CN105354530B

CN105354530B - 一种车身颜色识别方法及装置

Info

Publication number: CN105354530B
Application number: CN201510607901.1A
Authority: CN
Inventors: 黄明亮
Original assignee: Zhejiang Uniview Technologies Co Ltd
Current assignee: Zhejiang Uniview Technologies Co Ltd
Priority date: 2015-09-22
Filing date: 2015-09-22
Publication date: 2019-07-16
Anticipated expiration: 2035-09-22
Also published as: CN105354530A

Abstract

本发明提供一种车身颜色识别方法及装置，所述方法包括：确定目标车辆车前脸区域中的车身颜色识别区域；确定所述车身颜色识别区域的多维颜色直方图特征；将所述多维颜色直方图特征输入预先训练的神经网络，根据所述神经网络的输出结果确定车身颜色。应用本发明实施例可以提高车身颜色识别的准确率,降低车身颜色识别的性能损耗。

Description

一种车身颜色识别方法及装置

技术领域

本发明涉及图像处理技术领域，尤其涉及一种车身颜色识别方法及装置。

背景技术

智能交通系统(Intelligent Transportation System，简称ITS)是目前许多城市正在运用的一种管理系统，其涉及的领域广泛，主要包括道路路况采集、车辆身份识别、违规处理、自助缴费等多个模块，通过数字化技术实现各个模块间的信息互通，从而促进城市道路的有效利用和管理，达到缓解交通拥挤的目的。

然而随着车辆数量和交通出行量的不断增长，汽车套牌、一车多牌、一牌多车等妨碍交通秩序的违法犯罪行为也变得尤为突出，传统的车辆识别技术(车牌识别、车型识别、车标识别等)已经不能满足智能交通车辆识别在新形势下的需求。因此，车身颜色识别技术变得尤为重要，它弥补了智能车辆识别系统中车辆颜色特征信息的技术空白，丰富了车辆识别的特征信息，并且对打击汽车套牌等犯罪行为有非常重要的意义。

现有车身颜色识别方案中，通过检测获取车辆所在矩形区域，对该矩形区域内所有像素点进行SVM颜色分类，统计颜色占比，输出占比最高的颜色作为车身颜色。

然而实践发现，上述车身颜色识别方案中，确定车辆所在矩形区域内所有像素点的颜色，容易引入颜色干扰，导致车身颜色识别成功率较低，而且会造成较大的性能损耗。

发明内容

本发明提供一种车身颜色识别方法及装置，以解决现有技术中车身颜色识别成功率较低，而且会造成较大的性能损耗的问题。

根据本发明实施例的第一方面，提供一种车身颜色识别方法，包括：

确定目标车辆车前脸区域中的车身颜色识别区域；

确定所述车身颜色识别区域的多维颜色直方图特征；

将所述多维颜色直方图特征输入预先训练的神经网络，根据所述神经网络的输出结果确定车身颜色。

根据本发明实施例的第二方面，提供一种车身颜色识别装置，包括：

第一确定单元，用于确定目标车辆车前脸区域中的车身颜色识别区域；

第二确定单元，用于确定所述车身颜色识别区域的多维颜色直方图特征；

颜色识别单元，用于将所述多维颜色直方图特征输入预先训练的神经网络，根据所述神经网络的输出结果确定车身颜色。

应用本发明实施例，通过确定车前脸区域中的颜色识别区域，并将该颜色识别区域的多维颜色直方图特征输入预先训练的神经网络进行车身颜色识别，由于颜色识别区域在车前脸区域中确定，因此，减少了颜色干扰，降低了车身颜色识别的性能损耗；此外，通过多维颜色直方图特征和神经网络训练识别方案，提高了车身颜色识别的准确率。

附图说明

图1是本发明实施例提供的一种车身颜色识别方法的流程示意图；

图2是本发明实施例提供的另一种车身颜色识别方法的流程示意图；

图3是本发明实施例提供的一种车身颜色识别装置的结构示意图；

图4是本发明实施例提供的另一种车身颜色识别装置的结构示意图；

图5是本发明实施例提供的另一种车身颜色识别装置的结构示意图；

图6是本发明实施例提供的另一种车身颜色识别装置的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明实施例中的技术方案，并使本发明实施例的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明实施例中技术方案作进一步详细的说明。

