CN104978746A - 一种行驶车辆的车身颜色识别方法 - Google Patents

Abstract

本发明公开了一种行驶车辆的车身颜色识别方法，步骤包括：步骤1、对监控视频帧标注虚拟检测线，车辆行驶方向为车头正面对向镜头；步骤2、在监控视频帧序列中检测出行驶车辆；步骤3、检测待识别车辆的边缘；步骤4、对待识别车辆区域进行精细分割；步骤5、定位待识别车辆车头部位的车身颜色识别区域；步骤6、进行车身颜色识别；步骤7、输出待识别车辆的车身颜色判断结果，即成。本发明的方法，仅适用于正向行驶的车辆，适用于监控相机拍摄到的视频中存在诸多干扰的复杂环境，步骤简单，便于实施，计算量小，结果准确性高。

Description

一种行驶车辆的车身颜色识别方法

技术领域

本发明属于视频处理技术领域，用于智能交通监控系统，涉及一种行驶车辆的车身颜色识别方法。

背景技术

智能交通监控系统的主要作用之一，就是当需要追踪肇事车辆，或者跟踪某一个关注车辆的去向时，需要对行驶车辆的特征进行锁定，之后，在网络中通过相似目标的跟踪匹配，最终给出目标的行驶轨迹。目前，在卡口模式下，抓拍照片中的车辆分辨率足够大，车辆姿态相对固定，车辆的信息足够清晰，能够方便地给出车辆的特征。

但是，用监控摄像头采集到的行驶车辆的视频信息，存在着姿态不固定，会因车辆的车窗、以及其他部分存在的纹理，对车辆颜色识别时产生干扰，导致很难准确描述。由于视频设备较之卡口相机来说，安置的数量更多，监控范围更广，所以，能够在视频中准确给出行驶车辆的车身颜色自动判别，是提升网络监控能力的重要保障。为此，急需研制一种行驶车辆的车身颜色识别方法。

发明内容

本发明的目的是提供一种行驶车辆的车身颜色识别方法，解决了现有技术中，由于视频帧画面中行驶车辆在车身颜色识别时，因车辆出现位置与姿态的不确定，会出现阳光照射出现较大面积反光，车灯、车窗、散热格栅、车轮等部分的存在，这些状况导致在识别车身颜色时出现很严重的干扰，导致在自动识别车辆颜色时，车身颜色识别不准确问题。

本发明所采用的技术方案是，一种行驶车辆的车身颜色识别方法，按照以下步骤实施：

步骤1、对监控视频帧标注虚拟检测线，车辆行驶方向为车头正面对向镜头；

步骤2、在监控视频帧序列中检测出行驶车辆；

步骤3、检测待识别车辆的边缘；

步骤4、对待识别车辆区域进行精细分割；

步骤5、定位待识别车辆车头部位的车身颜色识别区域；

步骤6、进行车身颜色识别；

步骤7、输出待识别车辆的车身颜色判断结果，即成。

本发明的有益效果是，仅适用于正向行驶的车辆(车头正面对向镜头)，适用于监控相机拍摄到的视频中存在诸多干扰的复杂环境，步骤简单，便于实施，计算量小，结果准确性高，给出的结果能够正确描述行驶车辆的车身颜色。

附图说明

图1是道路监控视频虚拟检测线示意图；

图2是本发明通过运动目标检测方法获得的初检车辆区域；

图3是本发明对图2的边缘信息处理效果；

图4是本发明对图2下方1/4的子块处理效果图(即车头部分效果)；

图5是本发明对图4的垂直投影曲线；

图6是本发明根据图5删除了车头部分冗余后的车辆精细分割效果；

图7是本发明对图6的边缘处理效果；

图8是本发明对图6的中间1/3处的子块识别效果(用以检测车头引擎盖部分，确定车身颜色识别区域效果)；

图9是本发明对图8的水平投影曲线；

图10是本发明对原图最终的颜色识别区域效果。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明的行驶车辆车身颜色识别方法，按照以下步骤具体实施：

