CN106384117A - 一种车辆颜色识别方法及装置 - Google Patents
一种车辆颜色识别方法及装置 Download PDFInfo
- Publication number
- CN106384117A CN106384117A CN201610825979.5A CN201610825979A CN106384117A CN 106384117 A CN106384117 A CN 106384117A CN 201610825979 A CN201610825979 A CN 201610825979A CN 106384117 A CN106384117 A CN 106384117A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- vehicle color
- rectangular histogram
- histogram
- color
- 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.)
- Granted
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
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供了一种车辆颜色识别方法及装置,从车辆样本图像中获取包括车辆图像的车辆颜色识别区域,按照“米”字型分割该区域为8个子区域,并提取各子区域的直方图,再将直方图表示的统计信息作为颜色特征输入分类器,以得到所述颜色识别区域的颜色识别结果。因为直方图至少包括{H,S}二维直方图和Sqrt(S*V)直方图,并且,{H,S}二维直方图兼顾了色调与饱和度,而Sqrt(S*V)直方图兼顾了饱和度和亮度,因此,具有较高的颜色区分特性,同时按照“米”字型分割得到的各子区域直方图除了颜色信息外,也包含了部分位置信息。所以,能够降低光照变化对于颜色识别的影响以及车辆姿态变化、车窗、地面等的干扰,从而提高车辆颜色识别的准确性。
Description
技术领域
本申请涉及模式识别技术领域,尤其涉及一种车辆颜色识别方法及装置。
背景技术
车辆颜色识别是智能交通领域的一个重要发展方向,它弥补了智能车辆识别系统中不能识别车辆颜色特征的技术空白,丰富了车辆识别的特征信息,提高了车辆识别的效率,并且对协助案件调查,打击车辆套牌等犯罪行为有非常重要的意义。
现有的车辆颜色识别方法对于车辆姿态变化和车辆所处的光照环境变化非常敏感,当车辆所处的光照环境变化时,现有的车辆颜色识别方法的颜色识别准确度急剧下降,不能准确识别车辆颜色。
发明内容
本申请提供了一种车辆颜色识别方法及装置,目的在于解决当车辆所处的光照环境变化时,不能准确识别车辆颜色的问题。
为了实现上述目的,本申请提供了以下技术方案:
一种车辆颜色识别方法,包括:
从车辆样本图像中获取车辆颜色识别区域,所述车辆颜色识别区域中包括车辆图像;
提取所述车辆颜色识别区域的直方图,所述直方图至少包括{H,S}二维直方图和/或Sqrt(S*V)直方图,其中,H表示色调,S表示饱和度,V表示亮度;
将所述直方图表示的统计信息作为颜色特征输入分类器,以得到所述颜色识别区域的颜色识别结果。
可选地,所述直方图还包括:
色调直方图和饱和度直方图的至少一种。
可选地,在所述提取所述车辆颜色识别区域的直方图之前,还包括:
将所述车辆颜色识别区域划分成多个子区域。
可选地,所述将所述车辆颜色识别区域划分成多个子区域包括:
将所述车辆颜色识别区域按照米字形划分成多个子区域。
可选地,所述提取所述车辆颜色识别区域的直方图包括:
提取所述车辆颜色识别区域中的各个子区域的直方图。
可选地,所述提取所述车辆颜色识别区域的直方图包括:
将所述车辆颜色识别区域转换到HSV颜色空间,再提取颜色空间转换后的车辆颜色识别区域的直方图。
一种车辆颜色识别装置,包括:
获取模块,用于从车辆样本图像中获取车辆颜色识别区域,所述车辆颜色识别区域中包括车辆图像;
提取模块,用于提取所述车辆颜色识别区域的直方图,所述直方图至少包括{H,S}二维直方图和/或Sqrt(S*V)直方图,其中,H表示色调,S表示饱和度,V表示亮度;
