王歡歡，初勝男，顧經(jīng)緯

(1.天津科技大學(xué)機(jī)械工程學(xué)院，天津 300222；2.天津市輕工與食品工程機(jī)械裝備集成設(shè)計(jì)與在線監(jiān)控重點(diǎn)實(shí)驗(yàn)室，天津 300222)

隨著汽車技術(shù)的不斷成熟與完善，汽車已經(jīng)不再是技術(shù)導(dǎo)向型產(chǎn)品，更多的是需求導(dǎo)向型產(chǎn)品，汽車造型成為用戶選購(gòu)時(shí)的重要考量點(diǎn)[1-2]。對(duì)于汽車這種形態(tài)復(fù)雜，且非規(guī)則幾何形狀的產(chǎn)品而言，用戶往往無(wú)法清晰地表達(dá)自己的視覺(jué)感受，受試者通常會(huì)使用較為模糊的表達(dá)方式。對(duì)于經(jīng)驗(yàn)不足的設(shè)計(jì)者，很容易出現(xiàn)主觀性的設(shè)計(jì)誤判，難以獲得準(zhǔn)確的造型意象。反向傳播(back propagation，BP)神經(jīng)網(wǎng)絡(luò)作為一種非線性運(yùn)算方法，能夠建立用戶意象與造型設(shè)計(jì)參數(shù)之間的映射關(guān)系，從而把握產(chǎn)品形態(tài)設(shè)計(jì)方向[3-7]。通過(guò)研究面部表情有助于客觀地評(píng)估產(chǎn)品的可用性[8-9]，表情識(shí)別技術(shù)能夠連續(xù)識(shí)別用戶在觀察汽車造型時(shí)的感受，分析造型風(fēng)格與用戶好感度的相關(guān)性，幫助設(shè)計(jì)師了解用戶對(duì)產(chǎn)品造型的需求，更客觀地判斷造型優(yōu)化方向的有效性。因此，本文通過(guò)量化意象，并將表情識(shí)別技術(shù)運(yùn)用在方案評(píng)價(jià)階段，通過(guò)識(shí)別測(cè)試者面部表情的變化和情緒傾向性，獲取用戶情感需求，以數(shù)據(jù)形式得出結(jié)論，來(lái)以指導(dǎo)汽車的側(cè)面造型設(shè)計(jì)。

1 用戶意象與造型特征的關(guān)系模型

1.1 選取樣本和感性意象詞匯

汽車樣本圖像主要來(lái)自于“汽車之家”網(wǎng)站上提供的側(cè)面視圖，包括歐洲系、日系、美系和國(guó)產(chǎn)品牌4 個(gè)大類共80 輛車型，基本涵蓋了目前市場(chǎng)上絕大多數(shù)的中型車的造型。對(duì)圖像進(jìn)行初步處理，利用邊緣檢測(cè)算法[10]得到汽車的側(cè)面線框圖，隨后對(duì)圖像進(jìn)行黑白處理，使其成為二值圖像。因車輪屬于附加特征，實(shí)驗(yàn)只針對(duì)主要特征和過(guò)渡特征，因此去除了車輪。預(yù)處理后將相似的車型剔除，保留了62 輛。這些車型涵蓋種類豐富，不同車型之間的造型語(yǔ)言具有一定區(qū)分度，以保證神經(jīng)網(wǎng)絡(luò)訓(xùn)練的有效性，處理后的圖像如圖1 所示。

圖1 處理后的樣本 Fig.1 Processed sample images

對(duì)二值圖像進(jìn)行參數(shù)化處理，為后續(xù)BP 神經(jīng)網(wǎng)絡(luò)的造型分類做準(zhǔn)備。在平面繪圖軟件中利用關(guān)鍵控制點(diǎn)，繪制樣本車側(cè)面造型的輪廓圖和側(cè)面腰線。外輪廓造型有36 個(gè)控制點(diǎn)，分別由C1～C36控制；腰線與外輪廓線分開(kāi)，且為非閉合線，由9個(gè)控制點(diǎn)Q1～Q9 控制，樣本控制點(diǎn)分布如圖2 所示。之后使用網(wǎng)格工具，對(duì)樣本造型的關(guān)鍵控制點(diǎn)進(jìn)行定位。以圖2 為例，最左端C1 點(diǎn)建立Y軸，以最下端C35 點(diǎn)建立X軸，由此建立坐標(biāo)系以獲取每個(gè)控制點(diǎn)的二維坐標(biāo)，樣本的關(guān)鍵控制點(diǎn)坐標(biāo)值見(jiàn)表1。

