【正文】 165 5%分位女性 160 155 40 50 60 70 80 90 100體重（KG） 小體重乘員 90%分位男性正常體重乘員大體重乘員 體壓分布數(shù)據(jù)采集試驗方法 本文將乘員的坐姿分為十種典型坐姿，采集不同類型乘員的這些典型坐姿的體壓分布數(shù)據(jù)作為本文模式識別訓(xùn)練及檢驗樣本。十種典型坐姿中1和5坐姿頭部處于離位區(qū)域，劃分為離位坐姿。其余8種坐姿劃為正常坐姿。 具體試驗方法如下： 將汽車座椅按照正常安裝形式（與實車安裝尺寸相同）固定好，在座椅上表面鋪好體壓分布傳感器墊。試驗人員坐在汽車座椅上，姿按照阿拉伯?dāng)?shù)字編號順序做出相應(yīng)的坐姿，每個坐姿停留時間大于3秒。記錄體壓分布數(shù)據(jù)。 體壓分布數(shù)據(jù)的處理 體壓分布數(shù)據(jù)處理就是將對乘員體壓分布圖進行平均值平滑處理圖，~，圖左側(cè)是處理前的體壓分布圖，對應(yīng)右側(cè)是處理后的壓力分布圖。 坐姿體壓分布圖 坐姿體壓分布圖 坐姿體壓分布圖 坐姿體壓分布圖 坐姿體壓分布圖 坐姿體壓分布圖 圖4 .9小體重乘員7坐姿體壓分布圖 坐姿體壓分布圖 坐姿體壓分布圖 坐姿體壓分布圖 坐姿體壓分布圖 坐姿體壓分布圖 乘員體征主特征的提取 特征是決定相似性和分類的關(guān)鍵，在分類的目的決定以后，如何找到合適的特征就成為認(rèn)知和識別的核心問題。本文通過分析壓力分布敏感點，將壓力分布圖中的敏感點壓力直接作為乘員體征主特征。 。 敏感點位置坐標(biāo)表 序號 位置坐標(biāo) 序號 位置坐標(biāo) 序號 位置坐標(biāo) 1 11，32 4 16，25 7 23，30 2 12，25 5 19，28 8 23，25 3 11，19 6 19，22 9 23，20使用壓力分布敏感點壓力作為模式識別中乘員體征主特征，其目的就是為后續(xù)的基于低密度壓力傳感器的乘員體征識別系統(tǒng)研究做前期準(zhǔn)備。通過對大量壓力分布數(shù)據(jù)進行統(tǒng)計分析。，越大，該采集點敏感度越大。 本文在700的區(qū)域按照均勻性原則布置了9點作為壓力敏感點，敏感點布置方案。 通過特征提取共獲得乘員體征有效特征樣本777個，每個體征有效樣本帶有其體征對應(yīng)的乘員類型及坐姿類別標(biāo)簽。 乘員類型識別結(jié)果 本文主要使用Linear核函數(shù)對乘員類型進行訓(xùn)練和識別，=2下的檢驗結(jié)果。=64下的檢驗結(jié)果。 、檢驗時間及 平均檢驗正確率 C 1024 512 256 128 64 32訓(xùn)練時間（ms） 10640 6437 27341578 984 547檢驗時間 (ms) 平均正確率%%%%%% C 16 8 4 2 1 訓(xùn)練時間 (ms) 453 281 234 218328 156檢驗時間（ms）平均正確率%%%% 48% 48% =2下的檢驗結(jié)果最優(yōu)值 參數(shù) 成員體重識別為55kg識別為55kg~75kg識別為 75kg檢驗正 確率平均正確率 C=255kkg 25 15 0 % %55kg~75kg 13 27 8 %75kg 19 8 12 % =64下的檢驗結(jié)果最優(yōu)值 參數(shù)成員體重識別為55kg識別為55kg~75kg識別為75kg檢驗正確率平均正 確率 C=6455kkg 24 16 0% %55kg~75kg 13 27 8%75kg 18 7 14%通過圖表對比可得出結(jié)果如下： Linear核函數(shù)在不同C參數(shù)下的訓(xùn)練、檢驗時間及平均檢驗正確率是不相同的，在C=2和C=64時識別正確率最高。結(jié) 論車輛乘員類型等體征信息的準(zhǔn)確識別是智能安全氣囊系統(tǒng)實現(xiàn)的前提條件之一，其識別算法的實時性和準(zhǔn)確性對于在碰撞發(fā)生時安全氣囊的起爆時間和充氣強度的控制起著決定性作用。 本次論文主要任務(wù)是通過座椅上的壓力傳感器，對不同體征特點的乘員體壓分布信息的精確分析，探索一條新的依靠體壓信息識別技術(shù)的乘員類型的模式識別方法，實現(xiàn)對不同乘員類型的有效識別，從而為后續(xù)的智能安全氣囊系統(tǒng)的開發(fā)提供一種現(xiàn)實可行且成本低廉的乘員體征識別算法。 本文通過對不同類型乘員在不同坐姿下的體壓分布信息的精確分析，提出了完全基于乘員體壓及其坐姿導(dǎo)致的體壓動態(tài)變化進行乘員類型的體征信息識別算法，并基于已經(jīng)開發(fā)的LabView乘員體壓信息識別軟件的基礎(chǔ)上進行的乘員體征識別系統(tǒng)。通過對各種算法的理論研究及實際比較、編程實現(xiàn)、試驗驗證，初步得到了較為良好的效果。課題研究的主要工作內(nèi)容和結(jié)論如下： （1）乘員體征檢測技術(shù)的理論基礎(chǔ)和支持向量機方法。