步骤1、对监控视频帧标注虚拟检测线

监控视频通过现有的电子警察相机拍摄，车辆行驶方向为车头正面对向镜头，

参照图1，在拍摄到的视频帧画面上，设置虚拟检测线的位置，以保证用以检测车身颜色车辆，尽可能完整，并且清晰地出现在画面中；虚拟检测线的设置，通过人机交互的方式手动确定。

步骤2、在监控视频帧序列中检测出行驶车辆

按照背景差分法(在相关的专业书籍及论文中均可查到)，从监控视频帧中检测出运动目标，如果运动目标连通域的1/5以上的长度超过了虚拟检测线，则确定该运动目标为待识别车辆，如图1中标号为①的汽车就满足要求，将该①号汽车标记为待识别车辆，以该待识别车辆连通域的最小外接矩形的左上角坐标(x_L,y_L)和右下角坐标(x_R,y_R)来表示；

如果同时有多个车辆达到虚拟检测线，则逐个进行识别，因为识别方法相同。在图1中，②号刚刚接近虚拟检测线，不对其进行颜色识别，③号、④号、⑤号车辆距离虚拟检测线尚远，也暂不对其进行颜色识别。

步骤3、检测待识别车辆的边缘

3.1)计算待识别车辆所在视频帧的亮度分量

设待识别车辆的视频帧的大小为m×n，其红、绿、蓝三个颜色分别表示为R＝[r(i,j)]_m×n，G＝[g(i,j)]_m×n，B＝[b(i,j)]_m×n，i＝1,2,...,m，j＝1,2,...,n，

待识别车辆的亮度分量Lum＝[l(i,j)]_m×n计算式为：

l(i,j)＝0.299·r(i,j)+0.587·g(i,j)+0.114·b(i,j)；   (1)

3.2)提取待识别车辆的区域

根据步骤2得到的待识别车辆区域外接矩形的左上角坐标(x_L,y_L)和右下角坐标(x_R,y_R)，从Lum＝[l(i,j)]_m×n中提取待识别车辆的区域为：

Ω_obj＝{l(x,y)|x＝x_L,x_L+1,...,x_R；y＝y_L,y_L+1,...,y_R}，   (2)

为表示方便起见，设Δx＝x_R-x_L+1，Δy＝y_R-y_L+1，则表达式(2)变换为Ω_obj＝[l(x,y)]_Δx×Δy，如图2所示，是提取出的初检车辆区域Ω_obj＝[l(x,y)]_Δx×Δy；

3.3)求Ω_obj垂直方向的一阶差分值见下式：

dl(x,y)＝|l(x,y+1)-l(x,y)|，   (3)

其中，x＝1,2,...,Δx，y＝1,2,...,Δy；

3.4)检测待识别车辆区域的边缘

采用大津法，(大津法在相关的专业书籍或论文中有描述)，对差分值进行二值化处理，得到边缘E_obj＝[edg(x,y)]_Δx×Δy，如图3所示，是检测出的待识别车辆区域的边缘E_obj＝[edg(x,y)]_Δx×Δy；

步骤4、对待识别车辆区域进行精细分割

为了保证待识别的车身颜色识别区域不受周围其他区域的影响，需要对不是正对相机车道拍摄到的车辆进行精细分割，

4.1)取步骤3.4)得到的待识别车辆区域的边缘E_obj＝[edg(x,y)]_Δx×Δy的画面下方1/4的子块进行投影，如图4所示，计算E_obj＝[edg(x,y)]_Δx×Δy的垂直方向的投影：

$P_y\left(y\right)=\underset{x=3/4\·\mathrm{\Δ}x+1}{\overset{\mathrm{\Δ}x}{\Σ}}edg(x,y),---\left(4\right)$

