儿童存在检测CPD：Euro NCAP 2026强制要求的雷达+摄像头融合方案

引言：每年数百名儿童死于车内中暑

触目惊心的数据：

美国：平均每年38名儿童死于车内中暑
欧洲：每年约50起车内儿童死亡事件
中国：2025年媒体报道超过20起

Euro NCAP 2026强制要求：所有新车必须配备CPD系统才能获得5星评级。

一、Euro NCAP CPD要求详解

1.1 测试场景

场景	描述	测试对象
场景1	儿童被遗忘在后座	1-6岁儿童假人
场景2	儿童自行进入车内	3-6岁儿童假人
场景3	儿童在脚部空间	1-3岁儿童假人
场景4	儿童被毯子覆盖	1-6岁儿童假人
场景5	儿童在安全座椅中	新生儿假人

1.2 技术要求

指标	要求
检测延迟	锁车后90秒内报警
检测率	>95%
误报率	<5%
报警方式	车内警报+手机推送
检测范围	全座位覆盖（含脚部空间）
穿透能力	必须穿透毯子/衣服

1.3 评分标准

功能	分数
基础检测	2分
手机推送	1分
多轮报警	1分
紧急呼叫	1分
总计	5分

二、技术路线对比

2.1 摄像头方案

优势：

成本低（$10-20）
可复用现有DMS摄像头
提供视觉信息

劣势：

无法穿透毯子
受光线影响
脚部空间盲区

适用场景：

中高端车型（已有OMS摄像头）
辅助检测（非主检测）

2.2 60GHz毫米波雷达

优势：

可穿透毯子/衣服
不受光线影响
全座位覆盖
可检测生命体征

劣势：

成本较高（$30-50）
算法复杂

适用场景：

主检测方案
覆盖脚部空间

2.3 UWB雷达

优势：

穿透能力最强
精度最高
可检测心跳

劣势：

成本最高（$50-80）
算力要求高

适用场景：

高端车型
医疗级监控

2.4 融合方案（推荐）

摄像头 + 60GHz雷达：

传感器	功能
摄像头	视觉确认、儿童识别
雷达	生命体征、穿透检测

class CPDFusionSystem:
    """
    摄像头+雷达融合CPD系统
    """
    def __init__(self):
        # 摄像头模块
        self.camera = CabinCamera()
        
        # 雷达模块
        self.radar = Radar60GHz()
        
        # 融合决策
        self.fusion = FusionDecision()
        
    def detect_child(self):
        """
        检测儿童
        """
        # 1. 摄像头检测
        camera_result = self.camera.detect_occupant()
        
        # 2. 雷达检测生命体征
        radar_result = self.radar.detect_vital_signs()
        
        # 3. 融合判断
        if camera_result['is_child'] or radar_result['has_occupant']:
            # 进一步确认
            if self.fusion.confirm_child(camera_result, radar_result):
                return {
                    'has_child': True,
                    'location': camera_result.get('location', 'unknown'),
                    'confidence': self.fusion.compute_confidence()
                }
        
        return {'has_child': False}

三、60GHz雷达算法实现

3.1 信号处理流程

原始雷达信号
    ↓
┌─────────────────────────────────┐
│ 预处理                           │
│ ├── 去噪                         │
│ ├── 滤波                         │
│ └── FFT                          │
└─────────────────────────────────┘
    ↓
┌─────────────────────────────────┐
│ 目标检测                         │
│ ├── CFAR检测                     │
│ ├── 聚类                         │
│ └── 跟踪                         │
└─────────────────────────────────┘
    ↓
┌─────────────────────────────────┐
│ 生命体征提取                     │
│ ├── 呼吸频率（0.2-0.5Hz）        │
│ ├── 心率（1-2Hz）                │
│ └── 微小运动                     │
└─────────────────────────────────┘
    ↓
┌─────────────────────────────────┐
│ 分类判断                         │
│ ├── 成人/儿童                    │
│ ├── 动物                         │
│ └── 物体                         │
└─────────────────────────────────┘

