CN104680195A - 一种自动识别道路卡口视频及图片中的车辆颜色的方法 - Google Patents

Abstract

本发明公开了一种自动识别道路卡口视频及图片中的车辆颜色的方法；该方法包括训练样本的提取与标注、测试样本采集和标注、训练样本和测试样本的颜色空间转换、训练样本和测试样本的颜色分布中心计算、颜色分类识别等步骤；该方法避免了颜色样本的局部区域不稳定的局限性，更准确地识别车辆的颜色特征，降低环境光源的影响；对于治安视频及图像监控数据，由于车辆的颜色在道路上具有较好的稳定性，不易在途中人为改变，在识别及确定车辆上具有重要作用，解决了长期以来不易在车辆所处环境的光照不稳定环境下有效识别车辆颜色的问题，在“智能交通”及“平安城市”建设中起到积极作用。

Description

一种自动识别道路卡口视频及图片中的车辆颜色的方法

技术领域

本发明涉及数字图像处理与模式识别技术，属于机器视觉领域，是一种对道路交通卡口视频及图像中的车辆颜色特征样本提取及识别的方法。

背景技术

随着机动车保有量的快速增长，违章驾驶、违章停放、套牌车、交通肇事后逃逸、以车辆作为犯罪工具的案例日益增多，建设“平安城市”、“智能交通”成为重要的解决途径，对道路交通车辆卡口视频及图片(简称卡口图片)的自动分析就是其中重要的组成部分。

对道路卡口视频及图片的自动分析，其中一个重要内容就是识别车辆颜色。由于在道路上车辆颜色的更改是很困难的，在高速公路上甚至是不可能的，因此车辆颜色特征具有高稳定性，可以作为车辆的有效识别信息。但是颜色受到周围光照的影响很大，由于受到光照的影响，在自动识别过程中识别结果往往会不准确，尤其是在光线过暗或者过亮的情况下。

在判断车辆颜色时，由于样本的提取位置可能存在一定的随意性，有时样本所在区域过亮，有时所在区域过暗，如果单一地从这些区域提取训练样本或测试样本，由于样本本身存在区域性的特点，造成颜色样本的提取位置对于车辆颜色判断会产生很大的影响。

卡口图像的表示以及对图像的常规处理所使用的颜色空间均是RGB空间，该空间的各颜色分量中均含有亮度信号，颜色分量对于环境光照很敏感，因此在光线较亮或较暗时往往会造成颜色判断错误，这在自动颜色识别时尤其严重。目前的车辆颜色识别算法中，基本上是在RGB空间实现的，这就不可避免地存在如下问题：

1)颜色识别易产生错误

当图像在RGB空间表示时，亮度信号同时存在于R、G、B颜色分量中，实际上是上述三个分量的线性组合，图像对于外界光照非常敏感。然而实际车辆的颜色本身并不会因外界光照而改变，车辆颜色本身是固定的，因此颜色识别易产生错误。

2)车辆精确定位错误

在对车辆的颜色自动识别出错时，错误的识别结果会进一步会影响到对车辆的精确定位；由于单用常规的背景减除不足以实现对车辆的精确定位，在结合车辆颜色前景做精确

定位时，颜色判断错误会直接影响定位结果的准确性。

发明内容

本发明的目的是克服现有技术存在的问题，提供一种可排除光照对于车辆颜色识别的干扰，并能够减小基于颜色识别的车辆精确定位受到光照的影响的自动识别道路卡口视频及图片中的车辆颜色的方法。

本发明包括卡口图片中车辆颜色样本提取以及颜色空间转换后识别两个部分，并且在样本的有效提取与颜色空间转换两方面减小外界光照的干扰，解决因为光照对于车辆颜色识别的所产生的不良作用。

