JP2004280812A - 分類器に用いられる属性タイプを選択するための方法又はシステム - Google Patents

分類器に用いられる属性タイプを選択するための方法又はシステム Download PDF

Info

Publication number
JP2004280812A
JP2004280812A JP2004056208A JP2004056208A JP2004280812A JP 2004280812 A JP2004280812 A JP 2004280812A JP 2004056208 A JP2004056208 A JP 2004056208A JP 2004056208 A JP2004056208 A JP 2004056208A JP 2004280812 A JP2004280812 A JP 2004280812A
Authority
JP
Japan
Prior art keywords
attribute
attribute types
types
distribution
classifier
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
Application number
JP2004056208A
Other languages
English (en)
Inventor
Michael Edward Farmer
マイケル　エドワード　ファーマー
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Eaton Corp
Original Assignee
Eaton Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Eaton Corp filed Critical Eaton Corp
Publication of JP2004280812A publication Critical patent/JP2004280812A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R16/00—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for
    • B60R16/02—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements
    • B60R16/023—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements for transmission of signals between vehicle parts or subsystems
    • B60R16/0231—Circuits relating to the driving or the functioning of the vehicle
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01B—CABLES; CONDUCTORS; INSULATORS; SELECTION OF MATERIALS FOR THEIR CONDUCTIVE, INSULATING OR DIELECTRIC PROPERTIES
    • H01B7/00—Insulated conductors or cables characterised by their form
    • H01B7/36—Insulated conductors or cables characterised by their form with distinguishing or length marks
    • H01B7/365—Insulated conductors or cables characterised by their form with distinguishing or length marks being indicia imposed on the insulation or conductor
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R21/00—Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
    • B60R21/01—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents
    • B60R21/013—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting collisions, impending collisions or roll-over
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R21/00—Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
    • B60R21/01—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents
    • B60R21/015—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting the presence or position of passengers, passenger seats or child seats, and the related safety parameters therefor, e.g. speed or timing of airbag inflation in relation to occupant position or seat belt use
    • B60R21/01512—Passenger detection systems
    • B60R21/0153—Passenger detection systems using field detection presence sensors
    • B60R21/01538—Passenger detection systems using field detection presence sensors for image processing, e.g. cameras or sensor arrays
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R21/00—Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
    • B60R21/01—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents
    • B60R21/015—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting the presence or position of passengers, passenger seats or child seats, and the related safety parameters therefor, e.g. speed or timing of airbag inflation in relation to occupant position or seat belt use
    • B60R21/01512—Passenger detection systems
    • B60R21/01542—Passenger detection systems detecting passenger motion
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R21/00—Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
    • B60R21/01—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents
    • B60R21/015—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting the presence or position of passengers, passenger seats or child seats, and the related safety parameters therefor, e.g. speed or timing of airbag inflation in relation to occupant position or seat belt use
    • B60R21/01512—Passenger detection systems
    • B60R21/01552—Passenger detection systems detecting position of specific human body parts, e.g. face, eyes or hands
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R21/00—Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
    • B60R21/01—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents
    • B60R21/015—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting the presence or position of passengers, passenger seats or child seats, and the related safety parameters therefor, e.g. speed or timing of airbag inflation in relation to occupant position or seat belt use
    • B60R21/01556—Child-seat detection systems
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R21/00—Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
    • B60R21/01—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents
    • B60R21/015—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting the presence or position of passengers, passenger seats or child seats, and the related safety parameters therefor, e.g. speed or timing of airbag inflation in relation to occupant position or seat belt use
    • B60R21/01558—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting the presence or position of passengers, passenger seats or child seats, and the related safety parameters therefor, e.g. speed or timing of airbag inflation in relation to occupant position or seat belt use monitoring crash strength
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/215—Motion-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/254—Analysis of motion involving subtraction of images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/771—Feature selection, e.g. selecting representative features from a multi-dimensional feature space
    • 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
    • G06V20/593—Recognising seat occupancy
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01B—CABLES; CONDUCTORS; INSULATORS; SELECTION OF MATERIALS FOR THEIR CONDUCTIVE, INSULATING OR DIELECTRIC PROPERTIES
    • H01B11/00—Communication cables or conductors
    • H01B11/002—Pair constructions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R21/00—Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
    • B60R2021/003—Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks characterised by occupant or pedestian
    • B60R2021/0039—Body parts of the occupant or pedestrian affected by the accident
    • B60R2021/0044—Chest
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R21/00—Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
    • B60R21/01—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents
    • B60R21/013—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting collisions, impending collisions or roll-over
    • B60R2021/01315—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting collisions, impending collisions or roll-over monitoring occupant displacement
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R21/00—Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
    • B60R21/01—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents
    • B60R21/013—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting collisions, impending collisions or roll-over
    • B60R21/0134—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting collisions, impending collisions or roll-over responsive to imminent contact with an obstacle, e.g. using radar systems

Abstract

【課題】センサシステムの分類器用に属性の選択を行うシステムと方法を提供すること。
【解決手段】
選択システムは属性タイプ（44）に関連した属性値（46）の統計分布（66）を用いて属性タイプ（44）を選択する。この選択的に識別された属性タイプ（44）の部分集合に属しない選択タイプ（44）は分類器（32）に送られる前に取り除かれる。このシステムは実際のセンサデータ（26）を記憶し、アクセスするためにテストデータサブシステム（52）を用いることができる。分布解析サブシステム（54）はテストデータに対して統計解析を行って基礎をなす分布（66）を割り出し、個々の属性タイプ（44）をこの分布（66）と比較させる。さらに属性選択サブシステム（56）を用いて、属性タイプ（44）の集団から属性タイプ（44）の部分集合を選択的に識別させる。
【選択図】 図１

