CN106650611B - 一种识别车身颜色的方法及装置 - Google Patents

Abstract

本发明实施例公开了一种识别车身颜色的方法及装置，通过获取多个平滑区域的色相、饱和度和亮度；根据颜色特征预统计分布图得出平滑区域的颜色分类结果；判断平滑区域的分类结果是否一致；当不一致时，根据平滑区域的亮度的大小和饱和度的大小筛选出最终待识别区域；利用颜色分类模型对最终待识别区域进行颜色分类，确定车身的颜色。本发明实施例根据预先统计的颜色分量统计分布图来对待识别区域进行粗分类，在粗分类的基础上再根据待识别区域的亮度和饱和度的大小，利用曝光和背光时亮度有不确定性且饱和度偏低的原则选取光照鲁棒性较好的待识别区域来进行车身颜色的识别，最大限度的缓解不同光照环境下颜色信息重叠，提高了车身颜色识别准确率。

Description

一种识别车身颜色的方法及装置

技术领域

本发明涉及图像处理领域，特别是涉及一种识别车身颜色的方法及装置。

背景技术

随着生活品质的提升，形形色色的汽车出现在各个角落，特别是在停车场、高速公路和城市道路等区域。

在停车场等区域中，一般是利用车牌识别设备来管理车辆的通行。但是由于实际情况中由于车牌的污损等原因导致车牌的识别率不高。而短期内想要提高车牌的识别率是很困难的，故可以利用汽车车身的颜色来辅助管理车辆的通行。

现有技术中对于车颜色的识别方法是直接利用统计学的方法统计大量样本的颜色特征分布图，然后将想要识别的目标车的车身颜色与统计出的颜色特征分布图进行对比，从而可以对目标车的车身进行颜色识别。但是由于对目标车的车身颜色进行识别时，会由于目标车的车身受到的光照的强度以及光照的方向的不同，导致识别出的颜色与目标车的车身实际的颜色不同，进而使得车身颜色的识别准确率较低。例如，当目标车的车身颜色为灰色，但是由于不同光照环境下的颜色信息重叠的原因，识别出的目标车的车身颜色为银色。基于此，本发明提供了一种识别车身颜色的方法及装置。

发明内容

本发明的目的是提供一种识别车身颜色的方法，目的在于最大限度的缓解不同光照环境下颜色信息重叠导致的车身颜色识别准确率较低的问题；本发明的另一目的是提供一种识别车身颜色的装置，其识别车身颜色的准确率较高。

