CN105160691A - 基于颜色直方图的车身颜色识别方法 - Google Patents
基于颜色直方图的车身颜色识别方法 Download PDFInfo
- Publication number
- CN105160691A CN105160691A CN201510543000.0A CN201510543000A CN105160691A CN 105160691 A CN105160691 A CN 105160691A CN 201510543000 A CN201510543000 A CN 201510543000A CN 105160691 A CN105160691 A CN 105160691A
- Authority
- CN
- China
- Prior art keywords
- color
- body color
- region
- vehicle body
- license plate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30236—Traffic on road, railway or crossing
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于颜色直方图的车身颜色识别方法,包括车牌定位、车身颜色特征区域定位、车身颜色识别三个主要步骤。首先通过车牌识别技术确定车牌位置,通过车牌高、宽及位置坐标信息,检测车身颜色的粗略区域;对车身颜色区域进行预处理减少外部环境干扰;对预处理后的车身颜色粗区域进一步搜索,获取车身颜色精确特征区域;转换为Lab颜色空间,在Lab空间提取颜色直方图,并使用非线性SVM进行车身颜色训练和识别。本发明能对交通车辆视频和图像进行智能化处理,实现车身颜色的自动识别。相比与其他同领域的方案,本发明具有很高识别准确率,且在复杂的环境中鲁棒性强。
Description
技术领域
本发明属于数字图像处理技术,特别涉及计算机视觉识别技术。
背景技术
因此在智能交通系统中,在对车牌进行识别的同时,还需要车辆的其他辅助信息,如车身颜色,车型,车标等。
目前关于车身颜色识别的研究相对较少,技术尚不成熟,其识别准确率远不如车牌识别。影响识别率的主要原因:
1、车身颜色易受光照、雾霾、不同天气等外界噪声的干扰而产生颜色失真;
2、车辆颜色复杂多变(车身颜色丰富多彩,部分车辆颜色比较少见);
3、运动车辆的分割定位困难(摄像头位置不同,主颜色区域很那定位,定位算法受车型影响)。
当前车身颜色识别方法有:
一、基于色差的方法。将RGB空间转换为HIS空间,在HIS空间对所选区域计算彩色直方图,根据相应的色差计算公式,计算与标准颜色模板间的色差,选取计算到的色差最小者,通过查找颜色映射表得到其对象颜色。该方法简单快速,在光线较好的情况下可获取较好的识别结果,但在实际应用中,光照、天气等影响使其获取的车辆图像及颜色都不稳定。详见:李贵俊,刘正熙等.一种基于色差和彩色归一化的车身颜色识别方法.计算机应用,2004,9.
二、基于模板的背景减除法。通过联合基于模板的前景掩膜法和图像分割,使用基于掩膜相关区域标注算法将图像分成几个区域,然后通过去除不必要的区域细化前景图像得到颜色特征区域。采用两层SVM算法对车身颜色进行分类,第一层将颜色分为彩色与灰色,第二层对彩色和灰色分别进行分类。该方法两层SVM分类算法效果很好,但对光照、运动目标等外部环境非常敏感。详见:Yi-TaWu,Jau-HongKao,andMing-YuShih.Avehiclecolorclassificationmethodforvideosurveillancesystemconcerningmodel-basedbackgroundsubtraction.IEEEPacificRimConferenceonMultimedia,pp.369-380,2010.
三、基于流形学习的方法。该方法通过车尾灯红色块定位、几何规则过滤以及基于纹理信息的分类级联方法定位车身尾部的颜色特征区域,将多个颜色空间的特征进行融合,然后降低特征维数。在流形空间中分别使用SVM,kNN进行分类学习。该方法速度非常快,能满足实时性要求,有较高的准确率,但此方法是利用车身尾部进行颜色特征提取,局限性较大。详见:Yu-ChenWang,Chin-ChuanHan,Chen-TaHsiehandKuo-ChinFan.Vehiclecolorclassificationusingmanifoldlearningmethodsfromurbansurveillancevideos.EURASIPJournalonImageandVideoProcessing,October2014.
