CN104019901B - 一种基于动态聚类方法的汽车仪表指示灯颜色检测方法 - Google Patents

Abstract

一种基于动态聚类方法的汽车仪表指示灯颜色检测方法，属于汽车仪表指示灯颜色检测技术领域。本发明针对现有的汽车仪表指示灯颜色检测方法误检率高，检测算法不合理，检测结果可靠性及准确性低的问题，提出了一种基于动态聚类方法的汽车仪表指示灯颜色检测方法。该方法分为指示灯颜色聚类，以及指示灯颜色检测两个部分。本发明适用于汽车仪表指示灯颜色的检测。

Description

一种基于动态聚类方法的汽车仪表指示灯颜色检测方法

技术领域

本发明涉及一种基于动态聚类方法的汽车仪表指示灯颜色检测方法，属于汽车仪表指示灯颜色检测技术领域。

背景技术

汽车仪表制造商会采购各类颜色的LED灯用于汽车仪表指示灯的显示，在仪表的流水线生产中存在因为工人的失误而产生LED灯安装错误的情况，因此在汽车仪表的自动检测中LED灯的检测是必不可少的。LED灯的检测需要检测出连灯、灯颜色错误、灯形状错误等错误情况，在这些错误情况中，灯颜色错误的检测还没有一个合理可靠的检测算法。

在传统的颜色匹配算法中往往根据标准色彩空间来进行判定，方法是读取灯的RGB值，转换到符合人眼识别习惯的HSL等色彩空间内，与标准的色彩值进行比较，当相差超过一定的范围时就判定为错误。该方法最致命的缺点是范围给定没有可靠地依据，大多数根据人的经验，极容易出现误判的情况。其次标准的HSL色彩值与实际获得的指示灯样本的色彩值不吻合，这就导致即使是颜色类型合格的指示灯由于和标准色彩不同而报错。除了检测结果不可靠外，由于检测的结果以数值显示，即使是专业的调试人员也会感到困惑。

由于检测结果不可靠，汽车仪表自动检测中，LED灯颜色的自动检测并不完全自动，往往需要配合人眼来进行结果的判断，这使得汽车仪表自动检测平台效率大大降低，检测结果非常不可靠，因此提出一个更加合理、可靠的汽车仪表指示灯颜色检测方法是非常必要的。

发明内容

本发明的目的是提出一种基于动态聚类方法的汽车仪表指示灯颜色检测方法，以解决针对现有的汽车仪表指示灯颜色检测方法误检率高，检测算法不合理，检测结果可靠性及准确性低的问题。

本发明为解决上述技术问题所采用的技术方案是：

本发明所述的一种基于动态聚类方法的汽车仪表指示灯颜色检测方法，是按照以下步骤实现的：

步骤一、指示灯颜色聚类，具体过程如下：

步骤一一、选择N个合格的汽车仪表指示灯作为初始样本，使用相机获取仪表指示灯工作时的图像，对指示灯像素进行颜色统计分析，从而获取指示灯的RGB值，将指示灯在RGB色彩空间内的数值转化成HSL空间内的数值；

步骤一二、对样本指示灯按颜色分类，具体为：以指示灯的H分量为x轴，L分量为y轴，用z＝(x,y)表示指示灯颜色值；按照指示灯的颜色类型将指示灯分成C个初始聚类，C为指示灯颜色的个数，记N_i是第i个指示灯类型Γ_i中的指示灯数目，m_i是这些指示灯颜色值的均值，即把Γ_i中的各个指示灯颜色值z与指示灯颜色值的均值m_i间的误差平方和，对所有指示灯类型相加后为选取J_e为指示灯分类的准则函数；

步骤一三、从样本中选取一个指示灯Z，其颜色值为z，设Z在指示灯类型Γ_i中；

步骤一四、如果N_i＝1，则转到步骤一三，否则计算

${\mathrm{\ρ}}_j=\left\{\begin{array}{cc}\frac{N_j}{N_j+1}{\left|\right|z-m_j\left|\right|}^2& j\≠i\\ \frac{N_i}{N_i-1}{\left|\right|z-m_j\left|\right|}^2& j=i\end{array}\right.(i,j=\mathrm{0,1},...,C-1)$