圖2 樣本控制點(diǎn)分布 Fig.2 The distribution of sample control point

表1 關(guān)鍵點(diǎn)坐標(biāo)值 Table 1 The key point coordinate value of sample

對(duì)于語(yǔ)義差分調(diào)查問(wèn)卷而言，62 款車型數(shù)量太多，過(guò)長(zhǎng)的問(wèn)卷時(shí)間可導(dǎo)致測(cè)試者疲勞，且看到更多相似的圖像后也可能影響或失去評(píng)價(jià)判斷的標(biāo)準(zhǔn)，因此要選擇差異性大的車型。問(wèn)卷調(diào)查共選擇被試者30 人，男女比例為1∶1。被試者可自由對(duì)62 輛汽車側(cè)面造型進(jìn)行分類，將主觀認(rèn)為相似的車型分到一組。把車型的坐標(biāo)參數(shù)導(dǎo)入SPSS 統(tǒng)計(jì)軟件進(jìn)行聚類分析，以確定汽車造型的分類數(shù)量，并剔除相似度高的圖像樣本，最終分為38 類，并在每類中各選擇一個(gè)車型圖像作為進(jìn)行語(yǔ)義差分調(diào)查問(wèn)卷的樣本以及BP 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本庫(kù)。

在產(chǎn)品外觀設(shè)計(jì)過(guò)程中，設(shè)計(jì)師主要考慮產(chǎn)品形態(tài)、材質(zhì)、色彩、圖案等。本文意象詞匯的選擇結(jié)合了汽車產(chǎn)品本身的特點(diǎn)，從形態(tài)、配色、材質(zhì)、比例、裝飾5 個(gè)要素出發(fā)來(lái)表達(dá)汽車造型意象。通過(guò)相關(guān)文獻(xiàn)資料、互聯(lián)網(wǎng)新聞等渠道，收集了32 個(gè)與汽車側(cè)面造型相關(guān)的意象詞匯見(jiàn)表2。選取的意象詞匯按照這5 個(gè)要素進(jìn)行分類，并經(jīng)過(guò)對(duì)比和分析，去除冗余詞匯、意義相近的詞匯，以及一些主觀性過(guò)強(qiáng)而易于對(duì)用戶的情緒產(chǎn)生過(guò)多干擾的詞匯。同時(shí)，在咨詢了汽車設(shè)計(jì)方面的專家以及對(duì)實(shí)驗(yàn)對(duì)象進(jìn)行問(wèn)卷調(diào)查后，通過(guò)數(shù)據(jù)處理、聚類分析對(duì)意象詞匯進(jìn)行篩選，確立了最終的4 個(gè)意象詞匯，即“流線”、“穩(wěn)重”、“大氣”和“優(yōu)雅”。

表2 初選意象詞 Table 2 Primary imagery

利用意象詞匯和38 個(gè)樣本汽車側(cè)面輪廓造型制作語(yǔ)義差分調(diào)查問(wèn)卷，以獲取用戶對(duì)于不同車輛造型的評(píng)價(jià)數(shù)據(jù)。將用戶對(duì)于造型語(yǔ)言的感知程度分為5 級(jí)。以流線為例，5 分為流線程度很高；3 分為一般；1 分為很差。調(diào)查一共收到73 份問(wèn)卷，其中有效問(wèn)卷62 份。并計(jì)算有效問(wèn)卷中每種車型的意象評(píng)價(jià)值的均值。