本发明目的通过如下技术方案实现：

一种自动识别道路卡口视频及图片中的车辆颜色的方法，包括如下步骤：

1)读取道路卡口图片；

2)从道路卡口图片集合中的车辆上提取不同的颜色样本并进行标注，作为训练样本；采集样本时选取不同卡口车辆图片中颜色样本的数据，主要提取区域是发动机盖，选取的颜色样本覆盖车辆上不同区域与不同光照环境；标注所述汽车颜色样本，确定属于颜色类型；

3)从道路卡口图片中提取待分类的颜色样本，样本提取区域覆盖待分类车辆的不同位置，提取区域主要是发动机盖，获得测试样本；

4)将已标注颜色的训练样本以及待分类车辆颜色的测试样本由RGB空间转化到YCbCr空间；

5)在YCbCr空间，计算测试样本所组成集合在CbCr坐标平面上分布的均值矢量与训练样本的均值矢量之间的欧几里德距离，按照最近邻规则将颜色的测试样本判断为距离最近的训练样本所属的颜色。

为进一步实现本发明目的，优选地，所述读取道路卡口图片的方法是将待判读的卡口图片读到变量中，图像在RGB空间表示。

优选地，所述步骤2)的颜色提取与标注方法如下：

21)在作为车辆图片中的车身区域，提取车辆颜色的训练样本，该样本提取区域不属于汽车保险杠区域、发动机进风口区域、挡风玻璃区域、车灯区域、车辆装载货物区域等非车身着漆的区域；

22)车辆颜色样本在车辆的不同部位提取，在车辆上提取的样本包括正常光照、光照偏暗、光照偏亮三种情况，提取区域以抽样的方式全面覆盖车辆的车身着漆的区域；

23)将样本颜色人工标注，对样本颜色的判别以人工对车辆颜色的整体判断为依据。

优选地，所述步骤3)从道路卡口图片中提取待分类的颜色样本包括：

31)在道路卡口图片中的样本提取区域不属于汽车保险杠区域、发动机进风口区域、挡风玻璃区域、车灯区域、车辆装载货物区域等非车身着漆的区域；

32)车辆颜色样本在车辆的不同部位提取，在车辆上提取的样本包括正常光照、光照偏暗、光照偏亮三种情况，提取区域以抽样的方式全面覆盖车辆的车身着漆的区域。

优选地，所述步骤4)的颜色空间的转换方法如下：

41)将在RGB空间表示的颜色样本的R、G、B分量按照下式做颜色空间转换，得到样本在YCbCr颜色空间中表示时的各分量：

$\left\{\begin{array}{c}Y=\mathrm{aR}+\mathrm{bG}+\mathrm{cB}\\ \mathrm{Cb}=k_b(B-Y)\\ \mathrm{Cr}=k_r(R-Y)\end{array}\right.$

式中，R、G、B代表红、绿、蓝三个通道的颜色分量；a、b、c、k_b、k_r均是作为系数的常数，称为转换系数,转换系数通过实验确定，Y为亮度信号分量；

在转换过程中，转换系数以R、G、B分量为基础，先通过线性组合计算亮度信号Y；再计算蓝色分量B与亮度信号Y的差，将结果乘以系数k_b，得到Cb分量；计算红色分量R与亮度信号Y的差，将结果乘以系数k_r，得到Cr分量；

42)将上述的各个色差空间的分量按照四舍五入取整。

优选地，所述步骤5)的颜色识别的方法如下：

51)根据提取的用于人工标注的颜色样本，计算各样本在Cb、Cr坐标空间中的分布，根据颜色变化的渐变特性，大量颜色样本在Cb、Cr空间的分布满足多高斯分布模型；提取不同颜色的车辆的颜色样本在Cb、Cr坐标平面中的样本中心及样本分布参数，得各均值矢量u_i与标准差矢量d_i，该矢量分别由训练样本的Cb、Cr的均值及其标准差组成，i代表颜色种类序号；

