隨著消費者對汽車造型多樣化的迫切需求,簡單、高效、智能的汽車造型分析與建模方法是當前汽車造型設計亟待解決的問題。一方面,及時分析當前汽車市場的造型喜好及趨勢,可輔助汽車主機廠的新車型造型設計,強化其品牌化、家族化;另一方面,智能化快速建模可縮短當前造型設計周期,使產品快速迭代,從而在汽車市場中占據(jù)主動地位。針對這兩個方面,本論文基于深度學習方法提出自動化、智能化的汽車造型分析方法與建模方法,旨在為汽車造型分析與建模提供高效的工具。為實現(xiàn)智能化汽車造型分析,本文以汽車前臉家族化分析為目標,創(chuàng)建了汽車前臉造型分析圖像數(shù)據(jù)庫——AutoMorpher-CFSDB,該數(shù)據(jù)庫包括有車標和無車標兩種數(shù)據(jù)集,分別收集22個國內主流品牌的大部分車型的前臉造型圖像數(shù)據(jù);隨后本文采用計算機視覺中的圖像分類的方法對AutoMorpher-CFSDB數(shù)據(jù)庫進行汽車品牌分類訓練,基于ResNet-8等模型架構,分別對有車標和無車標的汽車品牌分類數(shù)據(jù)庫訓練分類模型;最后,采用CAM方法進行汽車前臉造型的家族化顯著性區(qū)域分析。實驗結果證明了該方法無需依賴人工提取特征及總結分析,僅需建立汽車前臉造型數(shù)據(jù)庫便可基于該方... 

【文章來源】：大連理工大學遼寧省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：56 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景
    1.2 汽車造型分析研究進展
        1.2.1 基于經驗的造型分析
        1.2.2 汽車造型家族化分析
        1.2.3 基于機器學習的造型分析
    1.3 基于圖像的三維重建研究進展
        1.3.1 人臉三維重建
        1.3.2 汽車三維表示與重建
    1.4 主要工作
    1.5 本章小結
2 深度學習技術簡介
    2.1 神經網絡的發(fā)展
    2.2 神經網絡的原理
        2.2.1 多層感知器
        2.2.2 梯度下降法
        2.2.3 反向傳播
    2.3 卷積神經網絡
    2.4 本章小結
3 基于深度學習的汽車造型分析
    3.1 ResNet架構介紹
    3.2 類別激活映射
    3.3 數(shù)值實驗
        3.3.1 數(shù)據(jù)庫
        3.3.2 品牌前臉造型數(shù)據(jù)分類
        3.3.3 類別激活映射分析
    3.4 本章小結
4 基于深度學習的汽車造型建模
    4.1 汽車三維曲線模型
        4.1.1 汽車三維曲線模型
        4.1.2 形狀系數(shù)
    4.2 數(shù)據(jù)庫
        4.2.1 汽車多角度圖像數(shù)據(jù)庫
        4.2.2 汽車三維曲線模型數(shù)據(jù)庫
    4.3 數(shù)值實驗
        4.3.1 實驗平臺及參數(shù)設置
        4.3.2 模型尺寸統(tǒng)一化
        4.3.3 控制點與曲線采樣點
        4.3.4 重建誤差分析
    4.4 本章小結
結論
參考文獻
攻讀碩士學位期間發(fā)表學術論文情況
致謝


【參考文獻】：
碩士論文
[1]基于學習的汽車概念模型自動建模及其應用[D]. 孫瑋雪.大連理工大學 2017
[2]基于單視圖的汽車造型數(shù)字化建模研究[D]. 張學芳.大連理工大學 2015
[3]面向創(chuàng)新設計的汽車外形曲線曲面高效建模[D]. 戚一超.大連理工大學 2014
[4]基于約束形變的車身快速造型方法研究[D]. 李慶寶.大連理工大學 2013



本文編號：3152796