【正文】 Occupant Type 。車輛乘員類型等體征信息的準(zhǔn)確識(shí)別是智能安全氣囊系統(tǒng)實(shí)現(xiàn)的前提條件之一，其識(shí)別算法的實(shí)時(shí)性和準(zhǔn)確性對(duì)于在碰撞發(fā)生時(shí)安全氣囊的起爆時(shí)間和充氣強(qiáng)度的控制起著決定性作用[2]。因此本文主要基于壓力傳感器的基礎(chǔ)上，構(gòu)建了對(duì)汽車乘員體征的動(dòng)態(tài)監(jiān)測(cè)系統(tǒng)，對(duì)各個(gè)座位測(cè)試點(diǎn)應(yīng)力進(jìn)行實(shí)時(shí)動(dòng)態(tài)監(jiān)測(cè)。主要運(yùn)用電場(chǎng)感應(yīng)﹑壓力及重量測(cè)量﹑超聲波﹑紅外光束﹑雷達(dá)以及視覺(jué)測(cè)量等技術(shù)手段[3]。西門子VDOAutomotive公司采用攝像機(jī)判斷乘員坐姿以及通過(guò)座椅中的重量傳感器識(shí)別坐在車內(nèi)各座椅上的乘員的類型。 西門子VDO公司乘員體征識(shí)別系統(tǒng)。該系統(tǒng)利用超聲波感測(cè)技術(shù)監(jiān)視前排乘員的坐姿,同時(shí)還采用一系列其它傳感器探測(cè)乘員的重量、駕駛員相對(duì)轉(zhuǎn)向盤的位置，安全帶是否系好以及發(fā)生碰撞時(shí)的強(qiáng)度等。德?tīng)柛９鹃_(kāi)發(fā)出一種能夠檢測(cè)重量的液囊袋，利用測(cè)量不同液囊袋的壓力值，分析乘員類型信息，同時(shí)也開(kāi)發(fā)出基于視覺(jué)檢測(cè)的坐姿識(shí)別系統(tǒng)，當(dāng)乘員被識(shí)別為頭部處于危險(xiǎn)區(qū)域時(shí)，系統(tǒng)將會(huì)發(fā)出安全氣囊彈開(kāi)抑制指令，從而防止安全氣囊導(dǎo)致的傷害。 西門子VDO公司乘員體征識(shí)別系統(tǒng) 捷豹公司在XK車上的自動(dòng)適應(yīng)約束系統(tǒng) 德?tīng)柛９疽耗掖阶蝹鞲衅鲌D及基于圖像的乘員體征識(shí)別系統(tǒng) 我國(guó)國(guó)內(nèi)的汽車整車及零部件廠商主要從事傳統(tǒng)安全氣囊系統(tǒng)的生產(chǎn)，智能安全氣囊系統(tǒng)的研發(fā)和生產(chǎn)幾乎為空白。清華大學(xué)尹武良等提出了基于電容傳感器的乘員感應(yīng)裝置，這個(gè)裝置能夠探測(cè)乘員是否存在，而且能夠區(qū)分座椅上是人體還是物品[6]。提出的基于形態(tài)分析的座椅乘員識(shí)別系統(tǒng)，該系統(tǒng)具有實(shí)時(shí)識(shí)別功能，能識(shí)別出座椅上的占有物是成人還是兒童，或是一般物體。利用該系統(tǒng)的輸出信息即可控制安全氣囊的安全釋放，防止乘員的意外傷亡[7]。 乘員體征識(shí)別技術(shù)的發(fā)展包括乘員類型識(shí)別和乘員坐姿識(shí)別的乘員體征識(shí)別是智能安全氣囊開(kāi)發(fā)中的重點(diǎn)。目前絕大多數(shù)體征識(shí)別系統(tǒng)研究都是以識(shí)別乘員類型和坐姿為目標(biāo)。 目前已經(jīng)開(kāi)發(fā)出并已上市的智能安全氣囊系統(tǒng)主要有體重分類法、視覺(jué)識(shí)別法、電場(chǎng)感應(yīng)法、超聲波探測(cè)法四種乘員體征識(shí)別方法。