CN1525146A - 选择分类器属性类型的***或方法 - Google Patents
选择分类器属性类型的***或方法 Download PDFInfo
- Publication number
- CN1525146A CN1525146A CNA200410004259XA CN200410004259A CN1525146A CN 1525146 A CN1525146 A CN 1525146A CN A200410004259X A CNA200410004259X A CN A200410004259XA CN 200410004259 A CN200410004259 A CN 200410004259A CN 1525146 A CN1525146 A CN 1525146A
- Authority
- CN
- China
- Prior art keywords
- attribute
- attribute type
- type
- subclass
- sorter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- 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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Air Bags (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Automatic Analysis And Handling Materials Therefor (AREA)
- Computer And Data Communications (AREA)
Abstract
一种用于在传感器***中为分类器(32)选择属性(44)的***或方法(统称为“选择***”)。该选择***利用与那些属性类型关联的属性值(46)的统计分布(66)来选择属性类型(44)。不在有选择地识别出的属性类型(44)的子集中的属性类型(44)可以在这些数据被送至分类器(32)之前过滤掉。该***可以使用一个测试数据子***(52)来存储和访问真实的传感器数据(26)。一个分布分析子***(54)可对测试数据执行统计分析以识别基础分布(66),并比较单个属性类型(44)与该分布(66)。一个属性选择子***(56),其中所述属性选择子***(56)有选择地从所述属性类型(44)的子集中识别一个属性类型(44)的子集。
Description
相关申请
本部分继续申请要求下列美国专利申请的权益:2001年5月30日提交的、申请号为09/870,151的“A RULES-BASED OCCUPANTCLASSIFICATION SYSTEM FOR AIRBAG DEPLOYMENT”;2001年7月10日提交的、申请号为09/901,805的“IMAGE PROCESSINGSYSTEM FOR DYNAMIC SUPPRESSION OF AIRBAGS USINGMULTIPLE MODEL LIKELIHOODS TO INFER THREEDIMENSIONAL INFORMATION”;2001年11月5日提交的、申请号为10/006,564的“IMAGE PROCESSING SYSTEM FOR ESTIMATINGTHE ENERGY TRANSFER OF AN OCCUPANT INTO AN AIRBAG”;2001年12月17日提交的、申请号为10/023,787的“IMAGESEGMENTATION SYSTEM AND METHOD”;2002年1月17日提交的、申请号为10/052,152的“IMAGE PROCESSING SYSTEM FORDETERMINING WHEN AN AIRBAG SHOULD BE DEPLOYED”;2002年10月11日提交的、申请号为10/269,237的“MOTION-BASED IMAGESEGMENTOR FOR OCCUPANT TRACKING”2002年10月11日提交的、申请号为10/269,308的“OCCUPANT LABELING FORAIRBAG-RELATED APPLICATIONS”;2002年10月11日提交的、申请号为10/269,357的“MOTION-BASED IMAGE SEGMENTOR FOROCCUPANT TRACKING USING A HAUSDORF-DISTANCEHEURISTIC”
技术领域
本发明总体上涉及一种从可能可以由分类器进行处理的属性池中选择分类器中要使用的健壮属性的***或方法(统称为“选择***”)。具体地说,本发明涉及一种根据统计分布来选择属性的选择***。
背景技术
分类器是从由一个或多个传感器收集的传感器数据中产生类别的设备。类别的确定是基于与传感器数据中属性类型关联的属性值。例如,在桌子的数字图象中,桌子的高度就是一种属性类型。相应地,与属性类型关联的数值就是属性值。在“高度”属性类型的情况下,属性值可以是顶部到底部的象素个数,或是以如英寸、英尺、码、米为单位的测量值。属性值和属性类型是分类器产生类别的手段,而每种类型的传感器都可以捕捉可能很多种的属性类型。
类别可以很多种不同格式产生,并用于很多种不同用途。例如,气囊展开机制中的分类器可以用于识别乘客上体的位置,从而气囊展开机制能够跟踪乘客的位置,这是一种在做气囊展开决策时很有用的能力。另一种分类器实例与自动叉车传感器相关,该传感器***能区分不同的可能障碍,如其它叉车、行人、货物或其他形式的物体。
在分类器的许多不同实施方案和环境下,分类器要承受所谓“维数灾难”。由于不同属性被加入到分类器的确定过程中,因此分类器的精度通常会降低,而不是提高。这与人类的通常行为方式形成了鲜明对比,因为当可用信息越多时,人类越容易作出更好的决策。期望有一种选择***,能够从可能属性类型池中确定一个健壮属性类型子集。优选地,这可以通过使用真实的测试数据来实现。
期望将非健壮的特性过滤掉,从而提高而不是最小化分类器的精度。通过使用更少的属性类型,可以在降低成本的同时提高性能。现有技术中选择属性的方法依靠或者属性与属性的相关性测量值,或者如熵的测量值。如果可以使用在特性处理过程中的统计分布来消除冗余的属性类型并选择期望的属性类型,这将是理想的。理想的是估计出不同的属性值是否服从同一基础分布,而不是仅计算出数据点对的协应差。
这种特性选择方法对于气囊展开机制中的分类器是特别有利的。座椅区域内的频繁移动加上人类衣着与外观的高差异性都需要更好的属性选择方法。
发明内容
本发明是一种从可能可以由分类器进行处理的属性池中选择分类器中要使用的健壮属性的***或方法(统称为“选择***”)。该选择***根据与那些属性类型关联的属性值的统计分布识别属性类型子集。
