CN106203420B - 一种卡口车辆颜色识别方法 - Google Patents
一种卡口车辆颜色识别方法 Download PDFInfo
- Publication number
- CN106203420B CN106203420B CN201610593825.8A CN201610593825A CN106203420B CN 106203420 B CN106203420 B CN 106203420B CN 201610593825 A CN201610593825 A CN 201610593825A CN 106203420 B CN106203420 B CN 106203420B
- Authority
- CN
- China
- Prior art keywords
- color
- vehicle
- image
- tailstock
- sample
- 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.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Abstract
本发明涉及一种卡口车辆颜色识别方法。本发明通过车头和车尾的检测和定位,将整个车前脸或者车尾部外接矩形区域作为颜色识别的感兴趣区域,再对感兴趣区域的图像进行仿射变换增强输入的一致性,对仿射变换之后的图像做Lab色彩空间的转换,加上RGB空间共六个通道的图像信息作为颜色特征计算的输入。通过采集卡口图像,生成仿射变换之后的大量样本,对样本进行车辆颜色的标注,利用标注样本进行卷积神经神经网络学习,自动提取感兴趣区域的颜色特征,利用自动提取的特征和标注信息通过SVM分类器学习得到颜色识别的最终结果。通过样本驱动的方式学习得到感兴趣区域颜色特征的计算和提取,所得到的特征可以有效的提高分类器的识别准确率。
Description
技术领域
本发明属于智能交通技术领域,涉及一种卡口车辆颜色识别方法。
背景技术
目前道路交通卡口、电子警察等监控设备在国内已经大量的安装和使用,在已有设备采集到的图像数据上进行数据挖掘和目标内容分析已经成为科研和工业界的一个研究热点。
车辆信息是道路交通卡口和电子警察等监控数据中的主要分析对象,而车身颜色本身具有的直观性、旋转平移不变性则成为了人们描述和认识车辆目标的一个非常关键的信息,因此车身颜色信息的自动获取和相关的检索服务成为了刑侦和交管的一个热门需求。
车身颜色的识别一般包含两个主要的模块:一个是待识别区域的检测和定位、车身颜色参考区域的确定,另一个是对参考区域的图像进行颜色分类和识别。
待识别区域的检测和定位有多种方式,《车辆颜色识别方法》103544480A、《基于颜色直方图的车身颜色识别方法》105160691A和《一种车身颜色识别方法及装置》105354530A中,首先检测和定位车牌,然后根据车牌位置信息,确定车辆颜色识别参考区域。《车辆颜色的识别方法及装置》102737221B中,根据图像的纹理和结构信息定位车辆颜色识别的参考区域,之后再进行主识别区域和辅助识别区域的定位。《一种车身颜色识别方法》105005766A中,根据视频中运动目标检测的方法,确定运动目标的外接矩形作为颜色识别的参考区域。《一种自动识别道路卡口视频及图片中的车辆颜色的方法》104680195A中,没有明确描述颜色候选区域的定位方式,只明确了候选区域为多块,主要集中在发动机盖上。
以上定位待识别区域的方法都是选择车身上的一块或者多块具有代表性的局部区域作为颜色分类和识别的输入,其缺点在于交通卡口和电子警察等设备的安装条件和环境各异,因为光照、成像和相机拍摄角度等多种因素的干扰,所选择的局部区域内的颜色很容易和车身本身的颜色或车身其他区域的颜色有很大变化,从而导致识别结果的错误。
对参考区域的图像进行颜色分类和识别也有多种方式,《基于颜色直方图的车身颜色识别方法》105160691A中,将待识别区域图像转换到Lab彩色空间中后提取颜色直方图,再利用SVM分类器进行分类和识别。《一种车身颜色识别方法及装置》105354530A中,提取待识别区块中图像的RGB、HSV和Lab空间的多维颜色直方图作为特征,利用神经网络进行分类识别。《车辆颜色识别方法》103544480A中,通过对参考区域饱和度等特征参数的统计,首先将车辆分为彩色车和黑白银灰色车;若判定结果为彩色车,分离出彩色区域,并对此区域进行颜色识别;若判定结果为黑白银灰车,则将参考区域分割,通过投票的方法确定车辆的颜色。以上识别多是根据经验提取不同颜色空间的特征后利用分类器进行分类,缺点在于经验特征有很大的局限性,导致分类和识别的准确率不够。
发明内容
本发明针对现有技术的不足,提供了一种卡口车辆颜色识别方法。
本发明的主要构思:因为光照和成像环境的各种影响,颜色完全一致的车辆在成像之后的图像上,不同区域的颜色会有很多变化,利用局部区域进行颜色判定会造成颜色识别准确率的下降,所以本发明通过车头和车尾的检测和定位,将整个车前脸或者车尾部外接矩形区域作为颜色识别的感兴趣区域,再对感兴趣区域的图像进行仿射变换增强输入的一致性,再对仿射变换之后的图像做Lab色彩空间的转换,加上原本的RGB空间共六个通道的图像信息作为颜色特征计算的输入。通过采集卡口图像,生成仿射变换之后的大量样本,对样本进行车辆颜色的标注,利用大量的标注样本进行卷积神经神经网络学习,自动提取感兴趣区域的颜色特征,利用自动提取的特征和标注信息通过SVM分类器学习得到颜色识别的最终结果。通过样本驱动的方式学习得到感兴趣区域颜色特征的计算和提取,所得到的特征可以有效的提高分类器的识别准确率。
