面向汽車座椅的人體參數(shù)采集與分析系統(tǒng)

劉春艷 司夏巖 屈太元 王洋 王健偉

摘要：為滿足用戶對汽車座椅方便性和舒適性的需求，制造商需要考慮駕駛員的人體參數(shù)。本文提出一種基于計算機視覺的車內(nèi)外人體參數(shù)自動測量系統(tǒng)。該系統(tǒng)的軟件部分利用了DeepLabv3+進行語義分割，通過對輸入層圖像進行處理，實現(xiàn)對人體的分割和定位。同時，使用OpenPose進行特征點提取和位置回歸，以獲取更精確的人體參數(shù)。通過搭建神經(jīng)網(wǎng)絡模型預測出實際人體參數(shù)，并將其與實際理論值進行比對。硬件部分由攝像頭、Arduino和NVIDIA Jetson TX2 NX組成。經(jīng)測試，受試者10項人體參數(shù)的預測值與實際值的平均誤差均小于5%，整體運行時間36秒。這表明該系統(tǒng)具有較高精確度和魯棒性，可以通過計算機視覺技術和神經(jīng)網(wǎng)絡模型獲取駕駛員的人體參數(shù)，并根據(jù)這些參數(shù)來調(diào)節(jié)汽車座椅，以提供更好的駕駛體驗和人體舒適性。

關鍵詞：DeepLabv3+；OpenPose；人體參數(shù)；汽車座椅

中圖分類號：TP391? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2023）35-0076-04

開放科學（資源服務）標識碼（OSID）

在汽車設計領域，人體尺寸數(shù)據(jù)對于實現(xiàn)乘員艙布置設計和校核非常重要。這些數(shù)據(jù)是進行H點設計、測量裝置及界面設計的基礎，并為進出車門的方便性、乘員乘坐空間設計以及座椅自動調(diào)整等人機工程設計提供數(shù)據(jù)參考。長時間駕駛汽車若不能保持科學、舒適的坐姿，會導致駕駛?cè)藛T的不適感加劇，并可能對其椎骨、椎間盤、肌腱、韌帶等部位造成損傷，甚至影響身體健康。為了達到健康舒適的效果，在設計汽車時制造商更多地考慮汽車是否適合使用者的人體參數(shù)。我國在1988年制定了GB10000—88《中國成年人人體尺寸》標準，提供了我國成年人人體裸體尺寸的基礎數(shù)據(jù)，并按照人機工程學的要求進行設計。然而，目前人體特征已經(jīng)發(fā)生了較大變化，現(xiàn)行的人體數(shù)據(jù)已經(jīng)無法滿足設計需求，也不能實時，采集人體數(shù)據(jù)并對座椅進行舒適性調(diào)整。因此，本文提出了一種基于神經(jīng)網(wǎng)絡的面向汽車座椅的人體參數(shù)采集與分析系統(tǒng)。該系統(tǒng)采用非接觸式測量方法對車外和車內(nèi)的人體參數(shù)進行測量，可以為汽車座椅設計提供更準確的人體參數(shù)數(shù)據(jù)。

1 系統(tǒng)實現(xiàn)原理及步驟

該系統(tǒng)使用PyTorch框架，通過DeeplabV3+進行語義分割來獲取被測人體的輪廓，使用OpenPose進行人體姿態(tài)估計來獲取人體關鍵點。通過延展人體軀干關鍵點的連線與人體輪廓邊緣的交點，計算所需尺寸的歐氏距離。最后，使用事先采集的大量人體數(shù)據(jù)集，利用最小二乘法將歐氏距離與實際尺寸進行映射，得到像素-厘米比例尺。