體重分類法的重量分類系統(tǒng)由模數(shù)轉(zhuǎn)換電路，微型處理器，及相關(guān)的接口電路組成。在微型處理其中將計(jì)算乘員重量，并對(duì)重量進(jìn)行閾值判斷，將判斷結(jié)果輸出。該系統(tǒng)將乘員類型分為3類。如果不相等，然后計(jì)算乘員體重，系統(tǒng)將乘員類型判斷為類型1即為兒童，發(fā)生碰撞時(shí)氣囊不會(huì)彈開(kāi)。系統(tǒng)將乘員類型判斷為類型3，發(fā)生碰撞時(shí)氣囊才允許彈開(kāi)。 座椅支撐力 座椅支撐梁 傳感器支架 支撐盤 輸出信號(hào)線 彈性體 螺栓 應(yīng)變片 隔離板 三菱汽車公司重量檢測(cè)系統(tǒng)乘員分類表類 型 乘 員重量（Kg）安全氣囊狀態(tài)0 空 座5禁止彈開(kāi)1 兒童座椅或嬰兒或 6歲大的兒童~禁止彈開(kāi)2 10至18歲的未成年人~禁止彈開(kāi)3 成 人允許彈開(kāi) 乘員體征識(shí)別技術(shù)的研究目的本文旨在通過(guò)座椅上的壓力傳感器，對(duì)不同體征特點(diǎn)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(shí)別技術(shù)的乘員類型的模式識(shí)別方法，實(shí)現(xiàn)對(duì)不同乘員類型的有效識(shí)別，從而為后續(xù)的智能安全氣囊系統(tǒng)的開(kāi)發(fā)提供一種現(xiàn)實(shí)可行且成本低廉的乘員體征識(shí)別算法[2]。 所謂的乘員體壓分布是指人體的質(zhì)量在靠背和坐墊上的壓力分布。為保證座椅乘坐的舒適性，測(cè)量乘員的體壓分布并分析座椅乘坐的舒適性成為座椅設(shè)計(jì)及檢驗(yàn)的重要內(nèi)容[9,10]。需要特別指出的是：本文在進(jìn)行試驗(yàn)測(cè)試樣本采集時(shí)，都是直接采用了Tekscan公司的高密度體壓分布測(cè)量系統(tǒng)來(lái)獲取不同體征高維體壓分布的樣本數(shù)據(jù)庫(kù)，并通過(guò)分析這些樣本，找到體壓分布敏感點(diǎn)位置，將這些壓力敏感點(diǎn)位置處的壓力值作為模式識(shí)別特征。 2 乘員體征識(shí)別技術(shù)的理論基礎(chǔ)和支持向量機(jī)方法 乘員體征檢測(cè)技術(shù)的理論基礎(chǔ)模式識(shí)別方法 所謂的乘員體征信息包括乘員的類型信息和乘員的坐姿信息。 由于不同類型及坐姿的乘員體壓分布有明顯不同，本文嘗試通過(guò)分析體壓分布的特點(diǎn)，提取出體壓分布特征，并通過(guò)智能模式識(shí)別的方法對(duì)這些特征進(jìn)行分類識(shí)別，從而找到一條全新的單純基于體壓分布來(lái)實(shí)現(xiàn)乘員類型識(shí)別的算法。本文選擇具有優(yōu)秀的泛化能力及解算高維向量的能力的支持向量機(jī)算法作為本文的識(shí)別算法，并通過(guò)使用不同體征特征樣本對(duì)支持向量機(jī)進(jìn)行訓(xùn)練及檢驗(yàn)，建立乘員體征識(shí)別器。模式識(shí)別是通過(guò)計(jì)算機(jī)對(duì)輸入數(shù)據(jù)進(jìn)行分類的一項(xiàng)技術(shù)，在很多領(lǐng)域得到了成功的應(yīng)用，例如自動(dòng)視覺(jué)檢驗(yàn)、故障檢出和分析、醫(yī)學(xué)數(shù)據(jù)分析、文字識(shí)別、語(yǔ)言識(shí)別等。 