摘要
暴露在阳光下的车内温度迅速升高，对于被留在车内的儿童、成人和宠物来说，危险程度不言而喻。自1998年以来的统计表明，数千名五岁以下死于中暑的儿童，大多数都是被锁在车内导致的。这些可避免的事故是新车的一个安全问题，欧盟新车安全评鉴协会也对这个问题非常关注。因此对于车内乘客进行检测的系统是十分必要的。在众多传感器中，非接触式的传感器在使用体验上优于接触式的传感器，而在非接触式传感器之中，雷达类型的传感器由于成本、使用条件更宽泛等原因又优于摄像头类的传感器。因此，能够对目标进行距离、角度、速度测量的调频连续波(Frequency modulated continuous wave, FMCW)雷达是一个非常合适的选择。 然而，由于乘客的姿势、运动和多人存在的干扰，使用调频连续波雷达进行乘员监测存在一些挑战。本文基于FMCW雷达生成的点云，提出了一种改进的方法。具体工作如下： 1) 现有的基于点云的车辆检测系统在多名乘客有肢体动作时容易出现误报或遗漏目标。本文提出一种基于点云的车辆人员存在检测系统，利用聚类和后处理技术以及新设计的状态机方法，克服低质量点云的问题。主要创新点在于在这种场景下首次应用聚类和后处理方法。该系统在多名乘客进行身体动作的情况下进行了验证。这种实验场景是最贴近真实生活中的坐车场景，而这种带有动作的乘客场景未有人进行过测试。实验结果表明，对于这种更贴近真实场景的情况，所提算法具有良好的乘员检测性能。本文对于乘客有动作时的点云特征，并根据汽车座椅的实际分布对点云聚类进行过滤、分割和合并，针对乘客坐姿和多人环境对点云聚类的影响，使点云能正确对应实际目标，从而提高真实车载环境下的识别精度。在生成点云的基础上，验证了不同聚类方法、是否聚类的效果，以及测试整个方案在动态乘客的情况下的测试准确率。结果表明，欧式聚类在和DBSCAN(Density-based spatial clustering of applications with noise)、k-means的比较中略占优势。所提出的聚类和聚类后处理大大提高了系统的可靠性，而基于状态机的新型存在检测方法减少了乘客运动的干扰，自适应地确定目标的存在状态，提高了系统的稳定性。 2) 现有的基于 FMCW 雷达的目标分类系统，都是针对车外环境以识别不同类型的物体，如行人和车辆之间的分类。为了适应本文目标场景，也就是儿童的存在的识别，需要实现车内大人和小孩的识别。本文提出了一种基于FMCW雷达点云提取特征的核函数支持向量机(Support vector machines, SVM)识别算法：基于利用聚类和后处理后对应座位上的点云提出了一个新定义的八维的点云特征向量，用于刻画大人和小孩之间的区别。基于这些点云特征向量，使用核函数的支持向量机对目标进行分类，同时与传统的基于神经网络的分类方法进行比较。本文采集了不同人数、不同姿势的大人和小孩的FMCW雷达点云数据制作成数据集，对新提出的基于FMCW雷达点云特征和支持向量机的识别算法进行了测试。结果表明，新提出的基于FMCW雷达点云特征和支持向量机的乘客分类方法性能优于传统的神经网络的分类性能。
NETL