CN106897747A - 一种基于卷积神经网络模型鉴别车辆颜色的方法及装置 - Google Patents

Abstract

本发明实施例公开了一种基于卷积神经网络模型鉴别车辆颜色的方法及装置，本发明实施例包括：获取车辆的车辆图像；识别所述车辆图像中的车牌信息，所述车牌信息包括车牌的长度、宽度以及位置；根据所述车牌信息确定车头区域以及所述车头区域的车头图像；将所述车头图像转换成YUV格式的图像，得到车头YUV图像；从所述车头YUV图像中抽取出Y分量数据、U分量数据、V分量数据并重新组合得到预设大小的车头YUYV图像；训练卷积神经网络模型；将所述车头YUYV图像输入至所述卷积神经网络模型；根据所述卷积神经网络模型的输出结果确定所述车辆的车头的颜色。本发明实施例提供一种基于深度学习的车辆颜色识别方法。

Description

一种基于卷积神经网络模型鉴别车辆颜色的方法及装置

技术领域

本发明涉及图像处理领域，特别涉及一种基于卷积神经网络模型鉴别车辆颜色的方法及装置。

背景技术

在现有技术中，目前对于车辆的颜色识别主要通过统计学方法统计的颜色分量分布进行对比识别，这种方法的优点是识别速度快，缺点是识别率不高，易受环境影响，其一般用于预识别或粗分类。还有一种方法是采用传统的模式学习的方式，通过训练样本的颜色特征模型对车颜色进行分类，这种方法的训练效率不高。

发明内容

本申请实施例提供了一种基于卷积神经网络模型鉴别车辆颜色的方法及装置，提供一种基于深度学习的车辆颜色识别方法。

有鉴于此，本发明的第一方面提供一种基于卷积神经网络模型鉴别车辆颜色的方法，包括：

获取车辆的车辆图像；

识别所述车辆图像中的车牌信息，所述车牌信息包括车牌的长度、宽度以及位置；

根据所述车牌信息确定车头区域以及所述车头区域的车头图像；

将所述车头图像转换成YUV格式的图像，得到车头YUV图像；

从所述车头YUV图像中抽取出Y分量数据、U分量数据、V分量数据并重新组合得到预设大小的车头YUYV图像；

训练卷积神经网络模型；

将所述车头YUYV图像输入至所述卷积神经网络模型；

根据所述卷积神经网络模型的输出结果确定所述车辆的车头的颜色。

结合本发明实施例的第一方面，在本发明实施例的第一方面的第一种实施方式中，所述从所述车头YUV图像中抽取出Y分量数据、U分量数据、V分量数据并重新组合得到预设大小的车头YUYV图像包括：

从所述车头YUV图像中按照预设条件抽取出所述Y分量数据、所述U分量数据、所述V分量数据；

按照所述Y分量数据、所述U分量数据、所述Y分量数据、所述V分量数据的顺序组合得到所述车头YUYV图像。

结合本发明实施例的第一方面，第一方面的第一种实施方式中任一种，在本发明实施例的第一方面的第二种实施方式中，所述训练卷积神经网络模型包括：

输入一张以上的关于车辆颜色的车辆颜色YUYV图像；

将所述车辆颜色YUYV图像经过卷积生成第一卷积层图像；

将所述第一卷积层图像经过池化生成第一池化层图像；

将所述第一池化层图像经过卷积生成第二卷积层图像并根据所述第一池化层图像生成第二池化层图像；

根据所述第一卷积层图像、所述第二卷积层图像、所述第一池化层图像、所述第二池化层图像生成全连接层图像；

根据所述第一卷积层图像、所述第二卷积层图像、所述第一池化层图像、所述第二池化层图像、所述全连接层图像得到卷积神经网络模型。

结合本发明实施例的第一方面，第一方面的第一种实施方式至第二种实施方式中任一种，在本发明实施例的第一方面的第三种实施方式中，所述根据所述第一卷积层图像、所述第二卷积层图像、所述第一池化层图像、所述第二池化层图像、所述全连接层图像得到卷积神经网络模型之前，还包括：