对于所有的j，如果存在一个k值，使得ρ_k≤ρ_j则把Z从Γ_i移到Γ_k中去；

步骤一五、重新计算m_i和m_k的值；

步骤一六、重复步骤一三至步骤一五直到遍历完所有样本中的指示灯，此时指示灯样本的分类已经结束；

步骤一七、指示灯样本分类结束后的处理；

步骤二、指示灯颜色检测，具体方法如下：

步骤二一、当有新的指示灯要进行颜色检测时，从数据库中提取聚类方法信息，包括各个指示灯类型的样本数目N_i，颜色值均值m_i，准则函数J_e；

步骤二二、对检测指示灯按颜色分类；

步骤二三、分类标准值的计算

${\mathrm{\ρ}}_j=\left\{\begin{array}{cc}\frac{N_j}{N_j+1}{\left|\right|z-m_j\left|\right|}^2& j\≠i\\ \frac{N_i}{N_i-1}{\left|\right|z-m_j\left|\right|}^2& j=i\end{array}\right.(i,j=\mathrm{0,1},...,C-1)$

对于所有的j，如果存在一个k值，使得ρ_k≤ρ_j则记录这个类型检测结果；

步骤二四、指示灯检测结果的处理。

本发明的有益效果是：

1、仪表制造商采购的指示灯颜色与理论标准颜色值往往存在较大的偏差，以往的方法因为不能分辨出这不同而导致误检率大大增加，误检率达20％～30％。本发明提出的方法以样本的指示灯颜色值为依据，可使误检率低于1％。

2、有些颜色的灯之间数值差别大，而有些颜色的灯之间数值差别小，更麻烦的是没有理论提出什么颜色值误差范围是合理的，这些问题使得现有的颜色检测算法可靠性及准确性都大大降低，本发明另辟蹊径，以理论研究成熟的聚类的方法提出检测标准，大大提高了检测的可靠性及准确性，真正的解决了汽车仪表指示灯颜色自动检测的问题。

3、同时本发明动态的更新聚类的方法，保证了检测标准的实时更新，提高了检测的可靠性。

4、聚类方法初始化阶段可以分析出指示灯样本类型提供是否正确，确保了因人为失误导致指示灯颜色分类标准错误而导致所有结果错误的情况。本发明的检测结果以类型显示，符合人们的认知情况，使得用户对结果有清晰的认识。

总而言之，本方法在大大提高指示灯颜色检测的准确性和可靠性的基础上，保证了方法使用的友好性和健壮性，弥补了汽车仪表自动检测在指示灯颜色检测方面的短板。

附图说明

图1为标准指示灯颜色样本的颜色值分布，总共20个灯，四种颜色：红色、黄色、绿色、蓝色，每个种类颜色的灯5个。指示灯的颜色值由相机获取汽车仪表指示灯的图像后图像处理获得，所有值均为实际测量。x轴表示为灯颜色的H分量，y轴表示为灯颜色的L分量。

图2为实施例一的最终分类结果。指示灯的颜色类型在图2和图1中相同，表明指示灯的最终分类情况和指示灯样本初始分类情况一致，灯样本指示灯颜色类型提供正确、分类合理。

图3为实施例二中的指示灯样本的初始分类情况。

图4为实施例二中的指示灯样本的最终分类情况。

图5为使用本方法实现的指示灯颜色分类情况以及聚类方法的动态更新。图中黄色类型中的小圆圈为待检测的指示灯的颜色值，该指示灯的真实颜色为黄色。使用聚类方法获得的颜色类型为黄色，表明检测结果是正确的，同时该指示灯的颜色值动态的更新了聚类方法。

