CN101334835A - 颜色识别方法 - Google Patents

Abstract

一种颜色识别方法，包括：确定图像中待识别物的特征区域，识别特征区域内像素点的颜色，对所述像素点的颜色进行统计，获取区域颜色识别的特征向量，并据此识别出用于代表待识别物颜色的特征区域的颜色。应用本发明可减少计算量、加快计算速度、提高识别准确率。

Description

颜色识别方法

技术领域

本发明涉及图像处理技术领域，具体的说，涉及的是一种对图像中的待识别物的颜色进行识别的方法。

背景技术

在有些情况下，我们需要对所摄取图像中的特定目标进行处理，以获得包括该特定目标的类别、及其在图像中的位置、形状、大小、甚至是颜色等在内的各种特征，进而利用所获取的各种特征应用于不同的使用环境中。

以现普遍实施的车辆监控为例，在治安卡点与高速公路收费站等场所，可通过架设的智能交通监控系统中对交通道路上的车辆进行监控，例如可通过摄像机实时抓拍以获取高清晰的车辆静态图像，利用相关的识别技术从车辆图像中获取准确的车辆相关信息(如车牌号码、车型特征、车辆品牌、或车身颜色等)。其中，作为车辆信息中重要部分的车身颜色，通过识别技术获取后可与其它信息，例如车牌号码共同地或单独地广泛应用于多种场合，例如查找遗失车辆、查处违章或肇事车辆，以及协助车辆盗抢案件的侦破等。

参考文献(《车辆识别系统中几个关键技术的研究》，王运琼，四川大学博士论文，2004)中阐述了一种利用视频识别汽车颜色的方法，该方法首先利用视频传感器获得包括背景在内的车辆视频图像，通过图像分割方法去除背景以获得车辆的完整图像。而汽车颜色识别就是根据分割出的车辆图像，提取适合于分类的颜色特征，将车身主体颜色分类到指定的颜色类别中，而每种类别中有数量不等的标准颜色值样本。该方法包括根据标准颜色值样本识别出车辆图像中所有单像素点的颜色，然后根据每个像素在不同车型中对车身主体颜色的不同贡献度，将它们进行融合，得到可基本反映车身颜色的最终识别结果。

上述参考文献主要是从多类分类器的角度，利用支持向量机(SupportVector Machine，SVM)较强的泛化性能，利用线性不可分样本集的模糊支持向量机与最小二乘支持向量机的方法解决线性可分颜色分类问题，克服了训练样本集各类别分布不均衡导致的分类错误，通过logistic回归支持向量机方法解决组合多类分类器特有的阴影区域问题，提高了单像素颜色识别准确率。而在车身颜色识别阶段，充分利用了D-S证据理论处理不确定信息的优秀性能，减少了与车身颜色不一致的车轮、车胎、车窗等对车身颜色识别的影响，相对提高了识别的速度及其准确率。

然而，上述应用于车身颜色的识别方法采用的是基于动态图像的算法，相对基于静态图像的算法，动态算法所要求的计算量较大，且所得识别结果的精确度也相对较差；另外，上述颜色识别方法是对去除背景后的整个车辆视频图像内所有像素点进行颜色识别，不仅计算量大，而且因引入了车辆图像中不能代表车身颜色的区域，如车窗等而导致可靠性较差、识别精确度较低。而为了提高可靠性，还需额外采用基于人工统计经验值的D-S证据理论手段来消除包括车轮、车灯、车窗等位置的颜色所产生的干扰，如此易影响识别系统的通用性并增加系统的复杂度。

发明内容

本发明提供一种颜色识别方法，减少识别的计算量、提高颜色识别的准确率。

本发明提供一种颜色识别方法，包括：确定图像中待识别物的特征区域，所述特征区域的颜色能用于代表待识别物的颜色；识别特征区域内像素点的颜色，对所述像素点的颜色进行统计，获取区域颜色识别的特征向量；根据所述特征向量，识别出用于代表待识别物颜色的特征区域的颜色。

可选的，所述获取特征向量包括：通过用于像素点颜色识别的支持向量机分类器，识别特征区域内像素点的颜色；统计特征区域内每种颜色的像素点所占比例并对其进行归一化处理，形成与像素点的颜色对应的多维向量，作为区域颜色识别的特征向量。

