李寶軍，董 穎，趙德棟，王 博

（1.大連理工大學 汽車工程學院，遼寧，大連 116024；2.工業(yè)裝備結構分析國家重點實驗室，遼寧，大連 116024）

目前，產(chǎn)品的外觀造型與設計越來越得到企業(yè)的重視，正如RAVASI等[1]在設計管理理念中提到的，產(chǎn)品的設計或者造型不僅體現(xiàn)在功能和外觀上，同時也是表達并強化品牌獨特內(nèi)涵的一個強有力的、具有象征意義的媒介。PERSON等[2]指出，在商業(yè)環(huán)境中，品牌間激烈的競爭導致了品牌間造型的差異化和品牌內(nèi)造型的統(tǒng)一性，目的是使品牌具有強烈的辨識度，從而保證市場中的品牌家族化對消費群體的影響。因此，產(chǎn)品的外觀設計對于保持市場競爭力非常重要，尤其是獨特的、家族化的造型設計。對于汽車行業(yè)來說，汽車廠家，尤其是國內(nèi)自主品牌廠家，建立識別度高的家族化造型對提升品牌影響力具有重要意義。國內(nèi)外已有大量針對汽車造型、品牌認知以及家族化設計等的研究工作。MCCORMACK等[3]以如何發(fā)展并維持品牌形象為出發(fā)點，以別克前臉造型為例，提出利用形狀語法來分析品牌造型核心特征的方法。BLUNTZER等[4]利用造型線框等特征從汽車造型與國家文化關系的角度分析了法國車系的造型設計特點。HYUN等[5]基于層級聚類的方式分析車身側面造型相似度，并可以預測設計趨勢。BURNAP等[6]提出汽車前臉設計中對自由設計與保持品牌識別進行權衡，能夠為企業(yè)造型設計決策提供幫助，反映了品牌家族化對于汽車前臉設計的重要性。

對于品牌的家族化造型，研究者通常采用分析特征線等造型基因的方式展開研究，如奧迪品牌的造型基因研究[7-8]，劉澳[9]通過描繪前臉特征線分析了多個品牌前臉的家族化造型基因。

這些基于造型特征線的品牌基因分析方法雖然可行，但人工介入工作繁瑣，需要根據(jù)人的主觀感受對造型基因進行提取。同時，需要開展大量調(diào)研工作，調(diào)查消費者與設計師對汽車造型的認知。為了更好地解決這些問題，提出對前臉造型特征的計算化分析方法，即利用模式識別算法對汽車品牌造型特征進行分析與分類。該方法無需人工選擇造型特征，而是用計算機視覺技術自動提取特征并進行分析。該分析方法能夠提取品牌的核心基因，完整呈現(xiàn)家族化的前臉造型，并且將品牌造型相似分布可視化等。本研究為汽車前臉造型的家族化分析研究工作提供了新的思路。

1 基于前臉的汽車品牌細粒度分類

采用基于計算機視覺的汽車品牌分類方法進行汽車家族化造型分析有兩方面原因：一方面，人工智能的興起使基于計算機視覺的圖像處理、機器學習等技術飛速發(fā)展，汽車品牌的分類識別問題得到了廣泛的研究；另一方面，中國龐大的汽車市場為汽車的識別、造型分析等提供了大規(guī)模數(shù)據(jù)，為計算機視覺方法對汽車造型大數(shù)據(jù)進行分析和挖掘提供了基礎。

在當今的汽車造型設計領域，造型家族化成為汽車企業(yè)關注的重點，也是品牌發(fā)展的重要戰(zhàn)略之一。很多汽車品牌的造型設計已具有家族化特征，如奧迪、寶馬、奔馳、大眾、起亞等。因此，可以試圖尋找品牌下所有車型共有的、家族化的造型模式，進行品牌家族化造型的識別與分析。由此提出了利用圖像處理、深度學習等計算機視覺技術，對汽車前臉造型大數(shù)據(jù)進行精確分類，進而展開對品牌家族化造型的分析。