具体实施方式

具体实施方式一：本实施方式所述的一种基于动态聚类方法的汽车仪表指示灯颜色检测方法，包括以下步骤：

步骤一、指示灯颜色聚类，具体过程如下：

步骤一一、选择N个合格的汽车仪表指示灯作为初始样本，使用相机获取仪表指示灯工作时的图像，对指示灯像素进行颜色统计分析，从而获取指示灯的RGB值，将指示灯在RGB色彩空间内的数值转化成HSL空间内的数值；

步骤一二、对样本指示灯按颜色分类，具体为：以指示灯的H分量为x轴，L分量为y轴，用z＝(x,y)表示指示灯颜色值；按照指示灯的颜色类型将指示灯分成C个初始聚类，C为指示灯颜色的个数，记N_i是第i个指示灯类型Γ_i中的指示灯数目，m_i是这些指示灯颜色值的均值，即把Γ_i中的各个指示灯颜色值z与指示灯颜色值的均值m_i间的误差平方和，对所有指示灯类型相加后为选取J_e为指示灯分类的准则函数；

步骤一三、从样本中选取一个指示灯Z，其颜色值为z，设Z在指示灯类型Γ_i中；

步骤一四、如果N_i＝1，则转到步骤一三，否则计算

${\mathrm{\ρ}}_j=\left\{\begin{array}{cc}\frac{N_j}{N_j+1}{\left|\right|z-m_j\left|\right|}^2& j\≠i\\ \frac{N_i}{N_i-1}{\left|\right|z-m_j\left|\right|}^2& j=i\end{array}\right.(i,j=\mathrm{0,1},...,C-1)$

对于所有的j，如果存在一个k值，使得ρ_k≤ρ_j则把Z从Γ_i移到Γ_k中去；

步骤一五、重新计算m_i和m_k的值；

步骤一六、重复步骤一三至步骤一五直到遍历完所有样本中的指示灯，此时指示灯样本的分类已经结束；

步骤一七、指示灯样本分类结束后的处理；

步骤二、指示灯颜色检测，具体方法如下：

步骤二一、当有新的指示灯要进行颜色检测时，从数据库中提取聚类方法信息，包括各个指示灯类型的样本数目N_i，颜色值均值m_i，准则函数J_e；

步骤二二、对检测指示灯按颜色分类；

步骤二三、分类标准值的计算

${\mathrm{\ρ}}_j=\left\{\begin{array}{cc}\frac{N_j}{N_j+1}{\left|\right|z-m_j\left|\right|}^2& j\≠i\\ \frac{N_i}{N_i-1}{\left|\right|z-m_j\left|\right|}^2& j=i\end{array}\right.(i,j=\mathrm{0,1},...,C-1)$

对于所有的j，如果存在一个k值，使得ρ_k≤ρ_j则记录这个类型检测结果；

步骤二四、指示灯检测结果的处理。

具体实施方式二：本实施方式与具体实施方式一不同的是：步骤一六所述的处理方法如下：

对比指示灯样本最终分类情况和指示灯样本初始分类情况，如果不一致则指示灯样本存在错误，找出并打印错误的指示灯样本；如果一致则表明指示灯样本正确、分类合理，将聚类方法信息存入数据库，作为检测指示灯颜色的聚类标准。其它步骤及参数与具体实施方式一相同。

具体实施方式三：本实施方式与具体实施方式一或二不同的是：步骤二二所述的分类方法如下：

使用相机获取仪表新的指示灯R的图像，对指示灯像素进行颜色统计分析，从而获取指示灯的RGB值，将指示灯在RGB色彩空间内的数值转化成HSL空间内的数值，以指示灯的H分量为x轴，L分量为y轴，用z＝(x,y)表示该指示灯颜色值，并设R在Γ_i中。

其它步骤及参数与具体实施方式一或二相同。

具体实施方式四：本实施方式与具体实施方式一至三之一不同的是：步骤二四所述的处理方法如下：

如果指示灯的检测结果(类型k)与指示灯检测目标值相等，则表明检测正确、分类合理，把Z从Γ_i移到Γ_k中去，并重新计算m_i和m_k的值，将新的聚类方法信息更新至数据库中；如果指示灯的分类结果与指示灯检测目标值不相等，则打印错误信息。其它步骤及参数与具体实施方式一至三之一相同。

