基于压力传感器的乘员体征识别

基于压力传感器的乘员体征识别Occupant Type Identification Based
on Presssure Sensors
摘要
车辆乘员类型等体征信息的准确识别是智能安全气囊系统实现的前提条件之一，其识别算法的实时性和准确性关于在碰撞发生时安全气囊的起爆时刻和充气强度的操纵起着决定性作用。

目前国内外研究大多是采纳布置在坐椅上的压力传感器检测乘员体重，并以此进行不同体型的乘员类型分类；利用超声波雷达或运算机视觉技术检测乘员与外表板之间的距离，并以此进行正常或危险坐姿的分类。

本文通过对不同类型乘员在不同坐姿下的体压分布信息的精确分析，提出了单纯依靠压力分布传感器，基于乘员类型及坐姿导致的体压动态变化信息进行乘员类型识别的乘员体征识别算法.第一针对乘员体压分布的特点，建立了依据体压敏锐点分析的识别特点；其次，依据体压敏锐点特点分析，提取了基于体压分布信息的不同类型及坐姿下乘员的主特点描述；最后，利用支持向量机的自学习功能，通过对试验采集到的大量的不同体征乘员特点样本的学习，建立了基于支持向量机的乘员类型模式分类器，实现了对不同类型乘员的有效识别，从而为后续的智能安全气囊的开发探究了一条现实可行且成本低廉的乘员类型的识别方法。

关键词：乘员体征信息;智能安全气囊;体压分布;乘员类型;支持向量机
ABSTRACT
Both at home and abroad, mostly in research by arrangement of pre ssure sensor detection chair, and based on which the crew weight of diffe rent type crew type classification; Using ultrasonic detecting radar or com puter vision technology with the distance between the crew dashboard, an d based on which the normal or dangerous posture classification.
目录
1 绪论1
1.1 乘员体征识别技术的背景1
1.2 乘员体征识别技术的研究现状和以后的进展 1 1.
2.1 乘员体征识别技术的研究现状1
1.2.2 乘员体征识别技术的进展3
1.3 乘员体征识别技术的研究目的 4
1.4 本文的要紧研究内容5
2 乘员体征识别技术的理论基础和支持向量机方法6 2.1 乘员体征检测技术的理论基础-模式识别方法6 2.1.1 模式识别方法概述6
2.1.2 模式识别的要紧方法8
2.2 习惯于小样本的支持向量机方法8
2.2.1 采纳支持向量机方法的技术优势8
2.2.2 支持向量机算法简述9
2.2.3 最优分类超平面10
2.2.4 核函数的概念及支持向量机模型13
3 基于体压分布的乘员体征识别算法15
3.1 总体技术路线15
3.2 乘员测量空间的生成17
3.3 乘员特点空间的提取18
3.4 乘员类型空间的划分21
4 乘员体征识别系统的验证26
4.1 测试样本的生成 26
4.1.1 试验乘员样本选择27
4.1.2 体压分布数据采集试验方法28
4.2 体压分布数据的处理28
4.3 乘员体征主特点的提取 29 4.4 乘员类型识别结果30
结论32
参考文献35
致谢错误!未定义书签。

1 绪论
1.1 乘员体征识别技术的背景
相伴着中国经济的飞速进展，汽车在我们的生活中扮演着越来越重要的角色，相伴而来的交通事故和各种驾驶职业病也在逐年增加，侵害着我们的健康和生命，造成这种现象的要紧缘故是智能安全气囊对车辆乘员类型等体征信息是否能够准确的识别，找到解决此咨询题的方法不仅能够减少交通事故，也能对驾驶员进行爱护并尽量幸免职业病的发生[1]。

车辆乘员类型等体征信息的准确识别是智能安全气囊系统实现的前提条件之一，其识别算法的实时性和准确性关于在碰撞发生时安全气囊的起爆时刻和充气强度的操纵起着决定性作用[2]。

就机动车辆而言，车辆驾驶是一种将人与机械、环境结合在一起的人机环境系统，如果乘员信息识别不够准确，容易让驾驶员感到不舒服与产生疲劳，在生理上容易造成腰椎的负荷、四肢酸痛与不舒服，更严峻的还会阻碍到驾驶员的驾驶操纵性。