通过为各种可能属性类型计算统计分布,该***能够有选择地从可能属性类型池中识别属性类型子集。不在有选择地确定的属性类型子集中的属性类型可以在这些数据被送至分类器之前过滤掉。
该***可以使用测试数据子***来存储并访问真实的传感器数据,在该子***中测试滤波器。这种测试数据对于识别基础统计分布是必需的。分布分析子***可以对测试数据执行统计分析以识别基础分布,并将每个属性类型与该分布进行比较。属性选择子***,其中所述属性选择子***有选择地从所述属性类型子集中识别属性类型子集。
通过以下对优选实施方案的详细描述并参考附图,本发明的各个方面对本领域技术人员来说将变得很明显。
附图说明
图1是说明过程实例的过程流程图,该过程从捕获传感器数据开始,以分类器从所捕获到的传感器数据中得到计算结果结束;
图2示出了说明一种体系结构实例的体系结构图,该体系结构从传感器捕获到的“目标信息”的总“属性空间”开始,以与属性类型关联的各个属性值结束;
图3是说明属性选择***的子***层视图的实例的方框图;
图4是说明能够在基于分布的选择启发式算法(heuristic)中执行的一些处理步骤实例的流程图;
图5是气囊展开机制的汽车的局部环境视图,气囊展开机制使用具有有选择地识别出的属性类型的滤波器;
图6是气囊展开过程流程的方框图,该流程使用了过滤掉除嵌入的预定属性类型列表上的那些属性类型以外的全部属性类型的滤波器;
图7是说明利用类别跟踪乘客外形特征和运动特征的气囊展开机制实例的过程流程图。
具体实施方式
本发明是一种从可能可以由分类器进行处理的属性池中选择分类器中要使用的健壮属性的***或方法(统称为“选择***”)。该选择***根据与那些属性类型关联的属性值的统计分布识别属性类型子集。
I、要素的介绍及定义
图1是说明加入到传感器处理***(或简单地称为“传感器***”)20中的一些要素的过程流程图。
A、目标
目标22可以是任何单独的人、动物、植物、物体、空间区域或是***20所用传感器24的对象或目标的感兴趣的其它方面(统称为“目标”22),也可以是这些的组合。传感器处理***20的用途是准确地捕获与目标22相关的有用信息。不同目标22的种类可以象不同传感器处理***20的种类那样多。
在传感器***20的一种实施方案(“气囊展开机制” 实施方案或简单地称为“气囊”实施方案)中,传感器***20的输出被气囊展开机制所使用。在气囊实施方案中,目标22通常是机动车辆座椅上的乘客。通过准确地捕获乘客的关键属性,气囊展开机制可以作出恰当的展开决定。不必要的展开或不恰当的展开故障可以通过气囊展开机制访问准确的乘客类别来避免。
在传感器***20的其它实施方案中,目标22可以是人(各种安全设备实施方案)、机动车辆外部的人和物体(各种外部机动车辆传感器实施方案)、特定区域的空气或水(各种环境检测实施方案)或一些其它类型的目标22。
B、传感器
传感器24可以是用于捕捉与目标22或目标22周围区域相关的信息的任何类型的设备。不同类型传感器24的种类可以象不同类型物理现象和人类感觉的种类一样多。
一些传感器24是光学传感器,用来捕获不同波长光线,如红外线、紫外线、x-射线、伽马射线、肉眼可见光(“可见光”)的光学图象及其它光学图象。在很多实施方案中,传感器24可以是摄像机。在一种优选的安全气囊实施方案中,传感器24是摄像机。
其它类型的传感器24差眼于不同类型的信息,如声音(“噪声传感器”)、气味(“气味传感器”)、触觉(“触觉传感器”)或味觉(“味觉传感器”)。传感器还可以将很多种不同物理现象,如重量(“重量传感器”)、电压(“电压传感器”)、电流(“电流传感器”)及其它物理现象(统称为“现象传感器”)的属性作为目标。
C、目标信息
目标信息26的集合可以是与目标22相关并由传感器24捕获的任何格式的任何信息。对于利用光学传感器24的实施方案,目标信息26是目标图象。这种图象通常包括各象素。对于非光学传感器24,目标信息26是一些其它形式的表示,这种表示通常可以转换成可视或数学格式。例如,但关于地震检测或火山活动预测的物理传感器24还是可以产生可视格式的输出,虽然该传感器24不是光学传感器24。
在许多气囊展开实施方案中,目标信息26将以乘客可见光图象的形式出现,其中图象以象素为单位。但是,目标信息26的格式甚至比传感器24的类型还要多,因为一种类型的传感器24可以用来捕获多于一种格式的目标信息26。传感器***20特定实施方案所期望的目标信息26的类型将决定传感器***20中所使用的传感器24的类型。
D、滤波器
滤波器28可能是任何能够从目标信息26提取属性向量30的装置。在一种优选实施方案中,滤波器28只能是可编程逻辑的形式。这种逻辑可以是硬件、软件、或硬件与软件的某种组合的形式。在其它实施方案中,传感器信息26受物理滤波器28的控制,从而限制通过并到达分类器32的信息类型和数量。
滤波器28是一种机制,利用该机制只有预定类型和数量的信息能够通过并到达分类器32。其它的属性类型被该滤波器阻止了。滤波器28使用过滤启发式算法来消除目标信息26中的非健壮或非期望属性。传感器***20可以包括很多种不同的过滤启发式算法。不管可能采用哪种启发式算法,都只有一个目标信息26的子集可以通过并到达分类器32。在***20的很多实施方案中,目标信息26的子集存储在属性向量30中,该向量可以传到一个或多个分类器32。
有很多种属性选择启发式算法可以用于选择包含在属性向量30中的目标信息26。可以对特定属性进行测试,从而每种包含在滤波器28中要传到分类器32的属性都是健壮的、有用的和期望的。下面会更加详细地描述该属性选择过程。
E、属性向量
属性向量30可以是任何能够将来自滤波器28的目标信息26的子集传送到分类器32的数据结构或信息格式。属性可以是目标信息26的任何特征或特性。只有与目标信息26的子集相关的属性才包括在属性向量30中。属性向量30中不同属性的个数随实施方案变化很大。与下面要讨论的属性选择启发式算法一致,只有有用和期望的属性才应当被选择用于属性向量30。
属性向量30中的每个属性都可以包括两部分:属性类型和属性值。“宽度”是属性类型的一个实例。“15(象素)”是属性值的一个实例。属性向量30上的每个位置都表示一种特定的预定义属性类型。那个位置上的每个数值就是属性值。
F、分类器
分类器32是接收属性向量30作为输入并产生一个或多个类别34作为输出的任何设备。分类器32的逻辑可以是以软件、硬件或硬件与软件的某种组合的形式嵌入的。在许多实施方案中,滤波器28和分类器32在同一个设备中。
在传感器***20的有些实施方案中,不同的分类器32将专门用于目标22的不同方面。例如,在气囊展开实施方案中,一个分类器32可能着眼于乘客的头部,而另一个分类器32可能着眼于乘客的运动是否与安全带的使用一致。
G、类别