使用预设矩阵优化所述全连接层图像；

根据所述全连接层图像确定所述车辆颜色与所述全连接层图像的对应关系。

结合本发明实施例的第一方面，第一方面的第一种实施方式至第三种实施方式中任一种，在本发明实施例的第一方面的第四种实施方式中，所述根据所述卷积神经网络模型的输出结果确定所述车辆的车头的颜色之后，还包括：

根据所述车辆的车头的颜色确定所述车辆的颜色。

本发明的第二方面提供一种装置，包括：

获取模块，用于获取车辆的车辆图像；

识别模块，用于识别所述车辆图像中的车牌信息，所述车牌信息包括车牌的长度、宽度以及位置；

第一确定模块，用于根据所述车牌信息确定车头区域以及所述车头区域的车头图像；

转换模块，用于将所述车头图像转换成YUV格式的图像，得到车头YUV图像；

抽取模块，用于从所述车头YUV图像中抽取出Y分量数据、U分量数据、V分量数据并重新组合得到预设大小的车头YUYV图像；

训练模块，用于训练卷积神经网络模型；

输入模块，用于将所述车头YUYV图像输入至基于YUYV图像训练的卷积神经网络模型；

第二确定模块，用于根据所述卷积神经网络模型的输出结果确定所述车辆的车头的颜色。

结合本发明实施例的第二方面，在本发明实施例的第二方面的第一种实施方式中，所述抽取模块包括：

抽取单元，用于从所述车头YUV图像中按照预设条件抽取出所述Y分量数据、所述U分量数据、所述V分量数据；

组合单元，用于按照所述Y分量数据、所述U分量数据、所述Y分量数据、所述V分量数据的顺序组合得到所述车头YUYV图像。

结合本发明实施例的第二方面，第二方面的第一种实施方式中任一种，在本发明实施例的第二方面的第二种实施方式中，所述训练模块包括：

输入单元，用于输入一张以上的关于车辆颜色的车辆颜色YUYV图像；

第一生成单元，用于将所述车辆颜色YUYV图像经过卷积生成第一卷积层图像；

第二生成单元，用于将所述第一卷积层图像经过池化生成第一池化层图像；

第三生成单元，用于将所述第一池化层图像经过卷积生成第二卷积层图像并根据所述第一池化层图像生成第二池化层图像；

第四生成单元，用于根据所述第一卷积层图像、所述第二卷积层图像、所述第一池化层图像、所述第二池化层图像生成全连接层图像；

训练单元，用于根据所述第一卷积层图像、所述第二卷积层图像、所述第一池化层图像、所述第二池化层图像、所述全连接层图像得到卷积神经网络模型。

结合本发明实施例的第二方面，第二方面的第一种实施方式至第二种实施方式中任一种，在本发明实施例的第二方面的第三种实施方式中，所述训练模块还包括：

优化单元，用于使用预设矩阵优化所述全连接层图像；

对应单元，用于根据所述全连接层图像确定所述车辆颜色与所述全连接层图像的对应关系。

结合本发明实施例的第二方面，第二方面的第一种实施方式至第三种实施方式中任一种，在本发明实施例的第二方面的第四种实施方式中，还包括：

第三确定模块，用于根据车辆的车头的颜色确定车辆的颜色。

从以上技术方案可以看出，本发明实施例具有以下优点：

本发明实施例提供一种基于卷积神经网络模型鉴别车辆颜色的方法及装置，提供一种基于深度学习的车辆颜色识别方法，采用车头颜色信息代替车身局部颜色信息，减少了对车身局部颜色信息待识别区域定位的要求，增强了车头颜色识别对局部光照的鲁棒性。同时，针对对整个车头进行颜色识别耗时的问题，采用彩色图像转YUV灰度图像的方法，构建出YUYV的颜色梯度特征降低数据维数用于样本训练及识别。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的实施例，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是本发明实施例中一种基于卷积神经网络模型鉴别车辆颜色的方法的一个实施例示意图；

