基于压力传感器的乘员体征识别.doc

《基于压力传感器的乘员体征识别.doc》由会员分享，可在线阅读，更多相关《基于压力传感器的乘员体征识别.doc（39页珍藏版）》请在三一办公上搜索。

1、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对于在碰撞发生时安全气囊的起爆时间和充气强度的控制起着决定性作用。 目前国内外研究大多是采用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；利用超声波雷达或计算机视觉技术检测乘员与仪表板之间的距离，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

2、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.首先针对乘员体压分布的特点，建立了依据体压敏感点分析的识别特征；其次，依据体压敏感点特征分析，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征描述；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征样本的学习，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索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 Vehicle occupant types positi

3、on information accurately identify such signs is intelligence airbag system to realize one of the premise condition, the recognition algorithm for real-time and accuracy in the collision occurred airbag detonator time and inflatable intensity control decisive. Both at home and abroad, mostly in rese

4、arch by arrangement of pressure sensor detection chair, and based on which the crew weight of different type crew type classification; Using ultrasonic detecting radar or computer vision technology with the distance between the crew dashboard, and based on which the normal or dangerous posture class

5、ification.Based on the research with faw technology center project of different types, through the crew in different posture body pressure distribution of accurate information are analyzed, and the only depend upon the pressure distribution, based on the occupant type and sensor to sitting body pres

6、sure dynamic change information the crew types and posture identification signs recognition algorithms, first crew for occupant body pressure distribution characteristic, establishes the body pressure sensitive analysis based on recognition characteristic; Secondly, based on analysis of characterist

7、ics of the body pressure sensitive, extraction based on body pressure distribution in different types of information and under the Lord sitting description; crew Finally, using support vector machine (SVM), through the self-learning function to test the collected a lot of different signs of learning

8、, crew features samples based on support vector machine (SVM) was established the occupant type and posture mode classifier, realize the different types and sitting position, and the effective recognition crew for the subsequent development of the intelligent airbag exploring a realistic and low-cos

9、t occupant type and posture recognition method.Key Words: Occupant Signs Information;Intelligent Airbags;Body Pressure Distribution ; Occupant Type ; Support Vector Machine目 录 1 绪 论11.1 乘员体征识别技术的背景11.2 乘员体征识别技术的研究现状和未来的发展11.2.1 乘员体征识别技术的研究现状11.2.2 乘员体征识别技术的发展41.3 乘员体征识别技术的研究目的51.4 本文的主要研究内容52 乘员体征识别

10、技术的理论基础和支持向量机方法62.1 乘员体征检测技术的理论基础-模式识别方法62.1.1 模式识别方法概述62.1.2 模式识别的主要方法72.2 适应于小样本的支持向量机方法82.2.1 采用支持向量机方法的技术优势82.2.2 支持向量机算法简述82.2.3 最优分类超平面92.2.4 核函数的概念及支持向量机模型123 基于体压分布的乘员体征识别算法133.1 总体技术路线133.2 乘员测量空间的生成143.3 乘员特征空间的提取163.4 乘员类型空间的划分184 乘员体征识别系统的验证234.1 测试样本的生成234.1.1 试验乘员样本选择244.1.2 体压分布数据采集试验

11、方法254.2 体压分布数据的处理254.3 乘员体征主特征的提取264.4 乘员类型识别结果28结 论30参考文献32致 谢34II天津职业技术师范大学2011届本科生毕业论文1 绪 论1.1 乘员体征识别技术的背景 伴随着中国经济的飞速发展，汽车在我们的生活中扮演着越来越重要的角色，伴随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，造成这种现象的主要原因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，找到解决此问题的方法不仅可以减少交通事故，也能对驾驶员进行保护并尽量避免职业病的发生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

12、识别算法的实时性和准确性对于在碰撞发生时安全气囊的起爆时间和充气强度的控制起着决定性作用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适与产生疲劳，在生理上容易造成腰椎的负荷、四肢酸痛与不舒适，更严重的还会影响到驾驶员的驾驶控制性。因此本文主要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未来的发展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都是以识别乘员类型和坐姿为目标。主要运用电场感应压力及重量测量超

13、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，然后根据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公司采用摄像机判断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，以免伤害乘员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

14、用了自适应约束系统（ARTS）。该系统利用超声波感测技术监视前排乘员的坐姿,同时还采用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。掌握了这些探测到的信息，ARTS就可以根据每个前排乘员的具体需要，利用控制算法的灵活性，确定安全气囊的触发时刻和展开强度，实现最佳的乘员保护4。图1.3为捷豹公司在XK车上的自动适应约束系统。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伤害。图1