类别34是由分类器32作出的任何确定。类别34可以是数值的形式或目标22分类的形式。例如,在气囊实施方案中,类别34可以是不需要任何定量测量的乘客分类。乘客可以划分为成人、儿童、后向婴儿座椅等。气囊实施方案中的其它类别34可以包括定量属性,如头部最高位置或最接近气囊展开机制的上***置。
H、属性空间
图2是说明属性空间40的最高层到与该空间中的类42关联的属性类型44关联的属性值46的体系结构的图。
属性空间40只是所有可能属性类型44的一种图形化表示,其中属性类型44可以从由传感器24捕获的目标信息26的格式中获得。根据与目标22、传感器24及目标信息26相关的差异,属性空间40随传感器***20的实施方案不同变化很大。
I、类
在广泛范围的属性空间40和具体的属性类型44之间是类42这一层。类42是根据传感器***20的目的定义的。例如,在传感器***20的气囊展开应用实施方案中,气囊展开机制可能想要区分乘客的不同类42,如成人、青少年、儿童、后向婴儿座椅(RFIS)、前向婴儿座椅(FFIS)、增高椅、空座椅、杂物及不确定乘客。类42是与各种属性类型44及属性值46的范围关联的。在一种优选实施方案中,将属性类型44按组划分到类42中优选地是基于从与属性类型44关联的属性值46得到的共享基础统计分布。下面会更加详细地讨论该基础统计分布。类42事实上基于几乎任何其它共享特征的共性。例如,属性类型44的一类42可以关于距离测量值,如高度、宽度、深度或距离。类42可以关于二维测量值,如面积。另一类42还可以关于三维测量值,如体积。传感器***20可以包括许多不同类型的类42。在使用传感器测量值可视表示的实施方案中,属性类型44的类42可以关于色彩、亮度、辉度或一些其它分类。不同类42的可能个数可以象用于描述物理世界中现象的属性类型44分类的个数一样无限多。
如图2中所公开的,每种属性类型44不一定只属于一类42。而在有些实施方案中,类42可以只包括一种属性类型44。如图2中所公开的,类可以彼此重叠,一种属性类型44可以属于多于一类42。类42是由传感器***20的设计者定义的。
J、属性类型和属性值
属性向量30中的每个项都关于目标信息26的一个特定方面或特性。属性类型44只是该特征或特性的类型。相应地,属性值46只是一个特定目标信息组中该特定属性类型44的定量值。例如,目标信息26中一个特定物体的高度(一种属性类型44)可以是200象素高(一种属性值46)。不同的属性类型44和属性值46在***20的不同实施方案中变化很大。
一些属性类型44可以关于目标信息26图象表示中两个或多个点之间的距离测量值。这种属性类型44可以包括高度、宽度或其它距离测量值(统称为“距离属性”)。在安全气囊实施方案中,距离属性可以包括乘客的高度或乘客的宽度。
一些属性类型44可以关于目标信息26图象表示中的相对水平位置、相对垂直位置或一些其它基于位置的属性(统称为“位置属性”)。在气囊实施方案中,位置属性可以包括这些特性,如乘客的最高位置、乘客的最低位置、乘客的最右位置、乘客的最左位置、乘客的最右上位置等。
属性类型44不一定要限制为目标信息26中的直接测量值。属性类型44可以通过各种组合和/或数学运算来产生。例如,每个“on”象素(都表示某种类型物体的每个象素)的x和y坐标可以相乘,而所有“on”象素的平均乘积将构成一种属性。x坐标平方值和y坐标平方值的平均乘积也是一种可能的属性类型44。
具有预定属性类型44的传感器***20的一个好处是它特别地预计到传感器***20的设计者会创建新的和有用的属性类型44。从而,从已知特征得到新特征的能力对于本发明的实践是很有好处的。在一些实施方案中,新的特征可以从现有特征中得到。
II、子***视图
图3说明了一种属性选择***(“选择***”)50的子***层视图实例。
A、测试数据子***
测试数据子***52可以用于捕获、存储和访问测试数据的样本。在选择***50的一种优选实施方案中,对特定用途属性类型44的估计是利用测试数据进行的。例如,在气囊展开实施方案中,坐在机动车辆座椅上的人的真实图象应当用于估计属性类型44,并有选择地识别关于乘客类别和跟踪的健壮属性类型44的子集。包含具有各种属性类型44和属性值46的目标信息26的是测试数据库。因此,测试数据子***52包括可能的属性类型44,从该属性类型44选择一个健壮属性类型44的子集。
在测试数据子***52的一些实施方案中,测试数据子***52包括一个用于将属性值46转换成标准化定标值的标准化模块。在测试数据子***52的其它实施方案中,可以调用一个冗余启发式算法来除去冗余的测试数据组。在另外的实施方案中,该冗余启发式算法是k最近邻样本(k-nearestneighbor)启发式算法,该算法将在下面更加详细地描述。
B、分布分析子***
分布分析子***54负责确定两种属性类型是否来自一个共同的类42。该分布分析子***54从各属性值46中为与那些属性值46关联的各属性类型44产生各种分布统计量。在选择***50的许多实施方案中,分布分析子***54从属性值46中产生标准化值,并在产生分布统计量时使用该标准化值。下面会更加详细地描述该标准化过程。一组标准化值的一个实例是一组最小值为0、最大值为1的定标值。
在一些实施方案中,分布统计量是通过调用Mann-Whitney启发式算法来产生的。但是,如果期望,这种实施方案还可以包括多于两个类42。
C、属性选择子***
属性选择子***56负责有选择地从测试数据中的属性类型44池中识别一个属性类型44的子集。有很多种不同的选择启发式算法可以被属性选择子***56所使用。
在一类实施方案(“阈值实施方案”)中,来自分布分析子***的各分布统计量可以同一个分布阈值进行比较。将低于预定分布阈值的分布统计量从考虑范围中除去。
在另一类实施方案(“前N项选择实施方案”)中,选择***50的用户定义可通过的属性类型44的预定个数。在一些实施方案中,属性选择子***56可以使用专家***、神经网络、人工智能及其它智能技术(统称为“智能”)来计算属性类型44的期望个数。可以对各分布统计量进行排队,只有前N项(其中N可以是用户定义的任意数)被选择。在一些“前N项选择实施方案”排队中,排队是按类42实现的。在这种实施方案中,每一类42的前N个属性类型44被选择。
在另一类实施方案(“合并统计量实施方案”)中,合并的类统计量是利用分布统计量产生的,不同的类被赋予不同的“权”。从而可以通过对与属性类型44关联的合并类统计量进行排队来对属性类型44进行排队。
在识别期望属性类型44的适当子集后,属性选择子***56可以在滤波器28中嵌入适当的属性类型44列表。
III、属性选择启发式算法
图4是说明一种属性选择启发式算法实例的流程图。不同的实施方案可以包括更少步骤、更多步骤或不同的步骤。
A、接收可能属性组
在60,选择***50接收可能属性类型44组,送入测试数据子***52。为了进行测试和估计,没有属性类型44需要排除在属性向量30之外。大量的测试目标信息26增强了选择***50检测统计分布的能力增强了。
B、标准化属性值
