WO2024251503A1 - Procédé de détection d'un être vivant - Google Patents

Procédé de détection d'un être vivant Download PDF

Info

Publication number
WO2024251503A1
WO2024251503A1 PCT/EP2024/063765 EP2024063765W WO2024251503A1 WO 2024251503 A1 WO2024251503 A1 WO 2024251503A1 EP 2024063765 W EP2024063765 W EP 2024063765W WO 2024251503 A1 WO2024251503 A1 WO 2024251503A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
database
detection method
living
images
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.)
Ceased
Application number
PCT/EP2024/063765
Other languages
English (en)
Inventor
Nadjah Touati
Tarek KASMIEH
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.)
Valeo Comfort and Driving Assistance SAS
Original Assignee
Valeo Comfort and Driving Assistance SAS
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 Valeo Comfort and Driving Assistance SAS filed Critical Valeo Comfort and Driving Assistance SAS
Priority to EP24726282.7A priority Critical patent/EP4725001A1/fr
Priority to CN202480043309.0A priority patent/CN121420337A/zh
Publication of WO2024251503A1 publication Critical patent/WO2024251503A1/fr
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/886—Radar or analogous systems specially adapted for specific applications for alarm systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/415—Identification of targets based on measurements of movement associated with the target
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06V40/15—Biometric patterns based on physiological signals, e.g. heartbeat, blood flow