因此本文要紧基于压力传感器的基础上，构建了对汽车乘员体征的动态监测系统，对各个座位测试点应力进行实时动态监测。

1.2 乘员体征识别技术的研究现状和以后的进展
1.2.1 乘员体征识别技术的研究现状
目前国内绝大多数体征识别系统研究差不多上以识别乘员类型和坐姿为目标。

要紧运用电场感应﹑压力及重量测量﹑超声波﹑红外光束﹑雷达以及视觉测量等技术手段[3]。

丰田汽车公司使用安装在座椅四个角的压力传感器测量乘员的重量，然后按照重量对乘员进行阈值分类,因此这也是使用最广泛的一种方法。

图1.1为丰田公司座椅重量传感器安装示意图。

西门子VDOAutomotive公司采纳摄像机判定乘员坐姿以及通过座椅中的重量传感器识别坐在车内各座椅上的乘员的类型。

在汽车发生碰撞事故时，如果乘员既重又高大，那么气囊将以全力迅速展开，如果乘员相对比较轻，气囊将以比较小的力度弹开，如果乘员坐在座椅上的坐姿不正确，气囊将适当的延迟触发，以免损害乘员[4]。

图1.2 西门子VDO公司乘员体征识别系统。

英国捷豹公司2001年在XK系列各车型上采纳了自习惯约束系统（A RTS）。

该系统利用超声波感测技术监视前排乘员的坐姿,同时还采纳一系列其它传感器探测乘员的重量、驾驶员相对转向盘的位置，安全带是否系好以及发生碰撞时的强度等。

把握了这些探测到的信息，ARTS就能够按照每个前排乘员的具体需要，利用操纵算法的灵活性，确定安全气囊的触发时刻和展开强度，实现最佳的乘员爱护[4]。

图1.3为捷豹公司在XK车内的自动习惯约束系统。

德尔福公司开发出一种能够检测重量的液囊袋，利用测量不同液囊袋的压力值，分析乘员类型信息，同时也开发出基于视觉检测的坐姿识别系统，当乘员被识别为头部处于危险区域时，系统将会发出安全气囊弹开抑制指令，从而防止安全气囊导致的损害。

图1.4左侧为德尔福公司液囊袋式座椅传感器图，右侧为基于图像检测的乘员坐姿识别系统图。

图1.1为丰田公司座椅重量传感器
图1.2 西门子VDO公司乘员体征识别系统
图1.3 捷豹公司在XK车内的自动习惯约束系统
图1.4 德尔福公司液囊袋式座椅传感器图及基于图像的乘员体征识别系统
我国国内的汽车整车及零部件厂商要紧从事传统安全气囊系统的生产，智能安全气囊系统的研发和生产几乎为空白。

近年来，国内高校及科研院校初步开展了一些汽车智能安全气囊系统及其乘员体征识别算法的研究。

清华大学尹武良等提出了基于电容传感器的乘员感应装置，那个装置能够探测乘员是否存在，而且能够区分座椅上是人体依旧物品[6]。

江苏大
学毛务本等开展了基于座椅传感器的乘员识别系统研究。

提出的基于形状分析的座椅乘员识别系统，该系统具有实时识别功能，能识别出座椅上的占有物是成人依旧儿童，或是一样物体。

系统还能给出乘员的重心位置。

利用该系统的输出信息即可操纵安全气囊的安全开释，防止乘员的意外伤亡[7]。

本文所做的课题提出了基于膜片式压力传感器的基础上，通过对不同体征特点的乘员体压分布信息的精确分析，探究一条新的依靠体压信息识别技术的乘员类型的模式识别方法，实现对不同乘员类型的有效识别，从而为后续的智能安全气囊系统的开发提供一种现实可行且成本低廉的乘员体征识别算法。