请参见图1，图1为本发明实施例提供的一种车身颜色识别方法的流程示意图，如图1所示，该车身颜色识别方法可以包括：

步骤101、确定目标车辆车前脸区域中的车身颜色识别区域。

本发明实施例中，上述方法可以应用于智能交通系统中，例如，应用于智能交通系统中的后台服务器。为便于描述，以下以上述方法的执行主体为服务器为例进行描述。

本发明实施例中，目标车辆并不特指某一车辆，而是可以指代任一进行车身颜色识别的车辆，本发明实施例后续不再复述。

本发明实施例中，服务器采集到目标车辆的监控图像之后，例如，通过公路相应位置安装的IPC(Internet Protocol Camera，网络摄像机)等图像采集装置采集目标车辆的监控图像，可以通过对该监控图像进行图片处理，确定该目标车辆的车前脸区域中的车身颜色识别区域。

作为一种可选的实施方式，上述步骤101中，确定目标车辆车前脸区域中的车身颜色识别区域，可以包括：

11)、根据目标车辆的车牌位置信息以及车辆类型信息确定车前脸感兴趣区域；

12)、在车前脸感兴趣区域中确定颜色识别区域。

在该实施方式中，目标车辆的车辆类型信息可以包括大型车和小型车，其可以根据目标车辆的车牌颜色加以区分，例如，黄色车牌对应的车辆为大型车，其它颜色的车牌对应的车辆为小型车。

其中，目标车辆的车牌位置信息以及车牌颜色等信息可以通过车牌识别技术实现，本发明实施例对此不再赘述。

服务器确定目标车辆的车牌位置信息以及车辆类型信息之后，可以根据该车牌位置信息以及车辆类型信息确定车前脸区域感兴趣区域。

举例来说，假设车牌上边沿中心位置坐标为(x₀,y₀)，车牌宽和高分别为plate_w和plate_h，则可以在车前脸区域中车牌上方区域选取(x₀-a₀*plate_w，y₀-a₁*plate_h)为起始点，宽高分别为2*a₀*plate_w，a₁*plate_h的区域为中间感兴趣区域。

其中，a0和a1可以为经验数据，其具体值可以参考车辆类型信息确定。例如，对于大型车，a0可以为4，a1可以为6；对于小型车，a0可以为1，a1可以为2。

作为一种可选的实施方式，上述步骤12)中，在车前脸感兴趣区域中确定颜色识别区域，可以包括以下步骤：

121)、确定车前脸感兴趣区域的二值边缘图；

122)、对该二值边缘图进行竖直方向纹理投影；

123)、对投影数据进行平滑处理；

124)、按照车前脸感兴趣区域从下往上的顺序，对平滑处理后的投影数据进行搜索，判断是否存在连续大于或等于第二阈值数量的目标纹理投影值，该目标纹理投影值为小于第一阈值的纹理投影值；

125)、若存在，将该连续大于或等于第二阈值数量的目标纹理投影值对应的区域确定为颜色识别区域。

在该实施方式中，确定车前脸感兴趣区域之后，可以对该车前脸感兴趣区域进行基于边缘的二值化处理，以得到该车前脸区域的二值边缘图，进而，对该二值边缘图进行竖直方向的纹理投影，并对投影数据进行平滑处理。

完成上述处理之后，为了确定车前脸感兴趣区域中的颜色识别区域，可以根据车前脸感兴趣区域从下往上的顺序(即从车前脸感兴趣区域下边沿向上边缘)对平滑处理后的投影数据进行搜索，记录连续纹理投影值小于第一阈值(可以根据具体应用场景预先设定，在该实施方式中可以描述为w₁)的区域的起始位置和终止位置，分别记为y_t0，y_d0，并判断该起始位置和终止位置之间的目标纹理投影值的数量是否大于或等于第二阈值(可以根据具体应用场景预先设定，在该实施方式中可以描述为w₂)，并当判断为是时，可以对应的区域确定为颜色识别区域。其中，颜色识别区域可以有多个。