Description

本発明は、一般的に、分類器（クラシファイア）により処理可能な属性（アトリビュート）の集団の中から、分類器に用いられるロバストな属性を選択するためのシステムまたは方法（または全体的にみて、“選択システム”）に関する。より特徴的には、本発明は、統計分布に基づいて、属性を選択する選択システムに関する。
分類器とは、１つまたはこれ以上のセンサを用いて集められたセンサデータに対して選択を行う装置である。この分類器による決定は、センサデータ内の属性タイプと関連した属性値に基づいて行われる。例えば、テーブルのデジタル画像を例に挙げると、テーブルの高さが属性タイプに相当する。そして、この属性タイプと関連した数値が、属性値である。このように“高さ”に関する属性タイプの場合、この属性値は頂部から下部までのピクセル数でもよく、またはインチ、フィート、ヤードまたはメーター等の計測値でもよい。これら属性値と属性タイプは分類器が選択を行うのに用いられる手段であって、センサのいずれのタイプも潜在的に多数の属性タイプを取り込むことができる。
選択は、広く様々な種類の形態で、また広く様々な種類の目的のために行うことができる。例えば、エアバッグ展開機構に用いられる分類器は、占有者の胴体上部の位置を識別することによって、エアバッグ展開機構が占有者の位置を追跡することを可能にして、エアバッグの展開の決定能力を有効なものにしている。分類器の他の例では、自動制御されたフォークリフトのセンサと結合して用いられることで、センサシステムが様々な潜在的な障害物、例えば他のフォークリフト、歩行者、カーゴ、さらには他の形態の障害物を区別することを可能にするものがある。
分類器に関する様々な実施形態と状況の多くでは、分類器は“次元の呪縛（curse of dimensionality）”として呼ばれることがある問題に苦しんでいる。つまり、分類器の決定プロセスに様々な属性が抱合されるにつれ、一般的に、分類器の精度は向上するよりもむしろ低下する。このことは、人間が一般的に機能している手法と比較すると際立って対照的であるが、これは、人間は利用可能な情報が増えるに従い、より良好な決定を行える傾向があるためである。このため、選択システムにとっては、潜在的な（可能な）属性タイプの集団の中から、ロバストな属性タイプの部分集合を特定することが望ましい。このことは、好適には、実際のテストデータを用いて行うことができる。
また、非ロバストな特徴を取り除くことで、分類器の精度を向上させて、この精度を減少させないようにすることが望ましい。また、より少ない属性タイプを用いることで、性能（パフォーマンス）の向上を可能にすると同時に、コストを削減することが可能になる。先行技術に係る属性を選択するためのプロセスでは、属性−対−属性の相互計測による判断か、またはエントロピーのような計測により行われている。また、余分な属性タイプを削減し、所望の属性タイプを選択するために、プロセスの特徴として統計分布が用いられることが望ましい。この際、単にデータポイントの対の共分散を算出するのではなく、異なる属性が同一の基礎をなす分布からきているか否かを評価することが望ましい。
このようなフューチァーセレクション（feature selection）の方法は、エアバッグ展開機構に用いられる分類器に対して特に効果的である。これは、人間の衣服や外観が非常に多様であることに加えて、車両用シート内では頻繁に動きが生じるため、より優れた属性の選択プロセスが必要とされるためである。
本発明は、以上の点に鑑みてなされたものであり、分類器により潜在的に処理される属性の集団の中から、分類器に用いられるロバストな属性を選択するためのシステムまたは方法（または全体的にみて、“選択システム”）を提供することを目的とするものである。但し、この選択システムでは、上記属性タイプと関連している属性値の統計分布に基づいて、属性タイプの部分集団を識別する。
本発明に係るシステムでは、様々な可能な属性タイプに対して統計分布を算出することによって、属性タイプの潜在的な集団の中から、属性タイプの部分集団を選択的に識別できるようにする。この選択的に識別された属性タイプの部分集合に属さない属性タイプは、このようなデータが分類器に渡される前に取り除くことができる。
また、本発明に係るシステムは、フィルタをテストする際に、実際のセンサデータを記憶し、アクセスできるように、テストデータのサブシステムを用いられるようにする。このようなテストデータは、基礎となる統計分布を識別する際に必要とされる。分布解析用のサブシステムは、基礎となる分布を識別するために、テストデータに基づいて統計解析を行うことができ、また個々の属性タイプをこのような分布と比較することができる。また、属性選択用のサブシステムは、属性タイプの集団の中から、属性タイプの部分集合を選択的に識別する。
即ち、請求項１に記載した発明においては、分類器（３２）とともに用いられるフィルタ（２８）を構成するための方法であって、分布統計（６６）を用いて複数の属性タイプ（４４）から属性タイプ（４４）の部分集合を選択的に識別し、かつ、前記属性タイプ（４４）の部分集合のみが前記分類器（３２）によってアクセス可能となるように前記フィルタ（２８）を構成する（モディファイする）ことを特徴とする。
また、請求項１２に記載した発明においては、分類器（３２）に取り込まれる属性タイプ（４４）を選択するためのシステムであって、テストデータサブシステム（５２）、分布解析サブシステム（５４）及び属性選択サブシステム（５６）を有し、この際、前記テストデータサブシステム（５２）は複数の属性タイプ（４４）から構成されるデータサンプルを有し、前記分布解析サブシステム（５４）は複数の分布統計（６６）を有し、この際、前記分布解析サブシステム（５４）は前記複数の属性タイプ（４４）から前記複数の分布統計（６６）を形成し、かつ、前記属性選択サブシステム（５６）は前記属性タイプ（４４）の集団から前記属性タイプ（４４）の部分集合を選択的に識別することを特徴とする特徴とする。
さらに、請求項２０に記載した発明においては、占有者（９６）を追跡するためのエアバッグのセンサシステムであって、占有者のイメージ（８９）、センサ（８６）、分類器（３２）及びフィルタ（２８）を有し、この際、前記占有者のイメージ（８９）は複数の属性タイプ（４４）と、該複数の属性タイプ（４４）と関連した複数の属性値（４６）を有しており、この際、前記属性タイプ（４４）の部分集合のみが統計的にロバストな属性タイプとして最終的に識別され、前記センサ（８６）は前記占有者（９６）から前記占有者のイメージ（８９）を取り込み、前記分類器（３２）は分類（３４）を有しており、この際、前記分類器（３２）は前記統計的にロバストな属性から前記分類（３４）を形成し、かつ、前記フィルタ（２８）は前記統計的にロバストな属性タイプの予め定められたリストを有しており、この際、前記フィルタは前記統計的にロバストな属性タイプのみが前記分類器（３２）に送られるようにすることを特徴とする。
添付した図とともに、後述する説明を参照することによって、当該分野における通常の知識を有する者ならば、本発明に係る様々な特徴を理解できるであろう。
以下、本発明に係る好適な実施形態について、添付した図を参照して説明する。
本発明は、分類器により潜在的に処理され得る属性の集団の中から、分類器に用いられるロバストな属性を選択するためのシステムまたは方法（または全体的にみて、“選択システム”）に関する。この選択システムは、これら属性タイプと関連した属性値の統計分布に基づいて、属性タイプの部分集団を識別する。
I．構成要素と定義のイントロダクション
図１は、センサプロセッシングシステム（または、単に“センサシステム”としても参照可）２０に含まれる構成要素の幾つかを示すプロセスフローダイアグラムである。
Ａ．ターゲット
ターゲット２２は人間、動物、植物、物品、空間的な領域、または他の興味の対象（または全体的にみて、“ターゲット”２２）のうちの任意の一つまたは複数でもよく、上記システム２０に用いられるセンサ２４の対象または目標となる。センサプロセッシングシステム２０の目的は、ターゲット２２に関する有用な情報を正確に取り込むことにある。センサプロセッシングシステム２０が様々に多様に広がり得るのと同様に、ターゲット２２は様々に多様に広がることができる。
センサシステム２０の一つの実施の形態（“エアバッグ展開機構”の実施の形態か、または単に“エアバッグ”の実施の形態）では、センサシステム２０の出力（アウトプット）がエアバッグ展開機構に用いられる。エアバッグの実施の形態では、通常、ターゲット２２は車両のシートの占有者である。この占有者に関する重要な属性を正確に取り込むことで、エアバッグ展開機構はエアバッグの適切な展開決定を行うことができる。そして、エアバッグ展開機構が正確な占有者の選択にアクセスすることで、不必要な展開と不適切な失敗とが展開時に生じることを防ぐことができる。
センサシステム２０に係る他の実施の形態では、ターゲット２２は、（様々な安全対策に係る実施の形態では）人間でもよく、（様々な車両外部のセンサに係る実施の形態では）車両外部の人間や物品でもよく、（様々な環境の検出に係る実施の形態では）特定の領域内の空気や水でもよく、さらにターゲット２２は他のタイプでもよい。
Ｂ．センサ
センサ２４は、ターゲット２２又はターゲット２２の周囲の領域に関する情報を取り込むことができる任意の種類の装置でもよい。物理現象や人間の感覚のタイプが様々に多様に広がり得るのと同様に、センサ２４のタイプは様々に多様に広がることができる。
幾つかの実施の形態では、センサ２４は光学センサであって、例えば、赤外線、紫外線、Ｘ−線、ガンマ線、人間の目に見える光（“可視光”）のような様々な波長の光の光学イメージや、さらには他の光学イメージを取り込んでもよい。多くの実施の形態では、センサ２４はビデオカメラでもよい。本発明に係る好適なエアバッグの実施の形態では、センサ２４としてビデオカメラを用いる。
センサ２４の他のタイプは、例えば、音（“ノイズセンサ”）、匂い（“匂いセンサ”）、触感（“タッチセンサ”）、または味（“味覚センサ”）のような情報の様々なタイプにフォーカスする。また、センサは、例えば、重量（“重量センサ”）、電圧（“電圧センサ”）、電流（“電流センサ”）、さらには他の物理現象（または全体的にみて、“現象センサ”）のような様々な物理現象の幅広い属性をターゲットにしてもよい。
Ｃ．ターゲット情報
ターゲット情報２６の集りは、ターゲット２２に関する任意の形態のいかなる情報でもよいが、センサ２４によって取り込まれる。例えば、光学センサ２４を用いる実施の形態では、ターゲット情報２６はターゲットのイメージ（像）である。通常、このようなイメージは複数のピクセルから構成されている。また、非光学センサ２４を用いる実施の形態では、ターゲット情報２６は他の形態の表示に関し、通常、この表示は視認による（ビジュアルな）または数学的な形態に変換されることができる。例えば、地震の検出や火山活動の予測に用いられる物理センサ２４は、光学センサ２４でないにもかかわらず、視認による形態（ビジュアルフォーマット）で出力可能である。
多くのエアバッグに関する実施の形態では、ターゲット情報２６は占有者の可視光のイメージ形態で、ピクセルで示される。しかしながら、一つのタイプのセンサ２４は一つ以上の形態でターゲット情報２６を取り込むことができるため、ターゲット情報２６の形態はセンサ２４のタイプよりも幅広く多様化し得る。このため、センサシステム２０の特定の実施の形態にとって望ましいとされるターゲット情報２６のタイプが、センサシステム２０に用いられるセンサ２４のタイプを決定する。
Ｄ．フィルタ
フィルタ２８は、ターゲット情報２６から属性３０のベクトルを抽出することができる任意の手段である。本発明に係る好適な実施の形態では、フィルタ２８はもっぱらプログラム可能なロジックの形態として構成される。このようなロジックは、ハードウエア、ソフトウエア、またはハードウエアとソフトウエアの任意の組合せの形態として提供されてもよい。本発明に係る他の実施の形態では、分類器３２にわたされる情報のタイプと量とを限定させるために、センサ情報２６を物理的なフィルタ２８にかけてもよい。
フィルタ２８は、予め選択されたタイプと量の情報だけを分類器３２に渡すメカニズムである。他の属性タイプはフィルタによってブロックされる。フィルタ２８はフィルタ用のヒューリスティック（heuristics）を用いて、ターゲット情報２６から非ロバスト、または好ましくない属性を取り除く。センサシステム２０は、様々なフィルタ用のヒューリスティックを広く多様に備えることができる。そして、利用可能なヒューリスティックが何であるかにかかわらず、ターゲット情報２６の部分集合のみを分類器３２に送るようにする。システム２０の多くの実施の形態では、ターゲット情報２６の部分集合は、１つまたはこれ以上の分類器３２に送られるように、属性３０のベクトルとして記録される。
属性３０のベクトルに含まれ得るターゲット情報２６を選択するために、様々な属性の選択用のヒューリスティックが用いられてもよい。また、特定の属性をテストすることにより、分類器３０に送られる各属性が、ロバストで、有用で、かつフィルタ２８に含まれることが好ましいようにすることは可能である。属性の選択プロセスは、以下においてより詳しく説明する。
Ｅ．属性のベクトル