如图5所示，是得到的垂直方向的投影P_y(y)；

4.2)求投影曲线不为0的部分，为待识别车辆所在的区域，如图5所示，删除左侧及右侧为0的部分，即可删除因待识别车辆倾斜姿态而引入的背景干扰，不失一般性，修改待识别车辆区域的宽度：

$\mathrm{\Δ}\tilde{y}={\tilde{y}}_R-{\tilde{y}}_L,---\left(5\right)$

其中，为步骤4.1)得到的投影曲线上(见图5)，最左边的不为0的点；为步骤4.1)得到的投影曲线上，最右边的不为0的点；

则经过精细分割后的待识别车辆(见图6)为：

${\widetilde{\mathrm{\Ω}}}_{obj}=\left\{l(x,y)\right|x=x_L,x_L+1,\mathrm{...},x_R;y={\tilde{y}}_L,{\tilde{y}}_L+1,\mathrm{...},{\tilde{y}}_R\},$

相应的边缘(见图7)为：

步骤5、定位待识别车辆车头部位的车身颜色识别区域

5.1)将步骤4.2)得到的边缘分成三个子块，则有：

${{\tilde{E}}_{obj}}^{\left(1\right)}={\[edg\left(x,y_1\right)\]}_{\mathrm{\Δ}x\×\mathrm{\Δ}{\tilde{y}}_1},{{\tilde{E}}_{obj}}^{\left(2\right)}={\[edg\left(x,y_2\right)\]}_{\mathrm{\Δ}x\×\mathrm{\Δ}{\tilde{y}}_2},{{\tilde{E}}_{obj}}^{\left(3\right)}={\[edg\left(x,y_3\right)\]}_{\mathrm{\Δ}x\×\mathrm{\Δ}{\tilde{y}}_3},$

其中， $\mathrm{\Δ}{\tilde{y}}_1=\mathrm{\Δ}\tilde{y}/3;y_1=1,2,\mathrm{...},\mathrm{\Δ}\tilde{y}/3,$

$\mathrm{\Δ}{\tilde{y}}_2=\mathrm{\Δ}\tilde{y}/3;y_2=\mathrm{\Δ}\tilde{y}/3+1,\mathrm{\Δ}\tilde{y}/3+2,\mathrm{...},2\mathrm{\Δ}\tilde{y}/3,$

$\mathrm{\Δ}{\tilde{y}}_3=\mathrm{\Δ}\tilde{y}/3;y_3=2\mathrm{\Δ}\tilde{y}/3+1,2\mathrm{\Δ}\tilde{y}/3+2,\mathrm{...},\mathrm{\Δ}\tilde{y};$

5.2)对中间的子块进行水平方向投影，见图8，则投影值为：

$P_x\left(x\right)=\underset{y_2=\mathrm{\Δ}\tilde{y}/3+1}{\overset{2\mathrm{\Δ}\tilde{y}/3}{\Σ}}edg(x,y_2),x=1,2,\mathrm{...},\mathrm{\Δ}x---\left(6\right)$

见图9，是得到的水平方向的投影P_x(x)，x＝1,2,...,Δx；

5.3)去除干扰区域

对于正向行驶过来的车辆，由于散热器格栅部分的纹理比较丰富，车顶部纹理也比较丰富，而车窗和引擎盖部分的纹理则比较单一，表现在水平投影P_x(x)上的特征是车窗和引擎盖部分会出现连续段为0，因此，按照下面的逻辑关系找出待识别车辆的引擎盖部分：