识别模块,用于将所述直方图表示的统计信息作为颜色特征输入分类器,以得到所述颜色识别区域的颜色识别结果。
可选地,所述提取模块还用于:
提取色调直方图和饱和度直方图的至少一种。
可选地,还包括:
划分模块,用于在所述提取模块提取所述车辆颜色识别区域的直方图之前,将所述车辆颜色识别区域划分成多个子区域。
可选地,所述划分模块用于将所述车辆颜色识别区域划分成多个子区域包括:
所述划分模块具体用于,将所述车辆颜色识别区域按照米字形划分成多个子区域。
可选地,所述提取模块用于提取所述车辆颜色识别区域的直方图包括:
所述提取模块具体用于,提取所述车辆颜色识别区域中的各个子区域的直方图。
可选地,所述提取模块用于提取所述车辆颜色识别区域的直方图包括:
所述提取模块具体用于,将所述车辆颜色识别区域转换到HSV颜色空间,再提取颜色空间转换后的车辆颜色识别区域的直方图。
本申请提供的车辆颜色识别方法及装置,从车辆样本图像中获取包括车辆图像的车辆颜色识别区域,并提取车辆颜色识别区域的直方图,再将直方图表示的统计信息作为颜色特征输入分类器,以得到所述颜色识别区域的颜色识别结果,因为直方图至少包括{H,S}二维直方图和/或Sqrt(S*V)直方图,并且,{H,S}二维直方图兼顾了色调与饱和度,而Sqrt(S*V)直方图兼顾了饱和度和亮度,因此,具有较高的颜色区分特性。所以,能够降低光照变化对于颜色识别的影响,从而提高车辆颜色识别的准确性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1是本申请实施例公开的一种车辆颜色识别方法的流程示意图;
图2是本申请实施例公开的又一种车辆颜色识别方法的流程示意图;
图3是本申请实施例公开的将车辆颜色识别区域按米字形划分的划分结果示意图;
图4为本申请实施例公开的一种车辆颜色识别装置的结构示意图。
具体实施方式
通常,预先布设在室外(也可以在室内)的图像采集设备采集车辆的图像,得到车辆的样本图像。本申请实施例的技术方案适用于对车辆样本图像进行车辆颜色识别的应用场景。
采用本申请实施例的技术方案,可以准确地识别出车辆样本图像中车辆的颜色,且在车辆所处的光照环境变化时,依然能够准确识别车辆颜色。
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例公开的一种车辆颜色识别方法,如图1所示,包括以下步骤:
S101:从车辆样本图像中获取车辆颜色识别区域,所述车辆颜色识别区域中包括车辆图像。
具体的,车辆分类器又叫做车辆检测器,是车辆识别技术领域常用的识别车辆的工具,车辆分类器能够从车辆样本图像中识别出车辆,识别结果作为车辆颜色识别区域。
S102:提取所述车辆颜色识别区域的直方图,所述直方图至少包括{H,S}二维直方图和/或Sqrt(S*V)直方图,其中,H表示色调,S表示饱和度,V表示亮度。
也就是说,直方图为{H,S}二维直方图、或者直方图为Sqrt(S*V)直方图,或者直方图为{H,S}二维直方图和Sqrt(S*V)直方图。
S103:将所述直方图表示的统计信息作为颜色特征输入分类器,以得到所述颜色识别区域的颜色识别结果。
本实施例中,因为直方图至少包括{H,S}二维直方图和/或Sqrt(S*V)直方图,并且,{H,S}二维直方图兼顾了色调与饱和度,而Sqrt(S*V)直方图兼顾了饱和度和亮度,因此,具有较高的颜色区分特性。所以,将所述直方图表示的统计信息作为颜色特征输入分类器得到识别结果,能够降低光照变化对于颜色识别的影响,从而提高车辆颜色识别的准确性。
如图2所示,在本申请实施例中,识别车辆样本图像中的车辆颜色的过程具体为:
S201、通过车辆分类器对车辆样本图像进行车辆定位,确定车辆颜色识别区域。
具体的,车辆分类器能够对车辆样本图像进行背景去除等处理,只保留主要是车辆的图像区域。也就是说,S101中,车辆颜色识别区域即为从车辆样本图像中识别出的、车辆所在的区域。
S202、对所述车辆颜色识别区域进行去雾、去噪、增强对比度处理。
具体的,在使用电子设备拍摄车辆样本图像时,不可避免地会由于环境因素及设备噪声等使车辆样本图像不清晰。对车辆颜色识别区域进行去雾、去噪处理,可以排除环境因素及设备噪声对图像的影响。进一步对车辆颜色识别区域进行增强对比度处理,可以使图像更加清晰,车辆颜色更加鲜明突出,有利于识别车辆颜色识别区域的颜色。