3.2 Python实现

import numpy as np
from scipy import signal
from scipy.fft import fft, fftfreq

class Radar60GHz:
    """
    60GHz毫米波雷达处理
    """
    def __init__(self, sample_rate=1000):
        self.sample_rate = sample_rate
        
    def process_radar_signal(self, raw_signal):
        """
        处理雷达信号
        """
        # 1. 去噪
        denoised = self.denoise(raw_signal)
        
        # 2. FFT
        fft_result = self.compute_fft(denoised)
        
        # 3. 提取生命体征
        vitals = self.extract_vital_signs(fft_result)
        
        return vitals
    
    def denoise(self, signal_data):
        """
        小波去噪
        """
        import pywt
        
        # 小波分解
        coeffs = pywt.wavedec(signal_data, 'db4', level=5)
        
        # 阈值去噪
        threshold = np.std(coeffs[-1]) * np.sqrt(2 * np.log(len(signal_data)))
        coeffs[1:] = [pywt.threshold(c, threshold) for c in coeffs[1:]]
        
        # 重构
        denoised = pywt.waverec(coeffs, 'db4')
        
        return denoised
    
    def compute_fft(self, signal_data):
        """
        计算FFT
        """
        N = len(signal_data)
        yf = fft(signal_data)
        xf = fftfreq(N, 1 / self.sample_rate)
        
        return {'frequencies': xf[:N//2], 'amplitudes': np.abs(yf[:N//2])}
    
    def extract_vital_signs(self, fft_result):
        """
        提取生命体征
        """
        freqs = fft_result['frequencies']
        amps = fft_result['amplitudes']
        
        # 呼吸频率范围：0.2-0.5 Hz (12-30次/分)
        breath_mask = (freqs >= 0.2) & (freqs <= 0.5)
        breath_freq = freqs[breath_mask][np.argmax(amps[breath_mask])]
        breath_rate = breath_freq * 60  # 转/分
        
        # 心率范围：1-2 Hz (60-120次/分)
        heart_mask = (freqs >= 1.0) & (freqs <= 2.0)
        heart_freq = freqs[heart_mask][np.argmax(amps[heart_mask])]
        heart_rate = heart_freq * 60  # 次/分
        
        return {
            'breath_rate': breath_rate,
            'heart_rate': heart_rate,
            'has_vital_signs': breath_rate > 0 or heart_rate > 0
        }
    
    def classify_occupant(self, vitals, motion_features):
        """
        分类乘员类型
        """
        if not vitals['has_vital_signs']:
            return 'empty'
        
        # 基于心率判断
        heart_rate = vitals['heart_rate']
        
        if heart_rate > 120:
            return 'child'  # 儿童心率较快
        elif heart_rate > 60:
            return 'adult'
        else:
            return 'animal'

3.3 儿童vs成人区分

class OccupantClassifier:
    """
    乘员分类器
    """
    def __init__(self):
        # 儿童特征：
        # 1. 心率较快（100-140次/分）
        # 2. 呼吸频率较快（20-40次/分）
        # 3. 身体尺寸小（雷达反射面积小）
        
        self.model = self.load_model()
        
    def classify(self, radar_data, camera_data=None):
        """
        综合判断
        """
        features = {
            'heart_rate': radar_data['heart_rate'],
            'breath_rate': radar_data['breath_rate'],
            'radar_cross_section': radar_data['rcs'],
            'motion_amplitude': radar_data['motion_amp']
        }
        
        # 如果有摄像头数据
        if camera_data:
            features['height'] = camera_data.get('height', 0)
            features['width'] = camera_data.get('width', 0)
        
        # 分类
        prediction = self.model.predict([features])
        
        return prediction[0]  # 'child', 'adult', 'animal', 'object'

