CN103440503A - 一种车辆车身颜色检测识别方法 - Google Patents

Abstract

本发明公开了一种车辆车身颜色检测识别方法，包括以下步骤：训练步骤：训练出主颜色模型；颜色检测识别步骤：（1）、检测获取车辆矩形区域；（2）、主颜色识别，包括：（21）、将区域内的所有像素点输入主颜色模型，判断出各像素点对应主颜色模型中颜色列表中的颜色；（22）、统计出所述颜色列表中各颜色的占比，并按照占比由大至小进行排序；（23）、利用排序前4位占比的方差M，判断为花车还是单色车。本发明的车辆车身颜色检测识别方法，对全车进行颜色分析，不仅可以识别单一颜色车辆，还可以识别多颜色的花车，有利于快速的定位相关车辆；利用高置信度区域可以避免选择固定区域时各种光线的干扰；计算量小，实现高清实时检测。

Description

一种车辆车身颜色检测识别方法

技术领域

本发明属于图像处理技术领域，具体地说，是涉及一种车辆车身颜色检测识别方法。

背景技术

机动车辆车身颜色识别是智能交通中车辆检测的一个重要属性，对嫌疑车辆排查、套牌车自动检测具有重要的作用，但是车身颜色识别受环境光线的干扰非常严重，同一辆车在不同的光线下不同的车身区域会反映不同的颜色，在对车身颜色检测带来非常大的影响。专利20111013540.7发明名称为车辆智能监控系统中车身颜色自动识别方法的专利公开了借助车牌区域辅助车身颜色定位，先通过颜色多类子空间分析，并利用多特征模板匹配或SVM方法进行颜色识别，引入了可信度，对低可信度进行先验校准。但此专利在车身颜色位置定位时没有考虑光线的干扰，因此对不同光照下的颜色识别会存在问题，例如强逆光、顺光等。

专利200810041097.5发明名称为特征区域的定位方法、车身深浅色与车身颜色的识别方法的专利公开了利用能量分布函数确定车身颜色区域，再进行多级分类，利用SVM进行识别。此方法利用能量分布最大点附件区域确定颜色识别区域，但是能量最大点区域在不同的光照环境下不一定能反映出真实颜色，对逆光、顺光等条件下误判的可能性增大。

此外，目前行业中的颜色识别只能识别单一的颜色，对于包含两种以上颜色的花车不好很好的识别，例如出租车等。 

基于此，如何发明一种车辆车身颜色检测识别方法，可以检测识别出多种颜色车，是本发明主要解决的技术问题。

发明内容

本发明为了解决现有车辆身颜色检测识别方法不能检测识别出多种颜色车的问题，提供了一种车辆车身颜色检测识别方法，可以识别出花车，提高检测精度。

为了解决上述技术问题，本发明采用以下技术方案予以实现：

一种车辆车身颜色检测识别方法，包括以下步骤：

训练步骤：

训练出主颜色模型，所述的主颜色模型中包括至少3种颜色类型；

颜色检测识别步骤：

（1）、检测获取车辆矩形区域；

（2）、主颜色识别，包括：

（21）、将区域内的所有像素点输入主颜色模型，判断出各像素点对应主颜色模型中颜色列表中的颜色；

（22）、统计出所述颜色列表中各颜色的占比，并按照占比由大至小进行排序；

（23）、计算排序前4位占比的方差M，若方差M小于阈值T，则判断为花车，否则，判断为单色车，并且判断占比最高的颜色为车身颜色。

进一步的，为了精确判断出花车的主要颜色种类，在步骤（23）中，若判断为花车，还包括判断花车车身主要颜色的步骤。

又进一步的，判断花车车身颜色的方法为：首先，将占比排序第1位的颜色判断为花车第一颜色，其次，判断占比排序第2位的颜色类型，如果不是灰色，则将其判断为花车第二颜色，如果是灰色，则考虑占比排序第3位的颜色的占比值，如果占比值超过阈值Th,则该占比排序第3的颜色判断为花车第二颜色，如果占比值低于阈值Th，则判断灰色为花车第二颜色。

进一步的，为了能够适应不同光线、不同天气环境，获得高准确的颜色深浅识别，在所述的训练步骤中，还包括训练出辅颜色模型，所述的辅颜色模型为二分类模型，在所述的步骤（22）中，还包括计算步骤（21）中所得出的各像素点颜色的识别置信度P的步骤，所述的颜色检测识别步骤还包括（3），首先挑选高置信度区域，对该区域进行颜色二次判断，也即：将该区域的所有像素点输入所述的辅颜色模型，进行比对判断输出深色和浅色两种结果。

又进一步的，步骤（3）中，所述的高置信度区域的挑选方式为：遍历占比排序第1位的颜色所有像素点，将这些像素点的识别置信度P与阈值S比较，如果P大于S，则标记该像素点，被标记的像素点的总数为M，若M大于阈值N，则进行颜色二次判断，否则不进行颜色二次判断。

优选的，所述的识别置信度P的计算方法为：

P=CP(z)P(w/z)