当然,S202为可选步骤,也可以跳过不执行,而直接执行后续步骤。
S203、将所述车辆颜色识别区域的颜色空间从RGB颜色空间转换到HSV颜色空间。
具体的,在RGB颜色空间中,任意一种色光都可以用红色(Red,R)、绿色(Green,G)、蓝色(Blue,B)三种基本的颜色分量相加混合而成。相应的,调整三种基本的颜色分量R、G、B中任意分量的值,可以得到任意一种色光。RGB颜色空间采用物理三基色表示,其物理意义清晰,适合彩色显像管工作场景,因此又称为与设备相关的颜色空间。RGB颜色空间最常见的用途就是应用在显示器系统中,因此在电子设备中存储的图像,一般都是以RGB颜色空间存储的,方便电子显示器系统显示。
然而RGB颜色空间并不符合人眼视觉特点,人眼不能识别出某一色光包含的红色、绿色、蓝色分量各有多少,人眼视觉系统只能观察到某一色光的明暗、色调、鲜艳程度等直观的视觉效果。
HSV颜色空间是用色调(Hue,H)、饱和度(Saturation,S)和亮度(Value,V)来表示颜色的空间模型,在HSV颜色空间中,每一种色光都具有不同的色调、饱和度和亮度,改变色调、饱和度、亮度中的任意一个分量,可以得到不同的色光。HSV颜色空间相比于RGB颜色空间,更符合人眼视觉特点。
本申请实施例将RGB颜色空间转换到HSV颜色空间,更方便人眼观察车辆颜色,进行车辆颜色识别。需要说明的是,如果电子设备存储的车辆样本图像不是用RGB颜色空间表示的,则首先将车辆样本图像颜色空间转换成RGB颜色空间,然后再将车辆样本图像颜色空间从RGB颜色空间转换成HSV颜色空间。
需要说明的是,车辆样本图像有可能就是HSV颜色空间的图像,在此情况下,可以跳过S203,而直接执行后续步骤。
S204、将所述车辆颜色识别区域按米字形划分成8个子区域。
具体的,本申请实施例将车辆颜色识别区域按米字形划分,得到如图3所示的划分结果。
通常情况下,对于同型号同姿态的车来说,即使是不同颜色的车辆,其车窗、车轮等部分的颜色也是相近的。并且,根据分类器的特征,分类器所采用的颜色特征的差别越大,越有利于分类器将图像根据颜色特征进行分类。
基于以上两点,本实施例中,对于颜色识别区域进行分块,使得对于不同颜色的车辆,分类器接收到的车窗、车轮等颜色相近的部分所在的分块的颜色特征很相近,而车顶等车辆颜色丰富的部分所在的分块的颜色特征差别较大。因此,分类器可以依据差别较大的分块的颜色特征识别出车辆的颜色,从而大大降低车窗、车轮、车标以及车头排气栅格等部分对于车身颜色识别的不利影响。
需要说明的是,虽然使用其它划分方式,例如九宫格、田字格等方法来对车辆颜色识别区域进行划分,也能够降低车窗、车轮、车标以及车头排气栅格等部分对于车身颜色识别的不利影响。但是,使用九宫格、田字格等方法对识别区域进行划分后,当车型或车辆姿态发生变化时,每一区域内所包含的车辆部分会发生变化,原本特征权重较大的区域,可能变成了车窗、车轮等部分所在的区域,车辆颜色识别准确度降低。在本申请实施例中,将车辆颜色识别区域以车辆颜色识别区域中心点为核心按照米字形划分,当车型或车辆姿态变化时,每一子区域里都会有一定的车辆主体颜色区域,保证了在车型或车辆姿态变化时对车辆颜色识别的准确度。
S205、对各子区域,分别计算H通道20bin、S通道32bin、{H,S}通道640bin、Sqrt(S*V)通道32bin的颜色直方图。
具体的,计算某一通道的直方图就是统计落在该通道中的每个值上的像素点的个数。比如,在本申请实施例中,计算H通道的20bin直方图,就是将H通道的取值范围例如0-255平均分为20组,统计像素色调(H的值)落在每一组中的像素个数。
bin是直方图里常用的一个名称,表示直方图所包含的组数。20,32,640(20*32),32是测试之后得出的一种直方图划分分组的方法,按照该划分方法提取直方图并用来识别车辆颜色的效果相对较好。如果划分组数太少,则不同颜色会落到一个组里,无法区分不同的车辆颜色;如果划分组数太多,则颜色分的太细,同一种颜色在光线变化时就可能认为不是同一种颜色,影响算法通用性。