属性３０のベクトルは、フィルタ２８から分類器３２までターゲット情報２６の部分集合を送ることができる任意のデータ構造または情報の形態でもよい。また属性はターゲット情報２６の任意の特徴または特性でもよい。但し、ターゲット情報２６の部分集合に関する属性のみが、属性３０のベクトルに含まれる。属性３０のベクトル内の様々な属性の数は、実施の形態が変化するごとに広く変化することができる。そして、後述する属性選択用のヒューリスティックを用いて、属性３０のベクトルに対して使用する際に、有用でかつ望ましい属性のみが選択されるようにする。
属性３０のベクトル内の各属性は２つの成分、つまり、属性タイプと属性値を含むことができる。例えば、“幅”は属性タイプの一つの例である。また、“１５（ピクセル）”は属性値の一つの例である。属性３０のベクトルの各位置は、特定の予め定められた属性タイプを示す。また、上記位置に含まれる各数値は、属性値を示す。
Ｆ．分類器
分類器３２は、入力（インプット）として属性３０のベクトルを受け取り、かつ出力（アウトプット）として１つまたはこれ以上の分類３４を生じさせる任意の機器である。分類器３２のロジックは、ソフトウエア、ハードウエア、またはハードウエアとソフトウエアの任意の組合せの形態として組み込まれることができる。多くの実施の形態では、フィルタ２８と分類器３２は同一の装置内にある。
センサシステム２０の幾つかの実施の形態では、ターゲット２２の様々な特徴に特化した、様々な分類器３２が用いられる。例えば、エアバッグの実施の形態では、１つの分類器３２を用いて占有者の頭部に焦点をあて、また第２の分類器３２を用いて占有者の移動がシートベルトの使用に合っているか否かの判断に焦点をあててもよい。
Ｇ．分類
本明細書では、分類器３２による任意の決定を分類３４と呼ぶ。分類３４は、数値の形態でもよく、またはターゲット２２の類別の形態でもよい。例えば、エアバッグの実施の形態では、分類３４は、いかなる量的な測定をも必要としない、占有者の類別でもよい。この際、占有者は、大人、子供、または後方に面している幼児用のシート（またはチャイルドシート）等に分類されてもよい。また、エアバッグの実施の形態に用いることができる他の分類３４は、例えば、頭部の最も高い位置や、またはエアバッグ展開機構に対して最も近い胴部上方の位置のような、量的な属性に関していてもよい。
Ｈ．属性の空間
図２は、属性の空間４０の最も高いレベルから、この空間内のクラス４２に関する属性タイプ４４と関連付けられた属性値４６までを階層状に示す図である。
上記属性の空間４０は、単に、センサ２４によって捉えられたターゲット情報２６の形態から得ることができる全属性タイプ４４をグラフィック状に示したものである。属性の空間４０はセンサシステム２０の実施の形態が変化するごとに、ターゲット２２からターゲット２２、センサ２４からセンサ２４、またターゲット情報２６に関する相違に基づいて、幅広く変化できる。
Ｉ．クラス
属性の空間４０の広い領域と特定の属性タイプ４４の間にクラス４２のレベルがある。これらクラス４２は、センサシステム２０の目的と関連して定められる。例えば、センサシステム２０をエアバッグ展開に用いる実施の形態では、エアバッグ展開機構は大人、小柄な大人、子供、後方に面するチャイルドシート（ＲＦＩＳ：rear facing infant seats）、前方に面するチャイルドシート（ＦＦＩＳ：front facing infant seats）、ジュニアシート（booster seats）、空席、様々な物品、さらには区別されない占有者のような、占有者の様々なクラス４２を区別することを必要とする場合がある。クラス４２は様々な属性タイプと属性値４６の幅に関する。本発明に係る好適な実施の形態では、属性タイプ４４をクラス４２に区別する（グループ分けする）ことは、好ましくは、属性４４と関連付けられた属性値４６から得られる、共有された基礎の統計分布（shared underlying statistical distribution）に基づいて行う。この基礎の統計分布については以下において詳述する。またクラス４２は、実質上、他の任意の共有された特性の、共通性に基づいていてもよい。例えば、属性タイプ４４の一つのクラス４２は、高さ、幅、深さ、または距離のような、距離の測定に関連していてもよい。また、クラス４２は面積のような二次元の測定に関連していてもよい。さらに、他のクラス４２は体積のような三次元の測定に関連していてもよい。また、センサシステム２０は他、様々なクラス４２のタイプを有していてもよい。センサの計測結果を視認できるように示す実施の形態では、属性タイプ４４のクラス４２は色、輝度、明度、または他のカテゴリーに関連していてもよい。このように、クラス４２には様々な数が存在し得るが、この数は、物理世界の現象を類別するのに用いられる属性タイプ４４の数が限定されないのと同様に限定されない。
また、図２に示すように、各属性タイプ４４はクラス４２に属していなくてもよい。さらに、幾つかの実施の形態では、クラス４２は一つだけの属性タイプ４４を有していてもよい。また、図２に示すように、クラスは互いに重複していてもよく、単一の属性タイプ４４が一つ以上のクラス４２に属していてもよい。これらクラス４２は、センサシステム２０の設計者によって定められる。
Ｊ．属性タイプと属性値
属性３０のベクトル内の各エントリーは、ターゲット情報２６の特定の様相または特性に関する。属性タイプ４４は単に特徴または特性のタイプである。またこれに応じて、属性値４６はターゲット情報の特定のセット内における、特定の属性４４に関する単なる量的な値である。一例を挙げると、ターゲット情報２６の特定の物品の高さ（属性タイプ４４）は、２００ピクセル高さ（属性値４６）である。これら種々の属性タイプ４４と属性値４６は、様々なシステム２０の実施の形態に応じて広く変化できる。
属性タイプ４４の幾つかは、ターゲット情報２６のイメージ表示の２つまたはこれ以上のポイント間の距離の測定に関係していてもよい。このような属性タイプ４４として、高さ、幅、または距離の計測（または全体的にみて、“距離の属性”）が含まれ得る。エアバッグの実施の形態では、距離の属性は占有者の高さや占有者の幅に関するものでもよい。
属性タイプ４４の幾つかは、ターゲット情報２６のイメージ表示における相対的な水平位置、相対的な垂直位置、または他の位置に関する属性（または全体的にみて、“位置の属性”）に関するものでもよい。エアバッグの実施の形態では、位置の属性は、占有者の最も高い位置、占有者の最も低い位置、占有者の最も右側の位置、占有者の最も左側の位置、占有者の最も上方左側の位置等のような特性に関するものでもよい。
上記属性タイプ４４はターゲット情報２６の直接的な測定に関するものに限定されなくてもよい。また、属性タイプ４４は様々な組み合わせや数学的操作の双方またはいずれかによって形成されてもよい。例えば、各ピクセル（物品の何らかのタイプを示す各ピクセル）“上の”のｘとｙ座標は互いに掛け合わせられてもよく、またピクセル“上の”全てに対して求められた平均が属性を構成してもよい。また、ｘ座標の２乗の値とｙ座標の２乗の値に対して求められた平均も可能な属性タイプ４４である。
予め選択した属性タイプ４４を用いるセンサシステム２０の一つの長所は、センサシステム２０の設計者が新規で有用な属性タイプ４４を形成することを特別に予測することができる点にある。即ち、既に知られている特徴から新しい特徴を得ることができる能力は、本発明を実施する上で有益となる。このため、本発明に係る幾つかの実施の形態では、既に存在している特徴から新しい特徴を得ることができる。
II．サブシステムの概要
図３は、属性の選択システム（“選択システム”）５０のサブシステムのレベルの概要を例示する図である。
Ａ．テストデータサブシステム
図示されるテストデータサブシステム５２は、テストデータのサンプルを入手し、保存し、かつアクセスするために用いることができる。選択システム５０の好適な実施の形態では、テストデータを用いて、特定の目的のために属性タイプ４４の評価を行うことができる。例えば、エアバッグの実施の形態では、属性タイプ４４を評価し、かつ占有者の分類と追跡に関するロバストな属性タイプ４４の部分集合を選択的に識別するために、車両用シートに着座している人間の実際のイメージを用いる必要がある。様々な属性タイプ４４と属性値４６とともにターゲット情報２６が、テストデータのライブラリーに含まれている。つまり、テストデータサブシステム５２には、ロバストな属性タイプ４４の部分集合が選択されることになる、可能な属性タイプ４４が含まれている。
テストデータサブシステム５２に係る幾つかの実施の形態では、属性値４６を正規化された（normalized）スケール値（scaled value）に変換するために、正規化モジュールを有している。テストデータサブシステム５２に係る他の実施の形態では、テストデータの無駄なセットを取り除くために、余剰用のヒューリスティックを用いてもよい。本発明に係るさらなる実施の形態では、この余剰用のヒューリスティックはｋ-ＮＮ（k-nearest neighbor）ヒューリスティックであって、この詳細は以下において詳述される。
Ｂ．分布解析用のサブシステム
二つの属性タイプが共通のクラス４２に属しているか否かを決定するために、分布解析（distribution analysis）用のサブシステム５４が用いられる。分布解析用のサブシステム５４は、属性値４６と関連付けられる様々な属性タイプ４４のために、様々な属性値４６から様々な分布統計を形成する。選択システム５０に係る多くの実施の形態では、分布解析用のサブシステム５４は属性値４６から正規化された値を生じさせ、この正規化された値を用いて分布統計を生じさせる。この正規化プロセスは、以下において詳述される。正規化された値のセットの一例を挙げると、最小値０と最大値１のスケール値のセットである。
本発明に係る幾つかの実施の形態では、Mann-Whitneyのヒューリスティックを用いて分布統計を形成してもよい。但し、このような実施の形態では、所望であれば、２つ以上のクラス４２を有してもよい。
Ｃ．属性選択用のサブシステム
テストデータの属性タイプ４４の集団の中から属性タイプ４４の部分集合を選択的に識別するために、属性選択用のサブシステム５６が用いられる。この属性選択用のサブシステム５６では、多くの様々な選択用のヒューリスティックが用いることができる。
実施の形態（“閾の実施の形態”）の一つのカテゴリーでは、分布解析用のサブシステムから得られる様々な分布統計を、分布の閾値と比較することができる。この際、予め定められた分布の閾値よりも下回る分布統計は、考察の対象から取り除かれる。
他の実施の形態（“トップＮ選択（top N selection）の実施の形態”）のカテゴリーでは選択システム５０を使用して、パスする（選ばれる）属性タイプ４４の所定の数を決定する。幾つかの実施の形態では、属性選択用のサブシステム５６は属性タイプ４４の所望の数を算出するために、ニュートラルネットワーク、人工知能、または他の知的（または全体的にみて、“インテリジェンス”）技術のようなより優れたシステムを用いてもよい。また様々な分布統計はランク分けされて、トップＮ（この際、Ｎは使用者が定める任意の数である）だけが選択される。幾つかの“トップＮ選択用の実施の形態”のランク分けはクラス４２ごとに行われる。このような実施の形態では、クラス４２ごとにトップＮの属性タイプ４４が選択される。
他の実施の形態（“組み合わされた統計（combined statistic）の実施の形態”）のカテゴリーでは、分布統計を用いて、異なるクラスには異なる“重さ（ウェイト）”が与えられるように、組み合わされたクラスの統計を形成する。この場合、属性タイプ４４と関連した、組み合わされたクラスの統計をランク分けすることによって、属性タイプ４４をランク分けすることができる。
所望の属性タイプ４４の適切な部分集合が識別された後、属性選択用のサブシステム５６は、属性タイプ４４の適切なリストをフィルタ２８内に組み込むことができる。
III．属性選択用のヒューリスティック
図４は、属性選択用のヒューリスティックの１例を示すフローチャートである。但し、本発明に係る他の実施の形態では、より少ないステップや、より多いステップや、さらには異なるステップを有するように構成されてもよい。
Ａ．可能な属性のセットの受取り
符合６０に示すように、選択システム５０は可能な属性タイプ４４のセットをテストデータサブシステム５２内に受取る。この際、テストと評価を行うために、いかなる属性タイプ４４も属性３０のベクトルから取り除かれる必要はない。統計分布を検出するための選択システム５０の能力は、テストターゲット情報２６の量を増大させることで向上する。
Ｂ．属性値の正規化
属性値４６は、符合６２に示すステップで正規化される。
属性３０のベクトル内に入る属性値４６は、スケール値に変換することができる。属性値４６をスケール値に変換するプロセスは、正規化用のヒューリスティックとして参照することができる。
本発明に係る好適な実施の形態では、属性タイプ４４の選択とテストを開始する前に、正規化された値の範囲を予め定める。この際、様々な領域を広く多様に用いることができる。本発明に係る好適な実施の形態では、サンプルをテストする際に、正規化された値の同一の領域を全ての属性タイプ４４に対して用いられる必要がある。尚、選択システム５０は高度な柔軟性を有しており、予め定めた領域を様々に広く多様に有することができる。
