安全带误佩戴检测正在从提醒附件升级为OMS主链路能力
安全带误佩戴检测正在从提醒附件升级为 OMS 主链路能力
发布时间： 2026-03-26
主题： seatbelt misuse / OMS / Euro NCAP 2026 / occupant detection / warning state machine
关键词： seatbelt misuse、occupant monitoring、rear seat reminder、Euro NCAP 2026、3D pose、segmentation、DMS、OMS
一句话结论
过去很多车的安全带能力，本质上还是：
- 座椅有人
- 卡扣扣上
- 不满足条件就蜂鸣
但 Euro NCAP 2026 把问题改写了：
系统不只要知道“有没有扣上”，还要知道“是不是正确佩戴”，并且要把误佩戴检测、后排占用检测、持续告警、状态恢复重触发放进同一条 OMS 主链路。
对 IMS / OMS 团队来说，这意味着：
- 安全带误佩戴检测不再是小 feature，而是车内感知闭环的一部分
- 单纯 buckle sensor 已经不够，必须引入 occupant sensing / vision / pose / segmentation
- 验证对象从“识别对不对”升级为“什么时候提醒、持续多久、解除后如何重启、后排如何联动”
1. 为什么这个方向现在必须重视
安全带提醒过去一直存在，但很多方案存在三个天然漏洞：
1.1 Buckle 传感器只能知道“扣没扣”，不知道“怎么扣”
典型漏洞包括：
- 把卡扣插上，但带子根本没绕过身体
- 斜肩带从背后绕过去，只剩腰带在前面
- 整条带子都从背后走线
- 使用 seatbelt warning stopper 模拟扣合
这些场景下，传统系统可能认为“已系好”，但碰撞时保护效果并不存在。
1.2 后排提醒如果没有占位检测，实际上很难做对
如果系统不知道：
- 哪个位置有人
- 哪个位置是儿童 / 成人 / 物体
- 哪个二排或三排位置正在使用
那后排安全带提醒就只能做得很粗，容易：
- 漏提醒
- 误提醒
- 因阈值保守而拿不到法规分
1.3 真正困难的不是“识别一次”，而是“告警全程行为正确”
Euro NCAP 看重的不是 demo 视频，而是完整行为链路：
- 什么时候开始提醒
- 声光如何组合
- 声音持续多久
- 视觉提醒是否持续存在
- 用户临时关闭声音后系统是否仍保持视觉提醒
- 重新错误佩戴后是否完整重启一轮提醒
这已经不只是 detector 问题，而是 perception + occupancy + warning state machine 的系统问题。
2. 2026 新信号：安全带检测已经从“卡扣监测”升级成“舱内理解”
根据 Smart Eye 2025 年关于 Euro NCAP 2026 变化的公开解读，2026 新规则把车内监测重点明显向内舱转移，其中安全带相关变化非常关键：
- 误佩戴检测被明确纳入要求
- 后排监测覆盖范围扩大
- 占位检测与安全带提醒直接耦合
- 告警时序与持续行为被明确要求
公开解读里提到的几个关键点尤其值得注意：
2.1 误佩戴不再只是“研究方向”，而是明确计分项
公开材料显示，驾驶位至少需要覆盖三类典型 misuse：
- Buckle only：卡扣插入，但带子没绕过身体
- Lap belt only：斜肩带在背后，只剩下腰带部分
- Fully behind the back：整条安全带都在身后
这件事的意义很大。
因为它说明法规和评级逻辑已经默认：
“扣上”不等于“有效保护”。
也就是说，安全带状态从一个低维离散信号，变成了一个需要结合人体位置、带体走向、姿态关系共同判断的视觉-语义任务。
2.2 提醒逻辑被要求具备“持续性”和“可重入性”
公开解读中提到：
- 误佩戴检测后应在 30 秒内 触发提醒
- 声音与视觉提醒都要符合标准 seatbelt reminder 行为
- 声音可以被关闭一次，但 视觉提醒必须持续存在，只要 misuse 仍在
- 如果用户先解开、再错误佩戴，系统必须 完整重启 一轮提醒
这类条款意味着：
- 不能只输出一个 misuse_flag
- 必须建设 warning state machine
- 必须有清晰的状态边界：正常、误佩戴、告警中、声音已静音、恢复后再次误佩戴
2.3 后排满分前提是“占位检测 + 提醒联动”
另一个很强的信号是：
后排拿分，不只取决于 buckle 监测，还取决于系统是否真的知道对应座位上有人。
这让安全带项目和 OMS 项目彻底绑在一起。
从工程视角看，后排 seatbelt reminder 已经不再是一个独立 ECU 小模块，而是需要和以下能力共栈：
- occupant detection
- occupant classification
- seat occupancy reasoning
- seat position mapping
- warning routing
3. 学术侧也给出了一条很清晰的技术路线
如果把近几年公开论文和工程趋势放在一起看，会发现 seatbelt misuse 其实已经走出了三条路线。
