用于座椅占用检测的方法与流程

尤其可以在300mhz到200ghz之间。所有天线都可以是检测系统的一部分。在不限于这种配置的情况下，该系统可以至少部分地设置在车辆的天花板中或下方。
9.需要注意的是，下文中提到的步骤的顺序可能与执行它们的顺序不同。除非明确提及或一个步骤需要另一步骤的结果，否则可以更改顺序或可以同时执行某些步骤。
10.该方法包括利用每个发射天线将检测信号发射到至少一个车辆座椅上，该检测信号是频率调制的连续波雷达信号，并且利用每个接收天线接收反射信号。检测信号是频率调制的连续波信号，即它是具有被调制的频率的连续波。例如，检测信号可以被啁啾(chirp)，使得频率在一个周期内增加或减少。它通常以线性方式随时间变化，从基频开始上升到最大频率。然后，在下一个周期或啁啾开始时，信号再次以基频开始。基频和上频之差是信号的带宽。检测信号具有射频，或者更具体地，它包括多个射频。特别是，这些可能来自w波段(75
–
110ghz)。
11.用每个接收天线接收反射信号。应当理解，反射信号至少部分地响应于检测信号而出现，即检测信号的一部分被至少一个目标反射并被接收天线接收。虽然这里提到“一个”检测信号和“一个”响应信号，但这应理解为指的是至少一个信号，即如果天线装置包括多个发射天线，则可以通过不同的发射天线发射不同的检测信号，并且通常不同的反射信号可以由不同的天线接收。每个发射天线将检测信号发射到至少一个车辆座椅上。通常，该方法旨在用于在多个车辆座椅上进行占用检测，在这种情况下，每个发射天线将检测信号发射到多个车辆座椅上。发射信号的至少一部分被车辆座椅或乘员或放置在座椅上的无生命对象反射。
12.该方法的另一个步骤包括记录表示反射信号的样本数据，该样本数据具有m个信道，其中m＝n1
·
n2，其中n1是发射天线的数量并且n2是接收天线的数量。通常，样本数据对应于表示混频器的输出的数值，该混频器将接收天线处接收的信号与检测信号混合。应当理解，样本数据是以特定的采样率记录的，因此它们代表在特定的、离散的时间点的反射信号。样本数据具有用于发射天线和接收天线的每个组合的信道。尽管可以将样本数据的某些部分指派给信道之一，但这并不意味着属于一个信道的所有样本数据都作为单个连贯的数据组存储在存储器中。如果使用多个发射天线，则针对每个接收天线也有多个信道，即针对发射天线与该接收天线的每个组合都有一个信道。在这种情况下，可以采取措施确保仅将与发射天线和接收天线的一种组合相对应的样本数据指派给一个信道。样本数据可以可视化为雷达数据立方体，其中一个维度对应于信道数。另一个维度对应于一个块(例如，针对单个发射天线的一个啁啾或在时分复用的情况下由n1个发射天线顺序发射的n1个啁啾)期间的采样点数量。通常，块包括用于每个发射天线的一个调制周期。第三个维度对应于已采样的块数。块也称为“快时间”，而块的总数称为“慢时间”。
13.此外，该方法包括，对于每个信道，从样本数据中移除与来自静态对象的反射相对应的分量。该分量也可以称为静态背景，对于占用检测可以忽略它，因为乘员永远不会完全静止。做到这一点的最简单的方法是在所有块上计算某个采样点(例如，第一采样点)的平均值，然后从所有块中的相应采样点中减去该平均值。换言之，所有帧中都存在的恒定背景被移除。更一般地，可以应用高通滤波器。
14.然后，对样本数据应用频率估计方法以至少隐含地确定与车辆座椅上的乘员位置相对应的至少一个到达角。到达角是相对于发射天线的取向的角度，并且至少表示乘员所
