用すること、乗員類型４６のような他の導出データを組込むこと、および任意の他の適切な特性を組込むことができる。

　１．　ｋ−メトリックモジュールおよびｋ−メトリック法
　図４に示す例において、セグメント化イメージは、１つまたは複数の異なるｋ−メトリック法を実行可能なｋ−平均（ｋ−means）モジュール６０に送られる。好適な実施形態では、上述した初期推定も、ｋ−平均モジュール６０の処理に組込まれるものである。ｋ−平均モジュール６０は、乗員ラベリング手法による処理に組込み可能なｋ−メトリックモジュール６０の一実施形態である。ｋ−平均モジュール６０は、上部胴体の推定中点および下部胴体の推定中点を使用してｋ―平均法を実行するものであるが、ｋ−メトリックモジュールにおいて、別の多様な参照点および数学的演算を使用することもできる。

　図５は、ｋ−メトリックモジュール６０が受取ることができるセグメント化イメージ４２の例を示す図である。好適な実施形態では、セグメント化イメージ４２は二値イメージである。一実施形態では、乗員部分のすべてのピクセルが１つの二進値であって、乗員部分以外のピクセルが別の二進値であり、別の実施形態では、セグメント化イメージ４２を周囲イメージ３８から区分する境界ピクセルが１つの二進値であって、他のすべてのピクセルが別の二進値である。

　図４において、乗員１８のセグメント化イメージ４２中の各ピクセルを座標ベクトルに、すなわちそれぞれの行および列における位置を（ｘ，ｙ）座標に変換することができる。

　ｋ−メトリックモジュール６０のｋ−平均による実施形態では、ｋ−メトリックモジュール６０は、セグメント化イメージ中の各点（ピクセル）を、その点が頭部−胴体部の平均に近いかまたは脚部の平均に近いかに従って、それぞれ頭部−胴体部（上部胴体）イメージ中の点かまたは脚部（下部胴体）イメージ中の点かを分類する。ここで、頭部−胴体部の平均および脚部の平均は、それぞれ頭部−胴体部イメージおよび脚部イメージの中点である。上述したように、頭部−胴体部の平均および脚部の平均の初期推定を使用して、ｋ−平均を開始することができる。続いて、次の２つの式または同様の式を使用し、ｋ−平均法における次回の反復計算によって、頭部−胴体部の平均および脚部の平均の値を計算することができる。

[式１]

　（頭部−胴体部の平均）＝Σ（頭部−胴体部イメージ）／（頭部−胴体部イメージ中の点の数）

[式２]

　（脚部の平均）＝Σ（脚部イメージ）／（脚部イメージ中の点の数）

　ここで、“頭部−胴体部の平均”は、上部胴体の直前の推定中点である。初回の計算では、このデータは初期推定の結果として得られるものである。“脚部の平均”は、下部胴体の直前の推定中点であり、初回の計算では、このデータは初期推定の結果として得られるものである。好適な実施形態では、“Σ（頭部−胴体部イメージ）”は、上部胴体イメージ中の各ピクセルと上部胴体イメージの推定中点との距離の総和である。別の実施形態では、異なるメトリックを使用することができる。同様に、好適な実施形態では、“Σ（脚部イメージ）”は、下部胴体イメージ中の各ピクセルと下部胴体イメージの推定中点との距離の総和であり、別の実施形態では、異なるメトリックを使用することができる。“頭部−胴体部イメージ中の点の数”は、事前の上部胴体イメージ中のピクセル数であり、“脚部イメージ中の点の数”は、事前の下部胴体イメージ中のピクセル数である。別の様々な実施形態では、上式とは異なる多様な式による計算を実行することができる。

　２．　パラメータ推定モジュールおよびパラメータ推定法
　続いて、脚部（下部胴体）の初期平均６２、頭部−胴体部（上部胴体）の初期平均６４、およびセグメント化イメージ４２を、パラメータ推定モジュール６６に送ることができる。好適な実施形態では、パラメータ推定モジュール６６は、反復型パラメータ推定器である。このパラメータ推定器は、次の４つの式を反復して計算することができる。

[式３]

　ここで、

は、与えられた統計量θの下で、特定のピクセル（ｘ_k）が、上部胴体クラスまたは下部胴体クラスのような特定のクラス（ω_i）中に存在する確率である。各クラスｉについて、μは、頭部−胴体部の平均および脚部（下部胴体）の平均のような平均値を表す。Σ_iの初期値は、それぞれの特定のクラスｉにおける共分散を表す。この共分散は、乗員の上部胴体の境界長円の概略を定めるものであり、境界の形状は、人体ダミーのデータを使用して決定することができる。式３は、まず、θに対する初期推定（μ，Σ）を使用して計算される。μの初期値は上述したｋ−平均モジュールの出力として得られるものである。式３が最初に初期推定を使用して計算された後、式３の反復計算に対する入力は、次の式４、式５、および式６によって表される。