4. 路线一：从局部带体检测升级到“局部 + 全局 + 形状建模”
在 arXiv:2203.00810《Robust Seatbelt Detection and Usage Recognition for Driver Monitoring Systems》中，作者明确指出了车内安全带识别的核心难点：
- IR 相机缺少颜色信息
- 鱼眼广角畸变明显
- 安全带与背景低对比
- 手部、头发、衣物造成遮挡
- 车辆运动导致模糊
他们提出的不是一个简单的 bbox 检测器，而是由三部分组成：
- local predictor
- global assembler
- shape modeling process
这个思路非常有启发性。
为什么它比“直接 YOLO 检带子”更像量产路线？
因为安全带本质上不是一个刚体目标，而是一条：
- 细长
- 可弯曲
- 易遮挡
- 与人体姿态强耦合
的结构化目标。
所以只做单阶段目标检测，通常会遇到几个问题：
- 只看到一小段带体，不知道整体走向
- 看到类似颜色/纹理的衣服褶皱时误检
- 被手挡住或头发遮住时不稳定
- 无法区分“在肩上”还是“在背后”
作者的方案本质是在告诉我们：
seatbelt misuse 不只是检测安全带，而是重建安全带相对于人体的几何关系。
这对 IMS 的启示是：
- 不要把它当普通 object detection 任务看待
- 需要把 局部纹理证据 和 整体带体拓扑 结合
- 最终输出最好不是单一置信度，而是 belt path hypothesis + usage state
5. 路线二：把安全带识别正式并入 3D 姿态估计链路
另一篇很关键的论文是 arXiv:2204.07946《Integrated In-vehicle Monitoring System Using 3D Human Pose Estimation and Seat Belt Segmentation》。
这篇工作的价值不在于“又做了一个 seatbelt classifier”，而在于它把任务拆成了三个能互相支撑的子问题：
- 3D human pose estimation
- seat-belt segmentation
- normal / abnormal seat-belt state classification
而且强调这些任务可以 联合学习、实时运行。
为什么这件事非常重要？
因为 Euro NCAP 2026 不只在看安全带，还在看：
- 乘员位置
- 乘员姿态
- OOP / airbag adaptation
- 儿童相关场景
- 后排占位与 belt reminder 联动
也就是说，seatbelt misuse 并不是孤立 feature，而是与整个 OMS 的人体理解层共享底座。
如果已经有：
- 关键点
- 3D 关节位置
- 躯干方向
- 肩部/骨盆区域几何关系
那么 seatbelt 识别就不必从纯图像纹理硬猜全部语义，而可以变成：
在“人体结构已知”的前提下，判断带体是否经过正确区域、是否满足约束。
这比完全端到端分类更适合解释、验证和扩展。
对 IMS 架构的直接建议
如果团队已经在建设 OMS / OOP / occupant classification，建议 seatbelt misuse 不要另起炉灶，而是直接挂在统一人体建模层上：
- 输入层：RGB / IR / fisheye / seat map
- 中间层：2D/3D pose、人体分区、occupancy state
- 安全带层：belt segmentation / belt path reconstruction
- 语义层：correct / buckle only / lap only / behind back
- 系统层：warning state machine / HMI routing / scoring trace
这样做最大的好处是：
- 复用人体特征底座
- 更容易做 rear seat 扩展
- 更适合和 airbag adaptation / OOP 联动
- 更容易形成法规解释链
6. 路线三：轻量化检测会持续存在，但角色更像“前端筛查器”
2023-2024 年的多篇工作，包括 YOLOv7 相关安全带检测研究，证明轻量检测在真实工程里仍然有价值，尤其是在：
- 快速形成可运行版本
- 在低算力平台先做前端筛查
- 道路执法 / 车外拍摄 / 特定角度固定场景
但如果目标是 Euro NCAP 2026 级别的车内量产 OMS，轻量检测大概率不是最终全部答案。
原因很现实：
6.1 轻量检测擅长“看见带子”，不擅长“理解误佩戴语义”
尤其在以下场景中：
- 肩带与衣服纹理接近
- 暗光或 NIR 下对比度不足
- 带子被头发、手臂、衣物边缘部分遮挡
- 乘员姿态异常，带子路径投影变化很大
6.2 轻量检测对系统级 traceability 不友好
法规和量产验证越来越需要回答：
- 为什么判断这是 lap-belt-only？
- 为什么刚才没报、现在报了？