为解决上述技术问题，本发明提供一种识别车身颜色的方法，该方法包括：

获取在车身图片上预选定的多个平滑区域的色相、饱和度和亮度；

根据颜色特征预统计分布图得出所述平滑区域的颜色分类结果；

判断所述平滑区域的所述颜色分类结果是否一致；

当所述平滑区域的所述颜色分类结果不一致时，根据所述平滑区域的所述亮度的大小和所述饱和度的大小筛选出最终待识别区域；

利用颜色分类模型对所述最终待识别区域进行颜色分类，确定所述车身的颜色。

可选地，还包括：

当所述平滑区域的所述颜色分类结果一致时，根据所述平滑区域的所述颜色分类结果确定所述车身的颜色。

可选地，在所述获取在车身图片上预选定的多个平滑区域的色相、饱和度和亮度之前还包括：

获取所述车身上车头区域的边缘纹理图像，计算所述边缘纹理图像的积分图；

将所述积分图划分成多个局部区域；

计算所述局部区域的最终单位面积边缘密度；

根据所述最终单位面积边缘密度的大小，从多个所述局部区域中筛选出多个所述平滑区域。

可选地，所述根据颜色特征预统计分布图得出所述平滑区域的颜色分类结果包括：

分别计算每个所述平滑区域的色相平均值、饱和度平均值和亮度平均值；

根据所述颜色特征预统计分布图选择每种颜色对应的取值范围；

分别将所述平滑区域的所述色相平均值、所述饱和度平均值和所述亮度平均值与所述取值范围相对照，确定所述平滑区域的颜色分类结果。

可选地，利用颜色分类模型对所述最终待识别区域进行颜色分类，确定所述车身的颜色包括：

将多个所述最终待识别区域进行合成得出识别图；

利用所述颜色分类模型对所述识别图进行颜色分类；

得出所述识别图的最终颜色分类结果。

可选地，所述利用所述颜色分类模型对所述识别图进行颜色分类包括：

计算所述识别图的颜色分量直方图；

利用支持向量机和所述颜色分量直方图建立所述颜色分类模型；

利用所述颜色分类模型对所述图进行颜色分类。

可选地，其特征在于，所述根据所述平滑区域的所述亮度和所述饱和度筛选出最终待识别区域包括：

按所述亮度的大小对所述平滑区域排序，去除亮度最大和亮度最小的预设数量的所述平滑区域，将剩下的所述平滑区域作为第一平滑区域；

按所述饱和度的大小将所述第一平滑区域排序，按饱和度从大到小地选取出预设数量的所述第一平滑区域，将选取出的所述第一平滑区域作为最终待识别区域。

此外，本发明还提供了一种识别车身颜色的装置，包括：

获取单元，用于获取在车身图片上预选定的多个平滑区域的色相、饱和度和亮度；

分类单元，用于根据颜色特征预统计分布图得出所述平滑区域的颜色分类结果；

判断单元，用于判断所述平滑区域的所述颜色分类结果是否一致；

筛选单元，用于当所述平滑区域的所述颜色分类结果不一致时，根据所述平滑区域的所述亮度和所述饱和度筛选出最终待识别区域；

最终确定单元，用于利用颜色分类模型对所述最终待识别区域进行颜色分类，确定所述车身的颜色。

可选地，还包括：

确定单元，用于当所述平滑区域的所述颜色分类结果一致时，根据所述平滑区域的所述颜色分类结果确定所述车身的颜色。

可选地，还包括：

获取计算单元，用于获取所述车身上车头区域的边缘纹理图像，计算所述边缘纹理图像的积分图；

划分单元，用于将所述积分图划分成多个局部区域；

计算单元，用于计算所述局部区域的最终单位面积边缘密度；

筛选单元，用于根据所述单位面积边缘密度的大小，从多个所述局部区域中筛选出多个所述平滑区域。

本发明实施例所提供的一种识别车身颜色的方法，通过获取在车身图片上预选定的多个平滑区域的色相、饱和度和亮度；根据颜色特征预统计分布图得出平滑区域的颜色分类结果；判断平滑区域的所述颜色分类结果是否一致；当平滑区域的所述颜色分类结果不一致时，根据平滑区域的所述亮度的大小和所述饱和度的大小筛选出最终待识别区域；利用颜色分类模型对最终待识别区域进行颜色分类，确定车身的颜色。本发明根据预先统计的颜色分量统计分布图来对待识别区域进行粗分类，在粗分类的基础上再根据待识别区域的亮度和饱和度的大小，利用曝光和背光时亮度有不确定性且饱和度偏低的原则选取光照鲁棒性较好的待识别区域来进行车身颜色的识别，最大限度的缓解不同光照环境下颜色信息重叠，提高了车身颜色识别准确率。

附图说明

为了更清楚的说明本发明实施例或现有技术的技术方案，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的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。

图1为为本发明实施例所提供的识别车身颜色方法的一种具体实施方式的流程示意图；

图2为本发明实施例所提供的车身颜色识别方法的一种具体实施方式的流程示意图；

图3为本发明实施例所提供的车身颜色待识别区域定位方法的一种具体实施方式的流程示意图；

图4为本发明实施例所提供的车身颜色识别以及待识别区域定位的一种具体实施方式的流程示意图；

图5为本发明实施例所提供的识别车身颜色的装置的结构框图。

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方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

请参见图1，图1为本发明实施例所提供的识别车身颜色方法的一种具体实施方式的流程示意图。

步骤101：获取在车身图片上预选定的多个平滑区域的色相、饱和度和亮度；

具体地，预先在车身上确定出多个平滑区域作为待识别区域，其待识别区域可以很好地代替整个车身的颜色，将选取出的待识别区域的颜色特征分量色相、饱和度和亮度的数值输入到识别系统中，系统将接受到的数据进行保存，以便进行下一步操作。

可以理解的是，选取的待识别区域是平滑的，即所选取的区域的亮暗突变较小，没什么亮暗纹理的褶皱。代表着选取出的待识别区域应该是受光照和阴影的影响较小的，即待识别区域抗外界干扰性较好。

显而易见地，车身颜色识别的准确率的高低与预选定的待识别区域的光照鲁棒性的好坏有一定的关系，故如何选取出光照鲁棒性好的待识别区域是车身颜色识别必不可少的步骤。在本发明的一些实施例中，可以通过卷积运算得到车头区域的边缘纹理图像，计算边缘纹理图像的积分图，将积分图划分成多个局部区域，计算局部区域的最终单位面积边缘密度；根据最终单位面积边缘密度的大小，从多个局部区域中筛选出多个平滑区域。单位面积边缘密度小意味着该区域很光滑，即没什么纹理的褶皱，代表着受到光照及阴影的影响小，在识别时可以提高识别的准确率。

步骤102：根据颜色特征预统计分布图得出所述平滑区域的颜色分类结果；

具体地，预先制作好的颜色特征统计分布图，即颜色特征分量色相H、饱和度S和亮度L的分布规律。将保存的待识别区域的颜色特征分量的数据进行运算分析，参照统计出来的颜色特征分量的分布规律识别出待识别区域的颜色。