发明内容
本发明所要解决的技术问题是,提供一种准确率高的车身颜色的自动识别方法。
本发明为解决上述技术问题所采用的技术方案是,基于颜色直方图的车身颜色识别方法,包括以下步骤:
步骤1、车牌定位
1-1:首先系统接收前端设备采集的图片流,根据获得运动场景中背景图像,将当前图像帧与背景图像相减得到运动目标区域;
1-2:对运动目标区域提取特征输入车辆分类器实现场景内目标跟踪;
1-3:对场景内跟踪的各目标所在的区域图片输入训练好的车牌分类器实现车牌定位;
步骤2、车身颜色区域定位
2-1:根据车牌定位所得的车牌高、宽及位置信息,在车牌上方检测代表车身颜色的粗矩形区域,所述粗矩形区域为以车牌区域中心为参考点,在车牌正上方截取一个高为λH,宽为γW的矩形区域,其中H,W分别为车牌的高与宽,λ与γ为统计得到的区域扩张经验值;
2-2:对粗矩形区域进行降噪预处理;
2-3:对粗矩形区域进行精确搜索,获得稳定的车身颜色区域:
(a)将粗矩形区域的图像转换为灰度图像;
(b)对粗区域灰度图像进行二值化;
(c)统计二值图像中非0区域的面积,将非0区域的面积小于噪点面积阈值的区域的像素更新为0;
(d)利用水平投影统计区域中水平方向非零像素的个数,从上往下最先超过水平方向阈值的点作为上边界界,从下往上最先超过水平方向阈值的作为下边界;同理,进行竖直投影统计竖直方向非零像素的个数,从左往右最先超过竖直方向阈值的点作为左边界,从右往左最先超过竖直方向阈值的为右边界,根据这四个边界提取精确的颜色区域;所述水平方向阈值为水平方向像素总个数的四分之一,竖直方向阈值为竖直方向像素总个数的四分之一;
步骤3、车身颜色识别
3-1:将精确的车身颜色区域转换到Lab色彩空间;
3-2:在Lab色彩空间提取车身颜色直方图;
3-3:利用车身颜色直方图特征输入训练好的SVM分类器进行识别,得到车身颜色结果。
本发明包括车牌定位、车身颜色特征区域定位、车身颜色识别三个主要步骤。首先通过车牌识别技术确定车牌位置,通过车牌高、宽及位置坐标信息,检测车身颜色的粗略区域;对车身颜色区域进行预处理减少外部环境干扰;对预处理后的车身颜色粗区域进一步搜索,获取车身颜色精确特征区域;转换为Lab颜色空间,在Lab空间提取颜色直方图,并使用非线性SVM进行车身颜色训练和识别。
本发明给出一种新的车身颜色识别框架,该框架通过车牌定位获取车身颜色粗区域,再提取能代表车身主颜色的精确区域,通过构造Lab空间归一化颜色直方图,利用非线性SVM进行快速准确的进行车身颜色分类,实验证明提出的框架极大的提高了系统的实时性与结果的稳定性。
本发明给出一种新的车身颜色定位方法,利用车牌定位结果估算能代表车身颜色的大致区域,结合颜色区域的纹理特征提取精确的车身颜色主区域;简单、快速,且具有很强的鲁棒性,不会受车型限制。
进一步的,提出了一种新的颜色直方图方法。该方法在CIELab空间对各个通道进行等间隔量化,并提出各个通道的直方图特征,最终合并为一个矢量特征,该方法简单,不受设备影响,能很好的控制光照对颜色区域的影响,具有很好的鲁棒性。
本发明的有益效果是,能对交通车辆视频和图像进行智能化处理,实现车身颜色的自动识别。相比与其他同领域的方案,本发明具有很高识别准确率,且在复杂的环境中鲁棒性强。
附图说明
图1:车身颜色识别系统整体流程示意图
具体实施方式
为方便描述本发明内容,这里首先对一些术语进行说明:
车身颜色识别系统。指能够检测到受监控路面的车辆并自动提取车身颜色信息(含红色、黑色、白色、银白色、黄色、绿色、蓝色及其他颜色),并对其进行识别。
Lab颜色空间。Lab是一种色彩空间,即颜色模型,是在1931年国际照明委员会(CIE)制定的颜色度量国际标准的基础上建立的,因此又叫做CIELAB空间。L表示亮度,a表示从洋红色至绿色的范围,b表示从黄色至蓝色的范围。Lab描述人所能够看到的所有颜色,描述的是颜色的显示,所以Lab被视为与设备无关的颜色模型。
图像的形态学操作。数学形态学是以几何学为基础的对图像进行分析,其基本思想就是用一个结构元素作为基本工具来探测和提取图像特征,看这个结构元素能否适当有效地放入图像内部。数学形态学的基本操作运算有:膨胀、腐蚀、开启、闭合。