“最小−最大（min-max）”の正規化用のヒューリスティックでは、属性値４６をスケール値（正規化された値の特別なタイプ）に変換する際、ロー（低い値）を０として、かつハイ（高い値）を１として変換する。このことは、サンプル内の全ての属性タイプ４４から最小の属性値４６が取り除かれた後に行われる。そして、全ての属性値４６を最大の属性値４６によって割ってもよい。
“平均が０（mean zero）”の正規化用のヒューリスティックでは、正規化された値の平均値を０に設定するとともに、１の分布を用いる。他、正規化用のヒューリスティックの多くの異なるタイプを選択システム５０により使用することは可能である。
属性値４６を正規化された値に正規化する目的は、選択器３２上で変化するダイナミック領域の属性値４６の効果を減少させることにある。つまり、幾つかの例において、属性値４６が正規化されない場合には、非常に大きなダイナミック領域を伴う単一の属性値４６が、他の属性タイプ４４と属性値４６とを小さくし、かつ圧倒することが可能になるためである。
属性値４６を正規化する重要性は、動いている人間をターゲット２２とする選択システム５０の実施の形態において特に重要となる。このような実施の形態では、イメージの幾何学的なモーメントの形態か、または数学的なモーメントの他の形態として、多くの最良の属性タイプ４４を評価することができる。幾何学的なモーメントは、パターン認識、物体の識別、三次元での物体のポーズの推定、ロボットセンシング、イメージコーディングや再構成等の領域において特に重要である。しかしながら、このようなモーメントは、モーメントのオーダー（次元）とともに単調に増大するため、高いオーダーのモーメントの場合には、自動的に重要性が増大する。次に示す数式１は、幾何学的なモーメントの数学的な例であり、この際、Ｍpqは幾何学的なモーメントを示している。
Figure 2004280812
本発明に係る好適な実施の形態では、ターゲット情報２６は二次元の形態として取り込まれるか、変換される。例えば、ビデオカメラを用いる場合には、様々なピクセルと様々な明度値の形態で、ターゲット情報２６を取り込む。数式１は、このような実施の形態の場合に用いることができる。例えば、数式１では、Ｉ（ｘ、ｙ）はピクセル（ｘ、ｙ）における明度の値であり、ｐ、ｑは０、１、２、.．．Ｎである。ここで、Ｉ（ｘ、ｙ）が全てのｘ、ｙに対して１であって、かつ上述の式が正確にスケールされる場合には、Ｍ00は対象の二次元のイメージパターンの面積（ピクセルで）を与え、（Ｍ10、Ｍ01）はパターンの重心の中心座標を与える。従って、人間や他のターゲット２２の重心の中心を識別するために、“幾何学的なモーメント”のコンセプトを利用することができる。しかし、基準の関数（ｘp、ｙq）は完成されていたとしても、無駄を含んでいる（つまり、直交していない（orthogonalでない））。故に、フィルタ２８を用いることが好ましい。
後述するようにさらなる参照用のため、選択システム５０によってスケール値が記憶される。本発明に係る好適な実施の形態では、後続する選択システム５０のプロセスで利用されるのはスケール値であって、属性値４６ではない。このため、以下において後述するように、特定の属性タイプ４４用のスケール値を用いて、相互に関係する属性タイプ４４の記載や属性タイプ４４に基づいた他の数学的な操作が実際に行われるようにする。
本発明に係る他の実施の形態では、スケール値と属性値４６の重みを付けられた組合せに関する幾つかのタイプを用いてもよい。さらに、選択システム５０は後続する選択システム５０を処理するために正規化用のヒューリスティックを用いなくてもよい。
Ｃ．相関した属性を選択的に取り除く
符合６４に示すように、相関した属性タイプ４４を選択的に取り除く。本発明に係る好適な実施の形態では、属性タイプ４４に関連した属性値４６に関連するスケール値について相互関係を算出する。従って、以下において詳述するように、属性タイプ４４の評価は、属性タイプ４４と関連したスケール値の評価となる。
ターゲットイメージ２６に含まれる属性タイプ４４の多くは、比較的高い相互相関を有している。ここで、２つの属性タイプ４４が強く相関している場合、このことは、情報の中に比較的強い大きさの類似性や無駄があることを意味する。
このことは、特定の分類３４に関して算出するというよりはむしろ、誤った意味での信頼（つまり、いかなる現実的な追加の情報を含むことのない高度に相関した要因）に分類器３２を導くおそれがある。
相関した属性タイプ４４を取り除くためには、サンプル内の全ての属性タイプ４４に対して、属性タイプ４４の全ての対の間で相関係数（correlation coefficient）を最初に算出する必要がある。本発明に係る実施の形態では、システム２０は様々な相関用のヒューリスティックを広く多様に備えることができる。本発明に係る好適な実施の形態では、相関用のヒューリスティックは、次の数式２に示すような数学的な操作となる。
数式２：
相関係数（A、B）＝Cov（A、B）/sqrt[Var（A）＊Var（B）]
ここで、Cov（A、B）は、属性タイプＡと属性タイプＢの共分散（covariance）である。また、Var（A）は、潜在的な属性タイプ４４のサンプル内に含まれる属性タイプ４４の全てに対する属性タイプＡの分散（variance）である。
相関係数は、相関閾値（correlation threshold）と比較することができる。ここで、特定の属性タイプ４４用の相関係数が相関閾値を超える場合には、この特定の属性タイプ４４をサンプル内から取り除くことができる。幾つかの実施の形態では、相関閾値は予め定められた閾値である。また、他の実施の形態では、相関閾値は、相関係数が算出された後に、テストを“パス”した属性タイプ４４の所定の数に基づいて決定される。例えば、様々な相関係数から統計データを用いて相関閾値を設定することができるため、属性タイプ４４のトップＮ％だけを属性タイプ４４のサンプル内に残すことができる。また、トップＮ％内に入らない属性タイプ４４は、後続するテストを行うことなく、取り除くことができる。さらに他の実施の形態では、相関閾値は、様々な相関係数の計算の後に決定され、またこの計算はいかなる所定の数値にも基づかないで行われる。
Ｄ．分布解析の実行
符合６６に示すように、分布解析用ヒューリスティックが実行される。この分布解析用ヒューリスティックでは統計手段のみを用いて、特定の属性タイプ４４が他の属性タイプ４４と同一の統計分布に属しているか否かを決定することができる。
本発明に係る好適な実施の形態では、２つの属性タイプ４４に対して同時に分布解析用ヒューリスティック（つまり、“対に基づく分布解析用ヒューリスティック”）を実行する。対に基づく分布解析用ヒューリスティックに係る好適な実施の形態では、各属性タイプ４４に対してMann-Whitneyのテスト（つまり、“Mann-Whitneyのヒューリスティック”）を行う。また、他のタイプの数学的でかつ計算的なプロセスを、分布解析用ヒューリスティックとして用いることもできる。
分布解析用ヒューリスティックの目的は、様々な属性タイプ４４が同一の分布に属するのか、または異なる分布に属するのかを推測することにある。各属性タイプ４４が対をなす他の属性タイプ４４の一部として評価される、対に基づく分布解析用ヒューリスティックでは、各対の中の任意の２つの属性タイプ４４を同一の分布に属するか、または２つの別の分布に属するものとして評価する。
各属性タイプ４４は連続して処理することができる。また各属性タイプ４４に対して、クラスｉ（つまり、分布ｉ）とクラスｊ（つまり、分布ｊ）に該当する、テストデータ内の全てのスケール値を抽出して、ベクトル内に置く。このスケール値は記憶することができ、また各スケール値のランクを記憶する。そして、各クラスのランクの合計を算出できるようにする。さらに、数式３と数式４に従って、統計（“ヌル統計”）の帰無仮説（ＮＵＬＬ仮説：null hypothesis）のセットが計算（“ヌル統計ヒューリスティック”）可能になる。
数式３：
null_hyp_mean＝num_class＊（num_class＋num_else＋1）/2
数式４：
null_hyp_sigma＝sqrt｛num_class＊num_else＊（num_class＋num_else＋1）｝/12
ここで、変数“null_hyp_mean”はＮＵＬＬ仮説のセットの平均を示す。また変数“num_class”は特定のクラスに属する正規化された値を示し、“null_else”は異なるクラス４２に属するスケール値または正規化された値の数を示す。
また、例えば数式５に示す計算によって、統計ヒューリスティックを用いて統計の評価を得ることができる。
数式５：
statistic＝（rank_sum_class−null_hyp_mean−0.5）/null_hyp_sigma
上述の式において、“rank_sum_class”は、ランクの合計、つまりクラスごとに算出された変数を示す。この統計の計算の後、分布解析用ヒューリスティックを完了させるために、幾つかの異なるプロセスを行ってもよい。
１．閾値のヒューリスティック
分布解析用ヒューリスティックを完了させる代替のサブプロセスの一つとして、閾値のヒューリスティック（thresholding heuristic）がある。この閾値のヒューリスティックでは、統計の閾値に対して統計（統計値）を比較する。このような閾値は、閾値のヒューリスティックを行う前に予め定めることができるか、または任意の数の様々な基準（criteria）を用いて、全ての属性タイプに対して統計を形成した後に計算することができる。様々なクラスを均等に分離することができるか、または大凡均等に分離することができる場合には、統計の閾値は、決定における信頼性（confidence in the decision）から直接選ばれることができる。例えば、従来技術において公知の統計の文献では、信頼性が０．００１の場合には、閾値は３．２９１であることを意味する。
そして、統計の閾値を超える統計の属性タイプ４４は維持され、また統計の閾値を下回る統計の属性タイプ４４は取り除かれる。このように、閾値のヒューリスティックを用いることで、任意の数の属性タイプ４４を導くことができる。
２．トップＮのヒューリスティック
上記閾値のヒューリスティックでは、残すように導く属性タイプ４４の数を予測できないが、これに対して、トップＮのヒューリスティック（top N heuristic）を用いる場合には、クラス４２ごとにトップＮの最も区別可能な属性タイプ４４を発見する。この際、１と、残りの属性タイプ４４の数の間の任意の数をＮとして用いることができる。また、トップＮに含まれない属性タイプ４４は取り除かれる。この方法は、例えば、視認に基いて占有者の検出を行う際に、小柄な大人と大柄な子供との差を識別する場合のように、あるクラス４２を他のクラス４２からほとんど分離することができない場合に特に好適である。上述したように、センサシステム２０に用いることができるクラス４２の数とタイプは、センサシステム２０の目的と所望の機能に基づく必要がある。エアバッグの展開を防ぐことが望まれるエアバッグの実施の形態において、エアバッグを展開させることが望ましい場合には、エアバッグを展開させるようにクラス４２の数とタイプを適切にし、またエアバッグを展開させることが望ましくない場合には、エアバッグの展開を防ぐようにする。属性タイプ４４の最後の数を算出するためのトップＮのヒューリスティックは、次の数式６の計算を有してもよい。
数式６：
属性タイプの最終的な数＝Ｎ＊クラスの数
３．統計の組み合わせ
分布解析用ヒューリスティックを完了させるのに用いることができるサブプロセスの一つとして、統計の組み合わせ（コンビネーション）の計算を含むコンビネーションヒューリスティックがある。このコンビネーションヒューリスティックの一例を、次の数式７に示す。
数式７：
comb_statistic＝全てのクラスの対の組み合わせに対する統計の絶対値の和
数式５に示された統計は、属性タイプ４４サンプル内にある全てのクラスの対の組み合わせに対して算出することができる。これら統計の絶対値の合計は、数式７のコンビネーションヒューリスティック（comb_statistic）を算出するために、互いに足されてもよい。このコンビネーションヒューリスティックは、組み合わせられた分離メトリック（combined separability metric）を提供する。この方法では、上記合計が各クラスの重要性や、他の要因に基くことが望ましい場合には、重みを付けられた合計を含むようにしてもよい。また、この方法は、属性タイプ４４の固定された数を提供する。さらに、選択システム５０は、数式７の範囲外にある他のコンビネーションヒューリスティックを有していてもよい。
Ｅ．余剰なサンプルの削除
トレーニングサンプル（または学習サンプル）を集める場合には、しばしばサンプル空間内にかなりの余剰が生じることがあるが、換言すると、多数のサンプルが非常に類似した、もしくは同一の情報を提供することがある。このことは、例えば、生徒のクラスルームや他の人々の集団のような、単一の場所からトレーニングサンプルを集める場合に顕著である。人々のグループ全体から個々のデータのサンプルが採取された場合には、サイズ、服装のスタイル、または他の特性がより一層類似しやすくなる。このため、符合６８に示すように余剰を削除するためには、選択システム２０により余剰なサンプルの削除用のヒューリスティック（delete redundant sample heuristic）を用いることができる。本発明に係る好適な実施の形態では、この余剰なサンプルの削除用のヒューリスティックとして、ｋ-ＮＮ（k-nearest neighbor）ヒューリスティックを用いる。