可选的，所述识别用于代表待识别物颜色的特征区域的颜色通过用于区域颜色识别的支持向量机分类器实现。

可选的，所述识别特征区域内像素点的颜色包括：对建立的像素点颜色决策分类树各结点上的训练样本集进行支持向量机训练，得到各结点上用于像素点颜色识别的支持向量机分类器；根据决策分类树与各结点上用于像素点颜色识别的支持向量机分类器，识别特征区域内各像素点的颜色。

可选的，所述决策分类树包括：将像素点颜色按红、黄、蓝、绿进行粗分类，以形成根结点；将根结点中红、黄、蓝、绿分别与灰色系列进行分类，以形成一级结点；根据颜色分布的实际情况，分别对一级结点中的红、蓝、绿、以及灰色系列进行细分类，以形成二级结点。

可选的，所述建立训练样本集包括：从标准颜色块以及成像环境较好的待识别物图像中选择各颜色的正常样本；通过先验知识与实际待识别物颜色相结合的方法来选择各颜色的边界样本，以得到能反映颜色分布的训练样本集。

可选的，所述选择各颜色的边界样本包括在HSV颜色空间中，通过固定色调分量H，调节饱和度分量S与亮度值分量V，选择彩色系列与灰色系列的边界样本；以及通过调节色调分量H选择彩色之间的边界样本；进一步包括从视觉上比较接近的不同颜色的待识别物颜色图片样本中选择；还包括选择训练过程中产生的支持向量作为边界样本。

可选的，所述对决策分类树各结点上的训练样本集进行支持向量机训练包括：选择CIE_Lab颜色空间的三维特征值作为特征向量；观察每层分类样本的分布规律，选定每个支持向量机分类器的核函数类型，并通过交叉验证的方法来选择最终的核函数类型及相关参数；采用增量训练方法，进行多次反馈训练，获得用于像素点颜色识别的支持向量机分类器。

可选的，所述用于区域颜色识别的支持向量机分类器包括通过用所建立的区域颜色训练样本集进行支持向量机训练得到。

可选的，所述区域颜色训练样本集包括：在训练图库中，观察每个特征区域的像素点颜色分布情况，对分布情况进行归类统计，去除每种颜色类别的噪声样本后，初步形成每种颜色类别的样本库；在所述每种颜色类别的样本库中，筛选出正常样本与边界样本，以正常样本与边界样本形成的集合作为最终的区域颜色训练样本集。

可选的，所述正常样本包括选择能够明显与其他区域颜色类别区分的像素点颜色分布特征，作为识别的正常样本。所述边界样本包括遍历任意两种颜色类别，对所述两种颜色类别的样本库中的样本进行两两比较，选择样本欧式距离较小的两类样本作为边界样本。

可选的，所述用所建立的区域颜色训练样本集进行支持向量机训练包括：选择与像素点的颜色对应的多维向量作为区域颜色识别的特征向量；观察样本的特征向量分布规律，选定每一个支持向量机分类器中的核函数类型，并通过交叉验证的方法来选择最终的核函数类型及相关参数；采用增量训练方法，进行多次反馈训练，获得用于区域颜色识别的支持向量机分类器。

可选的，通过用于像素点颜色识别的支持向量机分类器识别像素点颜色与用于区域颜色识别的支持向量机分类器识别区域颜色的过程中，进一步包括对支持向量机的优化处理。所述优化处理包括线性核运算的化简与高斯核运算的加速。

可选的，所述特征区域内像素点包括特征区域内的所有像素点或通过采样得到的特征区域内的部分像素点。

与现有技术相比，本发明颜色识别方法通过用于像素点颜色识别的支持向量机分类器识别出特征区域内各像素点的颜色，进而得到特征区域的像素点颜色分布，并以此获得区域颜色识别的特征向量，通过用于区域颜色识别的支持向量机分类器识别出用于代表待识别物颜色的特征区域的颜色，减少计算量，提高识别准确率。