图像二值化。就是将图像上的像素点的灰度值设置为0或255,也就是将整个图像呈现出明显的黑白效果。在灰度图像中,常采用一个字节表示一个像素点,其灰度级为0~255,其二值化方法为构造用一个二进制位表示一个像素点的图像,设置二值化阈值T,将大于T的像素点设置为1,小于等于T的点设为0。
OSTU算法。计算出连通区域内的阈值,对该区域二值化进行分割。
图像水平投影与垂直投影。图像投影一般是对于二值图像而言的,水平投影用于统计图像每行非零像素的个数,而垂直投影用于统计每列中非零像素的个数。图像投影算法主要运用于二值图像的分割。
支持向量机(SVM)。SVM是一种监督学习模型,通常用来进行模式识别、分类、以及回归分析。SVM针对线性可分情况进行分析,对于线性不可分的情况,通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分,从而使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能。
基于颜色直方图的车身颜色识别方法,如图1所示,包含下述步骤:
步骤1、车牌定位
1-1:首先系统接收前端设备采集的图片流,利用权值和方差实现前景目标和背景的转换,本发明中采用基于混合高斯模型进行背景建模,获得运动场景中背景,将当前图像帧与背景图像相减便可以获得运动目标区域。
1-2:对于步骤1-1中待跟踪的目标区域Z,选取出能代表车辆的特征,组成列向量。在待跟踪车辆附近取一系列区域,分布计算得到这一系列区域的低维特征。将这一系列低维特征送入贝叶斯分类器,分别计算其特征,更新系数,实现场景内各个车辆跟踪。
1-3:根据场景内跟踪的各个车辆情况,首先对单帧目标图像求灰度二值化图像和边缘检测,对边缘图像进行隔行检测,首先构造矩阵mask,将mask中的元素初始化为0,根据车牌的长宽比设定一个滑动窗口W,W为w×h全1矩阵,设定阀值T以判断车牌区内的边缘点,用窗W遍历边缘图像,然后提取连通域,经过形态学闭操作,对各个连通域进行标定并求其最小的外接矩形。最后,利用车牌的正负样本训练二分类器去掉伪车牌,从而得到候选车牌。
1-4:精确定位车牌。首先,求候选车牌水平方向上的差分和投影,精确定位其上下边界,再根据竖直方向投影,选择阀值U,根据阀值判断候选车牌区域大于、小于维度作为车牌左右边缘的精确位置。由于候选车牌包含车牌字符以及车牌边缘区域,求候选车牌水平方向上的差分和投影,首先找到投影值的最高峰,然后找到最高峰左右两边第一个波谷,取值较小的作为分割点,其值作为参照值,取最高峰另一边第一个比该值小的点作为分割点,两个分割点即为车牌上下边界;车牌区域大小相对固定,长宽比约为3.14,求候选车牌竖直方向的投影,由于字符结构的变化,投影值存在明显的规律跳变,每次大的变化包含许多间隔较近的波峰,而非车牌区域杂乱无章,可找到规律跳变边界波谷作为车牌左右边界。
步骤2、车身颜色区域定位
步骤2-1:根据车牌定位技术所得的车牌高、宽及位置信息,在车牌上方检测代表车身颜色的粗矩形区域。以车牌区域中心为参考点,在车牌正上方截取一个高为λH,宽为γW的矩形区域,矩形区域必须在图像中(H,W分别为车牌的高与宽,λ与γ为统计得到的经验值)。
步骤2-2:对车身颜色矩形区域进行预处理,降低噪声,并对各个颜色通道进行直方图拉伸再融合,减少光照对车身颜色的影响,直方图拉伸具有很好的实时性。
步骤2-3:根据车身颜色区域的纹理特征,对粗矩形区域进行精确搜索,获得稳定的车身颜色区域。
(a)将RGB彩色区域图像转换为灰度图像;
(b)利用Ostu技术,对粗区域灰度图像进行二值化;
(c)统计二值图像中非零区域的面积,将面积小于某个阈值的区域变为零区域;
(d)利用水平投影统计区域中水平方向非零像素的个数,从上往下最先超过阈值(水平方向像素总个数的四分之一)的点作为上边界界,从下往上最先超过阈值的作为下边界;同理,进行竖直投影统计竖直方向非零像素的个数,从左往右最先超过阈值(竖直方向像素总个数的四分之一)的点作为左边界,从右往左最先超过阈值的为右边界。根据四个边界提取精确的颜色区域。
步骤3、车身颜色识别
步骤3-1:将精确的车身颜色区域由RGB空间转换到Lab空间。
步骤3-2:在Lab空间提取车身颜色直方图。