全てのトレーニングサンプル上でｋ-ＮＮヒューリスティックの分類を他のトレーニングサンプルに対して行うことができる。但し、分類器３２がｋ-ＮＮヒューリスティックを分類器３２のプロセッシングに用いる場合には、ｋのオーダーは少なくともエンドシステムのｋの値の２倍でなくてはならない。ｋ-ＮＮヒューリスティックは人間をターゲット（対象）とする際に効果的な方法になり得るが、これは人間が身に付ける（着る）仕方は非常に多様性が高く、全ての可能性に対して分別できるようにパラメーター表示することはほとんど不可能なためである。ｋ-ＮＮヒューリスティックは全てのサンプルの分類を未だ削除されていない属性タイプ４４の全ての残りに対してテストする。そして、分類が正しく、信頼性が１００％（つまり、全てのｋ-ＮＮが正しいクラスのものである）場合には、サンプルは余剰であると判断されて、捨てられる。
Ｆ．フォーマットのアウトプット
符合７０で示すように、選択された属性タイプはデータフォーマットに入れられるが、このデータフォーマットはセンサシステム２０内に組み込まれるか、又は異なるテスト用のサンプルに対する潜在的な適用のために、異なるテスト用の成分に送られることができる。選択システム５０は高度の柔軟性を有しており、様々なフォーマットとプロトコルを広く多様に含むことができる。属性３０のベクトル内の正確な位置は、特定の属性タイプ４４とリンクされる必要がある。
Ｇ．属性セットに対するさらなるトレーニング
選択システム５０の使用者が、選択的に識別された属性タイプの部分集合に対してさらなるテストを行うことを望むのであれば、これらテストは符合７２に示すように行うことができる。
Ｈ．属性セットの分類器内への組み込み
符合７４に示すように、選択された属性タイプ４４は分類器３２内に組み込まれて、分類器３２に対応するフィルタ２８は、属性タイプの選択的に識別された部分集合と関係していない属性値４６の全てを取り除くように構成される。このプロセスはセンサシステム２０に選択システム５０の結果が取り込まれた後に終了する。
IV．エアバッグの実施の形態
Ａ．周囲の要部の概要
図５は、本発明の実施の形態に係るセンサシステム２０やエアバッグセンサシステム（“エアバッグシステム”）８０を有する、可能な多くの様々なエアバッグの実施の形態における周囲の要部の概要を示す図である。ここで、占有者９６が存在する場合には、この占有者９６はシート（座席）９８に着座していてもよい。幾つかの実施の形態では、ビデオカメラまたは速くイメージを取り込むことができる任意の他のセンサ（または全体的にみて、“カメラ”８６）を、占有者９６の上方でかつ占有者９６よりもフロントガラス８８に近接するように、ルーフライナー８２に取付けらることができる。カメラ８６は占有者９６に向ってわずかに下方に傾斜した角度で取り付けられて、占有者９６がシート９８内で前方または後方に移動することで生じる、占有者９６の胴部上方の角度変化を取り込めるようにする。従来技術において公知なように、カメラ８６の取付位置は多数あり得る。さらに、エアバッグシステム８０には広い範囲で様々なカメラ８６を用いることができ、この中には、典型的に、大凡毎秒４０のイメージを取り込むことができる標準的なビデオカメラが含まれる。また、より高速か、より低速のカメラ８６をエアバッグシステム８０に用いることも可能である。
幾つかの実施の形態では、暗闇の環境の中でも常時照明を用いるために、直流で操作できる赤外線か又は他の光源をカメラ８６に備えてもよい。つまり、夜間、霧、強雨、暗雲、日食、さらに他の典型的な昼間の状況よりも暗い外部環境のような暗い環境下でも、エアバッグシステム８０を使用できるように構成できる。また、エアバッグシステム８０は、より明るい状況下でも使用できるように構成することができる。また、赤外線を用いることで、占有者９６からの光源の使用を隠すことができる。本発明に係る他の実施の形態では、カメラから分離した光源、赤外線以外の光線を放出する光源、または交流を用いて周期的な手段で放出される光等の１つまたはこれ以上を用いてもよい。さらに、エアバッグシステム８０は、他の照明具やカメラ８６の形態を幅広い領域から備えることができる。さらに、照明の状態によっては、異なるヒューリスティックや閾値をエアバッグシステム８０に適用することができる。そして、エアバッグシステム８０は占有者９６のそのときの環境に対して“知的な作業（インテリジェンス）”を適用できるようにする。
本発明に係る実施の形態では、コンピュータ、コンピュータネットワーク、または他のヒューリスティックを実行したり、コンピュータプログラムを走らせることができる、電子計算機能を有する装置や形態（または全体的にみて、“コンピュータシステム”８４）を用いて、エアバッグシステム８０のロジックを収容する。この際、コンピュータシステム８４は、後述するプログラミングロジックを実行することができる任意のタイプのコンピュータや装置でもよい。また、コンピュータシステム８４は事実上、車両の内外の任意の場所に設けられてもよい。好ましくは、コンピュータシステム８４はカメラ８６の近くに設けられて、長いワイヤを介してカメラのイメージが送信されることを避けるようにする。尚、図示した実施の形態では、エアバッグコントローラ９０は計器盤（インストルメントパネル）９４内に設けられる。但し、エアバッグコントローラ９０が異なる場所に置かれていても、エアバッグシステム８０は機能することができる。同様に、好ましくは、エアバッグ展開機構９２は占有者９６とシート９８の前方にある計器盤９４内に設けられるが、しかしながら、エアバッグシステム８０によっては他の場所に設けられてもよい。幾つかの実施の形態では、エアバッグコントローラ９０はコンピュータシステム８４と同一の装置である。また、車両とエアバッグ展開機構９２の構成がさらに変化しても、エアバッグシステム８０は柔軟に取付けられることができる。
好ましくは、消費者によって利用可能となるようにエアバッグ展開機構が形成される前に、コンピュータシステム８４にはエアバッグ展開機構の設計者によって望ましいとされた、好適なように予め定められたクラス４２が備えられる。また、コンピュータシステム８４には、好適なように予め定められたクラス４２を区別するのに用いられるように、好適なように予め定められた属性タイプ４４のリストが備えられる。属性タイプ４４は、好ましくは図４に示したプロセスを用いて選択される。実際の人間または他のテスト“占有者”、あるいは少なくとも、人間または他のテスト“占有者”の実際のイメージが属性タイプの様々なリストに分けられて、可能な属性タイプ４４の集団を形成できるようにしてもよい。このような属性タイプ４４は特徴の集団、または例えば高さ、輝度、大きさ（体積から計算される）、エアバッグ展開機構までの距離、胴部上方の位置、頭部の位置のような特徴を含む属性タイプ４４か、または他の関連可能な属性タイプ４４の中から選択されることができる。これら属性タイプ４４は特定の予め定められたクラス４２に関してテストされて、非常に相関する属性タイプ４４と非常に余剰な統計分布を伴う属性タイプ４４を選択的に取り除くようにしてもよい。さらに、図４に示す他のステップや、他のプロセスやヒューリスティックを用いて、望ましくかつ有用な属性タイプ４４のみをコンピュータシステム８４内に備えるようにしてもよい。
Ｂ．エアバッグを展開するためのハイレベルなプロセスフロー
図６は、エアバッグシステム８０に用いられるセンサシステム２０の一例を示す、ハイレベルのプロセスフローダイアグラムである。この際、カメラ８６によって、占有者９６と周囲のシート領域１００の双方を含むシート領域１００の周囲イメージ８９が取り込まれる。尚、添付した図では、シート領域１００には占有者９６の全体が含まれているが、しかしながら、多くの異なる環境や形態によっては、占有者９６のイメージの一部のみが取り込まれてもよく、このことは特にカメラ８６が身体の下方側を視認できない場合に該当する。
周囲イメージ８９はフィルタ２８に送られることができる。フィルタ２８は周囲イメージ８９をインプットとして受取ると、属性３０のベクトル、つまり上記選択用のヒューリスティックに従って属性タイプ４４に関して構成されたベクトルを送る。次に、適切なエアバッグの展開の決定を行うために、属性３０のベクトルが解析されてもよい。このプロセスは以下において後述される。例えば、展開時に占有者９６がエアバッグの展開部に近過ぎているか否かの判断を行うために、属性３０のベクトルを用いることができる。属性３０のベクトル内の属性タイプ４４と属性値４６はエアバッグコントローラ９０に送られて、占有者９６に関して得られた情報に基いて、適切な展開の決定を行えるようにしてもよい。
Ｃ．プロセスフローの詳細
図７は、周囲イメージ８９を取り込んでから、適切な占有者データをエアバッグコントローラ９０に対して送信するまでのプロセスのさらなる詳細について例示している。このプロセスは占有者が車内にいる限り連続して繰り返される。本発明に係る好適な実施の形態では、過去のデータを現在のデータの解析に用いるため、図の下方のエアバッグコントローラ９０から図の上方までプロセスフローを導く。
カメラ８６によって周囲イメージ８９（センサ情報２６の特別なカテゴリー）が取り込まれた後、フィルタ２８によってフィルタ用のヒューリスティックを実行することが可能になる。この属性の選択とフィルタのプロセスは、上述したように行われる。
フィルタ２８は、カメラ８６によって取り込まれた属性タイプ４４の多くを形状の追跡部と予測部（shape tracker and predictor）１０２が無視するようにする。展開の目的に関して、鍵となる属性タイプ（キー属性タイプ）４４は、典型的に占有者９６の位置と動きの特性に関する。
上述した追跡と予測用のサブシステム１０２は、例えば、位置、速度、加速度、または他の特性のような占有者９６の特性を追跡するために用いられる。また、幾つかの実施の形態では、追跡システム１０２は“先のことについて推測する（extrapolate forward）”ために用いられて、センサによる計測される時間の合間ではこれら特性が如何なる状態にあるのかを推測できるようにしてもよい。本発明に係る好適な実施の形態では、追跡と予測用のサブシステム１０２はカルマンフィルタ（Kalman filters）を用いて、確率で加重平均する手段（probability-weighted manner）で、最も近いセンサ計測値とともに過去の計測値を積分してもよい。
追跡用のサブシステム１０２は、異なる占有者の特性の部分集合に焦点をあてる、他、様々なサブシステムを広く多様に備えていてもよい。例えば、追跡用のサブシステム１０２は、“形状”に関する特性を追跡しかつ予測するために、形状の追跡と予測用のモジュール１０６を備えていてもよく、また“動き”に関する特性を追跡しかつ予測するために、動きの追跡と予測用のモジュール１０４を備えていてもよい。
追跡用のサブシステム１０２から得られる情報はエアバッグコントローラ９０に送られて、エアバッグ展開機構９２の適切な動作を実現させるようにしてもよい。幾つかの状況では、占有者が危険な領域に現在若しくは将来にある場合には、エアバッグの展開を防止するようにしてもよい。また、幾つかの実施の形態では、エアバッグの展開は、占有者を吸収するためにエアバッグが必要とする運動エネルギー量に相当する、様々な強さに合わせて行われるように構成されてもよい。さらに、追跡用のサブシステム１０２は衝突が生じるか否かを決定し、かつこのような衝突がエアバッグの展開に利するか否かを決定するために用いられてもよい。
Ｖ．他の実施の形態
以上、上述のように本発明について開示することで、本発明に係る操作の基本と方式について説明するとともに、本発明に係る好適な実施の形態について説明した。しかしながら、本発明はこの発明の精神乃至は範囲から逸脱することなく、詳細な説明や図説を超えて実施されることは可能であることを理解されたい。
センサデータを取り込んでから、分類器によりこの取り込んだセンサデータに対して計算を行うまでのプロセスを例示するプロセスフローダイアグラムである。 センサにより取り込まれた“ターゲット情報”の、集合的な“属性空間”から始まって、属性タイプと関連した個々の属性値に至る、階層構造を例示するヒエラルキーダイアグラムである。 属性選択システムのサブシステム−レベルを例示するブロックダイアグラムである。 分布に基く選択用のヒューリスティックで実行可能なプロセスステップの幾つかを例示するフローチャートである。 フィルタを用いて属性タイプを選択的に識別する、エアバッグ展開機構を備える車両の要部の周囲を示す図である。 予め選択された属性タイプのリストに該当する属性タイプを除く全ての属性タイプを取り除くようにフィルタを用いる、エアバッグを展開させるプロセスフローのブロックダイアグラムである。 占有者の形状の特性と動きの特性とを追跡するために分類を用いる、エアバッグ展開機構を例示するプロセスフローダイアグラムである。
符号の説明
２８ フィルタ
３２ 分類器
３４ 分類
４２ クラス（分布クラス）
４４ 属性タイプ
４６ 属性値
５２ テストデータサブシステム
５４ 分布解析サブシステム
５６ 属性選択サブシステム
６６ 分布統計
８６ センサ
８９ イメージ（占有者のイメージ）
９２ エアバッグ展開機構
９６ 占有者