附图说明

图1为本发明的实施方式中颜色识别方法的流程示意图；

图2为本发明的实施方式中颜色识别方法用于识别车身颜色的实施例的示意图；

图3为本发明的实施方式中颜色识别方法中像素点颜色决策分类树的结构示意图；

图4为图1所示的颜色识别方法中步骤S102的具体流程图；

图5为本发明的实施方式中颜色识别方法用于像素点颜色识别的支持向量机训练的流程示意图；

图6为本发明的实施方式中颜色识别方法用于区域颜色识别的支持向量机训练的流程示意图。

具体实施方式

本发明的一个实施方式在特征区域内通过用于像素点颜色识别的支持向量机分类器识别特征区域内像素点的颜色，基于像素点颜色识别结果，统计出特征区域内各种颜色像素点的分布，以此获取区域颜色识别的特征向量；根据特征向量，通过用于区域颜色识别的支持向量机分类器识别出用于代表待识别物颜色的特征区域的颜色。下面结合附图与实施例对本发明技术方案作详细的说明。

图1显示了本发明实施例颜色识别方法的流程示意图，用于对图像中的待识别物进行颜色识别。需说明的是，在本实施例中，本发明实施例颜色识别方法是以车辆图像中的车身颜色识别为例进行说明的，但并不以此为限，所述待识别物还可以包括需要在图像中进行颜色识别的其他物体，例如建筑物、花卉等。该颜色识别方法包括下列步骤，首先进行步骤S100。

在步骤S100中，确定图像中待识别物的特征区域，所述特征区域的颜色能用于代表待识别物的颜色。在本实施例中，所述代表待识别物颜色的特征区域具有在所述区域内颜色变化缓慢、各像素点颜色基本一致的特点。现以汽车为例，针对汽车的车型特点，因为车身的车前盖区域内的颜色变化缓慢，各像素点颜色基本一致，即使存在反光，色彩变化也相对均匀，能代表车身颜色，因此我们选择从车辆图像中的车前盖区域中截取出一部分作为特征区域。在例如车身颜色识别的实际应用中，所述特征区域的中心可以根据已有的例如车牌定位技术定位的车牌区域或车窗定位技术定位的车窗区域等参考区域以及根据车辆区域的纹理特征与结构特征所构建的能量分布函数来定位的。因所述特征区域的定位技术并非本技术方案之重点，故在此不再另行赘述。

在本实施例中，所述特征区域具有一定的大小及形状，并可与车前盖区域的大小及形状相对应(如图2所示)。如图2所示，特征区域200可例如一块300×100大小的矩形区域，但并不以此为限，其大小及其形状另可作其他变动。例如，该特征区域的大小可根据设计要求及计算条件而改变，其形状另可选择例如圆形、菱形、椭圆或正多边形等规则形状，实际上，只要所述特征区域的颜色可代表车身颜色，其形状甚至可包括其他不规则形状。与现有技术中需要对图像中待识别物的所有像素点都进行颜色识别的方法相比，本发明利用特征区域来进行颜色识别可大大减少识别过程中的计算量，更可消除其他不能用于代表待识别物颜色的区域对颜色识别造成的干扰。接着，进入步骤S102。

在步骤S102中，识别特征区域内像素点的颜色，对所述像素点的颜色进行统计，获取区域颜色识别的特征向量。

请另参阅图4，其显示获取区域颜色识别的特征向量的具体流程图。如图4所示，首先进行步骤S102a。

在步骤S102a中，通过用于像素点颜色识别的支持向量机分类器，识别特征区域内像素点的颜色。在本实施例中，所述用于像素点颜色识别的支持向量机分类器可以通过对建立的像素点颜色决策分类树各结点上的训练样本集进行支持向量机训练而得到的。所述像素点颜色决策分类树可以为自顶向下的树形无环决策分类，但并不以此为限，所述像素点颜色的分类仍可有其他的变化形式。

在本实施例中，可以将颜色分为11种类别，具体包括：白色、银色、灰色(含灰与银灰)、黑色、红色(含红与暗红)、深蓝色、蓝色(含蓝与青)、黄色(含金黄与黄)、绿色(含绿与暗绿)、褐色(含浅褐与褐)、以及上述颜色以外的其他颜色(例如粉色或含无均匀分布的颜色)。但并不以此为限，仍允许作不同的扩展或划分，例如将颜色分为不同的类别，且对每一类别进行不同的细分等。

