CN102306276A - 基于分块聚类的视频车辆图像中车身颜色识别方法 - Google Patents

Abstract

本发明涉及基于分块聚类的视频车辆图像中车身颜色识别方法，该方法具体步骤包括：对视频图像中车辆的车牌位置进行准确定位；根据得到的车牌位置推算出车身位置及范围；对获得的车身范围内的图像进行分块处理，并计算每块的梯度，如果梯度大于阈值T，则舍去；对舍去后剩余的块计算亮度，如果亮度大于阈值H，则判定为近似白光区域，舍去；根据亮度将处理后剩余的块分为正常区域和高光区域；统计计算出高光区域和近似白光区域的纵坐标值y，并比较正常区域的纵坐标与y大小，如果正常区域的纵坐标小于y，则该正常区域舍去；通过聚类方法把剩余的块按照权重大小分为W1、W2、W3，对每个类中色度、饱和度等比较来判断出车身的颜色。

Description

基于分块聚类的视频车辆图像中车身颜色识别方法

技术领域

本发明涉及视频图像处理领域，特别涉及基于分块聚类的视频车辆图像中车身颜色识别方法。

背景技术

智能交通系统ITS(Intelligent Transportation System)利用通信技术、控制技术、传感器技术、运筹学、人工智能和计算机技术的有效集成，其目的在于充分利用现有道路基础设施资源，改善车、路、人之间的相互作用，提高系统的安全性、高效性与舒适性，从而从整体上提高交通的经济性，正在成为世界各国解决交通拥塞、交通事故频发、土地和能源短缺、交通环境污染以及由此导致的经济损失等的热点研究问题，具有较高的社会效益和巨大的市场应用前景。自动车辆识别系统VRS(Vehicle Recognition System)是ITS应用的基础，在美国、日本、欧洲等发达国家已得到广泛的应用，而在我国的应用尚处于探索研究的起步阶段。由于国情的不同，直接应用国外的系统并不能获得满意的结果。

车辆牌照位置的准确定位是提高车辆车身颜色识别准确率的关键，当前车牌定位技术已经趋于成熟，目前所采用的车牌定位提取方法中，基于灰度图像进行处理的比较多，比如：用车牌字符与背景的明暗对比度，分析横穿牌照区域水平直线上灰度值和间隔规律的水平线搜索算法；利用车牌字符形状特征与图像中找到的字符匹配的算法；利用检测牌照4条边界的Hough变换方法；用图像的频域信息鉴别牌照区域；利用BP神经网络提取车牌的方法。对于彩色图像的处理，普遍方法是先将彩色图像变换为灰度图像，再对灰度图像进行处理，最后再用彩色信息辅助处理。

车辆颜色识别系统是智能交通系统的重要组成部分。用于表示颜色的彩色空间模型有RGB，HSI，YUV，CMY(K)，CIELab五种，RGB彩色空间是用各彩色值R(Red，红)，G(Green，绿)，B(Blue，蓝)三通道值的组合来共同表示。HSI彩色空间的三个分类H，S，1分别表示色调(Hue)、饱和度(Saturation)和强度(Intensity)。YUV彩色空间是用于欧洲的模拟电视系统的标准彩色空间，其中Y与亮度(Luminance)相关，来自标准的CIE XYZ彩色空间，U，V则与色度(Chrominance)分量相关。CMY彩色空间中的C，M，Y分别是指青(Cyan)、品红(Magenta)、黄(Yellow)三种颜色，他们分别是红(Red)、绿(Green)、蓝(Blue)的补色，CMYK中的K指黑色(Black)。CIE XYZ彩色空间模型是CIE在1931年提出来的，它基于人类视觉系统(Human Vision System，HSV)，CIELab彩色空间则是CIE在1976年提出来的，目的是使人类感知的颜色差与此彩色空间中两种颜色的欧氏距离有关。

通过实验，CIELab和HSI彩色空间模型用于颜色识别时具有较高的识别精度。由于HSI彩色空间对光照变化不太敏感，此外，与CIELab相比，将RGB转为HSI的计算开销也较小，所以本研究选择采用RGB与HSI彩色空间模型结合使用的方法来进行颜色识别。目前的车身颜色识别的方法主要是将彩色汽车图像从RGB空间变换到更加适合人类视觉特性的HSI空间，再根据其他相关算法分析车辆的颜色，其技术难点主要是如何确定车身范围，以及如何解决光照、阴影、噪声等对彩色图像的影响。颜色识别的方法主要有色彩聚类、学习分类、人工神经网络等方法。在车牌的颜色识别过程中，学习分类及人工神经网络训练等方法用的较多，而相比于车牌，车身的颜色种类较多，且规律性较差，所以上述两种方法并不太适用。

