CN107122548A - 面向产品造型风格的用户认知及量化模型的建模方法 - Google Patents

Abstract

本发明公开了一种面向产品造型风格的用户认知及量化模型的建模方法，包括下述步骤：（1）定义特征元素：在对产品造型风格特征元素的显著性分析基础上，定义特征元素；（2）特征元素的线性轮廓化：将以上步骤中的特征元素进行线性轮廓化，从而实现对产品造型风格进行量化描述；（3）在特征整合理论的基础上构建面向产品造型风格的用户认知模式；（4）特征元素线性轮廓的量化。本发明能量化分析产品设计中特征元素对整体造型的显著性程度，进而量化不同产品造型风格的相似度差异，为凸显品牌风格和可识别性设计提供了量化指导的特点。

Description

面向产品造型风格的用户认知及量化模型的建模方法

技术领域

本发明属于人机交互技术领域，具体地说是涉及一种面向产品造型风格的用户认知及量化模型的建模方法。

背景技术

产品造型风格越来越趋于同质化已成为企业品牌识别的重要问题。为了更加有效地传达与凸显品牌，企业通常将产品造型风格的可识别性作为竞争策略。然而，在传统产品设计活动中，设计决策者对于市场需求的回应仅仅是依赖个人主观经验创造，这种设计策略极易使决策者陷入感性判断，难以客观量化地评估产品造型风格的可识别性，从而使设计定位出现偏差。

现有技术中，徐江等在多维度尺度法、形态分析法分析产品造型特征的基础上，提出了基于遗传算法的产品意象造型优化设计方法；卢兆麟等阐述了基于风格特征的汽车造型知识本体，在此基础上定义了基于特征匹配的汽车造型认知模式，并提出了认知过程模型。张坪等提出一种面向风格创新设计的汽车形态特征识别方法。王凯在其论文中对风格的两个层面—造型元素和风格特征,从符号学和美学的角度进行分析,提出了基于用户认知的风格意象的设计理论和方法。而针对产品造型风格的量化，Orsborn et all使用形状文法以不同种类的规则量化汽车间的差异，进而在参数化的范围内进行汽车类型的设计，为新的汽车造型设计提供指导。但这些方法均不能从用户认知角度量化不同产品造型风格的相似度差异。

发明内容

本发明的目的在于克服上述缺点而提供一种能从用户认知角度量化不同产品造型风格的相似度差异的用户认知及量化模型的建模方法。

本发明的一种面向产品造型风格的用户认知及量化模型的建模方法，包括下述步骤：

(1)定义特征元素：在对产品造型风格特征元素的显著性分析基础上，定义特征元素：

设e为产品造型的特征元素，则特征元素集合表示为E＝{e₁,e₂,e₃,...e_j}，特征元素权重为λ，λ是特征元素显著性的参数化表达，则

为产品造型特征元素的特征值；

(2)特征元素的线性轮廓化：将以上步骤中的特征元素进行线性轮廓化，从而实现对产品造型风格进行量化描述，对特征元素的线性轮廓化作如下定义：

设l为特征元素的线性轮廓，则特征元素线性轮廓集合表示为L＝{l₁,l₂,l₃,...l_j}，λ为特征元素线性轮廓权重；δ为用户认知加工过程，则特征元素收敛至线性轮廓的参数化形式表征如下：

产品的造型风格将收敛至产品特征元素的线性轮廓，从而对产品造型风格进行量化描述；

据上式得：

N_L为特征元素的线性值；也即为产品造型风格收敛至特征元素线性轮廓的风格意向值；定义M为产品造型域，则

ε即为产品造型风格的显著度，显著度越高，则产品造型风格越收敛于其线性轮廓，识别度越高；

(3)面向产品造型风格的用户认知模式：在特征整合理论的基础上构建面向产品造型风格的用户认知模式：

设R_m为产品造型风格的认知模式，则

R_m＝{A_m,P_m,S_m,J_m,C_m,K_m}

其中A_m为用户对产品整体风格的预处理；P_m为用户对产品造型的认知过程；S_m为用户对产品造型的特征元素的认知过程；J_m为用户对产品造型的特征元素的深度认知；C_m为用户对产品造型风格的整体认知；K_m为用户头脑中固有的产品造型风格的线性轮廓意向集合；

(4)特征元素线性轮廓的量化：通过图像的相关系数加以量化，从而计算不同产品造型特征元素线性轮廓的相似度值。

上述的面向产品造型风格的用户认知及量化模型的建模方法，其特征在于：在步骤(3)中，所述用户头脑中线性轮廓意向集合与以H表示产品造型中特征元素线性轮廓意向的重合部分，H＝N_L∩K_m，则