- 为什么某个体型/衣服/姿态下稳定性下降？
单纯一个 box 或 single label 很难解释这些问题。
6.3 更合理的量产角色：前筛 + 深判
更现实的方案往往是分层：
- 前端快速检测：是否存在疑似 belt misuse / occupancy mismatch
- 结构化精判：结合 pose / segmentation / seat map 做误佩戴类型判断
- 状态机仲裁：决定是否触发 warning、是否进入持续提醒、是否重启告警
这套思路和 CPD 的 low-power watch → confirmation 很像。
7. 对 IMS 开发来说，真正要建设的不是算法，而是一整条能力链
如果把法规、论文和产业信号拼在一起，seatbelt misuse 项目至少应拆成五层。
7.1 感知层：知道“谁在座位上、人体在哪、带子在哪”
最低限度要解决：
- seat occupancy
- occupant-to-seat association
- torso/shoulder/hip 区域定位
- belt visible segment 提取
- occlusion / low-confidence 标记
7.2 几何语义层：知道“带体相对人体是不是合理”
这里最好输出结构化状态，而不是单一 label：
- belt_cross_shoulder: yes / no
- belt_cross_lap: yes / no
- buckle_engaged: yes / no
- belt_path_confidence
- misuse_type
7.3 系统状态层：知道“现在该不该报”
至少要有：
- init
- correct
- misuse_detected
- warning_active
- visual_only_active
- recovered
- re-triggered
7.4 HMI/提醒层：知道“用什么方式报、报多久、什么时候停”
这层不是 UI 附件，而是法规分数的核心组成部分。
要验证：
- 首次触发延迟
- 声音总时长
- 静音后的视觉持续
- 再次误佩戴后的完整重触发
- 前后排不同座位的联动显示
7.5 数据闭环层：知道“哪些场景最容易错、怎么持续补数据”
重点关注的失效模式包括：
- 深色衣服 + 深色安全带
- 厚外套 / 围巾 / 长发遮挡
- 儿童体型 / 小体型女性 / 大体型成人
- 夜间 IR、逆光、局部阴影
- 斜坐、侧坐、趴睡、探身等异常姿态
- 后排多乘员相互遮挡
8. 这件事为什么会和 OOP / 气囊自适应 / 后排监测越来越耦合
如果只把 seatbelt misuse 当提醒功能，很容易低估它。
其实它正在和另外三件事加速耦合：
8.1 和 OOP 的耦合
异常姿态本身就会改变 belt path 的可见性和几何关系。
如果没有姿态建模，系统很难区分：
- 真误佩戴
- 姿态异常导致的视觉假象
- 碰撞前高风险乘员位置变化
8.2 和 airbag adaptation 的耦合
公开趋势已经很清楚：
- 乘员位置
- 身材尺寸
- 姿态
- 儿童座椅状态
都要进入约束系统与气囊策略。
一旦 seatbelt state 也进入同一套 occupant understanding stack，它就不再只是提醒器，而是被动安全决策输入。
8.3 和后排 occupant monitoring 的耦合
后排拿分需要：
- 知道座位上有人
- 知道该位置 belt 状态
- 知道提醒是否已经触发并持续
所以 rear occupant detection、seat mapping、belt reminder 实际上会变成一个联合验证项目。
9. 我对量产路线的判断：最优解不是“更强单模型”，而是“统一人体模型 + 安全带结构约束 + 提醒状态机”
如果只问“下一代 seatbelt misuse 要不要上更大的模型”，我会觉得问偏了。
真正关键的是三件事：
9.1 把安全带识别从像素任务升级为结构任务
核心不是看到一条线，而是判断：
- 这条线是不是安全带
- 它是否经过了应该经过的人体区域
- 它和 seat / body / buckle 的关系是否一致
9.2 把安全带 feature 挂到统一 OMS 基座上
不要重复建设另一套人体理解能力。
更合理的是让它直接复用：
- occupancy
- 2D/3D pose
- torso segmentation
- seat association
- OOP reasoning
9.3 把法规得分对象定义成“系统行为”而不是“模型精度”
最终最影响项目成败的，很可能不是 mAP，而是：
- misuse warning latency
- re-trigger correctness
- rear-seat association accuracy
- false-warning rate under occlusion
- traceability for audit and replay
10. 对当前 IMS 团队的优先级建议
如果现在要排研发优先级，我会这样排：