值得说明的是，当车前脸区域纹理比较复杂，例如，目标车辆为大型车或车前脸区域存在干扰时，通过上述步骤121)～步骤125)可能无法获取到颜色识别区域。

相应地，针对上述问题，上述步骤12)还可以包括以下步骤：

126)、若不存在，将二值边缘图等分为至少两个图块；

127)、根据各图块的纹理密度确定各图块的纹理密度评分，并根据各图块内像素点的HSV(Hue,Saturation,Value，色调、饱和度、亮度)特征确定各图块的颜色特征评分；

128)、根据各图块的纹理密度评分以及颜色特征评分确定各图块的综合评分，并选取综合评分大于第三阈值的图块作为颜色识别区域。

在该实施方式中，当通过步骤121)～125)描述的方式未能确定车身颜色识别区域时，可以进一步通过分块排序方式确定车身颜色识别区域，即将车前脸感兴趣区域的二值边缘图划分为若干个图块，对每个图块按照纹理密度、颜色特征两个指标进行评分，并根据评分确定车身颜色识别区域。

具体的，在该实施方式中，可以将车前脸感兴趣区域的二值边缘图等分为至少两个图块。例如，可以将车前脸感兴趣区域的二值边缘图按照plate_w宽、plate_h/2高的大小划分为m块；其中m为正整数。

在对车前脸感兴趣区域的二值边缘图进行等分之后，一方面，可以分别确定各图块的纹理密度，并根据各图块的纹理密度确定各图块的纹理密度评分。

可选的，在该实施方式中，图块的纹理密度可以为该图块中所有像素点的纹理值之和。

可选地，在该实施方式中，各图块的纹理密度评分可以为所有图块的纹理密度中的最小值与各图块的纹理密度的比值。

举例来说，假设各图块的纹理密度为aver_i，其中，i＝0,1,…,m-1，所有图块的纹理密度中的最小值为aver_min，则各图块的纹理密度评分score_1i可以通过以下公式确定：

另一方面，可以分别确定各图块的HSV特征，并根据各图块的HSV特征确定各图块的颜色特征评分。

可选地，在该实施方式中，各图块的颜色特征评分可以为各图块的C特征值与所有图块的C特征值中最大值的比值；其中，图块的C特征值为图块内所有像素点的饱和度和亮度的加权值之和。

举例来说，假设各图块的C特征值为C_i，C_i可以为该图块内所有像素点的C值之和，像素点的C值可以为该像素点的饱和度和亮度的加权值，即对于单个像素点：C＝αS+βV；其中，S为该像素点的饱和度，V为该像素点的亮度，α和β为加权系数，其具体值可以根据具体场景确定。假设所有图块的C特征值的最大值为C_max，则各图块的颜色特征评分score_2i可以通过以下公式确定：

在确定了各图块的纹理密度评分以及颜色特征评分之后，可以根据该纹理密度评分以及颜色特征评分确定各图块的综合评分。

可选地，在该实施方式中，各图块的综合评分为各图块的纹理密度评分和颜色特征评分的加权值。

例如，Score_i＝a₂Score_1i+a₃Score_2i；其中，a2和a3为加权系数，其具体值可以根据具体场景确定。

在确定了各图块的综合评分之后，可以选取综合评分大于第三阈值(可以根据具体场景预先设定，在该实施方式中可以描述为thres_score)的图块作为颜色识别区域。

优选地，在根据图块的综合评分选取颜色识别区域时，可以根据各图块的综合评分从高到低的顺序对各图块进行排序，并选取预设数量(可以根据具体场景预先设定，如4个、6个等)的综合评分大于上述第三阈值的图块作为颜色识别区域，从而可以控制需要进行颜色识别的图块的数量，降低车身颜色识别的性能消耗。

需要注意的是，上述评分指标并不限于纹理密度以及颜色特征两个指标，还可以包括其它指标，如亮度信息、颜色差分信息等，其具体实现在此不再赘述。此外，在本发明实施例中，当需要确定车身颜色识别区域时，也可以直接使用步骤126)～步骤128)中描述的分块排序方式确定，而不需要先使用步骤121)～步骤125)，其具体实现在此不再赘述。

