CN104715239B - 一种基于去雾处理和权重分块的车辆颜色识别方法 - Google Patents

Abstract

本发明公开了一种基于去雾处理和权重分块的车辆颜色识别方法。包括以下步骤：采集待识别的车辆图像；对采集到的车辆图像进行预处理；将处理好的图像进行图像权重分块；分别对每一块图像进行RGB向HSV颜色空间转换，把图像按照H、S、V分量分成三个独立的单通道，分别统计每一通道不同像素的直方图，找到每一通道直方图中的最大值，将三个通道的最大值合并，得到该块图像主要颜色的H、S、V个分量的值；对所有分块图像的颜色进行搜索，找出所有分块图像中出现最多的颜色作为车辆颜色的备选颜色，根据H、V值进行颜色分类，确定最终的车辆颜色。本发明具有准确率高、鲁棒性好、实用性高的优点。

Description

一种基于去雾处理和权重分块的车辆颜色识别方法

技术领域

本发明属于图像处理领域，尤其涉及一种不受光照或者天气影响的，基于去雾处理和权重分块的车辆颜色识别方法。

背景技术

随着经济的快速发展和道路交通的发展，汽车的数量大大增加，同时汽车的监管问题也随着汽车数量的增加而日趋繁重，仅仅依靠人力已经不能满足需求，在这种情况下智能交通系统应运而生。在需要进行车辆识别的高速公路收费口、停车场进出口以及小区进出口，用摄像机对车辆图像进行采集，然后对采集的图像进行车辆牌照号码、车身颜色和车标等信息的识别，其中车身颜色是不可或缺的一部分。有些不法分子利用车辆一车多牌或是一牌多车来逃避高速公路收费和小区管理等，在这种车牌号无法识别或区分的情况下，就要依靠车辆的其他信息进行区分，而车辆颜色特征是首选。

目前车身颜色的识别算法有很多，包括RGB欧式距离识别法，模式分类识别法、基于支持向量机的车身颜色识别方法等，其中基于支持向量机的的识别算法，实现了对图像的预处理，颜色识别区域的定位，定位后在Lab空间上提取特征值，最后利用支持向量机进行车身颜色的识别。但是该方法仍存在很多缺陷：受光照等影响降低了识别效率，受其他物品颜色的干扰无法正确识别出车身的颜色，感兴趣区域的定位直接影响颜色识别的结果，当定位不准确时，颜色识别就会受到很大的干扰。

发明内容

本发明的目的是提供一种准确率高、鲁棒性好、实用性高的，基于去雾处理和权重分块的车辆颜色识别方法。

本发明是通过以下技术方案实现的：

一种基于去雾处理和权重分块的车辆颜色识别方法，包括以下几个步骤，

步骤一：采集待识别的车辆图像；

步骤二：对采集到的车辆图像进行预处理；

步骤三：将处理好的图像进行图像权重分块；

步骤四：分别对每一块图像进行RGB向HSV颜色空间转换，把图像按照H、S、V分量分成三个独立的单通道，分别统计每一通道不同像素的直方图，找到每一通道直方图中的最大值，将三个通道的最大值合并，得到该块图像主要颜色的H、S、V个分量的值；

步骤五：对所有分块图像的颜色进行搜索，找出所有分块图像中出现最多的颜色作为车辆颜色的备选颜色，根据H、V值进行颜色分类，选取图像中间的一块图像进行颜色识别，得出该块图像的颜色与之前的备选颜色进行对比，确定最终的车辆颜色。

本发明一种基于去雾处理和权重分块的车辆颜色识别方法，还可以包括：

1、对采集到的车辆图像进行预处理包括颜色直方图均衡化，具体过程为：

首先，将车辆图像三通道分成三个独立的单通道；

其次，对每个通道进行灰度直方图均衡化；

最后，将均衡化后的三个通道合并为一个通道。

2、对采集到的车辆图像进行预处理包括去雾处理，具体过程为：

步骤a：计算出图像的暗通道，提取出暗通道的最大值作为大气光的强度；

步骤b：对暗通道图像进行高斯滤波；

步骤c：计算滤波后图像的绝对差和透射率；

步骤d：根据暗通道公式和雾化图像模型计算去雾后的车辆图像。

有益效果：

本发明提出一种鲁棒性好，不受背景等其他颜色干扰、不受光照和天气影响可以准确识别出车辆真实颜色的技术方案，提供了一种准确率高、鲁棒性好、实用性高的基于去雾处理和权重分块的车辆颜色识别方法。本发明的基于权重分块的直方图统计颜色识别方法，避免了颜色的定位和背景颜色的干扰，对于实际生活中光照和雾化的图片有很好的改善，对于背景等其他颜色干扰的图像具有很好的鲁棒性。