1.2 網(wǎng)絡(luò)模型的訓(xùn)練與驗(yàn)證

利用3 層、單隱含層的BP 神經(jīng)網(wǎng)絡(luò)，在MATLAB 中搭建造型風(fēng)格與用戶意象之間的關(guān)系模型。由于BP 神經(jīng)網(wǎng)絡(luò)采用的是非線性變換函數(shù)Sigmoid 函數(shù)，該函數(shù)只能識(shí)別[0,1]的數(shù)據(jù)，因此利用mapminmax 函數(shù)對(duì)樣本數(shù)據(jù)集進(jìn)行歸一化(Normalizing)處理。根據(jù)經(jīng)驗(yàn)公式以及試算，設(shè)置隱含層節(jié)點(diǎn)為11，并將網(wǎng)絡(luò)最大迭代次數(shù)設(shè)置為500，訓(xùn)練目標(biāo)設(shè)置為0.000 06，學(xué)習(xí)率設(shè)置為0.08?；诖擞?xùn)練BP 神經(jīng)網(wǎng)絡(luò)用于快速判斷汽車側(cè)面造型風(fēng)格。

為了驗(yàn)證用戶意象與汽車造型特征的關(guān)系模型的可行性，從剩余的24 個(gè)汽車側(cè)面造型中選擇5組數(shù)據(jù)，輸入網(wǎng)絡(luò)模型中進(jìn)行驗(yàn)證，將神經(jīng)網(wǎng)絡(luò)得到的預(yù)測(cè)值與調(diào)查問(wèn)卷得到的實(shí)際值進(jìn)行比較，結(jié)果見(jiàn)表3，結(jié)果顯示，兩者的誤差值很小。為了驗(yàn)證該BP 神經(jīng)網(wǎng)絡(luò)的有效性，將原本因?yàn)檐囆拖嗨贫容^高而剔除的10 款車型造型數(shù)據(jù)輸入網(wǎng)絡(luò)，并對(duì)該10 款車型進(jìn)行感性工學(xué)問(wèn)卷調(diào)查，分析比較2組數(shù)據(jù)的差異性。使用SPSS 軟件對(duì)2 組數(shù)據(jù)的平均值進(jìn)行T 檢驗(yàn)，得到顯著性水平p=0.186＞0.05，說(shuō)明該BP 神經(jīng)網(wǎng)絡(luò)是有效的。

表3 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值誤差 Table 3 Neural network predictive error

1.3 汽車造型風(fēng)格

本文的最終目的是研究同一車型在迭代優(yōu)化中的造型風(fēng)格是否符合用戶市場(chǎng)的需求，并研究何種風(fēng)格的設(shè)計(jì)趨勢(shì)更易獲得市場(chǎng)的喜愛(ài)。因此選取了3 種具有代表性的車型，這3 種車型迭代次數(shù)較長(zhǎng)，分別以車型A，B 和C 命名，每種車型各12種迭代款式，編號(hào)1～12。并將3 種車型每一代的側(cè)面造型特征輸入到用戶意象與汽車造型特征的關(guān)系模型，得到模型反饋的結(jié)果，即車的意象分值曲線如圖3 所示。

圖3 的結(jié)果顯示，隨著不斷迭代，B 車模型反饋的分值最高的意象為優(yōu)雅，穩(wěn)重的分值處于第二位，流線意象在2.5 分附近波動(dòng)，大氣的意象概率一直保持較低的概率，在近幾代的車型中大氣意象有小幅上升。通過(guò)對(duì)比原圖可知，這種情況的出現(xiàn)是由于近幾代車型尺寸有所增大及局部比例變化，因此把B 車型作為優(yōu)雅和穩(wěn)重意象的代表。同理，A 車型作為流線和優(yōu)雅的代表；C 車型作為大氣和穩(wěn)重意象的代表。

圖3 B 車意象分值曲線 Fig.3 Model B image value curve

2 汽車造型評(píng)價(jià)系統(tǒng)

2.1 表情識(shí)別模型的訓(xùn)練與驗(yàn)證

本文表情識(shí)別的網(wǎng)絡(luò)結(jié)構(gòu)選擇了VGG 結(jié)構(gòu)[11-14]，VGG 結(jié)構(gòu)的泛化能力非常好，在不同的圖像數(shù)據(jù)集上都有良好的表現(xiàn)。其采用了AlexNet[15]的思想，網(wǎng)絡(luò)架構(gòu)是卷積層-池化層-全連接層的結(jié)構(gòu)。本文中表情識(shí)別實(shí)驗(yàn)的重點(diǎn)是需要能夠準(zhǔn)確判斷受試者情緒的正負(fù)向傾向，對(duì)于7 種情感的少量分類，VGG 結(jié)構(gòu)下的VGG13 網(wǎng)絡(luò)模型更加輕巧、層數(shù)適中，不易出現(xiàn)冗余，且降低了整個(gè)模型的訓(xùn)練效率。

