一种基于前脸造型的汽车品牌基因分析方法

摘要

本发明属于汽车造型分析领域，提供了一种基于前脸造型的汽车品牌基因分析方法。该汽车品牌基因分析方法包括创建汽车前脸训练库、进行品牌分类识别和进行品牌基因分析；品牌基因分析进一步包括品牌内造型基因分析、品牌间造型基因交叉分析和品牌造型设计趋势分析；该汽车品牌基因分析方法能够分析汽车品牌内的核心造型基因，能够分析品牌间造型基因的相似度，并且还可以对品牌造型设计的演变和趋势加以分析。

说明书

技术领域

本发明属于汽车造型分析领域。本发明涉及一种基于前脸造型的汽车品牌基因分析方法，具体涉及一种根据汽车品牌分类方法实现品牌基因分析的方法。

背景技术

当前汽车企业越来越重视品牌化建设，而汽车前脸造型的家族式设计已成为汽车品牌化建设的核心之一。通过将包括前大灯、进气格栅、以及保险杠的造型区域作为汽车前脸，可以发现同一品牌不同型号的汽车前脸具有若干相似的造型设计，称之为品牌造型基因。通过对品牌造型基因的分析，可以得到品牌前脸造型的设计特点，可根据销量因素分析消费者所喜爱的前脸造型。然而当前的品牌造型基因的分析大多基于汽车前脸中提取的特征线，而且只对单一品牌进行分析，并不能以构造完整汽车前脸的方式体现造型基因，也不能对品牌间的造型基因的相似性进行分析。

发明内容

本发明要解决的技术问题是提供一种基于前脸造型的汽车品牌基因分析方法，该方法能够分析汽车品牌内的核心造型基因，能够分析品牌间造型基因的相似度，并且还可以对品牌造型设计的演变和趋势加以分析。

本发明的技术方案：

一种基于前脸造型的汽车品牌基因分析方法，包括创建汽车前脸训练库、进行品牌分类识别和进行品牌基因分析；

(1)创建汽车前脸训练库：该汽车前脸训练库包含多种国内汽车品牌的前脸图片，根据品牌对汽车前脸训练库图片分类，并建立品牌标签与年份标签；统计每个品牌各车型的年销量，计算各车型所统计的所有年份年销量之和，得到同一品牌下各车型的年销量分布，然后量化各车型的年销量分布并作为汽车前脸训练库每个品牌中车型图片数量所占的比重参数，按照比重参数进行汽车前脸训练库的创建，完成某些品牌和车型的基因增强；对于每张图片，图片内容为仅包含前大灯，进气格栅，保险杠的造型区域，称之为汽车前脸图片。所有汽车前脸图片要经过背景去除，车牌去除处理，并且每张图片要调整到统一高宽比。

(2)品牌分类与识别：首先，对汽车前脸训练库所有图像进行灰度处理并且将所有图像调整到合适像素尺寸范围40～60×100～150(高×宽)。然后用PCANet特征表示与SVM分类器结合的汽车品牌分类方法对(1)得到的汽车前脸训练库进行留一法(leave-one-out)测试，即：每次测试时从汽车前脸训练库抽取一张汽车前脸图片作为测试样本，剩余图片作为训练样本；用PCANet/SVM方法对训练样本进行分类训练得到分类器模型后，对测试样本进行识别；按照此过程，依次对训练库中所有汽车前脸图片进行测试。

(3)品牌基因分析。对(2)得到的测试结果进行分析，分析内容如下：

(a)品牌内造型基因分析。获取(2)中某品牌的测试结果，对该品牌内所有汽车前脸图片识别结果的判定值按降序排序，选出前十个值对应的十张汽车前脸图片样本作为品牌基因的代表。然后用计算摄影学中的“平均脸”技术生成该汽车品牌的“平均汽车前脸”图像。将该“平均汽车前脸”视为汽车品牌的核心基因。

(b)品牌间造型基因交叉分析。获取(2)中所有品牌的测试结果，记录某品牌中识别错误的图片样本以及对应识别结果，同时记录其他品牌中识别成该品牌的图片样本，然后将这两组结果可视化处理，建立某品牌与其他品牌的识别结果交叉图，称之为造型基因交叉图。同理，可建立所有品牌与其他品牌的造型基因交叉图。

(c)品牌造型设计趋势分析。获取(2)中某品牌的测试结果，根据年份标签，分别对某年份中汽车图片识别结果的判定值按降序排序，选出前十个值对应的十张汽车前脸图片样本作为该年份品牌基因的代表。然后用计算摄影学中“平均脸”技术生成该汽车品牌的“平均汽车前脸”，将此“平均汽车前脸”视为截至该年份的汽车品牌核心基因。同理，获得该品牌所有年份的“平均汽车前脸”，可以观察到它们的变化趋势。进一步地，结合(b)模块，根据年份标签可以得到汽车品牌间造型基因交叉图随时间的动态演化图，从而得到某汽车品牌前脸造型设计的发展趋势。