可以理解的是，每种颜色是有很多的像素点组成的，每个像素都有HSL分量，故统计出来每种颜色对应的颜色特征的分布图实际是各个像素的HSL分量的分布规律。显而易见地，在进行统计时是需要大量的样本支持，而为了减少无关变量的干扰，需要尽可能保证每个样本的面积应该相同且与所选取的待识别区域面积一样。例如，当统计时的样本面积为16*16时，相应地，待识别区域的像素面积也尽可能地接近16*16，这样才能保证结果的可靠性，而16*16的区域应该有256个HSL分量，即有256个像素，每个像素都有各自对应的HSL分量。而在统计HSL分量的分布规律的时候，应该统计每个像素对应的HSL分量的数值，对其中的一个像素来说，记录的是该像素对应的H值为多少，S值为多少，L值为多少。例如，对一个从颜色为黑色的车头图片中选取出的像素，其H＝20，S＝40，L＝60，统计时则是记录其HSL具体的数值。每一种颜色的统计分布图实际上是一个概率图，每种颜色都有各自对应的H分量分布曲线、S分量分布曲线和L分量分布曲线。其分量分布曲线是样本数值分布概率。例如有1000个黑色样本区域，每个样本区域有16*16个像素，故有256000个像素，在数轴上记录一个一个像素的分量值，统计完成后，可以看到很多的点分布在数轴的不同位置，把相同类别的数值进行归一化处理可以得到HSL三条曲线，这样就可以得到车头颜色为黑色时的颜色分量分布规律。当然，也可以将记录的点分布做成直方图或者是其它类型的分布图，其本质还是不变的。

需要说明的是，上述颜色特征预统计分布图的建立离不开大量的统计样本，为了更好地囊括现实中的车身颜色，需要统计各种颜色的颜色特征分布图。例如可以从多个不同环境下的停车场进出口，收集大量车辆的图片。所收集的车辆颜色应该尽可能地囊括所有的颜色，可以包括：黑色、白色、银色、灰色、红色、黄色、蓝色、绿色、紫色、棕色、橙色和粉色。每种颜色有1000个16*16的样本区域，按像素分布统计每种颜色对应的HSL三个变量的统计分布图。当然，统计的颜色组合也可以为其它颜色组合，也可以根据实际的情况来选取需要统计的颜色组合。

利用预先统计好的HSL分量分布图识别出待识别区域的颜色，即可以根据待识别区域的颜色分量HSL与对应的统计出来的HSL分布图相互参照，则可判断出待识别区域的颜色。例如可以计算每个待识别区域的颜色分量HSL的平均值，即分别把待识别区域中的各个像素的HSL的值相加除以像素的个数，得出待识别区域的H分量的平均值、S分量的平均值和L分量的平均值。根据每种颜色的HSL统计分布图确定出每种颜色对应的HSL分量的取值范围，可以将HSL统计分布图的波峰区域作为该颜色分量的取值范围。分别判断待识别区域的HSL颜色分量落在那个取值范围内，则可以判断该待识别区域的颜色。依次来判断每个待识别区域，得出每个待识别区域的颜色分类结果。

步骤103：判断所述平滑区域的所述颜色分类结果是否一致；

需要说明的是，根据上一步骤得出的每个待识别区域的颜色分类结果，判断所得出的分类结果是否全部一致。但是由于所选取的平滑区域即待识别区域在车头上所处的位置不同，受到光照的大小和强弱也是不尽相同的，在不同的光照环境下识别出的颜色也会受到影响，例如，待识别区域原本是灰色，但是受到光照影响会识别出来的是银色。故即使原本的车身是单色的，所识别出来的结果也会由于受光照的也会有所不同，进而导致识别出来的结果错误。

步骤104：当所述平滑区域的所述颜色分类结果不一致时，根据所述平滑区域的所述亮度的大小和所述饱和度的大小筛选出最终待识别区域；

具体地，当待识别区域的颜色分类结果不一致时，意味着所选取出来的平滑区域即待识别区域中存在着手光照影响导致原本颜色和识别出来的颜色不一致的区域，根据曝光和背光时L分量有不确定性，而S分量的值偏低的原则，故可以根据SL分量来对待识别区域进一步地筛选，选取出光照鲁棒性好的待识别区域来作为最终待识别区域，最大限度地缓解不同光照环境下颜色信息重叠的问题。而当待识别区域的颜色分类结果一致时，则意味则所选取处理的平滑区域即待识别区域可以很好地代表整个车身的颜色，此时可以直接输出统计的结果。

需要说明的是，在颜色分类结果不一致时，进一步地根据每个待识别区域的SL分量的大小来筛选最终待识别区域。在本发明的一些实施例中，可以先根据每个待识别区域的L分量值的大小来排序，去掉其中L分量值最大和L分量值最小的若干个待识别区域，再将剩下的待识别区域按S分量值的大小排序，选取其中S分量值靠前的若干个待识别区域作为最终的待识别区域。例如，当上述待识别区域为15个时，去掉L分量值最大和次大的两个待识别区域，去掉L分量值最小的三个区域，此时，再将剩下的10个待识别区域按照S分量值的大小来排序，选取S分量值最大的5个待识别区域作为最终待识别区域。由于L分量值较大的话则表示该待识别区域较亮，此时该L分量值较大的待识别区域的S分量值也很大，例如当L分量值非常大的时候可以等同于白色，白色的S分量值很大。而当L分量值较小的话则表示该待识别区域较暗，此时该L分量值较小的待识别区域的S分量值也很大，例如当L分量值非常小的时候可以等同于黑色，黑色的S分量值也很大。故不可以先根据S值的大小，再根据L值的大小来选取最终待识别区域。当然了，也可以不用将待识别区域按照SL分量值的大小进行排序，也可以在进行综合的考量后再选取出最终待识别区域，即可以对待识别区域中的S分量值和L分量值同时考量，选取出最终待识别区域。

