CN106650752A - 一种车身颜色识别方法 - Google Patents

Abstract

一种车身颜色识别方法，属于计算机视觉技术和图像处理技术领域。它使用计算机视觉技术，以新的采样方式并结合HSV颜色空间模型，通过对车牌周围区域在HSV空间中的颜色分类以达到识别车身颜色的方法，解决了车身颜色识别问题，改善了以车牌分辨车的传统工作模式，为打击汽车套牌、一车多牌、假牌照等违法犯罪行为提供了可靠帮助，进一步提高了智能交通的可靠性，节省了大量的人力成本。

Description

一种车身颜色识别方法

技术领域

本发明属于计算机视觉技术和图像处理技术领域，具体是一种车身颜色识别方法，它是通过车牌周围区域在HSV空间中的颜色分类以达到识别车身颜色的方法。

背景技术

交通是人类社会生产、生活以及经济发展的必要环节，随着我国交通事业的迅速发展、城市化进程的不断深入，城市汽车数量的逐年增加，城市道路交通问题显得越来越突出，传统的交通技术手段已经很难适应经济社会发展的要求，现代化智能交通控制系统已成为未来全球道路交通的发展趋势和现代化城市的先进标志。针对汽车套牌、一车多牌等妨碍交通秩序的违法行，仅依靠车牌识别已不能适应当前的交通现状了，因此，车辆的颜色识别技术变得更为重要，它可以弥补车牌识别的不足，从而进一步提高智能交通系统的可靠性。

视频中运动车辆的颜色识别与检测是近年来智能交通管理系统中比较关注的研究方向之一。目前，国内已有一些车辆颜色识别的方法，其中与本发明较为相近的技术方案包括：文献(周律，叶涛涛，王新华，朱金龙，周昱明。基于车身颜色搜索未识别的车牌图片研究[J]。信息技术,2014，8：92-95)首先将车脸前部靠近排气扇部分作为车身颜色的识别区域并将该区域归一化为一种色值，通过在CIELab颜色空间模型中制作红、蓝、绿等11种颜色模板并与归一化后的色值匹配得到车身颜色，该方法虽然在未识别车牌的情况下能够识别车身颜色，并且具有较好的识别速度，但是该方法要求对车身姿态要求较高，车辆侧斜或其背面都可能无法提取到较好的颜色识别区域，导致识别率不高；文献(宋晓红。车身颜色识别在高速公路卡口中的应用[J]。中国交通信息化，2014(3)：87-90)一种使用机器学习识别车身颜色的方法，该方法首先通过识别车牌将车牌上方的引擎盖部分作为颜色识别区域，将提取出的颜色识别区域转到LAB颜色空间下并统计颜色直方图的特征向量，使用支持向量机对该特征向量进行分类实现车身颜色的识别，该方法虽然在识别率上有所提高，但是仍不能在车辆背面提取到较好的颜色识别区域，此外，使用多个二值子分类器对多种颜色进行分类，不仅会使决策时的速度过慢，而且可能导致分类器泛化误差无界。发明专利(黄明亮。一种车身识颜色识别方法及装置:,CN105354530A[P]。2016)中首先提取车牌上方区域作为车辆的颜色特征区域，通过统计该区域的颜色直方图，将颜色直方图输入到事先训练好的神经网络中进行分类，该方法虽然在分类效率上有所提高，但使用神经网络解决非线性化的问题容易使算法陷入局部极值而导致训练失败，如果网络结构选择不当有可能造成过拟合或未收敛的现象，从而使识别率变低，此外，对于肉眼无法识别的颜色，不应以单个绝对的颜色来表示，而应该以多个颜色的概率方式来表示车身颜色。

综上所述，在对车身进行颜色识别时，当前方法存在如下不足：(1).不能较好地适应车辆背部的颜色识别(2)训练或分类造成了许多的不可避免的误差(3)对于肉眼无法识别的颜色，不应该用单个的绝对颜色作为最终的识别结果。本发明针对这一不足提出了一种基于车牌周围区域的车辆背部颜色识别方法。

发明内容

针对现有技术中存在的上述问题，本发明的目的在于提供一种车身颜色识别方法，它是通过车牌周围区域在HSV空间中的颜色分类以达到识别车身颜色的方法。

所述的一种车身颜色识别方法，其特征在于具体步骤如下：

步骤1：利用交叉路口的监控摄像头采集RGB图像；

步骤2：对步骤1)采集到的RGB图像使用中值滤波处理，并利用车辆检测跟踪算法提取得到车辆区域图像I，其高度为height，宽度为width，单位为像素；

步骤3：利用车牌识别算法提取步骤2)中的车辆区域图像I中的车牌矩形区域R＝(x，y，w，h)，其中，(x,y)为车牌矩形区域左上角的坐标，w与h分别为车牌矩形区域的宽和高，单位为像素；