模式還可分成抽象的和具體的兩種形式。本文所指的模式識(shí)別主要是對(duì)語(yǔ)音波形、地震波、心電圖、腦電圖、圖片、照片、文字、符號(hào)、生物的傳感器等對(duì)象進(jìn)行測(cè)量的具體模式進(jìn)行分類和辨識(shí)。模式識(shí)別大致包括數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、特征提取和選擇模式分類4個(gè)環(huán)節(jié)[14]。 ：通常是將感興趣的特征從背景中分離出來(lái)，去除噪聲，并進(jìn)行歸一化處理。 ：選擇恰當(dāng)?shù)哪Ｊ阶R(shí)別方法進(jìn)行分類。從圖中可以看到，數(shù)據(jù)預(yù)處理存在于兩個(gè)模塊中，包括去除噪聲數(shù)據(jù)的影響、把感興趣的模式從復(fù)雜背景中提取出來(lái)、對(duì)模式數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化等。 模式識(shí)別的主要方法 模式識(shí)別方法分為監(jiān)督學(xué)習(xí)方法和非監(jiān)督學(xué)習(xí)方法。模式識(shí)別方法主要有統(tǒng)計(jì)模式識(shí)別、數(shù)據(jù)聚類、模糊模式識(shí)別、神經(jīng)網(wǎng)絡(luò)模式識(shí)別、結(jié)構(gòu)模式識(shí)別和支持向量機(jī)模式分類六種研究方法。 適應(yīng)于小樣本的支持向量機(jī)方法 支持向量機(jī)（SVM，Support Vector Machine）簡(jiǎn)稱SVM，是Vapnik等根據(jù)統(tǒng)計(jì)學(xué)習(xí)理論中的結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則提出的[16,17]。支持向量機(jī)是統(tǒng)計(jì)學(xué)習(xí)理論中年輕的內(nèi)容，也是最實(shí)用的部分，目前該方法仍處在不斷發(fā)展之中。 采用支持向量機(jī)方法的技術(shù)優(yōu)勢(shì) 相對(duì)于乘員體征的千差萬(wàn)別，通過(guò)采集不同體征的乘員體壓分布數(shù)據(jù)很難獲得傳統(tǒng)模式識(shí)別所需的特征大樣本數(shù)據(jù)庫(kù)。智能安全氣囊控制需要對(duì)于乘員體征的識(shí)別快速準(zhǔn)確。支持向量機(jī)（SVM）是新近提出的一種模式識(shí)別算法，它不僅適用于小樣本訓(xùn)練的情況，具有較強(qiáng)的泛化及推廣能力，而且具有強(qiáng)大的數(shù)據(jù)處理能力，對(duì)高維樣本的處理復(fù)雜度與對(duì)低維樣本近似，并能巧妙地引入核函數(shù)來(lái)實(shí)現(xiàn)非線性映射，從而完成非線性處理。它兼顧訓(xùn)練錯(cuò)誤和泛化性能，開(kāi)辟了學(xué)習(xí)高維數(shù)據(jù)的新天地，是一種新的非常有潛力的分類技術(shù)，特別對(duì)線性可分問(wèn)題，支持向量機(jī)的分類結(jié)果與理想情況完全吻合。 本文把支持向量機(jī)引入到乘員體征識(shí)別的研究中，建立了基于SVM的乘員體征識(shí)別模型，并進(jìn)行了檢驗(yàn)試驗(yàn)，最后給出了檢驗(yàn)結(jié)果評(píng)價(jià)。 