本发明的有益效果:
1、车辆检测器可以提高卡口图像中车辆的检测率,可以分析卡口图像中更多车辆目标对象的颜色信息,尤其在平安城市和视频侦察中可以有效的降低嫌疑车辆的漏检率。
2、不同的人对图像中车辆颜色的认知和理解有很多不同之处,通过查找相应车型所对应的实际中存在的颜色作为标注的颜色类别,可以降低人为主观因素造成的很多颜色混淆。
3、样本驱动的卷积神经网络的训练,可以非常高效地得到颜色特征的计算过程,减少手工特征计算方式设计的劳动量,缩短研发周期。
附图说明
图1为车辆颜色识别的流程图。
图2为车辆颜色标注流程图。
图3为颜色特征计算网络训练样本准备流程图。
具体实施方式
以下结合实施例和附图对本发明作进一步说明:
本实施例的具体步骤是:
1、以任意两像素点的差异作为特征,由级联AdaBoost分类器和去误检分类器构成的车辆检测器,得到目标车辆的具体位置。通过统计学习的方式组合非常简单的两像素点的差异作为特征,可以有效的提高检测器效率同时保证性能。
2、基于目标定位得到车前脸或车尾部上一组位置明确且稳定的特征点位置,再经过仿射变换得到对齐之后的车辆区域图像。车头、车尾的结构信息有很多不同之处,通过分而治之可以有效提高颜色识别的准确率。
3、将对齐之后的RGB图像,转换至Lab空间,拼接RGB和Lab两个空间的数据得到车辆区域的一个6通道数据。
4、采集大量的卡口图像数据,通过车型信息辅助提高收集样本的典型性和覆盖面,提高样本集的质量,经过步骤1得到单个车辆区域的图像样本。
5、人工对步骤4中得到的图像样本首先进行车头、车尾的标注,然后进行车型的确认,最后在相应的车型里确定相应的车辆颜色作为该车辆的颜色标注结果,不同人对车型的认知不一致性要远远小于对颜色判定的不一致性,通过先查找车型再标注颜色可以大大提高颜色标注的一致性和准确度,提高样本质量。
6、对第4步得到的样本再经过以上2、3,两个步骤得到6通道对齐之后的带颜色类别标签的车辆区域样本集;训练样本的收集和分类预处理对后面的特征计算模式和识别分类器的学习起到了至关重要的作用,车头、车尾分开可以减少结构信息的不同对识别性能的干扰,6通道数据的合并使用可以提高抽取到特征的描述能力。
7、根据车头、车尾的标注信息将标注样本分为车头样本集F和车尾样本集两类R,然后各自再按2:1的比例,用随机选取的方式进行训练和测试样本集的划分,得到四个样本集:Ftr(车头训练)、Fts(车头测试)、Rtr(车尾训练)和Rts(车尾测试)。
8、基于卷积神经网络,利用6通道的训练样本集进行特征提取的训练,最终得到N维的特征向量,该N维特征的计算完全依赖训练样本集而生成,不需要人为的设计和验证,而且可以得到颜色信息更丰富的表达,是提高颜色识别率的关键,然后基于SVM分类器结合颜色类别标注信息训练得到颜色识别分类器,通过卷积神经网络和SVM分类器的结合将颜色识别分为两步进行可以有效的避免过拟合现象,提高识别算法的鲁棒性。
本实施例中的车辆颜色的识别需要经过训练得到颜色分类器,然后再结合训练得到的颜色分类器对图像中的车辆进行自动的颜色识别,得到车辆的颜色识别结果。
训练过程:
1、收集卡口RGB图像样本集;
2、通过车辆检测器得到特定目标车辆的RGB图像;
3、利于车头车尾分类器获得目标车辆图像的车头或车尾标签;
4、基于特征点定位算法得到目标车辆的特征点位置;
5、基于目标车辆RGB图像和对应的特征点位置,对该图像做仿射变换和Lab颜色空间变换,得到6通道的样本数据和车头车尾类别标签;
6、标注目标车辆的颜色标签,图2为目标车辆颜色标注的流程图;
7、根据车头、车尾的标注信息将标注样本分为车头样本集F和车尾样本集两类R,然后各自再按2:1的比例,用随机选取的方式进行训练和测试样本集的划分,得到四个样本集:Ftr(车头训练)、Fts(车头测试)、Rtr(车尾训练)和Rts(车尾测试)图3为特征计算网络训练样本准备过程的流程图;
8、在车头、车尾样本集上利用卷积神经网络训练得到颜色特征的计算方式;
9、根据训练好的卷积神经网络计算各个样本的颜色特征,结合颜色类别标签利用SVM训练颜色分类器,SVM算法可以参考:https://www.csie.ntu.edu.tw/~cjlin/libsvm/;
识别过程,见图1:
1、利用车辆检测器得到卡口图像中目标车辆的图像
2、利用车头、车尾分类器得到待识别目标车辆是车头还是车尾
3、计算目标车辆在图像上的特征点位置
4、基于待识别车辆特征点位置和标准图像特征点位置,对目标车辆图像做仿射变换,同时输入的RGB图像做Lab色彩空间变换,得到6通道的数据信息
5、6通道 数据经过训练好的颜色特征计算网络得到N维颜色特征
6、N维颜色特征经过训练好的SVM分类器得到目标车辆的颜色类别。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围,应带理解,本发明并不限于这里所描述的实现方案,这些实现方案描述的目的在于帮助本领域中的技术人员实践本发明。