P0：先把 seatbelt misuse 从“提醒模块需求”升级为“OMS 主链路需求”
需求文档中应显式写出：
- misuse taxonomy
- seat association
- occupancy dependency
- warning timing
- re-trigger rules
- trace / logging fields
P1：建设统一的人体-座椅-带体结构表示
而不是只追一个分类器。
建议最少落地这些中间量：
- occupant_id
- seat_id
- torso polygon / keypoints
- belt_path polyline 或分段 mask
- misuse_type
- confidence / occlusion_flag
P1：验证矩阵升级为系统矩阵
不要只看 accuracy。
建议把验证矩阵扩展为：
- 体型 × 服装 × 光照 × 相机模态 × 姿态 × 座位位置 × 遮挡 × misuse类型 × 提醒状态机路径
P2：把 rear seat、OOP、airbag adaptation 放进联合路线图
这几件事共用大量底层能力，拆开做会导致：
- 数据重复采
- 标注重复做
- 平台接口重复设计
- 回归成本上升
P2：预留 synthetic data 验证资产
因为真实世界里最难采的，正是 seatbelt misuse 的长尾：
- 背后绕带
- 厚外套遮挡
- 儿童体型
- 夜间 IR
- 多乘员遮挡
- 特殊坐姿
这些场景很适合参数化生成，用于 regression asset，而不是每次临时拍。
11. 下一轮 TrendRadar 该怎么扩展
这轮研究之后，我认为后续搜索池应从“seatbelt detection”扩展到更系统的组合词：
- seatbelt misuse + occupant detection + rear seat reminder
- seatbelt state + 3D pose + airbag adaptation
- improper restraint detection + OMS + Euro NCAP 2026
- rear occupant detection + seat mapping + belt reminder
- synthetic data + seatbelt misuse + in-cabin monitoring
- seatbelt misuse + OOP + passive safety integration
因为真正高价值的不是再找一个单篇 YOLO 论文，而是追踪：
安全带误佩戴检测如何并入下一代 OMS / passive safety 统一架构。
总结
我现在对这个方向的判断很明确：
安全带误佩戴检测正在从“安全带提醒的小补丁”，升级为“OMS 主链路能力”和“被动安全输入信号”。
对 IMS 开发而言，真正要做的不是一个更花哨的检测 demo，而是搭出完整链路：
- 看见谁在座位上
- 看见带体在哪里
- 理解带体与人体的关系
- 判断是否误佩戴
- 在正确时机触发并持续提醒
- 与后排监测、OOP、airbag adaptation 共栈验证
谁先把这条链做成可解释、可验证、可部署的平台能力，谁就更接近 2026 之后的高分量产解。
参考资料
- Smart Eye, What’s Changing in Euro NCAP’s 2026 Safety Ratings?, 2025-04-14
https://smarteye.se/blog/euro-ncap-2026-whats-changing/ - Smart Eye, How Euro NCAP Tightens the Rules on Seatbelt Use in 2026, 2025-08-04
https://smarteye.se/blog/euro-ncap-2026-seatbelt-use/ - Feng Hu et al., Robust Seatbelt Detection and Usage Recognition for Driver Monitoring Systems, arXiv:2203.00810
https://arxiv.org/abs/2203.00810 - Ginam Kim et al., Integrated In-vehicle Monitoring System Using 3D Human Pose Estimation and Seat Belt Segmentation, arXiv:2204.07946
https://arxiv.org/abs/2204.07946 - InCabin, Seeing Machines To Showcase Rare Live Demo At InCabin Europe 2025, 2025-09-07
https://incabin.com/blog/seeing-machines-to-showcase-rare-live-demo-at-incabin-europe-2025/