在方向的近似值。换言之，虽然现有技术通常使用信道上的fft(也称为角度fft)来确定到达角，但本发明使用频率估计方法。至少一些频率估计方法也可以称为波束形成方法。在此上下文中，“波束形成”仅指信号接收，而非信号发送。其中至少有一些是自适应波束形成方法。一般而言，接收信道中的标准波束形成是指以模拟或数字方式(具有相移)连接接收天线的输出，以便仅观察一个角度并抑制所有其他到达角。fft(其是一种频率确定方法而不是频率估计方法)允许在数字波束形成中单独地观察所有入射角。尽管它在确定性上是正确的，但它的分辨率低于相同带宽的频率估计方法(其仅“估计”频率)。如在下文中将变得明显，应用频率估计方法来确定至少一个到达角增加了角分辨率，如果两个或更多个反射目标相对靠近在一起，则这将是特别有利的。换言之，可以以更高的精度区分和确定到达角，这使得能够分离两个对象(即使在使用角度fft不可能的情况下也是如此)。至少隐含地确定到达角，即明确地(直接地)确定到达角，或确定可以明确地根据其计算到达角的量。
15.优选地，在应用频率估计方法之前，对每个信道执行范围选通(range gating)。“范围选通”是指不考虑所有样本数据，而只考虑与某个范围或某些范围相对应的样本数据。在第一步中，样本数据被转换为范围表示。这通常通过在发射信号的每个块上执行fft来完成，例如由多个发射天线发射的每个啁啾或每个啁啾序列。在fft之后，变换后的数据可以存储为数据样本，每个样本对应于距天线阵列的一定范围或距离。然后，仅考虑与预定范围区间相对应的样本数据的一部分，该范围区间包括乘员的潜在位置。由于乘员(如果存在的话)坐在座椅上，并且在后排长椅的情况下座椅的距离不会改变，因此可以至少近似地预测乘员的距离。可以相应地定义范围区间，并且可以忽略与该间隔之外的位置相对应的任何样本数据。可以删除或当初就不存储被忽略的数据。可以理解，范围区间的边界取决于天线相对于至少一个座椅的位置。范围区间的长度可以是例如在0厘米到150厘米之间，特别是在30厘米到60厘米之间。通常，范围区间对应于多个样本，但也可以对应于单个样本。
16.通常，可以将各种配置用于接收天线。然而，优选的是，接收天线被布置为均匀的线性阵列。在线性阵列中，天线沿直线布置。在均匀线性阵列中，两个相邻天线之间的距离d对于所有天线都是相同的。尽管在本发明的上下文中可以使用其他配置，但使用均匀线性阵列(ula)简化了反射信号的分析和频率估计方法的应用。
17.根据一个实施例，仅使用一个发射天线，使得雷达系统是simo(单输入多输出)系统，可替代地可以使用多个发射天线。因此，针对一定数量的信道可以减少天线数量。例如，2个发射天线和4个接收天线(总计：6个天线)的系统具有与1个发射天线和8个接收天线(总计：9个天线)的系统相同的信道数。例如，如果将4个间隔为距离d的接收天线的ula与两个间隔为距离4d的发射天线组合，这会产生与1个发射天线和8个接收天线相同的相移。
18.如果使用多个发射天线，优选的是来自不同发射天线的发射信号通过时分复用分离。换句话说，一次只有一个天线处于活动状态(即，发送非零信号)，并且天线交替处于活动状态。然而，也可以应用其他形式的复用，例如频分复用或空分复用。
19.根据本发明可以应用各种频率估计方法。例如，可以使用bartlett方法或bartlett波束形成，但为了提供更好的角分辨率，而其他方法是优选的。根据一个实施例，频率估计方法是capon方法。capon方法也称为最小方差无失真响应(mvdr)算法。此方法试图最小化由噪声和来自扫描角θ以外的其他方向的任何信号所贡献的功率，同时保持输入信号的恒定增益。在第一步中，capon方法包括计算样本协方差矩阵其中
[0020][0021]
其中x[k]是m维输出向量，以范围表示来表示每个信道中的样本数据，并且k是所考虑的数据样本数。如上所述，可以在执行频率估计之前应用范围选通，使得考虑的数据样本的数量可以小于最初记录的数据样本的数量。输出向量x[k]的尺寸为m
×
1，其中m对应于信道数。每个数据样本k可以与特定范围相关联。因此，上式中的和可以看作是沿范围区间的和。协方差矩阵的元素示出了不同信道中的输出之间的相互关联性(correlation)(或缺乏相互关联性)。