步骤105：利用颜色分类模型对所述最终待识别区域进行颜色分类，确定所述车身的颜色。

具体地，将上一步骤中筛选出的最终待识别区域利用训练好的颜色分类模型进行分类，根据分类结果可以识别出车身的颜色。

可以理解的是，上述颜色分类模型的训练是指收集各种环境下的颜色样本，统计这些样本的颜色特征，将统计结果做归一化处理，定义每种颜色样本的标签来对最终待识别区域进行识别。

由于最终待识别区域是从待识别区域中根据SL分量的大小来筛选出来的，故最终待识别区域可能处于车头图片上的不同位置，为了提高识别效率。可以将筛选出来的若干个最终待识别区域合成一张图，识别的时候可以对合成之后的图来识别，将图的识别结果作为最终的识别结果，即车身的颜色。例如，当最终待识别区域有5个时，其5个最终待识别区域处于车身上不同的位置，可以将这5个最终待识别区域拼起来，用于最后识别。但是将合成之后的图用于最后的识别，识别效率高了，但相对于逐一去识别最终待识别区域，其识别的准确率会有所下降。故可以对若干个最终待识别区域进行识别，而不用合成为一张图后再进行识别。此时，在对若干个最终待识别区域进行识别之后，还要对识别的结果是否一致进行判断，当识别的结果都一致时，才可以将识别结果作为最终识别结果。

在本发明的一些实施例中，其颜色分类模型可以使用HSV颜色直方图分类模型，可以用支持向量机SVM进行训练，即先计算最终待识别区域的HSV颜色直方图，后用支持向量机SVM进行训练。例如，在将5个最终待识别区域合成为一张图的情况下，可以先计算合成图的HSV颜色直方图，然后用SVM训练计算得到的HSV颜色直方图。当然，也可以使用其它的颜色分类模型或者是其它的方式来训练颜色分类模型，进而来对最终待识别区域进行颜色识别，例如RGB颜色直方图。

本发明实施例所提供的一种识别车身颜色的方法，通过获取在车身图片上预选定的多个平滑区域的色相、饱和度和亮度；根据颜色特征预统计分布图得出平滑区域的颜色分类结果；判断平滑区域的所述颜色分类结果是否一致；当平滑区域的所述颜色分类结果不一致时，根据平滑区域的所述亮度的大小和所述饱和度的大小筛选出最终待识别区域；利用颜色分类模型对最终待识别区域进行颜色分类，确定车身的颜色。本发明根据预先统计的颜色分量统计分布图来对待识别区域进行粗分类，在粗分类的基础上再根据待识别区域的亮度和饱和度的大小，利用曝光和背光时亮度有不确定性且饱和度偏低的原则选取光照鲁棒性较好的待识别区域来进行车身颜色的识别，最大限度的缓解不同光照环境下颜色信息重叠，提高了车身颜色识别准确率。

为了更好地介绍说明其车身颜色识别的过程，下面将应用具体的例子来介绍。请参见图2，图2为本发明实施例所提供的车身颜色识别方法的一种具体实施方式的流程示意图。

步骤201：输入15个待识别平滑区域的HSL分量的数值；

具体地，将预先选取出的15个待识别区域平滑区域的颜色分分量的数值输入到识别系统中。

步骤202：判断所输入的HSL分类的数值与统计的HSL分布图的波峰区域组合分布是否一致且唯一。如果是，则进入步骤206，如果否，则进入步骤203；

具体地，首先统计12种用于识别的待识别的平滑区域的车身颜色样本，其样本的组合可以包括：黑色、白色、银色、灰色、红色、黄色、蓝色、绿色、蓝色、紫色、棕色、橙色、粉色。每种颜色统计的样本数量为1000个，其待识别的平滑区域有16*16个像素，按像素分别统计HSL三个颜色分量的分布规律，做成统计分布图。例如可以从多个停车场的进出口收集大量车辆的图片，其车辆的车身颜色只有一种。当然，其统计的颜色类型组合和样本数量以及平滑区域的面积设定不限于上述提到的。

然后根据统计得出的HSL分量的曲线分布图，把每种颜色的HSL分量的曲线分布图的波峰区域的取值范围定义为该颜色的HSL分量的取值范围。进而计算每个待识别平滑区域的H分量的平均值、S分量的平均值和L分量的平均值。判断每个待识别平滑区域的HSL的平均值落在那个取值范围上，则该待识别平滑区域的颜色类别为取值范围对应的颜色。这是利用统计学来对15个待识别区域进行粗分类，当然，如果粗分类识别不出来，则需要对待识别平滑区域进行进一步地过滤受到曝光和背光影响的待识别平滑区域。利用统计分布图识别待识别区域的颜色的方法不限于上述的用HSL分量的平均值判断的方法，使用其它的方法来进行粗分类也可以。

需要指出的是，制作HSL分量的统计分布图也可以在输入待识别区域的HSL分量之前完成，该动作的先后顺序可以根据实际情况考虑。

步骤203：将15个待识别平滑区域按L分量从大到小排序，去除最亮的两个区域和最暗的三个区域，选取中间的10个平滑区域；

由于用上述粗分类的方法仍然无法得出准确的结果，故其15个待识别区域中存在着受不同光照环境的影响较大的区域。此时可以先根据L分量值的大小来进行初步筛选。基于受曝光和背光影响时L分量有不确定性，而S分量较低的原则，将15个待识别平滑区域按L分量值的大小从大到小的进行排序，去除其中L值最大和次大的两个待识别平滑区域，以及去掉L值最小、次小和第三小的待识别平滑区域，将剩下的10个待识别区域进行进一步地筛选。