步骤102、确定车身颜色识别区域的多维颜色直方图特征。

本发明实施例中，在确定了目标车辆车前脸区域中的车身颜色识别区域之后，可以进一步确定该车身颜色识别区域的多维颜色直方图特征。

作为一种实施方式，上述步骤102中，确定车身颜色识别区域的多维颜色直方图可以包括以下步骤：

21)、分别确定车身颜色识别区域的RGB(Red,Green,Blue，红、绿、蓝)、HSV和LAB(颜色模型)颜色直方图特征；

22)、对该RGB、HSV和LAB颜色直方图特征进行归一化降维处理，以得到该车身颜色识别区域的多维颜色直方图特征。

在该实施方式中，在确定了车身颜色识别区域之后，可以分别确定该车身颜色识别区域的RGB、HSV和LAB颜色直方图特征。

具体的，由于采集到的图像通常为YUV(一种颜色编码方法)格式，因此将其转换为RGB、HSV、LAB颜色空间需要进行如下变换：

YUV转RGB公式如下：

RGB转HSV公式如下：

max_rgb＝max3(r,g,b)；

min_rgb＝min3(r,g,b)；

chroma＝max_rgb-min_rgb；

lightness＝y；

saturation＝255*chroma/max_rgb；

red_c＝60*(max_rgb-r)/chroma；

green_c＝60*(max_rgb-g)/chroma；

blue_c＝60*(max_rgb-b)/chroma；

当r＝＝max_rgb时，hue＝blue_c-green_c；

当g＝＝max_rgb时，hue＝120+red_c-blue_c；

否则，hue＝240+green_c-red_c；

RGB转LAB公式如下：

基于上述公式，对于车身颜色识别区域，可以遍历该车身颜色识别区域内每一个像素点，计算三种颜色空间值，统计各个分量的直方图特征，进而，对直方图特征进行归一化降维处理，以得到该车身颜色识别区域的多维颜色直方图特征。

步骤103、将该多维颜色直方图特征输入预先训练的神经网络，根据该神经网络的输出结果确定车身颜色。

本发明实施例中，在确定了车身颜色识别区域的多维颜色直方图特征之后，可以将该多维颜色直方图特征输入预先训练的神经网络，根据该神经网络的输出结果确定车身颜色。

为了达到以上目的，在本发明实施例中，需要预先根据各种颜色样本对神经网络进行训练，并当训练后的神经网络的识别成功率满足要求时，保存该神经网络，以用于上述流程中的车身颜色识别。

作为一种可选的实施方式，在本发明实施例中，确定目标车前脸区域中的车身颜色识别区域之前，还可以包括以下步骤：

31)、获取神经网络训练样本；

32)、确定该训练样本的多维颜色直方图特征；

33)、根据训练样本的多维颜色直方图特征对神经网络进行训练，直至训练样本识别率大于或等于第四阈值。

在该实施方式中，可以挑选包括白天模式和夜晚模式的各种颜色(包括但不限于黑、白、灰、红、黄、蓝、绿、紫、粉、橙以及棕等)的训练样本，并计算各训练样本的多维颜色直方图特征(计算样本的多维颜色直方图特征的具体实现可以参见上述步骤102中的相关实现)，并将训练样本的多维颜色直方图作为神经网络的输入参数对神经网络进行训练，若神经网络的训练样本识别率满足要求，如训练样本识别率大于或等于第四阈值(可以根据具体应用场景预先设定)，则可以保存该神经网络，以用于车身颜色识别；否则，即神经网络的训练样本识别率不满足要求，可以调整神经网络的参数，并重新进行识别训练，直至训练样本识别率满足要求。

可选地，在本发明实施例中，通过神经网络进行车身颜色识别时，神经网络的输出结果可以为多种可能的颜色，以及各种颜色的概率；或者神经网络可以直接输出概率最高的颜色作为车身颜色。