其中，z为颜色，w为像素，C为常系数，P(z)为某颜色出现的概率，P(w/z)为在某颜色已知的条件下像素出现的概率。

优选的，在所述的训练步骤中，采用PLSA方法训练主颜色模型。使用PLSA模型算法计算量小，可以整合至现有的嵌入式平台中，实现高清实时检测，

同理的，在所述的训练步骤中，采用PLSA方法训练辅颜色模型。

优选的，在所述步骤（1）中，采用模式识别算法以准确、快速的获取所述的矩形区域。

为了减少路面干扰，进一步减少计算量，还包括将所述的矩形区域的宽、高等比例缩小为原比例的2/3或者4/5的步骤。

与现有技术相比，本发明的优点和积极效果是：本发明的车辆车身颜色检测识别方法，1、 对全车进行颜色分析，不仅可以识别单一颜色车辆，还可以识别多颜色的花车，有利于快速的定位相关车辆；2、可以识别出花车具体车身颜色；3、进行颜色识别时，同时输出每个像素的置信度，根据置信度选取颜色区域，进行颜色细分，可识别类别更多的颜色，目前至少可检测15种颜色；4、利用高置信度区域可以避免选择固定区域时各种光线的干扰； 5、使用PLSA模型算法计算量小，可以整合至现有的嵌入式平台中，实现高清实时检测，并且利用多帧检测结果投票可以获得更精准的颜色，即一辆车在形式的过程中进行多次车身颜色识别，然后将多次颜色识别的结果投票，获得本车辆的最终车身颜色。

结合附图阅读本发明实施方式的详细描述后，本发明的其他特点和优点将变得更加清楚。

附图说明

图1是本发明所提出的一种车辆车身颜色检测识别方法的一种实施例流程图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步详细地说明。

实施例一，参见图1所示，本实施例中的一种车辆车身颜色检测识别方法，包括以下步骤：

训练步骤：

训练出主颜色模型，所述的主颜色模型中包括至少3种颜色类型；

颜色检测识别步骤：

S1、检测获取车辆矩形区域；

S2、主颜色识别，包括：

S21、将区域内的所有像素点输入主颜色模型，判断出各像素点对应主颜色模型中颜色列表中的颜色；

S22、统计出所述颜色列表中各颜色的占比，并按照占比由大至小进行排序；

S23、计算排序前4位占比的方差M，若方差M小于阈值T，则判断为花车，否则，判断为单色车，并且判断占比最高的颜色为车身颜色。通过计算方差可以反映出各颜色分布情况，方差越大，说明不均匀，个别颜色占比较大，更容易是单色车，反之，方差越小，颜色分布较均匀，是花车的可能性就更大。

本实施例中的车辆车身颜色检测识别方法，对全车进行颜色分析，不仅可以识别单一颜色车辆及其颜色，还可以识别多颜色的花车，有利于快速的定位相关车辆。具体实施过程中可以对白天和夜间采用不同的训练模型，提高夜间的颜色识别率。

为了精确判断出花车的主要颜色种类，在步骤S23中，若判断为花车，还包括判断花车车身主要颜色的步骤。

作为一个具体的实施方式，判断花车车身颜色的方法为：首先，将占比排序第1位的颜色判断为花车第一颜色，其次，判断占比排序第2位的颜色类型，如果不是灰色，则将其判断为花车第二颜色，如果是灰色，则考虑占比排序第3位的颜色的占比值，如果占比值超过阈值Th,则该占比排序第3的颜色判断为花车第二颜色，如果占比值低于阈值Th，则占比排序第2位的颜色（也即灰色）判断为花车第二颜色。

本实施例判断花车车身主要颜色，通过颜色占比的排序，占比大的颜色肯定为车身主要颜色，同时考虑到排除车窗的颜色的干扰，判断精度高。

为了能够适应不同光线、不同天气环境，获得高准确的颜色深浅识别，在训练步骤中，还包括训练出辅颜色模型，辅颜色模型为二分类模型，在步骤S22中，还包括计算步骤S21中所得出的各像素点颜色的识别置信度P的步骤，颜色检测识别步骤还包括S3，首先挑选高置信度区域，对该区域进行颜色二次判断，也即：将该区域的所有像素点输入所述的辅颜色模型，进行比对判断输出深色和浅色两种结果。本实施例中根据置信度选取颜色区域，进行颜色细分，可识别类别更多的颜色，目前至少可检测15种颜色。本实施例的辅颜色模型中比如可以包括深蓝与浅蓝的PLSA二分类模型，深绿与浅绿的PLSA二分类模型，深红与浅红的PLSA二分类模型，深黄与浅黄的PLSA二分类模型。

