CN109567746A - 一种基于信号检测论的纹理粗糙度量化评价方法 - Google Patents

Abstract

本发明公开了一种基于信号检测论的纹理粗糙度量化评价方法，包括：进行纹理粗糙度感知实验，记录受试者感知不同纹理样本的识别结果并对照至正态分布表得到感知后虚报纹理概率和感知后正确回答纹理概率，结合不同纹理样本的客观纹理参数，计算得到粗糙度辨别力指标；根据相关性，以客观纹理参数作为输入并基于信号检测论的纹理粗糙度量化值作为输出，建立纹理粗糙度感知评价模型，并利用非线性最小二乘法拟合求得客观纹理参数在模型中的权重；将待评价的客观纹理参数代入模型，及输出得到对应的纹理粗糙度量化值。本发明有效增加了在有限实验对象情况下主观感知结果的稳定性，提高了评价的准确性可广泛应用在机械手对纹理粗糙度感知预测中。

Description

一种基于信号检测论的纹理粗糙度量化评价方法

技术领域

本发明涉及一种基于信号检测论的纹理粗糙度量化评价方法，属于纹理力触觉建模与表达技术领域。

背景技术

纹理是人体获取物体表面感知信息的关键因素，人体对纹理的触觉感知机制复杂，通过量化主观感知，并建立主观感知评价模型，能指导对不同客观属性下的感知结果预测，用于对建立虚拟纹理的有效性验证。

传统研究中，对触觉感知评价方法主要有客观评价方法与主观评价方法两种。张建凯利用有限元模型，建立了手指触摸物体时物体客观属性与粗糙度之间的感知模型，预测在不同工况表面下手指感知的敏感性。模型输出为振动频率，以此作为触觉感知的直接相关评价依据，而并不是触觉感知结果。汪莉等人通过CHARMM力场模拟触觉感知信息，建立客观属性与触觉感知之间的评价模型。近期的，有部分神经网络的研究量化触觉的感知结果。周嵘等人利用BP神经网络，对人体触摸过程中的力信号进行识别分类，实现触觉感知信息分类预测。上述方法都是从客观属性到客观响应的研究，存在不符合人体主观感知的缺陷。

在对人体主观触觉感知量化评价研究中，龙慧利用精神物理学中的静电力触觉在现效果主观评价方法，量化人体对静电力触觉的粗糙度，并建立静电频率、波形、振幅与感知评价结果之间的模型。触觉主观评价方法评价结果更符合人体感知规律。目前研究手段主要从主观感知实验开始，获取人体主观感知结果，量化并建立评价模型。传统的人体主观感知的测量心理学实验方法主要有恒定刺激法、评分法、最小变化法等，其中，评分法是量化人体主观感知最直接的心理学评测方法，实验过程中，受试者感知刺激变化强弱，主观对其进行打分。前人研究中，这种心理学评测人体主观感知的方法被大量应用在虚拟环境表达研究中。Xiaoying Guo等人设计的心理学实验利用评分法分析视觉主观纹理粗糙度感知与客观纹理属性之间的相关性。钟兴建等人研究中，利用评分法获取人体触觉主观感知与振动频率、振动幅值之间的量化关系，从而建立振动式反馈的虚拟纹理触觉模型。评分法能有效量化主观感知结果，但受试者之间的评价标准不统一，评价过程易受环境、记忆等因素影响，在有效实验对象情况下难以做到实验结果稳定。恒定刺激法是一种感知差异的心理学评测方法，受试者通过感知标准刺激和比较刺激做出差异性评判，若感知不到差异则进入下一个比较样本直至感受到差异。此类实验方法通常用于测量人体感知差别阈限值，一般针对差别阈限对感知做定性分析。最小变化法也是一种比较差异性的心理学实验方法，刺激按“渐强”或“渐弱”交替变化，且设置变化数量相等，感知起点参数水平设置随机，直至受试者感受到差异为止。Bekesy通过最小变化法分析声音信号频率与人体听觉感知分辨之间的关系线性关系，指导后续听觉建模信号频率的处理。同样，最小变化法也无法做到量化主观感知的效果。

发明内容

本发明所要解决的技术问题在于克服现有技术的不足，提供一种基于信号检测论的纹理粗糙度量化评价方法，通过建立客观参数与主观感知之间评价模型，解决现有的纹理粗糙度评价方法中无法有效将客观属性到主观感知结合建立量化的评，主观感知结果不稳定，导致粗糙度评价不准确的问题。

