CN102393902A - 基于h_s二维直方图和区域颜色匹配的车辆颜色检测方法 - Google Patents

Abstract

本发明公开了一种基于H_S二维直方图和区域颜色匹配的车辆颜色检测方法，包括以下步骤：①车辆检测及归一化；②H_S二维直方图检测；③颜色提取区域检测，通过八邻域检测来获得颜色提取区域；④合理性检验，判断颜色提取区域的合理性；⑤颜色模板匹配。该基于H_S二维直方图和区域颜色匹配的车辆颜色检测方法可以识别交通路口红绿灯上架设的摄像机拍摄的实时道路监控场景内的车辆颜色，处理场景中目标尺寸变化(由近及远和由远及近)、旋转、噪声、亮度变化等难题，获得准确的目标车辆颜色。

Description

基于H_S二维直方图和区域颜色匹配的车辆颜色检测方法

技术领域

本发明属于智能交通视频监控领域的后处理车辆行为分析部分，尤其涉及一种基于H_S二维直方图和区域颜色匹配的车辆颜色检测方法。

背景技术

计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等，并进一步做图形处理，用电脑处理成为更适合人眼观察或传送给仪器检测的图像，从而完成一个与视觉有关任务的技术。近年来，随着城市的快速发展，城市的范围不断扩大，城市中的车辆数迅速增加，给城市的交通带来了巨大的压力。智能交通系统ITS，作为未来交通的一大发展趋势，利用先进的电子技术、通信技术、计算机和控制技术对传统的交通运输系统进行改进，提高交通运输的效能，其优越性正在一步步地显现。一个城市的交通状况的好坏不仅影响到城市的未来发展，更直接影响着居民居住城市的选择和居民的生活质量，车辆颜色的识别作为智能交通视频监控领域车辆行为分析中的一项重要内容及车辆信息提取中的一个必不可分的部分，正在逐渐地获得更多的关注和研究。

目前在车辆颜色识别的方法中，主要有以下几类：一类是通过把车辆图像平分为上中下三个区域来定位车辆的前脸，顶部和后脸，这种方法的自适应性比较差，未考虑到车辆运动方向的影响，对于运动方向不是垂直或水平方向的车辆，区域的定位经常不准确，不能精确地提取出车辆的颜色，这就必然导致最终颜色检测的不准确。还有比较常见的一类是通过对已有车辆图像的学习建立颜色模板库，这一方法顾及到存储量及匹配速度的权衡，多数并未考虑到天气变化所引起的亮度及饱和度等条件的变化，这样建立的模板库分类不够细致，存在较大的匹配误差。本发明采用基于H_S二维直方图和区域颜色匹配的车辆颜色检测方法，有效地克服了以上两种方法中检测区定位不准确及不精确的模板分类存在的弊端，达到准确定位检测区域及精确分类检测区域并最佳匹配的颜色检测效果。

发明内容

为了克服上述缺陷，本发明提供了一种基于H_S二维直方图和区域颜色匹配的车辆颜色检测方法，可以识别交通路口红绿灯上架设的摄像机拍摄的实时道路监控场景内的车辆颜色，处理场景中目标尺寸变化(由近及远和由远及近)、旋转、噪声、亮度变化等难题，获得准确的目标车辆颜色。

本发明为了解决其技术问题所采用的技术方案是：一种基于H_S二维直方图和区域颜色匹配的车辆颜色检测方法，包括以下步骤：

①车辆检测及归一化：对车辆进行实时跟踪，采集车辆的彩色图片，并对车辆图像进行大小归一化处理；

②H_S二维直方图检测：利用车辆跟踪所获得的车辆的彩色图片，在HSV颜色空间中求得车辆的彩色H_S二维直方图；

③颜色提取区域检测，通过八邻域检测来获得颜色提取区域：利用车辆跟踪所获得的车辆彩色图像，进行CANNY边缘检测和对该CANNY边缘检测出的图像进行八邻域平滑区域检测，并把检测出的符合车辆大小的区域作为颜色提取区域；

④合理性检验，判断颜色提取区域的合理性：对CANNY边缘检测出的边缘图像进行HOUGH直线检测，判断出目标车辆运动的方向，进而确定出颜色候选区域；对比颜色候选区域与颜色提取区域的包含关系，确定下一步进行颜色模板匹配的区域名单；