Definitions

  • the present invention relates to a method for detecting a living being. It finds a particular but non-limiting application in motor vehicles.
  • a method for detecting a living being inside a vehicle comprises analyzing the respiratory rate from the variation of a power or phase signal over time and comparing it with a respiratory model of a living being. This makes it possible in particular to trigger an alarm system when an occupant, in particular a child, is forgotten in the vehicle.
  • a disadvantage of this state of the art is that the reliance on a clear respiratory signal pattern can be masked by any movement of the living being's body. Furthermore, the body movement patterns of living beings are difficult to model due to their variability and the detection algorithms used are generally based on a simple signal-to-noise ratio check to detect movements of living beings with high energy (i.e. with a high signal-to-noise ratio). However, this type of detection can be confused with external effects (vehicle vibrations, vehicle jolts, etc.) that generate energy comparable to a movement of a living being and can easily lead to false alarms, called true negative cases.
  • the present invention aims to propose a method for detecting a living being which makes it possible to resolve the aforementioned drawback.
  • the invention proposes a method for detecting a living being, characterized in that said detection method comprises: - acquiring a plurality of images in a time window, each image comprising a series of data with which a position, a power and a speed are associated, - constructing a first database of instantaneous data from the plurality of images, said instantaneous data being based on said position, said power and said speed of each data of each image acquired in said time window, - constructing a second database of temporal data from said plurality of images, said temporal data being calculated from a periodic signal of each image taken over a moving time window, - applying said first database and said second database as input to a machine learning model, - the execution of said machine learning model, - the establishment of a classification by said machine learning model as to the presence/absence of a living being, - based on said classification, the transmission of corresponding information to a management unit.
  • the detection method is based on the introduction of a temporal characteristic.
  • This temporal characteristic takes into account the changes of the radar images over time.
  • the objective is to have a characteristic that reflects any periodic or oscillatory pattern of a signal (e.g. respiratory) and to use it to improve the accuracy of the detection.
  • a signal e.g. respiratory
  • One of the advantages over conventional detection methods is that this characteristic is not used alone but combined with other characteristics based on a single radar image and, therefore, the final decision does not depend solely on a single characteristic as in the case of conventional detection methods.
  • said detection method may further comprise one or more additional characteristics taken alone or in all technically possible combinations, among the following.
  • the instantaneous data are: - average values of said position and/or said power and/or said speed of said data of each image, or - variances of said data of each image.
  • said machine learning model is a supervised model.
  • said supervised model is a support vector machine or a random forest.
  • said periodic signal is a breath or a heartbeat.
  • said living being is of the adult, child, or animal type.
  • said time window is approximately five seconds.
  • the time data is a maximum power or a phase variation of said periodic signal.
  • the construction of said second database comprises: - buffering the time data to obtain a plurality of time values, - the removal of the continuous component of said time values, - applying a Fourier Transform to said time values to obtain frequency values, - from said frequency values, the extraction of a maximum value in a given frequency range.
  • said given frequency range is a breathing frequency range or a heartbeat frequency range.
  • the construction of said second database further comprises the normalization of said frequency values before said extraction of said maximum value.
  • said plurality of images is obtained from waves received by a wave emission/reception entity of a sensor.
  • said moving time window is three images per second.
  • said detection method is a method of detecting a living being inside a vehicle.
  • the data series is a series of points.
  • the images are images acquired inside a vehicle.
  • said periodic signal is representative of a type of living being.
  • the senor is a radar sensor.
  • the images are radar images.
  • the moving time window has the same duration as the time window.
  • a system for detecting a living being characterized in that said detection system comprises: - (a) a sensor configured to acquire a plurality of images in a time window, each image comprising a series of data with which a position, a power and a speed are associated, - (b) a processing unit configured to: - constructing a first database of instantaneous data from the plurality of images, said instantaneous data being based on said position, said power and said speed of each data of each image acquired in said time window, - constructing a second database of temporal data from said plurality of images, said temporal data being calculated from a periodic signal of each image taken over a moving time window, - applying said first database and said database as input to a machine learning model, - run said machine learning model, - (c) said machine learning model configured to be executed and establish a classification as to the presence/absence of a living being, - said processing unit being further configured to, depending on said classification, transmit corresponding information to a management
  • FIG. 1 illustrates a non-limiting example of a radar image acquired by a radar image acquisition step of the radar detection method. , said radar image comprising a plurality of points,
  • FIG. 1 illustrates a first graph which illustrates a phase variation of a periodic signal corresponding to the breathing or heartbeat of a living being and a second graph which illustrates noise in the absence of a living being, according to a non-limiting embodiment
  • FIG. 1 illustrates a first graph that illustrates a power level of a periodic signal corresponding to a child's breathing, and a second graph that illustrates a power level of a water bottle, according to a non-limiting embodiment
  • FIG. 1 illustrates a system for detecting a living being configured to implement the method of detecting the , according to a non-limiting embodiment.
  • the method 1 for detecting a living being o is described with reference to FIGS. 1 to 7.
  • the living being o is located in a passenger compartment 20 of a vehicle 2, namely inside the vehicle 2.
  • This non-limiting embodiment is taken in the remainder of the description.
  • the living being o is located on a back seat in a non-limiting example.
  • the detection method 1 makes it possible in particular to detect a living being o in a vehicle 2.
  • the vehicle 2 is a motor vehicle.
  • motor vehicle we mean any type of motorized vehicle.
  • This embodiment is taken as a non-limiting example in the remainder of the description. In the remainder of the description, the vehicle 2 is thus otherwise called motor vehicle 2.
  • the detection method 1 comprises the following steps.
  • a plurality of images I are acquired by a sensor 21 in a time window w.
  • the sensor 21 is a radar sensor.
  • the images I are therefore in this case radar images I.
  • the time window w is approximately five seconds. It is less than 10 seconds according to the EuroNCAP specification for the automotive application.
  • each radar image I comprises a series of data p with which a position Po, a power Pu and a speed v are associated.
  • the position Po is defined by the Cartesian parameters x, y and z or by the parameters of radius (or distance), azimuth and elevation.
  • the data p are points. This non-limiting embodiment is taken as a non-limiting example in the remainder of the description. It will be noted that the acquisition (in milliseconds) of a single radar image is done in an acquisition window called a "frame" in English.
  • the plurality of radar images I are obtained from radar waves r' received by a radar wave transmitting/receiving entity 210 of the radar sensor 21 configured to transmit radar waves r (which are millimeter waves) and receive in return radar waves r' (which are millimeter waves) which have reflected on a target object, such as a living being o.
  • a Fourier Transform FFT is applied by a processing unit (not shown) of the radar sensor 21 to calculate the reflection distances on the target object, for example according to a time of flight algorithm known to those skilled in the art (“Time Of Flight” in English). This process known to those skilled in the art is called “Range Processing” in English. It is not shown in the figures.
  • the processing unit of the radar sensor 21 calculates peaks of the reflection distances by removing the peaks that have not moved over the time window w. This process known to those skilled in the art is called “Clutter Removal” in English. It is not illustrated in the figures.
  • the radar images I are images acquired inside the motor vehicle 2, namely in its passenger compartment 20.
  • a first database DS of instantaneous data Fi is constructed by a processing unit 4 from the plurality of radar images I.
  • the instantaneous data Fi (otherwise called instantaneous characteristics Fi) are based on the position Po, the power Pu and/or the speed v of each point p of each radar image I acquired in said time window w.
  • the instantaneous data Fi are: - the average values of the position data Po, power Pu and speed v of the points p of each radar image I, - the variances Va of the position data Po, power Pu and speed v of the points p of each radar image I.
  • temporal data Ft are used as described below. The idea of using temporal data Ft (otherwise called temporal characteristics Ft) comes from the fact that a radar image I of a target object, here a living being o, can show periodic patterns, in particular in the case of respiration or heart rate. The temporal data Ft are thus calculated from a periodic signal S. In non-limiting embodiments, the periodic signal S is thus a respiration or a heart rate (corresponding to heartbeats).