[式４]

　ここで、変数ｎは、セグメント化イメージ４２中のピクセル数を表す。

[式５]

[式６]

　これらの式で、頭部−胴体部の平均（上部胴体の平均すなわち中点）および脚部の平均（下部胴体の平均すなわち中点）は、ギリシャ文字のμ_iで表され、共分散はギリシャ文字のΣ_iで表される。ω_iはセグメント化イメージ中の各座標ｘ_kのクラスである。２クラス問題（２つのクラスは、頭部−胴体部クラスと脚部クラス）の場合は、ｉ＝１，２、およびｃ＝２である。別の実施形態では、ｃを２よりも大きくすることができる。ω₁は、座標ｘ_kが脚部クラス中にあることを表し、ω₂は、座標ｘ_kが頭部−胴体部クラス中にあることを表す。

　したがって、

は、与えられた統計量θの下で、ｘ_kがクラスω_i中にあることを表す条件付尤度である（一種の条件付尤度法（conditional likelihood heuristic）の一例）。式３は、まず、θに対する初期推定（μ，Σ）を使用して計算される。初期平均μは、ｋ−平均モジュールの出力として得られる。大人の上部胴体（頭部を含む）は、通常は人体全体のおよそ２／３であるため、人体ダミーのデータが使用され、これに基づいて、事前確率に対する初期推定を決定することができる。初期共分散は、セグメント化イメージのサイズおよび上部胴体の一般的な形状についての相当する人体ダミーのデータに基づいた仮定（推定）である。この共分散によって、乗員の頭部−胴体部（上部胴体）の境界長円の概略が定められ、境界の一般的な形状は、人体ダミーのデータから知ることができる。上述したように、パラメータ推定モジュール６６には、多様な方法および式を組込むことができる。

　式３、式４、式５、および式６は、反復法によって実行される。これらの式は、システム１６の構成時に予め設定された所定の回数だけ繰返して計算される。反復の回数は、平均値の変動を有意な変動の閾値と比較することによって決定することもでき、特定のセグメント化イメージ４２の平均値の変動が有意な変動の閾値よりも小さくなるまでパラメータ推定を繰返すように、システム１６を構成することができる。他の実施形態では、これらの両方の方法を組込み、有意な変動の閾値を使用すると共に可能な反復回数の最終的な限界を設定してもよい。図６は、パラメータ推定モジュールから出力された最終的な頭部−胴体部パラメータ７０の一例である。図７は、パラメータ推定モジュールから出力された最終的な脚部パラメータ６８の一例である。

　３．　ピクセル分類モジュールとピクセル分類法
　図４を参照すると、ピクセル分類モジュール７２に対する入力は、好ましくは、パラメータ推定モジュールからの最終的な頭部−胴体部パラメータ７０と最終的な脚部パラメータ６８である。この入力には、ｋ−平均モジュール６０とパラメータ推定モジュール６６によってすでに処理されたセグメント化イメージ４２も含まれている必要がある。

　ピクセル分類モジュール７２では、距離法（distance heuristics）を含むピクセル特性法（pixel characteristic heuristic）を実施することができる。距離法は、特定のピクセルから、セグメント化イメージ４２中の様々な部分（たとえば、上部胴体および下部胴体）の参照点（たとえば、中点）への距離に基づいて、ピクセルを分類するものである。特定のピクセルについて、上部胴体への距離が短い場合、そのピクセルは上部胴体ピクセルとして分類される。同様に、特定のピクセルについて、下部胴体への距離が短い場合、そのピクセルは下部胴体ピクセルとして分類される。距離が等しい場合には、そのピクセルを上部胴体ピクセルに分類するようにシステム１６を構成することも、または下部胴体ピクセルに分類するようにシステム１６を構成することもできる。

　システム１６の好適な実施形態では、マハラノビス法が実施される。マハラノビス法では、セグメント化イメージ中の各点から頭部−胴体部の平均（上部胴体の中点）および脚部の平均（下部胴体の中点）への“マハラノビス距離”が計算される。点（ピクセル）のマハラノビス距離が、頭部−胴体部の平均（上部胴体の中点）に近接している場合、その点は頭部−胴体部イメージ（上部胴体ピクセル）として分類され、そうでない場合には脚部イメージ（下部胴体ピクセル）として分類される。二点間のマハラノビス距離は、次式により定義される。

[式７]