步骤4：根据公式(1)、(2)和(3)确定采样区域D；

其中，μ为事先选定的采样方式系数，μ∈[0.6,0.8]，ρ₁,ρ₂分别为比例系数，R₁为在车牌上侧矩形采样区域，(x₁,y₁)为矩形区域R₁左上角的坐标，w₁与h₁分别为矩形区域R₁的宽和高，R₂为在车牌下侧矩形采样区域，(x₂,y₂)为矩形区域R₂左上角的坐标，w₂与h₂分别为矩形区域R₂的高和宽；

步骤5：分割步骤4)的采样区域D，得到m个矩形样本集合D*＝{D_i|i＝1,2,…,m}，要求满足公式(4)：

其中D_i为大小相同的矩形窗口样本；

步骤6：将步骤5)的所有矩形窗口样本D_i由RGB空间转到HSV颜色空间，从样本集合D*中剔除那些像素总标准差大于λ的样本，得到新的集合D*＝{D_i|i＝1,2,…,n}，使其满足式(5)、(6)、(7)、(8)：

其中，n为新样本集合D*的元素个数，λ为标准差阈值，k_j为第j通道的权重系数，j＝1,2,3，分别表示H、S与V通道，为第i个矩形样本D_i的像素值总标准差，N_i为第i个矩形样本D_i中像素点的个数，表示第i个矩形样本D_i中第k个像素点的第j个通道值，与分别为样本D_i在j通道上的像素均值与标准差，分别对应D_i中H、S与V通道的像素均值，取值范围为[0,360]，取值范围为[0,1]，取值范围为[0,1]；

步骤7：令颜色分类集合C＝{C_k|k＝1,2,…,10}，遍历集合D*中的每个样本D_i，根据公式(9)确定该样本应该归属于哪个分类集合C_k：

其中，C₁,C₂,…,C₁₀分别对应颜色{灰，白，棕，粉，红，黄，绿，蓝，紫，黑}；

步骤8：通过公式(10)筛选出样本数量最多的颜色集合

max₁＝max{num(C₁),num(C₂),...,num(C₁₀)} (10)

其中num(C_i)表示根据步骤7确定的归属于集合C_i的样本数量，max₁为的样本数量，进一步筛选出样本数量第二多、第三多的颜色集合与样本数分别为max₂、max₃，其中，k_max1∈{1,2,…,10},k_max2∈{1,2,…,10},k_max3∈{1,2,…,10}；

步骤9：确定车身颜色，具体为：

1)若满足条件max₁*η＞max₂，则车身颜色为集合对应的颜色，其中η为分类系数；

2)若满足条件max₃＜max₁*η≤max₂，则车身颜色以的概率为集合对应的颜色，以的概率为对应的颜色；

3)若不满足以上条件1)和2)，则车身颜色以的概率为集合对应的颜色，以的概率为对应的颜色，以的概率为对应的颜色。

通过采用上述技术，与现有的车身颜色识别方法相比，本发明的有益效果为：本发明使用计算机视觉技术，通过新的采样方式并结合HSV颜色空间模型解决了车身颜色识别问题，改善了以车牌分辨车的传统工作模式，为打击汽车套牌、一车多牌、假牌照等违法犯罪行为提供了可靠帮助，进一步提高了智能交通的可靠性，节省了大量的人力成本。

附图说明

图1为具体实施例示例用灰度图；

图2为使用检测跟踪算法提取到的图1中一辆运动的车辆灰度图；

图3为图2车辆的车牌识别灰度示意图，用灰色矩形框标注；

图4为在图3基础上得到的采样区域灰度示意图，用灰色矩形框标注；

图5为图4的采样区域的具体划分灰度示意图，用灰色网格标注；

图6为图5中的有效样本序列；

图7为图5中的无效样本序列；

图8为图6中的样本分类示意图。

由于说明书附图尽量不用彩色图，所以我把前面的图都灰度化了

具体实施方式

下面结合实施例来详细阐述车身颜色识别方法的具体实施方法。应当理解，此处所描述的具体实例仅用于解释本发明，并不用于限定本发明。

如图1-8所示，本发明的一种车身颜色识别方法，具体步骤如下：

步骤1：利用交叉路口的监控摄像头采集RGB图像；本实施例中，图像的灰度图如图1所示；

步骤2：对采集到的图像使用核为3*3的结构元进行中值滤波处理，并利用车辆检测跟踪算法提取得到车辆区域图像I，其中高度为height，宽度为width，单位为像素；在本实施例中，图1处理结果参照图2，其灰度图如图2所示，所述的车辆检测跟踪算法在申请号为CN201510831439.3的文件中已公开，在此不再详述；