需要说明的是,{H,S}表示二维直方图,H通道直方图是把色调从0到255平均分为20组,统计色度属于每一组的像素点的数量。若某个像素点的色调H值为1,则H通道直方图中的包含色调H为1的分组的统计值加1;S通道直方图类似。{H,S}二维直方图则是H和S同时起作用的直方图,当某个像素点的色调H属于第x组,饱和度S属于第y组时,第{x,y}组的统计值加1,所以当H是20bin,S是32bin时,{H,S}是20*32=640bin。
在车辆颜色识别过程中,提取更多的颜色特征,有助于更好地识别车辆颜色。在本申请实施例中,{H,S}二维直方图特征在计算直方图时兼顾了色调H和饱和度S的值,比如对具有同样饱和度S的蓝色和绿色车辆,他们的S值会落到同一个S通道直方图分组里,但不会落到{H,S}二维直方图的同一个分组里。Sqrt(S*V)兼顾了饱和度和亮度值,更好的融合了颜色在不同光照下的表现,比如同一种颜色在不同光照环境下深浅不一。例如强光照耀下黄色会偏白,从而导致亮度值V特别大,饱和度S却偏小,这种情况下使用Sqrt(S*V),使之和正常情况下的黄色的Sqrt(S*V)更接近。因此,本申请实施例对车辆颜色识别区域的各个子区域分别基于H、S、{H,S}、Sqrt(S*V)四个通道计算颜色直方图,使得当车辆所处的光照环境发生变化时,依然可以准确识别车辆颜色。
如前所述,分块的目的在于,降低车窗、车轮、车标以及车头排气栅格等部分对于车身颜色识别的不利影响,因此,也可以跳过S204,执行后续步骤,在此情况下,S205中的“各子区域”即为所述车辆颜色识别区域这一个区域。
S206、对各颜色直方图分别进行归一化处理,并将阈值以下的色块归零。
直方图归一化即:使得直方图中所有的bin的总和为1。
本申请实施例对各颜色直方图进行归一化处理,使得不同大小的图像的直方图更具有可比性。对每一个子区域的每个通道的直方图,都设置相应的阈值(即每个通道的每个分组所包含的像素点数量的最小值),阈值以下的色块,就是指某一通道的包含像素点数量小于设置的阈值的分组,将阈值以下的色块归零,也就是将该通道的小于阈值的分组中的直方图数值归零,可以避免小色块影响对车辆颜色的识别。当然,也可以跳过S206,执行后续步骤。
S207、将每一个直方图所表示的统计信息,即每一个直方图中的分组与该分组直方图数值的对应关系,作为颜色特征。
S208、使用颜色特征训练径向基神经网络作为分类器。
具体的,在步骤S206中,对于每一个区域,色块归零后的颜色直方图对应着四个通道共20+32+640+32=724维颜色特征,其中,任意一维颜色特征为:一个分组与此分组中的像素个数占子区域总点数的比例,以H直方图为例,假如在第一个分组(bin)中的像素个数为10,子区域总点数为100,那么该维颜色特征值为0.1。整个识别区域有8个子区域,共可提取出8*724=5792维颜色特征。在对径向基神经网络进行训练时,参照S201~S207,对每一幅训练样本图像都提取出5792维颜色特征,输入径向基神经网络。通过大量的样本图像训练,使得径向基神经网络能够识别出白、灰、黄、粉、红、紫、绿、蓝、棕、黑和其他共11种颜色。
需要说明的是,径向基神经网络是常用的用于解决分类问题的算法模型,利用其它分类算法代替本申请实施例中的径向基神经网络,按照本申请实施例技术方案对分类算法进行训练,也可以达到识别车辆颜色的目的。
S201~S208是对径向基神经网络分类器的训练过程,在首次采用本申请实施例技术方案进行车辆颜色识别时,或者在进行车辆颜色识别之前,需要对径向基神经网络进行训练,使得径向基神经网络分类器具备准确识别车辆颜色的能力。
对径向基神经网络分类器进行训练之后,采用以下步骤即可实现对于车辆颜色的识别:
对待识别图像执行S201~S207,(按照前述,也跳过某些步骤)。
S209、将颜色特征输入训练后的径向基神经网络分类器,得到车辆颜色的识别结果。
在本申请实施例提出的车辆颜色识别方法中,对车辆颜色识别区域按米字形进行划分,使得当车辆样本图像的车型变化或车辆姿态变化时,每个子区域都包含车辆主体颜色,因此在车辆车型变化或车辆姿态变化时,依然能够准确识别车辆颜色。
并且,在对每个子区域提取颜色直方图时,提取H、S、{H,S}、Sqrt(S*V)四个通道的颜色直方图。在使用多种颜色直方图提取颜色特征的前提下,又因为{H,S}二维直方图兼顾了色调H和饱和度S的值,Sqrt(S*V)兼顾了饱和度和亮度值,更好的融合了颜色在不同光照下的表现,因此,当车辆所处的光照环境发生变化时,本实施例所述的方法依然可以准确识别车辆颜色。