15、.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车上的自动适应约束系统 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主要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，这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还是物品6。江苏大学毛务

16、本等开展了基于座椅传感器的乘员识别系统研究。提出的基于形态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还是儿童，或是一般物体。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控制安全气囊的安全释放，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，探索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发展包括乘员类型识别和乘员坐姿识别的乘员体征识别

17、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围内的三维空间状态、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都是以识别乘员类型和坐姿为目标。主要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。 目前已经开发出并已上市的智能安全气囊系统主要有体重分类法、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，及相关的接口电路组成。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。在微型处理其中将计

18、算乘员重量，并对重量进行阈值判断，将判断结果输出。 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。首先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，系统将乘员类型判断为类型0，发生碰撞时气囊不会弹开。如果不相等，然后计算乘员体重，当体重小于25.6kg时，系统将乘员类型判断为类型1即为儿童，发生碰撞时气囊不会弹开。如果体重属于25.646.7kg范围内，系统将乘员类型判断为类型2即为10至18 岁的未成年人，发生碰撞时气囊不会弹开。如果体重大于46.7kg时，系统将乘员类型判断为类型3，发生碰撞时气囊才允许弹开。图1.

19、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1 儿童座椅或婴儿或 1、3、6岁大的儿童8.025.6禁止弹开2 10至18岁的未成年人25.646.7禁止弹开3 成 人46.7允许弹开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，探索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

20、实可行且成本低廉的乘员体征识别算法2。1.4 本文的主要研究内容 本文的主要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。根据人机工程学的研究，最舒适的坐姿分布应保证: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，避免突然变化。为保证座椅乘坐的舒适性，测量乘员的体压分布并分析座椅乘坐的舒适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已经开发的LabView软件的乘员体压信息的识别软件上进行的。需要特别指出的是：本文在进行试验测试样本采集时，都是直接采用了Teks

21、can公司的高密度体压分布测量系统来获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，找到体压分布敏感点位置，将这些压力敏感点位置处的压力值作为模式识别特征。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况。 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。本文采用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，提取出体压分布特征，并通过智能模式识别的方法对这些特征

22、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征样本对支持向量机进行训练及检验，建立乘员体征识别器。 计算机模式识别是20世纪60年代初迅速发展起来的一门新兴学科。模式识别是通过计算机对输入数据进行分类的一项技术，在很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

23、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、分类和解释的过程,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主要是对语音波形、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征空间到类别空间的映射。模

24、式识别大致包括数据采集、数据预处理、特征提取和选择模式分类4个环节14。图2.2所示。分类特征提取及选择预处理信息获取 图2.2 模式识别任务实现过程 具体过程如下： 1.信息获取：通过传感器获取信号或图像信息，完成原始数据采集（用模式表示输入数据）。 2.预处理：通常是将感兴趣的特征从背景中分离出来，去除噪声，并进行归一化处理。 3.特征提取：找到合适的特征来表示输入模式。 4.模式分类：选择恰当的模式识别方法进行分类。 识别结果模式分类未知模式特征选择和特征提取数据预处理未知模式的特征数据采集识别 训练训练模式样本特征数据输入数据预处理未知模式特征选择和特征提取制定分类判决规则正确率检测

25、改进判决规则未知模式特征选择和特征提取 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。从图中可以看到，数据预处理存在于两个模块中，包括去除噪声数据的影响、把感兴趣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，即将已识别完的分类结果和类别的模式作对比，根据错误率识别结果，不断改进判决规则和特征选择及特征提取方法，制定使错误率最小的特征选择和特征提取策略，即再学习过程15。2.1.2 模式识别的主要方法 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

26、法是指在没有任何样本所属类别信息情况下直接根据某种规则进行分类。模式识别方法主要有统计模式识别、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。接下来主要介绍支持向量机模式识别方法。2.2 适应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Vapnik等根据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征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，该算法根据泛化性理论强化学习偏置，能够保证找到的极值解就是全局最优解。支持向量机是统计学习理论中年轻的内容，

27、也是最实用的部分，目前该方法仍处在不断发展之中。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 采用支持向量机方法的技术优势 相对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很难获得传统模式识别所需的特征大样本数据库。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很大影响。智能安全气囊控制需要对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，并且有快速准确计算能力的算法

28、。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况，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，开辟了学习高维数据的新天地，是一种新的非常有潜力的分类技术，特别对线性可分问题，支持向量机的分类结果与理想情况完全吻合。这种新的学习算法可以替代多层

29、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问题、过学习与欠学习问题、局部极小点问题等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SVM的乘员体征识别模型，并进行了检验试验，最后给出了检验结果评价。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发展起来的新一代的学习算法，由于优秀的学习能力尤其是泛化能力，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根本的特征，机器学习是人