步骤3：利用车牌识别算法提取图像I中的车牌矩形区域R＝(x，y，w，h)，其中图像I的左上角为像素坐标原点，(x,y)为车牌矩形区域左上角的坐标，w与h分别为车牌矩形区域的宽和高，单位为像素；本实施例中，处理结果的图片灰度图参照图3，所述的车牌识别算法在申请号为CN201510937041.8的文件中已公开，在此不再详述；

步骤4：根据公式(1)、(2)和(3)确定采样区域D；

其中，μ为事先选定的采样方式系数，μ∈[0.6,0.8]，ρ₁,ρ₂分别为比例系数，R₁为在车牌上侧矩形采样区域，(x₁,y₁)为矩形区域R₁左上角的坐标，w₁与h₁分别为矩形区域R₁的宽和高，R₂为在车牌下侧矩形采样区域，(x₂,y₂)为矩形区域R₂左上角的坐标，w₂与h₂分别为矩形区域R₂的高和宽；在本实施例中，选择μ为0.75，ρ₁,ρ₂分别为1与2，R₁的具体参数为R₂的具体参数为处理结果的图片灰度图参照图4；

步骤5：分割采样区域D，得到m个矩形样本集合D*＝{D_i|i＝1,2,…,m}，要求满足公式(4)：

其中D_i为大小相同的矩形窗口样本；在本实施例中，矩形窗口样本为4×4，样本划分结果的图片灰度图如图5所示；

步骤6:将所有矩形窗口样本D_i由RGB空间转到HSV颜色空间，从样本集合D*中剔除那些像素总标准差大于λ的样本，得到新的集合D*＝{D_i|i＝1,2,…,n}，使其满足式(5)、(6)、(7)、(8)：

其中，n为新样本集合D*的元素个数，λ为标准差阈值，k_j为第j通道的权重系数，j＝1,2,3，分别表示H、S与V通道，为第i个矩形样本D_i的像素值总标准差，N_i为第i个矩形样本D_i中像素点的个数，表示第i个矩形样本D_i中第k个像素点的第j个通道值，与分别为样本D_i在j通道上的像素均值与标准差，分别对应D_i中H、S与V通道的像素均值，取值范围为[0,360]，取值范围为[0,1]，取值范围为[0,1]；在本实施例中，选择λ为200，k₁,k₂,k₃分别为1,85,255，剔除结果如图6、图7所示；

步骤7：令颜色分类集合C＝{C_k|k＝1,2,…,10}，遍历集合D*中的每个样本D_i,根据公式(9)确定该样本应该归属于哪个分类集合C_k：

其中，C₁,C₂,…,C₁₀分别对应颜色{灰，白，棕，粉，红，黄，绿，蓝，紫，黑}；

步骤8：通过公式(10)筛选出样本数量最多的颜色集合

max₁＝max{num(C₁),num(C₂),...,num(C₁₀)} (10)

其中num(C_i)表示根据步骤7确定的归属于集合C_i的样本数量，max₁为的样本数量，进一步筛选出样本数量第二多、第三多的颜色集合与样本数分别为max₂、max₃，其中，k_max1∈{1,2,…,10},k_max2∈{1,2,…,10},k_max3∈{1,2,…,10}；

步骤9：确定车身颜色，具体为：

(1)若满足条件max₁*η＞max₂，则车身颜色为集合对应的颜色，其中η为分类系数；

(2)若满足条件max₃＜max₁*η≤max₂，则车身颜色以的概率为集合对应的颜色，以的概率为对应的颜色；

(3)若不满足以上条件(1)和(2)，则车身颜色以的概率为集合对应的颜色，以的概率为对应的颜色，以的概率为对应的颜色；

在本实施例中，选择η为0.7，且满足条件max₁*η＞max₂，识别的车身颜色为：红色。

本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围的不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (1)

1.一种车身颜色识别方法，其特征在于具体步骤如下：

步骤1：利用交叉路口的监控摄像头采集RGB图像；

步骤2：对步骤1)采集到的RGB图像使用中值滤波处理，并利用车辆检测跟踪算法提取得到车辆区域图像I，其高度为height，宽度为width，单位为像素；

步骤3：利用车牌识别算法提取步骤2)中车辆区域图像I中的车牌矩形区域R＝(x，y，w，h)，其中，(x,y)为车牌矩形区域左上角的坐标，w与h分别为车牌矩形区域的宽和高，单位为像素；

