CN107358242B - 目标区域颜色识别方法、装置及监控终端 - Google Patents

Abstract

本发明实施例提供一种目标区域颜色识别方法、装置及监控终端。该方法包括：获得待识别图像；采用区域分割模型对所述待识别图像进行图像分割，得到所述待识别图像中的目标区域；生成多个随机框，并计算所述目标区域在每个随机框中的占比；根据计算出的所述目标区域在每个随机框中的占比，选取占比最大的随机框作为待识别区域；采用颜色分类模型对所述待识别区域进行颜色识别，输出颜色识别结果。本发明能够简单快速地识别行人目标区域颜色，可以有效提高行人目标区域颜色的识别精度，为行人检索和跟踪提供有用信息。

Description

目标区域颜色识别方法、装置及监控终端

技术领域

本发明涉及颜色识别领域，具体而言，涉及一种目标区域颜色识别方法、装置及监控终端。

背景技术

在公安刑侦追踪嫌疑人事件中，嫌疑人的衣服颜色是一项重要信息，为抓捕嫌疑人提供有效线索。为了保证高效性，需较快地识别出行人目标区域(例如，衣服)的颜色。然而目前针对行人目标区域的颜色识别技术存在计算复杂度高、对行人目标区域(例如，上半身区域)定位困难、容易受到背景的干扰等缺陷，识别精度低。

发明内容

为了克服现有技术中的上述不足，本发明的目的在于提供一种目标区域颜色识别方法、装置及监控终端，能够简单快速地识别行人目标区域颜色，可以有效提高行人目标区域颜色的识别精度，为行人检索和跟踪提供有用信息。

为了实现上述目的，本发明较佳实施例采用的技术方案如下：

本发明较佳实施例提供一种目标区域颜色识别方法，应用于监控终端。所述监控终端配置有用于分割出图像中目标区域的区域分割模型以及用于识别颜色的颜色分类模型。其中，所述区域分割模型中存储有多个样本中的目标区域。所述方法包括：

获得待识别图像；

采用所述区域分割模型对所述待识别图像进行图像分割，得到所述待识别图像中的目标区域；

生成多个随机框，并计算所述目标区域在每个随机框中的占比；

根据计算出的所述目标区域在每个随机框中的占比，选取所述占比最大的随机框作为待识别区域；

采用所述颜色分类模型对所述待识别区域进行颜色识别，输出颜色识别结果。

在本发明较佳实施例中，所述方法还包括：

采用全卷积网络训练所述区域分割模型。

在本发明较佳实施例中，所述方法还包括：

选取用于训练所述区域分割模型的训练样本，其中，所述训练样本包括有所述目标区域，所述目标区域不包括干扰区域。

在本发明较佳实施例中，所述方法还包括：

采用卷积神经网络训练所述颜色分类模型。

在本发明较佳实施例中，所述方法还包括：

基于预设规则选取用于训练所述颜色分类模型的颜色训练样本，其中，所述颜色训练样本包括稀有颜色样本。

在本发明较佳实施例中，所述基于预设规则选取用于训练所述颜色分类模型的训练样本的步骤，包括：

接收输入的颜色训练样本，其中，所述颜色训练样本包括多个预设场景的样本图像，所述样本图像中包括有预定区域；

选取在各个颜色训练样本的预定区域中出现次数小于预设阈值的颜色种类所在的区域作为稀有颜色区域；

从所述稀有颜色区域中选取稀有颜色样本。

在本发明较佳实施例中，所述从所述稀有颜色区域中选取稀有颜色样本的方式包括：

在所述稀有颜色区域中生成多个预定框，其中，所述预定框之间存在重叠区域；

将所述预定框对应的颜色区域作为所述稀有颜色样本。

在本发明较佳实施例中，所述生成多个随机框，计算所述目标区域在每个随机框中的占比的步骤，包括：

在所述目标区域随机生成预设数量的像素点位置，并以每个像素点位置为中心生成预设尺寸的随机框；

统计所述目标区域在每个随机框中的占比。

本发明较佳实施例还提供一种目标区域颜色识别装置，应用于监控终端。所述监控终端配置有用于分割出图像中目标区域的区域分割模型以及用于识别颜色的颜色分类模型。其中，所述区域分割模型中存储有多个样本中的目标区域。所述装置包括：