　上式において、ｘ_kはセグメント化イメージ中の点、μ_iおよびΣ_iは、パラメータ推定モジュール６６の出力である。

　このようにして、ピクセル分類モジュールは、この分類法による最終的な分類に従って、セグメント化イメージ中の各ピクセルを設定することができる。続いて、最終的な頭部−胴体部（上部胴体）イメージ５４は、上述した乗員追跡モジュール５６に送られ、それによってエアバッグ展開システム３６は適切な展開判断を下すことができる。

　以上、多数の好適な実施形態において、本発明の動作の原理および態様を説明および例示してきたが、本発明は、その思想または範囲から逸脱することなく、説明および例示された特定の態様以外の態様で実施可能であることを理解されたい。

本発明に係るシステムの可能な一実施形態における周囲環境の一例を示す部分図である。 乗員ラベリングシステムと共に動作可能な追跡システムおよび展開システムの高レベル処理の一例を示す図である。 乗員のセグメント化イメージから上部胴体イメージを取込む処理の一例を示すフローチャートである。 乗員ラベリング法の一例の詳細を示すフローチャートである。 上部胴体および下部胴体を含むセグメント化イメージの一例を示す図である。 乗員のセグメント化イメージの下部胴体イメージから分離された上部胴体イメージの一例を示す図である。 上部胴体イメージの識別を容易にするために、乗員のセグメント化イメージから削除された下部胴体イメージの一例を示す図である。

符号の説明

　１６　　乗員ラベリングシステム
　１８　　乗員
　２０　　シート
　２２　　カメラ
　２１　　シート領域
　２４　　ルーフライナー
　２６　　風防ガラス
　３０　　コンピュータ
　３２　　エアバッグコントローラ
　３４　　計器パネル
　３６　　エアバッグ展開システム
　３８　　周囲イメージ
　４０　　イメージセグメント化モジュール
　４２　　セグメント化イメージ
　４４　　乗員分類モジュール
　５２　　乗員ラベリングモジュール
　５４　　頭部−胴体部イメージ
　５６　　乗員追跡モジュール
　６０　　ｋ−平均モジュール
　６６　　パラメータ推定モジュール
　６８　　最終的な脚部パラメータ
　７０　　最終的な頭部−胴体部パラメータ
　７２　　ピクセル分類モジュール

Claims (25)