(a)Lab空间等间隔量化。Lab彩色空间是均匀空间,其使用的坐标系也是匀色坐标系,因此两个颜色点之间的色差分布是均匀的。将L、a、b三个颜色分量均匀等间隔(如间隔为五)量化,即将L、a、b三个颜色分量中每五个相邻像素值作为一个条目求直方图,因此每个颜色分量中有53个条目(像素值为0~255),将各个通道中的直方图条目组合为一维列向量,分别表示为hL、ha、hb,将三个颜色分量合为特征矢量H=[hL,ha,hb];
(b)提取归一化的颜色直方图,也就是将频数/总像素点值得到的百分比作为归一化的颜色直方图。
步骤3-3:利用车身颜色直方图特征进行训练,对车辆图像车身颜色特征区域采用SVM方法进行识别,得到车身颜色结果。
(a)选择红色、黑色、白色、银白色、黄色、绿色、蓝色七种颜色车身在不同光照、天气条件下的若干样本;
(b)计算样本的颜色直方图;
(c)利用SVM对样本进行训练,对测试样本进行识别。
步骤2-3中的Ostu算法:1979年由日本大津提出,在最小二乘法原理的基础上推导出来的,具体实现方法不在此赘述。
依据本发明的实现步骤,在C/C++平台上编写车身颜色识别程序。采用实地拍摄图片,包括白天和黑夜,晴天与雾天等天气环境;颜色种类包括红色、黑色、白色、银白色、黄色、绿色、蓝色共七种主流颜色作为源实验数据。实验表明,本发明提出的技术方案具有快速性、实时性,相较于传统方案更加简洁、准确率更高,为智能交通系统提供了新的技术支持。
Claims (3)
1.基于颜色直方图的车身颜色识别方法,其特征在于,包含以下步骤:
步骤1、车牌定位
1-1:首先系统接收前端设备采集的图片流,根据获得运动场景中背景图像,将当前图像帧与背景图像相减得到运动目标区域;
1-2:对运动目标区域提取特征输入车辆分类器实现场景内目标跟踪;
1-3:对场景内跟踪的各目标所在的区域图片输入训练好的车牌分类器实现车牌定位;
步骤2、车身颜色区域定位
2-1:根据车牌定位所得的车牌高、宽及位置信息,在车牌上方检测代表车身颜色的粗矩形区域,所述粗矩形区域为以车牌区域中心为参考点,在车牌正上方截取一个高为λH,宽为γW的矩形区域,其中H,W分别为车牌的高与宽,λ与γ为统计得到的区域扩张经验值;
2-2:对粗矩形区域进行降噪预处理;
2-3:对粗矩形区域进行精确搜索,获得稳定的车身颜色区域:
(a)将粗矩形区域的图像转换为灰度图像;
(b)对粗区域灰度图像进行二值化;
(c)统计二值图像中非0区域的面积,将非0区域的面积小于噪点面积阈值的区域的像素更新为0;
(d)利用水平投影统计区域中水平方向非零像素的个数,从上往下最先超过水平方向阈值的点作为上边界界,从下往上最先超过水平方向阈值的作为下边界;同理,进行竖直投影统计竖直方向非零像素的个数,从左往右最先超过竖直方向阈值的点作为左边界,从右往左最先超过竖直方向阈值的为右边界,根据这四个边界提取精确的颜色区域;所述水平方向阈值为水平方向像素总个数的四分之一,竖直方向阈值为竖直方向像素总个数的四分之一;
步骤3、车身颜色识别
3-1:将精确的车身颜色区域转换到Lab色彩空间;
3-2:在Lab色彩空间提取车身颜色直方图;
3-3:利用车身颜色直方图特征输入训练好的SVM分类器进行识别,得到车身颜色结果。
2.如权利要求1所述基于颜色直方图的车身颜色识别方法,其特征在于,车牌定位在经车牌分类器确定候选车牌位置之后还进行精确定位后得到;
精确定位的方法为:根据候选车牌水平方向上的差分和投影精确定位其上下边界,再根据竖直方向投影确定车牌左右边缘的精确位置。
3.如权利要求1所述基于颜色直方图的车身颜色识别方法,其特征在于,步骤3-2在Lab色彩空间提取车身颜色直方图的具体方法是:
(a)Lab色彩空间等间隔量化:将L、a、b三个颜色分量均匀等间隔量化,量化后三个颜色分量为hL、ha、hb,将三个颜色分量合为以为特征矢量H=[hL,ha,hb];
(b)对间隔量化后得到的特征矢量提取归一化的颜色直方图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510543000.0A CN105160691A (zh) | 2015-08-29 | 2015-08-29 | 基于颜色直方图的车身颜色识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510543000.0A CN105160691A (zh) | 2015-08-29 | 2015-08-29 | 基于颜色直方图的车身颜色识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105160691A true CN105160691A (zh) | 2015-12-16 |