发明内容

本发明的目的在于，为解决上述问题，本发明提出基于分块聚类的视频车辆图像中车身颜色识别方法。

为实现上述发明目的，本发明提出基于分块聚类的视频车辆图像中车身颜色识别方法，其特征在于，该方法具体步骤包括：

步骤1)：对视频图像中车辆的车牌位置进行准确定位；

步骤2)：根据所述步骤1)得到的车牌位置推算出车身位置及范围；

步骤3)：对所述步骤2)获得的车身范围内的图像进行分块处理，并计算每块的梯度，如果梯度大于阈值T，则舍去；

步骤4)：对所述步骤3)舍去后剩余的块计算亮度，如果亮度大于阈值H，则判定为近似白光区域，舍去；

步骤5)：根据亮度将所述步骤4)处理后剩余的块分为正常区域和高光区域；

步骤6)：统计计算出高光区域和近似白光区域的纵坐标值y，并比较正常区域的纵坐标与y大小，如果正常区域的纵坐标小于y，则该正常区域舍去；

步骤7)：正常区域的块数与高光区域的块数相比较，如果正常区域N1的块数大于阈值F，则将剩余的块通过聚类的方法分为3类，按照权重由大到小依次为是W1、W2、W3，并转至步骤8)；如果正常区域N1的块数小于阈值F，并且高光区域N2的块数小于阈值G，则判定车身颜色为白色，否则，则取所述步骤6)处理后剩下的块的RGB三分量均值，由该平均值判定车身颜色；

步骤8)：如果W1的权重等于阈值90％，则转至步骤9)；否则，判定W1聚类中块的亮度是否大于100，且饱和度是否大于60；

如果是，则转至步骤9)；如果不是，则判断W2聚类饱和度是否低于20；如果是，则转至步骤9)；如果不是，则判定W1聚类中块的RGB三分量满足R+G+B＞600；

如果W1聚类中块的RGB三分量满足R+G+B＞600，则判断W1聚类和W2聚类色度值是否满足|H1-H2|＜20，且W2聚类饱和度值是否满足s2＞s1，如果不是，则转至步骤9)；如果是，则转至步骤10)；

如果W1聚类中块的RGB三分量不满足R+G+B＞600，则判断W1、W2两类聚类结果所占百分比是否满足rate1-rate2＜0.25，且W2聚类饱和度值是否满足s2＞s1，如果不是，则转至步骤9)；如果是，则转至步骤10)；

步骤9)：计算W1聚类中块的RGB分量平均值，由该平均值判定车身颜色；

步骤10)：计算W2聚类中块的RGB分量平均值，由该平均值判定车身颜色。

所述步骤3)中阈值T取250。

所述步骤4)中阈值H取210。

所述步骤7)中的阈值F取10。

所述步骤7)中的阈值G取15。

本发明具有如下优点：

1)采用了对车身范围先分块处理、筛选再聚类的方式计算车身颜色，去除了诸类不属于正常车身颜色的图像块，提高了颜色识别的准确率。计算时采用RGB空间与HSI色彩空间模型相结合的方式，进一步提高了颜色识别的准确率。

2)采用光照区域位置辅助判定并去除车窗图像块的干扰，通过与光照区域位置的比对及图像块饱和度的判断，可以准确的识别出属于车窗的图像块，排除其对正确颜色识别的干扰。

3)综合考虑颜色识别过程中的各种情况，合理设定阈值参数及判定准则，既可以合理排除识别过程中诸如车窗、文字、图案、阴影、反光等干扰因素，又可快速计算出最终识别颜色结果。

附图说明

图1为车身颜色识别系统的基本结构图；

图2为本发明的基于分块聚类的视频车辆图像中车身颜色识别方法流程图；

图3为RGB模式示意图；

图4为HIS模式示意图。

具体实施方式

下面结合附图和具体实施方式，对本发明的技术方案进行进一步详细的说明。

如图1所示，图1为车身颜色识别系统的基本结构图。从高清摄像头拍摄的道路视频中采集车辆图像，根据车牌位置推断车身位置及范围，对车身范围图像进行分块处理，排除文字、图案、阴影、反光、车窗等影响因素，对满足条件的图像块的颜色平均值进行聚类，最终获得车身颜色，从而实现视频图像中车身颜色的自动提取。

如图2所示，图2为本发明的基于分块聚类的视频车辆图像中车身颜色识别方法流程图。该方法可以分为：分割分类，筛选，判断三个部分。

一、分割分类

1、根据车牌的位置推算出车身位置。

2、将车身分割成16*16小块。

3、计算每小块的梯度，如果梯度大于阈值，则舍去。

4、计算每小块的亮度，如果亮度大于阈值(250)，属于近似白光区域。该区域不能提供颜色信息，舍去，但是计算该类情况的个数N3。

5、如果亮度大于阈值(210)，属于高光区域，记下该类情况的个数N2。

6、否则，则属于正常区域，计数N1。

到这里，有效的小矩形块被归为3类：

①正常区域N1，②高光区域N2，③近似白光区域N3。

二、筛选

对于图像中的车窗图像块的筛选，采用光照区域位置辅助判定的方法：通过观察发现，②和③必然是车身区域。车窗部分经常被混为正常区域①。如果将其误认为是正常区域加入到下一步的聚类操作，必然会影响最终判断结果，所以必须设法去除。