图2是本发明实施例中一种基于卷积神经网络模型鉴别车辆颜色的方法的车头区域示意图；

图3是本发明实施例中一种基于卷积神经网络模型鉴别车辆颜色的方法的图像数据示意图；

图4是本发明实施例中一种装置的一个实施例示意图。

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方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，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，都应当属于本发明保护的范围。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

本发明实施例一种基于卷积神经网络模型鉴别车辆颜色的方法，提供一种基于深度学习的车辆颜色的识别方法。请参阅图1，图1是本发明实施例的一个实施例示意图。

步骤101、获取车辆的车辆图像；

获取车辆的图像，主要是获取车辆正面含有车牌的图像。

步骤102、识别车辆图像中的车牌信息；

当获取到车辆的车辆图像后，会对车辆图像中的车牌进行定位，根据车牌定位的结果获取车牌的大小、长宽值和位置，得到车牌信息。

步骤103、根据车牌信息确定车头区域以及车头区域的车头图像；

当得到车牌信息后，会根据预定的方法确定出车辆的车头区域。在实际应用中，可以按照车牌的长宽值进行扩大得到基于车牌长宽值的车头区域。此处请参阅图2，例如，从上下左右四个方向以不同比例根据车牌的长宽信息外扩获得车头区域。可以是将车牌左边界向左外扩1个车牌宽度得到车头区域的左边界；以车牌右边界向右外扩1.5个车牌宽度得到车头区域的右边界；以车牌上边界向上外扩4个车牌宽度得到车头区域的上边界；以车牌下边界向下外扩2个车牌宽度得到车头区域的下边界。这样从四个方向分别外扩得到车头区域，然后根据车头区域得到相关的车头区域的车头图像。

步骤104、将车头图像转换成YUV格式的图像，得到车头YUV图像；

将获取到的彩色的车头图像装换成YUV格式的图像，YUV图像中前一半数据为Y分量数据，即灰度图像数据，后一半数据存储为UV数据，即色差信息图像。

步骤105、从车头YUV图像中抽取出Y分量数据、U分量数据、V分量数据并重新组合得到预设大小的车头YUYV图像；

将得到的车头YUV图像中按照既定的规则抽取出Y分量数据、U分量数据、V分量数据，然后对数据重新组合得到车头YUYV图像。此处请参阅图3，具体的实现方式可以如下：将车头YUV图像的数据按照数据位置顺序标记，Y分量数据的第一行第一列标记为Y11，第一行第二列记为Y12，第二行第一列记为Y21。以此类推将Y、U、V分量数据都标记。其中Y分量数据每一个数据都有相应的标记，U、V分量数据对应Y数据进行标记，U分量数据只有奇数的列中存在，例如U11、U13、U15等；V分量数据只有偶数的列中存在，例如V12、V14、V16等。从车头YUV图像中的第一行第一列数据位Y11开始抽取，然后抽取与Y11坐标相同的U分量数据U11，再抽取与Y11相邻的Y12以及对应的V分量数据V12，这四个组成一个新的数据组合Y11U11Y12V12。Y11U11Y12V12为车头YUYV图像的第一行的开始的数据，之后再在车头YUV图像的Y分量数据中开始抽取，抽取与Y12相隔两列的Y15以及相邻的Y16，再对应抽取U15和V16。所以抽取规则是抽取相邻两列的Y分量数据以及对应的U、V分量数据后组合成一组数据，之后相隔两列再次抽取相邻的两组Y分量数据以及对应的U、V分量数据，这样组成第一行车头YUYV图像。对于第二行的车头YUYV图像的数据，从与第一行Y分量数据相隔一行的Y分量数据开始抽取，即第一行车头YUYV图像从Y11开始抽取，第二行车头YUYV图像从Y31开始抽取，其他抽取规则与前述相同。最后得到全部的车头YUYV图像的数据，如图3所示。抽取数据直到得到预设大小的车头YUYV图像后停止，例如可以是128像素乘以32像素的车头YUYV图像。