表情識(shí)別模型[16]的初步訓(xùn)練階段選取了Fer2013，JAFFE 和CK+3 個(gè)公開(kāi)的數(shù)據(jù)庫(kù)，并按照9∶1 的比例分為訓(xùn)練集和測(cè)試集，最終訓(xùn)練集包含32 782 張圖像，測(cè)試集包含3 643 張圖像。在訓(xùn)練網(wǎng)絡(luò)模型過(guò)程中，通過(guò)不斷測(cè)試將學(xué)習(xí)率設(shè)置為0.000 1，批大小(Batch-size)設(shè)置為32，丟失概率(Dropout)設(shè)置為0.7。為了方便數(shù)據(jù)和標(biāo)簽的統(tǒng)一讀取，將3 種數(shù)據(jù)庫(kù)的圖像都處理為CK+圖像的形式，并分為高興(Happy)、憤怒(Angry)、厭惡(Disgust)、悲傷(Sad)、恐懼(Fear)、驚訝(Surprise)和平靜(Neutral)7 類。實(shí)驗(yàn)采用在每個(gè)epoch 后評(píng)估測(cè)試集的準(zhǔn)確率，當(dāng)準(zhǔn)確率提高時(shí)，存儲(chǔ)模型當(dāng)前的權(quán)重。在多個(gè)epoch 后，得到對(duì)測(cè)試集識(shí)別準(zhǔn)確率最高的結(jié)果，首次訓(xùn)練后模型對(duì)各數(shù)據(jù)庫(kù)識(shí)別準(zhǔn)確率如圖4 所示。橫軸分別代表模型對(duì)JAFFE 原數(shù)據(jù)集、JAFFE 數(shù)據(jù)集中人的面部區(qū)域(說(shuō)明能從圖像中提取有效的面部信息，不會(huì)因?yàn)閳D像中人臉的面積大小影響測(cè)試的結(jié)果，證明模型的魯棒性)、Fer2013 數(shù)據(jù)集及CK+數(shù)據(jù)集的識(shí)別率。

圖4 首次訓(xùn)練后的識(shí)別準(zhǔn)確率 Fig.4 The recognition accuracy of the first training

為了檢驗(yàn)該模型對(duì)于非數(shù)據(jù)庫(kù)中圖像的識(shí)別準(zhǔn)確率，采用了由卡內(nèi)基梅隆大學(xué)采集的The CMU Multi-PIE Face 數(shù)據(jù)庫(kù)(CMU)，將CMU 數(shù)據(jù)庫(kù)中6 152 張標(biāo)記的圖像輸入模型，并用圖像增強(qiáng)的方法來(lái)提高模型的準(zhǔn)確率和魯棒性，最終訓(xùn)練后模型對(duì)各數(shù)據(jù)集的準(zhǔn)確率如圖5 所示。

圖5 模型改進(jìn)后的識(shí)別準(zhǔn)確率 Fig.5 The recognition accuracy after model improvement

與此同時(shí)，查看CMU 數(shù)據(jù)庫(kù)識(shí)別各表情分類的準(zhǔn)確率如圖6 所示，發(fā)現(xiàn)并不是所有表情的識(shí)別率都高。對(duì)于高興、驚訝和平靜這3 種表情識(shí)別準(zhǔn)確率較高，而其余的表情識(shí)別率較低。由于之后的實(shí)驗(yàn)只需要研究用戶情緒的正負(fù)向傾向，憤怒、厭惡、恐懼和悲傷都屬于偏負(fù)向的情緒，雖然這4 種表情之間識(shí)別率存在不均衡的問(wèn)題，但不會(huì)對(duì)實(shí)驗(yàn)準(zhǔn)確性造成過(guò)大的影響。經(jīng)過(guò)訓(xùn)練和改進(jìn)，該神經(jīng)網(wǎng)絡(luò)綜合準(zhǔn)確率可達(dá)76%以上，能夠有效地區(qū)分測(cè)試圖像中人臉情緒的正負(fù)向傾向，滿足了之后實(shí)驗(yàn)和評(píng)價(jià)體系建立的要求。