获得模块，用于获得待识别图像；

分割模块，用于采用所述区域分割模型对所述待识别图像进行图像分割，得到所述待识别图像中的目标区域；

生成模块，用于生成多个随机框，并计算所述目标区域在每个随机框中的占比；

选取模块，用于根据计算出的所述目标区域在每个随机框中的占比，选取占比最大的随机框作为待识别区域；

识别模块，用于采用所述颜色分类模型对所述待识别区域进行颜色识别，输出颜色识别结果。

本发明较佳实施例还提供一种监控终端，所述监控终端包括：

存储器；

处理器；以及

目标区域颜色识别装置，所述装置安装于所述存储器中并包括一个或多个由所述处理器执行的软件功能模块，所述装置包括：

获得模块，用于获得待识别图像；

分割模块，用于采用区域分割模型对所述待识别图像进行图像分割，得到所述待识别图像中的目标区域；

生成模块，用于生成多个随机框，并计算所述目标区域在每个随机框中的占比；

选取模块，用于根据计算出的所述目标区域在每个随机框中的占比，选取占比最大的随机框作为待识别区域；

识别模块，用于采用颜色分类模型对所述待识别区域进行颜色识别，输出颜色识别结果。

相对于现有技术而言，本发明具有以下有益效果：

本发明实施例提供的目标区域颜色识别方法、装置及监控终端。该方法包括：获得待识别图像；采用区域分割模型对所述待识别图像进行图像分割，得到所述待识别图像中的目标区域；生成多个随机框，并计算所述目标区域在每个随机框中的占比；根据计算出的所述目标区域在每个随机框中的占比，选取占比最大的随机框作为待识别区域；采用颜色分类模型对所述待识别区域进行颜色识别，输出颜色识别结果。基于上述设计，本发明提供的技术方案能够简单快速地识别行人目标区域颜色，可以有效提高行人目标区域颜色的识别精度，为行人检索和跟踪提供有用信息。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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它相关的附图。

图1为本发明较佳实施例提供的监控终端的一种方框示意图；

图2为本发明较佳实施例提供的目标区域颜色识别方法的一种流程示意图；

图3为图2中所示的步骤S230包括的各个子步骤的一种流程示意图；

图4为本发明较佳实施例提供的目标区域颜色识别方法的另一种流程示意图；

图5为图4中所示的步骤S201包括的各个子步骤的一种流程示意图；

图6为本发明较佳实施例提供的目标区域颜色识别装置的一种功能模块图。

图标：100-监控终端；110-存储器；120-处理器；130-通信单元；140-存储控制器；200-目标区域颜色识别装置；210-获得模块；220-分割模块；230-生成模块；240-选取模块；250-识别模块。

具体实施方式

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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

下面结合附图，对本发明的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。

请参阅图1，为本发明较佳实施例提供的监控终端100的方框示意图。本发明实施例中，所述监控终端100可以应用于各类监控系统，例如安防监控系统，道路监控系统等，本实施例对此不作具体限制。

如图1所示，所述监控终端100可以包括存储器110、处理器120、通信单元130以及存储控制器140。所述存储器110、处理器120、通信单元130以及存储控制器140相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器110中存储有目标区域颜色识别装置200，所述目标区域颜色识别装置200包括至少一个可以软件或固件(Firmware)的形式存储于所述存储器110中的软件功能模块，所述处理器120通过运行存储在存储器110内的软件程序以及模块，如本发明实施例中的目标区域颜色识别装置200，从而执行各种功能应用以及数据处理，即实现本发明实施例中的目标区域颜色识别方法。

其中，所述存储器110可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其它非易失性固态存储器。在一些实例中，存储器110可进一步包括相对于处理器120远程设置的远程存储器，这些远程存储器可以通过网络连接至所述监控终端100。其中，存储器110用于存储程序，所述处理器120在接收到执行指令后，执行所述程序。进一步地，通信单元130将各种输入/输入装置耦合至处理器120以及存储器110，上述存储器110内的软件程序以及模块还可包括操作系统，其可包括各种用于管理系统任务(例如内存管理、存储设备控制、电源管理等)的软件组件和/或驱动，并可与各种硬件或软件组件相互通讯，从而提供其它软件组件的运行环境。

所述处理器120可以是一种集成电路芯片，具有信号的处理能力。上述的处理器120可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等。还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器120也可以是任何常规的处理器等。

可以理解，图1所示的结构仅为示意，所述监控终端100还可以包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。

本实施例中，所述监控终端100配置有用于分割出图像中目标区域的区域分割模型以及用于识别颜色的颜色分类模型，其中，所述区域分割模型中存储有多个样本中的目标区域。所述目标区域可以根据实际设计需求进行选择，例如，在公安刑侦追踪嫌疑人事件中，嫌疑人的衣服颜色是一项重要信息，可以为抓捕嫌疑人提供有效线索，那么作为优选，所述目标区域可以为人体上半身区域。