5.3.1)初始化两段连续为0段的长度为l₁＝0，l₂＝0，临时变量l＝0连续为0段的起始位置x₁＝1，x₂＝1，x＝1；

5.3.2)如果x＝Δx，则输出l₂和x₂，转步骤5.4)；否则，转步骤5.3.3)；

5.3.3)如果P_x(x)＝0，则：l＝l+1，x＝x+1，此处的“＝”用于表示赋值的涵义，转步骤5.3.2)；否则，转步骤5.3.4)；

5.3.4)如果l＜ε，则x＝x+1，转步骤5.3.2)；否则，转步骤5.3.5)；

5.3.5)如果l₁＝0，则l₁＝l，x₁＝x-l，x＝x+1，转步骤5.3.2)；否则，转步骤5.3.6)；

5.3.6)l₂＝l，x₂＝x-l，x＝Δx；其中，步骤5.3.4)中的ε为连续为0段的长度过小的判断阈值，根据汽车设计的惯常方式，取ε∈[1,Δx/10]；

5.4)根据步骤5.3)得到的l₂和x₂，得到待识别车辆的车身颜色识别区域，表达式为：

$x_{color}\∈\[x_2,x_2+l_2\],y_{color}=y_2\∈\[\mathrm{\Δ}\tilde{y}/3+1,2\mathrm{\Δ}\tilde{y}/3\],---\left(7\right)$

见图10，黑色矩形框框定的区域即为根据上述步骤得到的车身颜色的识别区域。

步骤6、进行车身颜色识别

6.1)按照步骤5.4)得到的车身颜色识别区域，分别在步骤1读入的视频帧的三个颜色分量R＝[r(i,j)]_m×n，G＝[g(i,j)]_m×n，B＝[b(i,j)]_m×n中，给出各自对应的颜色判别区域如下：

$R_{color}=\left\{r(x_{color},y_{color})\right|x_{color}\∈\[x_2,x_2+l_2\],y_{color}=y_2\∈\[\mathrm{\Δ}\tilde{y}/3+1,2\mathrm{\Δ}\tilde{y}/3\]\},$

$G_{color}=\left\{g(x_{color},y_{color})\right|x_{color}\∈\[x_2,x_2+l_2\],y_{color}=y_2\∈\[\mathrm{\Δ}\tilde{y}/3+1,2\mathrm{\Δ}\tilde{y}/3\]\},$

$B_{color}=\left\{b(x_{color},y_{color})\right|x_{color}\∈\[x_2,x_2+l_2\],y_{color}=y_2\∈\[\mathrm{\Δ}\tilde{y}/3+1,2\mathrm{\Δ}\tilde{y}/3\]\};$

6.2)分别计算R_color、G_color、B_color对应的均值μ^R _color、μ^G _color、μ^B _color，分别计算R_color、G_color、B_color对应的标准差σ^R _color、σ^G _color、σ^B _color，(均值和标准差的计算方法在相关的专业书籍及论文中均有介绍)。

6.3)判别车身颜色

根据当前市场上汽车的主要颜色类型，将车身颜色分为白色或银白色、灰色、黑色、红色、黄色、蓝色和绿色7类，判别车身颜色的标准是：

6.3.1)如果 $0.95\≤\frac{{{\mathrm{\μ}}^R}_{color}}{{{\mathrm{\μ}}^G}_{color}}\≤1.05,$ 并且 $0.95\≤\frac{{{\mathrm{\μ}}^G}_{color}}{{{\mathrm{\μ}}^B}_{color}}\≤1.05,$ 并且 $0.95\≤\frac{{{\mathrm{\μ}}^B}_{color}}{{{\mathrm{\μ}}^R}_{color}}\≤1.05,$ 则转步骤6.3.2)；

6.3.2)如果μ^R _color≥0.9R_max，并且μ^G _color≥0.9G_max，并且μ^B _color≥0.9B_max，对于目前的8位位图格式，R_max＝G_max＝B_max＝2⁸-1＝255，则判断车身颜色为白色或者银灰色，转步骤7；

6.3.3)如果μ^R _color≤0.3R_max，并且μ^G _color≤0.3G_max，并且μ^B _color≤0.3B_max，则判断车身颜色为黑色，转步骤7；

6.3.4)如果不属于步骤6.3.2)或者步骤6.3.3)的情况，但σ^R _color＞0.1μ^R _color，σ^G _color＞0.1μ^G _color，σ^B _color＞0.1μ^B _color，则表明黑色车辆受强光照射影响而使得颜色变化范围较宽，为此判断车身颜色为黑色，转步骤7；否则，判断车身颜色为灰色，转步骤7；

