用于识别特定于乘员的设置的方法及用于执行该方法的车辆与流程

本发明涉及一种用于识别车辆的特定于乘员的设置的方法以及能够执行这种方法的车辆。特别地，本发明涉及一种以无监督的方式来识别特定于乘员的设置的方法以及能够执行这种方法的车辆。

背景技术：

一些车辆具有基于存储的设置来调节特定的车辆设置(例如座椅位置、方向盘位置、镜体位置等)的能力。这种存储的设置可以基于用户身份，使得多个乘员(驾驶员和/或乘客)可以定制特定的车辆项目(item)。

车辆乘员的身份通常是根据乘员的明确的身份来确定的。例如，乘员的身份基于预先注册的设备(例如密钥、令牌或移动电话)来确定，或者基于通过姓名、密码等可识别的预先注册的用户配置文件来确定，或者基于不变的生物特征识别数据(例如指纹、虹膜、语音等)来确定。这种识别系统需要有受监督的学习阶段，在此期间，将创建乘员账户并将其存储在车辆系统中。

技术实现要素：

本发明的目的在于提供一种更有效地识别车辆的特定于乘员的设置的方法。

该目的由本公开所限定的方法、计算机可读介质以及车辆来解决：

根据一个方面，本公开提供了一种用于识别车辆的特定于乘员的设置的方法，所述方法包括：检测车辆乘员；收集检测到的车辆乘员的生物特征识别乘员数据(biometricoccupantdata)；基于收集到的所述生物特征识别乘员数据的至少一部分来汇编描述符；将所述描述符存储到数据库中；和基于已汇编的描述符来更新所述数据库中的描述符的聚类，其中，被分组在所述聚类中的描述符彼此接近，并且其中所述聚类对应于所述检测到的车辆乘员。

在其中一些实施例中，本公开提供了一种用于识别车辆的特定于乘员的设置的方法，包括以下步骤：检测车辆乘员，例如驾驶员或乘客，以及收集检测到的车辆乘员的生物特征识别乘员数据。车辆乘员的检测涉及检测车辆乘员的存在性，但不包括检测特定车辆乘员的身份。例如，该方法并不需要基于独特的乘员数据，如密钥或(射频识别的)令牌来检测特定的车辆乘员。

该方法还包括：(一旦检测到车辆乘员的存在和/或其他事件已触发了对生物特征识别乘员数据进行收集)基于收集到的乘员数据的至少一部分来汇编(assemble)描述符(descriptor)、将所述描述符存储在数据库中、以及基于已汇编的描述符来更新数据库中的描述符的聚类。描述符数值化地(numerically)存储至少一个特征，例如生物特征识别特征，并且在存在车辆乘员的多个特征的情况下，所述描述符存储并将不同的特征数值化地组合为向量。在聚类中分组的描述符彼此接近，例如，彼此之间的距离低于预限定的阈值，并且聚类对应于检测到的车辆乘员。换句话说，数据库具有(存储)至少两个可以相互比较的描述符。如果两个或更多的描述符彼此接近(closetoeachother)，那么这些描述符可以一起被分组在聚类中，表示检测到的车辆乘员。

因此，所述数据库可以进一步存储多个聚类，即，多个描述符被分组为两个或多个聚类，分别表示两个或多个车辆乘员。由于不需要在之前的用户配置文件设置中输入个人信息，因此提供了以无监督的方式来识别车辆乘员。新的或未知的车辆乘员可以被“即时(on-the-fly)”识别，即不需要初始的用户配置文件设置，只需在数据库中补充一个附加的聚类，所述附加的聚类以到已在数据库中的每一个描述符的距离均超过预限定阈值的描述符为起点。这允许对车辆乘员的识别，而不会干扰乘员，尤其是车辆的驾驶员。此外，车辆乘员的生物特征识别数据可能是相当通用的类型。例如，由于对车辆乘员的不同特征进行收集并且将同一车辆乘员的多个描述符存储在聚类中，因此并不需要车辆乘员操作特定的传感器设备，例如指纹传感器和虹膜传感器等。这进一步允许识别不具有单个明确或独特的生物特征识别的车辆乘员。