Claims (1)
1.一种卡口车辆颜色识别方法,其特征在于该方法包括以下步骤:
步骤1、以任意两像素点的差异作为特征,由级联AdaBoost分类器和去误检分类器构成车辆检测器,得到目标车辆的具体位置;
步骤2、基于目标定位得到车前脸或车尾部上一组位置明确且稳定的特征点位置,经过仿射变换得到对齐之后的车辆区域图像;
步骤3、将对齐之后的RGB图像,转换至Lab空间,拼接RGB和Lab两个空间的数据得到车辆区域的一个六通道数据;
步骤4、采集大量的卡口图像数据,通过车型信息辅助提高收集样本的典型性和覆盖面,提高样本集的质量,经过步骤1得到单个车辆区域的图像样本;
步骤5、人工对步骤4中得到的图像样本首先进行车头、车尾的标注,然后进行车型的确认,最后在相应的车型里确定相应的车辆颜色作为该车辆的颜色标注结果;
步骤6、对步骤4得到的样本再经过步骤2、3得到六通道对齐之后的带颜色类别标签的车辆区域样本集;
步骤7、根据车头、车尾的标注信息将标注样本分为车头样本集和车尾样本集两类,然后各自再按2:1的比例,用随机选取的方式进行训练和测试样本集的划分,得到四个样本集:车头训练样本集、车头测试样本集、车尾训练样本集和车尾测试样本集;
步骤8、基于卷积神经网络,利用六通道的训练样本集进行特征提取的训练,最终得到N维的特征向量,然后基于SVM分类器结合颜色类别标注信息训练得到颜色识别分类器;N维颜色特征经过训练好的SVM分类器得到目标车辆的颜色类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610593825.8A CN106203420B (zh) | 2016-07-26 | 2016-07-26 | 一种卡口车辆颜色识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610593825.8A CN106203420B (zh) | 2016-07-26 | 2016-07-26 | 一种卡口车辆颜色识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106203420A CN106203420A (zh) | 2016-12-07 |
CN106203420B true CN106203420B (zh) | 2019-07-19 |
Family
ID=57495037
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610593825.8A Expired - Fee Related CN106203420B (zh) | 2016-07-26 | 2016-07-26 | 一种卡口车辆颜色识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106203420B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529511B (zh) * | 2016-12-13 | 2019-12-10 | 北京旷视科技有限公司 | 图像结构化方法及装置 |
CN107067011B (zh) * | 2017-03-20 | 2019-05-03 | 北京邮电大学 | 一种基于深度学习的车辆颜色识别方法与装置 |
CN107292933B (zh) * | 2017-04-27 | 2020-09-15 | 浙江工业大学 | 一种基于bp神经网络的车辆颜色识别方法 |
CN109146058B (zh) * | 2018-07-27 | 2022-03-01 | 中国科学技术大学 | 具有变换不变能力且表达一致的卷积神经网络 |
CN110458077B (zh) * | 2019-08-05 | 2022-05-03 | 高新兴科技集团股份有限公司 | 一种车辆颜色识别方法及系统 |
CN111079666B (zh) * | 2019-12-20 | 2024-03-19 | 广州市鑫广飞信息科技有限公司 | 地物识别方法、装置、设备及存储介质 |
CN112016433A (zh) * | 2020-08-24 | 2020-12-01 | 高新兴科技集团股份有限公司 | 一种基于深度神经网络的车辆颜色识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102737221A (zh) * | 2011-03-31 | 2012-10-17 | 北京汉王智通科技有限公司 | 车辆颜色的识别方法及装置 |
CN104239898A (zh) * | 2014-09-05 | 2014-12-24 | 浙江捷尚视觉科技股份有限公司 | 一种快速卡口车辆比对和车型识别方法 |
CN105160691A (zh) * | 2015-08-29 | 2015-12-16 | 电子科技大学 | 基于颜色直方图的车身颜色识别方法 |
CN105335702A (zh) * | 2015-10-15 | 2016-02-17 | 浙江捷尚视觉科技股份有限公司 | 一种基于统计学习的卡口车型识别方法 |