为了更好的说明本发明的方法，现给出实施例如下：

实施例一：本实施例中结合标准指示灯颜色样本进行聚类方法的初始化，其具体按照以下步骤进行：

步骤一、选择20个合格的汽车仪表指示灯作为初始样本，红色、黄色、绿色、蓝色各5个，利用图像处理对这些指示灯像素进行颜色统计分析，从而获取指示灯的RGB值，将指示灯在RGB色彩空间内的数值转化成HSL空间内的数值。

步骤二、以指示灯的H分量为x轴，L分量为y轴，用z＝(x,y)表示指示灯颜色值，图1显示了这20个灯的分布情况。将指示灯分成4个初始聚类，用m_r,m_y,m_g,m_b分别表示红色、黄色、绿色、蓝色指示灯颜色值的均值，这些指示灯颜色值的均值为：

$\left\{\begin{array}{c}{m}_r=\left(\mathrm{10.4,83.9}\right)\\ m_y=\left(\mathrm{37.4,83.94}\right)\\ m_g=\left(\mathrm{160.8,80.12}\right)\\ m_b=\left(\mathrm{237.2,85.3}\right)\end{array}\right.$

此时指示灯颜色分类的准则函数为：

步骤三、从样本中选取一个颜色值z＝(16,80.1)的红色灯1，由于灯1在红色样本中i＝r。

步骤四、计算

${\mathrm{\ρ}}_j=\left\{\begin{array}{cc}\frac{N_j}{N_j+1}{\left|\right|z-m_j\left|\right|}^2& j\≠i\\ \frac{N_i}{N_i-1}{\left|\right|z-m_j\left|\right|}^2& j=i\end{array}\right.(i,j=\mathrm{0,1},...,C-1)$

可得：

ρ_r＝58.0；ρ_y＝393.9；ρ_g＝17473；ρ_b＝40797

显然对于所有的j，存在类型r(红色)使得ρ_r≤ρ_j，则把指示灯由红色移动到红色，显然这个分类是正确的。

步骤五、由于分类并没有发生改变，因此各类颜色值的均值及指示灯颜色分类准则函数没有变化，重复执行步骤三至五直到遍历完所有的指示灯。

步骤六、分类结束后对比灯的最终分类情况(图2)和指示灯样本初始分类情况(图1)，因结果一致表明灯样本指示灯颜色类型正确、分类合理，将聚类方法信息存入数据库，作为检测指示灯颜色的聚类标准。

实施例二：为了验证本方法能实现在聚类方法初始化阶段分析出指示灯样本类型提供是否正确，本实施例选择与实施例一相同的标准指示灯，同时将一个红色的指示灯z＝(16,80.1)描述为黄色，一个黄色的指示灯z＝(37,84.7)描述为红色来模拟因人为原因造成的指示灯样本错误的情况下的聚类方法的初始化，其具体按照以下步骤进行：

步骤一、选择20个合格的汽车仪表指示灯作为初始样本，红色、黄色、绿色、蓝色各5个，利用图像处理对这些指示灯像素进行颜色统计分析，从而获取指示灯的RGB值，将指示灯在RGB色彩空间内的数值转化成HSL空间内的数值。

步骤二、以指示灯的H分量为x轴，L分量为y轴，用z＝(x,y)表示指示灯颜色值。将指示灯分成4个初始聚类，用m_r,m_y,m_g,m_b分别表示红色、黄色、绿色、蓝色指示灯颜色值的均值，这些指示灯颜色值的均值为：

$\left\{\begin{array}{c}{m}_r=(14.,\mathrm{6,84.9})\\ m_y=\left(\mathrm{33.4,83.94}\right)\\ m_g=\left(\mathrm{160.8,80.12}\right)\\ m_b=\left(\mathrm{237.2,85.3}\right)\end{array}\right.$