  • the periodic signal S illustrated in drawing (a) of the illustrates a periodic diagram of the Ph phase of a living being, here an adult, over a moving time window w'.
  • the signal emitted in an emission window called "Chirp” in English, the emission being done periodically and on the ordinate is represented the phase Ph in degrees (°).
  • the emission "Chirps" (in microseconds) are used to construct the radar image I of each acquisition window. In an acquisition window, there are several emission "Chirps”.
  • a similar periodic pattern can be extracted from the variation of power over time that is due to the periodic movement of breathing or heart rate of a living being o. Indeed, the power changes periodically due to the back and forth movement of breathing or heart rate of the living being o that moves closer to and away from the radar wave transmitting/receiving entity 210 of the radar sensor 21.
  • Drawing (a) of the illustrates a non-limiting example of a child in different positions inside the motor vehicle 2, the different positions pos1, pos2, pos3, pos4, pos5, pos6 being illustrated by different gray colors.
  • the diagram is compared to a true negative diagram (drawing (b)) which uses a water bottle which is shaken in the motor vehicle 2, these different positions pos1', pos2', pos3', pos4', pos5', pos6' also being illustrated by different gray colors.
  • the maximum power Pk of the radar image I On the abscissa is shown the maximum power Pk of the radar image I .
  • the number of radar images I is represented on the ordinate.
  • the drawing (a) illustrates the variation in power of a periodic signal S on a moving window w' corresponding to the breathing or a heartbeat of a living being o which is here a child, at different positions here in the passenger compartment 20 of the motor vehicle 2.
  • the drawing (b) thus illustrates the variation in power of an inert object, here a bottle of water, at different positions here in the passenger compartment 20 of the motor vehicle 2.
  • the power levels are similar in both cases, but the variation is different in time, namely the periodic pattern.
  • a second database DS’ of temporal data Ft is constructed by the processing unit 4 from the plurality of radar images I.
  • the temporal data Ft are calculated from a periodic signal S of each radar image I recorded on the moving time window w’.
  • a moving time window w’ there will thus be a periodic signal S of several radar images I.
  • the moving time window w’ has the same duration as the time window w.
  • the moving time window w’ is three radar images I per second. This makes it possible to have a variation of the temporal data Ft over time sufficient to be able to differentiate cases of true positives (living being o) from cases of true negatives (inert object in motion).
  • step E3 can be performed in parallel with step E2 or before step E2.
  • the time data Ft are a maximum power Pmax or a phase variation ⁇ of said periodic signal S.
  • the construction of the second database DS' comprises: - in a sub-step E30, placing the time data Ft in a buffer memory B to obtain a plurality of time values Vt, - in a sub-step E31, the removal of the continuous component DC of said time values Vt, - in a sub-step E32, the application of a Fourier Transform FFT on said time values Vt to obtain frequency values Vf, - in a sub-step E34, from said frequency values Vf, the extraction of a maximum value Max in a given frequency range I_Bth.
  • the maximum power information Pmax or phase variation ⁇ is calculated according to a history using the moving time window w’.
  • the buffer B has a size for ten radar images I, which corresponds to approximately three seconds if the moving time window w’ is three radar images I per second.
  • the application of the Fourier Transform FFT allows to move from the time domain to the frequency domain.
  • the given frequency range I_Bth is a breathing frequency range or a heartbeat frequency range.
  • the maximum value Max is a power.
  • the frequency of the maximum value Max represents the frequency and therefore the periodicity of the maximum power Pmax or of the phase variation ⁇ seen previously.
  • the construction of said second database DS' further comprises: - in a sub-step E33, the normalization Norm of said frequency values Vf before said extraction of said maximum value Max. This makes the calculations simpler.
  • the normalization process being known to those skilled in the art, it is not described here.
  • a normalized frequency value equal to 0.5. This value makes it possible to start on a neutral value which does not indicate whether we have a living or inert object. It should be noted that a normalized frequency value equal to 0 corresponds to an inert object (something which therefore does not breathe).
  • a step E4 the first database DS and the second database DS’ are applied by the processing unit 4 as input to a machine learning model ML.
  • ML machine learning model
  • the ML machine learning model is a supervised model.
  • the supervised model is a support vector machine or a random forest. Since the operation of these supervised models is known to those skilled in the art, they are not described here.
  • a step E5 the ML machine learning model is executed.
  • the machine learning model ML establishes a classification Cl as to the presence/absence of a living being o.
  • the periodic signal S is in particular representative of a type of living being o.
  • the type of living being o comprises that of a child, that of an adult, or that of an animal. Consequently, the temporal data Ft which are calculated from the periodic signal S and which are used as input to the machine learning model ML are also representative of the type of living being o.
  • the machine learning model ML in a non-limiting embodiment, there will be a classification Cl associated with the radar images I taken inside the motor vehicle 2 which will indicate whether they correspond to a living being o or not and if so, to what type (adult, child, animal).
  • the ML machine learning model will have been previously trained with at least one instantaneous database Fi (different from the first database DS) of true positive cases and true negative cases and labels associated with the associated true positive cases and true negative cases, and a temporal database Ft (different from the second database DS’) of true positive cases and true negative cases and labels associated with the associated true positive cases and true negative cases.
  • the temporal data Ft make it possible to differentiate a living being o from an inert object but also the type of living being o (adult, child, animal) because the periodic patterns (breathing or heart rate) represented by the periodic signals S are different for these different types of living being o.
  • the processing unit 4 transmits corresponding information D (absence/presence of a living being o) to a management unit ECU.
  • the management unit ECU is an electronic control unit 2 of the motor vehicle 2.
  • the ECU management unit can trigger an alarm to warn that there is a living being o in the motor vehicle 2.
  • the method of detecting 1 a living being o is implemented by a detection system Sys of a living being o illustrated in the .
  • the detection system Sys comprises a radar sensor 21 configured to acquire a plurality of radar images I in a time window w, each radar image I comprising a series of points p with which are associated a position Po, a power Pu and a speed v (illustrated function f21(21, I, (p(Po, Pu, v), w)).
  • the radar sensor 21 comprises a radar wave transmitting/receiving entity 210.
  • the radar wave transmitting/receiving entity 210 comprises as illustrated in the : - two 2100 transmitting antennas configured to transmit radar waves r, - three receiving antennas 2110 configured to receive in return radar waves r' which have been reflected on a target object, such as a living being o.
  • the detection system Sys further comprises a processing unit 4 configured to: - constructing a first database DS of instantaneous data Fi from the plurality of radar images I, said instantaneous data Fi being based on said position Po, said power Pu and said speed v of each point p of each radar image I acquired in said time window w (illustrated function f41(4, DS, Fi(I)), - constructing a second database DS' of temporal data Ft from the plurality of radar images I, the temporal data Ft being calculated from a periodic signal S of each radar image I taken over a moving time window w' (illustrated function f42(4, DS', Ft(S)), - apply this first DS database and this second DS' database as input to a ML machine learning model (illustrated function f43(4, DS, DS', ML)), - run said ML machine learning model (illustrated function f44(4, ML)).
  • a processing unit 4 configured to:
  • the processing unit 4 is further configured to, depending on said classification Cl, transmit corresponding information D to a management unit ECU (illustrated function f45(4, ECU, D(Cl))).
  • a management unit ECU illustrated function f45(4, ECU, D(Cl)
  • the Sys detection system further comprises said ML machine learning model which is configured to: - receive as input the data Fi, Ft respectively from the first database DS and the second database (illustrated function f51(ML, DS, DS')), - be executed (illustrated function f52(ML)), - establish a classification Cl as to the presence/absence of a living being o (illustrated function f53(ML, Cl, S(o)).
  • the description of the invention is not limited to the embodiments described above and to the field described above.
  • the detection method 1 can be applied for monitoring the breathing or heart rate of elderly people in hospitals.
  • the management unit ECU is an electronic control unit of a medical monitoring device.
  • the management unit ECU can trigger an alarm to warn that the living being o is no longer breathing or that its heart is no longer beating.
  • the radar image I is a thermal map.
  • the sensor 21 is an ultrasonic sensor.
  • the invention described presents in particular the following advantages: - it allows for more reliable and more precise detection of living beings, - it allows to identify the type of living being o, - the combination of instantaneous data Fi with temporal data Ft makes it possible to improve the detection of true positive cases and to reduce the cases of true negatives and thus to have a differentiation between a living being o and an inert object more robust; the detection method 1 is thus more robust. Thus, the detection rate and the robustness with respect to false alarms are improved.