上式中ε′表示产品造型风格的唤醒度，ε′越大，表示产品造型越接近于用户头脑中的固有意向，越容易被识别；当ε′取值为0时，则产品造型风格未有效收敛，整体造型未形成一个完整的风格意向，识别度较小；反之，当ε′取值为1时，则表示产品造型呈现极易识别的风格特色。

上述的面向产品造型风格的用户认知及量化模型的建模方法，其特征在于：在步骤(3)中，所述面向产品造型风格的认知模式参数化表达如下：

所述N_L为特征元素线性轮廓的风格意向值，M为产品造型域，则用户对于产品造型风格的认知模式可以参数化表达如下：

上述的面向产品造型风格的用户认知及量化模型的建模方法，其特征在于：在步骤(4)中，所述相关系数可计算两个图形的相似度，其公式如下：

其中，A和B为大小相等的二维矩阵，A_mn和B_mn为大小为m行n列的灰度图像，为mean2(A)是矩阵A的平均值，为mean2(B)矩阵B的平均值。

本发明与现有技术的相比，具有明显的有益效果，由以上方案可知，定义特征元素，由特征元素显著性分析知产品造型风格可以通过特征元素的显著性来体现，又由特征元素的线性轮廓化，特征元素的线性轮廓可传递产品的造型风格。产品造型风格在用户头脑中逐渐收敛为特征元素的线性轮廓，这是用户对于产品造型风格的认知逐渐加深的结果。总之，本发明能量化分析产品设计中特征元素对整体造型的显著性程度，进而量化不同产品造型风格的相似度差异，为凸显品牌风格和可识别性设计提供了量化指导。

以下通过具体实施方式，进一步说明本发明的有益效果。

附图说明

图1为本发明的流程示意图；

图2(a)为实施例中的记录被试的热点图；

图2(b)为实施例中的记录被试的视线轨迹图；

图3(a)为实施例中的CRH380A型高速列车侧视图被试注视时间图；

图3(b)为实施例中的CRH380A型高速列车侧视图注视点个数图；

图3(c)为实施例中的CRH380A型高速列车侧视图平均注视时间图；

图4(a)为实施例中的CRH380A型高速列车正视图被试注视时间图；

图4(b)为实施例中的CRH380A型高速列车正视图注视点个数图；

图4(c)为实施例中的CRH380A型高速列车正视图平均注视时间图；

图5(a)为实施例中的CRH380A型高速列车正视图特征元素；

图5(b)为实施例中的CRH380A型高速列车侧视图特征元素；

图6为实施例中的CRH380系列侧轮廓相似度值。

具体实施方式

以下结合附图及较佳实施例，对依据本发明提出的面向产品造型风格的用户认知及量化模型的建模方法具体实施方式、特征及其功效，详细说明如后。

如图1所示，本发明的一种面向产品造型风格的用户认知及量化模型的建模方法，包括下述步骤：

(1)定义特征元素：在对产品造型风格特征元素的显著性分析基础上，定义特征元素：

设e为产品造型的特征元素，则特征元素集合表示为E＝{e₁,e₂,e₃,...e_j}，特征元素权重为λ，λ是特征元素显著性的参数化表达，则

为产品造型特征元素的特征值；

(2)特征元素的线性轮廓化：将以上步骤中的特征元素进行线性轮廓化，从而实现对产品造型风格进行量化描述，对特征元素的线性轮廓化作如下定义：

设l为特征元素的线性轮廓，则特征元素线性轮廓集合表示为L＝{l₁,l₂,l₃,...l_j}，λ为特征元素线性轮廓权重；δ为用户认知加工过程，则特征元素收敛至线性轮廓的参数化形式表征如下：

产品的造型风格将收敛至产品特征元素的线性轮廓，从而对产品造型风格进行量化描述；

据上式得：

N_L为特征元素的线性值；也即为产品造型风格收敛至特征元素线性轮廓的风格意向值；定义M为产品造型域，则

ε即为产品造型风格的显著度，显著度越高，则产品造型风格越收敛于其线性轮廓，识别度越高；

(3)面向产品造型风格的用户认知模式：在特征整合理论的基础上构建面向产品造型风格的用户认知模式：

设R_m为产品造型风格的认知模式，则

R_m＝{A_m,P_m,S_m,J_m,C_m,K_m}

其中A_m为用户对产品整体风格的预处理；P_m为用户对产品造型的认知过程；S_m为用户对产品造型的特征元素的认知过程；J_m为用户对产品造型的特征元素的深度认知；C_m为用户对产品造型风格的整体认知；K_m为用户头脑中固有的产品造型风格的线性轮廓意向集合。