属性值46在62被标准化。
进入属性向量30的属性值46可以被转换为成定标值。将属性值46转换为成定标值的过程称为标准化启发式算法。
在一种优选实施方案中,标准化值的范围是在属性类型44的选择和测试开始之前预定的。所使用的不同范围可以很广。在一种优选实施方案中,对于一个测试样本中的所有属性类型44应使用相同的标准化值范围。选择***50是高度灵活的,可以加入很多不同的预定范围。
在一种“最小-最大”标准化启发式算法中,属性值46被转换为最小为0、最大为1的定标值(一种特定类型的标准化值)。这是在从样本中的所有属性类型44中减去最小属性值46之后完成的。然后可用最大属性值46去除所有的属性类型44。
在一种“零平均值”标准化启发式算法中,标准化值的平均值设置为0,方差为1。选择***50还可以使用很多其它类型的标准化启发式算法。
将属性值46标准化为标准化值的目的是减小属性值44可变动态范围对分类器32的影响。如果属性值46没有以某种形式标准化,则具有很大动态范围的单个属性值46会弱化并覆盖其它属性类型44和属性值46。
标准化属性值46的重要性在目标22是运动着的人的选择***50实施方案中尤为重要。在这种实施方案中,许多最佳属性类型44可以图象几何矩的形式或其它数学矩的形式来估计。在模式识别、物体识别、三维物***姿估计、机器人传感、图象编码和重建等领域,几何矩是重要的。但是,这种矩可以随矩的阶单调增长,从而能够人为赋予较高阶矩增加的重要性。等式1是几何矩的一种数学实例,其中Mpq是几何矩。
等式1:
在一种优选实施方案中,目标信息26或者是以二维格式捕获的,或者被转换成二维格式。例如,摄像机捕获以许多具有各种辉度值的象素形式存在的目标信息26。等式1可以用于这种实施方案。在等式1中举例来说,I(x,y)是象素(x,y)处的亮度值,而p,q=0、1、2、...、N。如果对所有x、y都有I(x,y)=1且以上等式能够正确地定标,则M00给出了感兴趣的2D图象图形的面积(以象素为单位),而(M10,M01)给出了图形重心的坐标。因此,“几何矩”的概念可以用来识别人或其它目标22的重心。不幸的是,基本函数(xp,yq)尽管完整,但却包含冗余(例如,不是正交的)。因此,期望使用滤波器28。
定标值由选择***50存储,如下面讨论的那样以后要参考这些值。在一种优选实施方案中,是定标值而不是属性值46用于随后的选择***50的过程。因此,在下面的讨论中,说到相关属性类型44或其它基于属性类型44的数学运算实际上是利用特定属性类型44的定标值执行的。
在可选实施方案中,可以使用定标值和属性值46某种类型的加权组合。此外,选择***50不需要为随后选择***50的过程调用标准化启发式算法。
C、除去选定的相关属性
相关属性类型44可以在64被有选择地除去。在一种优选实施方案中,相关是对与同属性类型44关联的属性值46关联的定标值计算的。因此,在下面的讨论中,对属性类型44的估计就是对与属性类型44关联的定标值的估计。
目标图象26中的许多属性类型44都有相对较高的互相关。如果两个属性类型44高度相关,则意味着信息中存在相对大量的相似性或冗余。
这会欺骗分类器32陷入一种错误的置信度(例如,没有任何真正附加信息的高置信度系数),而不是对于特定类别34进行计算的置信度。
为了除去相关属性类型44,首先必须为样本中所有属性类型44计算每对属性类型44之间的相关系数。***20可以包括很多种不同的相关启发式算法。在一种优选实施方案中,相关启发式算法是等式2中公开的数学运算。
等式2:相关系数(A,B)=Cov(A,B)/sqrt[Var(A)*Var(B)]
Cov(A,B)是属性类型A与属性类型B的协方差。Var(A)是属性类型A在可能属性类型44的样本中的所有属性类型44中的属性类型A的方差。
相关系数可以与一个相关阈值进行比较。如果一个特定属性类型44的相关系数超过该相关性阈值,则该特定属性类型44可以从样本中除去。在有些实施方案中,相关阈值是一个预定阈值。在其它实施方案中,相关性阈值是在计算出相关系数以后,根据“通过”测试的属性类型44的预定个数确定的。例如,相关阈值可以利用各相关系数的统计数据设置,从而只有前N%的属性类型44留在属性类型44的样本中。不在前N%中的属性类型44可以除去,不需要进行随后的测试。在另一些实施方案中,相关阈值是在计算出各相关系数以后确定的,该计算不基于任何预定的数值。
D、执行分布分析
分布分析启发式算法可在66执行。分布分析启发式算法可以仅使用统计方法来确定特定属性类型44是否与其它属性类型44具有相同的统计分布。
在一种优选实施方案中,分布分析启发式算法是同时对两种属性类型44执行的(例如,“基于对的分布分析启发式算法”)。在基于对的分布分析启发式算法的一种优选实施方案中,对每种属性类型44都执行Mann-Whitney测试(例如,“Mann-Whitney启发式算法”)。其它类型的数学和计算过程也可以用作分布分析启发式算法。
分布分析启发式算法的目的是推断各属性类型44是服从相同的分布还是服从不同的分布。在一种基于对的分布分析中,每一对中的任意两个属性类型44或者属于相同的分布,或者属于两个完全不同的分布,在该分布分析中,每个属性类型44是作为与其它属性类型44的一对中的一部分来估计的。
随后每种属性类型44都可以被处理。对于每种属性类型44,测试数据中与类i(例如,分布i)和类j(例如,分布j)对应的所有定标值都被提取出来并放在一个向量中。然后对定标值进行分类,并记录每个定标值的分级。然后,就可以为每个类计算分级的总数。根据等式3和等式4,就可以计算统计量(“虚统计量”)的一个虚假设组(“虚统计量启发式算法”)。
等式3:null_hyp_mean=num_class*(num_class+num_else+1)/2
等式4:
null_hyp_sigma=sqrt{num_class*num_else*(num_class+num_else+1)}/12
变量“null_hyp_mean”表示虚假设组的平均值。变量“num_class”指属于一个特定类的标准化值,而“num_else”是属于一个不同类42的定标值或归一化值的个数。
然后通过使用统计量启发式算法,就可以产生估计统计量,如等式5中的计算结果。
等式5:
统计量=(rank_sum_class-null_hyp_mean-0.5)/null_hyp_sigma在上面的等式中,“rank_sum_class”指分级的和,这个变量对每个类计算。在计算出统计量以后,为了完成分布分析启发式算法,还可执行一些不同的过程。
1、阈值启发式算法
完成分布分析启发式算法的一种可选子过程是阈值启发式算法。在阈值启发式算法中,将统计量与一个统计量阈值进行比较。这个阈值可以是在执行阈值启发式算法之前预定义的,或者利用任意数量的不同条件在产生所有属性类型的统计量以后再计算的。如果各个类是平均可分或大致平均可分的,则统计量阈值可以直接根据结果的置信度进行选择。例如,根据现有技术已知的统计文献资料,置信度为0.001意味着阈值是3.291。