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Cardiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Physiology (AREA)
  • Human Computer Interaction (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

L'invention concerne un procédé de détection d'un être vivant, caractérisé en ce qu'il comprend : - l'acquisition d'une pluralité d'images dans une fenêtre temporelle, chaque image comprenant une série de données auxquelles sont associées une position, une puissance et une vitesse, - la construction d'une première base de données de données instantanées à partir de la pluralité d'images, lesdites données instantanées étant basées sur ladite position, ladite puissance et ladite vitesse de chaque donnée de chaque image acquise dans ladite fenêtre temporelle, - la construction d'une deuxième base de données de données temporelles à partir de ladite pluralité d'images, lesdites données temporelles étant calculées à partir d'un signal périodique de chaque image relevé sur une fenêtre de temps mouvante, - l'application de ladite première base de données et de ladite deuxième base de données en entrée d'un modèle d'apprentissage automatique, - l'exécution dudit modèle d'apprentissage automatique, - l'établissement d'une classification par ledit modèle d'apprentissage automatique quant à la présence/absence d'un être vivant, - en fonction de ladite classification, la transmission d'une information correspondante à une unité de gestion.

Description

Procédé de détection d’un être vivant
La présente invention se rapporte à un procédé de détection d’un être vivant. Elle trouve une application particulière mais non limitative dans les véhicules automobiles.
Dans le domaine des véhicules automobiles, un procédé de détection d’un être vivant à l’intérieur d’un véhicule connu de l’homme du métier comprend l'analyse de la fréquence respiratoire à partir de la variation d’un signal de puissance ou de phase dans le temps et la comparaison avec un modèle respiratoire d’un être vivant. Cela permet notamment de déclencher un système d’alarme quand un occupant, notamment un enfant, est oublié dans le véhicule.
Un inconvénient de cet état de la technique est que la dépendance à un modèle de signal respiratoire clair peut être masqué par tout mouvement du corps de l’être vivant. Par ailleurs, les modèles de mouvement du corps des êtres vivants sont difficiles à modéliser en raison de leur variabilité et les algorithmes de détection utilisés sont généralement basés sur une simple vérification du ratio signal sur bruit pour détecter les mouvements des êtres vivants à forte énergie (à savoir avec un fort ratio signal sur bruit). Or, ce type de détections peut être confondu avec des effets externes (vibrations du véhicule, secousses du véhicule …) qui génèrent une énergie comparable avec un mouvement d’un être vivant et peuvent facilement conduire à des fausses alarmes, appelées cas vrais négatifs.
Dans ce contexte, la présente invention vise à proposer un procédé de détection d’un être vivant qui permet de résoudre l’inconvénient mentionné.
A cet effet, l’invention propose un procédé de détection d’un être vivant , caractérisé en ce que ledit procédé de détection comprend :
- l’acquisition d’une pluralité d’images dans une fenêtre temporelle, chaque image comprenant une série de données auxquelles sont associées une position, une puissance et une vitesse,
- la construction d’une première base de données de données instantanées à partir de la pluralité d’images, lesdites données instantanées étant basées sur ladite position, ladite puissance et ladite vitesse de chaque donnée de chaque image acquise dans ladite fenêtre temporelle,
- la construction d’une deuxième base de données de données temporelles à partir de ladite pluralité d’images, lesdites données temporelles étant calculées à partir d’un signal périodique de chaque image relevé sur une fenêtre de temps mouvante,
- l’application de ladite première base de données et de ladite deuxième base de données en entrée d’un modèle d’apprentissage automatique,
- l’exécution dudit modèle d’apprentissage automatique,
- l’établissement d’une classification par ledit modèle d’apprentissage automatique quant à la présence/absence d’un être vivant,
- en fonction de ladite classification, la transmission d’une information correspondante à une unité de gestion.
Ainsi, comme on le verra en détail par la suite, le procédé de détection repose sur l’introduction d’une caractéristique temporelle. Cette caractéristique temporelle prend en comptes les changements des images radars dans le temps. L’objectif est d’avoir une caractéristique qui reflète tout modèle périodique ou d’oscillation d’un signal (respiratoire par exemple) et de l’utiliser pour améliorer la précision de la détection. Un des avantages par rapport aux procédés de détection classiques est que cette caractéristique n’est pas utilisée seule mais combinée à d’autres caractéristiques basées sur une seule image radar et, par conséquent, la décision finale ne dépend pas uniquement d’une caractéristique unique comme dans le cas des procédés de détection classiques.
Selon des modes de réalisation non limitatifs, ledit procédé de détection peut comporter en outre une ou plusieurs caractéristiques supplémentaires prises seules ou selon toutes les combinaisons techniquement possibles, parmi les suivantes.
Selon un mode de réalisation non limitatif, les données instantanées sont :
- des valeurs moyennes de ladite position et/ou de ladite puissance et/ou de ladite vitesse desdites données de chaque image, ou
- des variances desdites données de chaque image.
Selon un mode de réalisation non limitatif, ledit modèle d’apprentissage automatique est un modèle supervisé.
Selon un mode de réalisation non limitatif, ledit modèle supervisé est une machine à vecteurs de support ou une forêt aléatoire.
Selon un mode de réalisation non limitatif, ledit signal périodique est une respiration ou un battement de cœur.
Selon un mode de réalisation non limitatif, ledit être vivant est de type adulte, enfant, ou animal.
Selon un mode de réalisation non limitatif, ladite fenêtre temporelle est d’environ cinq secondes.
Selon un mode de réalisation non limitatif, les données temporelles sont une puissance maximum ou une variation de phase dudit signal périodique.
Selon un mode de réalisation non limitatif, la construction de ladite deuxième base de données comprend :
- la mise dans une mémoire tampon des données temporelles pour obtenir une pluralité de valeurs temporelles,
- la suppression de la composante continue desdites valeurs temporelles,
- l’application d’une Transformée de Fourier sur lesdites valeurs temporelles pour obtenir des valeurs fréquentielles,
- à partir desdites valeurs fréquentielles, l’extraction d’une valeur maximum dans une plage de fréquences donnée.
Selon un mode de réalisation non limitatif, ladite plage de fréquences donnée est une plage de fréquences de respiration ou une plage de fréquences de battements de cœur.
Selon un mode de réalisation non limitatif, la construction de ladite deuxième base de données comprend en outre  la normalisation desdites valeurs fréquentielles avant ladite extraction de ladite valeur maximum.
Selon un mode de réalisation non limitatif, ladite pluralité d’images est obtenue à partir d’ondes reçues par une entité d’émission/réception d’ondes d’un capteur.
Selon un mode de réalisation non limitatif, ladite fenêtre de temps mouvante est de trois images par seconde.
Selon un mode de réalisation non limitatif, ledit procédé de détection est un procédé de détection d’un être vivant à l’intérieur d’un véhicule.
Selon un mode de réalisation non limitatif, la série de données est une série de points.
Selon un mode de réalisation non limitatif, les images sont des images acquises à l’intérieur d’un véhicule.
Selon un mode de réalisation non limitatif, ledit signal périodique est représentatif d’un type d’être vivant.
Selon un mode de réalisation non limitatif, le capteur est un capteur radar.
Selon un mode de réalisation non limitatif, les images sont des images radar.
Selon un mode de réalisation non limitatif, la fenêtre de temps mouvante à la même durée que la fenêtre temporelle.
Il est en outre proposé un système de détection d’un être vivant, caractérisé en ce que ledit système de détection comprend :
- (a) un capteur configuré pour acquérir une pluralité d’images dans une fenêtre temporelle, chaque image comprenant une série de données auxquelles sont associées une position, une puissance et une vitesse,
- (b) une unité de traitement configurée pour :
- construire une première base de données de données instantanées à partir de la pluralité d’images, lesdites données instantanées étant basées sur ladite position, ladite puissance et ladite vitesse de chaque donnée de chaque image acquise dans ladite fenêtre temporelle,
- construire une deuxième base de données de données temporelles à partir de ladite pluralité d’images, lesdites données temporelles étant calculées à partir d’un signal périodique de chaque image relevé sur une fenêtre de temps mouvante,
- appliquer ladite première base de données et ladite base de données en entrée d’un modèle d’apprentissage automatique,
- exécuter ledit modèle d’apprentissage automatique,
- (c) ledit modèle d’apprentissage automatique configuré pour être exécuté et établir une classification quant à la présence/absence d’un être vivant,
- ladite unité de traitement étant en outre configurée pour en fonction de ladite classification, transmettre une information correspondante à une unité de gestion.
L’invention et ses différentes applications seront mieux comprises à la lecture de la description qui suit et à l’examen des figures qui l’accompagnent :
illustre un schéma d’un procédé de détection d’un être vivant, selon un mode de réalisation non limitatif de l’invention,
illustre un exemple non limitatif d’une image radar acquise par une étape d’acquisition d’images radar du procédé de détection de la , ladite image radar comprenant une pluralité de points,
illustre un premier graphe qui illustre une variation en phase d’un signal périodique correspondant à la respiration ou au battement de cœur d’un être vivant et un deuxième graphe qui illustre du bruit en l’absence d’être vivant, selon un mode de réalisation non limitatif,