综上所述,本申请提出的车辆颜色识别方法,有效地降低了车辆姿态变化和车辆所处的光照环境变化对车辆颜色识别的影响,当车辆所处的光照环境变化时,能够准确识别车辆颜色。
图4为本申请实施例公开的一种车辆颜色识别装置的结构示意图,包括:
获取模块,用于从车辆样本图像中获取车辆颜色识别区域,所述车辆颜色识别区域中包括车辆图像;
提取模块,用于提取所述车辆颜色识别区域的直方图,所述直方图至少包括{H,S}二维直方图和/或Sqrt(S*V)直方图,其中,H表示色调,S表示饱和度,V表示亮度;
识别模块,用于将所述直方图表示的统计信息作为颜色特征输入分类器,以得到所述颜色识别区域的颜色识别结果。
其中,具体地,提取模块提取的直方图中还可以包括提取色调直方图和饱和度直方图的至少一种。
具体地,提取模块提取的直方图的具体实现方式可以为:将所述车辆颜色识别区域转换到HSV颜色空间,再提取颜色空间转换后的车辆颜色识别区域的直方图。
可选的,图4所示的装置还包括:
划分模块,用于在所述提取模块提取所述车辆颜色识别区域的直方图之前,将所述车辆颜色识别区域划分成多个子区域。
具体地,划分模块可以将所述车辆颜色识别区域按照米字形划分成多个子区域。
在将车辆颜色识别区域划分成多个子区域的情况下,提取模块提取直方图的具体实现方式为:提取所述车辆颜色识别区域中的各个子区域的直方图。
上述各个模块之间协作实现车辆颜色识别的具体过程可以参见图1或图2所示,这里不再赘述。
所述装置能够降低车辆姿态变化和车辆所处的光照环境变化对车辆颜色识别的影响,能够准确识别车辆颜色。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (12)
1.一种车辆颜色识别方法,其特征在于,包括:
从车辆样本图像中获取车辆颜色识别区域,所述车辆颜色识别区域中包括车辆图像;
提取所述车辆颜色识别区域的直方图,所述直方图至少包括{H,S}二维直方图和/或Sqrt(S*V)直方图,其中,H表示色调,S表示饱和度,V表示亮度;
将所述直方图表示的统计信息作为颜色特征输入分类器,以得到所述颜色识别区域的颜色识别结果。
2.根据权利要求1所述的方法,其特征在于,所述直方图还包括:
色调直方图和饱和度直方图的至少一种。
3.根据权利要求1或2所述的方法,其特征在于,在所述提取所述车辆颜色识别区域的直方图之前,还包括:
将所述车辆颜色识别区域划分成多个子区域。
4.根据权利要求3所述的方法,其特征在于,所述将所述车辆颜色识别区域划分成多个子区域包括:
将所述车辆颜色识别区域按照米字形划分成多个子区域。
5.根据权利要求3所述的方法,其特征在于,所述提取所述车辆颜色识别区域的直方图包括:
提取所述车辆颜色识别区域中的各个子区域的直方图。
6.根据权利要求1所述的方法,其特征在于,所述提取所述车辆颜色识别区域的直方图包括:
将所述车辆颜色识别区域转换到HSV颜色空间,再提取颜色空间转换后的车辆颜色识别区域的直方图。
7.一种车辆颜色识别装置,其特征在于,包括:
获取模块,用于从车辆样本图像中获取车辆颜色识别区域,所述车辆颜色识别区域中包括车辆图像;
提取模块,用于提取所述车辆颜色识别区域的直方图,所述直方图至少包括{H,S}二维直方图和/或Sqrt(S*V)直方图,其中,H表示色调,S表示饱和度,V表示亮度;
识别模块,用于将所述直方图表示的统计信息作为颜色特征输入分类器,以得到所述颜色识别区域的颜色识别结果。
8.根据权利要求7所述的装置,其特征在于,所述提取模块还用于:
提取色调直方图和饱和度直方图的至少一种。
9.根据权利要求7或8所述的装置,其特征在于,还包括:
划分模块,用于在所述提取模块提取所述车辆颜色识别区域的直方图之前,将所述车辆颜色识别区域划分成多个子区域。
10.根据权利要求9所述的装置,其特征在于,所述划分模块用于将所述车辆颜色识别区域划分成多个子区域包括:
所述划分模块具体用于,将所述车辆颜色识别区域按照米字形划分成多个子区域。
11.根据权利要求9所述的装置,其特征在于,所述提取模块用于提取所述车辆颜色识别区域的直方图包括:
所述提取模块具体用于,提取所述车辆颜色识别区域中的各个子区域的直方图。