6.3.5)如果 $\frac{{{\mathrm{\&mu;}}^R}_{color}}{{{\mathrm{\&mu;}}^G}_{color}}>1,$ 并且 $0.95\&le;\frac{{{\mathrm{\&mu;}}^G}_{color}}{{{\mathrm{\&mu;}}^B}_{color}}\&le;1.05,$ 并且 $\frac{{{\mathrm{\&mu;}}^B}_{color}}{{{\mathrm{\&mu;}}^R}_{color}}<1,$ 则判断车身颜色为红色，转步骤7；

6.3.6)如果 $0.95\&le;\frac{{{\mathrm{\&mu;}}^R}_{color}}{{{\mathrm{\&mu;}}^G}_{color}}\&le;1.05,$ 并且 $\frac{{{\mathrm{\&mu;}}^G}_{color}}{{{\mathrm{\&mu;}}^B}_{color}}>1,$ 并且 $\frac{{{\mathrm{\&mu;}}^B}_{color}}{{{\mathrm{\&mu;}}^R}_{color}}<1,$ 则判断车身颜色为黄色，转步骤7；

6.3.7)如果 $\frac{{{\mathrm{\&mu;}}^R}_{color}}{{{\mathrm{\&mu;}}^G}_{color}}<1,$ 并且 $\frac{{{\mathrm{\&mu;}}^G}_{color}}{{{\mathrm{\&mu;}}^B}_{color}}<1,$ 并且 $\frac{{{\mathrm{\&mu;}}^B}_{color}}{{{\mathrm{\&mu;}}^R}_{color}}>1,$ 则判断车身颜色为蓝色，转步骤7；

6.3.8)如果 $\frac{{{\mathrm{\&mu;}}^R}_{color}}{{{\mathrm{\&mu;}}^G}_{color}}<1,$ 并且 $\frac{{{\mathrm{\&mu;}}^G}_{color}}{{{\mathrm{\&mu;}}^B}_{color}}>1,$ 并且 $\frac{{{\mathrm{\&mu;}}^B}_{color}}{{{\mathrm{\&mu;}}^R}_{color}}>1,$ 则判断车身颜色为绿色，转步骤7；

步骤7、输出待识别车辆的车身颜色判断结果，即成。

Claims (6)

1.一种行驶车辆的车身颜色识别方法，其特征在于，按照以下步骤实施：

步骤1、对监控视频帧标注虚拟检测线，车辆行驶方向为车头正面对向镜头；

步骤2、在监控视频帧序列中检测出行驶车辆；

步骤3、检测待识别车辆的边缘；

步骤4、对待识别车辆区域进行精细分割；

步骤5、定位待识别车辆车头部位的车身颜色识别区域；

步骤6、进行车身颜色识别；

步骤7、输出待识别车辆的车身颜色判断结果，即成。

2.根据权利要求1所述的行驶车辆的车身颜色识别方法，其特征在于：所述的步骤2中，具体过程是，

按照背景差分法，从监控视频帧中检测出运动目标，如果运动目标连通域的1/5以上的长度超过了虚拟检测线，则确定该运动目标为待识别车辆，以该待识别车辆连通域的最小外接矩形的左上角坐标(x_L,y_L)和右下角坐标(x_R,y_R)来表示。

3.根据权利要求2所述的行驶车辆的车身颜色识别方法，其特征在于：所述的步骤3中，具体过程是，

3.1）计算待识别车辆所在视频帧的亮度分量

设待识别车辆的视频帧的大小为m×n，其红、绿、蓝三个颜色分别表示为R＝[r(i,j)]_m×n，G＝[g(i,j)]_m×n，B＝[b(i,j)]_m×n，i＝1,2,...,m，j＝1,2,...,n，