步骤106、训练卷积神经网络模型；

对于卷积神经网络模型的训练，具体方法如下：获取多种颜色的多张图片，例如可以获取黑、白、银、灰、红、黄、蓝、绿、紫、棕、橙、粉等颜色，每种收集2000张不同角度及尺寸的128像素乘以32像素的YUYV图像。YUYV图像的获取方式与步骤105中获取车头YUYV图像的方式相似。获取到颜色的YUYV图像后，进行数据处理，将其并归一化到-1到1。然后使用caffe框架，设计5层网络模型。第一层为17乘以5的卷积层，生成6个maps；第二层为4乘以4的pooling层，对应6个maps；第三层为9乘以2的卷积层，生成16个maps；第四层为2乘以2的pooling层，对应16个maps；第五层为10乘以3的卷积层，生成500个maps；第六层为全连接层，然后分进行矩阵乘以此得到第六、第七、第八层以及最后的第九层输出结果。具体的，各层的网络结构是：第一层为输入的128*32大小的YUYV图像，第一层输入图像到第二层中，第二层命名为C1 filter，中间有6个17*5像素大小的卷积核组成，经过6次卷积后，第二层C1filter得到6个112*28大小的图像。第三层图像命名为P1 filter，第二层C1 filter到第三层P1 filter中间由6个4*4大小的池化层组成，池化层即pooling层。目的是对图像中4*4大小的区域选取最大的像素值作为输出，降低图像的维度，提取显著特征。经过池化层后，第三层P1 filter为6个28*7大小的图像。将第三层P1 filter做两种不同处理，第四层命名为C2 filter。第一种处理与之前处理相同，即第三层P1 filter到第四层C2 filter之间有16*6个9*2大小的卷积核组成，同样进行卷积，第三层P1 filter的6个图像分别与第三层到第四层之间的16个卷积核卷积后相加组合，一共进行16次，所以第四层C2 filter输出16个20*6大小的图像。另一种处理是将第三层的P1 filter的6*28*7的图像重新生成1176*1的向量，然后经过一个100*1176的矩阵乘，得到100*1的新向量FC1 filter。第五层命名为P2filter。第五层P2 filter还是一个池化层，16个2*2大小的选取最大值的池化层与第四层输出的16个图像一一对应，第五层P2 filter输出16个10*3大小的图像。第六层命名为FC2filter，第六层FC2 filter为全连接层，大小是100*1的向量，第五层到第六层是将第五层中的16*10*3的图像重新生成1*480的图像，第五层P2 filter到第六层FC2 filter之间经过一个100*480的矩阵乘，生成属于第六层的100*1的向量。第七层命名为FCplus filter，第七层FCplus filter为将FC1 filter与FC2 filter做向量的连接，得到200*1维的向量。第八层命名为FC filter，第七层FCplus filter到第八层FC filter经过一个100*200的矩阵乘，得到第八层FC filter。第九层为输出的结果，命名为Output，第九层Output经过第八层到第九层的12*100的矩阵乘，最后获得最后的12*1的向量输出，对应着每类颜色的概率。

步骤107、将车头YUYV图像输入至基于YUYV图像训练的卷积神经网络模型；

得到车头YUYV图像后，将车头YUYV图像输入到经过训练的卷积神经网络模型。

步骤108、根据卷积神经网络模型的输出结果确定车辆的车头的颜色；

将车头YUYV图像输入至基于YUYV图像训练的卷积神经网络模型后，得到输出的颜色后确定车头的颜色即为卷积神经网络模型输出的颜色结果。

步骤109、根据车头的颜色确定车辆的颜色；

得到车头的颜色后，从车头的颜色确定整体车辆的颜色。这种采用车头区域整体颜色信息代替车身局部颜色信息，减少了对车身局部颜色待识别区域定位的要求，增强了车头区域整体颜色识别对局部光照的鲁棒性。