对车辆乘员或与之相关的生物特征识别和/或其他特征的数值解释可包括：储存传感器值数据，如重量、高度(相对于车辆中固定的物体，如座椅靠背)和安全带长度，和/或储存基于传感器数据的计算的数据，如平均头发颜色、皮肤颜色，虹膜或类似物的颜色、乘员躯干轮廓的曲率、乘员声音的具体特征等。额外的或可替代的，描述符可以包括基于捕获的三维(3d)图像的数据，例如车辆乘员的头部、面部、四肢、躯干等的3d几何形状和/或形貌。例如，描述符可以包括表示了眼睛的距离、眼睛和鼻子和/或耳朵的距离、耳朵的大小、头部和/或四肢的体积等的数据。应当理解的是，所述描述符可以进一步存储指纹传感器和/或虹膜传感器的生物特征识别数据或从指纹传感器和/或虹膜传感器导出的生物特征识别数据。

额外的或可替代的，所述描述符可以包括数据驱动的特征，如通过人工神经网络计算的嵌入(embeddings)，和/或应用在表示车辆乘员的面部、身体、语音等的(传感器)数据上的相关机器学习方法。

在一种实施方式的变体中，更新所述描述符的聚类可以包括：计算所述已汇编的描述符与存储在所述数据库中的至少一个其他描述符之间的距离，并且如果所述距离低于预限定的阈值或者低于由系统随时间评估(学习)的阈值，则将所述已汇编的描述符与由所述至少一个其他描述符限定的聚类相关联。换句话说，在对所述至少一个其他描述符进行分组的数据库中可能已经存在一个聚类，因此聚类的每一个其他描述符可以用于标识该聚类。在描述符中，可以使用任何合适的距离测量法(例如，计算欧几里得距离、测地线距离等)来计算描述符之间的空间距离。因此，可以通过分析表示特定乘员的描述符到表示其他乘员的描述符的距离，例如通过在描述符空间中找到具有最小距离的最佳匹配,来识别车辆的乘员。所述描述符之间的距离可以基于构成描述符的特征来计算。换句话说，基于描述符中的对应的特征之间的距离来计算描述符之间的距离。因此，即使特征变化，如头发颜色，仍然可以识别出车辆乘员。

额外的或可替代的，可以计算已汇编的描述符与表示了聚类中的所有描述符的平均值的平均描述符之间的距离，并将该距离与预限定的阈值进行比较。这可以避免增加聚类的“尺寸”(size)，即避免了同一聚类的两个描述符之间的距离超过预限定距离的倍数(amultipleofthepredefineddistance)。这减少了假的正结果(falsepositives)的计算，即，由于一个聚类中的描述符与均值(平均值)之间的偏差过大，从而导致因超大的聚类而引起的对所谓的车辆乘员的识别。

在本公开中，将描述符之间的距离和/或描述符与聚类的均值(平均值)之间的距离作为参考。应理解的是，代替距离或除了距离之外，该方法也可以依赖于相似性测量(描述符的相似性)和/或概率测量(两个描述符表示同一车辆乘员的概率)。因此，对于小距离的情况，将采用紧密相似性和高概率。

此外，将已汇编的描述符与聚类相关联可以包括：存储用于描述符或具有描述符(例如，用聚类标识补充描述符)的聚类标识和/或存储构成了聚类的所有描述符的描述符标识，例如存储描述符和聚类的映射表。

在另一个实施方式的变体中，所述生物特征识别乘员数据包括强生物特征识别数据和/或弱生物特征识别数据。由于在聚类中存储了表示乘员随时间的弱生物特征识别数据的变化，即使监测到同一乘员的这种弱生物特征识别数据的变化，对所述强生物特征识别数据和所述弱生物特征识别数据进行区别使得能够可靠地识别特定的车辆乘员。例如，强生物特征识别数据可以包括：面部特征数据(例如，乘员面部的几何特征)、语音数据、虹膜数据和/或指纹数据。所述强生物特征识别数据(例如虹膜和指纹数据)对于乘员是独特的。所述弱生物特征识别数据可以包括：体重数据、身高数据和/或安全带长度数据。所述安全带长度数据可以取决于乘员的身高，因此，其表示弱生物特征识别数据，其可以改变或随时间变化。