12.根据权利要求7所述的装置,其特征在于,所述提取模块用于提取所述车辆颜色识别区域的直方图包括:
所述提取模块具体用于,将所述车辆颜色识别区域转换到HSV颜色空间,再提取颜色空间转换后的车辆颜色识别区域的直方图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610825979.5A CN106384117B (zh) | 2016-09-14 | 2016-09-14 | 一种车辆颜色识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610825979.5A CN106384117B (zh) | 2016-09-14 | 2016-09-14 | 一种车辆颜色识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106384117A true CN106384117A (zh) | 2017-02-08 |
CN106384117B CN106384117B (zh) | 2019-08-13 |
Family
ID=57936784
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610825979.5A Active CN106384117B (zh) | 2016-09-14 | 2016-09-14 | 一种车辆颜色识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106384117B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256521A (zh) * | 2017-12-29 | 2018-07-06 | 济南中维世纪科技有限公司 | 用于车身颜色识别的有效区域定位方法 |
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 |
CN109685063A (zh) * | 2019-01-03 | 2019-04-26 | 成都泰盟软件有限公司 | 一种基于色调饱和度的实验动物图像标定方法 |
CN109949248A (zh) * | 2019-03-26 | 2019-06-28 | 北京字节跳动网络技术有限公司 | 修改车辆在图像中的颜色的方法、装置、设备及介质 |
CN110569693A (zh) * | 2018-08-16 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 车体颜色识别方法及装置 |
CN110781904A (zh) * | 2019-10-22 | 2020-02-11 | 四川大学 | 车辆颜色识别方法、装置、计算机设备和可读存储介质 |
CN111881924A (zh) * | 2020-08-05 | 2020-11-03 | 广东工业大学 | 结合光照不变性与短曝光光照增强的暗光车照识别方法 |
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 |
CN112507801A (zh) * | 2020-11-14 | 2021-03-16 | 武汉中海庭数据技术有限公司 | 车道路面数字颜色识别方法、限速信息识别方法及系统 |
CN113083804A (zh) * | 2021-04-25 | 2021-07-09 | 中国铁建重工集团股份有限公司 | 激光智能除锈方法、系统及可存读介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN102034080A (zh) * | 2009-09-24 | 2011-04-27 | 北京汉王智通科技有限公司 | 车辆颜色识别方法及装置 |
CN102393902A (zh) * | 2011-12-01 | 2012-03-28 | 昆山市工业技术研究院有限责任公司 | 基于h_s二维直方图和区域颜色匹配的车辆颜色检测方法 |