系統(tǒng)包括以下幾個主要部分：

1） 對系統(tǒng)所需的軟件進行可行性評估與測試，確保系統(tǒng)能夠正常運行。

2） 采集大量的人體數(shù)據(jù)集，包括需要進行后續(xù)處理的圖片和真實的人體尺寸，用于系統(tǒng)訓練和驗證。

3） 部署DeeplabV3+和OpenPose所需的系統(tǒng)環(huán)境，包括相關的庫和依賴項。

4） 對前期采集的數(shù)據(jù)集進行語義分割和人體姿態(tài)估計，從中獲取歐氏距離信息。

5） 使用最小二乘法將歐氏距離映射到實際尺寸，得到像素-厘米比例尺。

6） 進行性能測試和調(diào)優(yōu)，確保系統(tǒng)的準確性和穩(wěn)定性。

2 DeepLabv3+模型介紹及其應用

DeepLabv3+是一種基于深度卷積神經(jīng)網(wǎng)絡的語義分割算法，采用了編碼器-解碼器結(jié)構(gòu)。該算法可以對輸入的人體圖像進行像素級別的分類，輸出二值化的人物輪廓。模型包含3部分：首先是一個預訓練的特征提取器（通常是一個標準的卷積神經(jīng)網(wǎng)絡），然后是一個空洞卷積模塊用于特征增強，最后是一個解碼器用于產(chǎn)生像素級別的分類結(jié)果。其中，空洞卷積模塊是DeepLabv3+的核心部件，通常被稱為“ASPP”（Atrous Spatial Pyramidal Pooling）。

在ASPP中，使用一些不同的膨脹率（或稱為空洞率）的卷積核來捕獲不同的尺度信息。具體來說，假設ASPP使用了m個不同的膨脹率，對于每個膨脹率，使用一個大小為k×k的卷積核來進行卷積操作，其中k是卷積核的大小，通常設置為3或5。因此，ASPP的輸出結(jié)果是m個不同的特征映射，然后將這些特征映射合并，并使用一個1×1的卷積核進行特征融合，最終得到全局感受野的特征映射。

在解碼器中，使用一個上采樣（或稱為反卷積）模塊來將特征圖恢復到與輸入圖像相同的分辨率，然后使用一個小的卷積核對這些特征進行分類，得到像素級別的分類結(jié)果。在輸出結(jié)果中，像素級別分類的值為1則表示該像素屬于人體輪廓，否則為0。

DeepLabv3+公式描述如下：

輸入： I ∈ R^H×W×3

特征提?。篺（I） ∈ R^{H'×W'×C}

ASPP：F ∈ R^{H'×W'×（m×C）}

特征融合：M ∈ R^{H'×W'×C}

解碼器：P ∈ R^{H×W}

其中，H、W、C分別表示輸入圖像的高度、寬度和通道數(shù)；H'、W'表示特征提取器輸出特征圖的大?。ㄍǔ１容斎雸D像較?。?；m是ASPP模塊中不同膨脹率的數(shù)量。最終輸出為二值化的人物輪廓P，形狀與輸入圖像相同，每個像素的值為0或1，表示該像素是否屬于人體輪廓。

3 OpenPose算法及其應用

OpenPose算法是一種基于卷積神經(jīng)網(wǎng)絡的人體姿態(tài)估計算法。它通過檢測和關聯(lián)人體關鍵點來實現(xiàn)對人體姿態(tài)的估計，使用了多階段的卷積神經(jīng)網(wǎng)絡來提取特征，并生成關鍵點的置信度圖和連接關系的中間矢量。

3.1 關鍵點檢測

在關鍵點檢測階段使用了一個多階段的卷積神經(jīng)網(wǎng)絡。給定輸入圖像I，該階段旨在預測每個關鍵點的位置。

輸入：圖像 I

輸出：關鍵點置信度圖 S 和中間矢量 V

階段1（Paf處理）：z = ConvolutionalLayers（I）

S = confidenceMaps（z） # 每個關鍵點的置信度圖

V = Pafs（z） # 關鍵點之間的中間矢量（連接關系）

階段2（關鍵點再定位）： f = FeaturesConcatenation（I， S， V）

S' = confidenceMaps（f） # 更新的置信度圖

V' = Pafs（f） # 更新的中間矢量

3.2 姿態(tài)關聯(lián)

在關鍵點檢測階段得到置信度圖和中間矢量后，OpenPose算法使用基于貪婪算法的姿態(tài)關聯(lián)方法來將檢測到的關鍵點進行匹配，得到每個人的完整姿態(tài)信息。