Claims (20)

  1. 分類器（３２）とともに用いられるフィルタ（２８）を構成するための方法であって、
    分布統計（６６）を用いて複数の属性タイプ（４４）から属性タイプ（４４）の部分集合を選択的に識別し、かつ、
    前記属性タイプ（４４）の部分集合のみが前記分類器（３２）によってアクセス可能となるように前記フィルタ（２８）を構成することを特徴とする方法。
  2. さらに、Mann-Whitneyのヒューリスティックを用いて前記分布統計（６６）を形成することを特徴とする請求項１に記載の方法。
  3. さらに、統計のＮＵＬＬ仮説のセットから前記分布統計（６６）を形成することを特徴とする請求項１に記載の方法。
  4. さらに、複数の分布クラス（４２）から前記分布統計（６６）を形成することを特徴とする請求項１に記載の方法。
  5. さらに、前記分布統計（６６）を予め定められた分布統計の閾値と比較することを特徴とする請求項１に記載の方法。
  6. さらに、前記分布統計（６６）をランク分けし、かつ、
    予め定められたランクよりも下にランク分けされた属性タイプ（４４）を取り除くことを特徴とする請求項１に記載の方法。
  7. さらに、組み合わされたクラス（４２）の統計を形成し、
    前記組み合わされたクラス（４２）の統計をランク分けし、かつ、
    予め定められたランクよりも下にランク分けされた属性タイプ（４４）を属性タイプ（４４）の部分集合から取り除くことを特徴とする請求項１に記載の方法。
  8. さらに、ｋ-ＮＮヒューリスティックを行って、属性タイプ（４４）の余剰なテストサンプルを識別し、かつ、
    前記属性タイプ（４４）の部分集合から前記余剰なテストサンプル（６８）内の属性タイプを取り除くことを特徴とする請求項１に記載の方法。
  9. さらに、前記属性タイプ（４４）の各々と関連する属性値（４６）をスケール値に変換することを特徴とする特徴とする請求項１に記載の方法。
  10. さらに、共分散ヒューリスティックから共分散係数を形成し、
    前記共分散係数を予め定められた共分散閾値と比較し、かつ、
    前記予め定められた共分散閾値を超える前記共分散係数と関係する属性タイプ（４４）を属性タイプ（４４）の部分集合から取り除くことを特徴とする特徴とする請求項１に記載の方法。
  11. 前記フィルタ（２８）と前記分類器（３２）はエアバッグ展開機構（９２）に用いられることを特徴とする特徴とする請求項１に記載の方法。
  12. 分類器（３２）に取り込まれる属性タイプ（４４）を選択するためのシステムであって、テストデータサブシステム（５２）、分布解析サブシステム（５４）及び属性選択サブシステム（５６）を有し、この際、
    前記テストデータサブシステム（５２）は複数の属性タイプ（４４）から構成されるデータサンプルを有し、
    前記分布解析サブシステム（５４）は複数の分布統計（６６）を有し、この際、前記分布解析サブシステム（５４）は前記複数の属性タイプ（４４）から前記複数の分布統計（６６）を形成し、かつ、
    前記属性選択サブシステム（５６）は前記属性タイプ（４４）の集団から前記属性タイプ（４４）の部分集合を選択的に識別することを特徴とする特徴とするシステム。
  13. 前記属性選択サブシステム（５６）は予め定められた閾値を有しており、この際、前記分布統計（６６）を前記予め定められた閾値と比較することにより、前記属性タイプ（４４）の部分集合を選択的に識別することを特徴とする特徴とする請求項１２に記載のシステム。
  14. 前記分布解析サブシステム（５４）はさらに複数の組み合わされたクラス統計を有しており、この際、前記分布解析サブシステム（５４）は前記分布統計（６６）から前記組み合わされたクラス統計を形成するとともに、前記属性選択サブシステム（５６）は前記組み合わされたクラス統計をランク分けすることにより前記属性タイプ（４４）をランク分けすることを特徴とする特徴とする請求項１２に記載のシステム。
  15. 前記属性選択サブシステム（５６）は予め定められた数の前記属性タイプ（４４）を選択的に識別することを特徴とする特徴とする請求項１２に記載のシステム。
  16. 前記テストデータサブシステム（５２）はさらに正規化モジュールを有し、該正規化モジュールは複数のスケール値を有しており、この際、前記正規化モジュールは前記複数のスケール値を形成するとともに、前記複数のスケール値を前記複数の属性タイプと関連させることを特徴とする特徴とする請求項１２に記載のシステム。
  17. 前記データサンプルは余剰なデータの部分集合を有しており、この際、前記テストデータサブシステムは余剰用のヒューリスティックを備えるとともに、前記テストデータサブシステムは前記余剰なデータ（６８）の部分集合を取り除くために前記余剰用のヒューリスティックを実行させることを特徴とする特徴とする請求項１２に記載のシステム。
  18. 前記分布統計（６６）はMann-Whitneyのヒューリスティックを用いて形成されることを特徴とする特徴とする請求項１２に記載のシステム。
  19. 前記選択的に識別された属性タイプ（４４）の前記部分集合はエアバッグ展開機構（９２）内に組み込まれる（７４）ことを特徴とする特徴とする請求項１２に記載のシステム。
  20. 占有者（９６）を追跡するためのエアバッグのセンサシステムであって、占有者のイメージ（８９）、センサ（８６）、分類器（３２）及びフィルタ（２８）を有し、この際、
    前記占有者のイメージ（８９）は複数の属性タイプ（４４）と、該複数の属性タイプ（４４）と関連した複数の属性値（４６）を有しており、この際、前記属性タイプ（４４）の部分集合のみが統計的にロバストな属性タイプとして最終的に識別され、
    前記センサ（８６）は前記占有者（９６）から前記占有者のイメージ（８９）を取り込み、
    前記分類器（３２）は分類（３４）を有しており、この際、前記分類器（３２）は前記統計的にロバストな属性から前記分類（３４）を形成し、かつ、
    前記フィルタ（２８）は前記統計的にロバストな属性タイプの予め定められたリストを有しており、この際、前記フィルタは前記統計的にロバストな属性タイプのみが前記分類器（３２）に送られるようにすることを特徴とするシステム。
JP2004056208A 2003-02-28 2004-03-01 分類器に用いられる属性タイプを選択するための方法又はシステム Pending JP2004280812A (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
US10/375,946 US7197180B2 (en) 2001-05-30 2003-02-28 System or method for selecting classifier attribute types