Family
ID=54801533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510543000.0A Pending CN105160691A (zh) | 2015-08-29 | 2015-08-29 | 基于颜色直方图的车身颜色识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105160691A (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203420A (zh) * | 2016-07-26 | 2016-12-07 | 浙江捷尚视觉科技股份有限公司 | 一种卡口车辆颜色识别方法 |
CN106485199A (zh) * | 2016-09-05 | 2017-03-08 | 华为技术有限公司 | 一种车身颜色识别的方法及装置 |
CN106529553A (zh) * | 2016-10-27 | 2017-03-22 | 深圳市捷顺科技实业股份有限公司 | 一种车身颜色识别区域定位的方法及装置 |
CN106651969A (zh) * | 2016-12-28 | 2017-05-10 | 深圳市捷顺科技实业股份有限公司 | 一种针对车辆的颜色识别方法及装置 |
CN106650752A (zh) * | 2016-12-09 | 2017-05-10 | 浙江浩腾电子科技股份有限公司 | 一种车身颜色识别方法 |
CN106897747A (zh) * | 2017-02-28 | 2017-06-27 | 深圳市捷顺科技实业股份有限公司 | 一种基于卷积神经网络模型鉴别车辆颜色的方法及装置 |
CN106909943A (zh) * | 2017-02-28 | 2017-06-30 | 深圳市捷顺科技实业股份有限公司 | 一种基于卷积神经网络模型鉴别车辆颜色的方法及装置 |
CN107729812A (zh) * | 2017-09-18 | 2018-02-23 | 南京邮电大学 | 一种适用于监控场景中的车辆颜色识别的方法 |
CN107798324A (zh) * | 2016-08-29 | 2018-03-13 | 北京君正集成电路股份有限公司 | 一种车牌图像定位方法及设备 |
WO2018058593A1 (zh) * | 2016-09-30 | 2018-04-05 | 富士通株式会社 | 目标颜色识别方法、装置以及计算机系统 |
CN108280990A (zh) * | 2016-12-30 | 2018-07-13 | 纵目科技(上海)股份有限公司 | 基于车顶信号灯检测的急救车辆检测与避让方法与系统 |
CN109102549A (zh) * | 2018-08-17 | 2018-12-28 | 深圳大学 | 图像光源颜色的检测方法、装置、计算机设备及存储介质 |
CN109344844A (zh) * | 2018-09-19 | 2019-02-15 | 高新兴科技集团股份有限公司 | 一种车辆颜色识别方法及装置 |
CN109410512A (zh) * | 2018-11-07 | 2019-03-01 | 北京林业大学 | 一种基于最小二乘法的烟雾根节点检测方法 |
CN109558872A (zh) * | 2018-11-22 | 2019-04-02 | 四川大学 | 一种车辆颜色识别方法 |
CN110009058A (zh) * | 2019-04-16 | 2019-07-12 | 山东博昂信息科技有限公司 | 一种停车场车牌识别系统及方法 |
CN110321973A (zh) * | 2019-07-23 | 2019-10-11 | 南京信息工程大学 | 一种基于视觉的组合车辆检测方法 |