步骤S3中，所述的高置信度区域的挑选方式为：遍历占比排序第1位的颜色所有像素点，将这些像素点的识别置信度P与阈值S比较，如果P大于S，则标记该像素点，被标记的像素点的总数为M，若M大于阈值N，则进行颜色二次判断，否则不进行颜色二次判断。本实施例利用利用置信度，挑选高置信度区域，可以避免选择固定区域时强逆光、顺光等各种光线的干扰，进一步提高了车身颜色检测识别精确度。颜色二次判断是为了防止目前有些车身颜色包括深色和浅色两种（比如红色、黄色、蓝色、绿色还具体包括深红、浅红、深黄、浅黄、深蓝、浅蓝、深绿、浅绿），若深色和浅色均判为同一种颜色的话，精确度不够，本实施例的颜色二次判断就是将深浅色进行细分，有利于智能交通中准确辨别车辆信息。

优选的，所述的识别置信度P采用EM算法以及训练样本估算，其计算方法为：

P=CP(z)P(w/z)

其中，z为颜色，w为像素，C为常系数，P(z)为某颜色出现的概率，P(w/z)为在某颜色已知的条件下像素出现的概率。由识别置信度P可以知道每个RGB值对应的最大可能的颜色，就把这个RGB值判定为是这种颜色，因此P可以作为置信度。

需要说明的是，在训练步骤中，优选采用PLSA方法训练主颜色模型。使用PLSA模型算法计算量小，可以整合至现有的嵌入式平台中，实现高清实时检测，当然，本发明的车辆车身颜色检测识别方法并不限于PLSA方法，也可以采用其他方法训练颜色模型，比如SVM模型、LDA模型等，均属于本发明的保护范围。

同理的，在训练步骤中，采用PLSA方法训练辅颜色模型。

优选的，在步骤S1中，采用模式识别算法以准确、快速的获取所述的矩形区域。

为了减少路面干扰，进一步减少计算量，还包括将所述的矩形区域的宽、高等比例缩小为原比例的2/3或者4/5的步骤。

当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (10)

1.一种车辆车身颜色检测识别方法，其特征在于，包括以下步骤：

训练步骤：

训练出主颜色模型，所述的主颜色模型中包括至少3种颜色类型；

颜色检测识别步骤：

（1）、检测获取车辆矩形区域；

（2）、主颜色识别，包括：

（21）、将区域内的所有像素点输入主颜色模型，判断出各像素点对应主颜色模型中颜色列表中的颜色；

（22）、统计出所述颜色列表中各颜色的占比，并按照占比由大至小进行排序；

（23）、计算排序前4位占比的方差M，若方差M小于阈值T，则判断为花车，否则，判断为单色车，并且判断占比最高的颜色为车身颜色。

2.根据权利要求1所述的车辆车身颜色检测识别方法，其特征在于，步骤（23）中，若判断为花车，还包括判断花车车身主要颜色的步骤。

3.根据权利要求2所述的车辆车身颜色检测识别方法，其特征在于，判断花车车身颜色的方法为：首先，将占比排序第1位的颜色判断为花车第一颜色，其次，判断占比排序第2位的颜色类型，如果不是灰色，则将其判断为花车第二颜色，如果是灰色，则考虑占比排序第3位的颜色的占比值，如果占比值超过阈值Th,则该占比排序第3的颜色判断为花车第二颜色，如果占比值低于阈值Th，则判断灰色为花车第二颜色。

4.根据权利要求1所述的车辆车身颜色检测识别方法，其特征在于，

在所述的训练步骤中，还包括训练出辅颜色模型，所述的辅颜色模型为二分类模型，在所述的步骤（22）中，还包括计算步骤（21）中所得出的各像素点颜色的识别置信度P的步骤，所述的颜色检测识别步骤还包括（3），首先挑选高置信度区域，对该区域进行颜色二次判断，也即：将该区域的所有像素点输入所述的辅颜色模型，进行比对判断输出深色和浅色两种结果。

5.根据权利要求4所述的车辆车身颜色检测识别方法，其特征在于，步骤（3）中，所述的高置信度区域的挑选方式为：遍历占比排序第1位的颜色所有像素点，将这些像素点的识别置信度P与阈值S比较，如果P大于S，则标记该像素点，被标记的像素点的总数为M，若M大于阈值N，则进行颜色二次判断，否则不进行颜色二次判断。

6.根据权利要求4所述的车辆车身颜色检测识别方法，其特征在于，所述的识别置信度P的计算方法为：

P=CP(z)P(w/z)

其中，z为颜色，w为像素，C为常系数，P(z)为某颜色出现的概率，P(w/z)为在某颜色已知的条件下像素出现的概率。

7.根据权利要求1-6任一项权利要求所述的车辆车身颜色检测识别方法，其特征在于，在所述的训练步骤中，采用PLSA方法训练主颜色模型。

8.根据权利要求4所述的车辆车身颜色检测识别方法，其特征在于，在所述的训练步骤中，采用PLSA方法训练辅颜色模型。

9.根据权利要求1-6任一项权利要求所述的车辆车身颜色检测识别方法，其特征在于，在所述步骤（1）中，采用模式识别算法获取所述的矩形区域。

10.根据权利要求9所述的车辆车身颜色检测识别方法，其特征在于，在所述步骤（1）中，还包括将所述的矩形区域的宽、高等比例缩小为原比例的2/3或者4/5的步骤。

Images