輸入：關鍵點置信度圖 S' 和中間矢量 V'

輸出：人體的完整姿態(tài)信息

姿態(tài)關聯(lián)：K = keypointsAssociation（S'， V'） # 關鍵點的匹配

P = poseEstimation（K） # 姿態(tài)估計

式中，ConvolutionalLayers表示卷積層，confidenceMaps表示置信度圖生成模塊，Pafs表示連接中間矢量生成模塊，F(xiàn)eaturesConcatenation表示特征融合模塊，keypointsAssociation表示關鍵點關聯(lián)模塊，poseEstimation表示姿態(tài)估計模塊。

4 方法流程介紹

4.1 人體參數(shù)的獲取

人體參數(shù)測量系統(tǒng)大致分為5步：①輸入層圖像的獲?。哼\用相機模塊獲得輸入層圖像，在拍攝時，相機距離被測者2 m，距離地面高度1.8 m。通常人體參數(shù)測量將運用正面的人體圖像，但是為了更好的訓練模型，除正面站立之外，還準備了側(cè)面站立、側(cè)面平舉、側(cè)面坐姿、車內(nèi)側(cè)面和車內(nèi)正面（距離60 cm） 作為輸入層圖像，具體如圖3（a）～（g）所示，共拍攝500人的圖像作為訓練集。

4.2 圖像語義分割

采用DeepLabv3+網(wǎng)絡模型[4]進行語義分割：如圖4所示，首先使用DeepLabv3+模型對作為輸入層圖像的圖3（a）進行語義分割，將輸入層圖像的人物與背景分割，提取出分割得到的人物特征層圖4（a）并儲存，對圖3（a）進行二值化處理后得到圖4（b），再對二值化圖像進行輪廓提取得到圖4（c），最后將輸入層圖像3（a）與二值化處理得到的圖像4（b）進行邏輯與運算得到最終提取出的人物圖像，如圖4（d）所示。

4.3 利用OpenPose算法提取人體關鍵點

由于OpenPose2019具有較高的可靠性和魯棒性，計算量較低，更適合部署在移動設備上。因此，在本項目中采用OpenPose2019作為關鍵點檢測，以下簡稱為OpenPose。將獲取的人體圖像輸入OpenPose算法檢測后，得到人體關鍵點信息，對圖3處理后的圖像如圖5所示。

4.4 人體參數(shù)值測量

人體身高的像素距離，即人體的腳部最低點與人體頭部最高點之間的垂直距離，臀寬為臀部關鍵點與人體邊緣兩個交點的長度，坐高為人體處于坐姿狀態(tài)下頭部最高點與腳步最低點之間的距離，膝高為膝蓋上面到腳底的距離，眼高為眼睛到臀與座椅接觸面之間的距離，膝高、眼高、大臂長、小臂長、大腿長、小腿長的計算方法相同，此處以小臂為例，如圖6所示，假定OpenPose輸出的左肘、左腕的坐標分別為[xE，yE]、[（xW，yW）]，則左肘的垂線與左腕水平線的交點坐標為[（xE，yW）]，利用歐幾里得距離，計算左小臂的像素長度如式（1） 所示，同理可計算出其他參數(shù)值。

[L=（xE-xW）2+（yE-yW）2]? ? （1）

4.5 利用神經(jīng)網(wǎng)絡進行人體參數(shù)預測

本文的多層感知機神經(jīng)網(wǎng)絡中采用的ReLU激活函數(shù)是一個分段線性函數(shù)，當前節(jié)點的輸入為正時，經(jīng)過ReLU函數(shù)將直接激活輸出，否則輸出為零。這樣做相比于Sigmoid和Tanh用指數(shù)方式去近似零輸出，使用max函數(shù)能夠輸出真零值，而看似更像線性函數(shù)的特點也能有效避免訓練網(wǎng)絡時存在梯度消失的問題，促進處在深層的神經(jīng)網(wǎng)絡仍能接收到有效梯度信息繼續(xù)進行學習。在進行人體圖像回歸至各節(jié)點的過程中，需要引入中間層的損失函數(shù)loss，本文設計的方法采用的是均方損失函數(shù)，如式（2） 所示，以此來保證一定深度的神經(jīng)網(wǎng)絡進行訓練。