图3显示了这20个灯的颜色值分布情况。

此时指示灯颜色分类的准则函数为：

步骤三、从样本中选取一个颜色值z＝(16,80.1)的红色灯1，由于灯1被描述为黄色，则i＝y。

步骤四、计算

${\mathrm{\ρ}}_j=\left\{\begin{array}{cc}\frac{N_j}{N_j+1}{\left|\right|z-m_j\left|\right|}^2& j\≠i\\ \frac{N_i}{N_i-1}{\left|\right|z-m_j\left|\right|}^2& j=i\end{array}\right.(i,j=\mathrm{0,1},...,C-1)$

可得：

ρ_r＝20.8；ρ_y＝380.5；ρ_g＝17473；ρ_b＝40797

显然对于所有的j，存在类型r(红色)使得ρ_r≤ρ_j，则把指示灯由黄色移动到红色，重新计算各类的均值。

步骤五、从样本中选取一个颜色值z＝(37,84.7)的红色灯2，由于灯2被描述为红色，i＝r。

步骤六、计算

${\mathrm{\ρ}}_j=\left\{\begin{array}{cc}\frac{N_j}{N_j+1}{\left|\right|z-m_j\left|\right|}^2& j\≠i\\ \frac{N_i}{N_i-1}{\left|\right|z-m_j\left|\right|}^2& j=i\end{array}\right.(i,j=\mathrm{0,1},...,C-1)$

可得：

ρ_r＝418.2；ρ_y＝21.5；ρ_g＝12790；ρ_b＝33400

显然对于所有的j，存在类型y(黄色)使得ρ_y≤ρ_j，则把指示灯由红色移动到黄色，重新计算各类的均值，并修改J_e。

步骤七、重复步骤三、四，遍历所有样本中的指示灯获取指示灯样本的最终分类。对比指示灯样本最终分类情况(图4)和指示灯样本初始情况(图3)，发现灯1和灯2与初始分类情况不一致，表明指示灯的初始分类情况有误，打印错误信息提示用户样本颜色类型提供错误。本实施例显示了当因人为失误导致的指示灯样本颜色类型提供错误时，在聚类方法初始化阶段能够发现并识别出错误的灯及错误的类型，这保证了聚类方法不会因为样本错误而产生分类标准上的错误。

实施例三：本实施例显示了如何利用动态聚类方法进行指示灯颜色的检测及如何动态地更新聚类的方法。

步骤一、获取实施例一中存储的聚类方法信息，包括各个指示灯类型的样本数目N_i，颜色值均值m_i，准则函数J_e。

步骤二、使用相机获取仪表新的指示灯的图像，获取该指示灯的颜色值。本例中使用z＝(50.3,91.2)的黄色指示灯进行颜色检测，假设该指示灯在红色类型中。

步骤三、计算

${\mathrm{\ρ}}_j=\left\{\begin{array}{cc}\frac{N_j}{N_j+1}{\left|\right|z-m_j\left|\right|}^2& j\≠i\\ \frac{N_i}{N_i-1}{\left|\right|z-m_j\left|\right|}^2& j=i\end{array}\right.(i,j=\mathrm{0,1},...,C-1)$

可得：

ρ_r＝1095.1；ρ_y＝449.2；ρ_g＝10278；ρ_b＝29139

显然对于所有的j，存在类型y(黄色)使得ρ_y≤ρ_j，该指示灯的颜色检测值为黄色。

步骤四、指示灯的颜色检测值与目标值吻合，表明指示灯检测正确、分类合理，则把指示灯由红色移动到黄色类型，并重新计算m_i和m_k的值，并修改J_e，将新的聚类方法信息更新至数据库中。分类的结果如图5所示。

Claims (4)

1.一种基于动态聚类方法的汽车仪表指示灯颜色检测方法，其特征在于所述方法包括以下步骤：

步骤一、指示灯颜色聚类，具体过程如下：

步骤一一、选择N个合格的汽车仪表指示灯作为初始样本，使用相机获取仪表指示灯工作时的图像，对指示灯像素进行颜色统计分析，从而获取指示灯的RGB值，将指示灯在RGB色彩空间内的数值转化成HSL空间内的数值；