统计量超过统计量阈值的属性类型44被保留下来,而那些统计量低于统计量阈值的属性类型44被除去了。使用阈值启发式算法会导致任意个数的属性类型44。
2、前N项启发式算法
不象可能产生不可预测数目的留下的属性类型44的阈值启发式算法,前N项启发式算法为每一类42找出前N项最可分的属性类型44。N可以是1到保留属性类型44个数之间的任意数。不在前N项中的属性类型44被除去。如果一个类42远不及其它类42可分,则这是一种特别好的方法,如对于在基于视觉的乘客应用中识别小个子成人与大个子儿童之间的不同的情形。如上面所讨论的,可以用于传感器***20中的类42的个数和类型应当取决于传感器***20的目的和期望的功能。在一种期望阻止展开气囊的气囊实施方案中,类42的个数和类型应当足够可以使得在期望使用时展开气囊,而在不期望使用时避免展开气囊。用于计算属性类型44最终个数的前N项启发式算法可以包括等式6的数学运算。
等式6:属性类型的最终个数=N*类的个数
3、合并统计量
可用于完成分布分析启发式算法的一种过程是包括计算合并统计量的合并启发式算法。合并启发式算法的一种实例是等式7。
等式7:comb_statistic=所有类对组合的统计量绝对值的总和
等式5中描述的统计量可以对属性类型44样本中的所有类对合并进行计算。那些统计量绝对值的总和可以加在一起来计算等式7的合并统计量(comb_statistic)。组合启发式算法提供组合的可分性度量。如果期望总和取决于每一类的重要性或一些其它因数,则这种方法可以包括一个加权的总和。这种方法还提供固定个数的属性类型44。等式7范围以外的其它可选组合启发式算法也可以包括到选择***50。
E、删除冗余样本
当收集训练样本时,样本空间中经常会有相当大的冗余,或者换句话说,多个样本提供非常相似甚至完全相同的信息。当训练样本是在单一位置,如一个学生或任何其它人群的教室收集到的时候,尤其如此。当为整个人群提取个体数据的样本时,大小、服饰样式及其它特征就非常有可能都是相似的。为在68删除冗余样本,由选择***50调用一个删除冗余样本启发式算法。在一种优选实施方案中,删除冗余样本启发式算法是k最近邻样本启发式算法。
对每个训练样本的k最近邻样本启发式算法类别可以对照其它训练样本来执行。如果分类器32要在分类器36的处理中使用k最近邻样本启发式算法,则所使用的序数k应当至少是终端***k值的2倍。因为人装着的变化性非常大而且几乎不可能合理地用参数表示所有的可能性,因此,对于人类目标22,k最近邻样本启发式算法是一种有效的方法。k最近邻样本启发式算法对照剩余的所有以前还未被删除的属性类型44来测试每个样本的类别。如果类别34正确且置信度为100%(即,每个k最近邻样本都属于正确的类),则该样本被认为是冗余的,然后被丢弃。
F、格式化输出
在70,选定的属性类型进入一个可以嵌入到传感器***20中或传输到一个可能适用于不同测试样本的不同测试元件中的数据格式。选择***50是高度灵活的,可以包括很多不同的格式和协议。属性向量30中的精确位置需要链接到特定的属性类型44。
G、为属性组调用额外的训练
如果选择***50的用户期望让有选择地确定的属性类型子集接受额外的测试,则可以在72调用这些测试。
H、将属性组嵌入到分类器
在74,所选定的属性类型44被嵌入到分类器32中,与分类器32对应的滤波器28配置成除去所有不与有选择地识别出的属性类型44子集关联的属性值46。该过程在传感器***20嵌入选择***50的结果以后结束。
IV、气囊实施方案
A、局部环境视图
图5是传感器***20的可能很多不同气囊实施方案中周围环境的局部视图,表示为气囊传感器***(“气囊***”)80。如果有乘客96,则乘客96可以坐在座椅98上。在有些实施方案中,摄像机或任何其它能够快速捕获图象的传感器(统称为“照相机”86)可以放在车顶内衬板82中,并在乘客96上方但比乘客96更接近前风挡玻璃88。为了捕获由于在座椅98上前后运动造成的乘客96上体角度的变化,照相机86可以以一个面向乘客96稍微向下的角度放置。照相机86还有很多可能的位置,这在本领域中是公知的。此外,气囊***80还可以使用很多种不同的照相机86,包括通常每秒捕捉大约40帧图象的标准摄像机。气囊***80也可以使用更高及更低速度的照相机86。
在有些实施方案中,照相机86可以包含或包括工作在直流条件下的红外线或其它光源,从而在黑暗背景中提供恒定的照明。气囊***80可以设计成用于黑暗的环境,如夜间、雾、大雨、浓云、日食及其它任何比一般白天条件暗的环境。气囊***80也可以用于更亮的环境。红外线的使用能够向乘客96隐瞒光源的使用。可选实施方案可以利用以下一种或多种光源:独立于照相机的光源;发射除红外线以外其它光线的光源;及只利用交流电周期性发射的光线。气囊***80可以包括很多种其它照明设备和照相机86配置。此外,根据照明条件,气囊***80可以采用不同的启发式算法和阈值。因此,气囊***80可以应用关于乘客96当前环境的“智能”。
能够实现启发式算法或运行计算机程序的计算机、计算机网络或任何其它计算设备或配置(统称为“计算机***”84)安装气囊***80的逻辑。计算机***84可以是能够执行下述编程逻辑的任何类型的计算机或设备。计算机***84几乎可以位于机动车辆中或上的任何位置。优选地,计算机***84位于靠近照相机86的位置,以避免要通过很长的电线来发送照相机图象。气囊控制器90示为位于仪表板94中。但是,即使气囊控制器90位于不同的环境,气囊***80仍然可以工作。相似地,尽管气囊***80可以使用其它位置,但气囊展开机制92优选地也位于乘客96和座椅98前面的仪表板94中。在有些实施方案中,气囊控制器90与计算机***84是同一个设备。气囊***80可以灵活地实现为包括在设计机动车辆和气囊应用机制92时加入更多变化。
在客户可以使用气囊应用机制之前,计算机***84加载气囊展开机制设计者所期望的优选预定类42。计算机***84加载在区分优选预定类42时有用的优选预定属性类型44的列表。属性类型44优选地是利用图4公开的过程选定的。真实的人或其它测试“乘客”或至少真实的人或其它测试“乘客”的图象可以被分解成构成可能属性类型44池的各种属性类型44的列表。这些属性类型44可以从特征或属性类型44池中选定,其中包括特征,如高度、亮度、质量(根据体积计算)、到气囊展开机制的距离、上体的位置、头部的位置及其它可能的相关属性类型44。这些属性类型44可以对于特定的预定义类42来测试,有选择地除去高度相关的属性类型44和具有高度冗余统计分布的属性类型44。图4中的其它步骤及可选过程和启发式算法也可以使用,从而只有期望和有用的属性类型44被加载到计算机***84中。
B、气囊展开的高级过程流程