1. 　乗員の上部胴体を識別するための乗員ラベリングシステムであって、
   　上部胴体メトリックおよび下部胴体メトリックを含むｋ−メトリックモジュールと、
   　上部胴体パラメータおよび下部胴体パラメータを含むパラメータ推定モジュールとを含み、
   　前記ｋ−メトリックモジュールは、前記上部胴体メトリックおよび前記下部胴体メトリックを生成し、
   　前記パラメータ推定モジュールは、前記上部胴体メトリックおよび前記下部胴体メトリックから前記上部胴体パラメータおよび前記下部胴体パラメータを生成することを特徴とする乗員ラベリングシステム。
2. 　前記ｋ−メトリックモジュールはｋ−平均モジュールであり、前記上部胴体メトリックは上部胴体の平均であり、前記下部胴体メトリックは下部胴体の平均であることを特徴とする請求項１に記載の乗員ラベリングシステム。
3. 　さらに、セグメント化イメージを含み、
   　前記ｋ−メトリックモジュールは、前記セグメント化イメージから前記上部胴体メトリックと前記下部胴体メトリックとを生成することを特徴とする請求項１に記載の乗員ラベリングシステム。
4. 　さらに、初期推定を含み、
   　前記ｋ−メトリックモジュールは、前記初期推定を使用して前記上部胴体メトリックと前記下部胴体メトリックとを生成することを特徴とする請求項１に記載の乗員ラベリングシステム。
5. 　前記初期推定は、シートの位置に基づいていることを特徴とする請求項４に記載の乗員ラベリングシステム。
6. 　前記初期推定は、人体ダミーの特性に基づいていることを特徴とする請求項４に記載の乗員ラベリングシステム。
7. 　前記ｋ−メトリックモジュールは、さらに乗員の区分化を含み、該乗員の区分化により前記上部胴体メトリックと前記下部胴体メトリックとをそれぞれに生成することを特徴とする請求項１に記載の乗員ラベリングシステム。
8. 　前記パラメータ推定モジュールは、さらに境界長円を含むことを特徴とする請求項１に記載の乗員ラベリングシステム。
9. 　前記パラメータ推定モジュールは、さらにマハラノビス距離を含むことを特徴とする請求項１に記載の乗員ラベリングシステム。
10. 　前記パラメータ推定モジュールは、反復型パラメータ推定器であることを特徴とする請求項１に記載の乗員ラベリングシステム。
11. 　前記反復型パラメータ推定器は、予め定められた回数だけ反復的に実行されることを特徴とする請求項１０に記載の乗員ラベリングシステム。
12. 　前記反復型パラメータ推定器は、予め定められた有意な変動の閾値とメトリック値の変動とを含み、前記メトリック値の変動が前記有意な変動の閾値を超えた場合、さらなる反復実行を停止することを特徴とする請求項１０に記載の乗員ラベリングシステム。
13. 　さらに、ピクセル分類モジュールと上部胴体イメージとを含み、
    　前記ピクセル分類モジュールは、前記上部胴体パラメータおよび前記下部胴体パラメータから前記上部胴体イメージを生成することを特徴とする請求項１に記載の乗員ラベリングシステム。
14. 　乗員の上部胴体を識別するための乗員ラベリングシステムであって、
    　セグメント化イメージ、初期推定、上部胴体の平均、および下部胴体の平均を含むｋ−平均モジュールと、
    　上部胴体パラメータ、下部胴体パラメータ、およびマハラノビス距離を含む反復型パラメータ推定器と、
    　上部胴体イメージを含むピクセル分類モジュールとを含み、
    　前記ｋ−平均モジュールは、前記セグメント化イメージと前記初期推定とを使用して前記上部胴体の平均および前記下部胴体の平均を生成し、
    　前記反復型パラメータ推定器は、前記マハラノビス距離と前記上部胴体の平均および前記下部胴体の平均とを使用して、前記上部胴体パラメータおよび前記下部胴体パラメータを生成し、
    　前記ピクセル分類モジュールは、前記上部胴体パラメータおよび前記下部胴体パラメータから前記上部胴体イメージを生成することを特徴とする乗員ラベリングシステム。
15. 　さらに、反復回数を含み、
    　前記反復型パラメータ推定器は、前記上部胴体パラメータおよび前記下部胴体パラメータを、前記反復回数に応じて繰返し生成することを特徴とする請求項１４に記載の乗員ラベリングシステム。
16. 　前記反復回数は、予め定められかつ固定されていることを特徴とする請求項１５に記載の乗員ラベリングシステム。
17. 　さらに、変動の閾値と平均値とを含み、
    　前記反復回数は、前記変動の閾値と前記平均値とを比較することによって決定されることを特徴とする請求項１５に記載の乗員ラベリングシステム。
18. 　周囲イメージおよびセグメント化イメージを含むイメージセグメント化モジュールと、
    　乗員類型を含むイメージ分類モジュールと、
    　上部胴体イメージおよび乗員ラベリング手法を含む乗員ラベリング手法とを含み、
    　前記イメージセグメント化モジュールは、前記周囲イメージから前記セグメント化イメージを生成し、
    　前記イメージ分類モジュールは、前記セグメント化イメージから前記乗員類型を生成し、
    　前記乗員ラベリングモジュールは、前記セグメント化イメージ、前記乗員ラベリング手法、および前記乗員類型から前記上部胴体イメージを生成することを特徴とする乗員追跡およびエアバッグ展開システム。
19. 　さらに、追跡サブシステムを含み、
    　前記追跡サブシステムは、乗員特性を含み、前記上部胴体イメージから前記乗員特性を生成することを特徴とする請求項１８に記載の乗員追跡およびエアバッグ展開システム。
20. 　前記追跡サブシステムは、さらに展開判断を含み、前記乗員特性から前記展開判断を生成することを特徴とする請求項１９に記載の乗員追跡およびエアバッグ展開システム。
21. 　乗員ピクセルのセグメント化イメージから乗員の上部胴体を識別する方法であって、
    　各ピクセルから前記上部胴体の推定中点への距離を決定するステップと、
    　前記上部胴体の推定中点を更新するステップと、
    　該更新された推定中点を使用して、上部胴体ピクセルを選択して識別するステップとを含むことを特徴とする方法。
22. 　前記上部胴体ピクセルを選択して識別するステップは、前記上部胴体ピクセルと上部胴体の中点との間の上部胴体マハラノビス距離を計算することを含んでいる請求項２１に記載の方法。
23. 　さらに、下部胴体ピクセルと下部胴体の中点との間の下部胴体マハラノビス距離を計算することを含んでいる請求項２２に記載の方法。
24. 　さらに、前記上部胴体マハラノビス距離と下部胴体マハラノビス距離とを比較することを含んでいる請求項２３に記載の方法。
25. 　前記推定中点を更新するステップは、人体ダミーの特性を参照することを含んでいる請求項２１に記載の方法。
    
    
    

Images