圖6 CMU 數(shù)據(jù)庫(kù)各表情識(shí)別正確率 Fig.6 The recognition accuracy of each expression in CMU

2.2 實(shí)驗(yàn)

2.2.1 實(shí)驗(yàn)過(guò)程

36 名受試者參加表情識(shí)別實(shí)驗(yàn)，圖像采集所采用的設(shè)備為工業(yè)相機(jī)，配套的軟件為官方提供的“MV Viewer”。在正式實(shí)驗(yàn)之前，通過(guò)預(yù)實(shí)驗(yàn)剔除因環(huán)境、眼鏡反光等因素造成的表情識(shí)別準(zhǔn)確率不佳的受試者。首先使用被標(biāo)記的表情誘導(dǎo)圖像識(shí)別受試者表情并將這些表情的原始圖像輸入到預(yù)實(shí)驗(yàn)程序中，運(yùn)行后自動(dòng)顯示識(shí)別結(jié)果，識(shí)別后在圖像上標(biāo)定情緒標(biāo)簽如圖7 所示，若識(shí)別表情的準(zhǔn)確率達(dá)到80%以上，則受試者通過(guò)預(yù)實(shí)驗(yàn)。實(shí)驗(yàn)最終剔除了7 名受試者，29 名(男18 名，女11 名)參與了實(shí)驗(yàn)。

圖7 預(yù)實(shí)驗(yàn)識(shí)別結(jié)果 Fig.7 Pre-experimental identification result

在正式實(shí)驗(yàn)中，每秒采集圖像20 幀，將圖像保存為表情識(shí)別模型可讀取的圖像格式。并通過(guò)幻燈片的形式將A，B 和C 3 款車的側(cè)面造型按汽車發(fā)布的時(shí)間順序展示給受試者，每幅圖像在屏幕上停留10 s，同一款車型的12 張圖像放映結(jié)束后，休息1 min，再展示下一組；采集受試者面部圖像的同時(shí)同步錄制屏幕上的幻燈片內(nèi)容。并將攝像頭錄制到的連續(xù)圖像與受試者觀看幻燈片的錄像時(shí)間軸同步，保證采集到的受試者表情與看到的圖像內(nèi)容在時(shí)間上的一致性。

2.2.2 數(shù)據(jù)處理

受試者的表情數(shù)據(jù)用搭建的 VGG13 CNN 表情識(shí)別模型進(jìn)行處理，最后輸出代表7 種表情的預(yù)測(cè)結(jié)果。

由于只需要分析受試者對(duì)于所看到造型的喜好程度，憤怒和恐懼過(guò)于極端，在實(shí)際觀察一個(gè)沒(méi)有強(qiáng)烈主觀色彩的中性圖像時(shí)，出現(xiàn)這3 種情緒的可能性極低，因此作為誤差將其剔除。對(duì)于剩下的5 種表情，將厭惡和悲傷作為負(fù)向情緒；將高興作為正向情緒；將平靜認(rèn)為無(wú)情緒波動(dòng)。對(duì)于驚訝這種表情，比較難以直接界定這個(gè)表情的正負(fù)向情緒，采取該表情出現(xiàn)時(shí)其前一張與后一張圖像的表情來(lái)界定。這里分2 種情況，若前后2 張圖像的表情識(shí)別情緒一致，均為正向、負(fù)向或無(wú)情緒波動(dòng)，則認(rèn)為中間這張?bào)@訝的表情與前后的表情一致；若前后2 張圖像的表情識(shí)別情緒不一致，則認(rèn)為驚訝為用戶的情緒正在發(fā)生轉(zhuǎn)變，為了平滑情緒波動(dòng)曲線，將這一時(shí)間點(diǎn)的情緒判定為無(wú)情緒波動(dòng)。分析整理各個(gè)受試者的正負(fù)向情緒后，以1 s 為一個(gè)單位，每個(gè)單位20 個(gè)表情數(shù)據(jù)，將3 種情緒歸一化處理，然后繪制隨時(shí)間變化的用戶群情緒變化曲線圖(B 車為例)如圖8 所示。

