汽车外形设计方法、装置、计算机设备及汽车与流程

1.本发明涉及汽车设计领域，尤其涉及一种汽车外形设计方法、装置、计算机设备及汽车。


背景技术：

2.当前，汽车外形设计，特别是汽车前脸造型设计，依赖于人力手绘勾画草图，或者是借助cad软件(computer aided design，计算机辅助设计)构建汽车外形模型。然而，此类方法需要消耗大量的人力物力，且设计效率较低。


技术实现要素：

3.基于此，有必要针对上述技术问题，提供一种汽车外形设计方法、装置、计算机设备及存储介质，以提高汽车外形的设计效率，降低设计成本。
4.一种汽车外形设计方法，包括：
5.获取汽车图像训练集，所述汽车图像训练集包括若干汽车线框图，所述汽车线框图划分有若干功能区域，至少一部分所述汽车线框图为替换线框图，所述替换线框图的部分功能区域填充有替换设计元素；
6.使用dcgan+attention算法对所述汽车图像训练集进行训练，以构建第一汽车草图生成器，并获取所述第一汽车草图生成器输出的第一设计草图。
7.在上述技术方案中，所述使用dcgan+attention算法对所述汽车图像训练集进行训练，以构建第一汽车草图生成器，并获取所述第一汽车草图生成器输出的第一设计草图之后，还包括：
8.获取若干手绘草图，使用cyclegan算法对所述手绘草图和所述第一设计草图进行训练，以构建第二汽车草图生成器，并获取所述第二汽车草图生成器输出的第二设计草图。
9.在上述技术方案中，所述获取汽车图像训练集，所述汽车图像训练集包括若干汽车线框图，所述汽车线框图划分有若干功能区域，至少一部分所述汽车线框图为替换线框图，所述替换线框图的部分功能区域填充有替换设计元素，包括：
10.获取若干指定视角的汽车图像；
11.接收标注指令，根据所述标注指令在所述汽车图像上划分出若干所述功能区域；
12.通过线框提取工具对已划分若干所述功能区域的所述汽车图像进行线框轮廓提取，生成所述汽车线框图。
13.在上述技术方案中，所述通过线框提取工具对已划分若干所述功能区域的所述汽车图像进行线框轮廓提取，生成所述汽车线框图之后，还包括：
14.获取若干替换设计元素；
15.根据预设替换规则将所述汽车线框图部分功能区域内的区域元素替换为所述替换设计元素，生成所述替换线框图。
16.在上述技术方案中，所述使用dcgan+attention算法对所述汽车图像训练集进行
训练，以构建第一汽车草图生成器，并获取所述第一汽车草图生成器输出的第一设计草图，包括：
17.获取随机向量，通过包含attention结构的dcgan网络结构对随机向量进行反卷积操作和自注意力处理操作，生成第一特征图像；
18.使用1x1卷积对所述第一特征图像进行线性变化和通道压缩，得到第一函数、第二函数和第三函数；
19.获取所述第一函数输出的第一输出特征图，并转置所述第一输出特征图，获得第一转置特征图；获取所述第二函数输出的第二输出特征图；获取所述第三函数输出的第三输出特征图；
20.使所述第一转置特征图与所述第二输出特征图相乘，获得第二特征图；
21.使用激活函数对所述第二特征图归一化处理，获得注意力图像；
22.使所述注意力图像与所述第三输出特征图相乘，获得第三特征图；
23.叠加所述第一特征图和所述第三特征图，并进行反卷积操作，生成所述第一设计草图。
24.在上述技术方案中，所述指定视角包括车辆正面、车辆背面、车辆左侧面、车辆右侧面和车辆俯视面中的任意一种。
25.在上述技术方案中，所述功能区域包括车体外轮廓、车窗、左后视镜、右后视镜、左车大灯、右车大灯、左车雾灯、右车雾灯、上格栅、下格栅中的至少一种。
26.一种汽车外形设计装置，包括：
27.获取汽车图像训练集，所述汽车图像训练集包括若干汽车线框图，所述汽车线框图划分有若干功能区域，至少一部分所述汽车线框图为替换线框图，所述替换线框图的部分功能区域填充有替换设计元素；
28.使用dcgan+attention算法对所述汽车图像训练集进行训练，以构建第一汽车草图生成器，并获取所述第一汽车草图生成器输出的第一设计草图。
29.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现上述汽车外形设计方法。
30.一种汽车，具有特定外形，在设计所述特定外形的过程中，使用了上述任意一种汽车外形设计方法所生成的第一设计草图或第二设计草图。