illustre un premier graphe qui illustre un niveau de puissance d’un signal périodique correspondant à la respiration d’un enfant, et un deuxième graphe qui illustre un niveau de puissance d’une bouteille d’eau, selon un mode de réalisation non limitatif,
illustre un spectre du premier graphe de la , selon un mode de réalisation non limitatif,
illustre un spectre du deuxième graphe de la , selon un mode de réalisation non limitatif,
illustre un schéma d’une étape de construction d’une base de données temporelles dudit procédé de détection de la , selon un mode de réalisation non limitatif,
illustre un système de détection d’un être vivant configuré pour mettre en œuvre le procédé de détection de la , selon un mode de réalisation non limitatif.
Les éléments identiques, par structure ou par fonction, apparaissant sur différentes figures conservent, sauf précision contraire, les mêmes références.
Le procédé de détection 1 d’un être vivant o selon l’invention est décrit en référence aux figures 1 à 7. Dans un mode de réalisation non limitatif, l’être vivant o se trouve dans un habitacle 20 d’un véhicule 2, à savoir à l’intérieur du véhicule 2. Ce mode de réalisation non limitatif est pris dans la suite de la description. Sur la , l’être vivant o se trouve sur un siège arrière dans un exemple non limitatif. Ainsi, le procédé de détection 1 permet notamment de détecter un être vivant o dans un véhicule 2. Dans un mode de réalisation non limitatif, le véhicule 2 est un véhicule automobile. Par véhicule automobile, on entend tout type de véhicule motorisé. Ce mode de réalisation est pris comme exemple non limitatif dans la suite de la description. Dans la suite de la description, le véhicule 2 est ainsi autrement appelé véhicule automobile 2.
Tel qu’illustré sur la , le procédé de détection 1 comprend les étapes suivantes.
Dans une étape E1, une pluralité d’images I est acquise par un capteur 21 dans une fenêtre temporelle w. Dans un mode de réalisation non limitatif, le capteur 21 est un capteur radar. Les images I sont donc dans ce cas des images radar I. Ce mode de réalisation non limitatif est pris comme exemple non limitatif dans la suite de la description. Dans un mode de réalisation non limitatif, la fenêtre temporelle w est d’environ cinq secondes. Elle est inférieure à 10 secondes selon la spécification EuroNCAP pour l’application automobile. Tel qu’illustré sur la , chaque image radar I comprend une série de données p auxquelles sont associées une position Po, une puissance Pu et une vitesse v. La position Po est définie par les paramètres cartésiens x, y et z ou par les paramètres de rayon (ou distance), azimut et élévation. Dans un mode de réalisation non limitatif, les données p sont des points. Ce mode de réalisation non limitatif est pris comme exemple non limitatif dans la suite de la description. On notera que l’acquisition (en millisecondes) d’une seule image radar se fait dans une fenêtre d’acquisition dite « frame » en anglais.
La pluralité d’images radar I est obtenue à partir d’ondes radar r’ reçues par une entité d’émission/réception d’ondes radar 210 du capteur radar 21 configurée pour émettre des ondes radar r (qui sont des ondes millimétriques) et recevoir en retour des ondes radar r’ (qui sont des ondes millimétriques) qui se sont réfléchies sur un objet cible, tel qu’un être vivant o.
A partir des ondes radar r’, une Transformée de Fourier FFT est appliquée par une unité de traitement (non illustrée) du capteur radar 21 pour calculer les distances de réflexion sur l’objet cible, par exemple selon un algorithme de temps de vol connu de l’homme du métier (« Time Of Flight » en anglais). Ce processus connu de l’homme du métier est appelé en anglais « Range Processing ». Il n’est pas illustré dans les figures.
A partir des données obtenues par la Transformée de Fourier, l’unité de traitement du capteur radar 21 calcule des pics des distances de réflexion en supprimant les pics qui n’ont pas bougé sur la fenêtre temporelle w. Ce processus connu de l’homme du métier est appelé « Clutter Removal » en anglais. Il n’est pas illustré dans les figures.
On obtient ainsi une image radar I avec des points p et les informations sur ces points p, à savoir leur position Po, leur puissance Pu et/ou leur vitesse v.
Dans le cadre de l’application véhicule, les images radar I sont des images acquises à l’intérieur du véhicule automobile 2, à savoir dans son habitacle 20.
Dans une étape E2, une première base de données DS de données instantanées Fi est construite par une unité de traitement 4 à partir de la pluralité d’images radar I. Les données instantanées Fi (autrement appelées caractéristiques instantanées Fi) sont basées sur la position Po, la puissance Pu et/ou la vitesse v de chaque point p de chaque image radar I acquise dans ladite fenêtre temporelle w.  
Dans des modes de réalisation non limitatifs, les données instantanées Fi sont :
- les valeurs moyennes des données position Po, puissance Pu et vitesse v des points p de chaque image radar I,
- les variances Va des données position Po, puissance Pu et vitesse v des points p de chaque image radar I.
Outre des données instantanées Fi, des données temporelles Ft sont utilisées comme décrit ci-après. L’idée d’utiliser des données temporelles Ft (autrement appelées caractéristiques temporelles Ft) vient du fait qu’une image radar I d’un objet cible, ici un être vivant o, peut montrer des schémas périodiques, en particulier dans le cas de la respiration ou du rythme cardiaque. Les données temporelles Ft sont calculées ainsi à partir d’un signal périodique S. Dans des modes de réalisation non limitatifs, le signal périodique S est ainsi une respiration ou un rythme cardiaque (correspondant à des battements du cœur).
Ces schémas périodiques peuvent être détectés dans la phase Ph du signal reçu par le capteur radar 21 comme le montre le dessin (a) de la qui est comparé à un environnement vide (ici l’habitacle 20 du véhicule automobile 2) dans le dessin (b) de la . Le signal périodique S illustré sur le dessin (a) de la illustre un schéma périodique de la phase Ph d’un être vivant, ici un adulte, sur une fenêtre de temps mouvante w’. Sur la , en abscisse est représenté le signal émis dans une fenêtre d’émission appelé « Chirp » en anglais, l’émission se faisant de façon périodique  et en ordonnée est représenté la phase Ph en degrés (°). Les « Chirp » d’émission (en microsecondes) permettent de construire l’image radar I de chaque fenêtre d’acquisition. Dans une fenêtre d’acquisition, il y a plusieurs « Chirp » d’émission.
Un même schéma périodique peut être extrait de la variation de la puissance dans le temps qui est due au mouvement périodique de la respiration ou du rythme cardiaque  d’un être vivant o. En effet, la puissance change périodiquement en raison du mouvement de va et vient de la respiration ou du rythme cardiaque de l’être vivant o qui se rapproche et qui s’éloigne de l’entité d’émission/réception d’ondes radar 210 du capteur radar 21.
Le dessin (a) de la illustre un exemple non limitatif d’un enfant dans différentes positions à l’intérieur du véhicule automobile 2, les différentes positions pos1, pos2, pos3, pos4, pos5, pos6 étant illustrées par des couleurs grisées différentes. Le schéma est comparé à un schéma de vrai négatif (dessin (b)) qui utilise une bouteille d’eau qui est secouée dans le véhicule automobile 2, ces différentes positions pos1’, pos2’, pos3’, pos4’, pos5’, pos6’ étant illustrées également par des couleurs grisées différentes. En abscisse est représenté la puissance maximale Pk de l’image radar I . En ordonnée est représenté le nombre d’images radar I. Le dessin (a) illustre la variation de puissance d’un signal périodique S sur une fenêtre mouvante w’ correspondant à la respiration ou un battement de cœur d’un être vivant o qui est ici un enfant, à différentes positions ici dans l’habitacle 20 du véhicule automobile 2. Le dessin (b) illustre ainsi la variation de puissance d’un objet inerte, ici d’une bouteille d’eau, à différentes positions ici dans l’habitacle 20 du véhicule automobile 2. Comme on peut le voir, les niveaux de puissances sont similaires dans les deux cas, mais la variation est différente dans le temps, à savoir le schéma périodique.
Ainsi, dans une étape E3, une deuxième base de données DS’ de données temporelles Ft est construite par l’unité de traitement 4 à partir de la pluralité d’images radar I. Les données temporelles Ft sont calculées à partir d’un signal périodique S de chaque image radar I relevé sur la fenêtre de temps mouvante w’. Dans une fenêtre de temps mouvante w’, on aura ainsi un signal périodique S de plusieurs images radar I. On notera que la fenêtre de temps mouvante w’ a la même durée que la fenêtre temporelle w.
Dans un mode de réalisation non limitatif, la fenêtre de temps mouvante w’ est de trois images radar I par seconde. Cela permet d’avoir une variation de la donnée temporelle Ft dans le temps suffisante pour pouvoir différencier des cas de vrais positifs (être vivant o) de cas de vrais négatifs (objet inerte en mouvement).
On notera que l’étape E3 peut être effectuée parallèlement à l’étape E2 ou avant l’étape E2.
Dans un mode de réalisation non limitatif, les données temporelles Ft sont une puissance maximum Pmax ou une variation de phase Δ dudit signal périodique S.
Tel qu’illustré sur la , dans un mode de réalisation non limitatif, la construction de la deuxième base de données DS’ comprend :
- dans une sous-étape E30, la mise dans une mémoire tampon B des données temporelles Ft pour obtenir une pluralité de valeurs temporelles Vt,
- dans une sous-étape E31, la suppression de la composante continue DC desdites valeurs temporelles Vt,
- dans une sous-étape E32, l’application d’une Transformée de Fourier FFT sur lesdites valeurs temporelles Vt pour obtenir des valeurs fréquentielles Vf,
- dans une sous-étape E34, à partir desdites valeurs fréquentielles Vf, l’extraction d’une valeur maximum Max dans une plage de fréquences donnée I_Bth.
Ainsi, pour chaque image radar I, l’information puissance maximum Pmax ou variation de phase Δ est calculée selon un historique grâce à la fenêtre de temps mouvante w’.
