基于生物识别的汽车人机交互拓展化研究.docxVIP

基于生物识别的汽车人机交互拓展化研究

摘要：随着智能汽车的逐步普及，智能汽车用户群体的需求和问题也在逐渐变化。在智能汽车快速发展的大环境，以及符合各项规章制度的前提下，通过生物识别及其相关技术探究如何满足用户的个性化需求，以实现更加安全、高效的新一代人机交互方式。以调研中用户反映的驾驶体验问题和日常发现的驾驶问题为导向，针对性地进行了拓展化研究，提出相应的技术解决方案。

关键词：生物识别；人机交互；车联网；深度学习算法；边缘修复

1前言

汽车产品正在逐步转变为智能移动设备，这得益于智能化和自动化技术的持续发展和完善。在人机互动、万物互联的发展推动下，汽车已经超脱于传统运输工具的功能，正在逐渐转变成人类寻求更丰富的体验感和舒适感的第三空间［1］。汽车消费者的需求千差万别，而传统的汽车只能在相同品牌相同类型中推出相同的产品，这种同质化导致了消费者体验无法得到最大限度的满足。

因此，通过生物识别技术来一对一地满足用户个性化需求应当提上日程。本项目采用DTC模式结合SCP模型，将用户需求转化为技术成果，从机会成本理论出发探究现有生物识别技术在人机互动语境下的升级空间，达到帕累托最优的效果。对于项目中涉及的基于生物特征识别和驾驶习惯研究的个性化方案匹配技术，目前有公司已经有了较为深入的研究。但是由这几个成熟技术整合而成的新技术，目前暂无较多相关研究。基于边缘修复及增强算法的高精准度手势识别技术中，手势识别已经是现有概念，但是目前各项数据表明手势识别精度欠缺、反应速度慢、发挥作用较为局限，我们基于边缘修复及增强算法对现有手势识别技术的精度、识别范围进行了增强，目前仅有部分高校在研究，尚无成熟产品。

经验证，本项目方案通过应用生物识别技术对汽车座舱的人机交互进行多通道拓展及优化，汽车人机交互体验相对于现有产品有较大提升，发展价值较高［2］。

2基于生物特征识别和驾驶习惯研究的个性化方案匹配

2.1研究背景

为了使用户获得最好的驾乘体验，应用了人脸识别技术将用户偏好设置与人脸识别数据绑定；同时使用AI深度学习和机器学习算法对于驾驶人驾驶数据进行分析学习，并对驾驶人设置给出建议，来达到极致的驾驶体验。

2.2人脸识别与个性化方案储存匹配

由于驾驶人相对固定，需要采集的人脸数据较少，这里主要讨论基于特征脸的人脸识别算法。

2.2.1采集驾驶员图像作为训练样本

将驾驶员的姿势分为站立和常规驾驶坐姿两种，在收集数据时，要保持视线直视前方，并将收集到的数据作为训练数据。

2.2.2处理训练数据

设收集到M个面部图像数据，每张图像被扁平化为一列（假定图像像素数量为N），这些向量被放置在一个矩阵中而成为训练数据[S=[τ1，τ2，…，τM]]。

2.2.3计算平均脸

将[S]里的值累加并取均值[φ=1Mi=1Mτi]，然后将每个人脸图像[τi]都减去该均值，使均值为0∶[ωi=τi?φ]，重新排列构成新的矩阵[T=[ω1，ω2，…，ωM]]。

2.2.4PCA（主成分分析）降维求协方差矩阵

在图像识别和人脸识别中，可以用PCA来降低维度并展示人脸的主要特征，以更好地识别和分类，同时减少数据冗余。

假设获得m条面部数据，每条数据都有n个评价指标，构成了m×n的原始数据矩阵，即为X，每个变量对应的数据記为：X1，X2，…，Xn。

[X=x11…x1n???xm1…xmn=x1，x2，…，xn]??????（1）

各项评估标准常常具备各自的度量和度量单位，为了消除度量的影响，必须对数据做标准化的处理，这样才能确保各个数据标准的对比性。经过标准化处理过后的原始数据，能使所有评估标准都达到相同的数量级，这样才有可能进行全面的比较评价。

对数据实施Z-score转换处理，在此操作后，数据的平均值为0，其标准偏差是1，同时这些数据遵循标准正态分布特性，公式如下：

[Z-Scoreij=xij-xjSj]????????????（2）

式中，[xj]为第j个指标的样本均值，[Xj=1mi=1mXij]；[Sj]为第j个指标的标准差，[Sj=i=1m（Xij-Xj）2m-1]，记中心化后数据矩阵为X。

计算经过集中化处理的数据的协方差矩阵，并将其标记为R：

[rij=cov（xki，xkj）=k=1mxkixkjm-1]?????????（3）

[R=cov（X1，X1）?cov（X1，X2）?…?cov（X1，Xn）????????????????????????cov（Xn，X1）?cov（Xn，X2）?…?cov（Xn，Xn）]????（4）

此外也可以用另一种方法表示：[R=XTXm]。

2.2.5计算特征脸的特征向量

求出协方差矩阵[R]的特