待识别车辆的亮度分量Lum＝[l(i,j)]_m×n计算式为：

l(i,j)＝0.299·r(i,j)+0.587·g(i,j)+0.114·b(i,j)；    （1）

3.2）提取待识别车辆的区域

根据步骤2得到的待识别车辆区域外接矩形的左上角坐标(x_L,y_L)和右下角坐标(x_R,y_R)，从Lum＝[l(i,j)]_m×n中提取待识别车辆的区域为：

Ω_obj＝{l(x,y)|x＝x_L,x_L+1,...,x_R;y＝y_L,y_L+1,...,y_R}，      （2）

设Δx＝x_R-x_L+1，Δy＝y_R-y_L+1，则表达式（2）变换为Ω_obj＝[l(x,y)]_Δx×Δy，提取出的初检车辆区域是Ω_obj＝[l(x,y)]_Δx×Δy；

3.3）求Ω_obj垂直方向的一阶差分值▽Ω_obj＝[dl(x,y)]_Δx×Δy，见下式：

dl(x,y)＝|l(x,y+1)-l(x,y)|，          （3）

其中，x＝1,2,...,Δx，y＝1,2,...,Δy；

3.4）检测待识别车辆区域的边缘

采用大津法，对差分值▽Ω_obj＝[dl(x,y)]_Δx×Δy进行二值化处理，得到边缘E_obj＝[edg(x,y)]_Δx×Δy，检测出待识别车辆区域的边缘E_obj＝[edg(x,y)]_Δx×Δy。

4.根据权利要求3所述的行驶车辆的车身颜色识别方法，其特征在于：所述的步骤4中，具体过程是，

对不是正对相机车道拍摄到的车辆进行精细分割，

4.1）取步骤3.4）得到的待识别车辆区域的边缘E_obj＝[edg(x,y)]_Δx×Δy的画面下方1/4的子块进行投影，计算E_obj＝[edg(x,y)]_Δx×Δy的垂直方向的投影：

$P_y\left(y\right)=\underset{x=3/4\&CenterDot;\mathrm{\&Delta;}x+1}{\overset{\mathrm{\&Delta;}x}{\&Sigma;}}edg(x,y),---\left(4\right)$

得到的垂直方向的投影P_y(y)；

4.2）求投影曲线不为0的部分，为待识别车辆所在的区域，删除左侧及右侧为0的部分，修改待识别车辆区域的宽度：

$\mathrm{\&Delta;}\tilde{y}={\tilde{y}}_R-{\tilde{y}}_L,---\left(5\right)$

其中，为步骤4.1）得到的投影曲线上（见图5），最左边的不为0的点；为步骤4.1）得到的投影曲线上，最右边的不为0的点；

则经过精细分割后的待识别车辆为：

${\widetilde{\mathrm{\&Omega;}}}_{obj}=\left\{l(x,y)\right|x=x_L,x_L+1,...,x_R;y={\tilde{y}}_L,{\tilde{y}}_L+1,...,{\tilde{y}}_R\},$

相应的边缘为： ${\tilde{E}}_{obj}={\&lsqb;edg(x,y)\&rsqb;}_{\mathrm{\&Delta;}x\&times;\mathrm{\&Delta;}\tilde{y}}.$

5.根据权利要求4所述的行驶车辆的车身颜色识别方法，其特征在于：所述的步骤5中，具体过程是，

5.1）将步骤4.2）得到的边缘分成三个子块，则有：

${{\tilde{E}}_{obj}}^{\left(1\right)}={\&lsqb;edg(x,y_1)\&rsqb;}_{\mathrm{\&Delta;}x\&times;\mathrm{\&Delta;}{\tilde{y}}_1},{{\tilde{E}}_{obj}}^{\left(2\right)}={\&lsqb;edg(x,y_2)\&rsqb;}_{\mathrm{\&Delta;}x\&times;\mathrm{\&Delta;}{\tilde{y}}_2},{{\tilde{E}}_{obj}}^{\left(3\right)}={\&lsqb;edg(x,y_3)\&rsqb;}_{\mathrm{\&Delta;}x\&times;\mathrm{\&Delta;}{\tilde{y}}_3},$