Dans un mode de réalisation non limitatif, la mémoire tampon B possède une taille pour dix images radar I, ce qui correspond à environ trois secondes si la fenêtre de temps mouvante w’ est de trois images radar I par seconde.
L’application de la Transformée de Fourier FFT permet de passer du domaine temporel au domaine fréquentiel.
Ainsi, on stocke le signal instantané (variation de phase ou puissance maximum) de chaque fenêtre d’acquisition (« frame ») pour un certain nombre de frames dans la fenêtre de temps mouvante w’, et on calcule la périodicité en faisant une analyse fréquentielle de ce signal stocké.
On notera que la suppression de la composante continue DC permet d’enlever la valeur moyenne du signal périodique S et de ne garder que le signal sinusoïdal. Le processus de suppression d’une composante continue DC étant connu de l’homme du métier, il n’est pas décrit ici.
Dans des modes de réalisation non limitatifs, la plage de fréquences donnée I_Bth est une plage de fréquences de respiration ou une plage de fréquences de battements de cœur.
Autrement dit, pour chaque image radar I, on extrait la valeur maximum Max que l’on trouve sur l’ensemble des harmoniques de la plage de fréquences donnée I_Bth. La valeur maximum Max est une puissance. La fréquence de la valeur maximum Max représente la fréquence donc la périodicité de la puissance maximum Pmax ou de la variation de phase Δ vues précédemment.
Dans un mode de réalisation non limitatif illustré, la construction de ladite deuxième base de données DS’ comprend en outre :
- dans une sous-étape E33, la normalisation Norm desdites valeurs fréquentielles Vf avant ladite extraction de ladite valeur maximum Max. Cela permet de rendre les calculs plus simples. Le processus de normalisation étant connu de l’homme du métier, il n’est pas décrit ici.
Pour lancer l’exécution du modèle d’apprentissage automatique ML (décrit plus loin), il faut attendre que la mémoire tampon B soit remplie avec les données temporelles Ft. Aussi, dans un mode de réalisation non limitatif, on a une valeur fréquentielle normalisée égale à 0.5. Cette valeur permet de démarrer sur une valeur neutre qui n’indique pas si on a un objet vivant ou inerte. On notera qu’une valeur fréquentielle normalisée égale à 0 correspond à un objet inerte (quelque chose qui ne respire donc pas).
La illustre un exemple non limitatif de normalisation du premier graphe (dessin (a)) de la . En abscisse on trouve la bande de fréquence de la respiration en Bpm et en ordonnée la puissance Pk. La met en évidence la différence dans le cas d’un enfant et d’une bouteille d’eau dont la normalisation (du deuxième graphe (dessin (b) de la ) est illustrée sur la . Comme on peut le voir, la valeur la plus élevée Max dans la bande de fréquence de respiration I_Bth dans le cas d’un enfant est d’environ 1, alors que pour une bouteille d’eau, elle est d’environ 0.2.
Dans une étape E4, la première base de données DS et la deuxième base de données DS’ sont appliquées par l’unité de traitement 4 en entrée d’un modèle d’apprentissage automatique ML. Ainsi, on aura une première entrée avec toutes les données instantanées Fi (de l’ensemble des points p de l’image radar I) acquises dans la fenêtre temporelle w, et une deuxième entrée avec toutes les données temporelles Ft qui ont été accumulées dans la mémoire tampon B, à savoir toutes les données temporelles Ft de tous les signaux périodiques S de chaque image radar I acquise sur la fenêtre de temps mouvante w’.
Dans un mode de réalisation non limitatif, le modèle d’apprentissage automatique ML est un modèle supervisé. Dans des variantes de réalisation non limitatives, le modèle supervisé est une machine à vecteurs de support ou une forêt aléatoire. Le fonctionnement de ces modèles supervisés étant connu de l’homme du métier, ils ne sont pas décrits ici.
Dans une étape E5, le modèle d’apprentissage automatique ML est exécuté.
Dans une étape E6, le modèle d’apprentissage automatique ML établit une classification Cl quant à la présence/absence d’un être vivant o. On notera que le signal périodique S est en particulier représentatif d’un type d’être vivant o. Dans des modes de réalisation non limitatifs, le type d’être vivant o comprend celui d’un enfant, celui d’un adulte, ou celui d’un animal. Par conséquent, les données temporelles Ft qui sont calculées à partir du signal périodique S et qui sont utilisées en entrée du modèle d’apprentissage automatique ML sont représentatives également du type d’être vivant o. Ainsi, en sortie du modèle d’apprentissage automatique ML, dans un mode de réalisation non limitatif, on aura une classification Cl associée aux images radar I prises à l’intérieur du véhicule automobile 2 qui indiquera si elles correspondent à un être vivant o ou non et dans l’affirmative à quel type (adulte, enfant, animal).
On notera que le modèle d’apprentissage automatique ML aura au préalable été entrainé avec au moins une base de données instantanées Fi (différente de la première base de données DS) de cas vrais positifs et de cas vrais négatifs et des labels associés aux cas vrais positifs et aux cas vrais négatifs associés, et une base de données temporelles Ft (différente de la deuxième base de données DS’) de cas vrais positifs et de cas vrais négatifs associés et des labels associés aux cas vrais positifs et aux cas vrais négatifs associés.
Ainsi, les données temporelles Ft permettent de différencier un être vivant o d’un objet inerte mais également le type d’être vivant o (adulte, enfant, animal) car les schémas périodiques (de respiration ou rythme cardiaque) représentés par les signaux périodiques S sont différents pour ces différents types d’être vivants o.
Dans une étape E7, en fonction de la classification Cl, l’unité de traitement 4 transmet une information correspondante D (absence/présence d’un être vivant o) à une unité de gestion ECU. Dans un mode de réalisation non limitatif, l’unité de gestion ECU est une unité de contrôle électronique 2 du véhicule automobile 2.
En fonction de la décision D, dans un mode de réalisation non limitatif, l’unité de gestion ECU peut déclencher une alarme pour avertir qu’il y a un être vivant o dans le véhicule automobile 2.
Ainsi, le procédé de détection 1 d’un être vivant o est mis en œuvre par un système de détection Sys d’un être vivant o illustré sur la .
Le système de détection Sys comprend un capteur radar 21 configuré pour acquérir une pluralité d’images radar I dans une fenêtre temporelle w, chaque image radar I comprenant une série de points p auxquels sont associées une position Po, une puissance Pu et une vitesse v (fonction illustrée f21(21, I, (p(Po, Pu, v), w)).
Le capteur radar 21 comprend une entité d’émission/réception d’ondes radar 210. Dans des modes de réalisation non limitatif, l’entité d’émission/réception d’ondes radar 210 comprend tel qu’illustré sur la :
- deux antennes émettrices 2100 configurées pour émettre des ondes radar r,
- trois antennes réceptrices 2110 configurées pour recevoir en retour des ondes radar r’ qui se sont réfléchies sur un objet cible, tel qu’un être vivant o.
Le système de détection Sys comprend en outre une unité de traitement 4 configurée pour :
- construire une première base de données DS de données instantanées Fi à partir de la pluralité d’images radar I, lesdites données instantanées Fi étant basées sur ladite position Po, ladite puissance Pu et ladite vitesse v de chaque point p de chaque image radar I acquise dans ladite fenêtre temporelle w (fonction illustrée f41(4, DS, Fi(I)),
- construire une deuxième base de données DS’ de données temporelles Ft à partir de la pluralité d’images radar I, les données temporelles Ft étant calculées à partir d’un signal périodique S de chaque image radar I relevé sur une fenêtre de temps mouvante w’ (fonction illustrée f42(4, DS’, Ft(S)),
- appliquer cette première base de données DS et cette deuxième base de données DS’ en entrée d’un modèle d’apprentissage automatique ML (fonction illustrée f43(4, DS, DS’, ML)),
- exécuter ledit modèle d’apprentissage automatique ML (fonction illustrée f44(4, ML)).
L’unité de traitement 4 est en outre configurée pour en fonction de ladite classification Cl, transmettre une information correspondante D à une unité de gestion ECU (fonction illustrée f45(4, ECU, D(Cl))).
Le système de détection Sys comprend en outre ledit modèle d’apprentissage automatique ML qui est configuré pour :
- recevoir en entrée les données Fi, Ft respectivement de la première base de données DS et de la deuxième base de données (fonction illustrée f51(ML, DS, DS’)),
- être exécuté (fonction illustrée f52(ML)),
- établir une classification Cl quant à la présence/absence d’un être vivant o (fonction illustrée f53(ML, Cl, S(o)).
Bien entendu la description de l’invention n’est pas limitée aux modes de réalisation décrits ci-dessus et au domaine décrit ci-dessus. Ainsi, dans un mode de réalisation non limitatif, le procédé de détection 1 peut s’appliquer pour la surveillance de la respiration ou du rythme cardiaque de personnes âgées dans les hôpitaux. Dans ce cas, l’unité de gestion ECU est une unité de contrôle électronique d’un appareil de surveillance médical. Et, dans ce cas, en fonction de l’information correspondante D transmise par l’unité de traitement 4, dans un mode de réalisation non limitatif, l’unité de gestion ECU peut déclencher une alarme pour avertir que l’être vivant o ne respire plus ou que son cœur ne bat plus. Ainsi, dans un autre mode de réalisation non limitatif, l’image radar I est une cartographie thermique. Ainsi, dans un autre mode de réalisation non limitatif, le capteur 21 est un capteur à ultrasons.
Ainsi, l’invention décrite présente notamment les avantages suivants :
- elle permet d’avoir une détection d’êtres vivants o plus fiable et plus précise,
- elle permet d’identifier le type d’être vivants o,
- la combinaison des données instantanées Fi avec les données temporelles Ft permet d’améliorer la détection des cas de vrais positifs et de réduire les cas de vrais négatifs et ainsi d’avoir une différenciation entre un être vivant o et un objet inerte plus robuste ; le procédé de détection 1 est ainsi plus robuste. Ainsi, on améliore le taux de détection et la robustesse vis-à-vis des fausses alarmes.