[loss（xi，yi）=（xi-yi）2]? ? （2）

5 系統(tǒng)的運行與測試

5.1 操作流程

為方便使用及商業(yè)化，將人體參數(shù)采集系統(tǒng)部署到NVIDIA Jetson TX2 NX[5]上，然后用Arduino[6]進行通信進而控制座椅，具體流程如下：

連接攝像頭：首先，將攝像頭連接到Jetson TX2 NX板的適當接口上。確保攝像頭與Jetson TX2 NX能夠正常通信。

安裝所需軟件：在Jetson TX2 NX上安裝適當?shù)牟僮飨到y(tǒng)和驅(qū)動程序。確保操作系統(tǒng)和驅(qū)動程序與所使用的攝像頭兼容。

配置編程環(huán)境：設置Jetson TX2 NX的開發(fā)環(huán)境，例如安裝Python和開發(fā)所需的其他庫和工具。

燒入代碼：將測試好的代碼燒錄。

與Arduino通信：將Arduino連接到Jetson TX2 NX，并使用串口通信或其他通信協(xié)議與其進行通信。

參數(shù)分析和控制座椅：根據(jù)人體參數(shù)的處理結(jié)果控制座椅電機，實現(xiàn)座椅的運動。

測試和調(diào)試：將所有組件連接在一起測試系統(tǒng)的功能。確保代碼能夠正確地讀取攝像頭數(shù)據(jù)，與Arduino進行通信，并使座椅根據(jù)人體參數(shù)進行控制。

5.2 誤差分析

為驗證本系統(tǒng)的準確性，隨機選取一人進行測試。被測者的真實值：身高、肩寬、大臂長、小臂長、大腿長、小腿長、膝高、眼高、臀寬、坐高均由專業(yè)測量師測量，進而保證真實值的準確性。具體數(shù)據(jù)如表1所示。

6 結(jié)論

該套面向汽車座椅的人體參數(shù)采集與分析系統(tǒng)的開發(fā)讓汽車制造商能夠提供更加個性化和舒適的駕駛體驗。該系統(tǒng)不僅可以準確地測量駕駛員的人體參數(shù)，還可以根據(jù)這些參數(shù)來控制汽車座椅，以提供更加貼合駕駛員需求的乘坐體驗。隨著汽車工業(yè)的飛速發(fā)展，這種基于計算機視覺的人體參數(shù)測量系統(tǒng)為汽車制造商提供了一個切實可行的解決方案。它將有助于提高整個汽車行業(yè)的競爭力和創(chuàng)新水平，同時也能夠極大地改善駕駛員的舒適性和健康狀況。因此，這種系統(tǒng)具備廣泛應用前景和市場潛力。

參考文獻：

[1] 萬樂玲.基于圖像的人體尺寸測量方法及系統(tǒng)設計[D].南京：南京信息工程大學，2022.

[2] 李夢荷，許宏吉，石磊鑫，等.基于骨骼關鍵點檢測的多人行為識別[J].計算機科學，2021，48（4）：138-143.

[3] D’ANTONIO E，TABORRI J，PALERMO E，et al.A markerless system for gait analysis based on OpenPose library[C]//2020 IEEE International Instrumentation and Measurement Technology Conference （I2MTC）.Dubrovnik，Croatia.IEEE，2020：1-6.

[4] ZAFAR M，AMIN J，SHARIF M，et al.DeepLabv3+-based segmentation and best features selection using slime mould algorithm for multi-class skin lesion classification[J].Mathematics，2023，11（2）：364.

[5] 張曉華.基于Jetson TX2的老人跌倒監(jiān)護設計[J].現(xiàn)代電子技術，2022，45（20）：45-48.

[6] 鄧梓洛，冼進.基于Arduino災難智能遠程探測車設計[J].電子設計工程，2023，31（9）：191-195.

【通聯(lián)編輯：唐一東】