可见，在图1所描述的方法流程中，通过确定车前脸区域中的颜色识别区域，并将该颜色识别区域的多维颜色直方图特征输入预先训练的神经网络进行车身颜色识别，由于颜色识别区域在车前脸区域中确定，因此，减少了颜色干扰，降低了车身颜色识别的性能损耗；此外，通过多维颜色直方图特征和神经网络训练识别方案，提高了车身颜色识别的准确率。

请参见图2，图2为本发明实施例提供的另一种车身颜色识别方法的流程示意图，如图2所示，该车身颜色识别方法可以包括：

步骤201、确定目标车辆车前脸区域中的车身颜色识别区域。

步骤202、确定车身颜色识别区域的多维颜色直方图特征。

步骤203、将该多维颜色直方图特征输入预先训练的神经网络，根据该神经网络的输出结果确定车身颜色。

本发明实施例中，步骤201～步骤203的具体实现可以参见上述步骤101～步骤103中的相关实现，在此不再赘述。

步骤204、当车身颜色为预设颜色时，对神经网络输出结果进行再判断。

本发明实施例中，考虑到部分颜色在不同光照条件下可能会出现色差，导致神经网络可能会对车身颜色产生误判，因而，为了保证车身颜色识别的正确率，当车身颜色识别结果为某些特定颜色时，可以进一步对神经网络输出结果进行再判断。

举例来说，由于紫色和橙色容易被误判为红色、红色容易被误判为黄色、蓝色和绿色、或者灰色和棕色容易相互误判，因此，当神经网络输出结果(或概率最高的输出结果)为紫色、橙色、红色、绿色、蓝色、灰色或棕色等颜色时，可以进一步对神经网络的输出结果进行再判断，以保证车身颜色识别的成功率。

相应地，作为一种可选的实施方式，在本发明实施例中，上述当车身颜色为预设颜色时，对神经网络输出结果进行再判断，可以包括以下步骤：

41)、当根据神经网络的输出结果确定车身颜色为预设颜色时，根据颜色识别区域内各像素点的HSV特征确定颜色识别区域内的彩色点和灰度点，并确定彩色点的色调分布和灰度点的亮度分布；

42)、当彩色点的色调分布和灰度点的亮度分布与预设颜色不一致时，根据该彩色点的色调分布和灰度点的亮度分布对神经网络的输出结果进行纠正。

在该实施方式中，当神经网络的车身颜色识别结果为预设颜色，即上述容易发生误判的颜色时，为了保证车身颜色识别的正确率，可以根据颜色识别区域的HSV特征进一步对车身颜色进行判断。

具体的，对于颜色识别区域内的每一个像素点，可以根据该像素点的饱和度确定该像素点为彩色点或灰度点。

例如，可以预先设定彩色点对应的饱和度阈值(在该实施方式中可以描述为w₄)，当某像素点的饱和度大于w₄时，则可以认为该像素点为彩色点；或则，可以认为该像素点为灰度点。

在确定颜色识别区域内各像素点为彩色点或灰度点之后，可以进一步地根据HSV颜色空间划分，将彩色点的按照色调划分为红、黄、绿、青、蓝、紫等；灰度点则按照RGB亮度划分为黑、白、灰三类，进而可以统计颜色识别区域内的各颜色占比，并判断该颜色占比与上述预设颜色是否一致，若不一致，则根据该颜色占比对神经网络的输出结果进行纠正。

举例来说，假设神经网络输出的结果中黄色的概率最高，则初步可以认为车身颜色为黄色，但为了进一步保证车身颜色识别的正确率，可以进一步确定颜色识别区域中的彩色点的色调分布和灰度点的亮度分布，若根据彩色点的色调分布和灰度点的亮度分布，发现颜色识别区域中红色占比最高，且红色占比与黄色占比的差值超过一定阈值，则可以认为车身颜色实际应为红色；若发现颜色识别区域中黄色占比最高，则可以认为车身颜色为黄色。