根据上述颜色分类，即可构建像素点颜色决策分类树。图3显示根据本发明实施例所构建的像素点颜色决策分类树的结构示意图。如图3所示，所述像素点颜色决策分类树包括：将像素点颜色按红、黄、蓝、绿进行粗分类，以形成根结点30；将根结点30中的红、黄、蓝、绿分别与灰色系列(包含白、银、灰、黑等)分类，以形成包括红与灰色系列、黄与灰色系列、蓝与灰色系列、以及绿与灰色系列的一级结点32；根据颜色分布的实际情况，分别对一级结点32中的红、蓝、绿以及灰色系列进行细分类，以形成二级结点34，具体包括：将红与灰色系列的一级结点32中的红细分为红、褐、金黄、及粉红，将灰色系列中的白、银、灰、黑进行细分；将黄与灰色系列的一级结点32中灰色系列中的白、银、灰、黑进行细分；将蓝与灰色系列的一级结点32中的蓝细分为蓝与深蓝，将灰色系列中的白、银、灰、黑进行细分；以及将绿与灰色系列的一级结点32中的绿细分为绿与青，将灰色系列中的白、银、灰、黑进行细分。

需要说明的是，在本实施例中，所述像素点颜色决策分类树仅为示例性说明，其包括以红、黄、蓝、绿的粗分类作为根结点，并以所述根结点为基础逐次形成一级结点、二级结点。但实际上，所述像素点颜色决策分类树的结构特征可以结合对识别准确率、识别速度、或系统复杂度等诸多要素综合考量后决定的。所述决策分类树并不以此为限，无论是决策分类树的树结构、结点分布、每一结点的颜色分类均可有不同的变化例。例如，为提高像素点颜色识别的准确率，仍可在图3所示的像素点颜色决策分类树中进行扩展及更为深入地细化，使其增加结点层次，形成例如包括三级结点或更细化的结点结构。或者，改变颜色分类的策略，提供不同结构的像素点颜色决策分类树，例如决策分类树可以包括将颜色粗分类为彩色系列与灰色系列，以形成根结点；对彩色系列的红、黄、蓝、绿分类以及灰色系列的银、白、灰或深灰与黑色的分类，以形成一级结点；根据实际情况进行的彩色系列与灰色系列的二次判别，以形成二级结点；对彩色系列中红、黄、蓝、绿更进一步的细分，以形成三级结点。

而像素点颜色决策分类树各结点的支持向量机分类器，可以根据建立的待识别物颜色的训练样本集进行像素点颜色识别的支持向量机训练来获得。具体来讲，所述待识别物颜色的训练样本集可以从标准颜色块以及成像环境较好的待识别物图像中选择各颜色的正常样本，并通过先验知识与实际待识别物颜色相结合的方法来选择各颜色的边界样本，以得到能反映颜色分布的训练样本集。

特别地，所述选择各颜色的边界样本包括：在HSV颜色空间中，通过固定色调分量H(将H分量定位在一种颜色上)，调节饱和度分量S与亮度值分量V，例如组合较小的饱和度分量S值与不同的亮度值分量V值，或组合不同的饱和度分量S值与较大或较小的亮度值分量V值选择红、黄、蓝、绿与灰色系列(白、银、灰、黑)的边界点；以及通过调节色调分量H选择彩色之间的边界点，并将其转换到CIE_Lab颜色空间作为各颜色的边界样本。另外，在相近的待识别物颜色图片中，观察其待识别物颜色样本，将不同颜色但视觉上比较接近的颜色作为待选择的边界样本，并使用计算工具(例如Matlab)观察其样本的分布来选择边界样本。再有，由于支持向量(包括训练过程中的离群点)包含在类别之间的边界向量样本集合中，因此进一步包括选择训练过程中产生的支持向量作为边界样本，从而抛弃一些非支持向量样本，减少下一次训练时的样本数。

在本实施例中，对特征区域内像素点的颜色，可以根据像素点颜色决策分类树与各结点的支持向量机分类器进行识别。具体来讲，首先根据决策分类树的根结点及对应所述根结点的支持向量机分类器进行红、黄、蓝、绿的粗分类。然后根据根结点的识别结果以及对应一级结点中红与灰色系列、黄与灰色系列、蓝与灰色系列、绿与灰色系列的支持向量机分类器进行分类；若为彩色系列，则根据一级结点的识别结果以及相应的二级结点中彩色系列细分类的支持向量分类器进行分类；若为灰色系列，则根据一级结点的识别结果以及相应的二级结点中灰色系列的支持向量机分类器进行分类，最终可识别出某一像素点的颜色。以此类推，即可得到特征区域内各像素点颜色的识别结果。在本实施例中，通过上述的识别处理，就可以识别出图2中代表车身颜色的特征区域200中各像素点的颜色。

