汽车前脸,是汽车品牌家族化的最核心部分之一。设计师通过其传达设计理念,也是消费者对汽车的第一直观感受。同时,多元化和个性化的迫切需求使得前脸造型复杂多变。设计师通过专业软件来进行汽车造型设计,操作复杂繁琐,因此高效而准确地提取汽车前脸几何特征是优化汽车设计流程的关键。此外,汽车图像的精确几何特征提取及标注可广泛应用于汽车型号细粒度分类、汽车部件提取及状态检测等场景。为此,本文提出了基于深度学习的汽车前脸多类几何特征自动提取方法,不仅可提升设计阶段效率,同时对自动驾驶及智慧交通等领域具有重要意义。本文做了如下研究工作:·创建了统一的汽车前脸标注数据集Auto Morpher/FFD-Cars22,适用于汽车前脸的部件检测、语义分割、特征点定位等问题。本数据集收集了4457张汽车正视图,并经过了适当的处理,涵盖中国市场常见的22个销售品牌。·提出了面向汽车前脸部件检测和语义分割方法。本文使用Refine Det检测方法对汽车前脸进行部件检测,因其使用了两阶段的检测思想和特征融合的操作,在不发生漏检和重复检测的情况下,精度远远超过YOLO和SSD。进一步地,采用Deep Lab算法进行汽车前脸的语义分割,得益于Deep Lab使用的随机条件场和空洞卷积,与FCN、Mask-RCNN相比,本文算法可实现高效的汽车前脸语义分割。·提出了面向汽车前脸的两个高效关键点提取方法。首先,本文提出DAN-Dense Net,由于其具有更深的网络结构和更复杂的特征表示,实验表明其精度较原网络可提升6.4%。进而,本文提出了DAN-Mobile Net算法,其在保持原网络99%精度的同时,可将原网络的运行时间缩短8%。本文基于深度学习,实现了多种汽车前脸几何特征的高效率、精确的提取与分割,同时创建了与算法匹配的汽车前脸标注数据库Auto Morpher/FFD-Cars22。