上面从本发明实施例的一种基于卷积神经网络模型鉴别车辆颜色的方法进行描述，下面对本发明实施例的一种装置进行描述。

请参阅图4，本发明实施例的一种装置包括：

装置包括获取模块401、识别模块402、第一确定模块403、转换模块404、抽取模块405、训练模块406、输入模块407、第二确定模块408、第三确定模块409。

获取模块401，用于获取车辆的车辆图像。

识别模块402，用于识别车辆图像中的车牌信息，车牌信息包括车牌的长度、宽度以及位置。

第一确定模块403，用于根据车牌信息确定车头区域以及车头区域的车头图像。

转换模块404，用于将车头图像转换成YUV格式的图像，得到车头YUV图像。

抽取模块405，用于从车头YUV图像中抽取出Y分量数据、U分量数据、V分量数据并重新组合得到预设大小的车头YUYV图像。

进一步的，抽取模块405包括抽取单元4051、组合单元4052。

抽取单元4051，用于从车头YUV图像中按照预设条件抽取出Y分量数据、U分量数据、V分量数据。

组合单元4052，用于按照Y分量数据、U分量数据、Y分量数据、V分量数据的顺序组合得到车头YUYV图像。

训练模块406，用于训练卷积神经网络模型。

进一步的，训练模块406包括输入单元4061、第一生成单元4062、第二生成单元4063、第三生成单元4064、第四生成单元4065、训练单元4066、优化单元4067、对应单元4068。

输入单元4061，用于输入一张以上的关于车辆颜色的车辆颜色YUYV图像。

第一生成单元4062，用于将车辆颜色YUYV图像经过卷积生成第一卷积层图像。

第二生成单元4063，用于将第一卷积层图像经过池化生成第一池化层图像。

第三生成单元4064，用于将第一池化层图像经过卷积生成第二卷积层图像并根据第一池化层图像生成第二池化层图像。

第四生成单元4065，用于根据第一卷积层图像、第二卷积层图像、第一池化层图像、第二池化层图像生成全连接层图像。

训练单元4066，用于根据第一卷积层图像、第二卷积层图像、第一池化层图像、第二池化层图像、全连接层图像得到卷积神经网络模型。

优化单元4067，用于使用预设矩阵优化全连接层图像。

对应单元4068，用于根据全连接层图像确定车辆颜色与全连接层图像的对应关系。

输入模块407，用于将车头YUYV图像输入至基于YUYV图像训练的卷积神经网络模型。

第二确定模块408，用于根据卷积神经网络模型的输出结果确定车辆的车头的颜色。

第三确定模块409，用于根据车辆的车头的颜色确定车辆的颜色。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

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单元来实现本实施例方案的目的。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于卷积神经网络模型鉴别车辆颜色的方法，其特征在于，包括：

获取车辆的车辆图像；

识别所述车辆图像中的车牌信息，所述车牌信息包括车牌的长度、宽度以及位置；

根据所述车牌信息确定车头区域以及所述车头区域的车头图像；

将所述车头图像转换成YUV格式的图像，得到车头YUV图像；

从所述车头YUV图像中抽取出Y分量数据、U分量数据、V分量数据并重新组合得到预设大小的车头YUYV图像；

训练卷积神经网络模型；

将所述车头YUYV图像输入至所述卷积神经网络模型；

根据所述卷积神经网络模型的输出结果确定所述车辆的车头的颜色。

2.根据权利要求1所述的基于卷积神经网络模型鉴别车辆颜色的方法，其特征在于，所述从所述车头YUV图像中抽取出Y分量数据、U分量数据、V分量数据并重新组合得到预设大小的车头YUYV图像包括：