本发明具体采用以下技术方案解决上述技术问题：

一种基于信号检测论的纹理粗糙度量化评价方法，包括以下步骤：

步骤1、利用信号检测论的心理物理学实验方法进行纹理粗糙度感知实验，记录受试者感知不同纹理样本的识别结果并对照至正态分布表得到感知后虚报纹理概率和感知后正确回答纹理概率；

步骤2、根据感知后虚报纹理概率和感知后正确回答纹理概率，结合所感知不同纹理样本的客观纹理参数，计算得到粗糙度辨别力指标；

步骤3、根据所感知不同纹理样本的客观纹理参数与粗糙度辨别力指标之间的相关性，以所感知不同纹理样本的客观纹理参数作为输入并基于信号检测论的纹理粗糙度量化值作为输出，建立纹理粗糙度感知评价模型，并利用非线性最小二乘法拟合求得客观纹理参数在模型中的权重；

步骤4、将待评价的客观纹理参数代入求得权重后的纹理粗糙度感知评价模型，及输出得到对应的纹理粗糙度量化值。

进一步地，作为本发明的一种优选技术方案，所述步骤1中不同纹理样本包括标准纹理样本和带噪声纹理样本。

进一步地，作为本发明的一种优选技术方案，所述步骤2中不同纹理样本的客观纹理参数包括纹理信号分布和纹理噪声分布。

进一步地，作为本发明的一种优选技术方案，所述步骤2中计算得到粗糙度辨别力指标，采用公式：

d′_粗糙度＝Z_击中-Z_虚报

其中，d′_粗糙度为粗糙度辨别力指标，Z_虚报与Z_击中分别为感知后虚报纹理概率和感知后正确回答纹理概率。

进一步地，作为本发明的一种优选技术方案：，所述步骤3中建立纹理粗糙度感知评价模型，具体为：

其中，R为纹理粗糙度量化值，H为纹理高度，L为纹理空间周期，D为纹理颗粒大小，k₁为模型中的偏量权重系数，k₂为模型中非线性根式分量的权重系数，k₃为模型中变量H的权重系数，k₄为模型中线性变量L的权重系数，k₅为模型中非线性指数分量的权重系数。

本发明采用上述技术方案，能产生如下技术效果：

本发明，首先通过信号检测论方法，进行不同纹理客观参数的粗糙度感知心理物理学实验，计算辨别力指标以量化主观感知结果；其次，分析粗糙度辨别力指标与纹理客观参数之间的相关性，根据相关性强弱确定客观参数在粗糙度感知评价模型中的表达形式；最后利用非线性最小二乘法计算客观参数在模型中的权重大小k₁,k₂,k₃,k₄,k₅，建立纹理粗糙度感知评价模型，是以纹理的客观参数的纹理空间周期L、纹理高度H、纹理颗粒大小D为输入，粗糙度主观感知结果中基于信号检测论的粗糙度量化值R为输出的感知模型。利用信号检测论的心理学实验方法获取主观感知结果，以辨别力指标作为粗糙度主观感知结果的度量，有效增加了在有限实验对象情况下主观感知结果的稳定性，提高了评价的准确性，为建立粗糙度主观感知评价模型提供了一种新的思路。

与现有技术相比，本发明具有以下优点：本发明是基于主观感知结果建立的粗糙度感知评价模型，评价结果更符合人体主观感知。利用信号检测论的心理学实验方法量化主观感知结果，以辨别力指标作为主观感知衡量参数，使得在有限的实验对象、实验次数下主观感知结果更稳定。根据恒定刺激的方法做预实验，分析人体粗糙度感知阈值范围，并知道信号检测论的参数水平设置，使得信号检测论实验设计合理性提高，可广泛应用在机械手对纹理粗糙度感知预测中。

附图说明

图1为本发明的基于信号检测论的纹理粗糙度量化评价方法的原理示意图。

图2为本发明感知实验中纹理样本示意图。

图3为本发明感知实验中实施者实验状态示意图。

具体实施方式

下面结合说明书附图对本发明的实施方式进行描述。

如图1所示，本发明设计了一种基于信号检测论的纹理粗糙度量化评价方法，该方法以纹理空间周期L、纹理高度H、纹理颗粒大小D为例，利用信号检测论设计粗糙度感知实验，并通过辨别力指标计算量化粗糙度感知结果。利用ANOVA相关性分析纹理客观参数与辨别力指标之间的相关性强弱，及利用非线性最小二乘法计算各个客观纹理参数权重大小，建立粗糙度感知评价模型。本方法具体包括以下步骤：