-
2016
- 2016-07-26 CN CN201610593825.8A patent/CN106203420B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102737221A (zh) * | 2011-03-31 | 2012-10-17 | 北京汉王智通科技有限公司 | 车辆颜色的识别方法及装置 |
CN104239898A (zh) * | 2014-09-05 | 2014-12-24 | 浙江捷尚视觉科技股份有限公司 | 一种快速卡口车辆比对和车型识别方法 |
CN105160691A (zh) * | 2015-08-29 | 2015-12-16 | 电子科技大学 | 基于颜色直方图的车身颜色识别方法 |
CN105335702A (zh) * | 2015-10-15 | 2016-02-17 | 浙江捷尚视觉科技股份有限公司 | 一种基于统计学习的卡口车型识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106203420A (zh) | 2016-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106203420B (zh) | 一种卡口车辆颜色识别方法 | |
CN104050827B (zh) | 一种基于视觉的交通信号灯自动检测识别方法 | |
CN109740478B (zh) | 车辆检测及识别方法、装置、计算机设备及可读存储介质 | |
CN105488454B (zh) | 基于单目视觉的前方车辆检测与测距 | |
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 | |
CN102043945B (zh) | 基于车辆实时跟踪和二进指数分类车牌字符识别的方法 | |
CN105913041A (zh) | 一种基于预先标定的信号灯识别方法 | |
CN102799859B (zh) | 一种交通标志识别方法 | |
CN103268489B (zh) | 基于滑窗搜索的机动车号牌识别方法 | |
CN107067002A (zh) | 一种动态视频中道路车牌识别方法 | |
Li et al. | Robust people counting in video surveillance: Dataset and system | |
CN105718866B (zh) | 一种视觉目标检测与识别方法 | |
CN105512640A (zh) | 一种基于视频序列的人流量统计方法 | |
CN105512684A (zh) | 基于主成分分析卷积神经网络的车标自动识别方法 | |
CN104063722A (zh) | 一种融合hog人体目标检测和svm分类器的安全帽识别方法 | |
CN105160691A (zh) | 基于颜色直方图的车身颜色识别方法 | |
CN108805018A (zh) | 道路交通标志检测识别方法、电子设备、存储介质及系统 | |
CN103310231A (zh) | 车标定位与识别方法 | |
CN112270310A (zh) | 一种基于深度学习的跨摄像头行人多目标跟踪方法和装置 | |
CN103310194A (zh) | 视频中基于头顶像素点梯度方向的行人头肩部检测方法 | |
CN109215364B (zh) | 交通信号识别方法、系统、设备和存储介质 | |
CN104766344B (zh) | 基于运动边缘提取器的车辆检测方法 | |
CN107704853A (zh) | 一种基于多分类器的交通信号灯的识别方法 | |
CN110659649A (zh) | 一种基于近红外光成像的图像处理与字符识别算法 | |
CN105787475A (zh) | 一种复杂环境下的交通标志检测与识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Method for identifying vehicle color at traffic monitoring point Effective date of registration: 20190821 Granted publication date: 20190719 Pledgee: Hangzhou Yuhang Small and Medium-sized Enterprise Transfer Service Co.,Ltd. Pledgor: ZHEJIANG ICARE VISION TECHNOLOGY Co.,Ltd. Registration number: Y2019330000020 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190719 Termination date: 20210726 |
|
CF01 | Termination of patent right due to non-payment of annual fee |