另外，所述特征区域内像素点包括特征区域内的所有像素点或通过采样得到的特征区域内的部分像素点。现以均匀采样方式为例，在本实施例中，如图2所示，假设与车前盖区域的大小及形状相对应并用以代表车身颜色的特征区域200具有300×100的大小，则可在其中均匀采样部分像素点，例如600个像素点，这样可在确保识别准确率不降低的情况下，可相应减少像素点识别的计算量，提高识别效率。接着，进入步骤S102b。

在步骤S102b中，统计特征区域内每种颜色的像素点所占比例并对其进行归一化处理，形成与像素点的颜色对应的多维向量，作为区域颜色识别的特征向量。所述归一化处理可降低计算量并提高处理效率。在本实施例中，因像素点颜色共包括11种分类，因此可形成11维特征向量。

通过上述步骤S102a与S102b，即可获取反映特征区域内每种颜色的像素点所占比例的特征向量，接下来即会根据所述特征向量，识别出特征区域的颜色。

在步骤S104中，根据所述特征向量，通过用于区域颜色识别的支持向量机分类器，识别出用于代表待识别物颜色的特征区域的颜色。在本实施例中，所述识别用于代表待识别物颜色的特征区域的颜色通过用于区域颜色识别的支持向量机分类器实现。

在本实施例中，所述用于区域颜色识别的支持向量机分类器包括通过用所建立的区域颜色训练样本集进行支持向量机训练得到。具体来讲，所述区域颜色训练样本集包括：在训练图库中，观察每个特征区域的像素点颜色分布情况，对分布情况进行归类统计，去除每种颜色类别的噪声样本后，初步形成每种颜色类别的样本库；并在所述每种颜色类别的样本库中，筛选出正常样本与边界样本，以正常样本与边界样本形成的集合作为最终的区域颜色训练样本集。其中，所述正常样本包括：选择能够明显与其他区域颜色类别区分的像素点颜色分布特征，作为识别的正常样本。所述边界样本包括：遍历任意两种颜色类别，对所述两种颜色类别的样本库中的样本进行两两比较，选择样本欧式距离较小的两类样本作为边界样本。

在本实施例中，当本发明颜色识别方法应用于图2所示的车辆图像中时，即可判定得到所定位出的特征区域200中的颜色的具体分类。

上述步骤S102a中所述各结点的支持向量机分类器，是根据建立的待识别物颜色的训练样本集进行像素点颜色识别的支持向量机训练来获得。所述像素点颜色识别的支持向量机训练的具体流程如图5所示，首先进行步骤S500。

在步骤S500中，选择CIE_Lab颜色空间的三维特征值作为特征向量。由于CIE_Lab颜色空间的优点在于颜色接近均匀分布，与人眼对颜色感知类似，且CIE_Lab颜色空间的色差也接近欧式距离，有利于用支持向量机进行分类，因此，在像素点识别阶段以CIE_Lab颜色空间的三维特征值作为分类的特征向量。接着，进入步骤S502。

在步骤S502中，观察每层分类样本的分布规律，初步选定每个支持向量机分类器的核函数类型，并通过交叉验证的方法来选择最终的核函数类型及相关参数。在本实施例中，使用计算工具(例如Matlab)观察待识别物颜色的分布情况，根结点的红、黄、蓝、绿采用线性核函数进行粗分类；一级结点中蓝色与灰色系列(白、银、灰、黑)是非线性可分，因此选用高斯核函数进行分类，一级结点中红、黄、绿与灰色系列的可分性相对较强，采用线性核函数进行分类；二级结点中黄色、红色、褐色等的分类，蓝色、深蓝的分类，绿色、青色的分类，银、白、灰、黑的分类采用线性核函数。在初步选定了每个支持向量机分类器核函数的类型后通过交叉验证的方法来选择最终的核函数类型以及相关参数，以进行核运算。接着，进入步骤S504。