显而易见地，根据L分量值的大小进行筛选时，也可以进行小到大地排序，或者可以不进行排序直接挑选。而其去掉的区域数量不限于5个，但是在有15个待识别平滑区域的情况下，去掉区域的数量为5个是一个经验值，相对于其它的值来说会好一点。

步骤204：将选取出的10个待识别的平滑区域按S分量从大到小排序，选取S分量值最大的5个平滑区域并合成为一张图；

从剩下的10个待识别平滑区域中按照S分量值的大小进行排序，选取S分量值靠前的5个待识别平滑区域，并将这5个待识别平滑区域合成一张图，用于最后的识别，其图有16*80个像素。当然，根据S分量值的大小选取待识别平滑区域的数量不限于5个，也可以为3个或者是其它基数数值。虽然选择5个以外的数值也可以实现本发明实施例的目的，但是选择3个的话就显得样本太少，不能很好地解决车头区域的保险杠区域和车身颜色不一致的问题。

步骤205：计算统计合成后的图的HSV颜色特征直方图，用训练好的SVM和HSV颜色特征直方图的分类器进行分类识别；

将合成之后的图的颜色分类HSV按像素统计，制作相应的HSV颜色特征直方图，其中，由于H分量的取值范围是0到180，S分量的取值范围是0到255，V分量的取值范围是0到255，那么可以将H分量分成10个组，每个组包括18个像素。对应地，S分量和V分量也按照上述思想进行划分。则合成之后的图的HSV颜色特征直方图有30个组，对HSV颜色特征直方图进行归一化处理。而利用SVM训练计算好的HSV颜色特征直方图可以是指统计各种环境下的颜色样本，每类可以是500个平滑区域样本，每个区域样本是由5个区域合成的图。将每个统计样本的HSV颜色特征直方图进行归一化处理，定义每种颜色样本对应的取值范围来进行识别。当然，其颜色特征直方图不限于上述的HSV颜色直方图，而用来训练颜色特征直方图的方式也不限于上述的SVM。

步骤206：输出识别结果。

本发明实施例提供的识别车身颜色方法的一种具体实施方式，通过识别15个待识别区域的颜色分类是否一致来识别车身的颜色，其中，利用统计学的知识先进行粗分类，在利用SL分量的大小进行筛选，将筛选出的待识别区域进行合成为一张图，对图利用颜色分类模型进行识别，进而得出最终的识别结果。通过具体的待识别区域的个数来具体介绍车身颜色识别的过程，可见，利用SL分量的大小来筛选出光照鲁棒性较好的待识别区域进行识别，提高了车身颜色识别的准确率。

车身颜色识别包括检测和识别两个部分，车身颜色待识别区域定位的好坏决定着颜色识别结果的对错，其车身颜色待识别区域的定位也可以单独使用，故对车身颜色的待识别区域的定位过程进行详细地介绍可以有助于理解车身颜色识别过程。请参见图3，图3为本发明实施例所提供的车身颜色待识别区域定位方法的一种具体实施方式的流程示意图。

步骤301：根据车牌信息进行外扩，从而获得车头区域；

首先需要获取车牌的信息，包括车牌的长、宽和位置信息。根据车牌的长宽以不同的比例向车牌的上下左右四个方向平移若个车牌得到整个车头区域。例如，车头的左边界是以车牌的左边界为基线，向左外扩1个车牌宽度，而车头右边界是以车牌的右边界为基线，向右外扩1.5个车牌的宽度，车头上边界是以车牌的上边界为基线，向上外扩4个车牌高度，车头下边界是以车牌的下边界为基线，向下外扩2个车牌高度。上述例子的外扩方式是基于场景的需求而设计的，由于在停车场的进出口，摄像头一般设置于车辆的左手边，所以实际上拍得的图片里，车头的左边区域会多多一些，右边区域会相对地少一些。其通过平移车牌来外扩得到整个区域，向上下左右四个方向平移的个数由实际的应用场景的需求而决定，假如摄像机正对着停车场进口的中间，则左右外扩的宽度都应该相同。故左右外扩的宽度不限于上述提到的，应该由实际的场景决定。利用车牌的平移来获得车头区域，目的是将车灯也包括在车头区域中，为后续的边缘密度筛选做准备。

步骤302：利用梯度算子模板对车头区域进行卷积运算，从而获得边缘纹理图像；

具体地，对外扩得到的车头区域的灰度图像使用梯度算子模板进行卷积运算，获得车头区域的边缘纹理图像。例如，可以使用135度的梯度算子模板为卷积核以步伐为1个像素对车头区域的灰度图像进行卷积运算，得到边缘密度图像。图像识别中的卷积运算实际上是对原本的灰度图进行平移和翻转得到最终的图像，其边缘纹理图像实际上是边缘密度图像。使用上述例子中的梯度算子模板为卷积核进行运算，其原因是经过上述梯度算子模板后的像素是由两个差值的和，其中一个差值为该像素的上方像素与下方像素的差值，另一个差值为该像素的一个右边像素和一个左边像素的差值。如果局部区域经过该梯度算子模板运算后，如果该区域是平滑的，没有什么纹理的褶皱的，则最后的差值为0，如果该区域不是平滑的，有水平纹理或者是竖直纹理的，则最后的纹理差异性会被放大。