CN103425989A (zh) * | 2013-08-07 | 2013-12-04 | 中山大学 | 一种基于显著性分析的车辆颜色识别方法 |
CN104616007A (zh) * | 2015-03-11 | 2015-05-13 | 天津工业大学 | 一种基于显著性检测和颜色直方图模型的车辆识别方法 |
CN105354530A (zh) * | 2015-09-22 | 2016-02-24 | 浙江宇视科技有限公司 | 一种车身颜色识别方法及装置 |
-
2016
- 2016-09-14 CN CN201610825979.5A patent/CN106384117B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN102034080A (zh) * | 2009-09-24 | 2011-04-27 | 北京汉王智通科技有限公司 | 车辆颜色识别方法及装置 |
CN102393902A (zh) * | 2011-12-01 | 2012-03-28 | 昆山市工业技术研究院有限责任公司 | 基于h_s二维直方图和区域颜色匹配的车辆颜色检测方法 |
CN103425989A (zh) * | 2013-08-07 | 2013-12-04 | 中山大学 | 一种基于显著性分析的车辆颜色识别方法 |
CN104616007A (zh) * | 2015-03-11 | 2015-05-13 | 天津工业大学 | 一种基于显著性检测和颜色直方图模型的车辆识别方法 |
CN105354530A (zh) * | 2015-09-22 | 2016-02-24 | 浙江宇视科技有限公司 | 一种车身颜色识别方法及装置 |
Non-Patent Citations (3)
Title |
---|
A CONVENIENT FEATURE VECTOR CONSTRUCTION FOR VEHICLE COLOR RECOG: "A Convenient Feature Vector Construction for Vehicle Color Recognition", 《RECENT ADVANCES IN NEURAL NETWORKS, FUZZY SYSTEMS & EVOLUTIONARY COMPUTING》 * |
PAN CHEN 等: "Vehicle Color Recognition on Urban Road by Feature Context", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
ZHIGANG YANG, JIAXIN YU: "A Novel Car Body Color Recognition Algorithm Based on Defogging and Weight Block", 《IJSSST.INFO/VOL-17/NO-37/PAPER9.PDF》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256521B (zh) * | 2017-12-29 | 2021-06-22 | 济南中维世纪科技有限公司 | 用于车身颜色识别的有效区域定位方法 |
CN108256521A (zh) * | 2017-12-29 | 2018-07-06 | 济南中维世纪科技有限公司 | 用于车身颜色识别的有效区域定位方法 |
CN110569693A (zh) * | 2018-08-16 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 车体颜色识别方法及装置 |
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 |
CN109685063A (zh) * | 2019-01-03 | 2019-04-26 | 成都泰盟软件有限公司 | 一种基于色调饱和度的实验动物图像标定方法 |
CN109949248A (zh) * | 2019-03-26 | 2019-06-28 | 北京字节跳动网络技术有限公司 | 修改车辆在图像中的颜色的方法、装置、设备及介质 |