在步骤S504中，采用增量训练方法，进行多次反馈训练，获得用于像素点颜色识别的支持向量机分类器。在本实施例中，由于在支持向量机分类时，并非所有的训练样本都对分类起作用，只有少量被称为支持向量的训练样本才起作用，并且这些支持向量在几何位置上分布于分划超平面的周围且包含在边界向量样本集合中。因此在进行多次反馈训练时，每次主要选择支持向量与后添加的样本进行再次训练，相对可减少了训练样本的数目，提高了训练效率。

另外，上述步骤S104中用于区域颜色识别的支持向量机分类器包括通过用所建立的区域颜色训练样本集进行支持向量机训练得到。所述用所建立的区域颜色训练样本集进行支持向量机训练的具体流程如图6所示，所述流程首先进行步骤S600。

在步骤S600中，选择与像素点的颜色对应的多维向量作为区域颜色识别的特征向量。在本实施例中，因像素点颜色包括11种分类，因此可形成11维特征向量。接着，进入步骤S602。

在步骤S602中，观察样本的特征向量分布规律，初步选定每一个支持向量机分类器中的核函数类型，并通过交叉验证的方法来选择最终的核函数类型及相关参数。在本实施例中，所述核函数采用的是线性核函数。接着，进入步骤S604。

在步骤S604中，采用增量训练方法，进行多次反馈训练，获得用于区域颜色识别的支持向量机分类器。

需要说明的是，在上述识别过程中，就是在通过用于像素点颜色识别的支持向量机分类器识别像素点颜色与用于区域颜色识别的支持向量机分类器识别区域颜色的过程中，进一步包括对核运算的优化处理，具体体现在对线性核运算的化简与高斯核运算的加速。所述线性核运算的化简包括：将线性决策函数 $f\left(x\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i^{*}{y}_i(x_i\·x)+b^{*}$ 化简为 $f\left(x\right)=[\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i^{*}{y}_i{x}_i\right)\·x]+b^{*},$ 并利用支持向量机训练后得到的支持向量系数(α_i ^*)、支持向量(x_i)及其对应的类别(y_i)将

先计算出来并保存，这样就将已知数据与待测数据进行分离，使得数据的计算与存储不再与支持向量的个数成正比，而是取决于分类器的个数，由此可减少在线计算时间，空间上由于不必保存大量的支持向量及其系数，从而减少了空间复杂度。

所述高斯核运算的加速包括制作高斯函数映射表和/或二级高斯函数映射表，通过查表的方式取代高斯运算。因为当核函数为高斯函数时，涉及到大量的浮点运算，在数字信号处理过程中运算速度很慢，因此，制作高斯函数映射表，通过查表的方式将高斯函数进行离散化，每次通过查表的方式来取代高斯运算。另外，为了减少查找过程，建立二级高斯函数映射表，减少了计算高斯函数的复杂性。

综上所述，在本发明颜色识别方法的实施例中，在图像中待识别物的特征区域内通过用于像素点颜色识别的支持向量机分类器，获得特征区域内各像素点的颜色分类，基于像素点颜色识别结果，统计出特征区域内各种颜色像素点的分布，获取区域颜色识别的特征向量；最后根据所述特征向量，通过训练后的区域颜色识别支持向量机分类器识别出特征区域的颜色分类，进而获得待识别物的颜色的识别结果，相应减少计算量，提高识别准确率。

本发明虽然以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以做出可能的变动和修改，因此本发明的保护范围应当以本发明权利要求所界定的范围为准。

Claims (17)

1.一种颜色识别方法，其特征在于，包括：

确定图像中待识别物的特征区域，所述特征区域的颜色能用于代表待识别物的颜色；

识别特征区域内像素点的颜色，对所述像素点的颜色进行统计，获取区域颜色识别的特征向量；

根据所述特征向量，识别出用于代表待识别物颜色的特征区域的颜色。

2.根据权利要求1所述的颜色识别方法，其特征在于，所述获取特征向量包括：通过用于像素点颜色识别的支持向量机分类器，识别特征区域内像素点的颜色；统计特征区域内每种颜色的像素点所占比例并对其进行归一化处理，形成与像素点的颜色对应的多维向量，作为区域颜色识别的特征向量；