[0022]
在另一步骤中，计算逆样本协方差矩阵这当然是上述样本协方差矩阵的逆矩阵。
[0023]
在又一步骤中，生成用于多个扫描角θ中的每一个的转向向量a(θ)。与扫描角θ相对应的尺寸m
×
1的转向向量a(θ)由列向量给出，并且对于具有m个元素的均匀线性阵列，其定义为
[0024][0025]
其中λ是反射信号的波长，并且d是两个接收天线之间的距离。可以理解，扫描角可以从以下区间中选择：其包括乘员的所有可能位置，同时排除预期没有任何乘员的角度。应当理解，上述转向向量的定义对于具有m个接收天线的simo ula以及对于具有m＝n1
·
n2个信道的mimo ula是有效的。
[0026]
当已经确定了协方差矩阵和转向向量时，capon功率谱p
cap
(θ)计算为
[0027][0028]
然后可以通过检查capon功率谱p
cap
(θ)的峰推断出至少一个到达角θi。可以示出，相对于例如bartlett方法，用capon方法可以显著提高角分辨率。
[0029]
根据另一实施例，频率估计方法是music(多信号分类)方法。它使用底层信号和噪声子空间的正交性来估计到达角。样本协方差矩阵可以通过特征分解来划分为信号子空间和噪声子空间。在第一步中，该方法还包括计算样本协方差矩阵如上文关于capon方法所述的。但是，在这种情况下不需要逆样本协方差矩阵。
[0030]
相反，计算样本协方差矩阵的特征值和特征向量。用于确定矩阵的特征值和特征向量的合适的数值方法在本领域中是已知的，因此在此将不讨论。假设的所有列都是线性独立的，则将有m个具有对应特征值的特征向量，其中一些特征值可能相同。
[0031]
然后，对特征值进行降序排序，并且以d为目标数，选择m-d个最小特征值和对应的特征向量来确定噪声子空间g。也就是说，具有最小特征值的m-d个特征向量跨越噪声子空间g。剩余的d个特征向量跨越信号子空间。
[0032]
进一步的步骤取决于所采用的music方法的类型。根据可称为谱music(spectral music)方法的一个实施例，该方法还包括在确定噪声子空间之后，针对多个扫描角θ中的每一个生成转向向量a(θ)。这些术语已经在上面参考capon方法进行了解释。
[0033]
然后，music功率谱p
music
(θ)计算为
[0034][0035]
如果a(θ)是标准化的，这可以简化为：
[0036][0037]
然后可以通过检查music功率谱p
music
(θ)的峰推导出至少一个到达角θi。总的来说，与capon方法相比，角分辨率仍然可以提高。
[0038]
不同的实施例可以被称为根-music方法。这里，该方法包括，在确定噪声子空间之后，计算根-music多项式j(z)的根zi，其中
[0039]
j(z)＝z
m-1
p
t
(z-1
)gghp(z)
[0040]
这里，即它是一个有元素1,z,
…
,z
m-1
的列向量，并且每个根zi对应于一个到达角θi。用于确定多项式的根(即，零)的算法在本领域中是已知的，因此这里将不讨论。
[0041]
当已经确定了根时，可以(明确地)针对至少一个根zi确定到达角θi，通常是针对多个根或甚至针对所有根。对于线性均匀阵列，到达角θi被确定为
[0042][0043]
其中λ是反射信号的波长，并且d是两个接收天线之间的距离。然而，一些根可以被忽略，如下所述。
[0044]
根据一个实施例，仅考虑位于复平面中的单位圆内且最接近单位圆的d个根zi。换言之，仅考虑具有绝对值|zi|≤1的根，并且在这些根中仅使用具有最大绝对值的d个根(对应于目标的数量)。通常，j(z)是阶数为2(m-1)的多项式。根以相对于单位圆的镜像对出现。在单位圆内的m-1个根中，选择最接近单位圆的恰好d个。理想情况下，在没有噪声的情况下，根将恰好位于单位圆上。