30、工智能最具智能特征、最前沿的研究领域之一。基于样本的机器学习问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，主要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预测和判断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，而在实际问题中，样本数往往是有限的，因此一些理论上很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

31、况下的机器学习问题，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发展，这一方法逐渐被西方科学界认识，有限样本情况下的机器学习理论也逐渐完善起来，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问题中取得很好的效果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问题。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，即都能够保证使经验风险

32、最小（为0），这样的分类线（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）的置信范围最小。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 (2-1) 可以被一个超平面 (2-2)分开，如果这个向量被超平面没有错误地分开，并且离超平面最近的向量与超平面之间的距离是最大的，则这个超平面为最优超平面。 分割线1 分割线2 图2.4 最优分类平面示意图为了表示这个分类超平面，使用以下的形式表达： (2-3) 容易验证，最优超平面就是满足条件式（2-3）并且使得 (2-4） 最小，为此，可以定义如下的Lagrange函数： (2-5)其中，0

33、为Lagrange系数，我们的问题是对和b求Lagrange函数的最小值。把式（2-5）分别对、b、求偏微分并令它们等于0，得： (2-6) (2-7) (2-8)以上三式加上原约束条件以及kuhnTucker条件可以把原问题转化为如下对偶问题： (2-9)文献21提供了解决该问题的特殊方法21。这是一个不等式约束下二次数机制问题，存在唯一最优解。若 为最优解，则 (2-10) 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。 可由约束条件求解，由此求得的最优分类函数是: (2-11) sgn()为符号函数。 （0）是Lagrange系数，是域值。 如果数据线性不可

34、分需要引入一个非负的松弛变量（0)将约束条件变为： (2-12) 将目标函数改为最小化： (2-13)此时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况下几乎相同，只是对拉格朗日系数 的取值范围变为:0C,i=1,2,n 其中C是一个给定的值，它控制对错分样本惩罚的程度，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，然后在这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： (2-14)用核函数代替最优分类平面中的点积,就相当于把原特征空间变换到了

35、某一新的特征空间，此时优化函数变为： (2-15)而相应的判别函数式则为： (2-16) 其中是支持向量，为未知量，（2-16）式就是支持向量机（SVM）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，因此识别时的计算复杂度取决于支持向量的个数。 目前常用的核函数形式主要有Linear核函数、RBF(Radial Basis Function)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

36、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，采用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问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感点，将压力分布的图中的敏感点压力直接作为乘员体征主特征，最终将获得的主特征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接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、乘员特征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。 敏感点特乘员测量空间乘员体征空间乘员特征空间乘员体压分布数据 预处理 征提取 模式 分类 特征选择 图3.1 乘

37、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。通过对于压力分布敏感点的分析，找到乘员体压分布敏感点，将敏感点压力值作为乘员识别特征，建立乘员特征空间，然后通过模式识别中支持向量机的方法对乘员特征空间进行分类，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。人工在敏感区域布置敏感点 高密度坐垫式压力传感器 乘员体压分布测试系统 压力敏感点位置不同类型乘员体压分布数据压力分布敏感度分析 乘员体压信息的后处理平均值滤波实际体征数据读取 测量空间的生成压力敏感点压力

38、值读取 压力分布测量数据处理系 特征空间的提取 不同类型成员特征数据库 类型空间的划分 乘员类型特征数据 归一化间隔点法求最优化参数值 检验数据 调查数据 检验分类器分类效果训练分类器 支持向量机最优参数 类型分类 器模型最优类型分类器 图3.2 乘员体征识别算法技术路线图3.2 乘员测量空间的生成 乘员测量空间是经过数据处理后原始乘员体压分布信息所在的空间。 膜片式压力分布传感器测量的压力分布测量类似于摄像机的光感应元件，容易受到外部或内部的干扰，单位测量点的敏感测压元件的灵敏度的不均匀性，数字化过程中的量化噪声、传输过程中的误差以及人为因素，均会使压力分布测量的质量变差。因此去除噪声、恢复原始的压力分布是数据处理的一个重要内容22。 本文借助图像处理的方法对压力分布数据进行预处理。图像的平滑处理方法根据噪声本身的特性而定，可在空间域或频率域采用不同的措施，大多在空间域内进行。空间平滑滤波是在图像空间内利用模板进行邻域操作实现的，一般可分为线性和非线性两类。线性平滑滤波器因为完善的理论基础、相对简单的数学处理，一直是图像处理的主要工具23。本文使用的预处理算法是局部平均法，即以某个像素为中心，在图像上开一个小窗口，把这个窗口内的所有测量点的压力值加权求平均值，