1.2.2 乘员体征识别技术的进展
包括乘员类型识别和乘员坐姿识别的乘员体征识别是智能安全气囊开发中的重点。

乘员体征识别是一个比较复杂的过程，传感器需要探测车内特定范畴内的三维空间状态、座椅承载乘员的类型、其头部和四肢在什么位置。

目前绝大多数体征识别系统研究差不多上以识别乘员类型和坐姿为目标。

要紧运用电场感应﹑压力及重量测量﹑超声波﹑红外光束﹑雷达以及视觉测量等技术手段[3]。

目前差不多开发出并已上市的智能安全气囊系统要紧有体重分类法、视觉识别法、电场感应法、超声波探测法四种乘员体征识别方法。

其中被广泛应用的是体重分类法[7,8]。

体重分类法的重量分类系统由模数转换电路，微型处理器，及有关的接口电路组成。

模数转换电路将压力传感器输出的模拟信号转化为数字量，输入微型处理器中。

在微型处理其中将运算乘员重量，并对重量进行阈值判定，将判定结果输出。

三菱汽车公司开发了一套乘员类型识别系统，其传感器具体布置图见图1.5。

该系统将乘员类型分为3类，见表1.1。

第一系统检测重量传感器压力值，如果压力值等于座椅为空时的重量时，系统将乘员类型判定为类型0，发生碰撞时气囊可不能弹开。

如果不相等，然后运算乘员体重，当体重小于25.6kg时，系统将乘员类型判定为类型1即为儿童，发生碰撞
时气囊可不能弹开。

如果体重属于25.6~46.7kg范畴内，系统将乘员类型判定为类型2即为10至18 岁的未成年人，发生碰撞时气囊可不能弹开。

如果体重大于46.7kg时，系统将乘员类型判定为类型3，发生碰撞时气囊才承诺弹开。

图1.5 重量传感器安装结构示意图。

座椅支撑力座椅支撑梁传感器支架
支撑盘
输出信号线弹性体
螺栓应变片
隔离板
表1.1 三菱汽车公司重量检测系统乘员分类表
类型乘员重量（Kg）安全气囊状态
0 空座 5 禁止弹开
8.0~25.6 禁止弹开
1 儿童座椅或婴儿或
1、3、6岁大的儿童
2 10至18岁的未成年人25.6~46.7 禁止弹开
3 成人>46.7 承诺弹开
1.3 乘员体征识别技术的研究目的
本文旨在通过座椅上的压力传感器，对不同体征特点的乘员体压分布信息的精确分析，探究一条新的依靠体压信息识别技术的乘员类型的模式
识别方法，实现对不同乘员类型的有效识别，从而为后续的智能安全气囊系统的开发提供一种现实可行且成本低廉的乘员体征识别算法[2]。

1.4 本文的要紧研究内容
本文的要紧研究内容基于体压分布的乘员体征信息检测。

所谓的乘员体压分布是指人体的质量在靠背和坐垫上的压力分布。

按照人机工程学的研究，最舒服的坐姿分布应保证:人体的大部分质量应以较大的支承面积，较小的单位压力合理地分布到坐垫和靠背上，压力分布应从小到大平滑地过渡，幸免突然变化。

为保证座椅乘坐的舒服性，测量乘员的体压分布并分析座椅乘坐的舒服性成为座椅设计及检验的重要内容[9, 10]。

整个算法的试验验证是基于差不多开发的LabView软件的乘员体压信息的识别软件上进行的。

需要专门指出的是：本文在进行试验测试样本采集时，差不多上直截了当采纳了Tekscan公司的高密度体压分布测量系统来猎取不同体征高维体压分布的样本数据库，并通过分析这些样本，找到体压分布敏锐点位置，将这些压力敏锐点位置处的压力值作为模式识别特点。

测试样本也是利用该装置获得，用以模拟使用低密度压力传感器实现对乘员体征识别的情形。

2 乘员体征识别技术的理论基础和支持向量机方法
2.1 乘员体征检测技术的理论基础-模式识别方法
所谓的乘员体征信息包括乘员的类型信息和乘员的坐姿信息。

本文采纳的技术路线是体压分布检测和支持向量机分类的方法[11,12]。

由于不同类型及坐姿的乘员体压分布有明显不同，本文尝试通过分析体压分布的特点，提取出体压分布特点，并通过智能模式识别的方法对这些特点进行分类识别，从而找到一条全新的单纯基于体压分布来实现乘员类型识别的算法。

乘员体征复杂多样，试验样本少，映射关系高度非线性，为此在识别方法上需尽可能选择具有能解决小样本学习，非线性分类及具有优秀泛化能力的模式识别算法[13]，并建立分类识别器。