學(xué)習(xí)是一切智能系統(tǒng)最根本的特征，機(jī)器學(xué)習(xí)是人工智能最具智能特征、最前沿的研究領(lǐng)域之一。 統(tǒng)計(jì)模式識(shí)別是基于樣本的機(jī)器學(xué)習(xí)中最為廣泛最為深入的一種模式識(shí)別方法。前蘇聯(lián)烏茲別克科學(xué)家Vapnik等人早在20世紀(jì)60年代就開(kāi)始研究有限樣本情況下的機(jī)器學(xué)習(xí)問(wèn)題，但這些研究長(zhǎng)期被忽視。上世紀(jì)90年代中期，Vapnik和他的Atamp。 最優(yōu)分類超平面 支持向量機(jī)的研究最初針對(duì)模式識(shí)別中的兩類線性可分問(wèn)題。最優(yōu)分類線（平面）的置信范圍最小。 分割線1 分割線2 最優(yōu)分類平面示意圖為了表示這個(gè)分類超平面，使用以下的形式表達(dá)： (23) 容易驗(yàn)證，最優(yōu)超平面就是滿足條件式（23）并且使得 (24） 最小，為此，可以定義如下的Lagrange函數(shù)： (25)其中，≥0為L(zhǎng)agrange系數(shù)，我們的問(wèn)題是對(duì)ω和b求Lagrange函數(shù)的最小值。這是一個(gè)不等式約束下二次數(shù)機(jī)制問(wèn)題，存在唯一最優(yōu)解。 可由約束條件求解，由此求得的最優(yōu)分類函數(shù)是: (211) sgn()為符號(hào)函數(shù)。 如果數(shù)據(jù)線性不可分需要引入一個(gè)非負(fù)的松弛變量（≥0)將約束條件變?yōu)椋? (212) 將目標(biāo)函數(shù)改為最小化： (213)此時(shí)的最優(yōu)分類超平面被稱為廣義最優(yōu)分類超面，其求解過(guò)程與線性可分情況下幾乎相同，只是對(duì)拉格朗日系數(shù) 的取值范圍變?yōu)?0≤≤C,i=1,2,…,n 其中C是一個(gè)給定的值，它控制對(duì)錯(cuò)分樣本懲罰的程度，實(shí)現(xiàn)在錯(cuò)分樣本的比例和算法復(fù)雜度之間的折中。將輸入空間變換到一個(gè)高維空間D，然后在這個(gè)新空間中求取最優(yōu)線性分類面，而這種非線性變換是通過(guò)定義適當(dāng)?shù)暮撕瘮?shù)（內(nèi)積函數(shù)）實(shí)現(xiàn)的，令： (214)用核函數(shù)代替最優(yōu)分類平面中的點(diǎn)積,就相當(dāng)于把原特征空間變換到了某一新的特征空間，此時(shí)優(yōu)化函數(shù)變?yōu)椋? (215)而相應(yīng)的判別函數(shù)式則為： (216) 其中是支持向量，為未知量，（216）式就是支持向量機(jī)（SVM）模型。 目前常用的核函數(shù)形式主要有Linear核函數(shù)、RBF(Radial Basis Function)核函數(shù)、Sigmoid核函數(shù)、Polynomial核函數(shù)四大類。其中，采用了智能模式識(shí)別中在解決小樣本、非線性、局部最小及高維模式識(shí)別問(wèn)題時(shí)具有優(yōu)秀性能的支持向量機(jī)算法，并通過(guò)分析壓力分布敏感點(diǎn)，將壓力分布的圖中的敏感點(diǎn)壓力直接作為乘員體征主特征，最終將獲得的主特征作為支持向量機(jī)訓(xùn)練樣本實(shí)施學(xué)習(xí)訓(xùn)練，將訓(xùn)練后的分類模型直接作為乘員體征分類器。