其中， $\mathrm{\&Delta;}{\tilde{y}}_1=\mathrm{\&Delta;}\tilde{y}/3;y_1=1,2,...,\mathrm{\&Delta;}\tilde{y}/3,$

$\mathrm{\&Delta;}{\tilde{y}}_2=\mathrm{\&Delta;}\tilde{y}/3;y_2=\mathrm{\&Delta;}\tilde{y}/3+1,\mathrm{\&Delta;}\tilde{y}/3+2,...,2\mathrm{\&Delta;}\tilde{y}/3,$

$\mathrm{\&Delta;}{\tilde{y}}_3=\mathrm{\&Delta;}\tilde{y}/3;y_3=2\mathrm{\&Delta;}\tilde{y}/3+1,2\mathrm{\&Delta;}\tilde{y}/3+2,...,\mathrm{\&Delta;}\tilde{y};$

5.2）对中间的子块进行水平方向投影，则投影值为：

$P_x\left(x\right)=\underset{y_2=\mathrm{\&Delta;}\tilde{y}/3+1}{\overset{2\mathrm{\&Delta;}\tilde{y}/3}{\&Sigma;}}edg(x,y_2);---\left(6\right)$

5.3）去除干扰区域

对于正向行驶过来的车辆，表现在水平投影P_x(x)上的特征是车窗和引擎盖部分会出现连续段为0，因此，按照下面的逻辑关系找出待识别车辆的引擎盖部分：

5.3.1）初始化两段连续为0段的长度为l₁＝0，l₂＝0，临时变量l＝0连续为0段的起始位置x₁＝1，x₂＝1，x＝1；

5.3.2）如果x＝Δx，则输出l₂和x₂，转步骤5.4）；否则，转步骤5.3.3）；

5.3.3）如果P_x(x)＝0，则：l＝l+1，x＝x+1，转步骤5.3.2）；否则，转步骤5.3.4）；

5.3.4）如果l＜ε，则x＝x+1，转步骤5.3.2）；否则，转步骤5.3.5）；

5.3.5）如果l₁＝0，则l₁＝l，x₁＝x-l，x＝x+1，转步骤5.3.2）；否则，转步骤5.3.6）；

5.3.6）l₂＝l，x₂＝x-l，x＝Δx，其中，步骤5.3.4）中的ε为连续为0段的长度过小的判断阈值，取ε∈[1,Δx/10]；

5.4）根据步骤5.3）得到的l₂和x₂，得到待识别车辆的车身颜色识别区域，表达式为：x_color∈[x₂,x₂+l₂]， $y_{color}=y_2\&Element;\&lsqb;\mathrm{\&Delta;}\tilde{y}/3+1,2\mathrm{\&Delta;}\tilde{y}/3\&rsqb;,---\left(7\right)$

黑色矩形框框定的区域即为根据上述步骤得到的车身颜色的识别区域。

6.根据权利要求5所述的行驶车辆的车身颜色识别方法，其特征在于：所述的步骤6中，具体过程是，

6.1）按照步骤5.4）得到的车身颜色识别区域，分别在步骤1读入的视频帧的三个颜色分量R＝[r(i,j)]_m×n、G＝[g(i,j)]_m×n、B＝[b(i,j)]_m×n中，给出各自对应的颜色判别区域如下：

R_color＝{r(x_color,y_color)|x_color∈[x₂,x₂+l₂]，

G_color＝{g(x_color,y_color)|x_color∈[x₂,x₂+l₂]，

B_color＝{b(x_color,y_color)|x_color∈[x₂,x₂+l₂]，

6.2）分别计算R_color、G_color、B_color对应的均值μ^R _color、μ^G _color、μ^B _color；分别计算R_color、G_color、B_color对应的标准差σ^R _color、σ^G _color、σ^B _color；