步骤303：计算边缘纹理图像的积分图，并且计算整个车头区域的单位面积的边缘密度A；

具体地，计算边缘纹理图像的积分图可以很好地避免了一个区域的边缘密度值累加重复计算。积分图上的每个点都包含了点(0,0)到点(x,y)所有像素的边缘值，根据积分图先计算整个车头区域的边缘密度Qn＝O(Xn,Yn)-O(0,0)，根据计算得到的边缘密度进而计算单位面积边缘密度A＝Qn/(Xn*Yn)。

步骤304：以16个像素为步伐遍历整个车头区域，计算长度为W，宽度为16大小的局部行区域n的单位面积边缘密度Bn，进行第一次筛选；

具体地，可以将这个车头区域划分成若干个W*16大小的局部行区域，其中，W为车头区域的长度，局部行区域互不相交。对每个区域进行编号1到n，其中，n表示第几个局部行区域。可以以车头区域的上边界为起点，按16个像素为步伐遍历车头区域，计算W*16个像素的局部行区域的单位面积边缘密度。其计算的具体过程为先计算每个局部行区域的边缘密度，再边缘密度除以该局部行区域对应的像素面积。即每个局部行区域的边缘密度为Rn＝O(Xn,Yn)-O(0,Yn-₁₆),其单位面积边缘密度为Bn＝Rn/(Xn*16)，其中，点(Xn,Yn)为车头图像右下角的顶点坐标。

需要指出的是，局部行区域的像素面积的大小不限于上述的W*16，也可以为其它的，例如0.5W*16,0.5W*8。但是上述例子的W*16相对于其它值来说，其实现效果较好。

步骤305：比较Bn和A的大小，如果Bn小于A，则保留该局部行区域的位置信息，如果Bn大于A，则进入步骤306；

利用局部行区域的单位面积边缘密度的大小来进行筛选，目的是避免选择到局部行区域中有包括了车灯及水箱的局部行区域。选择车防护栏及车盖区域作为车身颜色待识别区域。

步骤306：判断遍历是否结束，如果没有结束，则返回步骤304，如果结束，则进入步骤307；

步骤307：以8个像素为步伐遍历每个第一次筛选出的局部行区域，寻找出有16*16个像素的单位面积边缘密度最小的局部小区域，并计录寻找出的局部小区域的单位面积边缘密度为Cn，进行第二次筛选；

在第一次筛选的基础上，对筛选出的局部行区域进行遍历。对于单个局部行区域来说，遍历的目的是为了寻找出单位面积边缘密度最小的16*16个像素大小的局部小区域，其中，每一个局部行区域对应一个局部小区域，其局部小区域的单位面积边缘密度为Cn。在原本平滑的局部行区域选取出更平滑的局部小区域。

步骤308：判断是否遍历结束，如果没有结束，则返回步骤307，如果结束，则进入步骤309；

步骤309：将第一次筛选出的局部行区域的单位面积边缘密度Bn与对应的局部小区域的单位面积边缘密度Cn相加为Dn，选择Dn最小的15个局部行区域对应的局部小区域作为车身颜色待识别区域。

将Bn和Cn相加的值Dn重新定义为局部行区域的单位面积边缘密度，将Dn从小到大地排序，选取Dn值最小的15个局部行区域对应的局部小区域作为平滑区域，即作为车身颜色待识别区域。

需要说明的是，由于一个区域非常平滑，该区域就有很多的纹理。假如直接将选取出的16*16个像素大小的局部小区域作为车身颜色待识别区域的话，就会有可能将水箱区域也选择进去，而水箱区域并不能代替整个车身的颜色。局部行区域如果为水箱区域的话，由于水箱区域的单位面积边缘密度值很小，至少会比其它不是水箱区域的局部小区域的单位面积边缘密度值小。所有不能直接将选取出的局部小区域作为车身颜色待识别区域。将Bn和Cn相加的目的就是为了避免选取水箱区域，使选取出的待识别区域可以很好地代表整个车身的颜色，有助于提升识别准确率。

本发明实施例所提供的车身颜色识别区域定位的方法，通过获取车身的车头区域的边缘纹理图像，计算边缘纹理图像的积分图；将计算得到的积分图划分成多个局部区域，计算得出每个局部区域的最终单位面积边缘密度；根据局部区域的最终单位面积边缘密度的大小从多个局部区域中筛选出多个平滑区域，将平滑区域作为车身颜色待识别区域。利用边缘纹理图像和积分图的方法来进行预处理，减少重复计算。从积分图的多个局部区域中根据单位面积边缘密度的大小来选取多个平滑区域来作为车身颜色最终待识别区域。局部区域的最终单位面积边缘密度小表示着该区域在受到光照及阴影的影响下抗干扰性较好，可以很好地代表整个车身的颜色。可见，通过利用单位面积边缘密度的大小来筛选出纹理较平滑的区域，选取出的平滑区域抗外界干扰性较好。