1.1 汽車前臉造型

選取汽車前臉造型作為汽車品牌家族化設計的研究對象，一方面在于汽車前臉造型對品牌家族化的體現(xiàn)、品牌認知等影響較大[3,6]，比如RANSCOMBE等[10]采用造型分解法分析了汽車造型中審美特征對消費者認知汽車品牌的影響，結果表明，相對汽車側視圖和后視圖，汽車前視圖對消費者認知品牌的影響最大，說明汽車前臉造型是品牌家族化表達的重要媒介。

另一方面，在汽車品牌與型號的細粒度分類任務中，通常選取汽車前臉作為特征提取的對象。例如，PEARCE[11]比較了幾個基于前臉造型的汽車品牌與型號識別方案，并提出了LNHS的特征表示方法。GAO等[12]基于汽車前臉造型提出了改進后的卷積神經(jīng)網(wǎng)絡LTCNN，實現(xiàn)了汽車品牌的細粒度分類。這些研究證明汽車前臉造型包含了能夠區(qū)分汽車品牌或型號的特征，即家族化特征，而且可通過計算機視覺技術提取這些特征并用來分類。

綜上所述，本研究選取汽車前臉作為研究對象，對汽車品牌家族化造型進行分析，并建立基于中國市場的大規(guī)模汽車前臉圖像訓練庫，訓練庫的具體信息將在數(shù)值試驗部分詳細介紹。

1.2 汽車品牌細粒度分類

當前的汽車品牌分類方法通常包含兩大技術組成部分：特征表示方法與分類器。傳統(tǒng)的特征表示方法，如HOG等，具有特征信息少等缺點，而基于神經(jīng)網(wǎng)絡的深度學習方法，如卷積神經(jīng)網(wǎng)絡等，雖然特征信息豐富，但大量的參數(shù)調(diào)節(jié)以及多層的網(wǎng)絡結構對計算性能要求較高。因此，選取CHAN等[13]提出的簡單深度學習網(wǎng)絡PCANet作為特征表示方法，同時選取FAN等[14]基于SVM開發(fā)的Liblinear工具包作為分類器，用于訓練分類模型。PCANet所具備的層級結構能夠提取到多級的特征表示，從而保證豐富的特征信息。同時，PCANet特征提取過程的計算成本較小，因此能夠快速提取到充足的特征信息。而SVM是一種監(jiān)督的學習模型，對高維度特征信息的分類具有一定優(yōu)勢?；赟VM開發(fā)的Liblinear工具包對具有高維度信息的大量樣本線性分類效果好、速度快。

LI等[15]具體研究了基于PCANet與SVM的汽車品牌識別問題，在數(shù)據(jù)集的交叉驗證測試中，達到了95%以上的正確率，驗證了該方法的有效性。汽車品牌分類流程如圖1所示。

圖1 汽車品牌分類流程圖

2 汽車品牌前臉造型的計算分析

確定了汽車前臉造型訓練庫和汽車品牌的細粒度分類方法后，首先用分類方法對汽車前臉造型訓練庫進行分類訓練，得到分類模型；然后對汽車前臉造型訓練庫進行留一法交叉驗證測試(leave-oneout cross validation)?；诜诸惸Ｐ鸵约敖徊骝炞C測試結果，可以做以下分析：（1）獲得品牌造型核心基因表示。（2）獲得品牌“家族化臉譜”。（3）實現(xiàn)品牌間前臉造型相似度分析與評估。基本的分析流程如圖2所示。

圖2 汽車品牌前臉造型分析流程圖

2.1 品牌造型核心基因

對汽車前臉造型訓練庫按品牌進行分類訓練，將得到汽車品牌分類模型。利用SVM實現(xiàn)圖像分類（one-vs-the rest）時，對應訓練數(shù)據(jù)庫的每個類別，分類模型中包含一個權值向量。通過這些權值向量與測試樣本特征向量的乘積運算，將得到對應類別的分類識別判斷值。找到其中的最大值，則認為對應最大值的權值向量的類別為識別的結果。

線性SVM的分類原理是尋找一個最優(yōu)超平面，使某個類別的樣本能夠在最大程度上與其它類別得以區(qū)分。訓練得到的權值向量則代表了每個類別的超平面信息，它們反映了每個類別中樣本的共同特征，并且能用于區(qū)分其它類別的特征。