模式識別是指對表征事物或現(xiàn)象的各種形式的(數(shù)值的、文字的和邏輯關(guān)系的)信息進行處理和分析,以對事物或現(xiàn)象進行描述、辨認(rèn)、分類和解釋的過程,是信息科學(xué)和人工智能的重要組成部分。支持向量機是在統(tǒng)計學(xué)習(xí)理論的基礎(chǔ)上發(fā)展起來的新一代的學(xué)習(xí)算法，由于優(yōu)秀的學(xué)習(xí)能力尤其是泛化能力，該算法成為智能模式識別領(lǐng)域的研究熱點，并成功運用于諸多實際應(yīng)用領(lǐng)域，如人臉檢測、手寫數(shù)字識別、文本自動分類、機器翻譯等。 （2）基于體壓分布的乘員體征識別算法。本文開發(fā)的算法包括乘員測量空間的生成、乘員特征空間的提取和乘員體征空間的劃分三個部分。試驗數(shù)據(jù)樣本是使用Tekscan公司的汽車座椅體壓測量系統(tǒng)，通過采集不同體征的乘員高維體壓分布的數(shù)據(jù),形成乘員測量空間。通過對于壓力分布敏感點的分析，找到乘員體壓分布敏感點，將敏感點壓力值作為乘員識別特征，建立乘員特征空間，然后通過模式識別中支持向量機的方法對乘員特征空間進行分類，對乘員體征空間進行劃分，最后建立乘員體征識別器。 （3）乘員體征識別系統(tǒng)的試驗驗證。 本文主要使用Linear核函數(shù)對乘員類型進行訓(xùn)練和識別，通過對比圖表可得出Linear核函數(shù)在不同C參數(shù)下的訓(xùn)練、檢驗時間及平均檢驗正確率是不想相同的，在C=2和C=64時識別正確率最高。 由于時間和試驗條件的限制，論文的研究還存在著許多不足，還有急待解決的問題，需要在今后逐步完善，這主要表現(xiàn)在以下幾個方面： （1）本文使用的坐墊式體壓分布傳感器在使用過程中容易串動，降低了樣本數(shù)據(jù)準(zhǔn)確度，使用更好的傳感器設(shè)備提高樣本數(shù)據(jù)準(zhǔn)確度。目前的樣本數(shù)偏少，后續(xù)將采集跟多不同體型樣本乘員更多典型坐姿下的體壓分布數(shù)據(jù)。 （2）目前在壓力敏感區(qū)域只采用了一種9點式傳感器布置方案，在后續(xù)研究中將采用不同點數(shù)不同位置的傳感器布置方案，并進行比較，尋找最優(yōu)布置方案。 （3）由于時間倉促，本文只采用1種常用的核函數(shù)進行了主要研究，另外還有3種核函數(shù)只是簡單概述，后續(xù)應(yīng)該找到適合體征識別的支持向量機核函數(shù)，或者構(gòu)造專門針對體征識別的核函數(shù)。參考文獻[1] 。東北大學(xué)2004.[2] 王金鵬，,2005,11:125141.[3] 、:1899890,2007124.[4] ,2002,34:2225.[5] ,:1919.[6] :國防工業(yè)出版社，1992.[7] 毛務(wù)本,2003,10:9092.[8] maintenance,2001,4:1010.[9].燕峰,2004,27(5):367370.[10] 張鄂,洪軍,梁建，,2007,41：538542.[11] ：吉林大學(xué)計算機科學(xué)與技術(shù)學(xué)院,2006.[12] ,204,7:1013.[13] ：華南理工大學(xué)出版社,2006:148149.[14]Jie Recognitioin:A Journal of Computer Science and Network Security,2006,6(6):5761.[15] ,—原理、：清華大學(xué)出版社,2004:2224.[16] Vapnik Vladimir nature of statistical learning ：Springer，1995.[17] Vapnik Vladimir learning York:Wiley,1998. [18] ：清華大學(xué)出版社,2000:226.[19] ：科學(xué)出版社,2005:1011.[20] ：中國勞動社會保障出版社,2002.[21] More, Toraldo,G.(1991a).On the solution of large qp problems withbound ,1(1):93113.[22] 壓電薄膜傳感器技術(shù)(國際互聯(lián)網(wǎng)版本).精量電子(深圳)有限公司，1998.[23] ：電子工業(yè)出版社,2005:233.[24] 高文森,：東北師范大學(xué)出版社,1999:73.[25] :機械工業(yè)出版社,1987:114115.[26] ：北京理工大學(xué)出版社,2007.[27] 黃世霖，張金換，：清華大學(xué)出版社，2000.[28] 張維剛，何文，：湖南大學(xué)出版社，2007.[29] 葛如海，藍善斌，陳曉東，.汽車工程，2007,29(9)：766775.[30] ，1983，8(6):2732.