52)黑色、灰色、白色在Cb、Cr平面的分布上一致，需要额外处理：提取白色和黑色训练样本所对应的亮度Y的均值T_h和T_l及其标准差d_h与d_l；

53)对于待分类的某一车辆的测试样本，计算该样本集合中所有像素点在Cb、Cr空间分布的均值V与标准差D，分别由待分类的测试样本的Cb、Cr的均值，以及样本在Cb、Cr空间的标准差组成；

54)计算测试样本在CbCr空间分布的均值与训练样本的均值的距离du_i；i代表不同颜色；

55)将所述距离按照du_i的升序排序，du_i反映了测试样本颜色可能性大小的顺序，d_i反映了置信度在68％时的偏离颜色中心的色差分量单位数；

56)将排序后的du_i前三个结果输出，分别是最可能、次可能、第三可能的车辆颜色；

57)对于黑色、灰色、白色的训练样本，其在Cb、Cr空间的分布是相同的，训练样本标注还需通过颜色的亮度分量Y的不同而区分；提取白色和黑色颜色样本的亮度均值，分别记为T_h和T_l，计算方法见式(7)，计算白色和黑色样本对应的亮度分量的标准差d_h和d_l，计算方法见式(8)；

$T_j=\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{Y}_j,j=h,l---\left(7\right)$

$d_j=\sqrt{\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{(Y_j-T_j)}^2},j=h,l---\left(8\right)$

式中，j取h，l分别代表白色、黑色样本，N是样本数；式(8)中T_j的定义如式(7)所示，Y_j表示白色及黑色颜色样本在YCbCr空间中的亮度分量；

58)根据测试样本在YCbCr空间的Cb、Cr分量的均值，依照最近邻法则确定为属于黑色、灰色、白色的样本，通过亮度分量Y做进一步区分；Y大于T_h+d_h时，识别为白色；Y小于T_l-d_l时，识别为黑色；Y在此之间的样本为识别为灰色；参数T_h与T_l，以及d_h与d_l由步骤52)得到。

本发明提供一种针对道路卡口图片中车辆颜色的自动识别方法，目前在该领域中对于车辆的颜色识别效果不佳，识别率较低，根本原因是现有方法颜色受到环境光照的影响太大，造成识别结果不稳定。本发明则从根本上解决了该问题，大幅度减小了外界光照的影响。该发明应用于车辆颜色识别中，识别率明显高于现有方法的颜色识别率，具有明显的优势。

车辆颜色的训练样本与测试样本的提取具有全局性，能够表征车辆颜色的有效特征，具有抗局部噪声与光照不良的特点；卡口图片一般均在RGB空间生成及表示，本方法对道路卡口图片中车辆颜色进行颜色空间转换后再行分类，适于识别在不同光照条件下的车辆颜色。由于颜色空间众多，适用于汽车颜色分类的空间需通过实验验证。本发明通过对车辆图片去噪、定位、提取颜色样本，并通过实验测试，车辆的颜色空间分布呈现高斯分布特征，车辆的十种颜色的统计特性参数均很稳定，可以较好地区分开来。

本发明创造能带来的有益效果：

1、本发明对道路卡口图片的机动车颜色自动识别，预先对图像做颜色空间转换，所使用的颜色空间对光照不敏感，稳定性强，有效地提高识别率；

2、本发明在车辆颜色的标注以及识别过程中，车辆颜色样本的选取，覆盖了车辆的颜色区域的不同光照条件的区域，提取的样本具有更好的全局性；

3、本发明应用面广，可用于治安监控、机动车违章探查等领域。

附图说明

图1为自动识别道路卡口图片中的车辆颜色识别算法的组成框图；

图2为自动识别道路卡口图片中的车辆颜色的识别算法流程图。

具体实施方式

为更好地理解本发明，下面结合附图对本发明作进一步的说明，但是本发明的实施方式不限如此。

如图1所示，自动识别道路卡口及图片中的车辆颜色方法，包括训练样本的提取与标注、测试样本采集和标注、训练样本和测试样本的颜色空间转换、训练样本和测试样本的颜色分布中心计算、颜色分类识别等步骤。