步骤1、利用信号检测论的心理物理学实验方法进行纹理粗糙度感知实验，记录受试者感知不同纹理样本的识别结果并对照至正态分布表得到感知后虚报纹理概率和感知后正确回答纹理概率。

本发明中信号检测论的心理学实验方法，信号的参数水平选取见表1，本实例中选取的噪声参数水平偏离信号参数水平为：纹理空间周期偏离±2,±4，纹理高度与颗粒大小偏离±1,±2。如图2所示，信号检测论的心理学实验方法中纹理样本采用真实纹理，其中图2中A为纹理样本实物图，B为纹理样本俯视效果图，C为纹理样本主视效果图。本发明实验流程为：实验共分为三组，每组设置的实验参数水平如表1所示，每组20次每组控制一个客观参数为主要变量，其余为次要变量，控制恒定不变。实验开始前，受试者可随机感受所有样本纹理，感知时间不限。完毕后进入实验，实验中的不同纹理样本可以包括标准纹理样本和带噪声纹理样本，受试者先感知该组下的标准纹理样本即信号SN，感知完毕后依次感知带噪声的实验纹理即噪声N，受试者需要在规定的30s内判断该纹理是否为标准纹理，若超时判断，则该次实验不计入最终结果。实验过程中受试者状态如图3所示，受试者在实验过程中需佩戴眼罩和耳机，防止视觉、听觉的感知对实验结果产生影响。

表1信号检测论实验参数水平

由上述实验可以得到受试者感知粗糙度后的感知结果，统计计算得出实验中击中概率P_击中以及虚报概率P_虚报；然后，将实验中击中概率P_击中以及虚报概率P_虚报对照至正态分布表得到感知后虚报纹理概率Z_虚报和感知后正确回答纹理概率Z_击中，所述正态分布表如下述表1所示，可为自定义建立或现有技术中已知的正态分布表，由此而得到对应概率。

步骤2、根据感知后虚报纹理概率Z_虚报和感知后正确回答纹理概率Z_击中，结合所感知不同纹理样本的客观纹理参数，计算得到粗糙度辨别力指标；

在本发明中，粗糙度辨别力是指统计学上受试者感知粗糙度后虚报纹理概率与正确回答纹理概率的方差距离，具体计算公式如下：

d′_粗糙度＝Z_击中-Z_虚报

其中，d′_粗糙度为粗糙度辨别力指标；Z_虚报与Z_击中分别为感知后虚报纹理概率和感知后正确回答纹理概率。以及，Z_击中与Z_虚报分别为信号检测论实验中击中概率P_击中以及虚报概率P_虚报通过下述的PZO正态转换分布表所得的Z值，具体如下：

正态分布表(PZO)

步骤3、根据所感知不同纹理样本的客观纹理参数与粗糙度辨别力指标之间的相关性，以所感知不同纹理样本的客观纹理参数作为输入并基于信号检测论的纹理粗糙度量化值作为输出，建立纹理粗糙度感知评价模型，并利用非线性最小二乘法拟合求得客观纹理参数在模型中的权重。

本发明利用辨别力指标作为主观感知实验结果的度量，并拟合客观纹理参数与辨别力指标之间的关系。

本发明中相关性利用ANOVA方差分析的方法分析客观参数与辨别力指标之间的相关性，具体应用在本实例中是分析粗糙度辨别力指标与客观参数之间的单因素相关性结果。

对已确认与触觉感知辨别力之间显著相关的变量进行建模，根据强弱结果确定各个参数在感知模型中的具体表达形式，依据客观参数与主观感知结果的相关性强弱，线性分量L为与主观感知评价结果相关性最高的客观参数纹理空间周期，非线性分量H为相关性最弱的客观参数纹理高度，非线性分量D为相关性处于两者之间的纹理颗粒大小。

利用非线性最小二乘法，计算客观参数在粗糙度感知评价模型中的权重大小k₁,k₂,k₃,k₄,k₅，将纹理感知人体粗糙度感知评价输出与纹理客观参数之间的函数关系，即建立纹理粗糙度感知评价模型如下：