CN111126285A (zh) * | 2019-12-22 | 2020-05-08 | 上海眼控科技股份有限公司 | 机动车牌证申请表的边界检测审核方法、设备及存储介质 |
CN111160147A (zh) * | 2019-12-16 | 2020-05-15 | 华南理工大学 | 一种书法作品图像的裁剪和识别方法 |
CN111665199A (zh) * | 2019-03-06 | 2020-09-15 | 东莞中科蓝海智能视觉科技有限公司 | 一种基于机器视觉的电线电缆颜色检测识别方法 |
CN111860474A (zh) * | 2019-04-18 | 2020-10-30 | 四川大学 | 一种基于背景散热片消融的车标定位方法 |
CN113139409A (zh) * | 2020-01-20 | 2021-07-20 | 浙江宇视科技有限公司 | 车辆识别方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101064011A (zh) * | 2006-04-26 | 2007-10-31 | 电子科技大学 | 基于小波变换的复杂背景中的车牌提取方法 |
CN101334836A (zh) * | 2008-07-30 | 2008-12-31 | 电子科技大学 | 一种融合色彩、尺寸和纹理特征的车牌定位方法 |
CN101436252A (zh) * | 2008-12-22 | 2009-05-20 | 北京中星微电子有限公司 | 一种车辆视频图像中车身颜色识别方法及系统 |
CN101504717A (zh) * | 2008-07-28 | 2009-08-12 | 上海高德威智能交通系统有限公司 | 特征区域的定位方法、车身深浅色与车身颜色的识别方法 |
CN102306276A (zh) * | 2011-07-07 | 2012-01-04 | 北京云加速信息技术有限公司 | 基于分块聚类的视频车辆图像中车身颜色识别方法 |
CN103150904A (zh) * | 2013-02-05 | 2013-06-12 | 中山大学 | 一种基于图像特征的卡口车辆图像识别方法 |
-
2015
- 2015-08-29 CN CN201510543000.0A patent/CN105160691A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101064011A (zh) * | 2006-04-26 | 2007-10-31 | 电子科技大学 | 基于小波变换的复杂背景中的车牌提取方法 |
CN101504717A (zh) * | 2008-07-28 | 2009-08-12 | 上海高德威智能交通系统有限公司 | 特征区域的定位方法、车身深浅色与车身颜色的识别方法 |
CN101334836A (zh) * | 2008-07-30 | 2008-12-31 | 电子科技大学 | 一种融合色彩、尺寸和纹理特征的车牌定位方法 |
CN101436252A (zh) * | 2008-12-22 | 2009-05-20 | 北京中星微电子有限公司 | 一种车辆视频图像中车身颜色识别方法及系统 |
CN102306276A (zh) * | 2011-07-07 | 2012-01-04 | 北京云加速信息技术有限公司 | 基于分块聚类的视频车辆图像中车身颜色识别方法 |
CN103150904A (zh) * | 2013-02-05 | 2013-06-12 | 中山大学 | 一种基于图像特征的卡口车辆图像识别方法 |
Non-Patent Citations (3)
Title |
---|
宋晓红: "车身颜色识别在高速公路卡口中的应用", 《中国交通信息化》 * |
金凯: "智能交通系统中车牌识别与违章检测算法的研究与应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
鲁飞: "车牌定位与字符分割算法的研究与实现", 《道客巴巴》 * |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203420B (zh) * | 2016-07-26 | 2019-07-19 | 浙江捷尚视觉科技股份有限公司 | 一种卡口车辆颜色识别方法 |