请参阅图2，为本发明较佳实施例提供的目标区域颜色识别方法的一种流程示意图，所述方法由图1所示的监控终端100执行。所应说明的是，本发明实施例提供的方法不以图2及以下所述的具体顺序为限制。所述方法的具体流程如下：

步骤S210，获得待识别图像。

本实施例中，所述监控终端100可以通过多种方式获得所述待识别图像，例如通过图像采集装置直接拍摄获取，也可以通过所述通信单元130接收外部终端(例如服务器)发送的图像，甚至还可以是直接调用本地存储的图像，本实施例对所述待识别图像的获得方式不作具体限制。

所述待识别图像为包括有目标区域的图像，以所述目标区域为人体上半身所在区域为例，所述待识别图像为包括有人体上半身区域的图像。

下面以所述目标区域为人体上半身区域为示例对本实施例的技术方案进行阐述。

步骤S220，采用所述区域分割模型对所述待识别图像进行图像分割，得到所述待识别图像中的目标区域。

本实施例中，所述区域分割模型可以采用全卷积神经网络(Fully ConvolutionalNetworks，FCN)预先进行训练，由于全卷机网络没有全连接层，因此模型参数较少，计算复杂度低。

作为一种实施方式，所述区域分割模型的训练过程可以是，首先，选取用于训练所述区域分割模型的训练样本，所述训练样本包括有所述上半身区域，所述上半身区域不包括干扰区域。然后对包括有人体上半身所在区域的训练样本进行标注，即针对样本图像的每个像素点是否属于上半身区域进行标注，最后将所述训练样本转换为包括上半身区域和非上半身区域的二值图，将所述二值图输入全卷积神经网络进行训练，以得到所述区域分割模型。需要注意的是，为了避免出现目标区域被某些干扰因素(例如，背包、手臂等)遮挡的情况，造成训练样本的不准确性，本实施例通过将所述目标区域中的干扰区域取出，只标注未被遮挡的目标区域，以应对上半身区域被遮挡的情形，从而提高颜色识别的精度。

通过集合多个训练样本中的目标区域对所述区域分割模型进行训练，训练后的区域分割模型可以对所述待识别图像进行图像分割，以得到所述待识别图像中的人体上半身所在区域。

详细地，所述区域分割模型的训练过程可以是，首先，利用全卷积神经网络对所述待识别图像进行特征提取，以形成多个卷积层的特征图。然后，采用反卷积层对最后一个卷积层的特征图进行采样，以将该特征图恢复到与待识别图像相同的尺寸。

更为具体地，本实施例中，利用所述全卷积神经网络提取所述训练样本的特征，并将提取后的特征进行多次卷积，得到多个卷积层的特征图。在经过多次卷积之后，得到的图像会越来越小。为了将小尺寸的粗略图像恢复到原训练样本的图像尺寸，可以利用反卷积层对最后一个卷积层的特征图进行上采样，例如经过5次卷积以后，图像的尺寸依次缩小了2，4，8，16，32倍，因此对于最后一层的输出特征图，则需要进行32倍的上采样，才能达到与原训练样本一样的图像尺寸。

需要注意的是，由于上采样是通过反卷积(deconvolution)实现的，所以对第5层的输出(32倍放大)反卷积到原图大小，得到的结果还是不够精确，一些细节无法恢复。所以可以将第4层的输出和第3层的输出也依次反卷积，分别需要16倍和8倍上采样，最后将8倍、16倍、32倍上采样得到的图像进行图像融合，得到的图像可以更加精细。

接下来，将上述融合得到的特征图与所述训练样本图像进行比较构建损失函数，然后通过优化算法最小化损失函数，并进行反向传播得到所述区域分割模型的参数。具体地，通过对所述恢复尺寸后的特征图与待识别图像进行比较，然后对每个像素都产生一个预测，同时保留了原始输入图像中的空间信息，逐个像素计算softmax分类的损失，相当于每一个像素对应一个训练样本。