⑤颜色模板匹配：对经过合理性检验的颜色提取区域，在RGB空间中获得其区域平均(R，G，B)三分量颜色值，并与预先定义好的颜色模板进行匹配，检测出车辆的颜色。

作为本发明的进一步改进，所述步骤①中，采用背景差法获得当前帧的前景目标，利用逐帧求差的方法完成初始背景的建立，并利用自适应更新系数的滑动平均法进行背景更新；对使用背景差法获得的灰度前景目标进行噪声及阴影去除，利用形态学方法去除前景噪声；对阴影的去除采用互相关系数与前景边缘检测相结合的方式来完成；通过改进的块匹配的方法，对前景目标进行实时跟踪，并利用摄像机成像的近大远小的特点，在车辆离摄像机最近的时刻采集车辆的彩色图片用于车辆颜色检测；根据视频的实际检测情况，对车辆图像进行大小归一化处理。

作为本发明的进一步改进，所述步骤②中，对图像的H分量和S分量划分为不同的等级，通过对比H分量的部分累积和把车辆划分为红色，蓝色，绿色和黄色四个类别。

作为本发明的进一步改进，所述步骤③中，对与所获得的车辆彩色图像相应的灰度图像进行CANNY边缘检测，利用车辆纹理平滑区域颜色相近的特点，采用3*3的纹理检测因子对CANNY边缘检测出的图像进行八邻域平滑区域检测。

作为本发明的进一步改进，所述步骤⑤中检测出的车辆的颜色为红色，黄色，绿色，蓝色，白色，灰色和黑色七种颜色之一。

本发明的有益效果是：本发明利用HSV空间和RGB空间来进行车辆颜色的识别，首先对整车进行颜色识别，对整车的颜色直方图进行处理，使检测出的颜色更具有视觉可靠性，减少了计算量使算法更高效。对于在颜色直方图中没有明显区别与其他直方图特点的颜色，再采用区域颜色提取的方法，而此法人性化地加入了对车辆运动方向的考虑，分类处理不同运动方向的情况，极大地提高了获得的颜色提取区域的准确性。得益于此颜色识别方法，由于该方法是一个查找局部最优的方法，输出的结果是局部最匹配的，也在一定程度上克服了光线变化对颜色识别的影响。

附图说明

图1为本发明所述车辆检测的流程图。

具体实施方式

下面结合具体实施方式对本发明做进一步的详细说明。

图1为智能视频监控中车辆颜色检测的流程示意图。如图1所示，该实施例主要包括如下步骤：

第一步，求取车辆的直方图，在HSV颜色空间，求取H和S分量的二维统计直方图。其中H分量划分为16个等级，S分量划分为8个等级。

第二步，利用图像的H和S分量的二维统计直方图，获得目标车辆的颜色统计矩阵。颜色统计矩阵为一个16*8的矩阵，其中行代表H分量，列代表S分量。

第三步，求颜色统计矩阵的除第一列元素外的后7列元素的行和，如果最大的行和值大于预定义的颜色阈值，则把行和最大的行号作为候选颜色值，并通过下式匹配出车辆的颜色，当候选颜色值的色度分量为第0类或13-15类的时候，车辆颜色判定为红色；当候选颜色值的色度分量为第9-12类的时候，车辆的颜色判定为蓝色；同理5-8类判定为绿色，1-4类判定为黄色。

第四步，对车辆灰度图像进行CANNY边缘检测，对获得的车辆边缘检测图像进行八邻域检测，即采用一个3*3的全一结构因子，检测边缘图像中其本身像素点及其八个邻域像素点的像素值均为0的点，这些点组成的集合构成车辆图像的八邻域图像。对八邻域图像中区域的长宽比和面积符合车辆基本阈值的区域，确定为颜色提取的候选区域。这里，进行CANNY边缘检测的两个阈值分别设定为60和120，区域的长宽比和面积阈值与图像归一化后图像的大小比例有关，对于60*90的图像大小，其长宽比阈值为1.2-1.8，面积阈值为54。

第五步，对第四步获得的车辆边缘图像进行HOUGH直线检测，并把检测出的直线斜率按值的大小分为水平，垂直，正斜率和负斜率四个类别，把四个类别内直线数量最多的一类作为求取车辆运动方向的类别，并使用该类别的斜率值的中值，通过计算下式求取车辆运动的角度(设定顶左为图像的原点)：