图6公开了说明用于气囊***80的传感器***20的一种实例的高级过程流程图。包括乘客96和周围座椅区域100的座椅区域100的环境图象89可由照相机86捕获。尽管在很多不同情形和实施方案下,只能捕获到乘客96的一部分图象,尤其是当照相机86位于不能拍到乘客较低的肢端的位置时,但是图中,座椅区域100包括整个乘客96。
环境图象89可以被发送到滤波器28。滤波器28接收环境图象89作为输入并发送属性向量30,该向量填充有根据上述选择启发式算法的属性类型44。然后分析属性向量30来确定适当的气囊展开决策。该过程也在下面进行描述。例如,属性向量30可以用来确定在展开时乘客96是否太靠近展开的安全气囊92。属性向量30中的属性类型44和属性值46可以被发送到气囊控制器90,从而允许气囊展开机制92以所获得的关于乘客96的信息作出适当的展开决策。
C、详细的过程流程
图7公开了从捕获周围图象89的点发送适当的乘客数据到气囊控制器的过程的更详细的实例。只要乘客96在车上,该过程就不停地重复。在一种优选实施方案中,老数据加入到当前数据的分析中,从而有一个过程流程箭头从图底部的气囊控制器90指回图的顶部。
在环境图象89(这是一类特殊的传感器信息26)被照相机86捕捉到以后,可以由滤波器28对其进行过滤启发式算法。上面已经非常详细地描述了属性选择和过滤的过程。
滤波器28允许外形***和预测器102忽略照相机86捕获到的很多属性类型44。用于展开目的的关键属性类型44通常关于乘客96的位置和运动特征。
跟踪和预测子***102可以用来跟踪乘客96的特征,如位置、速度、加速度及其它特征。在有些实施方案中,跟踪子***102还可用来“前推”乘客的特征,产生对传感器测量值之间过渡时期中的这些特征的预测。在一种优选实施方案中,跟踪和预测子***102使用一个或多个卡尔曼滤波器将老的传感器测量值与最近的传感器测量值以概率加权的方式集成到一起。
跟踪子***102可以包括很多种着眼于不同乘客特征子集的不同子***。例如,跟踪子***102可以包括用于跟踪和预测“外形”特征的外形跟踪和预测模块106以及用于跟踪和预测“运动”特征的运动跟踪和预测模块104。
然后,跟踪子***102可将信息发送到气囊控制器90,以由气囊展开机制92来实现适当的行为。在有些情况下,由于乘客当前处于或即将处于临界危险区域而阻止了展开。在有些实施方案中,气囊展开可以配置成在对应于气囊需要从乘客96吸收的动能数量的各种强度下发生。跟踪子***102还可以用于确定是否发生了撞车,及此次撞车是否需要使气囊展开。
V、可选实施方案
根据专利法的规定,本发明的原理和工作模式已经在优选实施方案中进行了解释和说明。但是应当理解,在不背离本发明精神和范围的前提下,本发明还可以通过与所具体解释和说明的不同的方式来实现。
Claims (20)
1、一种配置与分类器(32)一起使用的滤波器(28)的方法,包括:
利用分布统计量(66)有选择地从多种属性类型(44)中识别属性类型子集;以及修改滤波器(28),从而使分类器(32)只能访问属性类型(44)的子集。
2、根据权利要求1的方法,还包括:利用Mann-Whitney启发式算法产生分布统计量(66)。
3、根据权利要求1的方法,还包括:从统计量的虚假设组中产生分布统计量(66)。
4、根据权利要求1的方法,还包括:从多个分布类(42)产生分布统计量(66)。
5、根据权利要求1的方法,还包括:将分布统计量(66)与预定的分布统计量阈值比较。
6、根据权利要求1的方法,还包括:将分布统计量(66)排队;及除去与低于预定队列位置的排队相关的属性类型(44)。
7、根据权利要求1的方法,还包括:产生合并类(42)统计量;将合并类统计量(42)排队;及从属性类型(44)的子集中除去与低于预定队列位置的排队关联的属性类型(44)。
8、根据权利要求1的方法,还包括:通过执行k最近邻样本启发式算法来识别属性类型(44)的冗余测试样本;及从属性类型(44)的子集中除去冗余测试样本(68)中的属性类型。
9、根据权利要求1的方法,还包括:将与每种属性类型(44)关联的属性值(46)转换成定标值。
10、根据权利要求1的方法,还包括:根据协方差启发式算法产生协方差系数;比较该协方差系数与预定的协方差阈值;及从属性类型(44)的子集中除去与超过预定协方差阈值的协方差系数关联的属性类型(44)。
11、根据权利要求1的方法,其中滤波器(28)和分类器(32)由气囊展开机制(92)使用。
12、一种选择包含在分类器(32)中的属性类型(44)的***,包括:
测试数据子***(52),包括包含多种属性类型(44)的数据样本;
分布分析子***(54),包括多个分布统量(66),其中所述分布分析子***(54)从所述多种属性类型(44)中产生所述多个分布统计量(66);及
属性选择子***(56),其中所述属性选择子***(56)有选择地从所述属性类型(44)的子集中识别一个属性类型(44)子集。
13、根据权利要求12的***,其中所述属性选择子***(56)包括预定阈值,且其中所述属性类型(44)的子集是通过比较所述分布统计量(66)与该预定阈值有选择地识别的。
14、根据权利要求12的***,其中所述分布分析子***(54)还包括多个合并类统计量,其中所述分布分析子***(54)从所述分布统计量(66)产生所述合并类统计量,且其中所述属性选择子***(56)通过对所述合并类统计量排队来对属性类型(44)进行排队。
15、根据权利要求12的***,其中所述属性选择子***(56)有选择地识别预定个数的属性类型(44)。
16、权利要求12的***,其中所述测试数据子***(52)还包括标准化模块,所述标准化模块包括多个定标值,其中所述标准化模块产生所述多个定标值并使该多个定标值与所述多种属性类型关联。
17、根据权利要求12的***,其中所述数据样本包括冗余数据子集,其中所述测试数据子***包括冗余度启发式算法,且其中所述测试数据子***调用所述冗余启发式算法来除去所述冗余数据(68)的子集。
18、根据权利要求12的***,其中所述分布统计量(66)是利用Mann-Whitney启发式算法产生的。
19、根据权利要求12的***,其中所述有选择地识别出的属性类型(44)的子集被嵌入(74)到气囊展开机制中。
20、一种用于跟踪乘客(96)的安全气囊传感器***,包括:
乘客图象(89),包括多种属性类型(44)和与所述多种属性类型关联的多个属性值(46),其中只有一个所述属性类型(44)的子集最终被识别为统计上健壮的属性类型;
从乘客捕获所述乘客图象(89)的传感器(96);
分类器(32),包括类别(34),其中所述分类器(32)从所述统计上健壮的属性类型产生所述类别(34);及
滤波器(28),包括预定的统计上健壮的属性类型列表,其中所述滤波器只允许所述统计上健壮的属性类型通过并到达所述分类器(32)。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US10/375,946 | 2003-02-28 | ||