而后，在获得待识别图像时，将所述待识别图像输入至训练好的区域分割模型，从而分割出所述待识别图像中的行人上半身区域。

基于上述设计，本实施例可以有效避免由于人体上半身区域被遮挡造成的颜色识别不准确的问题，提高了颜色识别精度。

步骤S230，在所述目标区域内生成多个随机框，计算所述目标区域在每个随机框中的占比。

由于上述分割的目标区域一般为不规则区域，通常有三种方法对该不规则区域进行颜色识别，一是识别该不规则区域内的每个像素点对应的颜色，颜色最多的即为该区域的颜色，但该方法需计算每个像素点的颜色，计算复杂度高。二是计算该不规则区域的最小外接矩形，识别出该外接矩形的颜色，也即为不规则区域的颜色，但该方法的最小外接矩形可能会包含较多背景，会对后面的颜色识别造成较大干扰。若在不规则区域中生成最大内接矩形，可以有效消除背景干扰，但最大内接矩形计算复杂度高，且容易受到不规则区域大小的干扰，比如在不规则区域中存在某个噪点，会对该最大内接矩形影响较大。三是直接对分割的区域提取颜色直方图，然后放到分类器中去判别。但由于分割可能存在错误，提取的颜色直方图并不是单一的仅包含人体上半身区域区域的颜色特征，不能反映人体上半身区域区域的颜色特征，难以保证颜色识别的正确率。

基于此，本实施例提供一种快速高效的区域提取方法，详细地，作为一种实施方式，请参阅图4，所述步骤S230可以包括以下子步骤：

子步骤S231，在所述目标区域随机生成预设数量的像素点位置，并以每个像素点位置为中心生成预设尺寸的随机框。

在本具体实施例中，首先，随机选取位于所述目标区域中的位置以生成所述像素点位置，所述像素点位置数量可以根据实际设计需求进行选取，例如可以选取所述目标区域中的五十个位置作为像素点位置，然后以每个像素点位置为中心生成随机框。所述随机框的大小可以根据所述目标区域的大小进行确定，示例性地，所述随机框的大小优选为所述目标区域的最小外接矩形的三分之二大小。

本实施例中，所述随机框的形状不作具体限制，可以是圆形、椭圆形、矩形等任意形状，作为一种优选的实施方式，所述随机框可以是矩形框。

值得注意的是，所述随机框之间可以有部分重叠，例如可以在所述目标区域范围内相互重叠但又不全部重叠，从而可以根据需求任意增加随机框的数量。

子步骤S232，统计所述目标区域在每个随机框中的占比。

具体地，统计所述目标区域在每个随机框中的占比的计算公式为：

其中，ratio_k为所述目标区域在每个随机框中的占比，|W_k|为第k个随机框的大小，(i,j)为该随机框内的像素点位置，f为所述目标区域。

本实施例需要判断像素点(i,j)是否属于上半身区域，详细地，根据分割得到的所述目标区域f，若随机框内像素点(i,j)在所述目标区域中，则定义f(i,j)＝1，若不在所述目标区域中，则定义f(i,j)＝0。

请再次参阅图2，步骤S240，根据计算出的所述目标区域在每个随机框中的占比，选取占比最大的随机框作为待识别区域。

步骤S250，采用所述颜色分类模型对所述待识别区域进行颜色识别，输出颜色识别结果。

可选地，可以采用卷积神经网络(Convolutional Neural Network，CNN)预先对所述颜色分类模型进行训练。所述卷积神经网络是一种特殊的深层的神经网络模型，它的特殊性体现在两个方面，一方面它的神经元间的连接是非全连接的，另一方面同一层中某些神经元之间的连接的权重是共享的。它的非全连接和权值共享的网络结构使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值的数量。

由于在监控场景中行人衣服颜色大多数为黑白灰，而橙色，黄色，粉红等颜色相对较少，导致不同类别的样本数量相差较大，且样本收集难度大等问。鉴于此，本实施例还需要对颜色训练样本进行选取。请进一步参阅图4，所述方法还可以包括：

步骤S201，基于预设规则选取用于训练所述颜色分类模型的颜色训练样本。

作为一种实施方式，请参阅图5，所述步骤S201可以包括以下子步骤：

子步骤S201a，接收输入的颜色训练样本。

本实施例中，所述颜色训练样本的来源不作具体限制，可以是多个预设场景的样本图像，所述样本图像中包括有预定区域。其中，所述预设场景可以是监控场景，也可以是自然场景；所述预定区域为所述样本图像中人体服装(衣服、裤子等)所在区域。

子步骤S201b，选取在各个颜色训练样本的预定区域中出现次数小于预设阈值的颜色种类所在的区域作为稀有颜色区域。

具体地，所述颜色训练样本中的颜色种类可以包括黑、蓝、棕、灰、绿、橙、粉、紫、红、白、黄等。为了解决目前稀有颜色样本少的问题，本实施例还需要从各个颜色训练样本的预定区域中选取稀有颜色样本。作为一种实施方式，可以通过统计各个颜色种类在各个颜色训练样本的预定区域中出现的次数，然后将出现次数小于预设阈值的颜色种类作为稀有颜色，所述稀有颜色区域即对应于选取的稀有颜色所占的区域。