由于车辆乘员识别是基于整个描述符的，因此该方法不仅依赖于强生物特征识别数据。即使不能导出特定的生物特征识别数据项，所述描述符仍然可以被存储和聚类，因为其提供了车辆乘员的标识。由于为识别车辆乘员而聚类的描述符的多样性，即使没有强生物特征识别数据，可靠的识别也是可能的。根据进一步的变体，如果描述符与数据库中的其他描述符的距离超过(预限定或已学习的)阈值和/或在描述符被汇编和/或存储时可用的生物特征识别数据的特征或类型的数目低于另一阈值，则可以丢弃该描述符。

因此，可以基于描述了乘员的各种特征来识别车辆的乘员，而不需要独特的标识(如令牌或密钥)。此外，不需要乘员的身份识别，例如姓名、年龄、性别等，这避免了数据保护的问题。换句话说，尽管可以识别车辆乘员，由于信息不包含有关车辆乘员的任何个人信息，因此该信息是匿名的。

构成描述符的数据可以包括所有已收集的生物特征识别乘员数据，或者可替代地，可以包括已收集的生物特征识别乘员数据的子集。例如，基于该方法的预限定的设置，可以仅使用弱生物特征识别数据来汇编描述符，可以仅使用强生物特征识别数据来汇编描述符，可以仅使用强和/或弱生物特征识别数据的某些特征来汇编描述符。换句话说，通过将不同的特征组合为向量，车辆乘员由描述符来进行数值化地建模。这些特征可以基于真实的传感器特征识别数据或其抽象的数学描述。组合多个特征(即，使用多个生物特征识别乘员数据)来汇编描述符，提供了车辆乘员的更具区分性的描述符。

根据一个变体，可以自动地执行收集生物特征识别乘员数据、汇编描述符、存储所述描述符以及所述更新所述描述符的聚类的步骤中的至少一个步骤，而不需要用户发起和/或用户干预。例如，这些步骤的执行可以由车辆系统在特定时间点(例如行程的开始、车辆发动机的启动)以一定的时间间隔(例如，每小时一次、每天一次、每周一次等)触发，和/或当车辆的状态变化时，例如当门打开和/或关闭时，当安全带被扣住时，和/或当车辆的座位中的重量传感器的信号变化时，和/或指示重量的变化超过(预限定的)阈值时来触发。

在进一步的实施方式的变体中，可以选择一个聚类算法用来对已汇编的描述符进行聚类。例如，可以基于预先设置的任务设置来选择聚类算法。根据第一种设置，如果乘员的数量(因此聚类的数量)是已知的或可预测的，则采用基于质心的方法，如k-均值方法。根据第二种设置，如果车辆乘员的数量((因此聚类的数量)是未知且大量随机的，例如，在由多个驾驶员使用的大型车队的车辆中，则使用分层聚类。

在进一步的实施方式的变体中，聚类(聚类算法)是由某些事件来触发的。例如，在收集/汇编了预限定数目的描述符后，聚类被更新。预限定的数目可以是1，但在可替代的实施方式中，例如在收集/汇编5个描述符之后或者在收集/汇编10个描述符之后，该数目可以大于1。额外的或可替代的，在车辆乘员调整特定车辆设置，例如调整座椅位置、调整镜体等之后，可以更新聚类。

根据另一个变体，该方法还可以包括：将描述符与至少一个当前车辆设置相关联。例如，存储描述符可以包括：存储与至少一个车辆设置相关联的描述符。存储可能发生在存储描述符和聚类的相同的数据库中。车辆设置可以涉及车辆中可被调整和/或被个性化的任何项目，如座椅位置、靠背位置、头枕位置、镜体位置、方向盘位置、安全带卡扣或导向装置的位置、空调系统的温度和/或容积流量、收音机和/或电视台或信息娱乐系统的其他设置等。