Claims (15)

  1. Procédé de détection (1) d’un être vivant (o), caractérisé en ce que ledit procédé de détection (1) comprend :
    - l’acquisition d’une pluralité d’images (I) dans une fenêtre temporelle (w), chaque image (I) comprenant une série de données (p) auxquelles sont associées une position (Po), une puissance (Pu) et une vitesse (v),
    - la construction d’une première base de données (DS) de données instantanées (Fi) à partir de la pluralité d’images (I), lesdites données instantanées (Fi) étant basées sur ladite position (Po), ladite puissance (Pu) et ladite vitesse (v) de chaque donnée (p) de chaque image (I) acquise dans ladite fenêtre temporelle (w),
    - la construction d’une deuxième base de données (DS’) de données temporelles (Ft) à partir de ladite pluralité d’images (1), lesdites données temporelles (Ft) étant calculées à partir d’un signal périodique (S) de chaque image (I) relevé sur une fenêtre de temps mouvante (w’),
    - l’application de ladite première base de données (DS) et de ladite deuxième base de données (DS’) en entrée d’un modèle d’apprentissage automatique (ML),
    - l’exécution dudit modèle d’apprentissage automatique (ML),
    - l’établissement d’une classification (Cl) par ledit modèle d’apprentissage automatique (ML) quant à la présence/absence d’un être vivant (o),
    - en fonction de ladite classification (Cl), la transmission d’une information correspondante (D) à une unité de gestion (ECU).
  2. Procédé de détection (1) selon la revendication 1, selon lequel les données instantanées (Fi) sont :
    - des valeurs moyennes de ladite position (Po) et/ou de ladite puissance (Pu) et/ou de ladite vitesse (v0) desdites données (p) de chaque image (I), ou
    - des variances desdites données (p) de chaque image (I).
  3. Procédé de détection (1) selon la revendication 1 ou la revendication 2, selon lequel ledit modèle d’apprentissage automatique (ML) est un modèle supervisé.
  4. Procédé de détection (1) selon la revendication précédente, selon lequel ledit modèle supervisé est une machine à vecteurs de support ou une forêt aléatoire.
  5. Procédé de détection (1) selon l’une quelconque des revendications précédentes, selon lequel ledit signal périodique (S) est une respiration ou un battement de cœur.
  6. Procédé de détection (1) selon l’une quelconque des revendications précédentes, selon lequel ledit être vivant (o) est de type adulte, enfant, ou animal.
  7. Procédé de détection (1) selon l’une quelconque des revendications précédentes, selon lequel ladite fenêtre temporelle (w) est d’environ cinq secondes.
  8. Procédé de détection (1) selon l’une quelconque des revendications précédentes, selon lequel les données temporelles (Ft) sont une puissance maximum (Pmax) ou une variation de phase (Δ) dudit signal périodique (S).
  9. Procédé de détection (1) selon l’une quelconque des revendications précédentes, selon lequel la construction de ladite deuxième base de données (DS’) comprend :
    - la mise dans une mémoire tampon (B) des données temporelles (Ft) pour obtenir une pluralité de valeurs temporelles (Vt),
    - la suppression de la composante continue (DC) desdites valeurs temporelles (Vt),
    - l’application d’une Transformée de Fourier (FFT) sur lesdites valeurs temporelles (Vt) pour obtenir des valeurs fréquentielles (Vf),
    - à partir desdites valeurs fréquentielles (Vf), l’extraction d’une valeur maximum (Max) dans une plage de fréquences donnée (I_Bth).
  10. Procédé de détection (1) selon la revendication précédente, selon lequel ladite plage de fréquences donnée (I_Bth) est une plage de fréquences de respiration ou une plage de fréquences de battements de cœur.
  11. Procédé de détection (1) selon la revendication 9 ou la revendication 10, selon lequel la construction de ladite deuxième base de données (DS’) comprend en outre :
    - la normalisation desdites valeurs fréquentielles (Vf) avant ladite extraction de ladite valeur maximum (Max).
  12. Procédé de détection (1) selon l’une quelconque des revendications précédentes, selon lequel ladite pluralité d’images (I) est obtenue à partir d’ondes reçues (r) par une entité d’émission/réception d’ondes (210) d’un capteur (21).
  13. Procédé de détection (1) selon l’une quelconque des revendications précédentes, selon lequel ladite fenêtre de temps mouvante (w’) est de trois images (I) par seconde.
  14. Procédé de détection (1) selon l’une quelconque des revendications précédentes, selon lequel ledit procédé de détection (1) est un procédé de détection d’un être vivant (o) à l’intérieur d’un véhicule (2).
  15. Système de détection (Sys) d’un être vivant (o), caractérisé en ce que ledit système de détection (Sys) comprend :
    - (a) un capteur (21) configuré pour acquérir une pluralité d’images (I) dans une fenêtre temporelle (w), chaque image (I) comprenant une série de données (p) auxquelles sont associées une position (Po), une puissance (Pu) et une vitesse (v),
    - (b) une unité de traitement (4) configurée pour :
    - construire une première base de données (DS) de données instantanées (Fi) à partir de la pluralité d’images (I), lesdites données instantanées (Fi) étant basées sur ladite position (Po), ladite puissance (Pu) et ladite vitesse (v) de chaque donnée (p) de chaque image (I) acquise dans ladite fenêtre temporelle (w),
    - construire une deuxième base de données (DS’) de données temporelles (Ft) à partir de ladite pluralité d’images (I), lesdites données temporelles (Ft) étant calculées à partir d’un signal périodique (S) de chaque image (I) relevé sur une fenêtre de temps mouvante (w’),
    - appliquer ladite première base de données (DS) et ladite base de données (DS’) en entrée d’un modèle d’apprentissage automatique (ML),
    - exécuter ledit modèle d’apprentissage automatique (ML),
    - (c) ledit modèle d’apprentissage automatique (ML) configuré pour être exécuté et établir une classification (Cl) quant à la présence/absence d’un être vivant (o),
    - ladite unité de traitement (4) étant en outre configurée pour en fonction de ladite classification (Cl), transmettre une information correspondante (D) à une unité de gestion (ECU).
PCT/EP2024/063765 2023-06-08 2024-05-17 Procédé de détection d'un être vivant Ceased WO2024251503A1 (fr)