从所述车头YUV图像中按照预设条件抽取出所述Y分量数据、所述U分量数据、所述V分量数据；

按照所述Y分量数据、所述U分量数据、所述Y分量数据、所述V分量数据的顺序组合得到所述车头YUYV图像。

3.根据权利要求2所述的基于卷积神经网络模型鉴别车辆颜色的方法，其特征在于，所述训练卷积神经网络模型包括：

输入一张以上的关于车辆颜色的车辆颜色YUYV图像；

将所述车辆颜色YUYV图像经过卷积生成第一卷积层图像；

将所述第一卷积层图像经过池化生成第一池化层图像；

将所述第一池化层图像经过卷积生成第二卷积层图像并根据所述第一池化层图像生成第二池化层图像；

根据所述第一卷积层图像、所述第二卷积层图像、所述第一池化层图像、所述第二池化层图像生成全连接层图像；

根据所述第一卷积层图像、所述第二卷积层图像、所述第一池化层图像、所述第二池化层图像、所述全连接层图像得到卷积神经网络模型。

4.根据权利要求4所述的基于卷积神经网络模型鉴别车辆颜色的方法，其特征在于，所述根据所述第一卷积层图像、所述第二卷积层图像、所述第一池化层图像、所述第二池化层图像、所述全连接层图像得到卷积神经网络模型之前，还包括：

使用预设矩阵优化所述全连接层图像；

根据所述全连接层图像确定所述车辆颜色与所述全连接层图像的对应关系。

5.根据权利要求4所述的基于卷积神经网络模型鉴别车辆颜色的方法，其特征在于，所述根据所述卷积神经网络模型的输出结果确定所述车辆的车头的颜色之后，还包括：

根据所述车辆的车头的颜色确定所述车辆的颜色。

6.一种装置，其特征在于，包括：

获取模块，用于获取车辆的车辆图像；

识别模块，用于识别所述车辆图像中的车牌信息，所述车牌信息包括车牌的长度、宽度以及位置；

第一确定模块，用于根据所述车牌信息确定车头区域以及所述车头区域的车头图像；

转换模块，用于将所述车头图像转换成YUV格式的图像，得到车头YUV图像；

抽取模块，用于从所述车头YUV图像中抽取出Y分量数据、U分量数据、V分量数据并重新组合得到预设大小的车头YUYV图像；

训练模块，用于训练卷积神经网络模型；

输入模块，用于将所述车头YUYV图像输入至基于YUYV图像训练的卷积神经网络模型；

第二确定模块，用于根据所述卷积神经网络模型的输出结果确定所述车辆的车头的颜色。

7.根据权利要求6所述的装置，其特征在于，所述抽取模块包括：

抽取单元，用于从所述车头YUV图像中按照预设条件抽取出所述Y分量数据、所述U分量数据、所述V分量数据；

组合单元，用于按照所述Y分量数据、所述U分量数据、所述Y分量数据、所述V分量数据的顺序组合得到所述车头YUYV图像。

8.根据权利要求7所述的装置，其特征在于，所述训练模块包括：

输入单元，用于输入一张以上的关于车辆颜色的车辆颜色YUYV图像；

第一生成单元，用于将所述车辆颜色YUYV图像经过卷积生成第一卷积层图像；

第二生成单元，用于将所述第一卷积层图像经过池化生成第一池化层图像；

第三生成单元，用于将所述第一池化层图像经过卷积生成第二卷积层图像并根据所述第一池化层图像生成第二池化层图像；

第四生成单元，用于根据所述第一卷积层图像、所述第二卷积层图像、所述第一池化层图像、所述第二池化层图像生成全连接层图像；

训练单元，用于根据所述第一卷积层图像、所述第二卷积层图像、所述第一池化层图像、所述第二池化层图像、所述全连接层图像得到卷积神经网络模型。

9.根据权利要求8所述的装置，其特征在于，所述训练模块还包括：

优化单元，用于使用预设矩阵优化所述全连接层图像；

对应单元，用于根据所述全连接层图像确定所述车辆颜色与所述全连接层图像的对应关系。

10.根据权利要求9所述的装置，其特征在于，还包括：

第三确定模块，用于根据所述车辆的车头的颜色确定所述车辆的颜色。