根据车辆的运动角度，对应三种不同的区域位置限定范围，分别为：

表格内的值的单位均为像素，运动方向为左上：是指车辆的运动方向为图像的上方并且偏左，中上是指运动方向竖直向上，其他依此类推。

第六步：通过对比第四步获得的颜色提取候选区域和第五步获得的颜色检测区域，在颜色检测区域范围内的颜色提取区域即为可用的颜色提取区域，最终的颜色提取区域一般不止一个，求取最终的颜色提取区域在RGB颜色空间的各自的平均值(R，G，B)，即每一个分量求平均，并把具有任意单分量最大值的区域作为最终的单一的颜色提取区域。

第七步：把待匹配的颜色与预定义的颜色模板进行匹配，区分出白色，灰色和黑色的车辆。颜色模板的确定基于RGB空间的基本特性，即RGB空间中颜色分布于一个正方体内，其正方体的主对角线上的颜色为从黑色0逐渐变为灰色100左右后，再逐渐变为白色255。利用这一特性把主对角线进行划分：[0，90)为黑色，[90，120]为灰色，(120，255]为白色，当R，G，B三个分量的值之间的差小于20，且分量值同时落于同一个类别时，即可判定车辆的颜色为该颜色，而分量值之间的差大于20的情况取H_S二维直方图的检测结果。

$\mathrm{angle}=\left\{\begin{array}{cc}-(90-a\tan 2(\mathrm{slope},1)/\mathrm{\&pi;}*180)/2,& \mathrm{slope}>0\\ (90+a\tan 2(\mathrm{slope},1)/\mathrm{\&pi;}*180)/2,& \mathrm{slope}<0\\ 0,& \mathrm{slope}=0\end{array}\right.$

Claims (5)

1.一种基于H_S二维直方图和区域颜色匹配的车辆颜色检测方法，其特征在于：该车辆颜色检测方法包括以下步骤：

①车辆检测及归一化：对车辆进行实时跟踪，采集车辆的彩色图片，并对车辆图像进行大小归一化处理；

②H_S二维直方图检测：利用车辆跟踪所获得的车辆的彩色图片，在HSV颜色空间中求得车辆的彩色H_S二维直方图；

③颜色提取区域检测，通过八邻域检测来获得颜色提取区域：利用车辆跟踪所获得的车辆彩色图像，进行CANNY边缘检测和对该CANNY边缘检测出的图像进行八邻域平滑区域检测，并把检测出的符合车辆大小的区域作为颜色提取区域；

④合理性检验，判断颜色提取区域的合理性：对CANNY边缘检测出的边缘图像进行HOUGH直线检测，判断出目标车辆运动的方向，进而确定出颜色候选区域；对比颜色候选区域与颜色提取区域的包含关系，确定下一步进行颜色模板匹配的区域名单；

⑤颜色模板匹配：对经过合理性检验的颜色提取区域，在RGB空间中获得其区域平均(R，G，B)三分量颜色值，并与预先定义好的颜色模板进行匹配，检测出车辆的颜色。

2.如权利要求1所述的基于H_S二维直方图和区域颜色匹配的车辆颜色检测方法，其特征在于：所述步骤①中，采用背景差法获得当前帧的前景目标，利用逐帧求差的方法完成初始背景的建立，并利用自适应更新系数的滑动平均法进行背景更新；对使用背景差法获得的灰度前景目标进行噪声及阴影去除，利用形态学方法去除前景噪声；对阴影的去除采用互相关系数与前景边缘检测相结合的方式来完成；通过改进的块匹配的方法，对前景目标进行实时跟踪，并利用摄像机成像的近大远小的特点，在车辆离摄像机最近的时刻采集车辆的彩色图片用于车辆颜色检测；根据视频的实际检测情况，对车辆图像进行大小归一化处理。

3.如权利要求1所述的基于H_S二维直方图和区域颜色匹配的车辆颜色检测方法，其特征在于：所述步骤②中，对图像的H分量和S分量划分为不同的等级，通过对比H分量的部分累积和把车辆划分为红色，蓝色，绿色和黄色四个类别。

4.如权利要求1所述的基于H_S二维直方图和区域颜色匹配的车辆颜色检测方法，其特征在于：所述步骤③中，对与所获得的车辆彩色图像相应的灰度图像进行CANNY边缘检测，利用车辆纹理平滑区域颜色相近的特点，采用3*3的纹理检测因子对CANNY边缘检测出的图像进行八邻域平滑区域检测。

5.如权利要求1所述的基于H_S二维直方图和区域颜色匹配的车辆颜色检测方法，其特征在于：所述步骤⑤中检测出的车辆的颜色为红色，黄色，绿色，蓝色，白色，灰色和黑色七种颜色之一。

Images