附图说明

图1为本发明的车辆颜色识别构成方框图；

图2为本发明的权重分块车身颜色识别处理流程图；

图3为本发明的车辆实例图像权重分块示意图；

图4为本发明的车辆颜色识别算法框架结构图。

具体实施方式

下面将结合附图对本发明做进一步详细说明。

本发明主要针对高速公路收费口和小区进出口等车辆和摄像机相对位置固定的场所，采集的图像中车辆的信息和位置比较集中。为了实现上述的技术问题，本申请所述的识别方法包括以下步骤：

A、采集待识别的车辆图像，统一成标准图像大小，作为输入；

B、采集到的图像受强光或阴影影响要将图片进行颜色直方图均衡化，雾天采集的图像要进行去雾处理，对于图片质量好的图片可以选择直接进行下一步；

C、将处理好的图像进行图像权重分块；

D、然后分别对每一块图像进行RGB向HSV空间颜色转换，并进行颜色直方图统计，获取最大值；

E、对所有分块图像的颜色进行搜索，找出这些分块图像中出现频率最多的颜色，作为车辆颜色的备选颜色，然后根据H、V值进行颜色分类，再选取图像中间的一块进行颜色识别，得出这块图像的颜色与之前的备选颜色进行对比，确定最终的颜色。

步骤B中的彩色图像颜色直方图均衡化所采取的方法是将彩色图像三通道分成三个独立的单通道，然后对每个通道进行灰度直方图均衡化，再将均衡化的三个通道合并为一个通道。

对原始图像进行去雾处理，从而恢复出图像原有的颜色，这一过程是基于图像的暗通道原理实现的，包括：

根据暗通道原理计算出图像的暗通道，提取出暗通道的最大值作为大气光的强度；

对暗通道图像进行高斯滤波；

计算滤波前后图像的绝对差和透射率；

最后根据雾化图像模型和暗通道先验公式计算最终的去雾结果。

步骤C中对图像进行分块，车辆信息比较集中于图像的中部，分块时中部部分权重大一些，对于边缘处背景的影响权重小一些，分块的数量可根据实际情况而定。

为了使本发明的目的、技术、优点和使用价值易于明白理解，以下结合附图和具体实施例对本发明进行详细描述。

图1所示是本发明车辆颜色识别的整体构成框图，具体的实施步骤如下：

1、先用摄像机采集实际应用场合的车辆图像，传到PC机上，将采集的车辆图像统一成800*600大小的图像作为输入；

2、之后对于采集的图像在强光或是阴影情况下，要对图像进行颜色直方图均衡化处理，颜色直方图均衡化可以有效的处理实际应用中强光或是阴影对于图像的干扰，本发明中采集的图像是RGB空间的彩色图像，首先将彩色图像分成三个单通道的图像，然后分别统计每一个通道不同灰度级的像素点的个数，找到个数在峰值左右的范围，并将过于密集的灰度级扩大到大范围的灰度级，实际上就是对不同灰度级进行统计，然后重新分配，最后将均衡化后的三个通道合并，从而完成了图像的直方图均衡化，去除了强光和阴影的干扰，有助于接下来的车辆颜色识别。

3、遇到雨天或是雾天，采集到的图像模糊不清，还要进行去雾处理，在雨天或是雾天采集的图像模糊不清，导致颜色识别不准确，颜色直方图均衡化只能改善图像的质量，对于这种模糊的效果很难起作用，去雾处理是基于暗通道先验理论的统计学的一种方法，彩色图像是三通道的图像，在一张雾化的图片中，遍历所有的像素点，找出每一个像素的R、G、B三个值中的最小值，由这些点组成图像就是暗通道图像，根据雾化模型和暗通道先验理论，我们可以把暗通道中的最大值作为大气光强度A，然后对暗通道图像进行高斯滤波，计算滤波前后图像的绝对差，结果用于计算透射率t(x)，根据暗通道公式定义J^dark(x)＝min_{c∈(r，g，b)}(min_y∈Ω(x)(J^c(y)))和雾化模型I(x)＝J(x)t(x)+A(1-t(x))，可以求出车辆原有图像J(x)，其中I(x)表示雾化的图片。经过去雾处理后的图像可以很好的显示出车辆原有的颜色，即使在雨天和雾天这种恶劣的天气条件下，也能准确的识别出车辆的颜色，体现了本发明颜色识别技术的准确率和实际应用性。