根据另一种实施方案的变体，该方法还可以包括：计算已汇编的描述符到数据库中每一个聚类的距离，以及将计算出的距离与阈值(例如预限定的阈值)进行比较。描述符与聚类之间的距离可以基于构成聚类的描述符的每个特征的平均值。换句话说，将汇编的描述符与由聚类表示的车辆乘员的平均值描述进行比较。距离可以基于逐个特征来计算。

如果计算出的距离超过阈值，则假定已检测的车辆乘员对于系统是未知的。在这种情况下，该方法包括存储与表示新的车辆乘员的新聚类相关联的已汇编的描述符。可替代地，已汇编的描述符可以与未知的描述符的聚类相关联进行存储，其将在稍后的时间点进行评估，例如在距离低于阈值的两个未知聚类被汇编和存储的时间点。无论如何，系统的学习阶段被启用，其中新的乘员通过描述符来描述，并且为新的乘员存储车辆设置。可替代的，可以丢弃该描述符，例如，如果可用于该相应描述符的特征的数目(生物特征识别数据的数目)低于预限定阈值，则丢弃该描述符。

此外，该方法还包括：如果计算出的距离不超过阈值，则选择在数据库中存储的最佳匹配聚类，并且基于最佳匹配聚类来计算车辆设置。换句话说，最佳匹配聚类表示通过已汇编的描述符已经识别的车辆乘员，即被识别为在车辆的特定座位上的特定的乘员。

一旦已计算，计算出的车辆设置可以被用于调整至少一个车辆项目。因此，一旦特定的乘员通过已汇编的描述符和存储在数据库中的聚类(以匹配聚类的形式而不是如传统的系统中的特定标识的形式)被检测出和识别出，就可以基于为最佳匹配聚类(即为特定乘员)存储的车辆设置信息来自动的调整车辆项目。

计算车辆设置可以基于导出用于特定乘员的最佳车辆设定的任何函数。根据一个变体，计算车辆设置包括：从数据库中检索至少一个最佳匹配聚类的聚类项，即与数据库中的最佳匹配聚类相关联存储的至少一个聚类项。每个聚类项可以包括至少一个车辆设置。车辆设置的计算还可以包括：基于检索到的至少一个聚类项的至少一个车辆设置来计算至少一个特定于乘员的车辆设置。换句话说，与特定聚类相关联的聚类项可以是表示与特定聚类相关联的一个或多个车辆项目的设置的特征向量。与特定聚类的关联指定了由聚类项标识的特定车辆项目的特定于乘员的车辆设置。

根据另一个变体，计算至少一个特定于乘员的车辆设置包括：确定最新存储的车辆设置(例如最后一个调谐收音机和/或电视台)、计算检索到的至少一个聚类项的预限定数目的车辆设置的平均值或中间值或模式(mode)，如座位位置的平均座椅位置、中间值或模式；镜体位置的平均镜体位置、中间值或模式；温度设置的平均温度设置、中间值或模式等、和/或基于传感器数据来确定车辆设置，例如根据当前的温度测量结果从多个存储的空调设置(从已存储的聚类项)中选择空调设置(在这种情况下，当特定的空调设置被设置和存储时，聚类项必须与温度测量结果一起存储)。车辆设置的模式是在检索到的至少一个聚类项中发生次数最多的特定设置。

每当描述符被汇编和/或描述符被存储在数据库中时，可以存储一个或多个聚类项。因此，不仅随时间来监测车辆乘员，以便构建表示车辆乘员的描述符聚类，而且可以随时间来监测一个或多个车辆设置。与表示车辆乘员的描述符一样，一个或多个车辆设置可以被存储在描述符中，该描述符被聚类并且与表示车辆乘员的聚类相关联。因此，不仅可以根据特定的车辆乘员来设置一个或多个车辆项目，还可以根据外部温度、下雨、阳光、行进速度、当前使用的道路类型等进一步的影响因素来设置车辆项目。

根据另一方面，一种计算机可读介质，其被配置以存储可执行指令，当所述可执行指令被处理器执行时，所述可执行指令使得所述处理器执行根据所披露的(实施的)变体中的一个变体所述的方法。所述计算机可读介质可以是任何易失性或非易失性存储介质。