本文选择具有优秀的泛化能力及解算高维向量的能力的支持向量机算法作为本文的识别算法，并通过使用不同体征特点样本对支持向量机进行训练及检验，建立乘员体征识别器。

运算机模式识别是20世纪60年代初迅速进展起来的一门新兴学科。

模式识别是通过运算机对输入数据进行分类的一项技术，在专门多领域得到了成功的应用，例如自动视觉检验、故障检出和分析、医学数据分析、文字识别、语言识别等。

模式识别是指对表征事物或现象的各种形式的(数值的、文字的和逻辑关系的)信息进行处理和分析,以对事物或现象进行描述、辨认、分类和讲明的过程,是信息科学和人工智能的重要组成部分[13]。

模式还可分成抽象的和具体的两种形式。

前者如意识、思想、议论等,属于概念识别研究的范畴,是人工智能的另一研究分支。

本文所指的模式识别要紧是对语音波形、地震波、心电图、脑电图、图片、照片、文字、符号、生物的传感器等对象进行测量的具体模式进行分类和辨识。

2.1.1 模式识别方法概述
乘员体征检测技术的理论基础是模式识别方法，而模式识别的整个过程实质上是实现如图2.2所示的由数据空间经特点空间到类别空间的映射。

模式识别大致包括数据采集、数据预处理、特点提取和选择模式分类4个环节[14]。

图2.2所示。

图2.2 模式识别任务实现过程
具体过程如下：
1.信息猎取：通过传感器猎取信号或图像信息，完成原始数据采集（用模
式表示输入数据）。

2.预处理：通常是将感爱好的特点从背景中分离出来，去除噪声，并进行
归一化处理。

3.特点提取：找到合适的特点来表示输入模式。

4.模式分类：选择恰当的模式识别方法进行分类。

识别
－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－
训练
图2.3 模式识别系统组成
图2.3为模式识别系统组成示意图，整个系统由学习模块和训练模块组成。

从图中能够看到，数据预处理存在于两个模块中，包括去除噪声数据的阻碍、把感爱好的模式从复杂背景中提取出来、对模式数据进行标准化等。

另外，图中有一个反馈过程，马上已识别完的分类结果和类别的模式作对比，按照错误率识别结果，持续改进判决规则和特点选择及特点提取方法，制定使错误率最小的特点选择和特点提取策略，即再学习过程[15]。

2.1.2 模式识别的要紧方法
模式识别方法分为监督学习方法和非监督学习方法。

监督学习方法是指在已知训练样本所属类别的前提下进行分类；非监督学习方法是指在没有任何样本所属类别信息情形下直截了当按照某种规则进行分类。

模式识别方法要紧有统计模式识别、数据聚类、模糊模式识别、神经网络模式识别、结构模式识别和支持向量机模式分类六种研究方法。

接下来要紧介绍支持向量机模式识别方法。

2.2 习惯于小样本的支持向量机方法
支持向量机（SVM，Support Vector Machine）简称SVM，是Va pnik等按照统计学习理论中的结构风险最小化原则提出的[16,17]。

支持向量机能够在核特点空间中有效地训练线性学习器，也是运用最优理论的学习算法训练，该算法按照泛化性理论强化学习偏置，能够保证找到的极值解确实是全局最优解。

支持向量机是统计学习理论中年轻的内容，也是最有用的部分，目前该方法仍处在持续进展之中。

在支持向量机提出后的若干年来，在广泛的应用中，SVM表现出比其他机器学习方法更加优秀的性能[18,19]。

2.2.1 采纳支持向量机方法的技术优势
有关于乘员体征的千差万别，通过采集不同体征的乘员体压分布数据专门难获得传统模式识别所需的特点大样本数据库。

乘员体征与乘员体压分布之间存在着高度非线性的映射关系，同时实际测量的体压分布数据容
易受到各种外界因素的干扰，如乘员后兜被放入一个手机，将会对体压分布产生专门大阻碍。

智能安全气囊操纵需要关于乘员体征的识别快速准确。

因此需要一种具有较强泛化能力，适用于小样本学习，能解决非线性处理，同时有快速准确运算能力的算法。

支持向量机（SVM）是新近提出的一种模式识别算法，它不仅适用于小样本训练的情形，具有较强的泛化及推广能力，而且具有强大的数据处理能力，对高维样本的处理复杂度与对低维样本近似，并能巧妙地引入核函数来实现非线性映射，从而完成非线性处理。