训练样本为已经标注颜色的车辆图片中提取的车辆的颜色样本；训练样本的数量原则上每种颜色样本不少于500幅，颜色样本需要覆盖所有的汽车颜色，即黑色、白色、灰色、红色、粉色、黄色、绿色、蓝色、紫色、棕色(但不局限于所列的种类)；测试样本只需要在待识别的卡口图片中的车辆上提取数个颜色样本即可，识别其属于哪一种颜色。

测试样本为卡口图片中待识别车辆的颜色样本；测试样本是从道路卡口获得的待识别车辆上提取的颜色样本，该样本颜色对于该车的颜色具有代表性，由程序自动提取。

具体而言，如图2所示，一种自动识别道路卡口视频及图片中车辆颜色的方法包括如下步骤：

1)训练样本的提取与标注和测试样本的提取：从卡口图片中提取车辆的训练颜色样本，并对其所属颜色进行标注；为不失一般性，从不同卡口、在不同时段下选取训练样本图片；在上述图片中的车辆区域上，选取光照正常、光照不足、过度光照的情况下的颜色样本，建立样本库并标注训练样本颜色；选取颜色样本时，样本的面积应尽量大，但应以在样本区域光照基本均匀且颜色基本不变为限，样本的边界为矩形；样本提取区域不包括保险杠区域、发动机进气口区域、挡风玻璃区域、车灯区域、车窗区域、车辆装载的货物区域等非车身着漆或着漆不稳定的区域；对提取的上述样本的颜色做人工标注，标注的颜色以车辆的整体颜色为基准判断；人工标注时，为避免人工判读的个体习惯差异而导致标注不准或有倾向性，至少由两人以上独立地标注；车辆颜色样本尽可能在车辆的不同部位提取，以减少样本局部颜色畸变或光照变化影响所带来颜色的不稳定。上述样本提取原则对训练样本与测试样本均适用，唯一不同的是，训练样本由人工在卡口图片中提取，这部分图片将会被人工标定颜色；测试样本通过本识别方法自动判断其颜色。

2)训练样本和测试样本由RGB空间转换到YCbCr空间：将训练样本和测试样本由RGB颜色空间的表示转换到YCbCr颜色空间的表示；YCbCr颜色空间为色差空间，转换的方法如下：

将在RGB空间表示的训练样本和测试样本的R、G、B分量按照式(1)做颜色空间转换，得到样本在YCbCr颜色空间中表示时的各分量：

$\left\{\begin{array}{c}Y=\mathrm{aR}+\mathrm{bG}+\mathrm{cB}\\ \mathrm{Cb}=k_b(B-Y)\\ \mathrm{Cr}=k_r(R-Y)\end{array}\right.---\left(1\right)$

式中，Y为亮度信号；R、G、B代表图像在RGB颜色空间中红、绿、蓝三种基本颜色分量；Cb和Cr分别为蓝色和红色分量的与亮度无关的色差信号；a、b、c分别是红、绿、蓝分量对亮度的贡献系数，该系数与人眼对三原色的不同颜色成分的敏感度有关；这三个系数的总和为1，各系数的取值是介于0到1之间的实数；k_b、k_r分别为蓝色色差分量转换系数与红色色差分量转换系数，取值范围为0到1之间的实数，在具体使用时为常数。转换系数的取值可以参考如下取值：a＝0.299,b＝0.578,c＝0.114,k_b＝0.56,k_r＝0.71。在转换过程中，转换系数可以略有不同，但均是以R、G、B分量的线性组合计算亮度信号Y；再计算B分量与亮度信号Y的差，再乘以系数k_b，得到Cb分量；计算R分量与亮度信号Y的差，再乘以系数k_r，得到Cr分量。最后将各个色差空间的分量按照四舍五入取整。