根据又一方面，一种车辆包括：处理器、包括有数据库的存储设备以及至少一个被配置以假设特定设置的可调节车辆项目。所述处理器被配置以执行根据所披露的(实施的)变体中的一个变体所述的方法。

所述车辆还可以包括至少一个传感器，该传感器被配置以感测生物特征识别乘员数据。所述至少一个传感器可以可选地包括：摄像头、麦克风、重量传感器和/或指纹传感器。所述车辆还可包括至少一个被配置以感测车辆周围环境特征的传感器，如温度传感器、水传感器、振动传感器、陀螺仪等。由一个或多个额外的传感器检测的该环境特征可由处理器加以利用，以基于环境影响因素来计算车辆设置。

在一个实施方式的变体中，所述处理器被进一步地配置以，每当所述车辆开始行程(startajourney)时，开始执行根据所披露的(实施的)变体中的一个的方法。

本公开不限于所描述的方面、变体、实施变体和可替代方案，而是所描述的方面、变体、实施变体和可替代方案的汇编。

附图说明

参考以下示意性的附图，对用于理解所披露的用于识别车辆的特定于乘员的设置的方法及相应的车辆的优选示例进行更详细的描述，其中：

图1描述了用于识别表示检测到的车辆乘员的最佳匹配聚类的推断阶段的示意性流程图；

图2描述了用于汇编和存储描述符的学习阶段的示意性流程图，其中所述描述符描述了检测到的车辆乘员；

图3描述了用于检索车辆的特定于乘员的设置的检索阶段的示意性流程图；

图4示意性地示出了包括有能够执行根据图1至图3的阶段的方法的系统的车辆；

图5示意性地示出了用于描述检测到的车辆乘员的描述符。

具体实施方式

图1描述了用于识别表示检测到的车辆乘员的最佳匹配聚类(cluster)的推断阶段100的示意性流程图。推断阶段100假定数据库10已经存储了车辆特定于乘员的数据，例如表示乘员的数据11和表示车辆设置的数据12。在步骤101中，检测车辆乘员，例如，由于传感器(例如摄像头41或麦克风41和/或重量传感器42(参见图4))信号的变化，而检测到车辆乘员。

一旦检测到车辆乘员(或者可替代地，不同的事件触发推断阶段100，例如由环境传感器(未示出)检测到的环境特征的变化)，则收集检测到的车辆乘员的生物特征识别数据(步骤110)。对这些数据进行收集可以包括强和/或弱生物特征识别乘员数据，其进一步用于在步骤120中汇编描述符11。对描述符11进行汇编可以包括：对将要被存储为描述符项的特征值进行计算，如将结合图5所描述的那样。

然后，该方法计算(130)汇编的描述符11到从数据库10检索到的聚类13的距离“d”。聚类13是一组描述符11，它们具有彼此之间低于预限定阈值的距离，使得聚类13表示车辆乘员。在步骤140中，确定计算出的描述符11到聚类13的距离是否超过预限定的阈值d0。

如果描述符11到特定聚类13的距离未超过阈值，则在步骤150，选择最佳匹配聚类13。对于最佳匹配聚类13的选择可以包括：选择具有到汇编的描述符11最小距离的聚类13。换句话说，最佳匹配聚类13表示已经基于存储在数据库10中的描述符11数据和聚类13数据进行识别的车辆乘员。基于最佳匹配聚类13，开始检索阶段300。

如果汇编的描述符11到存储在数据库10中的每一个聚类13的距离“d”超过预限定的阈值d0，则开始图2示意性示出的学习阶段200。可替代地，当检测101到车辆乘员时，可以开始学习阶段200，即，由于与启用推断阶段100相同的触发器，可以开始学习阶段200。此外，对车辆乘员的检测101可以基于与关于推断阶段100所描述的相同的评估。

同样地，对生物特征识别乘员数据的收集110以及对描述符11的汇编120，可以对应于推断阶段100的步骤。例如，当学习阶段200被启用于推断阶段100的步骤140时，该方法可以(在点“a”处)直接开始步骤210，即将汇编的描述符11与一个或多个车辆设置12相关联。将汇编的描述符11与一个或多个车辆设置12相关联210可以基于在汇编描述符11或者将描述符11存储220在数据库10中时所设置的车辆设置12。