其中，R为拟合所得作为输出的纹理粗糙度量化值，H为纹理高度，L为纹理空间周期，D为纹理颗粒大小，k₁为模型中拟合函数的偏量权重系数，k₂为模型中非线性根式分量的权重系数，k₃为模型中变量H的权重系数，k₄为模型中线性变量L的权重系数，k₅为模型中非线性指数分量e的权重系数。

本发明的拟合过程如下：

确定拟合数据为(H,L,D,R_i)，i＝1,2,3；设拟合函数为确定函数k＝(k₁,k₂,k₃,k₄,k₅)，残量为：

要求k使得函数在残量平方和意义上尽可能拟合数据，构建函数使得f(k)最小。设J(k)是r(k)的Jacobian矩阵，则：

则f(k)梯度为

f(k)的Hessian矩阵为：

通过迭代得到：

k_j+1＝k_j-(J(k_j)^TJ(k_j)+S(k_j))^-1J(k_j)r(k_j)

最终，将计算得到各系数值k₁,k₂,k₃,k₄,k₅带入建立纹理粗糙度感知评价模型的公式R中，得到最终模型的具体表达形式。

步骤4、将待评价的客观纹理参数，如已知的待评价纹理客观参数：纹理空间周期L，纹理高度H，纹理颗粒大小D，代入步骤3求得权重k₁,k₂,k₃,k₄,k₅后的纹理粗糙度感知评价模型，及输出得到对应的纹理粗糙度量化值R，作为主观感知粗糙度量化结果输出。

综上，本发明方法充分利用主观感知结果，建立以客观纹理参数为输入，主观感知结果为输出的模型；利用信号检测论的心理学实验方法获取主观感知结果，以辨别力指标作为粗糙度主观感知结果的度量，有效增加了在有限实验对象情况下主观感知结果的稳定性，提高了评价的准确性，使得信号检测论实验设计合理性提高，可广泛应用在机械手对纹理粗糙度感知预测中。

上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (5)

1.一种基于信号检测论的纹理粗糙度量化评价方法，其特征在于，包括以下步骤：

步骤1、利用信号检测论的心理物理学实验方法进行纹理粗糙度感知实验，记录受试者感知不同纹理样本的识别结果并对照至正态分布表得到感知后虚报纹理概率和感知后正确回答纹理概率；

步骤2、根据感知后虚报纹理概率和感知后正确回答纹理概率，结合所感知不同纹理样本的客观纹理参数，计算得到粗糙度辨别力指标；

步骤3、根据所感知不同纹理样本的客观纹理参数与粗糙度辨别力指标之间的相关性，以所感知不同纹理样本的客观纹理参数作为输入并基于信号检测论的纹理粗糙度量化值作为输出，建立纹理粗糙度感知评价模型，并利用非线性最小二乘法拟合求得客观纹理参数在模型中的权重；

步骤4、将待评价的客观纹理参数代入求得权重后的纹理粗糙度感知评价模型，及输出得到对应的纹理粗糙度量化值。

2.根据权利要求1所述基于信号检测论的纹理粗糙度量化评价方法，其特征在于，所述步骤1中不同纹理样本包括标准纹理样本和带噪声纹理样本。

3.根据权利要求1所述基于信号检测论的纹理粗糙度量化评价方法，其特征在于，所述步骤2中不同纹理样本的客观纹理参数包括纹理信号分布和纹理噪声分布。

4.根据权利要求1所述基于信号检测论的纹理粗糙度量化评价方法，其特征在于，所述步骤2中计算得到粗糙度辨别力指标，采用公式：

d′_粗糙度＝Z_击中-Z_虚报

其中，d′_粗糙度为粗糙度辨别力指标，Z_虚报与Z_击中分别为感知后虚报纹理概率和感知后正确回答纹理概率。

5.根据权利要求1所述基于信号检测论的纹理粗糙度量化评价方法，其特征在于，所述步骤3中建立纹理粗糙度感知评价模型，具体为：

其中，R为纹理粗糙度量化值，H为纹理高度，L为纹理空间周期，D为纹理颗粒大小，k₁为模型中偏量权重系数，k₂为模型中非线性根式分量的权重系数，k₃为模型中变量H的权重系数，k₄为模型中线性变量L的权重系数，k₅为模型中非线性指数分量e的权重系数。