支持向量机是基于VC（Vapnik-Chervonenkis）理论，是结构风险最小化SRM（Structural Risk Minimization）原理的近似实现，具有较强的理论依据[19]。

它兼顾训练错误和泛化性能，开创了学习高维数据的新天地，是一种新的专门有潜力的分类技术，专门对线性可分咨询题，支持向量机的分类结果与理想情形完全吻合。

这种新的学习算法能够替代多层感知机、径向基函数（RBF）神经网络和多项式神经网络等已有的学习算法，解决了利用人工神经网络进行分类器设计时遇到的难以确定网络结构咨询题、过学习与欠学习咨询题、局部极小点咨询题等[20]。

本文把支持向量机引入到乘员体征识别的研究中，建立了基于SV M的乘员体征识别模型，并开展了检验试验，最后给出了检验结果评判。

2.2.2 支持向量机算法简述
支持向量机是在统计学习理论的基础上进展起来的新一代的学习算法，由于优秀的学习能力专门是泛化能力，该算法成为智能模式识别领域的研究热点，并成功运用于诸多实际应用领域，如人脸检测、手写数字识别、文本自动分类、机器翻译等[11]。

学习是一切智能系统最全然的特点，机器学习是人工智能最具智能特点、最前沿的研究领域之一。

基于样本的机器学习咨询题是现代智能算法技术的一个重要分支，它模拟了人类从实例中学习归纳的能力，要紧研究如何从一些观测数据（样本）中挖掘出目前尚不能通过理论分析得到的规律，并利用这些规律去分析客观对象，对未知数据或无法观测的新现象进行推测和判定[19]。

统计模式识别是基于样本的机器学习中最为广泛最为深入的一种模式识别方法。

其重要理论基础之一是统计学，传统统计学研究的是样本数目趋于无穷大时的渐近理论，而在实际咨询题中，样本数往往是有限的，因此一些理论上专门完美的学习算法实际中表现不佳[13]。

前苏联乌兹别克科学家Vapnik等人早在20世纪60年代就开始研究有限样本情形下的机器学习咨询题，但这些研究长期被忽视。

冷战后，随着东西方学术界的交流以及信息技术的进展，这一方法逐步被西方科学界认识，有限样本情形下的机器学习理论也逐步完善起来，形成了一个较系统的统计学习理(Statistical Leaming Theory或SLT)体系[16]。

上世纪90年代中期，Vapnik和他的At&T Bell实验室小组在SL的基础上提出了SVM算法，在解决小样本、非线性、局部最小及高维模式识别咨询题中取得专门好的成效[17]。

2.2.3 最优分类超平面
支持向量机的研究最初针对模式识别中的两类线性可分咨询题。

分割线（平面）1和分割线（平面2）都能正确地将两类样本分开，即都能够保证使体会风险最小（为0），如此的分类线（平面）有无限多个，但分割线（平面）1离两类样本的间隙最大，称之为最优分类平面。

最优分类线（平面）的置信范畴最小。

图2.4最优分类平面示意图.
推广到高维空间，假设训练数据
{}1,1
,
),
,
(,
)
,
(),
(
2
2
1
,1-
+
∈
∈
⋅⋅⋅y
R
x
y
x
y
x
y
x n
i
(2-1)
能够被一个超平面
)
(=
-
⋅b
x
ω
(2-2)
分开，如果那个向量被超平面没有错误地分开，同时离超平面最近的向量与超
平面之间的距离是最大的，则那个超平面为最优超平面。

图2.4 最优分类平面示意图
为了表示那个分类超平面，使用以下的形式表达：
n b x y i i ,,1))((Λ≥-⋅ω (2-3)
容易验证，最优超平面确实是满足条件式（2-3）同时使得
)(21)(2ωωωω⋅==Φ (2-4）
最小，为此，能够定义如下的Lagrange 函数：
[]1)(21),,(1-+-=∑=b x y b L i r i n i i r ωαωωαω (2-5)
其中，i α≥0为Lagrange 系数，我们的咨询题是对ω和b 求Lagrange 函数的最小值。