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 |
---|---|
CN1525146A true CN1525146A (zh) | 2004-09-01 |
Family
ID=32771478
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA200410004259XA Pending CN1525146A (zh) | 2003-02-28 | 2004-02-16 | 选择分类器属性类型的***或方法 |
Country Status (8)
Country | Link |
---|---|
US (1) | US7197180B2 (zh) |
EP (1) | EP1452399A3 (zh) |
JP (1) | JP2004280812A (zh) |
KR (1) | KR20040077533A (zh) |
CN (1) | CN1525146A (zh) |
AU (1) | AU2004200298A1 (zh) |
BR (1) | BRPI0400824A (zh) |
MX (1) | MXPA04001984A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921047A (zh) * | 2018-06-12 | 2018-11-30 | 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 |
CN111462108A (zh) * | 2020-04-13 | 2020-07-28 | 山西新华化工有限责任公司 | 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 |
Families Citing this family (46)
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 |
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 |
US6853898B2 (en) | 2001-05-30 | 2005-02-08 | Eaton Corporation | Occupant labeling for airbag-related applications |
US20030123704A1 (en) * | 2001-05-30 | 2003-07-03 | Eaton Corporation | Motion-based image segmentor for occupant tracking |
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 |
US7116800B2 (en) * | 2001-05-30 | 2006-10-03 | Eaton Corporation | Image segmentation system and method |
US7181083B2 (en) | 2003-06-09 | 2007-02-20 | Eaton Corporation | System and method for configuring an imaging tool |
US20050271280A1 (en) * | 2003-07-23 | 2005-12-08 | Farmer Michael E | System or method for classifying images |
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 |
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 |
JP4756044B2 (ja) * | 2004-09-06 | 2011-08-24 | バイエリッシェ モートーレン ウエルケ アクチエンゲゼルシャフト | 自動車シート上の対象物を検出するための装置 |
DE102006047629A1 (de) * | 2006-03-14 | 2007-09-20 | Robert Bosch Gmbh | Verfahren zur Ermittlung von Objektparametern eines Fußgängers |
US20090099920A1 (en) * | 2007-09-11 | 2009-04-16 | 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 |
US9378421B2 (en) * | 2014-09-29 | 2016-06-28 | Xerox Corporation | System and method for seat occupancy detection from ceiling mounted camera using robust adaptive threshold criteria |
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 |
CN114144814A (zh) * | 2019-07-09 | 2022-03-04 | 贾迪安光学技术有限公司 | 用于测量车辆中对象的质量的***、装置和方法 |
Family Cites Families (38)
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 |
CA2048678C (en) | 1989-03-20 | 1997-01-07 | Jurgen Eigler | Control device for a passenger retaining and/or protective system for vehicles |
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 |
US6662093B2 (en) | 2001-05-30 | 2003-12-09 | Eaton Corporation | Image processing system for detecting when an airbag should be deployed |
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 |
US7116800B2 (en) | 2001-05-30 | 2006-10-03 | Eaton Corporation | Image segmentation system and method |