Priority Applications (2)

Application Number Priority Date Filing Date Title
EP24726282.7A EP4725001A1 (fr) 2023-06-08 2024-05-17 Procédé de détection d'un être vivant
CN202480043309.0A CN121420337A (zh) 2023-06-08 2024-05-17 用于检测生物体的方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FRFR2305778 2023-06-08
FR2305778A FR3149714A1 (fr) 2023-06-08 2023-06-08 Procédé de détection d’un être vivant

Publications (1)

Publication Number Publication Date
WO2024251503A1 true WO2024251503A1 (fr) 2024-12-12

Family

ID=87974354

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2024/063765 Ceased WO2024251503A1 (fr) 2023-06-08 2024-05-17 Procédé de détection d'un être vivant

Country Status (4)

Country Link
EP (1) EP4725001A1 (fr)
CN (1) CN121420337A (fr)
FR (1) FR3149714A1 (fr)
WO (1) WO2024251503A1 (fr)

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HYUN EUGIN ET AL: "Machine Learning-Based Human Recognition Scheme Using a Doppler Radar Sensor for In-Vehicle Applications", SENSORS, vol. 20, no. 21, 1 November 2020 (2020-11-01), CH, pages 6202, XP093089376, ISSN: 1424-8220, DOI: 10.3390/s20216202 *
KIM JU-YEON ET AL: "Peak Detection Algorithm for Vital Sign Detection Using Doppler Radar Sensors", SENSORS, vol. 19, no. 7, 1 January 2019 (2019-01-01), CH, pages 1575, XP093089612, ISSN: 1424-8220, DOI: 10.3390/s19071575 *
YANG XIUZHU ET AL: "Spatial-Temporal-Circulated GLCM and Physiological Features for In-Vehicle People Sensing Based on IR-UWB Radar", IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT, vol. 71, 1 January 2022 (2022-01-01), USA, pages 1 - 13, XP093089370, ISSN: 0018-9456, DOI: 10.1109/TIM.2022.3165808 *

Also Published As

Publication number Publication date
EP4725001A1 (fr) 2026-04-15
CN121420337A (zh) 2026-01-27
FR3149714A1 (fr) 2024-12-13

Similar Documents

Publication Publication Date Title
EP0791839B1 (fr) Procédé et dispositif de détection de présence d'une être vivant d'espèce particulière dans un espace surveillé par un capteur Doppler
FR2809186A1 (fr) Procede et dispositif pour mesurer la vitesse d'un mobile
WO2009081018A1 (fr) Installation de detection de personnes dans un espace delimite
WO1995007473A1 (fr) Procede et dispositif pour la detection et la localisation d'obstacles dans l'environnement d'un vehicule
EP4083659B1 (fr) Dispositif et procédé de traitement du signal issus d'un ensemble de transducteurs ultrasonores
EP4349257A1 (fr) Dispositif radar pour toilettes
JP2021171271A (ja) 信号処理システム、及びセンサシステム
EP2544020A1 (fr) Procédé et dispositif de détection d'une cible masquée par des réflecteurs de forte énergie
WO2024251503A1 (fr) Procédé de détection d'un être vivant
FR3117966A1 (fr) Système de détection d’intrusion pour un véhicule et véhicule et procédé associés
WO2023110357A1 (fr) Procede de detection de presence a l'interieur d'un vehicule verrouille et dispositif de detection associe
FR2873210A1 (fr) Procede de tfac par segmentation statistique et normalisation
FR2953939A1 (fr) Systeme radar uhf pour mettre en oeuvre un procede d'elimination d'un fouillis de vegetation
FR3047713A1 (fr) Dispositif et methode anti-collision pour un vehicule automobile
FR3133252A1 (fr) Procédé de détection et discrimination de gestes
WO2009086928A1 (fr) Procede, systeme et installation de detection pour garantir l'unicite de passage d'un objet
WO2023110451A1 (fr) Procédé de réduction de bruit de signaux radar et calculateur
EP3470871A1 (fr) Procédé de détection de signaux radar
FR2835082A1 (fr) Procede de traitement probabiliste des points detectes par un systeme de supervision de l'environnement
EP4188753A1 (fr) Dispositif d'analyse d'un habitacle de vehicule
WO2026022014A1 (fr) Système de détection de présence de vie au sein d'un véhicule automobile
FR3153055A1 (fr) Procede d’activation d’une fonction vehicule et dispositif d’activation associe
WO2024200048A1 (fr) Procede de detection de presence a l'interieur d'un vehicule verrouille, dispositif de detection associe
WO2025228720A1 (fr) Système de détection de présence de vie au sein d'un véhicule automobile
EP0874250A1 (fr) Procédé de traitement des trajets multiples et dispositif pour sa mise en oeuvre

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 24726282

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2024726282

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2024726282

Country of ref document: EP

Effective date: 20260108

ENP Entry into the national phase

Ref document number: 2024726282

Country of ref document: EP

Effective date: 20260108

ENP Entry into the national phase

Ref document number: 2024726282

Country of ref document: EP

Effective date: 20260108

ENP Entry into the national phase

Ref document number: 2024726282

Country of ref document: EP

Effective date: 20260108

ENP Entry into the national phase

Ref document number: 2024726282

Country of ref document: EP

Effective date: 20260108

WWP Wipo information: published in national office

Ref document number: 2024726282

Country of ref document: EP