以H表示产品造型中特征元素线性轮廓意向与用户头脑中线性轮廓意向集合的重合部分，H＝N_L∩K_m，则

上式中ε′表示产品造型风格的唤醒度，ε′越大，表示产品造型越接近于用户头脑中的固有意向，越容易被识别；当ε′取值为0时，则产品造型风格未有效收敛，整体造型未形成一个完整的风格意向，识别度较小；反之，当ε′取值为1时，则表示产品造型呈现极易识别的风格特色；

定义η(0＜η＜1)为产品造型是否有效唤醒用户意向的临界值，则若0＜ε＜η，则表明产品造型未能有效匹配用户头脑中固有的造型意向，产品造型风格识别度较低；反之，若ε≥η，则契合用户头脑中的固有意向，从而使用户产生共鸣，进一步产生熟悉亲近感(η值由长期实际经验得出)；

所述N_L为特征元素线性轮廓的风格意向值，M为产品造型域，则用户对于产品造型风格的认知模式可以参数化表达如下：

上式表明，即随着t(时间)推移，产品造型风格在用户头脑中逐渐收敛为特征元素的线性轮廓，这是用户对于产品造型风格的认知逐渐加深的结果；

(4)特征元素线性轮廓的量化：通过图像的相关系数加以量化，从而计算不同产品造型特征元素线性轮廓的相似度值。

在MATLAB中，灰度图像的像素为二维矩阵，RGB彩色图像是三维矩阵，两个大小相等的二维矩阵，可以计算其相关系数，其公式如下：

其中，A_mn和B_mn为大小为m行n列的灰度图像，为mean2(A)，为mean2(B)。在MATLAB软件中，采用corr2()计算两个灰度图像的相关系数，该函数的调用格式如下:r＝corr2(A，B)：其中A和B为大小相等的二维矩阵，r为两个矩阵的相关系数。

基于此，特征元素的线性轮廓即可通过图像的相关系数加以量化，通过计算不同产品造型特征元素线性轮廓的相似度值，进而可以定量的比较不同产品造型风格的相似度。

实施例如下：

以中国高速列车CRH380系列产品造型进行眼动跟踪实验分析，提取出影响CRH380型高速列车产品造型风格的5种特征元素，再分别从正、侧视图进行分析，共5×4×2＝40元素，利用眼动跟踪实验对特征元素进行了显著性探究，并进一步提取出特征元素的线性轮廓，最后，利用MATLAB软件对特征元素的线性轮廓进行了量化处理。

1产品造型风格特征元素提取与分析

本文以中国高速列车CRH380A，CRH380B，CRH380C，CRH380D四种车型车头造型作为实验对象进行设计量化分析，实验目的为通过眼动实验定量识别影响产品造型风格的特征元素。

本次实验中，实验仪器选用EyeSo Ec60遥测式眼动仪，实验对象选择CRH380A型高速列车。为了最大限度地保证列车造型能被被试者注视，同时接近人们在真实环境下对于高速列车造型风格的观察，避免其他无关变量，选用列车头呈45°角度(相同景深)的灰色度照片作为实验对象。表1为实验选取的实验对象。

表1 4种实验对象

在实验环境中，选择各专业背景，年龄背景的20名被试(如表2所示)，分为四组试验，在软件环境中对被试进行视线校准后，要求每位被试者在20s时间段内通过观察高速列车图片判断列车的产品造型风格特征。

表2实验人群设置

2实验分析

实验中，记录被试的热点图(图2(a))和视线轨迹(图2(b))，如图2所示。

实验分析中，热点图被用于展示视线在特定目标上持续的时间，其中，红色表示最长持续时间，黄色次之，绿色表示持续时间较短，无色区则表示没有获得注视；注视轨迹图表示被试在特定实验要求下(判断产品造型风格特征)，视线对特征元素的先后兴趣程度，每个注视点的大小代表视线停留时间的相对长度。由被试者的热点图和视线轨迹图，可一定程度上探究影响高速列车风格造型的特征元素；

从实验结果可以看出，被试的视线集中于高速列车造型的车灯，车钩，前车窗，车身轮廓，以及侧车窗部分；其大致视线轨迹顺序依次是车钩，车身轮廓，车灯，前车窗，侧车窗；因此，选出高速列车造型中影响其视觉风格的元素，分别为车钩，车身轮廓，车灯，前车窗，侧车窗五种特征元素(为了简化实验分析，某些细微区域被合并)。

