针对以上不足,我们提出一种个性需求驱动的汽车造型风格智能设计方法。首先,构造面向智能设计的汽车造型库;然后,通过经典自然语言处理方法对用户需求进行语义表征,并将用户需求特征与造型库中潜在造型特征进行匹配,选定最适合的造型图像;最后,将造型图像的特征迁移到目标汽车图像,依靠神经网络风格迁移算法智能生成高质量的汽车造型风格效果图。
图1汽车造型风格智能设计方法的框架Fig.1Frameworkofintelligentdesignmethodforautomobilemodelingstyle
图2汽车造型用户标签结构图Fig.2Structurediagramofautomobilemodelinguserlabel
图3汽车造型汽车标签结构图Fig.3Structurediagramofautomobilemodelingcarlabel
根据汽车品牌的车型定位将汽车造型标签库分为用户标签和汽车标签。用户标签描述了目标人群定位特征的年龄段属性、性别属性和职业属性。汽车标签描述了某一车型的品牌属性、车型属性和风格属性。
图4用户需求文本特征提取流程图Fig.4Flowchartofuserdemandtextfeatureextraction
自动关键词提取技术是文本处理的重要环节,该技术主要分为有监督、半监督和无监督3种机器学习方式。其中,无监督提取关键词因无须人工标注语料而被广泛应用和不断创新,成为近年来自动关键词提取技术研究领域的重点和难点[13]。本研究利用经典的词频-逆文本频率[14](termfrequency-inversedocumentfrequency,TF-IDF)进行用户需求文本特征提取,核心思想是提取某一文档中内容的关键词候选集及对应的权重。如果某关键词出现在某一文档中的频率越高,同时出现在其他文档中的频率越低,则表明该关键词具备区别本文档于其他文档的能力。TF-IDF算法的具体定义如下:
式(1)中:Tij为关键词ti出现在一篇文档dj的词频;nij为关键词ti在一篇文档dj中出现的次数;为所有文档中关键词出现的次数之和;Ii为关键词ti的逆文本频率;|D|为文档总数;|Di|为包含关键词ti的文档总数目;Gij为Tij与Ii的乘积;wij为经过归一化后的关键词权重。
用户需求文本特征提取的具体步骤如下。
1)对已有的用户需求描述性文本信息进行分词,并载入外部汽车行业语料库和无效词汇库,按照一定顺序排列得到包含N个实词的词汇集C。
2)根据划分好的词汇集C,利用TF-IDF计算方法得出该用户需求的特征关键词候选集K,具体定义如下:
K={k1:w1,k2:w2,…,kn:wn},1≤i≤n。(2)
式(2)中:候选集K以字典形式存储;ki为键名;wi为键名对应的权重。
3)关键词候选集K按权重wi从大到小依次排序。
4)基于无效词汇库,对关键词候选集进行从后向前搜索无效词汇的操作,直到搜索到有效词汇ki,获取ki对应的权重wi。对wi向下取整并设置阈值f1=wi,对k的权重进行筛选,最终确定关键词,即用户需求特征集合Q,定义如下:
Q={u1,u2,…,um}。(3)
图5需求特征与车型特征匹配的流程图Fig.5Flowchartofmatchingdemandcharacteristicswithvehiclemodelcharacteristics
需求特征与车型特征匹配的具体步骤如下。
1)采用余弦相似度的计算方法对用户需求文本特征集合Q和标签集合L进行计算,得到相似度集合Isim,并以字典形式存储,其中字典中的键名为汽车车型,键值为相似度数值。具体定义如下:
式(4)～(5)中:q为Q中元素在T中出现的频次向量;l为L的元素在T中出现的频次向量。
2)相似度集合Isim按权重sx(1≤x≤z)从大到小依次排序。
3)设置选取车型的数量m,获取前m个相似度数值并向下取整,从而可以设置阈值f2=Im,对Isim的相似度数值进行筛选,确定所对应的汽车车型Cx,即获取符合用户需求特征的潜在汽车造型风格图像。
图6基于风格迁移的造型生成流程图Fig.6Flowchartofmodelinggenerationbasedonstyletransfer
图7预处理前后的汽车前脸、侧身、尾部图像Fig.7Unprocessedandpre-processedimagesofcar'sfrontface,sidewaysandtail
经过预处理后,需要将潜在造型特征迁移到目标汽车造型中。文献[15]提出的真实照片图像合成方法,将汽车风格图像Is的外观造型特征细节迁移到设计师选择的目标图像Ic,具体算法步骤如下。
1)将Is和Ic分别输入到预训练模型VGG-NET19[16]网络,提取Is的汽车外观风格特征φ(Is)和Ic的汽车外观结构特征φ(Ic)。