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 |
US6577936B2 (en) | 2001-07-10 | 2003-06-10 | Eaton Corporation | Image processing system for estimating the energy transfer of an occupant into an airbag |
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 |
-
2003
- 2003-02-28 US US10/375,946 patent/US7197180B2/en not_active Expired - Fee Related
-
2004
- 2004-01-28 AU AU2004200298A patent/AU2004200298A1/en not_active Abandoned
- 2004-02-03 EP EP04002279A patent/EP1452399A3/en not_active Withdrawn
- 2004-02-16 CN CNA200410004259XA patent/CN1525146A/zh active Pending
- 2004-02-27 MX MXPA04001984A patent/MXPA04001984A/es active IP Right Grant
- 2004-02-27 BR BR0400824-3A patent/BRPI0400824A/pt not_active Application Discontinuation
- 2004-02-27 KR KR1020040013358A patent/KR20040077533A/ko not_active Application Discontinuation
- 2004-03-01 JP JP2004056208A patent/JP2004280812A/ja active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921047A (zh) * | 2018-06-12 | 2018-11-30 | 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 |
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 |
CN111462108A (zh) * | 2020-04-13 | 2020-07-28 | 山西新华化工有限责任公司 | 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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
KR20040077533A (ko) | 2004-09-04 |
US7197180B2 (en) | 2007-03-27 |
EP1452399A2 (en) | 2004-09-01 |
JP2004280812A (ja) | 2004-10-07 |
MXPA04001984A (es) | 2004-09-02 |
EP1452399A3 (en) | 2005-05-18 |
US20030234519A1 (en) | 2003-12-25 |
AU2004200298A1 (en) | 2004-09-16 |
BRPI0400824A (pt) | 2005-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1525146A (zh) | 选择分类器属性类型的***或方法 | |
CN110059582B (zh) | 基于多尺度注意力卷积神经网络的驾驶员行为识别方法 | |
Narihira et al. | Direct intrinsics: Learning albedo-shading decomposition by convolutional regression | |
CN104680124B (zh) | 检测行人的影像处理装置及其方法 | |
CN109977943A (zh) | 一种基于yolo的图像目标识别方法、***和存储介质 | |
CN1427372A (zh) | 图像分割***和方法 | |
CN103020582A (zh) | 计算机通过视频图像识别车辆类型的方法 | |
CN106778652A (zh) | 人体活动识别方法及装置 | |
CN106096531A (zh) | 一种基于深度学习的交通图像多类型车辆检测方法 | |
CN1894703A (zh) | 模式识别方法、设备以及程序 | |
CN1977286A (zh) | 对象识别方法及其设备 | |
JP2012226745A (ja) | 奥行き画像内の物体を検出する方法およびシステム | |
JP2003025953A (ja) | 乗客識別システム及びそのための方法 | |
CN111723829B (zh) | 一种基于注意力掩模融合的全卷积目标检测方法 | |
CN112519789A (zh) | 确定车辆乘员的活动的方法和*** | |
CN109461458B (zh) | 一种基于生成对抗网络的音频异常检测方法 | |
Erlik Nowruzi et al. | In-vehicle occupancy detection with convolutional networks on thermal images | |
CN109670555B (zh) | 基于深度学习的实例级行人检测和行人重识别*** | |
CN1723468A (zh) | 采用照明不变神经网络的计算机视觉***和方法 | |
CN117157678A (zh) | 用于基于图的全景分割的方法和*** | |
CN112861605A (zh) | 基于时空混合特征的多人步态识别方法 | |
CN112215847A (zh) | 基于对抗学习多尺度特征的重叠染色体自动分割方法 | |
CN115294563A (zh) | 一种基于Transformer的增强了局部语义学习能力的3D点云分析方法及装置 | |
CN111724566A (zh) | 基于智慧灯杆视频监控***的行人跌倒检测方法和装置 | |
CN117079098A (zh) | 一种基于位置编码的空间小目标检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |