本發(fā)明屬于人機交互技術(shù)領(lǐng)域，具體地說是涉及一種面向產(chǎn)品造型風(fēng)格的用戶認(rèn)知及量化模型的建模方法。

背景技術(shù)：

產(chǎn)品造型風(fēng)格越來越趨于同質(zhì)化已成為企業(yè)品牌識別的重要問題。為了更加有效地傳達(dá)與凸顯品牌，企業(yè)通常將產(chǎn)品造型風(fēng)格的可識別性作為競爭策略。然而，在傳統(tǒng)產(chǎn)品設(shè)計活動中，設(shè)計決策者對于市場需求的回應(yīng)僅僅是依賴個人主觀經(jīng)驗創(chuàng)造，這種設(shè)計策略極易使決策者陷入感性判斷，難以客觀量化地評估產(chǎn)品造型風(fēng)格的可識別性，從而使設(shè)計定位出現(xiàn)偏差。

現(xiàn)有技術(shù)中，徐江等在多維度尺度法、形態(tài)分析法分析產(chǎn)品造型特征的基礎(chǔ)上，提出了基于遺傳算法的產(chǎn)品意象造型優(yōu)化設(shè)計方法；盧兆麟等闡述了基于風(fēng)格特征的汽車造型知識本體，在此基礎(chǔ)上定義了基于特征匹配的汽車造型認(rèn)知模式，并提出了認(rèn)知過程模型。張坪等提出一種面向風(fēng)格創(chuàng)新設(shè)計的汽車形態(tài)特征識別方法。王凱在其論文中對風(fēng)格的兩個層面—造型元素和風(fēng)格特征,從符號學(xué)和美學(xué)的角度進(jìn)行分析,提出了基于用戶認(rèn)知的風(fēng)格意象的設(shè)計理論和方法。而針對產(chǎn)品造型風(fēng)格的量化，orsbornetall使用形狀文法以不同種類的規(guī)則量化汽車間的差異，進(jìn)而在參數(shù)化的范圍內(nèi)進(jìn)行汽車類型的設(shè)計，為新的汽車造型設(shè)計提供指導(dǎo)。但這些方法均不能從用戶認(rèn)知角度量化不同產(chǎn)品造型風(fēng)格的相似度差異。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于克服上述缺點而提供一種能從用戶認(rèn)知角度量化不同產(chǎn)品造型風(fēng)格的相似度差異的用戶認(rèn)知及量化模型的建模方法。

本發(fā)明的一種面向產(chǎn)品造型風(fēng)格的用戶認(rèn)知及量化模型的建模方法，包括下述步驟：

(1)定義特征元素：在對產(chǎn)品造型風(fēng)格特征元素的顯著性分析基礎(chǔ)上，定義特征元素：

設(shè)e為產(chǎn)品造型的特征元素，則特征元素集合表示為e＝{e1,e2,e3,...ej}，特征元素權(quán)重為λ，λ是特征元素顯著性的參數(shù)化表達(dá)，則

為產(chǎn)品造型特征元素的特征值；

(2)特征元素的線性輪廓化：將以上步驟中的特征元素進(jìn)行線性輪廓化，從而實現(xiàn)對產(chǎn)品造型風(fēng)格進(jìn)行量化描述，對特征元素的線性輪廓化作如下定義：

設(shè)l為特征元素的線性輪廓，則特征元素線性輪廓集合表示為l＝{l1,l2,l3,...lj}，λ為特征元素線性輪廓權(quán)重；δ為用戶認(rèn)知加工過程，則特征元素收斂至線性輪廓的參數(shù)化形式表征如下：

產(chǎn)品的造型風(fēng)格將收斂至產(chǎn)品特征元素的線性輪廓，從而對產(chǎn)品造型風(fēng)格進(jìn)行量化描述；

據(jù)上式得：

nl為特征元素的線性值；也即為產(chǎn)品造型風(fēng)格收斂至特征元素線性輪廓的風(fēng)格意向值；定義m為產(chǎn)品造型域，則

ε即為產(chǎn)品造型風(fēng)格的顯著度，顯著度越高，則產(chǎn)品造型風(fēng)格越收斂于其線性輪廓，識別度越高；

(3)面向產(chǎn)品造型風(fēng)格的用戶認(rèn)知模式：在特征整合理論的基礎(chǔ)上構(gòu)建面向產(chǎn)品造型風(fēng)格的用戶認(rèn)知模式：

設(shè)rm為產(chǎn)品造型風(fēng)格的認(rèn)知模式，則

rm＝{am,pm,sm,jm,cm,km}

其中am為用戶對產(chǎn)品整體風(fēng)格的預(yù)處理；pm為用戶對產(chǎn)品造型的認(rèn)知過程；sm為用戶對產(chǎn)品造型的特征元素的認(rèn)知過程；jm為用戶對產(chǎn)品造型的特征元素的深度認(rèn)知；cm為用戶對產(chǎn)品造型風(fēng)格的整體認(rèn)知；km為用戶頭腦中固有的產(chǎn)品造型風(fēng)格的線性輪廓意向集合；

(4)特征元素線性輪廓的量化：通過圖像的相關(guān)系數(shù)加以量化，從而計算不同產(chǎn)品造型特征元素線性輪廓的相似度值。

上述的面向產(chǎn)品造型風(fēng)格的用戶認(rèn)知及量化模型的建模方法，其特征在于：在步驟(3)中，所述用戶頭腦中線性輪廓意向集合與以h表示產(chǎn)品造型中特征元素線性輪廓意向的重合部分，h＝nl∩km，則

上式中ε′表示產(chǎn)品造型風(fēng)格的喚醒度，ε′越大，表示產(chǎn)品造型越接近于用戶頭腦中的固有意向，越容易被識別；當(dāng)ε′取值為0時，則產(chǎn)品造型風(fēng)格未有效收斂，整體造型未形成一個完整的風(fēng)格意向，識別度較小；反之，當(dāng)ε′取值為1時，則表示產(chǎn)品造型呈現(xiàn)極易識別的風(fēng)格特色。

上述的面向產(chǎn)品造型風(fēng)格的用戶認(rèn)知及量化模型的建模方法，其特征在于：在步驟(3)中，所述面向產(chǎn)品造型風(fēng)格的認(rèn)知模式參數(shù)化表達(dá)如下：

所述nl為特征元素線性輪廓的風(fēng)格意向值，m為產(chǎn)品造型域，則用戶對于產(chǎn)品造型風(fēng)格的認(rèn)知模式可以參數(shù)化表達(dá)如下：

上述的面向產(chǎn)品造型風(fēng)格的用戶認(rèn)知及量化模型的建模方法，其特征在于：在步驟(4)中，所述相關(guān)系數(shù)可計算兩個圖形的相似度，其公式如下：

其中，a和b為大小相等的二維矩陣，amn和bmn為大小為m行n列的灰度圖像，為mean2(a)是矩陣a的平均值，為mean2(b)矩陣b的平均值。

本發(fā)明與現(xiàn)有技術(shù)的相比，具有明顯的有益效果，由以上方案可知，定義特征元素，由特征元素顯著性分析知產(chǎn)品造型風(fēng)格可以通過特征元素的顯著性來體現(xiàn)，又由特征元素的線性輪廓化，特征元素的線性輪廓可傳遞產(chǎn)品的造型風(fēng)格。產(chǎn)品造型風(fēng)格在用戶頭腦中逐漸收斂為特征元素的線性輪廓，這是用戶對于產(chǎn)品造型風(fēng)格的認(rèn)知逐漸加深的結(jié)果?？傊景l(fā)明能量化分析產(chǎn)品設(shè)計中特征元素對整體造型的顯著性程度，進(jìn)而量化不同產(chǎn)品造型風(fēng)格的相似度差異，為凸顯品牌風(fēng)格和可識別性設(shè)計提供了量化指導(dǎo)。

以下通過具體實施方式，進(jìn)一步說明本發(fā)明的有益效果。

附圖說明

圖1為本發(fā)明的流程示意圖；

圖2(a)為實施例中的記錄被試的熱點圖；

圖2(b)為實施例中的記錄被試的視線軌跡圖；

圖3(a)為實施例中的crh380a型高速列車側(cè)視圖被試注視時間圖；

圖3(b)為實施例中的crh380a型高速列車側(cè)視圖注視點個數(shù)圖；

圖3(c)為實施例中的crh380a型高速列車側(cè)視圖平均注視時間圖；

圖4(a)為實施例中的crh380a型高速列車正視圖被試注視時間圖；

圖4(b)為實施例中的crh380a型高速列車正視圖注視點個數(shù)圖；

圖4(c)為實施例中的crh380a型高速列車正視圖平均注視時間圖；

圖5(a)為實施例中的crh380a型高速列車正視圖特征元素；

圖5(b)為實施例中的crh380a型高速列車側(cè)視圖特征元素；

圖6為實施例中的crh380系列側(cè)輪廓相似度值。

具體實施方式

以下結(jié)合附圖及較佳實施例，對依據(jù)本發(fā)明提出的面向產(chǎn)品造型風(fēng)格的用戶認(rèn)知及量化模型的建模方法具體實施方式、特征及其功效，詳細(xì)說明如后。

如圖1所示，本發(fā)明的一種面向產(chǎn)品造型風(fēng)格的用戶認(rèn)知及量化模型的建模方法，包括下述步驟：

(1)定義特征元素：在對產(chǎn)品造型風(fēng)格特征元素的顯著性分析基礎(chǔ)上，定義特征元素：

設(shè)e為產(chǎn)品造型的特征元素，則特征元素集合表示為e＝{e1,e2,e3,...ej}，特征元素權(quán)重為λ，λ是特征元素顯著性的參數(shù)化表達(dá)，則

為產(chǎn)品造型特征元素的特征值；

(2)特征元素的線性輪廓化：將以上步驟中的特征元素進(jìn)行線性輪廓化，從而實現(xiàn)對產(chǎn)品造型風(fēng)格進(jìn)行量化描述，對特征元素的線性輪廓化作如下定義：

設(shè)l為特征元素的線性輪廓，則特征元素線性輪廓集合表示為l＝{l1,l2,l3,...lj}，λ為特征元素線性輪廓權(quán)重；δ為用戶認(rèn)知加工過程，則特征元素收斂至線性輪廓的參數(shù)化形式表征如下：

產(chǎn)品的造型風(fēng)格將收斂至產(chǎn)品特征元素的線性輪廓，從而對產(chǎn)品造型風(fēng)格進(jìn)行量化描述；

據(jù)上式得：

nl為特征元素的線性值；也即為產(chǎn)品造型風(fēng)格收斂至特征元素線性輪廓的風(fēng)格意向值；定義m為產(chǎn)品造型域，則

ε即為產(chǎn)品造型風(fēng)格的顯著度，顯著度越高，則產(chǎn)品造型風(fēng)格越收斂于其線性輪廓，識別度越高；

(3)面向產(chǎn)品造型風(fēng)格的用戶認(rèn)知模式：在特征整合理論的基礎(chǔ)上構(gòu)建面向產(chǎn)品造型風(fēng)格的用戶認(rèn)知模式：

設(shè)rm為產(chǎn)品造型風(fēng)格的認(rèn)知模式，則

rm＝{am,pm,sm,jm,cm,km}

其中am為用戶對產(chǎn)品整體風(fēng)格的預(yù)處理；pm為用戶對產(chǎn)品造型的認(rèn)知過程；sm為用戶對產(chǎn)品造型的特征元素的認(rèn)知過程；jm為用戶對產(chǎn)品造型的特征元素的深度認(rèn)知；cm為用戶對產(chǎn)品造型風(fēng)格的整體認(rèn)知；km為用戶頭腦中固有的產(chǎn)品造型風(fēng)格的線性輪廓意向集合。

以h表示產(chǎn)品造型中特征元素線性輪廓意向與用戶頭腦中線性輪廓意向集合的重合部分，h＝nl∩km，則

上式中ε′表示產(chǎn)品造型風(fēng)格的喚醒度，ε′越大，表示產(chǎn)品造型越接近于用戶頭腦中的固有意向，越容易被識別；當(dāng)ε′取值為0時，則產(chǎn)品造型風(fēng)格未有效收斂，整體造型未形成一個完整的風(fēng)格意向，識別度較??；反之，當(dāng)ε′取值為1時，則表示產(chǎn)品造型呈現(xiàn)極易識別的風(fēng)格特色；

定義η(0＜η＜1)為產(chǎn)品造型是否有效喚醒用戶意向的臨界值，則若0＜ε＜η，則表明產(chǎn)品造型未能有效匹配用戶頭腦中固有的造型意向，產(chǎn)品造型風(fēng)格識別度較低；反之，若ε≥η，則契合用戶頭腦中的固有意向，從而使用戶產(chǎn)生共鳴，進(jìn)一步產(chǎn)生熟悉親近感(η值由長期實際經(jīng)驗得出)；

所述nl為特征元素線性輪廓的風(fēng)格意向值，m為產(chǎn)品造型域，則用戶對于產(chǎn)品造型風(fēng)格的認(rèn)知模式可以參數(shù)化表達(dá)如下：

上式表明，即隨著t(時間)推移，產(chǎn)品造型風(fēng)格在用戶頭腦中逐漸收斂為特征元素的線性輪廓，這是用戶對于產(chǎn)品造型風(fēng)格的認(rèn)知逐漸加深的結(jié)果；

(4)特征元素線性輪廓的量化：通過圖像的相關(guān)系數(shù)加以量化，從而計算不同產(chǎn)品造型特征元素線性輪廓的相似度值。

在matlab中，灰度圖像的像素為二維矩陣，rgb彩色圖像是三維矩陣，兩個大小相等的二維矩陣，可以計算其相關(guān)系數(shù)，其公式如下：

其中，amn和bmn為大小為m行n列的灰度圖像，為mean2(a)，為mean2(b)。在matlab軟件中，采用corr2()計算兩個灰度圖像的相關(guān)系數(shù)，該函數(shù)的調(diào)用格式如下:r＝corr2(a，b)：其中a和b為大小相等的二維矩陣，r為兩個矩陣的相關(guān)系數(shù)。

基于此，特征元素的線性輪廓即可通過圖像的相關(guān)系數(shù)加以量化，通過計算不同產(chǎn)品造型特征元素線性輪廓的相似度值，進(jìn)而可以定量的比較不同產(chǎn)品造型風(fēng)格的相似度。

實施例如下：

以中國高速列車crh380系列產(chǎn)品造型進(jìn)行眼動跟蹤實驗分析，提取出影響crh380型高速列車產(chǎn)品造型風(fēng)格的5種特征元素，再分別從正、側(cè)視圖進(jìn)行分析，共5×4×2＝40元素，利用眼動跟蹤實驗對特征元素進(jìn)行了顯著性探究，并進(jìn)一步提取出特征元素的線性輪廓，最后，利用matlab軟件對特征元素的線性輪廓進(jìn)行了量化處理。

1產(chǎn)品造型風(fēng)格特征元素提取與分析

本文以中國高速列車crh380a，crh380b，crh380c，crh380d四種車型車頭造型作為實驗對象進(jìn)行設(shè)計量化分析，實驗?zāi)康臑橥ㄟ^眼動實驗定量識別影響產(chǎn)品造型風(fēng)格的特征元素。

本次實驗中，實驗儀器選用eyesoec60遙測式眼動儀，實驗對象選擇crh380a型高速列車。為了最大限度地保證列車造型能被被試者注視，同時接近人們在真實環(huán)境下對于高速列車造型風(fēng)格的觀察，避免其他無關(guān)變量，選用列車頭呈45°角度(相同景深)的灰色度照片作為實驗對象。表1為實驗選取的實驗對象。

表14種實驗對象

在實驗環(huán)境中，選擇各專業(yè)背景，年齡背景的20名被試(如表2所示)，分為四組試驗，在軟件環(huán)境中對被試進(jìn)行視線校準(zhǔn)后，要求每位被試者在20s時間段內(nèi)通過觀察高速列車圖片判斷列車的產(chǎn)品造型風(fēng)格特征。

表2實驗人群設(shè)置

2實驗分析

實驗中，記錄被試的熱點圖(圖2(a))和視線軌跡(圖2(b))，如圖2所示。

實驗分析中，熱點圖被用于展示視線在特定目標(biāo)上持續(xù)的時間，其中，紅色表示最長持續(xù)時間，黃色次之，綠色表示持續(xù)時間較短，無色區(qū)則表示沒有獲得注視；注視軌跡圖表示被試在特定實驗要求下(判斷產(chǎn)品造型風(fēng)格特征)，視線對特征元素的先后興趣程度，每個注視點的大小代表視線停留時間的相對長度。由被試者的熱點圖和視線軌跡圖，可一定程度上探究影響高速列車風(fēng)格造型的特征元素；

從實驗結(jié)果可以看出，被試的視線集中于高速列車造型的車燈，車鉤，前車窗，車身輪廓，以及側(cè)車窗部分；其大致視線軌跡順序依次是車鉤，車身輪廓，車燈，前車窗，側(cè)車窗；因此，選出高速列車造型中影響其視覺風(fēng)格的元素，分別為車鉤，車身輪廓，車燈，前車窗，側(cè)車窗五種特征元素(為了簡化實驗分析，某些細(xì)微區(qū)域被合并)。

3特征元素的顯著性分析

實驗一初步探究了特征元素對產(chǎn)品造型風(fēng)格的影響程度，為了進(jìn)一步量化分析特征元素對產(chǎn)品造型風(fēng)格的顯著性影響，選擇最能代表crh380a型高速列車風(fēng)格的正、側(cè)視圖進(jìn)行眼動實驗。在實驗前，對視圖中的特征元素劃定相應(yīng)興趣區(qū)，興趣區(qū)域數(shù)據(jù)可定量地體現(xiàn)每個特征元素對于整體造型風(fēng)格的顯著性影響(眼動實驗中的興趣區(qū)劃分是為了對被試感興趣的區(qū)域進(jìn)行分析，興趣區(qū)外的區(qū)域不做實驗統(tǒng)計)。實驗結(jié)果如圖3，圖4所示((a)，(b)，(c)分別為被試注視時間圖，注視點個數(shù)圖，平均注視時間圖；表3中aoi1，aoi2,aoi3,aoi4,aoi5分別表示側(cè)視圖車身輪廓，前車窗，側(cè)車窗，車鉤，側(cè)車燈；表4中aoi1，aoi2,aoi3,aoi4,aoi5分別表示正視圖車身輪廓，前車窗，車鉤，車燈，側(cè)車窗)。數(shù)據(jù)統(tǒng)計如下：

表3側(cè)視圖aoi數(shù)據(jù)分析(單位:ms)

從以上三組數(shù)據(jù)來看，特征元素的顯著性順序依次為車身輪廓，前車窗，側(cè)車窗，車鉤，車燈；其權(quán)重依次為46.77％，22.30％，15.51％，11.68％，3.74％；(此處以注視時間作為權(quán)重衡量指標(biāo))，數(shù)據(jù)統(tǒng)計如下：

表4正視圖aoi數(shù)據(jù)分析(單位:ms)

從以上三組數(shù)據(jù)來看，特征元素的顯著性順序依次為車身輪廓，前車窗，車燈，車鉤，側(cè)車窗；其權(quán)重依次為：46.50％，19.04％，14.40％，14.59％，5.47％；

從實驗結(jié)果可得出，對crh380a型高速列車造型風(fēng)格影響最大的特征元素是車身輪廓，實驗結(jié)果驗證了人們感官對產(chǎn)品整體造型風(fēng)格先入為主地即時觀察及認(rèn)知傾向；其次影響度最大的特征元素是前車窗。因此，在進(jìn)行可識別性設(shè)計時，設(shè)計師可以重點突出此類高速列車車窗造型，使本身具有識別性的特征元素更加突出，從而區(qū)別于其他產(chǎn)品造型風(fēng)格，凸顯品牌。

4特征元素的線性輪廓化

根據(jù)高速列車造型風(fēng)格特點，本文提取最能代表產(chǎn)品造型特征的正視圖和側(cè)視圖為目標(biāo)對象，對側(cè)視圖(圖5(a))和正視圖(圖5(b))中相應(yīng)的造型元素進(jìn)行量化分析。圖5為根據(jù)實驗一提取的每個視圖中的特征元素。(圖中數(shù)字標(biāo)識為：1側(cè)視圖輪廓，2側(cè)視圖車燈，3側(cè)視圖前窗，4側(cè)視圖車鉤，5側(cè)視圖側(cè)窗；6正視圖輪廓，7正視圖車鉤，8正視圖車燈，9正視圖前車窗，10正視圖側(cè)窗)，正側(cè)視圖特征元素列表如下：

表5crh380a型高速列車特征元素列表

5特征元素的線性輪廓的量化分析

利用matlab對特征元素的線性輪廓進(jìn)行量化分析，具體實現(xiàn)的matlab代碼如下：

l1＝read(‘p1.png’)；％導(dǎo)入圖像1

l2＝read(‘p1.png’)；％導(dǎo)入圖像2

p1＝rgb2gray(i1)；將圖像1轉(zhuǎn)變?yōu)榛叶葓D像

p2＝rgb2gray(i2)；將圖像2轉(zhuǎn)變?yōu)榛叶葓D像

corr2(p1,p2)；比較兩幅圖像的相似性

圖像相關(guān)系數(shù)可作為一種設(shè)計量化方法計算一種產(chǎn)品造型風(fēng)格與另一種產(chǎn)品造型風(fēng)格的相似度值，如圖6所示crh380系列4種型號高速列車側(cè)視圖車身輪廓之間的相似度，通過比較不同代造型特征元素之間相似度值，可得出每一次產(chǎn)品造型風(fēng)格迭代的數(shù)值差異，以此作為風(fēng)格迭代的設(shè)計指導(dǎo)。

從圖6的結(jié)果可以看出，crh380系列高速列車中，a型車與c型車相關(guān)系數(shù)為19.8％，其相似度最低；b型車與c型車相關(guān)系數(shù)為44.0％，其相似度最高。除此之外，b型車與d型車30.5％的相關(guān)系數(shù)，較為相似。具體的設(shè)計實踐策略中，企業(yè)產(chǎn)品的迭代采用平穩(wěn)過度的原則，延續(xù)品牌連貫性的同時也滿足消費者的認(rèn)知及消費習(xí)慣訴求，因此，其風(fēng)格的量化相似度值也應(yīng)該保持均衡數(shù)值。

以上所述，僅是本發(fā)明的較佳實施例而已，并非對本發(fā)明作任何形式上的限制，任何未脫離本發(fā)明技術(shù)方案內(nèi)容，依據(jù)本發(fā)明的技術(shù)實質(zhì)對以上實施例所作的任何簡單修改、等同變化與修飾，均仍屬于本發(fā)明技術(shù)方案的范圍內(nèi)。