CN106203420A (zh) * | 2016-07-26 | 2016-12-07 | 浙江捷尚视觉科技股份有限公司 | 一种卡口车辆颜色识别方法 |
CN107798324A (zh) * | 2016-08-29 | 2018-03-13 | 北京君正集成电路股份有限公司 | 一种车牌图像定位方法及设备 |
CN107798324B (zh) * | 2016-08-29 | 2020-12-29 | 北京君正集成电路股份有限公司 | 一种车牌图像定位方法及设备 |
CN106485199A (zh) * | 2016-09-05 | 2017-03-08 | 华为技术有限公司 | 一种车身颜色识别的方法及装置 |
WO2018058593A1 (zh) * | 2016-09-30 | 2018-04-05 | 富士通株式会社 | 目标颜色识别方法、装置以及计算机系统 |
CN106529553A (zh) * | 2016-10-27 | 2017-03-22 | 深圳市捷顺科技实业股份有限公司 | 一种车身颜色识别区域定位的方法及装置 |
CN106529553B (zh) * | 2016-10-27 | 2020-01-03 | 深圳市捷顺科技实业股份有限公司 | 一种车身颜色识别区域定位的方法及装置 |
CN106650752A (zh) * | 2016-12-09 | 2017-05-10 | 浙江浩腾电子科技股份有限公司 | 一种车身颜色识别方法 |
CN106650752B (zh) * | 2016-12-09 | 2019-04-30 | 浙江浩腾电子科技股份有限公司 | 一种车身颜色识别方法 |
CN106651969A (zh) * | 2016-12-28 | 2017-05-10 | 深圳市捷顺科技实业股份有限公司 | 一种针对车辆的颜色识别方法及装置 |
CN108280990A (zh) * | 2016-12-30 | 2018-07-13 | 纵目科技(上海)股份有限公司 | 基于车顶信号灯检测的急救车辆检测与避让方法与系统 |
CN106909943A (zh) * | 2017-02-28 | 2017-06-30 | 深圳市捷顺科技实业股份有限公司 | 一种基于卷积神经网络模型鉴别车辆颜色的方法及装置 |
CN106897747A (zh) * | 2017-02-28 | 2017-06-27 | 深圳市捷顺科技实业股份有限公司 | 一种基于卷积神经网络模型鉴别车辆颜色的方法及装置 |
CN107729812A (zh) * | 2017-09-18 | 2018-02-23 | 南京邮电大学 | 一种适用于监控场景中的车辆颜色识别的方法 |
CN107729812B (zh) * | 2017-09-18 | 2021-06-25 | 南京邮电大学 | 一种适用于监控场景中的车辆颜色识别的方法 |
CN109102549A (zh) * | 2018-08-17 | 2018-12-28 | 深圳大学 | 图像光源颜色的检测方法、装置、计算机设备及存储介质 |
CN109344844A (zh) * | 2018-09-19 | 2019-02-15 | 高新兴科技集团股份有限公司 | 一种车辆颜色识别方法及装置 |
CN109410512A (zh) * | 2018-11-07 | 2019-03-01 | 北京林业大学 | 一种基于最小二乘法的烟雾根节点检测方法 |
CN109558872A (zh) * | 2018-11-22 | 2019-04-02 | 四川大学 | 一种车辆颜色识别方法 |
CN109558872B (zh) * | 2018-11-22 | 2022-02-11 | 四川大学 | 一种车辆颜色识别方法 |
CN111665199A (zh) * | 2019-03-06 | 2020-09-15 | 东莞中科蓝海智能视觉科技有限公司 | 一种基于机器视觉的电线电缆颜色检测识别方法 |