由于车身颜色识别包括检测和识别两个部分，检测的好坏对识别的结果有一定的影响。检测过程和识别过程可以单独地进行，也可以包括在完整的车身颜色识别过程中，故详细地介绍检测和识别过程是必要的。那么，下面将对车身颜色识别的整个过程进行介绍。请参见图4，图4为本发明实施例所提供的车身颜色识别以及待识别区域定位的一种具体实施方式的流程示意图。

步骤401：获取车头区域的边缘纹理图像，计算边缘纹理图像的积分图。

具体地，可以向利用车牌的信息进行外扩来得到车头区域，对车头区域的灰度图像进行卷积运算得到车头区域的边缘纹理图像，进而计算边缘纹理图像的积分图。其具体过程可以参见上述实施例，在此不再赘述。

步骤402：计算车头区域的单位面积边缘密度A；

步骤403：以16个像素为步伐遍历整个车头区域，计算长度为W，宽度为16大小的局部行区域n的单位面积边缘密度Bn，进行第一次筛选；

步骤404：比较Bn和A的大小，如果Bn小于A，则保留该局部行区域的位置信息，如果Bn大于A，则进入步骤405；

步骤405：判断遍历是否结束，如果没有结束，则返回步骤403，如果结束，则进入步骤406；

步骤406：以8个像素为步伐遍历每个第一次筛选出的局部行区域，寻找出有16*16个像素的单位面积边缘密度最小的局部小区域，并计录寻找出的局部小区域的单位面积边缘密度为Cn，进行第二次筛选；

步骤407：判断是否遍历结束，如果没有结束，则返回步骤306，如果结束，则进入步骤408；

步骤408：将第一次筛选出的局部行区域的单位面积边缘密度Bn与对应的局部小区域的单位面积边缘密度Cn相加为Dn，选择Dn最小的15个局部区域对应的局部小区域作为平滑区域；

步骤409：输入15个待识别平滑区域的HSL分量的数值；

步骤410：判断所输入的HSL分类的数值与统计的HSL分布图的波峰区域组合分布是否一致且唯一。如果是，则进入步骤413，如果否，则进入步骤411；

步骤411：将15个待识别平滑区域按L分量从大到小排序，去除最亮的两个区域和最暗的三个区域，选取中间的10个平滑区域；将选取出的10个待识别的平滑区域按S分量从大到小排序，选取S分量值最大的5个平滑区域并合成为一张图；

步骤412：计算统计合成后的图的HSV颜色特征直方图，用训练好的SVM和HSV颜色特征直方图的分类器进行分类识别；

步骤413：输出识别结果。

需要指出的是，在本实施例中只对检测和识别的整个过程进行大概的介绍，其具体实现的细节可以参见本发明中的其它实施例。

本发明实施例所提供的识别车身颜色以及待识别区域定位的方法，其检测过程利用边缘纹理图像和积分图的方法来进行预处理，减少重复计算。从积分图的多个局部区域中根据单位面积边缘密度的大小来选取多个平滑区域来作为车身颜色最终待识别区域。局部区域的最终单位面积边缘密度小表示着该区域在受到光照及阴影的影响下抗干扰性较好，通过利用单位面积边缘密度的大小来筛选出纹理较平滑的区域，选取出的平滑区域抗外界干扰性较好。其识别过程为预先统计的颜色分量统计分布图来对上述检测过程筛选出的待识别区域进行粗分类，在粗分类的基础上再根据待识别区域的亮度和饱和度的大小，利用曝光和背光时亮度有不确定性且饱和度偏低的原则选取光照鲁棒性较好的待识别区域来进行车身颜色的识别，最大限度的缓解不同光照环境下颜色信息重叠，提高了车身颜色识别准确率。

下面对本发明实施例提供的一种识别车身颜色的装置进行介绍，下文描述的识别车身颜色的装置与上文描述的识别车身颜色的方法可相互对应参照。

图5为本发明实施例提供的识别车身颜色的装置的结构框图，参照图5的识别车身颜色的装置可以包括：

获取单元501，用于获取在车身图片上预选定的多个平滑区域的色相、饱和度和亮度；

分类单元502，用于根据颜色特征预统计分布图得出所述平滑区域的颜色分类结果；

判断单元503，用于判断所述平滑区域的所述颜色分类结果是否一致；

筛选单元504，用于当所述平滑区域的所述颜色分类结果不一致时，根据所述平滑区域的所述亮度和所述饱和度筛选出最终待识别区域；

最终确定单元505，用于利用颜色分类模型对所述最终待识别区域进行颜色分类，确定所述车身的颜色。

进一步地，还可以包括：确定单元506，用于当所述平滑区域的所述颜色分类结果一致时，根据所述平滑区域的所述颜色分类结果确定所述车身的颜色。

进一步地，还可以包括：获取计算单元507，用于获取所述车身上车头区域的边缘纹理图像，计算所述边缘纹理图像的积分图；

划分单元508，用于将所述积分图划分成多个局部区域；

计算单元509，用于计算所述局部区域的最终单位面积边缘密度；

筛选单元510，用于根据所述单位面积边缘密度的大小，从多个所述局部区域中筛选出多个所述平滑区域。

本发明所提供的一种识别车身颜色的装置，根据预先统计的颜色分量统计分布图来对待识别区域进行粗分类，在粗分类的基础上再根据待识别区域的亮度和饱和度的大小，利用曝光和背光时亮度有不确定性且饱和度偏低的原则选取光照鲁棒性较好的待识别区域来进行车身颜色的识别，最大限度的缓解不同光照环境下颜色信息重叠，提高了车身颜色识别准确率。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上对本发明所提供的识别车身颜色的方法以及装置进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (8)