CN110781904A (zh) * | 2019-10-22 | 2020-02-11 | 四川大学 | 车辆颜色识别方法、装置、计算机设备和可读存储介质 |
CN110781904B (zh) * | 2019-10-22 | 2022-08-02 | 四川大学 | 车辆颜色识别方法、装置、计算机设备和可读存储介质 |
CN111881924A (zh) * | 2020-08-05 | 2020-11-03 | 广东工业大学 | 结合光照不变性与短曝光光照增强的暗光车照识别方法 |
CN111881924B (zh) * | 2020-08-05 | 2023-07-28 | 广东工业大学 | 结合光照不变性与短曝光光照增强的暗光车照识别方法 |
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 |
CN112507801A (zh) * | 2020-11-14 | 2021-03-16 | 武汉中海庭数据技术有限公司 | 车道路面数字颜色识别方法、限速信息识别方法及系统 |
CN113083804A (zh) * | 2021-04-25 | 2021-07-09 | 中国铁建重工集团股份有限公司 | 激光智能除锈方法、系统及可存读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106384117B (zh) | 2019-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106384117A (zh) | 一种车辆颜色识别方法及装置 | |
CN105354530B (zh) | 一种车身颜色识别方法及装置 | |
CN104966085B (zh) | 一种基于多显著特征融合的遥感图像感兴趣区域检测方法 | |
CN109344701A (zh) | 一种基于Kinect的动态手势识别方法 | |
CN106651872A (zh) | 基于Prewitt算子的路面裂缝识别方法及系统 | |
CN107871119A (zh) | 一种基于目标空间知识和两阶段预测学习的目标检测方法 | |
CN103413147B (zh) | 一种车牌识别方法和系统 | |
CN107103606A (zh) | 一种图像识别方法及装置 | |
CN110458077A (zh) | 一种车辆颜色识别方法及系统 | |
CN103310201B (zh) | 目标混合颜色识别方法 | |
CN106295655A (zh) | 一种用于无人机巡检图像的输电线路部件自动提取方法 | |
CN107704853A (zh) | 一种基于多分类器的交通信号灯的识别方法 | |
CN103035013A (zh) | 一种基于多特征融合的精确运动阴影检测方法 | |
CN104217440B (zh) | 一种从遥感图像中提取建成区的方法 | |
CN109191428A (zh) | 基于掩蔽纹理特征的全参考型图像质量评价方法 | |
CN104143077B (zh) | 基于图像的行人目标检索方法和系统 | |
CN107016694A (zh) | 一种基于红外视频的sf6气体泄漏自动检测方法 | |
CN104636759A (zh) | 一种获取图片推荐滤镜信息的方法及图片滤镜信息推荐系统 | |
CN107346413A (zh) | 一种街景影像中的交通标志识别方法和系统 | |
CN107680114A (zh) | 一种基于计算机图像处理的草地盖度测算方法 | |
CN104680195B (zh) | 一种自动识别道路卡口视频及图片中的车辆颜色的方法 | |
CN107818303A (zh) | 无人机油气管线影像自动对比分析方法、系统及软件存储器 | |
CN107506738A (zh) | 特征提取方法、图像识别方法、装置及电子设备 | |
CN106599880A (zh) | 一种面向无人监考的同人判别方法 | |
CN106650752A (zh) | 一种车身颜色识别方法 |
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 |