[0045]
为了便于对乘员的检测，可以使用关于乘员的可能位置的进一步信息来排除某些根。对于每个车辆座椅，可以定义一个角度区间，并且只考虑与角度区间内的到达角θi相对应的根zi。每个角度区间都有一个下限和一个上限。例如，对于后排长椅的三个座椅，角度区间可以是[-75
°
；-18
°
]，[-12
°
；12
°
]和[18
°
；75]。这些区间中的任何区间之外的任何到达角都可以被丢弃，因为它不代表乘员。因此，不需要考虑与这种到达角相对应的任何根zi。
[0046]
如上所述，在没有噪声的情况下，根将恰好位于单位圆上。即使存在噪声，最接近单位圆的根也具有代表乘员的最高概率。除了简单地选择最接近单位圆的d个根zi之外，无论它们与单位圆有多接近，都可以定义根的绝对值的下限。根据这样的实施例，定义了半径小于1的内圆，并且仅考虑在内圆外且在单位圆内的根zi。内圆的半径可以是例如介于0.5
到0.8之间，或介于0.65到0.75之间。
[0047]
如上面关于范围选通所提到的，用于协方差矩阵的样本数量可以减少，甚至显著减少。这主要适用于上述各种music方法。甚至可能考虑在1到5个之间样本来计算协方差矩阵其中每个样本以范围表示来表示范围值。在只有一个样本的极端情况下，范围区间已有效地减少到单个范围值。然而，如果该范围值选择适当，则有效确定到达角是可能的。单个样本应与对于乘员是特征性(characteristic)的范围值相对应，但其对于例如车辆座椅本身或放置在车辆座椅上的小对象(如袋子)是非特征性的。
[0048]
乘员的检测通常逐帧(即，对于测量的每一帧)执行，其中每一帧包括多个块。每个块依次对应于至少一个调制周期(通常每个发射天线一个)。取决于各种因素，对于样本数据的每一帧，通常不可能准确检测到乘员。但是，可以合理地假设将在相对大量的帧中检测到乘员，而在较少量的帧中发生错误检测。根据该方法的一个实施例，对于每个座椅，定义复平面中的关联区域，并且对于与检测信号的多个调制周期相对应的每一帧，如果至少一个根zi位于该关联区域中，则增加用于该关联区域的计数器，并且如果该关联区域中没有根zi，则减少用于该关联区域的计数器，并且如果计数器超过预定义阈值，则该座椅被识别为已占用。复平面中的关联区域可以使用上述角度区间(其对应于复平面中通常不同的角度区间)以及上述内圆和单位圆来定义。对于每一帧，对每个关联区域内的根进行计数。如果关联区域中的根数不为零，则用于该座椅的计数器被增加，例如增加根数。如果关联区域中的路线数为0，则用于该座椅的计数器减少，例如减少1。可以在每帧之后或所有帧都被处理后检查计数器。如果用于一个座椅的计数器超过了预定义的阈值，则该座椅被识别为已占用。如果在处理了所有帧后计数器低于此阈值，则将座椅识别为空。
附图说明
[0049]
本发明的进一步细节和优点将参照附图从以下非限制性实施例的详细描述中变得显而易见，其中：
[0050]
图1是具有用于执行本发明的占用检测方法的实施例的系统的车辆内部的示意性前视图；
[0051]
图2是来自图1的系统的两个可能的天线阵列的示意图；
[0052]
图3示出了来自图2的天线阵列的检测信号频率的时间演变；
[0053]
图4说明了雷达数据立方体的结构；
[0054]
图5是根据本发明的不同方法导出的功率谱的第一比较图；
[0055]
图6是根据本发明的不同方法导出的功率谱的第二比较图；
[0056]
图7是示出music多项式的根在复平面中的位置的第一图；
[0057]
图8是导出复平面中的关联区域的第一图；
[0058]
图9是导出复平面中的关联区域的第二图；
[0059]
图10是与图9对应的图，其还示出了music多项式的根的位置；
[0060]
图11是表示作为范围的函数的功率谱的图；