圖8 B 車用戶群情緒變化曲線 Fig.8 Model B Users’ emotional change curve

2.3 實(shí)驗(yàn)結(jié)果分析及驗(yàn)證

對(duì)意象分值和情緒傾向性相關(guān)性的分析，在雙側(cè)檢驗(yàn)，置信度為0.01 上使用SPPS 對(duì)雙變量進(jìn)行了Pearson 相關(guān)系數(shù)分析。結(jié)果顯示，4 個(gè)意象詞之間呈現(xiàn)不同程度的負(fù)相關(guān)性，“流線”與正向情緒具有顯著性差異，2 變量呈較強(qiáng)正相關(guān)(0.767)，“穩(wěn)重”和“優(yōu)雅”與情緒之間呈較低相關(guān)性，則說(shuō)明這2個(gè)造型意象與用戶好感度關(guān)聯(lián)性較低。結(jié)合相關(guān)性分析，從圖8 與圖3 中可以看到，最初用戶對(duì)該車表現(xiàn)以平靜為主，情緒傾向性較低，隨著車型的迭代，用戶的好感度逐漸上升。在之前對(duì)B 車的造型風(fēng)格進(jìn)行預(yù)測(cè)時(shí)，從第五到第七代，這3 款車型正好處在一次大的換代階段，整車造型變得十分圓潤(rùn)，因此穩(wěn)重的意象顯著下跌，與此同時(shí)優(yōu)雅的意象有所增加。然而在情緒變化曲線中，造型意象的顯著改變并未對(duì)用戶的評(píng)價(jià)造成顯著的影響，因此初步認(rèn)為這2 個(gè)造型意象與用戶好感度關(guān)聯(lián)性較低。同理，分析A 和C 的意象分值曲線和情緒變化曲線(圖9～10)。隨著A 車型的迭代，流線分值大幅上升，超過(guò)了20%，其余的意象得分變化不大。與之對(duì)應(yīng)的情緒變化曲線顯示，正向情緒也取得了大幅上升，負(fù)向情緒大幅下降；C 車型的4 種意象，分值均有不同程度的提高。從第七代車型開(kāi)始，流線的得分開(kāi)始大幅增加。對(duì)應(yīng)的情緒變化曲線可以看出，在第七代車型，負(fù)向情緒就有了大幅下降，從第八代車型開(kāi)始，用戶對(duì)于C 車型基本已經(jīng)沒(méi)有負(fù)向情緒。

圖9 A 車的意象分值曲線和情緒變化曲線 ((a)意象分值曲線；(b)情緒變化曲線) Fig.9 Model A image value curve and emotional change curve ((a) Image value curve;(b) Emotional change curve)

通過(guò)對(duì)3 款車型的風(fēng)格演變進(jìn)行分析和評(píng)價(jià)，得出了用戶目前更傾向于流線和大氣造型的結(jié)論，增加“流線”意象的分值能顯著提高用戶好感度。由于本文中的A，B 和C 3 款車型年代跨度長(zhǎng)、造型變化多，用戶好感度的提升可能是多種造型意象綜合的結(jié)果。所以本文選取D 車型的3 款車，驗(yàn)證是否單一流線意象的提升能夠?qū)τ脩艉酶卸绕鸬秸嚓P(guān)作用。

圖10 C 車的意象分值曲線和情緒變化曲線((a)意象分值曲線；(b)情緒變化曲線) Fig.10 Model C image value curve and emotional change curve ((a) Image value curve;(b) Emotional change curve)

選擇的驗(yàn)證車型D 的迭代次數(shù)較少，每代造型風(fēng)格都有明顯地改變。最新一代的D-3 側(cè)面造型擁有更流暢的造型比例，整車主要提升了流線的意象，比較適合對(duì)流線感這項(xiàng)單一變量進(jìn)行實(shí)驗(yàn)，因此選取這款車型來(lái)驗(yàn)證評(píng)價(jià)系統(tǒng)結(jié)論的有效性。首先對(duì)D 車側(cè)面外輪廓造型參數(shù)化，隨后將3 輛車的參數(shù)值輸入到預(yù)測(cè)模型中，得出意象分值曲線。由預(yù)測(cè)曲線可以看出，D 車的造型意象提升較為單一，主要的提升在“流線”這一造型意象中。同時(shí)，結(jié)合用戶的表情識(shí)別數(shù)據(jù)，驗(yàn)證了流線造型意象與用戶好感度具有顯著相關(guān)性的結(jié)論，即單一的流線意象提升也能夠提升用戶好感度。新一代D-3 對(duì)比前兩代車型，該車在流線意象得分中有一定的提高，與之對(duì)應(yīng)的，用戶對(duì)于新款車型的評(píng)價(jià)也較上兩代車型更好，由此驗(yàn)證了之前的分析判斷。由此得出，在汽車造型設(shè)計(jì)優(yōu)化中，提升流線型意象，更符合未來(lái)一段時(shí)間用戶對(duì)于汽車造型語(yǔ)言的需求趨勢(shì)。