步骤4：根据公式(1)、(2)和(3)确定采样区域D；

$D=\left\{\begin{array}{cc}{R}_1=(x_1,y_1,w_1,h_1),& ify<\mathrm{\&mu;}*height\\ R_2=(x_2,y_2,w_2,h_2),& else\end{array}\right.---\left(1\right)$

$\left\{\begin{array}{c}{x}_1=x+\frac{(1-{\mathrm{\&rho;}}_2)*w}{2}\\ y_1=y-{\mathrm{\&rho;}}_{1}h\\ w_1={\mathrm{\&rho;}}_2*w\\ h_1={\mathrm{\&rho;}}_1*h\end{array}\right.---\left(2\right)$

$\left\{\begin{array}{c}{x}_2=x+\frac{(1-{\mathrm{\&rho;}}_2)*w}{2}\\ y_2=y+h\\ w_2={\mathrm{\&rho;}}_2*w\\ h_2={\mathrm{\&rho;}}_1*h\end{array}\right.---\left(3\right)$

其中，μ为事先选定的采样方式系数，μ∈[0.6,0.8]，ρ₁,ρ₂分别为比例系数，R₁为在车牌上侧矩形采样区域，(x₁,y₁)为矩形区域R₁左上角的坐标，w₁与h₁分别为矩形区域R₁的宽和高，R₂为在车牌下侧矩形采样区域，(x₂,y₂)为矩形区域R₂左上角的坐标，w₂与h₂分别为矩形区域R₂的高和宽；

步骤5：分割步骤4)的采样区域D，得到m个矩形样本集合D*＝{D_i|i＝1,2,…,m}，要求满足公式(4)：

其中D_i为大小相同的矩形窗口样本；

步骤6：将步骤5)的所有矩形窗口样本D_i由RGB空间转到HSV颜色空间，从样本集合D*中剔除像素总标准差大于λ的样本，得到新的集合D*＝{D_i|i＝1,2,…,n}，使其满足式(5)、(6)、(7)、(8)：

$\stackrel{\&OverBar;}{{\mathrm{\&sigma;}}_i}\&le;\mathrm{\&lambda;}---\left(5\right)$

$\stackrel{\&OverBar;}{{\mathrm{\&sigma;}}_i}=\underset{j=1}{\overset{3}{\&Sigma;}}{k}_j*{\mathrm{\&sigma;}}_i^j---\left(6\right)$

$\stackrel{\&OverBar;}{A_i^j}=\frac{1}{N_i}\underset{k=1}{\overset{N_i}{\&Sigma;}}{A}_{ik}^j---\left(7\right)$

${\mathrm{\&sigma;}}_i^j=\sqrt{\frac{1}{N_i}\underset{k=1}{\overset{N_i}{\&Sigma;}}{(\stackrel{\&OverBar;}{A_i^j}-A_{ik}^j)}^2}---\left(8\right)$

其中，n为新样本集合D*的元素个数，λ为标准差阈值，k_j为第j通道的权重系数，j＝1,2,3，分别表示H、S与V通道，为第i个矩形样本D_i的像素值总标准差，N_i为第i个矩形样本D_i中像素点的个数，表示第i个矩形样本D_i中第k个像素点的第j个通道值，与分别为样本D_i在j通道上的像素均值与标准差，分别对应D_i中H、S与V通道的像素均值，取值范围为[0,360]，取值范围为[0,1]，取值范围为[0,1]；

步骤7：令颜色分类集合C＝{C_k|k＝1,2,…,10}，遍历集合D*中的每个样本D_i，根据公式(9)确定该样本应该归属于哪个分类集合C_k：

其中，C₁,C₂,…,C₁₀分别对应颜色{灰，白，棕，粉，红，黄，绿，蓝，紫，黑}；

步骤8：通过公式(10)筛选出样本数量最多的颜色集合

max₁＝max{num(C₁),num(C₂),...,num(C₁₀)} (10)

其中num(C_i)表示根据步骤7确定的归属于集合C_i的样本数量，max₁为的样本数量，进一步筛选出样本数量第二多、第三多的颜色集合与样本数分别为max₂、max₃，其中，k_max1∈{1,2,…,10},k_max2∈{1,2,…,10},k_max3∈{1,2,…,10}；

步骤9：确定车身颜色，具体为：

1)若满足条件max₁*η＞max₂，则车身颜色为集合对应的颜色，其中η为分类系数；

2)若满足条件max₃＜max₁*η≤max₂，则车身颜色以的概率为集合对应的颜色，以的概率为对应的颜色；

3)若不满足以上条件1)和2)，则车身颜色以的概率为集合对应的颜色，以的概率为对应的颜色，以的概率为对应的颜色。