由于這些權值向量是在對汽車前臉造型特征的品牌分類訓練中得到的，所以每個權值向量能夠反映對應品牌下所有車型共有的造型特征和區(qū)別于其它品牌的造型特征。為此，在汽車品牌分類模型中，將這些權值向量稱為品牌的造型核心基因。

基于品牌造型核心基因，一方面可以根據(jù)新一代車型的前臉造型判斷該車型的品牌，評估其是否具備家族化的造型特征；另一方面，可以進一步比較和分析不同品牌的造型核心基因，進行品牌造型家族化的特征判定和品牌間家族特征的差異化分析。

2.2 家族化臉譜

在汽車品牌分類識別中，同一品牌內(nèi)識別正確的汽車造型圖片所對應的判斷值大小并不相同，這些判斷值的大小可認為是與品牌家族化造型設計的符合程度或相似度。某品牌一款車型的造型樣本的判斷值大，說明該車型的造型風格與該品牌的家族化風格符合程度大；而一款車型的造型樣本的判斷值小，則說明該車型的造型風格與該品牌的家族化風格符合程度較小。所以，將某品牌內(nèi)的汽車前臉造型圖片的判斷值按降序排序，可得到代表家族化造型設計的車型排名。可選取前十個值對應的車型，并認為這十款車型的造型設計為該品牌前臉造型的家族化設計代表。為了更加明確地、唯一地和直觀地表示出家族化造型設計，下一步可利用這十款車型構造出品牌的家族化前臉造型，即“家族化臉譜”。

2.3 品牌間前臉造型交叉分析

隨著汽車品牌分類與識別技術的發(fā)展，品牌或車型的識別率不斷提升。排除圖片質(zhì)量等原因?qū)ζ放谱R別帶來的問題，可以認為分類識別“錯誤”的情況是由于品牌間車型造型較高的相似度[16]所造成的。因此，可以利用品牌分類識別錯誤的結果，分析品牌間家族化造型的相似性。

得到分類識別結果后，對某品牌識別成其它品牌以及其它品牌識別成該品牌的兩組結果進行可視化處理，得到品牌間前臉造型交叉圖（圖3）。由圖可知，粗線框圍起的A-G區(qū)域分別代表識別為A-G不同汽車品牌的車型分布，其中，虛線圍起的BA區(qū)域代表B品牌識別為A品牌的結果，AB區(qū)域則代表A品牌識別為B品牌的結果，其它同理。這樣的品牌造型交叉融合圖可以直觀分析多個品牌間的造型相似情況。

圖3 品牌間造型交叉示意圖

3 數(shù)值試驗

在此將結合建立的汽車前臉造型訓練庫，以及開發(fā)的汽車品牌前臉造型家族化分析系統(tǒng)（AutoMorpher/iBrandGene）進行實例分析。

3.1 汽車前臉造型訓練庫

圖4 轎車前臉造型訓練庫奧迪品牌部分圖片

圖5 轎車前臉造型訓練庫大眾品牌部分圖片

建立汽車前臉造型訓練庫后，對數(shù)據(jù)庫中所有車型年代信息的統(tǒng)計情況如圖6所示。該年份統(tǒng)計整體上符合當前國內(nèi)道路上的車輛年份分布。

與針對汽車細粒度分類任務所建的汽車數(shù)據(jù)庫[17]不同，本文數(shù)據(jù)庫包含只保留主要造型區(qū)域且去除背景后的汽車前臉正視圖，不僅可以實現(xiàn)汽車品牌的細粒度分類問題，還能夠根據(jù)分類結果對汽車前臉造型加以分析。

3.2 汽車品牌造型分析系統(tǒng)

根據(jù)本文采用的汽車品牌細粒度分類方法和創(chuàng)建的汽車前臉造型訓練庫，基于Matlab軟件平臺，開發(fā)了汽車品牌造型分析軟件——AutoMorpher/iBrandGene，主界面如圖7所示。該軟件通過選取分類方法，對訓練庫進行分類訓練以及留一法交叉驗證后，便可直接對汽車品牌的造型基因、家族化造型臉譜以及品牌間造型的交叉融合進行分析。