31.上述汽车外形设计方法、装置、计算机设备及汽车，通过获取汽车图像训练集，所述汽车图像训练集包括若干汽车线框图，所述汽车线框图划分有若干功能区域，至少一部分所述汽车线框图为替换线框图，所述替换线框图的部分功能区域填充有替换设计元素，以获得符合模型训练要求的图像集合。使用dcgan+attention算法对所述汽车图像训练集进行训练，以构建第一汽车草图生成器，并获取所述第一汽车草图生成器输出的第一设计草图，以获得图像质量较高的设计草图，提高造型师的设计效率。本发明使用替代设计元素替换汽车的功能区域，极大丰富了训练集，节省训练集的准备时间，通过dcgan+attention算法快速大量生成各类草图，大大提高了汽车外形的设计效率，降低了汽车外形的设计成本。
附图说明
32.为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
33.图1是本发明一实施例中汽车外形设计方法的一应用环境示意图；
34.图2是本发明一实施例中汽车外形设计方法的一流程示意图；
35.图3是本发明一实施例中替换线框图的生成过程；
36.图4a是本发明一实施例中使用dcgan算法生成的设计草图；
37.图4b是本发明一实施例中使用dcgan+attention算法生成的第一设计草图；
38.图5是本发明一实施例中第二设计草图的生成过程；
39.图6是本发明一实施例中生成器和判别器进行数据处理的示意图；
40.图7是本发明一实施例中包含attention结构的dcgan网络结构进行数据处理的示意图；
41.图8是本发明一实施例中汽车外形设计装置的一结构示意图；
42.图9是本发明一实施例中计算机设备的一示意图。
具体实施方式
43.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
44.本实施例提供的汽车外形设计方法，可应用在如图1的应用环境中，其中，客户端与服务端进行通信。其中，客户端包括但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
45.在一实施例中，如图2所示，提供一种汽车外形设计方法，以该方法应用在图1中的服务端为例进行说明，包括如下步骤：
46.s10、获取汽车图像训练集，所述汽车图像训练集包括若干汽车线框图，所述汽车线框图划分有若干功能区域，至少一部分所述汽车线框图为替换线框图，所述替换线框图的部分功能区域填充有替换设计元素。
47.可理解地，汽车图像训练集包括若干汽车线框图。为了保证第一汽车草图生成器的质量，汽车图像训练集中，汽车线框图的图像数量可以是大于10万。。在一些示例中，车辆前脸正面视角允许一定的角度偏差。
48.替换线框图指的是部分功能区域被替代设计元素所替代的汽车线框图。替代设计元素可以是根据实际需要选取的任意一种设计元素，例如，老虎的眼睛、老虎的鼻子等。在一示例中，如图3所示，车左大灯和车右大灯可分别替换为老虎的左眼和右眼，上格栅可替换为老虎的鼻子。
49.若未包含替换设计元素的汽车线框图的数量为2000，在某一功能区域的替换设计
元素的数量为10，则可以生成10*2000张汽车线框图。随着替换设计元素的增多以及功能区域的选取个数的增多，替换线框图的数量将以指数级增长，可以满足汽车图像训练集对图像数量的要求。
50.s20、使用dcgan+attention算法对所述汽车图像训练集进行训练，以构建第一汽车草图生成器，并获取所述第一汽车草图生成器输出的第一设计草图。
51.可理解地，dcgan(deep convolutional generative adversarial networks)是一种基于深度卷积神经网络的生成式对抗网络。dcgan+attention算法指的是在dcgan的基础上引入自注意力结构(attention)，将带有自注意力的特征图去代替传统的卷积特征图。除此之外，可以参照现有的dcgan算法对汽车图像训练集进行训练。当训练效果符合要求时，也即生成器的生成结果与判别器的判别结果达到纳什均衡，可以获得第一汽车草图生成器。可以通过第一汽车草图生成器生成大量的第一设计草图。第一设计草图为融合了多种替换设计元素特征的设计草图。造型师可以在第一设计草图的基础上进一步创造，提高设计效率和质量。
52.在此处，dcgan+attention算法利用较少的参数获取图像的全局几何特征，更加注重图像的轮廓。如图4所示，图4a为基于dcgan算法训练后输出的设计草图，图4b为基于dcgan算法训练后输出的设计草图。图4a的质量较差，表现为线条不顺滑，且存在部分缺失。图4b的质量较佳，表现为线条顺滑，外轮廓基本完整。