[0061]
图12是表示根据本发明的方法导出的功率谱的图；
[0062]
图13是复平面中music多项式的根的位置和关联区域的never图；
[0063]
图14是从根据本发明的不同方法导出的功率谱的第三比较图；
[0064]
图15是说明根据本发明的方法的第一实施例的流程图；
[0065]
图16是说明根据本发明的方法的第二实施例的流程图；以及
[0066]
图17是说明根据本发明的方法的第三实施例的流程图。
具体实施方式
[0067]
图1示意性地示出了车辆30的内部，其中，后排长椅包括左座椅31、中间座椅32和右座椅33。用于占用检测的系统1安装在车辆30的后座椅区域上方的天花板中。它可以例如安装在车顶内衬(headliner)后面，以便以最佳方式照射所有后排座椅31、32、33。系统1适用于占用检测，其还可以包括检测留在车辆30中的无人看管的儿童。
[0068]
图2示意性地示出了可以在系统1中采用的天线阵列的两个版本。在每种情况下，多个接收天线rx被布置为均匀线性阵列(ula)，其中，两个接收天线rx之间的距离为d。根据如字母a)下所示的第一选项，天线阵列是具有单个发射天线tx和八个接收天线rx的simo系统。根据如字母b)下所示的第二选项，天线阵列是一个mimo系统，其具有两个间隔为4d的发射天线tx和四个接收天线rx。如图2所示，在每种情况下，在发射天线tx和接收天线rx之间发生从0到7ω的八种不同的相对相移，其中ω＝4d
·
sinθ。接收天线rx和发射天线tx的每个组合对应于一个(虚拟)信道。系统1被配置为发射fmcw雷达信号，该信号在本文中被称为检测信号。如果使用mimo配置，重要的是接收天线rx可以分离与不同发射天线tx相对应的反射信号。在该示例中，不同发射天线tx的发射信号通过时分复用(tdm)分离，如图3所示。每个发射天线tx生成一系列交替啁啾，即当一个发射天线tx生成啁啾时，另一个发射天线tx不活动。一对啁啾形成发射信号的一个块，并且一个帧包括多个块(例如，16个块，即来自每个发射天线的16个啁啾)。在操作期间，发出一系列帧。在本示例中，工作频率从79ghz至109ghz，对应于3.8mm的基本波长λ。每个啁啾的频率斜率为70mhz/μs。一帧周期为62.5ms，对应于16帧/秒。距离d为1.9mm(即，λ/2)。
[0069]
检测信号至少部分地被车辆30的内部反射，并且除了车辆座椅31、32、33之外，它可以被乘员20或设置在车辆座椅31、32、33之一上的无生命的对象(如背包21)反射。反射信号的至少一部分被接收天线rx接收。这被记录为样本数据，其结构可以以雷达数据立方体的形式来说明，并且如图4所示。雷达数据立方体直观地展示了雷达的处理数据。它可以被描述为样本分组(bin)的三维布置。立方体的一个维度对应于m个信道，在这种情况下m＝8。第二个维度对应于在信号的一个块期间记录的数据样本(或数据快照)的数量k，在这种情况下k＝256。第三个维度对应于记录的块的总数。也可以说第二个维度对应快时间，而第三个维度对应慢时间。在两个啁啾的发射期间，立方体的一列针对所有m个信道被填充。在一帧的持续时间内，剩余的列被填充。然而，记录有可能包括多个帧，每个帧包括一定数量的块。
[0070]
在所有信道上执行fft将导致场景的角度信息(角度fft)。这通常是根据现有技术完成的，但会产生不令人满意的角分辨率。在所有列上执行fft(对应于慢时间)将产生速度信息(多普勒fft)。在单个列上执行fft会产生范围信息(范围fft)。
[0071]
现在将参考图15至图17中的流程图解释本发明方法的实施例。应该注意的是，每个流程图中的步骤顺序可以改变，或者示出为顺序发生的一些步骤可以同时执行。
[0072]
根据第一实施例(参考图15中的流程图对其进行解释)，使用capon方法(也称为最