2)为了后续优化工作方便且不陷入局部最小值,将待优化图像Ic*初始化为Ic,计算Ic*与Is和Ic的损失值,损失函数定义如下:
由式(6)可知,损失函数由风格损失Es、结构损失Ec和正则化损失γ(Ic*)组成,其中结构损失Ec定义如下:
式(7)中:φi(φ(Ic*))为从特征层φ(Ic*)提取出来的m个局部图像块;φN(i)(φ(Ic))为Ic特征层中与第i个待优化特征块φN(i)(φ(Ic*))的最佳匹配特征块。最佳匹配特征块的计算公式如下:
3)根据损失值,利用反向传播算法迭代优化汽车造型图像Ic*,最终得到特征迁移完成后的汽车造型效果图。
为了验证个性需求驱动的汽车造型风格智能设计方法的有效性,我们以实例的方式进行汽车造型设计。
根据某用户需求:职业女性,上班族,代步,偏好具备运动感和时尚感且车身小巧的汽车造型,以大众品牌旗下的桑塔纳车型为目标车型,将用户需求特征迁移到该目标车型上,获取个性化汽车造型风格效果图。
根据英国品牌评估机构品牌金融(BrandFinace)发布的“2019全球最有价值的100个汽车品牌”排行榜,选取前五名汽车品牌,利用爬虫技术爬取汽车之家、爱车网、懂车帝汽车网的数据,构建了汽车造型数据集。其中包含奥迪、宝马、奔驰、大众、丰田5个汽车品牌,118种车型,每款车型收集前脸、侧身和尾部视角的3张图像,每款车型至少5个标签,共计354个图像数据,596个图像库标签。
表1用户需求文本特征提取方法参数表Table1Parametertableofextractionmethodsofuserdemandtextfeature
表2用户需求文本特征提取结果Table2Extractionresultsofuserdemandtextfeature
编号文本特征权重1职业女性1.382运动感1.333代步1.294小巧1.155时尚感0.936上班族0.897车身0.468日常0.41
表3汽车外观造型匹配结果Table3Matchingresultsofcarappearance
根据匹配试验数据,选取分数较高的前3种车型,设定阈值f2=0.7,从而匹配出潜在汽车造型。根据匹配结果可知,高尔夫、甲壳虫、尚酷这3款车型的造型特点符合用户需求。
表4基于风格迁移的造型生成算法模型参数表Table4Parameterstableofmodelinggenerationalgorithmmodelbasedonstyletransfer
图8高尔夫造型特征迁移到桑塔纳造型的效果图Fig.8EffectdiagramofGolfmodelingcharacteristicstransferredtoSantana
图93种方案造型特征迁移的效果图Fig.9Effectdiagramofthreeschememodelingcharacteristicstransfer
为了验证方法的有效性,将我们提出的智能设计方法与传统的智能生成汽车造型图像方法(Gatysstyletransfer,GST)[10]进行图像质量与方法性能两方面的对比,并对3.5节中得到的3种汽车造型方案进行用户评价。
图10智能设计方法与GST方法效果图Fig.10ComparisonofeffectdiagrambetweenintelligentdesignmethodandGSTmethod
表5智能设计方法与GST方法的图像评估数据Table5ComparisonofimageevaluationdatabetweenintelligentdesignmethodandGSTmethod
表6智能设计方法与GST方法性能对比Table6PerformancecomparisonbetweenintelligentdesignmethodandGSTmethod
表73种方案风格特征的评价结果表Table7Evaluationresultsofthreeschemestylecharacteristics
针对现阶段汽车造型设计方案的问题,提出个性需求驱动的汽车造型风格智能设计方法。将用户个人属性特征作为用户需求分析的重要因素,并基于自然语言处理的方法有效地获取用户需求特征;根据自行建立的汽车造型库完成用户期望意象和潜在汽车造型图像的匹配工作;利用图形学中风格迁移算法生成真实有效的汽车造型设计效果图,为设计者提供辅助设计参考。本汽车造型设计方法作为一种计算机辅助设计方法,能为汽车造型设计者提供理性的设计思路和素材参考,并满足个性化定制的要求。但本研究尚存在一些不足,如本方案作为一种辅助技术并不能完全替代设计师的工作,用户需求特征提取技术还需进一步优化,需要丰富汽车造型数据库以满足设计需求,这些都有待深入研究。