Publications (1)

Publication Number Publication Date
JP2004280812A true JP2004280812A (ja) 2004-10-07

Family

ID=32771478

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2004056208A Pending JP2004280812A (ja) 2003-02-28 2004-03-01 分類器に用いられる属性タイプを選択するための方法又はシステム

Country Status (8)

Country Link
US (1) US7197180B2 (ja)
EP (1) EP1452399A3 (ja)
JP (1) JP2004280812A (ja)
KR (1) KR20040077533A (ja)
CN (1) CN1525146A (ja)
AU (1) AU2004200298A1 (ja)
BR (1) BRPI0400824A (ja)
MX (1) MXPA04001984A (ja)

Families Citing this family (48)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7769513B2 (en) * 2002-09-03 2010-08-03 Automotive Technologies International, Inc. Image processing for vehicular applications applying edge detection technique
US7109957B2 (en) * 1999-01-22 2006-09-19 Au Optronics Corp. Digital display driving circuit for light emitting diode display
US7116800B2 (en) * 2001-05-30 2006-10-03 Eaton Corporation Image segmentation system and method
US20050129274A1 (en) * 2001-05-30 2005-06-16 Farmer Michael E. Motion-based segmentor detecting vehicle occupants using optical flow method to remove effects of illumination
US6853898B2 (en) 2001-05-30 2005-02-08 Eaton Corporation Occupant labeling for airbag-related applications
US6925193B2 (en) * 2001-07-10 2005-08-02 Eaton Corporation Image processing system for dynamic suppression of airbags using multiple model likelihoods to infer three dimensional information
US20030123704A1 (en) * 2001-05-30 2003-07-03 Eaton Corporation Motion-based image segmentor for occupant tracking
US7181083B2 (en) 2003-06-09 2007-02-20 Eaton Corporation System and method for configuring an imaging tool
US6856694B2 (en) * 2001-07-10 2005-02-15 Eaton Corporation Decision enhancement system for a vehicle safety restraint application
US20080131004A1 (en) * 2003-07-14 2008-06-05 Farmer Michael E System or method for segmenting images
US20050271280A1 (en) * 2003-07-23 2005-12-08 Farmer Michael E System or method for classifying images
US7327497B2 (en) * 2002-05-14 2008-02-05 Canon Kabushiki Kaisha Image reading apparatus, control method therefor, and program
US7440885B2 (en) * 2002-06-03 2008-10-21 Broadcom Corporation Method and system for deterministic control of an emulation
US7676062B2 (en) * 2002-09-03 2010-03-09 Automotive Technologies International Inc. Image processing for vehicular applications applying image comparisons
US6925403B2 (en) * 2003-09-15 2005-08-02 Eaton Corporation Method and system for calibrating a sensor
US20050065757A1 (en) * 2003-09-19 2005-03-24 White Samer R. System and method for estimating displacement of a seat-belted occupant
US6944527B2 (en) * 2003-11-07 2005-09-13 Eaton Corporation Decision enhancement system for a vehicle safety restraint application
US20050177290A1 (en) * 2004-02-11 2005-08-11 Farmer Michael E. System or method for classifying target information captured by a sensor
US20050179239A1 (en) * 2004-02-13 2005-08-18 Farmer Michael E. Imaging sensor placement in an airbag deployment system
US20060056657A1 (en) * 2004-02-13 2006-03-16 Joel Hooper Single image sensor positioning method and apparatus in a multiple function vehicle protection control system
US7636479B2 (en) * 2004-02-24 2009-12-22 Trw Automotive U.S. Llc Method and apparatus for controlling classification and classification switching in a vision system
DE102004013598A1 (de) * 2004-03-19 2005-10-06 Robert Bosch Gmbh Vorrichtung zur Einstellung von Sitzkomponenten
DE102004027693A1 (de) * 2004-04-08 2005-10-27 Daimlerchrysler Ag Verfahren zum Steuern von Insassenrückhaltemitteln und Steuereinheit für Insassenrückhaltemittel in einem Fahrzeug
DE102004018288A1 (de) * 2004-04-15 2005-11-03 Conti Temic Microelectronic Gmbh Verfahren und Vorrichtung zur näherungsweisen Indentifizierung eines Objekts
US20060050953A1 (en) * 2004-06-18 2006-03-09 Farmer Michael E Pattern recognition method and apparatus for feature selection and object classification
DE102004037016B4 (de) * 2004-07-30 2006-10-12 Siemens Ag Verfahren und Vorrichtung zur Steuerung von Kraftfahrzeuginsassen-Schutzsystemen
EP1786654B1 (en) * 2004-09-06 2009-10-21 Bayerische Motorenwerke Aktiengesellschaft Device for the detection of an object on a vehicle seat
DE102006047629A1 (de) * 2006-03-14 2007-09-20 Robert Bosch Gmbh Verfahren zur Ermittlung von Objektparametern eines Fußgängers
US20090138304A1 (en) * 2007-09-11 2009-05-28 Asaf Aharoni Data Mining
JP4948379B2 (ja) * 2007-12-18 2012-06-06 キヤノン株式会社 パターン識別器生成方法、情報処理装置、プログラム及び記憶媒体
US9536221B2 (en) 2008-06-19 2017-01-03 Plentyoffish Media Ulc System and method for adaptive matching of user profiles based on viewing and contact activity for social relationship services
US8188414B2 (en) * 2008-12-23 2012-05-29 Opel, Inc. Grid support system for a tracker-mounted solar panel array for rooftop applications
US9537706B2 (en) 2012-08-20 2017-01-03 Plentyoffish Media Ulc Apparatus, method and article to facilitate matching of clients in a networked environment
US9679259B1 (en) * 2013-01-25 2017-06-13 Plentyoffish Media Ulc Systems and methods for training and employing a machine learning system in evaluating entity pairs
US11568008B2 (en) 2013-03-13 2023-01-31 Plentyoffish Media Ulc Apparatus, method and article to identify discrepancies between clients and in response prompt clients in a networked environment
US9672289B1 (en) 2013-07-23 2017-06-06 Plentyoffish Media Ulc Apparatus, method and article to facilitate matching of clients in a networked environment
US9870465B1 (en) 2013-12-04 2018-01-16 Plentyoffish Media Ulc Apparatus, method and article to facilitate automatic detection and removal of fraudulent user information in a network environment
US10540607B1 (en) 2013-12-10 2020-01-21 Plentyoffish Media Ulc Apparatus, method and article to effect electronic message reply rate matching in a network environment
WO2015130928A1 (en) * 2014-02-26 2015-09-03 Nancy Packes, Inc. Real estate evaluating platform methods, apparatuses, and media
US10108968B1 (en) 2014-03-05 2018-10-23 Plentyoffish Media Ulc Apparatus, method and article to facilitate automatic detection and removal of fraudulent advertising accounts in a network environment
US10387795B1 (en) 2014-04-02 2019-08-20 Plentyoffish Media Inc. Systems and methods for training and employing a machine learning system in providing service level upgrade offers
US9836533B1 (en) 2014-04-07 2017-12-05 Plentyoffish Media Ulc Apparatus, method and article to effect user interest-based matching in a network environment
US9384396B2 (en) * 2014-09-29 2016-07-05 Xerox Corporation System and method for detecting settle down time using computer vision techniques
US9552222B2 (en) * 2015-06-04 2017-01-24 International Business Machines Corporation Experience-based dynamic sequencing of process options
IT201700021585A1 (it) * 2017-02-27 2018-08-27 St Microelectronics Srl Procedimento di apprendimento, sistema, dispositivo e prodotto informatico corrispondenti
CN108921047B (zh) * 2018-06-12 2021-11-26 江西理工大学 一种基于跨层融合的多模型投票均值动作识别方法
EP3966740A4 (en) * 2019-07-09 2022-07-06 Gentex Corporation SYSTEMS, DEVICES AND METHODS FOR MEASURING THE MASS OF OBJECTS IN A VEHICLE
CN111462108B (zh) * 2020-04-13 2023-05-02 山西新华防化装备研究院有限公司 一种基于机器学习的头面部产品设计工效学评估操作方法