53.步骤s10-s20中，获取汽车图像训练集，所述汽车图像训练集包括若干汽车线框图，所述汽车线框图划分有若干功能区域，至少一部分所述汽车线框图为替换线框图，所述替换线框图的部分功能区域填充有替换设计元素，以获得符合模型训练要求的图像集合。使用dcgan+attention算法对所述汽车图像训练集进行训练，以构建第一汽车草图生成器，并获取所述第一汽车草图生成器输出的第一设计草图，以获得图像质量较高的设计草图，提高造型师的设计效率。
54.可选的，步骤s20之后，即所述使用dcgan+attention算法对所述汽车图像训练集进行训练，以构建第一汽车草图生成器，并获取所述第一汽车草图生成器输出的第一设计草图之后，还包括：
55.s30、获取若干手绘草图，使用cyclegan算法对所述手绘草图和所述第一设计草图进行训练，以构建第二汽车草图生成器，并获取所述第二汽车草图生成器输出的第二设计草图。
56.可理解地，手绘草图可以是造型师的个人手稿。手绘草图可以体现造型师的个人风格。在一些示例中，手绘草图的数量可以是1000张左右。cyclegan(cycle generative adversarial networks，循环生成对抗网络)算法是gan算法的变体。cyclegan算法使用双向判别器在手绘草图集合(包括若干手绘草图)和第一设计草图集合(包括若干第一设计草图)之间进行风格转换，训练完毕后，可以获得第二汽车草图生成器。第二汽车草图生成器可以输出带有造型师个人风格的第二设计草图。如图5所示，a列为汽车的替代线框图，b列为第一汽车草图生成器输出的第一设计草图，c列为手绘草图，d列为第二设计草图。
57.可选的，步骤s10，即所述获取汽车图像训练集，所述汽车图像训练集包括若干汽车线框图，所述汽车线框图划分有若干功能区域，至少一部分所述汽车线框图为替换线框图，所述替换线框图的部分功能区域填充有替换设计元素，包括：
58.s101、获取若干指定视角的汽车图像。
59.可理解地，可以从公开数据集筛选出属于指定视角的汽车图像。指定视角可以根据实际需要进行设置。
60.在一示例中，指定视角包括车辆正面、车辆背面、车辆左侧面、车辆右侧面和车辆俯视面中的任意一种。
61.s102、接收标注指令，根据所述标注指令在所述汽车图像上划分出若干所述功能区域。
62.可理解地，标注指令可以是人工输入的指令，也可以是使用机器识别产生的指令。可以基于标注指令在汽车图像上划分出若干功能区域，每一功能区域对应一处车辆部件或车体轮廓。
63.在一示例中，所述功能区域包括车体外轮廓、车窗、左后视镜、右后视镜、左车大灯、右车大灯、左车雾灯、右车雾灯、上格栅、下格栅中的至少一种。
64.可理解地，当指定视角为车辆正面时，功能区域包括车体外轮廓、车窗、左后视镜、右后视镜、左车大灯、右车大灯、左车雾灯、右车雾灯、上格栅和下格栅。
65.s103、通过线框提取工具对已划分若干所述功能区域的所述汽车图像进行线框轮廓提取，生成所述汽车线框图。
66.可理解地，线框提取工具可以按照预设的图像处理规则从汽车图像中提取出汽车的线框轮廓，生成汽车线框图。汽车线框图可以大大减小dcgan+attention算法训练时的数据处理量，提高训练效率。
67.如图3所示，图3(a1)为原始的汽车图像，经线框提取工具处理，汽车图像先转化为图3(b1)左的中间图像，再生成图3(b1)右的汽车线框图。
68.可选的，步骤s103之后，即所述通过线框提取工具对已划分若干所述功能区域的所述汽车图像进行线框轮廓提取，生成所述汽车线框图之后，还包括：
69.s104、获取若干替换设计元素；
70.s105、根据预设替换规则将所述汽车线框图部分功能区域内的区域元素替换为所述替换设计元素，生成所述替换线框图。
71.可理解地，替换设计元素可以是造型师基于实际设计需求选择的设计元素。在一示例中，替换设计元素可以源自真实老虎的照片。图3(a2)为原始的老虎头像，经线框提取工具处理，老虎头像先转化为图3(b2)左的中间图像，再生成图3(b2)右的老虎眼睛和老虎鼻子的线框图。
72.预设替换规则可以根据实际需要设置。预设替换规则定义了某处功能区域被某种或某类型替换设计元素所替换。例如，在图3的示例中，图3(b1)右的左车大灯被图3(b2)右的老虎左眼所替换，图3(b1)右的右车大灯被图3(b2)右的老虎右眼所替换，图3(b1)右的上格栅被图3(b2)右的老虎鼻子所替换，最终形成图3(c)所示的替换线框图。
73.可理解地，步骤s20，即所述使用dcgan+attention算法对所述汽车图像训练集进行训练，以构建第一汽车草图生成器，并获取所述第一汽车草图生成器输出的第一设计草图，包括：