小方差无失真响应(mvdr)算法)。在第一步中，在100，发射检测信号并接收反射信号。在105，记录样本数据。然后，在110，与静态对象的反射相对应的样本数据的一部分被移除。这可以通过在所有列上取特定样本分组(例如，每列中的第一个样本分组)的平均值并从每个样本分组中减去该平均值来完成。在115，执行范围fft以将样本数据转换成范围表示。
[0073]
在120，执行范围选通，这意味着与某个范围区间不对应的所有样本数据都被丢弃。其原因可以参见图11，其说明了反射信号在范围表示中的典型功率谱。大多数相关的光谱密度位于从30cm到110cm的范围内，因此可以相应地选择范围区间。此外，在此示例中，任何110cm以外远的对象都将位于车辆座椅31、32、33的内部或甚至后面。范围选通大大减少了每列中(相关)样本分组的数量，例如从256到21。
[0074]
之后，执行capon方法(在130)。在135，样本协方差矩阵被计算为：
[0075][0076]
其中x[k]是m维输出向量，其以范围表示来表示每个信道中的样本数据，并且k是所考虑的数据样本数(例如，在范围选通后k＝21)。在140，计算逆样本协方差矩阵然后，在145，生成用于多个扫描角θ中的每一个的转向向量a(θ)。与扫描角θ相对应的转向向量a(θ)由列向量给出，并且对于具有m个信道的均匀线性阵列，它被定义为
[0077][0078]
其中λ是反射信号的波长，并且d是两个接收天线之间的距离。
[0079]
当协方差矩阵和转向向量已经被确定时，capon功率谱p
cap
(θ)被计算(在150)为
[0080][0081]
然后，在155，可以通过检查capon功率谱p
cap
(θ)的峰来确定至少一个到达角θi。在图5和图6(其分别示出了bartlett方法和capon方法的功率谱)中，可以看出后者示出了改进的信噪比。另外，在图5(它表示基于分别位于0
°
和10
°
的两个目标的模拟)中，bartlett方法无法分辨两个单独的峰，而capon方法则清楚地示出了这些峰。在图6(其表示图1中所示的情况，其中乘员20在左座椅31上，并且背包21在右座椅33上)中，由大约25
°
处的背包21产生的峰的高度为来自大约-15
°
处的乘员20的峰的大约一半。使用bartlett方法，相应峰具有相似的高度，因此几乎不可能区分乘员20和无生命对象21。
[0082]
根据另一个实施例(现在将参考图16对其进行解释)，采用music(多信号分类)方法。在第一步中，在200，检测信号被发射并且反射信号被接收。在205，记录样本数据。然后，在210，与静态对象的反射相对应的样本数据的一部分被移除。在215，执行范围fft以将样本数据转换成范围表示。在220，执行范围选通。
[0083]
在230，music方法开始。在235，如上文关于capon方法所述计算样本协方差矩阵
在240，计算样本协方差矩阵的特征值和特征向量。假设的所有列都是线性独立的，则将有m个具有对应特征值的特征向量，其中一些特征值可能相同。
[0084]
然后，在245，以降序对特征值进行排序并且调整特征向量。以d为目标数，选择m-d个最小特征值和对应的特征向量来确定噪声子空间g(在250)。在255，计算乘积ggh。
[0085]
在260处，如上文参照capon方法所解释的，生成用于多个扫描角θ中的每一个的转向向量a(θ)。然后，在265处，用下式计算music功率谱p
music
(θ)
[0086][0087]
如果a(θ)被标准化的，则这可以简化为：
[0088][0089]
在270，通过检查music功率谱p
music
(θ)的峰可以推断出至少一个到达角θi。如从图5和图6二者都可以看出的，与capon方法相比，结果仍然可以改进。在图5的场景中，与capon相比，信噪比提高了约17db。两个峰更清晰地可分离。在图6中，代表乘员20的单个峰(在-15
