车身前脸造型参数化模型的全自动提取方法

摘要

本发明提供了一种车身前脸造型参数化模型的全自动提取方法。在重建参数化模型过程中，能够判定不同部件的结构特征，对应两种不同模板重建出参数化模型。通过车身区域轮廓线点集自身匹配的方法提取车身前视图的对称轴，利用图像分割的结点及最优路径的计算，结合模板关键点位置约束、特征线形状约束、模型全局约束，利用动态规划的方法优化特征曲线与图像特征点的覆盖率重建出参数化模型。对给定车身图像，可以全自动重建其对应的参数化模型，并能够对不同结构特征的各个部件进行提取。通过分析车身前视图的结构特征，能够采用统一的算法对不同车型的参数化模型进行提取。

说明书

技术领域

本发明涉及一种车身前脸造型参数化模型的全自动提取方法，同时，在提取参数化模型过程中，能够对前视图的不同部件的不同结构进行识别提取。

背景技术

车身CAD分析可以大大提高汽车设计效率，加速设计周期。而由单幅图像重建车身三维模型少不了二维参数化模型的重建。车身二维参数化模型的精确提取有助于进一步的车型分析，提高海量图像数据的重用率，以及提升利用图像重建三维模型的高效性。

发明内容

针对现有的挑战，本发明提出了一种车身前脸造型参数化模型全自动精确提取技术。

车身前脸造型参数化模型的全自动提取方法，步骤如下：

(1)参数化模板定义：按照车身前视图格栅的布局以及车灯的个数采用2种不同的参数化模板，为单格栅参数化模板和双格栅参数化模板，如图2所示；

(2)车身前视图对称轴提取：车身前视图为对称结构，利用对称轴的位置对车身结构进行分析；借助于CRF-RNN(Conditional Random Fields as Recurrent NeuralNetworks)方法提取到的车身区域，计算车身区域边界离散点；进一步利用PR-GLS(Non-Rigid Point Set Registration by Preserving Global and Local Structures)点集配准的方法对边界离散点集以及水平翻转的边界离散点集进行匹配；根据匹配结果得到一系列对称点对，通过最小二乘法对对称点对的中点进行直线拟合得到车身前视图的对称轴；

(3)图像旋转及尺寸调整：根据步骤(2)得到的对称轴以及车身区域，旋转图像以使对称轴位于垂直方向，并以车身区域为边界约束裁剪图像以使车身在图像中的占比最大化；进一步，为了保证算法与图像尺寸之间的独立性，采用一致缩放的方法将图像的宽度变为1000像素单位，经测试，在此尺寸下，结果精度和计算时间都在接受范围：更宽的图像需要更多的计算时间，太小的尺寸会丢失一些重要的边界。

(4)车身图像分割：利用gPb(globalized probability of boundary)图像分割的方法对车身前视图图像进行图像分割，从分割结果中得到分割结点以及任意两个结点的联结路径；

(5)参数化模型自动重建：

1)图像特征点提取：首先利用Canny边界提取算子得到初始的图像显著特征点；参数化模型自动重建的优化目标：确保重建的参数化模型与显著特征点的覆盖率最大；

2)分割结点之间的最优联结路径：对任意两个结点，从分割的结果中得到多条联结路径，对每一条路径拟合为二次贝塞尔曲线，选择对显著特征点覆盖率最大的一条路径为两结点之间的最优路径；

3)参数化模型自动重建：将前视图参数化模型分为四部分：外轮廓、车窗、前视图格栅和车灯；对每一部分的关键点列，结合关键点之间的位置拓扑约束以及特征曲线的形状约束，利用动态规划的方法，以最大覆盖率为目标依次对四部分进行参数化模型的精确提取。

本发明对比已有技术具有以下创新点：

1)对车身前视图自动重建其参数化模型。

2)车身前视图对称轴的自动提取。

3)将车身按照不同的结构特征进行分类。

本发明的有益效果：

1)对给定车身前视图的参数化模型的自动重建。对给定车身图像，可以全自动重建其对应的参数化模型，并能够对不同结构特征的各个部件进行提取。

2)通过分析车身前视图的结构特征，能够采用统一的算法对不同车型的参数化模型进行提取。

附图说明

图1为本发明的流程图。

图2(a)为车身前视图单格栅参数化模板示意图。

图2(b)为车身前视图双格栅参数化模板示意图。

图3为车身区域边界离散点集与自身水平翻转点集匹配结果图。

图4为车身图像分割结果及结点图。

图5为图像特征点提取结果图。

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。

(1)参数化模板定义：按照车身前视图部件格栅以及车灯的个数采用了2种不同的参数化模板。考虑单格栅参数化模板(图2(a))及双格栅参数化模板(图2(b))；对称轴单侧存在上下两个车灯结构或单侧仅有一个车灯结构。

(2)车身前视图对称轴提取：车身前视图为对称结构，可以利用对称轴的位置对车身结构进行分析。借助于深度学习算法CRF-RNN(Conditional Random Fields asRecurrent Neural Networks)方法提取到的车身区域。计算车身区域边界离散点。进一步利用PR-GLS(Non-Rigid Point Set Registration by Preserving Global and LocalStructures)点集配准的方法对边界离散点集以及水平翻转的边界离散点集进行匹配。如图3所示。根据匹配结果可以得到一系列对称点对，通过最小二乘法对对称点对的中点进行直线拟合得到车身前视图的对称轴。

(3)图像旋转及尺寸调整：根据(2)得到的对称轴以及车身区域，旋转图像以使对称轴位于垂直方向，并以车身区域为边界约束裁剪图像以使车身在图像中的占比最大化。进一步，为了保证算法与图像尺寸之间的独立性，采用一致缩放的方法将图像的宽度变为1000像素单位，经测试，在此尺寸下，结果精度和计算时间都在接受范围：更宽的图像需要更多的计算时间，太小的尺寸会丢失一些重要的边界。

(4)车身图像分割：利用gPb(globalized probability of boundary)图像分割的技术对车身前视图图像进行图像分割。从分割结果中可以得到分割结点以及任意两个结点的联结路径。为了保证对任意车身图像得到完整的分割结果，通过上百种不同车身图像分析，本发明采取阈值＝0.1对所有车身图像进行图像分割。如图4所示。

(5)参数化模型自动重建：

1)图像特征点提取：首先利用Canny边界提取算子得到初始的图像显著特征点。如图5所示。参数化模型自动重建的优化目标是要重建的参数化模型与显著特征点的覆盖率最大。

2)结点之间的最优联结路径：对任意两个结点，可以从分割的结果中得到多条联结路径，对每一条路径上的分割边缘点拟合为二次贝塞尔曲线，选择对显著特征点覆盖率最大的一条路径为两结点之间的最优路径。最终将所有结点之间的最优曲线及相关覆盖率存储为矩阵形式。

3)参数化模型自动重建：将前视图参数化模型分为四部分：外轮廓、车窗、前视图格栅、车灯。对每一部分的关键点列，结合关键点之间的位置拓扑约束以及特征曲线的形状约束，利用动态规划的方法，以最大化覆盖率为目标依次对四部分进行参数化模型的精确提取。如表1-4所示

表1外轮廓提取曲线及约束条件

表2前视图格栅提取曲线及约束条件

表3前视图车窗提取曲线及约束条件

表4前视图车灯提取曲线及约束条件

我们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。