进一步地，在本发明实施例中，对于车前脸纹理复杂情况，即目标车辆为大型车的情况，考虑到大型车通常不会是黑色、灰色等颜色，因而，当该情况下，目标车辆的车身颜色被识别为黑色或灰色时，可以根据神经网络输出的结果中颜色的概率，将概率最高的亮色(如红色、黄色、蓝色等)作为车身颜色。

可见，在图2所描述的方法流程中，通过在根据神经网络的输出结果确定车身颜色，且车身颜色为预设颜色时，对车身颜色进行再次判断，可以提高车身颜色识别的正确率。

通过以上描述可以看出，在本发明实施例提供的技术方案中，通过确定车前脸区域中的颜色识别区域，并将该颜色识别区域的多维颜色直方图特征输入预先训练的神经网络进行车身颜色识别，由于颜色识别区域在车前脸区域中确定，因此，减少了颜色干扰，降低了车身颜色识别的性能损耗；此外，通过多维颜色直方图特征和神经网络训练识别方案，提高了车身颜色识别的准确率。

请参见图3，为本发明实施例提供的一种车身颜色识别装置的结构示意图，其中，该车身颜色识别装置可以应用于上述方法实施例中的智能交通系统，例如，应用于智能交通系统的后台服务器中，如图3所示，该车身颜色识别装置可以包括：

第一确定单元310，用于确定目标车辆车前脸区域中的车身颜色识别区域；

第二确定单元320，用于确定所述车身颜色识别区域的多维颜色直方图特征；

颜色识别单元330，用于将所述多维颜色直方图特征输入预先训练的神经网络，根据所述神经网络的输出结果确定车身颜色。

在可选实施例中，所述第一确定单元310，具体用于根据目标车辆的车牌位置信息以及车辆类型信息确定车前脸感兴趣区域；在所述车前脸感兴趣区域中确定颜色识别区域。

请一并参见图4，为本发明实施例提供的另一种车身颜色识别装置的结构示意图，该实施例在前述图3所示实施例的基础上，所述装置中第一确定单元310可以包括：确定子单元311、投影子单元312和判断子单元313；其中：

确定子单元311，用于确定所述车前脸感兴趣区域的二值边缘图；

投影子单元312，用于对所述二值边缘图进行竖直方向纹理投影，并对投影数据进行平滑处理；

判断子单元313，用于按照所述车前脸感兴趣区域从下往上的顺序，对平滑处理后的投影数据进行搜索，判断是否存在连续大于或等于第二阈值数量的目标纹理投影值，所述目标纹理投影值为小于第一阈值的纹理投影值；

所述确定子单元311，用于当所述判断子单元313的判断结果为存在时，将所述连续大于或等于第二阈值数量的目标纹理投影值对应的区域确定为颜色识别区域。

请一并参见图5，为本发明实施例提供的另一种车身颜色识别装置的结构示意图，该实施例在前述图4所示实施例的基础上，所述装置中第一确定单元310还可以包括：分块子单元314；其中：

分块子单元314，用于当所述判断子单元313判断结果为不存在时，将所述二值边缘图等分为至少两个图块；

所述确定子单元311，还用于根据各图块的纹理密度确定各图块的纹理密度评分，并根据各图块内像素点的色度饱和度亮度HSV特征确定各图块的颜色特征评分；

所述确定子单元311，还用于根据各图块的纹理密度评分以及颜色特征评分确定各图块的综合评分，并选取综合评分大于第三阈值的图块作为颜色识别区域。

在可选实施例中，所述各图块的纹理密度可以为图块内所有像素点的纹理值之和；或/和，

所述各图块的纹理密度评分可以为所有图块的纹理密度中的最小值与各图块的纹理密度的比值；或/和，

所述各图块的颜色特征评分可以为各图块的C特征值与所有图块的C特征值中的最大值的比值；其中，图块的C特征值为图块内所有像素点的饱和度和亮度的加权值之和；或/和，

所述各图块的综合评分可以为各图块的纹理密度评分和颜色特征评分的加权值。

在可选实施例中，所述第二确定单元320，可以具体用于分别确定所述车身颜色识别区域的红绿蓝RGB、HSV和颜色模型LAB颜色直方图特征；对所述颜色识别区域的RGB、HSV和LAB颜色直方图特征进行归一化降维处理，以得到所述车身颜色识别区域的多维颜色直方图特征。