CN110009058A (zh) * | 2019-04-16 | 2019-07-12 | 山东博昂信息科技有限公司 | 一种停车场车牌识别系统及方法 |
CN111860474A (zh) * | 2019-04-18 | 2020-10-30 | 四川大学 | 一种基于背景散热片消融的车标定位方法 |
CN110321973A (zh) * | 2019-07-23 | 2019-10-11 | 南京信息工程大学 | 一种基于视觉的组合车辆检测方法 |
CN111160147A (zh) * | 2019-12-16 | 2020-05-15 | 华南理工大学 | 一种书法作品图像的裁剪和识别方法 |
CN111126285A (zh) * | 2019-12-22 | 2020-05-08 | 上海眼控科技股份有限公司 | 机动车牌证申请表的边界检测审核方法、设备及存储介质 |
CN113139409A (zh) * | 2020-01-20 | 2021-07-20 | 浙江宇视科技有限公司 | 车辆识别方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105160691A (zh) | 基于颜色直方图的车身颜色识别方法 | |
CN105046196B (zh) | 基于级联卷积神经网络的前车车辆信息结构化输出方法 | |
CN105488454B (zh) | 基于单目视觉的前方车辆检测与测距 | |
CN105913041B (zh) | 一种基于预先标定的信号灯识别方法 | |
CN102043950B (zh) | 基于canny算子和边缘点统计的车辆轮廓识别方法 | |
CN103824081B (zh) | 一种室外恶劣光照条件下的快速鲁棒交通标志检测方法 | |
CN103198315B (zh) | 基于字符轮廓和模板匹配的车牌字符分割算法 | |
CN102915544B (zh) | 基于纹理检测和颜色分割的视频图像运动目标提取方法 | |
CN103034843B (zh) | 一种基于单目视觉的夜间车辆检测方法 | |
CN105005766A (zh) | 一种车身颜色识别方法 | |
CN104050450A (zh) | 一种基于视频的车牌识别方法 | |
CN107016362B (zh) | 基于车辆前挡风玻璃粘贴标志的车辆重识别方法和系统 | |
CN104715239A (zh) | 一种基于去雾处理和权重分块的车辆颜色识别方法 | |
CN103268489A (zh) | 基于滑窗搜索的机动车号牌识别方法 | |
CN102737221B (zh) | 车辆颜色的识别方法及装置 | |
CN105426816A (zh) | 一种处理人脸图像的方法及装置 | |
CN105184299A (zh) | 基于局部约束线性编码的车身颜色识别方法 | |
Do et al. | Speed limit traffic sign detection and recognition based on support vector machines | |
CN102930271A (zh) | 一种视频图像的出租车实时识别方法 | |
CN113837094A (zh) | 基于全色高分遥感图像的路况快捷分析方法 | |
Jia et al. | Design of Traffic Sign Detection and Recognition Algorithm Based on Template Matching | |
CN109800693B (zh) | 一种基于颜色通道混合特征的夜间车辆检测方法 | |
Luo et al. | An efficient method of license plate location | |
Zhou et al. | Real-time traffic light recognition based on c-hog features | |
Zhu et al. | Color-geometric model for traffic sign recognition |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20151216 |