Family Cites Families (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4179696A (en) * 1977-05-24 1979-12-18 Westinghouse Electric Corp. Kalman estimator tracking system
JPS60152904A (ja) * 1984-01-20 1985-08-12 Nippon Denso Co Ltd 車両運転者位置認識装置
JPS6166905A (ja) 1984-09-10 1986-04-05 Nippon Denso Co Ltd 車両運転者の位置認識装置
JPS6166906A (ja) 1985-03-12 1986-04-05 Nippon Denso Co Ltd 車両運転者位置認識装置
DE3803426A1 (de) * 1988-02-05 1989-08-17 Audi Ag Verfahren zur wirksamschaltung eines sicherheitssystems
GB8810357D0 (en) * 1988-04-30 1988-06-08 Univ Manchester Data analysis method & apparatus
US5074583A (en) * 1988-07-29 1991-12-24 Mazda Motor Corporation Air bag system for automobile
EP0464033B1 (de) * 1989-03-20 1993-01-07 Siemens Aktiengesellschaft Steuergerät für ein insassen-rückhaltesystem und/oder -schutzsystem für fahrzeuge
GB2236419B (en) 1989-09-15 1993-08-11 Gen Engineering Improvements in or relating to a safety arrangement
JP2605922B2 (ja) * 1990-04-18 1997-04-30 日産自動車株式会社 車両用安全装置
JP2990381B2 (ja) * 1991-01-29 1999-12-13 本田技研工業株式会社 衝突判断回路
US5051751A (en) * 1991-02-12 1991-09-24 The United States Of America As Represented By The Secretary Of The Navy Method of Kalman filtering for estimating the position and velocity of a tracked object
US5446661A (en) * 1993-04-15 1995-08-29 Automotive Systems Laboratory, Inc. Adjustable crash discrimination system with occupant position detection
US5366241A (en) * 1993-09-30 1994-11-22 Kithil Philip W Automobile air bag system
US5413378A (en) * 1993-12-02 1995-05-09 Trw Vehicle Safety Systems Inc. Method and apparatus for controlling an actuatable restraining device in response to discrete control zones
US5482314A (en) * 1994-04-12 1996-01-09 Aerojet General Corporation Automotive occupant sensor system and method of operation by sensor fusion
US5528698A (en) * 1995-03-27 1996-06-18 Rockwell International Corporation Automotive occupant sensing device
US6137909A (en) * 1995-06-30 2000-10-24 The United States Of America As Represented By The Secretary Of The Navy System and method for feature set reduction
US5983147A (en) * 1997-02-06 1999-11-09 Sandia Corporation Video occupant detection and classification
US6116640A (en) * 1997-04-01 2000-09-12 Fuji Electric Co., Ltd. Apparatus for detecting occupant's posture
US6005958A (en) * 1997-04-23 1999-12-21 Automotive Systems Laboratory, Inc. Occupant type and position detection system
US6018693A (en) * 1997-09-16 2000-01-25 Trw Inc. Occupant restraint system and control method with variable occupant position boundary
US6026340A (en) * 1998-09-30 2000-02-15 The Robert Bosch Corporation Automotive occupant sensor system and method of operation by sensor fusion
US6317517B1 (en) * 1998-11-30 2001-11-13 Regents Of The University Of California Statistical pattern recognition
JP3717733B2 (ja) * 2000-01-11 2005-11-16 シャープ株式会社 ネットワークシステム
US6801662B1 (en) 2000-10-10 2004-10-05 Hrl Laboratories, Llc Sensor fusion architecture for vision-based occupant detection
US20020159642A1 (en) * 2001-03-14 2002-10-31 Whitney Paul D. Feature selection and feature set construction
US6853898B2 (en) * 2001-05-30 2005-02-08 Eaton Corporation Occupant labeling for airbag-related applications
US6925193B2 (en) * 2001-07-10 2005-08-02 Eaton Corporation Image processing system for dynamic suppression of airbags using multiple model likelihoods to infer three dimensional information
US6577936B2 (en) * 2001-07-10 2003-06-10 Eaton Corporation Image processing system for estimating the energy transfer of an occupant into an airbag
US7116800B2 (en) * 2001-05-30 2006-10-03 Eaton Corporation Image segmentation system and method
US6662093B2 (en) * 2001-05-30 2003-12-09 Eaton Corporation Image processing system for detecting when an airbag should be deployed
US6459974B1 (en) * 2001-05-30 2002-10-01 Eaton Corporation Rules-based occupant classification system for airbag deployment
US20030133595A1 (en) 2001-05-30 2003-07-17 Eaton Corporation Motion based segmentor for occupant tracking using a hausdorf distance heuristic
US20030123704A1 (en) 2001-05-30 2003-07-03 Eaton Corporation Motion-based image segmentor for occupant tracking
US6947597B2 (en) * 2001-09-28 2005-09-20 Xerox Corporation Soft picture/graphics classification system and method
JP3896868B2 (ja) * 2002-02-27 2007-03-22 日本電気株式会社 パターンの特徴選択方法及び分類方法及び判定方法及びプログラム並びに装置
US7263214B2 (en) * 2002-05-15 2007-08-28 Ge Medical Systems Global Technology Company Llc Computer aided diagnosis from multiple energy images

Also Published As

Publication number Publication date
KR20040077533A (ko) 2004-09-04
MXPA04001984A (es) 2004-09-02
EP1452399A2 (en) 2004-09-01
AU2004200298A1 (en) 2004-09-16
BRPI0400824A (pt) 2005-05-24
US20030234519A1 (en) 2003-12-25
EP1452399A3 (en) 2005-05-18
US7197180B2 (en) 2007-03-27
CN1525146A (zh) 2004-09-01

Similar Documents

Publication Publication Date Title
JP2004280812A (ja) 分類器に用いられる属性タイプを選択するための方法又はシステム
CN108399628B (zh) 用于跟踪对象的方法和系统
CN102803991B (zh) 物体检测设备
US6459974B1 (en) Rules-based occupant classification system for airbag deployment
US20090296989A1 (en) Method for Automatic Detection and Tracking of Multiple Objects
Cheng et al. Vision-based infotainment user determination by hand recognition for driver assistance
WO2017216511A1 (en) Estimating a number of occupants in a region
WO2005008581A2 (en) System or method for classifying images
WO2003091941A1 (en) High-performance object detection with image data fusion
US20050058322A1 (en) System or method for identifying a region-of-interest in an image
GB2456651A (en) Person Identification in an Image
CN110210474A (zh) 目标检测方法及装置、设备及存储介质
JP2014093023A (ja) 物体検出装置、物体検出方法及びプログラム
GB2501542A (en) Abnormal behaviour detection in video or image surveillance data
US20170053172A1 (en) Image processing apparatus, and image processing method
CN111178178B (zh) 结合区域分布的多尺度行人重识别方法、系统、介质及终端
JP2019109843A (ja) 分類装置、分類方法、属性認識装置、及び機械学習装置
Parameswaran et al. Design and validation of a system for people queue statistics estimation
WO2021250808A1 (ja) 画像処理装置、画像処理方法、及びプログラム
CN107886060A (zh) 基于视频的行人自动检测与跟踪方法
US20070223818A1 (en) Method and apparatus for predicting the accuracy of virtual Scene based on incomplete information in video
JP6893812B2 (ja) 物体検出装置
KR102544492B1 (ko) 수영장 안전관리 장치 및 방법
US11875518B2 (en) Object feature extraction device, object feature extraction method, and non-transitory computer-readable medium
Tatarenkov et al. Feature extraction from a depth map for human detection