所述识别用于代表待识别物颜色的特征区域的颜色通过用于区域颜色识别的支持向量机分类器实现。

3.根据权利要求2所述的颜色识别方法，其特征在于，所述识别特征区域内像素点的颜色包括：

对建立的像素点颜色决策分类树各结点上的训练样本集进行支持向量机训练，得到各结点上用于像素点颜色识别的支持向量机分类器；

根据决策分类树与各结点上用于像素点颜色识别的支持向量机分类器，识别特征区域内各像素点的颜色。

4.根据权利要求3所述的颜色识别方法，其特征在于，所述决策分类树包括：

将像素点颜色按红、黄、蓝、绿进行粗分类，以形成根结点；

将根结点中红、黄、蓝、绿分别与灰色系列进行分类，以形成一级结点；

根据颜色分布的实际情况，分别对一级结点中的红、蓝、绿、以及灰色系列进行细分类，以形成二级结点。

5.根据权利要求3所述的颜色识别方法，其特征在于，所述建立训练样本集包括：

从标准颜色块以及成像环境较好的待识别物图像中选择各颜色的正常样本；

通过先验知识与实际待识别物颜色相结合的方法来选择各颜色的边界样本，以得到能反映颜色分布的训练样本集。

6.根据权利要求5所述的颜色识别方法，其特征在于，所述选择各颜色的边界样本包括在HSV颜色空间中，通过固定色调分量H，调节饱和度分量S与亮度值分量V，选择彩色系列与灰色系列的边界样本；以及通过调节色调分量H选择彩色之间的边界样本。

7.根据权利要求5所述的颜色识别方法，其特征在于，所述选择各颜色的边界样本进一步包括从视觉上比较接近的不同颜色的待识别物颜色图像样本中选择。

8.根据权利要求5所述的颜色识别方法，其特征在于，所述选择各颜色的边界样本还包括选择训练过程中产生的支持向量。

9.根据权利要求3所述的颜色识别方法，其特征在于，所述对决策分类树各结点上的训练样本集进行支持向量机训练包括：

选择CIE_Lab颜色空间的三维特征值作为特征向量；

观察每层分类样本的分布规律，选定每个支持向量机分类器的核函数类型，并通过交叉验证的方法来选择最终的核函数类型及相关参数；

采用增量训练方法，进行多次反馈训练，获得用于像素点颜色识别的支持向量机分类器。

10.根据权利要求2所述的颜色识别方法，其特征在于，所述用于区域颜色识别的支持向量机分类器包括通过用所建立的区域颜色训练样本集进行支持向量机训练得到。

11.根据权利要求10所述的颜色识别方法，其特征在于，所述区域颜色训练样本集包括：

在训练图库中，观察每个特征区域的像素点颜色分布情况，对分布情况进行归类统计，去除每种颜色类别的噪声样本后，形成每种颜色类别的样本库；

在所述每种颜色类别的样本库中，筛选出正常样本与边界样本，以正常样本与边界样本形成的集合作为最终的区域颜色训练样本集。

12.根据权利要求11所述的颜色识别方法，其特征在于，所述正常样本包括：选择能够明显与其他区域颜色类别区分的像素点颜色分布特征，作为识别的正常样本。

13.根据权利要求11所述的颜色识别方法，其特征在于，所述边界样本包括：遍历任意两种颜色类别，对所述两种颜色类别的样本库中的样本进行两两比较，选择样本欧式距离较小的两类样本作为边界样本。

14.根据权利要求10所述的颜色识别方法，其特征在于，所述用所建立的区域颜色训练样本集进行支持向量机训练包括：

选择与像素点的颜色对应的多维向量作为区域颜色识别的特征向量；

观察样本的特征向量分布规律，选定每一个支持向量机分类器中的核函数类型，并通过交叉验证的方法来选择最终的核函数类型及相关参数；

采用增量训练方法，进行多次反馈训练，获得用于区域颜色识别的支持向量机分类器。

15.根据权利要求2所述的颜色识别方法，其特征在于，通过用于像素点颜色识别的支持向量机分类器识别像素点颜色与用于区域颜色识别的支持向量机分类器识别区域颜色的过程中进一步包括对支持向量机的优化处理。

16.根据权利要求15所述的颜色识别方法，其特征在于，所述优化处理包括线性核运算的化简与高斯核运算的加速。

17.根据权利要求1所述的颜色识别方法，其特征在于，所述特征区域内像素点包括特征区域内的所有像素点或通过采样得到的特征区域内的部分像素点。

Images