去除原则：经过大量验证发现，反光区域以上，不可能出现正常光照区域，若发现此类区域，且此区域饱和度较低(平均饱和度小于80)，则认为其是车玻璃区域，舍去。

去除方法：统计出区域②和③的纵坐标最小值y，如果①的纵坐标小于y，则判其为车窗舍去。

三、颜色的判断

颜色的筛选主要是通过一系列RGB空间与HSI空间的参数计算及逻辑判断最终得到车身的颜色结果。如图3所示，图3为RGB模式示意图；如图4所示，图4为HIS模式示意图。

由RGB转换成HSI的公式如下：

$H=\left\{\begin{array}{c}\mathrm{\&theta;},G\&GreaterEqual;B\\ 2\mathrm{\&pi;}-\mathrm{\&theta;},G<B\end{array}\right.---\left(1\right)$

$\mathrm{where\&theta;}={\cos }^{-1}\left(\frac{(R-G)+(R-B)}{2\sqrt{{(R-G)}^2+(R-B)(G-B)}}\right)---\left(2\right)$

$S=1-\frac{3\min (R,G,B)}{R+G+B}---\left(3\right)$

$I=\frac{R+G+B}{3}---\left(4\right)$

转换的基本思路是先分离出亮度信息，将三维空间降为二维，在二维平面内利用解析几何的向量点积公式求出HSI模型的色调分量值。

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.基于分块聚类的视频车辆图像中车身颜色识别方法，其特征在于，该方法具体步骤包括：

步骤1)：对视频图像中车辆的车牌位置进行准确定位；

步骤2)：根据所述步骤1)得到的车牌位置推算出车身位置及范围；

步骤3)：对所述步骤2)获得的车身范围内的图像进行分块处理，并计算每块的梯度，如果梯度大于阈值T，则舍去；

步骤4)：对所述步骤3)舍去后剩余的块计算亮度，如果亮度大于阈值H，则判定为近似白光区域，舍去；

步骤5)：根据亮度将所述步骤4)处理后剩余的块分为正常区域和高光区域；

步骤6)：统计计算出高光区域和近似白光区域的纵坐标值y，并比较正常区域的纵坐标与y大小，如果正常区域的纵坐标小于y，则该正常区域舍去；

步骤7)：正常区域的块数与高光区域的块数相比较，如果正常区域N1的块数大于阈值F，则将剩余的块通过聚类的方法分为3类，按照权重由大到小依次为是W1、W2、W3，并转至步骤8)；如果正常区域N1的块数小于阈值F，并且高光区域N2的块数小于阈值G，则判定车身颜色为白色，否则，则取所述步骤6)处理后剩下的块的RGB三分量均值，由该平均值判定车身颜色；

步骤8)：如果W1的权重等于阈值90％，则转至步骤9)；否则，判定W1聚类中块的亮度是否大于100，且饱和度是否大于60；

如果是，则转至步骤9)；如果不是，则判断W2聚类饱和度是否低于20；如果是，则转至步骤9)；如果不是，则判定W1聚类中块的RGB三分量满足R+G+B＞600；

如果W1聚类中块的RGB三分量满足R+G+B＞600，则判断W1聚类和W2聚类色度值是否满足|H1-H2|＜20，且W2聚类饱和度值是否满足s2＞s1，如果不是，则转至步骤9)；如果是，则转至步骤10)；

如果W1聚类中块的RGB三分量不满足R+G+B＞600，则判断W1、W2两类聚类结果所占百分比是否满足rate1-rate2＜0.25，且W2聚类饱和度值是否满足s2＞s1，如果不是，则转至步骤9)；如果是，则转至步骤10)；

步骤9)：计算W1聚类中块的RGB分量平均值，由该平均值判定车身颜色；

步骤10)：计算W2聚类中块的RGB分量平均值，由该平均值判定车身颜色。

2.根据权利要求1所述的基于分块聚类的视频车辆图像中车身颜色识别方法，其特征在于，所述步骤3)中阈值T取250。

3.根据权利要求1所述的基于分块聚类的视频车辆图像中车身颜色识别方法，其特征在于，所述步骤4)中阈值H取210。

4.根据权利要求1所述的基于分块聚类的视频车辆图像中车身颜色识别方法，其特征在于，所述步骤7)中的阈值F取10。

5.根据权利要求1所述的基于分块聚类的视频车辆图像中车身颜色识别方法，其特征在于，所述步骤7)中的阈值G取15。

Images