6.3）判别车身颜色

将车身颜色分为白色或银白色、灰色、黑色、红色、黄色、蓝色和绿色7类，判别车身颜色的标准是：

6.3.1）如果 $0.95\&le;\frac{{{\mathrm{\&mu;}}^R}_{color}}{{{\mathrm{\&mu;}}^G}_{color}}\&le;1.05,$ 并且 $0.95\&le;\frac{{{\mathrm{\&mu;}}^G}_{color}}{{{\mathrm{\&mu;}}^B}_{color}}\&le;1.05,$ 并且 $0.95\&le;\frac{{{\mathrm{\&mu;}}^B}_{color}}{{{\mathrm{\&mu;}}^R}_{color}}\&le;1.05,$ 则转步骤6.3.2）；

6.3.2）如果μ^R _color≥0.9R_max，并且μ^G _color≥0.9G_max，并且μ^B _color≥0.9B_max，对于目前的8位位图格式，R_max＝G_max＝B_max＝2⁸-1＝255，则判断车身颜色为白色或者银灰色，转步骤7；

6.3.3）如果μ^R _color≤0.3R_max，并且μ^G _color≤0.3G_max，并且μ^B _color≤0.3B_max，则判断车身颜色为黑色，转步骤7；

6.3.4）如果不属于步骤6.3.2）或者步骤6.3.3）的情况，但σ^R _color＞0.1μ^R _color，σ^G _color＞0.1μ^G _color，σ^B _color＞0.1μ^B _color，则表明黑色车辆受强光照射影响而使得颜色变化范围较宽，为此判断车身颜色为黑色，转步骤7；否则，判断车身颜色为灰色，转步骤7；

6.3.5）如果 $\frac{{{\mathrm{\&mu;}}^R}_{color}}{{{\mathrm{\&mu;}}^G}_{color}}>1,$ 并且 $0.95\&le;\frac{{{\mathrm{\&mu;}}^G}_{color}}{{{\mathrm{\&mu;}}^B}_{color}}\&le;1.05,$ 并且 $\frac{{{\mathrm{\&mu;}}^B}_{color}}{{{\mathrm{\&mu;}}^R}_{color}}<1,$ 则判断车身颜色为红色，转步骤7；

6.3.6）如果 $0.95\&le;\frac{{{\mathrm{\&mu;}}^R}_{color}}{{{\mathrm{\&mu;}}^G}_{color}}\&le;1.05,$ 并且 $\frac{{{\mathrm{\&mu;}}^G}_{color}}{{{\mathrm{\&mu;}}^B}_{color}}>1,$ 并且 $\frac{{{\mathrm{\&mu;}}^B}_{color}}{{{\mathrm{\&mu;}}^R}_{color}}<1,$ 则判断车身颜色为黄色，转步骤7；

6.3.7）如果 $\frac{{{\mathrm{\&mu;}}^R}_{color}}{{{\mathrm{\&mu;}}^G}_{color}}<1,$ 并且 $\frac{{{\mathrm{\&mu;}}^G}_{color}}{{{\mathrm{\&mu;}}^B}_{color}}<1,$ 并且 $\frac{{{\mathrm{\&mu;}}^B}_{color}}{{{\mathrm{\&mu;}}^R}_{color}}>1,$ 则判断车身颜色为蓝色，转步骤7；

6.3.8）如果 $\frac{{{\mathrm{\&mu;}}^R}_{color}}{{{\mathrm{\&mu;}}^G}_{color}}<1,$ 并且 $\frac{{{\mathrm{\&mu;}}^G}_{color}}{{{\mathrm{\&mu;}}^B}_{color}}>1,$ 并且 $\frac{{{\mathrm{\&mu;}}^B}_{color}}{{{\mathrm{\&mu;}}^R}_{color}}>1,$ 则判断车身颜色为绿色，转步骤7。