圖6 汽車前臉造型訓練庫年份統(tǒng)計

圖7 汽車品牌造型分析軟件界面

目前，基于PCANet與SVM的汽車品牌精確分類方法在轎車和SUV數(shù)據(jù)集中的交叉驗證均達到95%以上的準確率[15]，這在當前的汽車品牌分類與識別領域達到了較高甚至領先的水平。由此認為交叉驗證中識別“錯誤”的結果，是由不同品牌間車型造型相似所導致的。因此，該方法具有較強的提取家族化造型特征，并進行特征分析、分類的能力，從而認為基于該方法所進行的品牌造型分析，包括核心基因分析、家族化臉譜分析及造型相似度分析是合理且有效的。

3.3 汽車品牌造型分析

首先利用分類方法對汽車前臉造型訓練庫進行分類訓練，得到分類模型，然后基于汽車前臉造型訓練庫進行留一法交叉驗證測試。最終得到的轎車品牌的綜合識別率達到96.08%，其中各品牌識別率統(tǒng)計情況如圖8所示。

通過圖8可以初步判斷德系、法系等歐洲汽車品牌，如奧迪、大眾、沃爾沃等的品牌識別率較高，這與造型領域相關專家、研究者及社會消費者等對這些品牌前臉造型家族化程度較高的認知相符合。而日系、韓系，以及國產(chǎn)品牌等，它們的品牌識別率相對較低，反映出品牌前臉造型的家族化程度較低。這些結果可以由不同汽車品牌有不同的設計策略或市場策略[5]來解釋。但另一方面，汽車造型向著家族化方向發(fā)展的潮流，反映出部分品牌仍然可以加強家族化造型的設計。本研究可為品牌家族化造型分析與設計提供依據(jù)與參考。根據(jù)分類模型和分類識別結果，下面進行具體的造型分析。

圖8 轎車前臉造型訓練庫識別結果統(tǒng)計

3.3.1 品牌造型核心基因

以80例2型糖尿病合并胃潰瘍患者作為該次研究對象，選擇電腦分配方式作為分組原則，分為兩組（觀察組40例與對照組40例）。

以轎車品牌A、B為例，獲得轎車前臉造型訓練庫的分類模型后，便可得到A、B兩個品牌的造型核心基因，即用于分類的權重向量。由于PCANet所提取的造型特征參數(shù)的維度較高，所以SVM訓練得到的品牌造型核心基因維度較高。為了直觀反映這些品牌造型基因的特點與差異，進行簡單的可視化處理，得到品牌造型核心基因表達圖，如圖9所示。根據(jù)不同品牌的造型核心基因的不同分布，分析不同品牌家族化造型之間的差異。例如，兩個品牌造型基因表達圖中紅色矩形框區(qū)域呈現(xiàn)不同的分布，可根據(jù)這些信息對不同品牌的造型特征進行分析，尋找品牌家族造型的顯著性特征。由于PCANet特征提取過程的復雜性，導致基因參數(shù)不能直接還原到造型圖像中，所以將在下一步工作中具體研究品牌造型核心基因。此外，根據(jù)SVM分類識別的原理，品牌造型的核心基因可以用來判斷與評估車型造型的家族歸屬和家族化程度。因此，可利用品牌造型核心基因為品牌家族化造型設計提供參考。

圖9 轎車造型核心基因圖

3.3.2 家族化臉譜

以國內(nèi)某汽車品牌為例，根據(jù)車型造型圖片識別判斷值的車型圖片排序如下。該品牌前十款代表車型造型圖片見表1。根據(jù)表1中的10張車型圖片，利用計算攝影學中的“平均臉”技術，可初步生成該品牌的家族化造型圖像，稱為品牌“平均車臉”，如圖10所示。初步生成的家族化造型圖像是模糊的，并不能清晰表達家族化造型特征信息。因此，得到代表家族化造型特征的圖像后，請專業(yè)造型設計師從中提取特征，渲染后可得到家族化前臉造型圖像，稱為“家族化臉譜”，如圖11所示。