经过上面的变换，将颜色样本由RGB颜色空间转换到YCbCr颜色空间，由于亮度信号Y被从颜色分量中分离，Y变量与亮度相关；而决定样本颜色的Cb、Cr分量对光照的亮度不敏感，因而对于识别车辆颜色有抗光照不良作用；由于样本的颜色变化具有渐变特性，大量颜色样本在Cb、Cr空间的分布近似满足多高斯分布模型；

3)训练样本和测试样本均值矢量与标准差矢量计算

计算车辆的颜色训练样本中的所有像素点在Cb、Cr空间分布的均值u_i与标准差d_i，计算车辆的颜色测试样本中的所有像素点在Cb、Cr空间分布的均值V_Cbi、V_Cri与标准差D_Cbi、D_Cri；下标i表示不同颜色的序号,取值为1到10的自然数，分别表示黑、灰、白、棕、红、粉、黄、绿、紫、蓝色。

均值与方差的计算公式如式(2)-(4)所示。这里以测试样本的均值矢量和标准差矢量计算为例，对于训练样本其计算公式是一样的。

$V_{{\mathrm{Cb}}_i}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{Cb}}_i,i=1...10---\left(2\right)$

$V_{{\mathrm{Cr}}_i}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{Cr}}_i,i=1...10---\left(3\right)$

$D_{{\mathrm{Cr}}_i}=\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{({\mathrm{Cr}}_i-V_{{\mathrm{Cr}}_i})}^2},i=1...10---\left(4\right)$

上述公式(2)到(4)中，Cr_i、Cb_i分别表示不同颜色的对应色差信号分量，下标i表示不同颜色；N表示样本个数，对于训练样本N的取值在上文中已经谈到，但是对于测试样本，样本数量没有要求。Cb_i的方差计算可参照公式(4)。

计算测试样本在CbCr空间中分布的均值矢量V_i与训练样本的均值矢量u_i的欧氏距离du_i,如式(5)所示。u_i的计算方法与V_i同，区别仅是针对训练样本。

du_i＝V_i-u_i i＝1...10   (5)

计算测试样本在CbCr空间中像素点分布的标准差矢量D_i与训练样本的标准差矢量d_i的差dd_i，如式(6)所示。

dd_i＝D_i-d_i i＝1...10   (6)

这里的D_i是指D_Cri或D_Cbi，计算方法见式(4)。对于后者，在式(4)中的参数Cr对应的位置改为Cb即可。d_i表示训练样本的Cr或Cb分量的标准差，计算方法见式(4)，区别是对训练样本计算。du_i表示测试样本与训练样本的Cr或Cb分量的均值的差异；dd_i表示测试样本与训练样本的Cr或Cb分量的标准差的差异。式(5)及(6)中求差是对测试样本与训练样本分别求其Cb或Cr分量的差。

将得到的du_i按照降序排序；du_i反映了按照可能性大小得到的颜色顺序，d_i反映置信度在68％时的颜色偏离值，d_i对排序没有影响，但决定了置信度；将排序后的du_i顺次输出，前三个输出值分别是最可能、次可能、第三可能的车辆颜色；

将表征样本中心值及样本分散状态的均值与标准差按照下标i由1到10的顺序足组合构成均值矢量与标准差矢量，表征各样本在Cb、Cr空间中的整体分布。

4)白色、灰色、黑色的车辆颜色样本附加处理

上述步骤中对白色、灰色及黑色的车辆颜色的训练样本，除了与其它颜色相同的处理步骤外，由于这三种颜色在CbCr空间的分布相同，还要提取白色和黑色颜色样本的亮度均值，分别记为T_h和T_l，计算方法见式(7)，作为对测试样本做识别的门限参数；并计算白色和黑色样本对应的亮度分量的标准差d_h、d_l，计算方法见式(8)；

$T_j=\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{Y}_j,j=h,l---\left(7\right)$

$d_j=\sqrt{\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{(Y_j-T_j)}^2},j=h,l---\left(8\right)$