4、最后经过均衡化处理和去雾处理后得到的图像作为权重分块车身颜色识别的输入，具体步骤流程图如图2所示，

图像经过处理后，接下来要进行车身颜色的提取和识别，如附图2所示，图像权重分块的输入就是直方图均衡化和去雾后的图像，对于提取的图像可以认为出现频率最多的颜色为车辆的主要颜色，但是一幅图像中受背景的影响，会出现几个主要的颜色，本发明采用图像权重分块来解决这一问题，采集到的图像中车辆集中在图像的中部，图片的四个角中车辆的有用信息很少，所以本实施例将图像按照权重比例分成12块(实际应用中可以根据需要任意划分块)，以左上角为原点，提取图像的块感兴趣区域保存起来，这样就将一张图像分割成了12张小图像，如附图3所示，然后分别对每块图像进行RGB到HSV颜色空间转换，以适合颜色直方图的统计，转换到HSV颜色空间后，把图像按照H、S、V分量分成三个独立的单通道，然后分别统计每一通道不同像素的直方图，找到每一通道直方图中的最大值，然后将H、S、V三个通道中直方图的最大值提取出来合并在一起，此时就获得了该块图像主要颜色的H、S、V个分量的值，本发明把车辆的颜色分成黑、白、红、黄、蓝、绿、紫、银和银灰这9种颜色，在HSV颜色空间中H分量包含了彩色信息，V分量包含了灰度信息，因此利用H、V分量的值可以进行颜色分类，对每一块分割的图像进行同样的操作，提取出每一块图像的主要颜色保存到数组中，然后再统计这12块图像主要颜色出现的次数，把出现次数最多的颜色作为车辆的主要颜色，最后把提取出的车辆颜色转换到RGB空间进行颜色输出，至此完成了车辆颜色特征的识别。

本发明在软件实现上思路清晰，框架结构如附图4所示，首先采集目标图像，之后进入到图像处理阶段对图像进行颜色提取等操作，最后在PC机上显示出来，再进行下一图像颜色提取。

由上可知，整个车辆颜色识别方法适合于外界复杂的环境，实际应用性很强，所述的车辆颜色识别方法包括图像的去噪和颜色特征的提取，可以对车辆的主要颜色进行识别，便于车辆的管理。

Claims (3)

1.一种基于去雾处理和权重分块的车辆颜色识别方法，其特征在于：包括以下几个步骤，

步骤一：采集待识别的车辆图像；

步骤二：对采集到的车辆图像进行预处理；

步骤三：将处理好的图像进行图像权重分块；图像经过处理后，接下来要进行车身颜色的提取和识别，图像权重分块的输入就是直方图均衡化和去雾后的图像，对于提取的图像认为出现频率最多的颜色为车辆的主要颜色，但是一幅图像中受背景的影响，会出现几个主要的颜色，采用图像权重分块来解决这一问题，采集到的图像中车辆集中在图像的中部，图片的四个角中车辆的有用信息很少，将图像按照权重比例分成12块，以左上角为原点，提取图像的块感兴趣区域保存起来，这将一张图像分割成了12张小图像；

步骤四：分别对每一块图像进行RGB向HSV颜色空间转换，转换到HSV颜色空间后把图像按照H、S、V分量分成三个独立的单通道，分别统计每一通道不同像素的直方图，找到每一通道直方图中的最大值，然后将H、S、V三个通道中直方图的最大值提取出来合并在一起，此时就获得了该块图像主要颜色的H、S、V分量的值，把车辆的颜色分成黑、白、红、黄、蓝、绿、紫、银和银灰这9种颜色，在HSV颜色空间中H分量包含了彩色信息，V分量包含了灰度信息；

步骤五：对所有分块图像的颜色进行搜索，找出所有分块图像中出现最多的颜色作为车辆颜色的主要颜色，利用H、V分量的值进行颜色分类，对每一块分割的图像进行同样的操作，提取出每一块图像的主要颜色保存到数组中，然后再统计这12块图像主要颜色出现的次数，把出现次数最多的颜色作为车辆的主要颜色，选取图像中间的一块图像进行颜色识别，得出该块图像的颜色与之前的主要颜色进行对比，确定最终的车辆颜色。

2.根据权利要求1所述的一种基于去雾处理和权重分块的车辆颜色识别方法，其特征在于：所述的对采集到的车辆图像进行预处理包括颜色直方图均衡化，具体过程为：

首先，将车辆图像三通道分成三个独立的单通道；

其次，对每个通道进行灰度直方图均衡化；

最后，将均衡化后的三个通道合并为一个通道。

3.根据权利要求1所述的一种基于去雾处理和权重分块的车辆颜色识别方法，其特征在于：所述的对采集到的车辆图像进行预处理包括去雾处理，具体过程为：

步骤a：计算出图像的暗通道，提取出暗通道的最大值作为大气光的强度；

步骤b：对暗通道图像进行高斯滤波；

步骤c：计算滤波后图像的绝对差和透射率；

步骤d：根据暗通道公式和雾化图像模型计算去雾后的车辆图像。