1.一种识别车身颜色的方法，其特征在于，包括：

获取在车身图片上预选定的多个平滑区域的色相、饱和度和亮度；

根据颜色特征预统计分布图得出所述平滑区域的颜色分类结果；

判断所述平滑区域的所述颜色分类结果是否一致；

当所述平滑区域的所述颜色分类结果不一致时，根据所述平滑区域的所述亮度的大小和所述饱和度的大小筛选出最终待识别区域；

利用颜色分类模型对所述最终待识别区域进行颜色分类，确定所述车身的颜色；

其中，所述利用颜色分类模型对所述最终待识别区域进行颜色分类，确定所述车身的颜色包括：将多个所述最终待识别区域进行合成得出识别图；利用所述颜色分类模型对所述识别图进行颜色分类；得出所述识别图的最终颜色分类结果；

其中，所述利用所述颜色分类模型对所述识别图进行颜色分类包括：计算所述识别图的颜色分量直方图；利用支持向量机和所述颜色分量直方图建立所述颜色分类模型；利用所述颜色分类模型对所述图进行颜色分类。

2.如权利要求1所述的方法，其特征在于，还包括：

当所述平滑区域的所述颜色分类结果一致时，根据所述平滑区域的所述颜色分类结果确定所述车身的颜色。

3.如权利要求2所述的方法，其特征在于，在所述获取在车身图片上预选定的多个平滑区域的色相、饱和度和亮度之前还包括：

获取所述车身上车头区域的边缘纹理图像，计算所述边缘纹理图像的积分图；

将所述积分图划分成多个局部区域；

计算所述局部区域的最终单位面积边缘密度；

根据所述最终单位面积边缘密度的大小，从多个所述局部区域中筛选出多个所述平滑区域。

4.如权利要求2所述的方法，其特征在于，所述根据颜色特征预统计分布图得出所述平滑区域的颜色分类结果包括：

分别计算每个所述平滑区域的色相平均值、饱和度平均值和亮度平均值；

根据所述颜色特征预统计分布图选择每种颜色对应的取值范围；

分别将所述平滑区域的所述色相平均值、所述饱和度平均值和所述亮度平均值与所述取值范围相对照，确定所述平滑区域的颜色分类结果。

5.如权利要求1至4任意一项所述的方法，其特征在于，所述根据所述平滑区域的所述亮度的大小和所述饱和度的大小筛选出最终待识别区域包括：

按所述亮度的大小对所述平滑区域排序，去除亮度最大和亮度最小的预设数量的所述平滑区域，将剩下的所述平滑区域作为第一平滑区域；

按所述饱和度的大小将所述第一平滑区域排序，按饱和度从大到小地选取出预设数量的所述第一平滑区域，将选取出的所述第一平滑区域作为最终待识别区域。

6.一种识别车身颜色的装置，其特征在于，包括：

获取单元，用于获取在车身图片上预选定的多个平滑区域的色相、饱和度和亮度；

分类单元，用于根据颜色特征预统计分布图得出所述平滑区域的颜色分类结果；

判断单元，用于判断所述平滑区域的所述颜色分类结果是否一致；

筛选单元，用于当所述平滑区域的所述颜色分类结果不一致时，根据所述平滑区域的所述亮度和所述饱和度筛选出最终待识别区域；

最终确定单元，用于利用颜色分类模型对所述最终待识别区域进行颜色分类，确定所述车身的颜色；

其中，所述最终确定单元具体用于：将多个所述最终待识别区域进行合成得出识别图；利用所述颜色分类模型对所述识别图进行颜色分类；得出所述识别图的最终颜色分类结果；

其中，所述最终确定单元具体用于：计算所述识别图的颜色分量直方图；利用支持向量机和所述颜色分量直方图建立所述颜色分类模型；利用所述颜色分类模型对所述图进行颜色分类。

7.如权利要求6所述的装置，其特征在于，还包括：

确定单元，用于当所述平滑区域的所述颜色分类结果一致时，根据所述平滑区域的所述颜色分类结果确定所述车身的颜色。

8.如权利要求7所述的装置，其特征在于，还包括：

获取计算单元，用于获取所述车身上车头区域的边缘纹理图像，计算所述边缘纹理图像的积分图；

划分单元，用于将所述积分图划分成多个局部区域；

计算单元，用于计算所述局部区域的最终单位面积边缘密度；

筛选单元，用于根据所述单位面积边缘密度的大小，从多个所述局部区域中筛选出多个所述平滑区域。

Images