式中，j取h，l分别代表白色、黑色样本，N是样本数；式(8)中T_j的定义如式(7)所示，Y_j表示白色及黑色颜色样本在YCbCr空间中的亮度分量。

对黑色、灰色、白色的测试样本，由于其色差分量在CbCr空间分布一致，其颜色的区别不再单独以Cb、Cr的分布确定，而是辅以通过在白、灰、黑色样本具有相同Cb、Cr位置上的样本亮度值Y的差异区分；颜色样本的亮度分量Y大于T_h+d_h时，识别为白色的样本；样本的亮度分量Y小于T_l-d_l时，识别为黑色的样本；Y在此之间的样本为识别为灰色；参数T_h与T_l由实验得到，并通过对训练样本的黑色、白色的平均亮度分别增加与减少相应颜色的一个标准差得到，在此区间之间的颜色判断为灰色。

由于道路上车辆的颜色具有不易人为改变的特征，在针对车辆卡口图像的车辆特征识别中，起着非常重要的作用；但是颜色判别受到外界光照的影响，而本发明则从根本上解决了该问题，最大限度地降低了外界光照的影响，并将其应用于实际系统的车辆二次识别中。对2225个实际车辆卡口图片颜色样本的颜色识别准确率达到94.01％，高于目前已经报道的其他车辆颜色识别系统的识别准确率，具有明显的优势。

Claims (6)

1.一种自动识别道路卡口视频及图片中的车辆颜色的方法，其特征在于包括如下步骤：

1)读取道路卡口图片；

2)从道路卡口图片集合中的车辆上提取不同的颜色样本并进行标注，作为训练样本；采集样本时选取不同卡口车辆图片中颜色样本的数据，主要提取区域是发动机盖，选取的颜色样本覆盖车辆上不同区域与不同光照环境；标注所述汽车颜色样本，确定属于颜色类型；

3)从道路卡口图片中提取待分类的颜色样本，样本提取区域覆盖待分类车辆的不同位置，提取区域主要是发动机盖，获得测试样本；

4)将已标注颜色的训练样本以及待分类车辆颜色的测试样本由RGB空间转化到YCbCr空间；

5)在YCbCr空间，计算测试样本所组成集合在CbCr坐标平面上分布的均值矢量与训练样本的均值矢量之间的欧几里德距离，按照最近邻规则将颜色的测试样本判断为距离最近的训练样本所属的颜色。

2.根据权利要求1所述的自动识别道路卡口视频及图片中的车辆颜色的方法，其特征在于，所述读取道路卡口图片的方法是将待判读的卡口图片读到变量中，图像在RGB空间表示。

3.根据权利要求1所述的自动识别道路卡口视频及图片中的车辆颜色的方法，其特征在于，所述步骤2)的颜色提取与标注方法如下：

21)在作为车辆图片中的车身区域，提取车辆颜色的训练样本，该样本提取区域不属于汽车保险杠区域、发动机进风口区域、挡风玻璃区域、车灯区域、车辆装载货物区域等非车身着漆的区域；