本发明的有益效果：

(1)提供了基于前脸造型的汽车品牌核心基因分析的方法。

(2)提供了基于前脸造型的汽车品牌间基因相似性分析的方法。

(3)提供了基于前脸造型的汽车品牌基因发展趋势分析的方法。

附图说明

图1为本发明专利的技术流程图。

图2为本发明专利的品牌间造型基因交叉图。

图中：①为某品牌识别正确的结果区域，②-⑦为其他不同品牌各自识别正确的结果区域，⑧所指向的圆圈代表①品牌识别成其他品牌结果，⑨-所指向的符号代表其他品牌识别成①品牌的结果。

具体实施方式

以下结合附图和技术方案，进一步说明本发明的具体实施方式。

基于汽车前脸的汽车品牌识别，其具体步骤如下：

(1)创建汽车前脸训练库：该汽车前脸训练库包含多种国内汽车品牌的前脸图片，对汽车前脸训练库图片根据品牌分类，并建立品牌标签与年份标签；每个品牌中包含多种车型，每个车型又包括多种不同颜色与风格的汽车。统计每个品牌各车型从2000年至今的年销量，计算各车型所有年份年销量之和，得到同一品牌下各车型的年销量分布，然后量化各车型的年销量分布并作为汽车前脸训练库每个品牌中车型图片数量所占的比重参数，按照比重参数进行汽车前脸训练库的创建，从而完成某些品牌和车型的基因增强。对于每张图片，图片内容为仅包含前大灯，进气格栅，保险杠的造型区域，称之为汽车前脸图片。所有汽车前脸图片要经过背景去除，车牌去除处理，并且每张图片要调整到统一高宽比，如高宽比为1:2.5。

(2)品牌分类与识别：首先，对汽车前脸训练库所有图像进行灰度处理并且将所有图像调整到合适像素尺寸范围40～60×100～150(高×宽)。然后用PCANet特征表示与SVM分类器结合的汽车品牌分类方法对(1)得到的汽车前脸训练库进行留一法(leave-one-out)测试，即：每次测试时从汽车前脸训练库抽取一张汽车前脸图片作为测试样本，剩余图片作为训练样本；用PCANet/SVM方法对训练样本进行分类训练得到分类器模型后，对测试样本进行识别；按照此过程，依次对训练库中所有汽车前脸图片进行测试。

进一步地，该PCANet特征提取方法由三个基础的数据处理模块组成：主成分分析(PCA)、二进制哈希(Binary Hashing)和分块直方图(Block-wise Histogram)。其中两次主成分分析构成PCANet特征提取的前两个阶段，是主要的特征提取部分；而二进制哈希和分块直方图则为PCANet的输出阶段，将两次主成分分析的输出结果映射为最终的输出特征向量。

进一步地，在PCANet特征表示方法中，PCANet的最优参数范围为：PCA处理中移动窗口的像素尺寸为3×3或5×5或7×7(高×宽)；滤波器数量为8；直方图处理阶段中移动窗口的像素尺寸范围为7～10×7～10(高×宽)，窗口重合率范围为0.5～0.7。

进一步地，SVM分类器的训练过程为：将PCANet提取得到的训练样本的特征向量和汽车前脸训练库品牌标签信息输入给SVM分类器，由SVM分类器训练分类器模型。

(3)品牌基因分析。对(2)得到的测试结果进行分析，分析内容如下：

(a)品牌内造型基因分析。获取(2)中某品牌的测试结果，对该品牌内所有汽车前脸图片识别结果的判定值按降序排序，选出前十个值对应的十张汽车前脸图片样本作为品牌基因的代表。然后用计算摄影学中的“平均脸”技术生成该汽车品牌的“平均汽车前脸”图像。将该“平均汽车前脸”视为汽车品牌的核心基因。

(b)品牌间造型基因交叉分析。获取(2)中所有品牌的测试结果，记录某品牌中识别错误的图片样本以及对应识别结果，同时记录其他品牌中识别成该品牌的图片样本，然后将这两组结果可视化处理，建立某品牌与其他品牌的识别结果交叉图，称之为造型基因交叉图。同理，可建立所有品牌与其他品牌的造型基因交叉图。

如附图2所示，①-⑦分别代表不同的汽车品牌各自识别正确的结果区域，①品牌的识别错误样本由圆圈⑧表示，分布在②-⑦中不同的品牌内的⑧代表①的识别结果；同理，其他品牌识别成①的图片样本由分布在①品牌内的⑨-表示。由此，可建立①品牌与其他品牌的造型基因交叉图。

(c)品牌造型设计趋势分析。获取(2)中某品牌的测试结果，根据年份标签，分别对某年份中汽车图片识别结果的判定值按降序排序，选出前十个值对应的十张汽车前脸图片样本作为该年份品牌基因的代表。然后用计算摄影学中“平均脸”技术生成该汽车品牌的“平均汽车前脸”，将此“平均汽车前脸”视为截至该年份的汽车品牌核心基因。同理，获得该品牌所有年份的“平均汽车前脸”，可以观察到它们的变化趋势。进一步地，结合步骤(b)模块，根据年份标签可以得到汽车品牌间造型基因交叉图随时间的动态演化图，从而得到某汽车品牌前脸造型设计的发展趋势。

以上结合附图对本发明的具体实施方式作了说明，但这些说明不能被理解为限制了本发明的范围，本发明的保护范围由随附的权利要求书限定，任何在本发明权利要求基础上的改动都是本发明的保护范围。