步骤一二、对样本指示灯按颜色分类，具体为：以指示灯的H分量为x轴，L分量为y轴，用z＝(x，y)表示指示灯颜色值；按照指示灯的颜色类型将指示灯分成C个初始聚类，C为指示灯颜色的个数，记N_i是第i个指示灯类型Γ_i中的指示灯数目，m_i是这些指示灯颜色值的均值，即把Γ_i中的各个指示灯颜色值z与指示灯颜色值的均值m_i间的误差平方和，对所有指示灯类型相加后为选取J_e为指示灯分类的准则函数；

步骤一三、从样本中选取一个指示灯Z，其颜色值为z，设Z在指示灯类型Γ_i中；

步骤一四、如果N_i＝1，则转到步骤一三，否则计算分类标准值ρ_j

${\mathrm{\ρ}}_j=\left\{\begin{array}{cc}\frac{N_j}{N_j+1}{\left|\right|z-m_j\left|\right|}^2& j\≠i\\ \frac{N_i}{N_i-1}{\left|\right|z-m_j\left|\right|}^2& j=i\end{array}\right.(i,j=\mathrm{0,1},...,C-1)$

对于所有的j，如果存在一个k值，使得ρ_k≤ρ_j则把Z从Γ_i移到Γ_k中去；

步骤一五、重新计算m_i和m_k的值；

步骤一六、重复步骤一三至步骤一五直到遍历完所有样本中的指示灯，此时指示灯样本的分类已经结束；

步骤一七、指示灯样本分类结束后的处理；

步骤二、指示灯颜色检测，具体方法如下：

步骤二一、当有新的指示灯要进行颜色检测时，从数据库中提取聚类方法信息，包括各个指示灯类型的样本数目N_i，颜色值均值m_i，准则函数J_e；

步骤二二、对检测指示灯按颜色分类；

步骤二三、分类标准值的计算

${\mathrm{\ρ}}_j=\left\{\begin{array}{cc}\frac{N_j}{N_j+1}{\left|\right|z-m_j\left|\right|}^2& j\≠i\\ \frac{N_i}{N_i-1}{\left|\right|z-m_j\left|\right|}^2& j=i\end{array}\right.(i,j=\mathrm{0,1},...,C-1)$

对于所有的j，如果存在一个k值，使得ρ_k≤ρ_j则记录这个类型检测结果；

步骤二四、指示灯检测结果的处理。

2.根据权利要求1所述的一种基于动态聚类方法的汽车仪表指示灯颜色检测方法，其特征在于步骤一六所述的处理方法如下：

对比指示灯样本最终分类情况和指示灯样本初始分类情况，如果不一致则指示灯样本存在错误，找出并打印错误的指示灯样本；如果一致则表明指示灯样本正确、分类合理，将聚类方法信息存入数据库，作为检测指示灯颜色的聚类标准。

3.根据权利要求2所述的一种基于动态聚类方法的汽车仪表指示灯颜色检测方法，其特征在于步骤二二所述的分类方法如下：

使用相机获取仪表新的指示灯R的图像，对指示灯像素进行颜色统计分析，从而获取指示灯的RGB值，将指示灯在RGB色彩空间内的数值转化成HSL空间内的数值，以指示灯的H分量为x轴，L分量为y轴，用z＝(x，y)表示该指示灯颜色值，并设R在Γ_i中。

4.根据权利要求3所述的一种基于动态聚类方法的汽车仪表指示灯颜色检测方法，其特征在于步骤二四所述的处理方法如下：

如果指示灯的检测结果与指示灯检测目标值相等，则表明检测正确、分类合理，把Z从Γ_i移到Γ_k中去，并重新计算m_i和m_k的值，将新的聚类方法信息更新至数据库中；如果指示灯的分类结果与指示灯检测目标值不相等，则打印错误信息。