表1 某品牌前十款代表車型圖片

圖10 某品牌“平均車臉”

圖11 某品牌“家族化臉譜”

3.3.3 品牌間造型交叉分析

在留一法交叉驗證的分類識別結果中存在“錯誤”識別的樣本。而出現(xiàn)“錯誤”識別的原因主要有兩方面：一方面，不同品牌間的車型造型存在相似情況；另一方面，由于數(shù)據(jù)庫中車型的年份跨度較大，存在造型改變較大導致品牌造型核心基因變化的情況，此時可能會被識別為其它品牌的造型。

因此，為了更加直觀地顯示這些“錯誤”識別的車型，更加方便地分析品牌間的造型相似性，提出品牌間造型交叉分析，即得到分類結果后，對某品牌識別為其它品牌的樣本分布，以及其它品牌識別為該品牌的樣本分布進行可視化處理，得到某品牌與其它多個品牌的造型交叉融合圖，如圖12所示。通過圖12可以整體上觀察某品牌與其它品牌之間車型的造型相似情況，軟件中還可以通過點擊圖中樣本點來查看具體相似的車型。與量化分析汽車品牌間造型的相似度方法[5]不同，基于汽車品牌識別的品牌間造型交叉圖并沒有從數(shù)值計算的角度衡量品牌造型間的相似度大小，而是對品牌間造型相似情況進行直觀呈現(xiàn)，以此輔助造型設計師進行分析。更重要的是，根據(jù)年份信息，可以分析每年品牌的核心基因、家族化臉譜和品牌間的造型相似性，以便對各品牌造型的演變趨勢進行分析，預測下一代車型的造型設計。

圖12 品牌造型交叉效果圖

4 結論

明分使群：提出了基于汽車品牌細粒度分類的汽車品牌前臉造型計算分析方法，創(chuàng)建了汽車前臉造型訓練庫，并開發(fā)了汽車品牌造型分析軟件。利用汽車品牌細粒度分類方法對訓練庫進行分類訓練，得到分類模型；基于數(shù)據(jù)庫對汽車品牌精確分類方法進行留一法交叉驗證，得到分類識別結果。分類模型記錄了能夠區(qū)分品牌種群的造型模式，而分類識別結果則具體對品牌中每個個體進行歸類。

和而不同：根據(jù)分類模型和分類識別結果，提出了品牌家族化造型的分析方案：（1）提取分類模型中品牌造型核心基因。（2）基于品牌內(nèi)正確的分類識別結果，利用排序后的識別判斷值選出家族化造型代表車型，進而生成“家族化臉譜”。（3）將品牌間“錯誤”的分類識別結果可視化，直觀顯示品牌間造型的相似性分布。由上述分析內(nèi)容可知，（1）和（2）著重品牌的家族化造型，即品牌內(nèi)車型共有的特征，稱為“和”；（3）所呈現(xiàn)“錯誤”識別的造型，可以從品牌內(nèi)造型設計創(chuàng)新的角度去分析，即“不同”。

與傳統(tǒng)的分析品牌造型特征線等造型特征方法不同，基于汽車品牌細粒度分類的品牌家族化造型的計算分析方法，為汽車品牌的家族化造型分析提供了新思路。該方法能夠根據(jù)汽車品牌前臉造型數(shù)據(jù)庫，自動分析各品牌不同的造型特征，尋找品牌家族化的造型模式?；谠摲椒?，提出了一系列具體分析方案，這些方案既可以將汽車品牌的家族化造型可視化，幫助造型設計師分析家族化造型特征；又可以幫助設計師分析當前的造型趨勢，在設計新一代汽車前臉造型時為設計師提供參考。然而，該方法的局限性在于未能對造型元素定量化進行分析，從而為實現(xiàn)造型設計提供客觀可能性，這將在未來的工作中加以探究。

此外，文中還有其它問題未予考慮，例如，車型銷量對家族化造型設計的影響，基于造型特征線的造型基因分析等。