请一并参见图6，为本发明实施例提供的另一种车身颜色识别装置的结构示意图，该实施例在前述图3、图4或图5所示实施例的基础上(图中以在图3所示实施例基础上优化为例)，所述装置还可以包括：获取单元340和训练单元350；其中：

获取单元340，用于获取神经网络训练样本；

所述第二确定单元320，还可以用于确定所述训练样本的多维颜色直方图特征；

训练单元350，用于根据所述训练样本的多维颜色直方图特征对神经网络进行训练，直至训练样本识别率大于或等于第四阈值。

在可选实施例中，所述第二确定单元320，还用于当所述颜色识别单元根据神经网络的输出结果确定车身颜色为预设颜色时，根据所述颜色识别区域内各像素点的HSV特征确定所述颜色识别区域内的彩色点和灰度点，并确定所述彩色点的色调分布，以及所述灰度点的亮度分布；

所述颜色识别单元330，还用于当所述彩色点的色调分布和灰度点的亮度分布与所述预设颜色不一致时，根据所述彩色点的色调分布和灰度点的亮度分布对所述神经网络的输出结果进行纠正。

上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

由上述实施例可见，通过确定车前脸区域中的颜色识别区域，并将该颜色识别区域的多维颜色直方图特征输入预先训练的神经网络进行车身颜色识别，由于颜色识别区域在车前脸区域中确定，因此，减少了颜色干扰，降低了车身颜色识别的性能损耗；此外，通过多维颜色直方图特征和神经网络训练识别方案，提高了车身颜色识别的准确率。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims

1.一种车身颜色识别方法，其特征在于，包括：

确定目标车辆车前脸区域中的车身颜色识别区域；

确定所述车身颜色识别区域的多维颜色直方图特征；

将所述多维颜色直方图特征输入预先训练的神经网络，根据所述神经网络的输出结果确定车身颜色；

所述确定目标车辆车前脸区域中的车身颜色识别区域，包括：

根据目标车辆的车牌位置信息以及车辆类型信息确定车前脸感兴趣区域；

在所述车前脸感兴趣区域中确定颜色识别区域；

所述在所述车前脸感兴趣区域中确定颜色识别区域，包括：

确定所述车前脸感兴趣区域的二值边缘图；

对所述二值边缘图进行竖直方向纹理投影；

对投影数据进行平滑处理；

按照所述车前脸感兴趣区域从下往上的顺序，对平滑处理后的投影数据进行搜索，判断是否存在连续大于或等于第二阈值数量的目标纹理投影值，所述目标纹理投影值为小于第一阈值的纹理投影值；