把式（2-5）分别对ω、b 、i α求偏微分并令它们等于0，得：
i
i n i i x y L ∑==⇒=∂∂10αωω
(2-6)
001=⇒=∂∂∑=i n i i y b
L α
(2-7)
[]01)(0=-+⇒=∂∂b x y L i r i i i ωαα
(2-8)
以上三式加上原约束条件以及kuhn －Tucker 条件能够把原咨询题转化为如下对偶咨询题：
m ax )
()(1j i j i j n
i i X X y y Q ⋅=∑=ααα
t s ,
01=∑=i n i i y a
(2-9)
文献[21]提供了解决该咨询题的专门方法[21]。

这是一个不等式约束下二次数机制咨询题，存在唯独最优解。

若
0i α为最优解，则
i i n i i x y ∑==10αω (2-10)
0i α不为零的样本即为支持向量，因此，最优分类面的权系数向量是支持向量的线性组合。

0b 可由约束条件()01)(=-+b x y i r i i ωα求解，由此求得的最优分类函数是:
)sgn())sgn(()(01000b x x y b x x f n i i i i r +=+=∑=αω
(2-11) sgn()为符号函数。

0i α（≥0）是Lagrange 系数，o b 是域值。

如果数据线性不可分需要引入一个非负的放松变量i ξ（i ξ≥0)将约束条件变为：
[]),,1(1)(,n i b x y i i Λ=-≥-⋅ξω (2-12)
将目标函数改为最小化：
∑=+⋅=Φn i i C 1)(21
),(ξωωξω (2-13)
现在的最优分类超平面被称为广义最优分类超面，其求解过程与线性可分情形下几乎相同，只是对拉格朗日系数 i α的取值范畴变为:0≤i α≤C,i =1,2,…,n 其中C 是一个给定的值，它操纵对错分样本惩处的程度，实现在错分样本的比例和算法复杂度之间的折中。

2.2.4 核函数的概念及支持向量机模型
通过非线性映射&将输入空间变换到一个高维空间D ，然后在那个新空间中求取最优线性分类面，而这种非线性变换是通过定义适当的核函数（内积函数）实现的，令：
)()(),(j i j i x x x x K Φ⋅Φ= (2-14)
用核函数),(j i x x K 代替最优分类平面中的点积j r i x x ,就相当于把原特点空间变换到了某一新的特点空间，现在优化函数变为：
),(21)(1,1j i j i j n
j i i n
i i x x K y y Q αααα∑∑==-= (2-15)
而相应的判别函数式则为：
[])),(sgn()()(sgn )(01000b x x K y b x x f i i n i i r +=+Φ=∑=αω
(2-16)
其中i x 是支持向量，x 为未知量，（2-16）式确实是支持向量机（S VM ）模型。

由于最终的判别函数中实际只包含未知向量与支持向量的内积的线性组合，因此识别时的运算复杂度取决于支持向量的个数。

目前常用的核函数形式要紧有Linear 核函数、RBF(Radial Basis Funct ion)核函数、Sigmoid 核函数、Polynomial 核函数四大类。

3 基于体压分布的乘员体征识别算法
前面介绍了各种乘员体征识别技术及方法及乘员体征识别技术的理论基础和支持向量机方法，本文在综合分析以上研究方法的基础上，提出了通过分析座椅体压分布的方法对乘员类型体征信息进行识别的技术路线。

其中，采纳了智能模式识别中在解决小样本、非线性、局部最小及高维模式识别咨询题时具有优秀性能的支持向量机算法，并通过分析压力分布敏锐点，将压力分布的图中的敏锐点压力直截了当作为乘员体征主特点，最终将获得的主特点作为支持向量机训练样本实施学习训练，将训练后的分类模型直截了当作为乘员体征分类器。

3.1 总体技术路线
本文开发的算法包括乘员测量空间的生成、乘员特点空间的提取和乘员体征空间的划分三个部分。

乘员类型识别系统识别过程如3.1所示。

敏锐点特
特点选择
图3.1 乘员类型识别系统识别过程
试验数据样本是使用Tekscan公司的汽车座椅体压测量系统，采集不同体征的乘员高维体压分布的数据,形成乘员测量空间。

通过关于压力分布敏锐点的分析，找到乘员体压分布敏锐点，将敏锐点压力值作为乘员识别特点，建立乘员特点空间，然后通过模式识别中支持向量机的方法对乘员特点空间进行分类，对乘员体征空间进行划分，最后建立乘员体征识别器。

乘员体征识别算法的总技术路线如图3.2所示。