°
处)比capon功率谱中的明显得多，其中约-40
°
处的侧峰被降低，并且与背包21相对应的约25
°
处的峰甚至更低。应当注意，图6中的图对应于未执行范围选通的变体，如图15-17中的虚线箭头所示，即，分别已经省略了步骤120和220。图12示出了其中已执行范围选通的music功率谱。虽然-15
°
处的主峰和-40
°
处的侧峰之间的差异没有图6中那样明显，但与背包21相对应的峰已经几乎消失了。
[0090]
根据第三实施例，将参照图17进行描述，使用了一种不同的方法，该方法可以称为根-music方法，该方法从330开始。步骤300到355与上述步骤200到255相同。在确定噪声子空间后，在360用下式确定根-music多项式j(z)的根zi[0091]
j(z)＝z
m-1
p
t
(z-1
)gghp(z)
[0092]
其中图7是说明复平面中的根zi相对于单位圆c1的位置的图。通常，多项式j(z)总共有2(m-1)个根，即在本例中为14个根zi。如图7所示，根成对出现，其中在单位圆c1内有7个根zi，并且在单位圆c1外有7个根在365，选择单位圆内的m-1个根zi。此外，在370，定义内圆c2的内半径。这个内半径小于1并且可以例如为0.7。此外，为每个座椅31、32、33定义了角度区间。例如，对于左座椅31，角度区间可以是[-75
°
；-18
°
]，对于中间座椅32，角度区间可以是[-12
°
；12
°
]，并且对于右座椅33，角度区间可以是[18
°
；75]。利用由单位圆c1、内圆c2和角度区间定义的边界，可以为车辆座椅31、32、33中的每一个定义关联区域a1、a2、a3，如图9所示。在该方法的一个更简单的版本中，可以省略内圆c2作为标准，如图8所示。现在，在375，仅考虑相应关联区域a1、a2、a3内的根zi。在图13所示的示例中，两个根z4、z5位于左座椅31的关联区域a1。因此，左座椅31的缓冲区的计数器增加2。在中间座椅32和右座椅33的对应缓冲区中减少1，因为没有根位于它们相应的关联区域a2、a3中。在380，将每个缓冲区与阈值进行比较，在本例中阈值为40，并且当超过阈值时，认为对应的座椅31、32、33被占用。在这种情况下，可以触发一些与安全相关的系统，例如相应座椅31、32、
33的安全带提醒。
[0093]
当已经确定了根zi时，还可以为每个根zi明确地确定到达角θi为
[0094][0095]
图13和图14涉及一个实施例，其中范围选通已被限制，从而仅与单个范围值相对应的单个样本已经被使用。在这种情况下，样本对应于70cm的范围值。如图13可见，使用根-music方法，可以通过位于左座椅31的关联区域a1中的两个根z4、z5来成功识别乘员20。使用谱music方法，其结果示出为图14中的黑线，可以在-15
°
处识别出单个峰，从而成功识别出乘员20。另一方面，针对capon方法使用单个样本会产生不允许任何识别的功率谱，如图14中的灰线所示。该谱包含大量分布在整个角度范围上的峰。可以看出其原因在于，capon方法需要计算逆协方差矩阵来计算谱。然而，在单个样本的情况下，协方差矩阵的列变得相互关联(correlated)，因此无法成功计算逆协方差矩阵因此，如果协方差矩阵的列是相互关联的，则不能使用capon算法。
[0096]
附图标记列表
[0097]
1系统
[0098]
20乘员
[0099]
21背包
[0100]
30车辆
[0101]
31、32、33座椅
[0102]
a1-a3关联区域
[0103]
c1单位圆
[0104]
c2内圆
[0105]
rx接收天线
[0106]
tx发射天线
[0107]
zi根