若存在，将所述连续大于或等于第二阈值数量的目标纹理投影值对应的区域确定为颜色识别区域；

若不存在，将所述二值边缘图等分为至少两个图块；

根据各图块的纹理密度确定各图块的纹理密度评分，并根据各图块内像素点的色度饱和度亮度HSV特征确定各图块的颜色特征评分；

根据各图块的纹理密度评分以及颜色特征评分确定各图块的综合评分，并选取综合评分大于第三阈值的图块作为颜色识别区域。

2.根据权利要求1所述的方法，其特征在于，所述各图块的纹理密度为图块内所有像素点的纹理值之和；或/和，

所述各图块的纹理密度评分为所有图块的纹理密度中的最小值与各图块的纹理密度的比值；或/和，

所述各图块的颜色特征评分为各图块的C特征值与所有图块的C特征值中的最大值的比值；其中，图块的C特征值为图块内所有像素点的饱和度和亮度的加权值之和；或/和，

所述各图块的综合评分为各图块的纹理密度评分和颜色特征评分的加权值。

3.根据权利要求1所述的方法，其特征在于，所述确定所述车身颜色识别区域的多维直方图特征，包括：

分别确定所述车身颜色识别区域的红绿蓝RGB、HSV和颜色模型LAB颜色直方图特征；

对所述颜色识别区域的RGB、HSV和LAB颜色直方图特征进行归一化降维处理，以得到所述车身颜色识别区域的多维颜色直方图特征。

4.根据权利要求1-3任一项所述的方法，其特征在于，所述确定目标车辆车前脸区域中的车身颜色识别区域之前，还包括：

获取神经网络训练样本；

确定所述训练样本的多维颜色直方图特征；

根据所述训练样本的多维颜色直方图特征对神经网络进行训练，直至训练样本识别率大于或等于第四阈值。

5.根据权利要求1-3任一项所述的方法，其特征在于，当根据神经网络的输出结果确定车身颜色为预设颜色时，所述根据神经网络的输出结果确定车身颜色之后，还包括：

根据所述颜色识别区域内各像素点的HSV特征确定所述颜色识别区域内的彩色点和灰度点，并确定所述彩色点的色调分布，以及所述灰度点的亮度分布；

当所述彩色点的色调分布和灰度点的亮度分布与所述预设颜色不一致时，根据所述彩色点的色调分布和灰度点的亮度分布对所述神经网络的输出结果进行纠正。

6.一种车身颜色识别装置，其特征在于，包括：

颜色识别单元，用于将所述多维颜色直方图特征输入预先训练的神经网络，根据所述神经网络的输出结果确定车身颜色；

所述第一确定单元，具体用于根据目标车辆的车牌位置信息以及车辆类型信息确定车前脸感兴趣区域；在所述车前脸感兴趣区域中确定颜色识别区域；

所述第一确定单元，包括：

确定子单元，用于确定所述车前脸感兴趣区域的二值边缘图；

投影子单元，用于对所述二值边缘图进行竖直方向纹理投影，并对投影数据进行平滑处理；

判断子单元，用于按照所述车前脸感兴趣区域从下往上的顺序，对平滑处理后的投影数据进行搜索，判断是否存在连续大于或等于第二阈值数量的目标纹理投影值，所述目标纹理投影值为小于第一阈值的纹理投影值；

所述确定子单元，用于当所述判断子单元的判断结果为存在时，将所述连续大于或等于第二阈值数量的目标纹理投影值对应的区域确定为颜色识别区域；

分块子单元，用于当所述判断子单元判断结果为不存在时，将所述二值边缘图等分为至少两个图块；

所述确定子单元，还用于根据各图块的纹理密度确定各图块的纹理密度评分，并根据各图块内像素点的色度饱和度亮度HSV特征确定各图块的颜色特征评分；

所述确定子单元，还用于根据各图块的纹理密度评分以及颜色特征评分确定各图块的综合评分，并选取综合评分大于第三阈值的图块作为颜色识别区域。

7.根据权利要求6所述的装置，其特征在于，所述各图块的纹理密度为图块内所有像素点的纹理值之和；或/和，

8.根据权利要求6所述的装置，其特征在于，

所述第二确定单元，具体用于分别确定所述车身颜色识别区域的红绿蓝RGB、HSV和颜色模型LAB颜色直方图特征；对所述颜色识别区域的RGB、HSV和LAB颜色直方图特征进行归一化降维处理，以得到所述车身颜色识别区域的多维颜色直方图特征。

9.根据权利要求6-8任一项所述的装置，其特征在于，所述装置还包括：

获取单元，用于获取神经网络训练样本；

所述第二确定单元，还用于确定所述训练样本的多维颜色直方图特征；

训练单元，用于根据所述训练样本的多维颜色直方图特征对神经网络进行训练，直至训练样本识别率大于或等于第四阈值。

10.根据权利要求6-8任一项所述的装置，其特征在于，

所述第二确定单元，还用于当所述颜色识别单元根据神经网络的输出结果确定车身颜色为预设颜色时，根据所述颜色识别区域内各像素点的HSV特征确定所述颜色识别区域内的彩色点和灰度点，并确定所述彩色点的色调分布，以及所述灰度点的亮度分布；

所述颜色识别单元，还用于当所述彩色点的色调分布和灰度点的亮度分布与所述预设颜色不一致时，根据所述彩色点的色调分布和灰度点的亮度分布对所述神经网络的输出结果进行纠正。