可替代地，可以跳过将描述符11与车辆设置12进行关联210，并且方法(以步骤220开始或)继续进行步骤220，即(仅)将描述符11存储在数据库10中。如果新的(空的)数据库10不包含任何或多个描述符11，则使得在将针对车辆乘员(其由已存储的描述符11来表示)而存储的车辆设置12进行个性化之前，首先使用描述了一个或多个车辆乘员的描述符11来填充数据库10，这可能是有用的。

例如，在步骤230中，可以确定是否应继续进行学习阶段200，或者是否应进一步评估和/或分析已存储的220描述符11。因此，该方法可以在步骤110重复开始，即收集生物特征识别乘员数据。否则，该方法可以继续执行步骤240，即对汇编的和已存储的描述符11的聚类13进行更新(或对汇编的和已存储的描述符11进行聚类)。聚类13被用于对彼此接近的描述符11(即彼此之间的距离低于预限定的阈值(例如阈值d0))进行分组。可替代地，具有到聚类13的平均值、中间值或模式的距离低于预限定的阈值(例如d0)的描述符11在聚类13中被分组。因此，聚类13对应于检测到的车辆乘员，并且描述了该车辆乘员的特征。

图3描述了用于检索车辆1的特定于乘员的设置15的检索阶段300的示意性流程图。检索阶段300从最匹配聚类13(例如在步骤150(图1)中选择的聚类)开始。基于最佳匹配聚类13，在步骤310中从数据库10中检索至少一个聚类项，其中每一个聚类项包括至少一个车辆设置12。

此后，根据检索到的一个或多个聚类项，即检索到的一个或多个设置，计算320(所需的)车辆设置。对于至少一个特定于乘员的车辆设置15的计算320可以包括：确定最新存储的车辆设置12、计算检索到的至少一个聚类项的预限定数目的车辆设置12的平均值、和/或基于传感器数据(例如检测环境特征的传感器的数据)来确定车辆设置12。

一旦计算出所需的一个或多个车辆设置(步骤320)，在步骤330中，将对应的一个或多个车辆项目(例如车辆座椅60(图4))调整到计算出的车辆设置。检索阶段300随后被终止。

图4示意性地示出了车辆1，其包括能够执行根据推断阶段100、学习阶段200和检索阶段300中的一个或多个阶段的方法的系统50。系统50可以是处理器，并且还可以包括能够存储描述符11、车辆设置12和聚类13的数据库10。此外，系统50还可以包括存储设备，例如计算机可读介质，其被配置以存储可执行指令，当所述指令被处理器执行时，阶段100、200、300中的一个或多个阶段被执行。

系统50可以是车辆1的一部分，例如可以被集成到构成车辆1的一部分的电子控制单元(ecu)中。

此外，车辆还可包括至少一个传感器41、42，其被配置以感测生物特征识别乘员数据。图4示例性地描述了摄像头或麦克风41以及被安装在车辆1的座椅60中或座椅60上的重量传感器42。座椅60进一步示出了一个示例性车辆项目，该项目可以针对检测到的车辆乘员进行调整或个性化。换句话说，可以在检索阶段300检索特定于乘员的车辆设置15，并且可以例如通过处理器系统50使用该车辆设置来调整车辆项目60的设置。

图5示意性地示出了用于描述检测到的车辆乘员的描述符11。存储在描述符11中和/或与描述符11一起存储的数据可以包括(强)生物特征识别数据(生物特征识别属性)20和弱生物特征识别数据(生物特征识别属性)30。(强)生物特征识别数据20可以包括：面部特征数据21、语音数据22、虹膜数据和/或指纹数据，而弱生物特征识别数据30可以包括：乘员身体的重量数据31、身高数据32和/或安全带长度数据。

与描述符11类似的数据结构可以用于存储车辆设置12。换句话说，类似的描述符可以存储在数据库10中，该数据库10中包含表示特定车辆项目的设置的数据和数据值，例如，可以针对相应乘员进行调整或个性化的、与描述符11和/或与聚类13相关联的车辆中的任何项目。