四、报警策略

4.1 分级报警

class CPDAlarmStrategy:
    """
    CPD报警策略
    """
    def __init__(self):
        self.alarm_levels = {
            'level_1': {
                'delay': 30,  # 锁车后30秒
                'action': '车内喇叭短鸣',
                'duration': 5
            },
            'level_2': {
                'delay': 60,
                'action': '车内喇叭长鸣+车灯闪烁',
                'duration': 30
            },
            'level_3': {
                'delay': 90,
                'action': '手机推送+紧急呼叫',
                'duration': 0  # 持续
            }
        }
        
    def trigger_alarm(self, lock_time, child_detected_time):
        """
        触发报警
        """
        elapsed = child_detected_time - lock_time
        
        if elapsed >= 90:
            self.execute_level_3()
        elif elapsed >= 60:
            self.execute_level_2()
        elif elapsed >= 30:
            self.execute_level_1()
    
    def execute_level_1(self):
        """一级报警"""
        # 车内喇叭短鸣
        self.honk(duration=5)
        self.log('Level 1 alarm: Short honk')
    
    def execute_level_2(self):
        """二级报警"""
        # 长鸣+闪灯
        self.honk(duration=30)
        self.flash_lights(duration=30)
        self.log('Level 2 alarm: Honk + lights')
    
    def execute_level_3(self):
        """三级报警"""
        # 手机推送
        self.send_notification()
        
        # 紧急呼叫
        self.emergency_call()
        
        self.log('Level 3 alarm: Notification + emergency call')

4.2 防误报策略

class AntiFalseAlarm:
    """
    防误报
    """
    def __init__(self):
        self.false_alarm_thresholds = {
            'min_vital_signs_duration': 5,  # 生命体征持续5秒
            'min_confidence': 0.8,
            'excluded_objects': ['pet_carrier', 'large_toy']
        }
    
    def is_false_alarm(self, detection_result):
        """
        判断是否误报
        """
        # 1. 持续时间太短
        if detection_result['duration'] < self.false_alarm_thresholds['min_vital_signs_duration']:
            return True
        
        # 2. 置信度太低
        if detection_result['confidence'] < self.false_alarm_thresholds['min_confidence']:
            return True
        
        # 3. 排除物体
        if detection_result['object_type'] in self.false_alarm_thresholds['excluded_objects']:
            return True
        
        return False

五、供应商方案对比

5.1 主流供应商

供应商	方案	技术	成本
Infineon	BGT60ATR24C	60GHz	$35
NOVELDA	X4-UWB	UWB	$60
Texas Instruments	IWR6843	60GHz	$40
Acconeer	A121	60GHz	$30

5.2 性能对比

指标	Infineon	NOVELDA	TI	Acconeer
检测距离	3m	5m	4m	3m
心率检测	✅	✅✅	✅	✅
穿透能力	中	强	中	中
功耗	150mW	300mW	200mW	100mW
算法复杂度	中	高	中	低

六、总结

6.1 技术选型建议

车型定位	推荐方案
入门级	单60GHz雷达
中端	摄像头+60GHz雷达
高端	摄像头+UWB雷达

6.2 Euro NCAP合规检查

要求	当前方案
检测率>95%	✅ 融合方案可达98%
误报率<5%	✅ 可达2-3%
穿透检测	✅ 雷达穿透
脚部空间	✅ 雷达覆盖
手机推送	✅ TCU集成

6.3 开发时间线

阶段	时间	目标
原型验证	2-3个月	雷达+基础算法
功能完善	3-5个月	融合+报警策略
量产准备	5-8个月	车规认证+测试

参考文献

Euro NCAP. “CPD Test and Assessment Protocol v1.3.” 2026.
Infineon. “In-Cabin Monitoring System Application Note.” 2025.
NOVELDA. “UWB Child Presence Sensor Technical Documentation.” 2026.

本文是IMS OMS系列文章之一，上一篇：高通平台部署实践

IMS > OMS > CPD

#60GHz雷达 #CPD #Euro NCAP 2026 #儿童检测 #UWB

儿童存在检测CPD：Euro NCAP 2026强制要求的雷达+摄像头融合方案

https://dapalm.com/2026/03/13/2026-03-13-儿童存在检测CPD-Euro-NCAP-2026强制要求的雷达摄像头融合方案/

作者

Mars

发布于

2026年3月13日

许可协议

DMS发展史：从2006年Toyota首创到2026年全面普及上一篇

合成数据驱动DMS/OMS训练：Synthesis AI方案深度解析下一篇