22)车辆颜色样本在车辆的不同部位提取，在车辆上提取的样本包括正常光照、光照偏暗、光照偏亮三种情况，提取区域以抽样的方式全面覆盖车辆的车身着漆的区域；

23)将样本颜色人工标注，对样本颜色的判别以人工对车辆颜色的整体判断为依据。

4.根据权利要求1所述的自动识别道路卡口视频及图片中的车辆颜色的方法，其特征在于，所述步骤3)从道路卡口图片中提取待分类的颜色样本包括：

31)在道路卡口图片中的样本提取区域不属于汽车保险杠区域、发动机进风口区域、挡风玻璃区域、车灯区域、车辆装载货物区域等非车身着漆的区域；

32)车辆颜色样本在车辆的不同部位提取，在车辆上提取的样本包括正常光照、光照偏暗、光照偏亮三种情况，提取区域以抽样的方式全面覆盖车辆的车身着漆的区域。

5.根据权利要求1所述的自动识别道路卡口视频及图片中的车辆颜色的方法，其特征在于，所述步骤4)的颜色空间的转换方法如下：

41)将在RGB空间表示的颜色样本的R、G、B分量按照下式做颜色空间转换，得到样本在YCbCr颜色空间中表示时的各分量：

$\left\{\begin{array}{c}Y=\mathrm{aR}+\mathrm{bG}+\mathrm{cB}\\ \mathrm{Cb}=k_b(B-Y)\\ \mathrm{Cr}=k_r(R-Y)\end{array}\right.$

式中，R、G、B代表红、绿、蓝三个通道的颜色分量；a、b、c、k_b、k_r均是作为系数的常数，称为转换系数,转换系数通过实验确定，Y为亮度信号分量；

在转换过程中，转换系数以R、G、B分量为基础，先通过线性组合计算亮度信号Y；再计算蓝色分量B与亮度信号Y的差，将结果乘以系数k_b，得到Cb分量；计算红色分量R与亮度信号Y的差，将结果乘以系数k_r，得到Cr分量；

42)将上述的各个色差空间的分量按照四舍五入取整。

6.根据权利要求1所述的自动识别道路卡口视频及图片中的车辆颜色的方法，其特征在于，所述步骤5)的颜色识别的方法如下：

51)根据提取的用于人工标注的颜色样本，计算各样本在Cb、Cr坐标空间中的分布，根据颜色变化的渐变特性，大量颜色样本在Cb、Cr空间的分布满足多高斯分布模型；提取不同颜色的车辆的颜色样本在Cb、Cr坐标平面中的样本中心及样本分布参数，得各均值矢量u_i与标准差矢量d_i，该矢量分别由训练样本的Cb、Cr的均值及其标准差组成，i代表颜色种类序号；

52)黑色、灰色、白色在Cb、Cr平面的分布上一致，需要额外处理：提取白色和黑色训练样本所对应的亮度Y的均值T_h和T_l及其标准差d_h与d_l；

53)对于待分类的某一车辆的测试样本，计算该样本集合中所有像素点在Cb、Cr空间分布的均值V与标准差D，分别由待分类的测试样本的Cb、Cr的均值，以及样本在Cb、Cr空间的标准差组成；

54)计算测试样本在CbCr空间分布的均值与训练样本的均值的距离du_i；i代表不同颜色；

55)将所述距离按照du_i的升序排序，du_i反映了测试样本颜色可能性大小的顺序，d_i反映了置信度在68％时的偏离颜色中心的色差分量单位数；

56)将排序后的du_i前三个结果输出，分别是最可能、次可能、第三可能的车辆颜色；

57)对于黑色、灰色、白色的训练样本，其在Cb、Cr空间的分布是相同的，训练样本标注还需通过颜色的亮度分量Y的不同而区分；提取白色和黑色颜色样本的亮度均值，分别记为T_h和T_l，计算方法见式(7)，计算白色和黑色样本对应的亮度分量的标准差d_h和d_l，计算方法见式(8)；

$T_j=\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{Y}_j,h=h,l---\left(7\right)$

$d_j=\sqrt{\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{(Y_j-T_j)}^2},j=h,l---\left(8\right)$

式中，j取h，l分别代表白色、黑色样本，N是样本数；式(8)中T_j的定义如式(7)所示，Y_j表示白色及黑色颜色样本在YCbCr空间中的亮度分量；

58)根据测试样本在YCbCr空间的Cb、Cr分量的均值，依照最近邻法则确定为属于黑色、灰色、白色的样本，通过亮度分量Y做进一步区分；Y大于T_h+d_h时，识别为白色；Y小于T_l-d_l时，识别为黑色；Y在此之间的样本为识别为灰色；参数T_h与T_l，以及d_h与d_l由步骤52)得到。