74.s201、获取随机向量，通过包含attention结构的dcgan网络结构对随机向量进行反卷积操作和自注意力处理操作，生成第一特征图像；
75.s202、使用1x1卷积对所述第一特征图像进行线性变化和通道压缩，得到第一函数、第二函数和第三函数；
76.s203、获取所述第一函数输出的第一输出特征图，并转置所述第一输出特征图，获得第一转置特征图；获取所述第二函数输出的第二输出特征图；获取所述第三函数输出的第三输出特征图；
77.s204、使所述第一转置特征图与所述第二输出特征图相乘，获得第二特征图；
78.s205、使用激活函数对所述第二特征图归一化处理，获得注意力图像；
79.s206、使所述注意力图像与所述第三输出特征图相乘，获得第三特征图；
80.s207、叠加所述第一特征图像和所述第三特征图，并进行反卷积操作，生成所述第一设计草图。
81.可理解地，步骤s201-s207主要涉及使用第一汽车草图生成器生成第一设计草图的过程。在此处，第一汽车草图生成器为已训练好的生成器。第一汽车草图生成器的训练和判别器的训练可以参照现有dcgan算法的处理方式，在此不再赘述。
82.可参照图6，步骤s201中，获取一个100维的随机向量，使用已训练好的包含attention结构的dcgan网络结构对该随机向量进行三次反卷积操作，再进行自注意力处理操作(selfattention)，生成第一特征图像。第一特征图像可用x表示。
83.可参照图7，步骤s202中，可以使用1x1卷积对第一特征图像x进行线性变化和通道压缩，得到第一函数f(x)、第二函数g(x)和第三函数h(x)。
84.步骤s203中，获取f(x)输出的第一输出特征图f(x)，并转置第一输出特征图，获得第一转置图像f(x)
t
；获取g(x)输出的第二输出特征图g(x)；获取h(x)输出的第三输出特征图h(x)。
85.步骤s204中，使第一转置图像f(x)
t
与第二输出特征图g(x)相乘，可以获得第二特征图f(x)
t
×
g(x)。
86.步骤s205中，激活函数可以是softmax函数。使用softmax函数对第二特征图像归一化处理，可以获得注意力图像(attention map，用β表示)。即，β＝soft max(f(x)
t
×
g(x))。
87.步骤s206中，使注意力图像β与所述第三输出特征图h(x)逐像素点相乘，获得第三特征图o。第三特征图o即为自适应注意力的特征图，用公式表示为：o＝β
×
h(x)。
88.步骤s207中，叠加第一特征图像x和第三特征图像o，并进行反卷积操作(参见图6)，生成第一设计草图y。在一些示例中，在生成第一设计草图y时，第三特征图像o需与可学习因子γ相乘。具体表示为：y＝γ
×
o+x。可学习因子γ的初始值为0。在一示例中，第一设计草图y的尺寸可以是64px*64px。
89.在未完成训练时，可学习因子γ的值会随着训练不断发生变化。如图6所示，判别器的操作是上述生成器生成草图y的逆操作。可以获取最后卷积操作生成的值，根据该值判别当前草图y的真假，如果草图y是生成器生成的图像，则草图y为假，如果草图y是训练集的图像，则草图y为真。
90.由于在步骤s201中，可以产生大量的随机向量，经步骤s201-s207的处理，可以产生大量的第一设计草图。造型师可以从这些第一设计草图选择合适的草图，并进一步优化，设计出满足需求的汽车外形。
91.应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
92.在一实施例中，提供一种汽车外形设计装置，该汽车外形设计装置与上述实施例中汽车外形设计方法一一对应。如图8所示，该汽车外形设计装置包括获取训练集模块10和获取第一设计草图模块20。各功能模块详细说明如下：
93.获取训练集模块10，用于获取汽车图像训练集，所述汽车图像训练集包括若干汽车线框图，所述汽车线框图划分有若干功能区域，至少一部分所述汽车线框图为替换线框图，所述替换线框图的部分功能区域填充有替换设计元素；
94.获取第一设计草图模块20，用于使用dcgan+attention算法对所述汽车图像训练集进行训练，以构建第一汽车草图生成器，并获取所述第一汽车草图生成器输出的第一设计草图。
95.可选的，汽车外形设计装置还包括：
96.获取第二设计草图模块，用于获取若干手绘草图，使用cyclegan算法对所述手绘草图和所述第一设计草图进行训练，以构建第二汽车草图生成器，并获取所述第二汽车草图生成器输出的第二设计草图。