此外，通過(guò)量化意象得到具體的側(cè)面造型，進(jìn)一步幫助設(shè)計(jì)師在眾多的“流線型”設(shè)計(jì)方案中選擇最接近用戶好感度的車型。首先對(duì)比D 車型3 款車的關(guān)鍵點(diǎn)坐標(biāo)，分析得到C6～C17 的關(guān)鍵點(diǎn)在汽車迭代過(guò)程中變化較大、具有顯著相關(guān)性。其次以C10，C12 和C14 折點(diǎn)為分界點(diǎn)，在Excel 中根據(jù)散點(diǎn)圖的走勢(shì)，選擇擬合結(jié)果的R 平方值最接近于1 的擬合函數(shù)(R 平方值越接近1，擬合效果越好)，由此得到C6～C10，C10～C12，C12～C14 和C14～C17的函數(shù)表達(dá)式。最后利用MATLAB 軟件計(jì)算3 款車對(duì)應(yīng)曲線的曲率，推斷出流線型汽車大致的曲率范圍見(jiàn)表4。

表4 “流線型”汽車曲率范圍 Table 4 The curvature range of“Streamlined”

3 結(jié)束語(yǔ)

本文是通過(guò)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力，搭建用戶意象與造型風(fēng)格的關(guān)系模型，使計(jì)算機(jī)獲得識(shí)別車輛造型風(fēng)格的能力，取代傳統(tǒng)的調(diào)查問(wèn)卷，提高風(fēng)格評(píng)價(jià)的效率。其次，使用表情識(shí)別技術(shù)來(lái)量化地分析產(chǎn)品造型意象和用戶好感度之間的關(guān)系，對(duì)造型風(fēng)格趨勢(shì)進(jìn)行分析和評(píng)價(jià)，由此獲得滿足用戶情感需求的設(shè)計(jì)方案。并利用Excel 和MATLAB 軟件快速計(jì)算的能力，得到流線型汽車最佳的曲率范圍。此方法的優(yōu)勢(shì)在于：

(1) 快速識(shí)別汽車造型風(fēng)格。為了研究造型風(fēng)格變化趨勢(shì)，需要用戶觀察同一款車型的不同年代的改款，這些車型之間變化較小。將汽車圖像二值化后，用戶也難以區(qū)分車款之間的細(xì)微差異，容易造成用戶判斷力的缺失。通過(guò)用戶意象與造型風(fēng)格神經(jīng)網(wǎng)絡(luò)關(guān)系模型的建立，獲得對(duì)輸入車型風(fēng)格的判斷能力，能夠?qū)τ械脑煨惋L(fēng)格進(jìn)行快速識(shí)別，而不需要每一次都重復(fù)調(diào)查問(wèn)卷并人工分析。

(2) 識(shí)別用戶潛意識(shí)情緒。應(yīng)用表情識(shí)別技術(shù)可以發(fā)現(xiàn)設(shè)計(jì)師容易忽略的被試者的細(xì)微情緒變化，可以分析設(shè)計(jì)中某些細(xì)節(jié)對(duì)被試者產(chǎn)生的心理作用。幫助設(shè)計(jì)師更客觀、更理性地了解用戶的真實(shí)感受，分析用戶行為，從而設(shè)計(jì)出更符合用戶心理預(yù)期的設(shè)計(jì)。

(3) 以數(shù)據(jù)形式得到具體意象的側(cè)面造型。通過(guò)量化意象，以數(shù)據(jù)形式得出具體結(jié)論，來(lái)指導(dǎo)汽車研發(fā)流程中的側(cè)面造型設(shè)計(jì)，做到以用戶為導(dǎo)向判斷造型優(yōu)化方向的優(yōu)劣，幫助設(shè)計(jì)師在造型優(yōu)化時(shí)有跡可循。