3特征元素的显著性分析

实验一初步探究了特征元素对产品造型风格的影响程度，为了进一步量化分析特征元素对产品造型风格的显著性影响，选择最能代表CRH380A型高速列车风格的正、侧视图进行眼动实验。在实验前，对视图中的特征元素划定相应兴趣区，兴趣区域数据可定量地体现每个特征元素对于整体造型风格的显著性影响(眼动实验中的兴趣区划分是为了对被试感兴趣的区域进行分析，兴趣区外的区域不做实验统计)。实验结果如图3，图4所示((a)，(b)，(c)分别为被试注视时间图，注视点个数图，平均注视时间图；表3中AOI1，AOI2,AOI3,AOI4,AOI5分别表示侧视图车身轮廓，前车窗，侧车窗，车钩，侧车灯；表4中AOI1，AOI2,AOI3,AOI4,AOI5分别表示正视图车身轮廓，前车窗，车钩，车灯，侧车窗)。数据统计如下：

表3侧视图AOI数据分析(单位:ms)

从以上三组数据来看，特征元素的显著性顺序依次为车身轮廓，前车窗，侧车窗，车钩，车灯；其权重依次为46.77％，22.30％，15.51％，11.68％，3.74％；(此处以注视时间作为权重衡量指标)，数据统计如下：

表4正视图AOI数据分析(单位:ms)

从以上三组数据来看，特征元素的显著性顺序依次为车身轮廓，前车窗，车灯，车钩，侧车窗；其权重依次为：46.50％，19.04％，14.40％，14.59％，5.47％；

从实验结果可得出，对CRH380A型高速列车造型风格影响最大的特征元素是车身轮廓，实验结果验证了人们感官对产品整体造型风格先入为主地即时观察及认知倾向；其次影响度最大的特征元素是前车窗。因此，在进行可识别性设计时，设计师可以重点突出此类高速列车车窗造型，使本身具有识别性的特征元素更加突出，从而区别于其他产品造型风格，凸显品牌。

4特征元素的线性轮廓化

根据高速列车造型风格特点，本文提取最能代表产品造型特征的正视图和侧视图为目标对象，对侧视图(图5(a))和正视图(图5(b))中相应的造型元素进行量化分析。图5为根据实验一提取的每个视图中的特征元素。(图中数字标识为：1侧视图轮廓，2侧视图车灯，3侧视图前窗，4侧视图车钩，5侧视图侧窗；6正视图轮廓，7正视图车钩，8正视图车灯，9正视图前车窗，10正视图侧窗)，正侧视图特征元素列表如下：

表5CRH380A型高速列车特征元素列表

5特征元素的线性轮廓的量化分析

利用MATLAB对特征元素的线性轮廓进行量化分析，具体实现的MATLAB代码如下：

l1＝read(‘P1.png’)；％导入图像1

l2＝read(‘P1.png’)；％导入图像2

P1＝rgb2gray(I1)；将图像1转变为灰度图像

P2＝rgb2gray(I2)；将图像2转变为灰度图像

Corr2(P1,P2)；比较两幅图像的相似性

图像相关系数可作为一种设计量化方法计算一种产品造型风格与另一种产品造型风格的相似度值，如图6所示CRH380系列4种型号高速列车侧视图车身轮廓之间的相似度，通过比较不同代造型特征元素之间相似度值，可得出每一次产品造型风格迭代的数值差异，以此作为风格迭代的设计指导。

从图6的结果可以看出，CRH380系列高速列车中，A型车与C型车相关系数为19.8％，其相似度最低；B型车与C型车相关系数为44.0％，其相似度最高。除此之外，B型车与D型车30.5％的相关系数，较为相似。具体的设计实践策略中，企业产品的迭代采用平稳过度的原则，延续品牌连贯性的同时也满足消费者的认知及消费习惯诉求，因此，其风格的量化相似度值也应该保持均衡数值。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，任何未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (4)

1.一种面向产品造型风格的用户认知及量化模型的建模方法，包括下述步骤：

（1）定义特征元素：在对产品造型风格特征元素的显著性分析基础上，定义特征元素：

2.如权利要求1所述的面向产品造型风格的用户认知及量化模型的建模方法，其特征在于：在步骤（3）中，所述用户头脑中线性轮廓意向集合与以

3.如权利要求1或2所述的面向产品造型风格的用户认知及量化模型的建模方法，其特征在于：在步骤（3）中，所述面向产品造型风格的认知模式参数化表达如下：

4.如权利要求1或2所述的面向产品造型风格的用户认知及量化模型的建模方法，其特征在于：在步骤（4）中，所述相关系数可计算两个图形的相似度，其公式如下：