97.可选的，获取训练集模块10包括：
98.获取汽车图像单元，用于获取若干指定视角的汽车图像；
99.划分功能区域单元，用于接收标注指令，根据所述标注指令在所述汽车图像上划分出若干所述功能区域；
100.生成汽车线框图单元，用于通过线框提取工具对已划分若干所述功能区域的所述汽车图像进行线框轮廓提取，生成所述汽车线框图。
101.可选的，获取训练集模块10还包括：
102.获取替代元素单元，用于获取若干替换设计元素；
103.生成替换线框图单元，用于根据预设替换规则将所述汽车线框图部分功能区域内的区域元素替换为所述替换设计元素，生成所述替换线框图。
104.可选的，获取第一设计草图模块20包括：
105.第一特征图像单元，用于获取随机向量，根据所述随机向量对所述汽车线框图进行卷积，获得第一特征图像；
106.卷积单元，用于使用1x1卷积对所述第一特征图像进行线性变化和通道压缩，得到第一函数、第二函数和第三函数；
107.输出特征图单元，用于获取所述第一函数输出的第一输出特征图，并转置所述第一输出特征图，获得第一转置图像；获取所述第二函数输出的第二输出特征图；获取所述第三函数输出的第三输出特征图；
108.第二特征图像单元，用于使所述第一转置图像与所述第二输出特征图相乘，获得第二特征图像；
109.注意力图像单元，用于使用激活函数对所述第二特征图像归一化处理，获得注意力图像；
110.第三特征图像单元，用于使所述注意力图像与所述第三输出特征图相乘，获得第
三特征图像；
111.待评估草图单元，用于叠加所述第一特征图像和所述第三特征图像，获得待评估草图；
112.判别单元，用于通过判别器判别所述待评估草图的真实性；
113.第一设计草图单元，用于若所述待评估草图为真，则将所述待评估草图设置为所述第一设计草图。
114.可选的，所述功能区域包括车体外轮廓、车窗、左后视镜、右后视镜、左车大灯、右车大灯、左车雾灯、右车雾灯、上格栅、下格栅中的至少一种。
115.关于汽车外形设计装置的具体限定可以参见上文中对于汽车外形设计方法的限定，在此不再赘述。上述汽车外形设计装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
116.一种汽车，具有特定外形，在设计所述特定外形的过程中，使用了上述任意一种汽车外形设计方法所生成的第一设计草图或第二设计草图。
117.在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括可读存储介质、内存储器。该可读存储介质存储有操作系统、计算机可读指令和数据库。该内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。该计算机设备的数据库用于存储汽车外形设计方法所涉及的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机可读指令被处理器执行时以实现一种汽车外形设计方法。本实施例所提供的可读存储介质包括非易失性可读存储介质和易失性可读存储介质。
118.在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机可读指令，处理器执行计算机可读指令时实现以下步骤：
119.获取汽车图像训练集，所述汽车图像训练集包括若干汽车线框图，所述汽车线框图划分有若干功能区域，至少一部分所述汽车线框图为替换线框图，所述替换线框图的部分功能区域填充有替换设计元素；
120.使用dcgan+attention算法对所述汽车图像训练集进行训练，以构建第一汽车草图生成器，并获取所述第一汽车草图生成器输出的第一设计草图。
121.在一个实施例中，提供了一个或多个存储有计算机可读指令的计算机可读存储介质，本实施例所提供的可读存储介质包括非易失性可读存储介质和易失性可读存储介质。可读存储介质上存储有计算机可读指令，计算机可读指令被一个或多个处理器执行时实现以下步骤：
122.获取汽车图像训练集，所述汽车图像训练集包括若干汽车线框图，所述汽车线框图划分有若干功能区域，至少一部分所述汽车线框图为替换线框图，所述替换线框图的部分功能区域填充有替换设计元素；
123.使用dcgan+attention算法对所述汽车图像训练集进行训练，以构建第一汽车草
图生成器，并获取所述第一汽车草图生成器输出的第一设计草图。
124.以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。