本实施例中，所述预设阈值可以根据实际的颜色训练样本的数量进行设置，本实施例对此不作具体限制。

子步骤S201c，从所述稀有颜色区域中选取稀有颜色样本。

作为一种实施方式，可以在所述稀有颜色区域中生成多个预定框，所述预定框之间可以存在部分重叠，从而可以产生多个重叠的区域，然后将所述预定框对应的颜色区域作为所述稀有颜色样本，而这些颜色区域可以来自同一张图像，且颜色区域之间可以有重叠部分。这对一些稀有颜色样本图像，如橙色，黄色，紫色等，可产生多个重叠的区域，从而可以解决稀有颜色样本数量少的问题。

在选取好颜色训练样本后，将所述颜色训练样本归一化为预设尺寸样本(例如可以归一化为80*80的样本)；接下来可以利用卷积神经网络提取所述预设尺寸样本的特征，根据提取的特征输出相应的颜色类别，并将输出的颜色类别与预先标定的颜色类别进行比对，得到输出的颜色类别与预先标定的颜色类别之间的预测误差，最后通过采用随机梯度下降法降低所述预测误差的方式训练所述卷积神经网络，得到较优网络参数的所述颜色分类模型。

上述预先标定的颜色类别可以理解为预设的标准颜色类别，通过计算输出的颜色类别与所述标准的颜色类别的预测误差，并采用随机梯度下降法不断将所述预测误差降低到最小，从而训练出较优网络参数的颜色分类模型。通过对所述颜色分类模型进行训练，将训练后的颜色分类器对所述待识别区域进行颜色识别，输出颜色识别结果。

值得注意的是，在其它实施方式中，所述颜色分类模型并不仅限于卷积神经网络训练的分类器，还可以是传统的SVM分类器或者AdaBoost分类器等。

基于上述设计，本实施例通过选取包括有稀有颜色样本的颜色训练样本，并采用卷积神经网络对颜色分类模型进行训练，训练后的颜色分类模型可以有效解决目前颜色识别技术中稀有颜色样本少的问题，提高了颜色识别的准确性。

请参阅图6，本发明较佳实施例还提供一种目标区域颜色识别装置200，所述装置安装于所述存储器110中并包括一个或多个由所述处理器120执行的软件功能模块，所述装置包括：

获得模块210，用于获得待识别图像。

分割模块220，用于采用所述区域分割模型对所述待识别图像进行图像分割，得到所述待识别图像中的目标区域，其中，所述目标区域为待识别图像中人体的上半身所在的区域。

生成模块230，用于在所述目标区域内生成多个随机框，计算所述目标区域在每个随机框中的占比。

选取模块240，用于根据计算出的所述目标区域在每个随机框中的占比，选取占比最大的随机框作为待识别区域。

识别模块250，用于采用所述颜色分类模型对所述待识别区域进行颜色识别，输出颜色识别结果。

本实施例中的各功能模块的具体操作方法可参照上述方法实施例中相应步骤的详细描述，在此不再重复赘述。

综上所述，本发明实施例提供的目标区域颜色识别方法、装置及监控终端100。方法包括：获得待识别图像；采用区域分割模型对所述待识别图像进行图像分割，得到所述待识别图像中的目标区域；生成多个随机框，并计算所述目标区域在每个随机框中的占比；根据计算出的所述目标区域在每个随机框中的占比，选取占比最大的随机框作为待识别区域；采用颜色分类模型对所述待识别区域进行颜色识别，输出颜色识别结果。基于上述设计，本发明提供的技术方案能够简单快速地识别行人目标区域颜色，可以有效提高行人目标区域颜色的识别精度，为行人检索和跟踪提供有用信息。

在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算设备(可以是个人计算机，电子设备，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。

需要说明的是，在本文中，术语"包括"、"包含"或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句"包括一个……"限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其它的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (10)

1.一种目标区域颜色识别方法，应用于监控终端，其特征在于，所述监控终端配置有用于分割出图像中目标区域的区域分割模型以及用于识别颜色的颜色分类模型，其中，所述区域分割模型中存储有多个样本中的目标区域，所述方法包括：

获得待识别图像；

采用所述区域分割模型对所述待识别图像进行图像分割，得到所述待识别图像中的目标区域；

生成多个随机框，并计算所述目标区域在每个随机框中的占比；

根据计算出的所述目标区域在每个随机框中的占比，选取所述占比最大的随机框作为待识别区域；

采用所述颜色分类模型对所述待识别区域进行颜色识别，输出颜色识别结果。

2.根据权利要求1所述的目标区域颜色识别方法，其特征在于，所述方法还包括：

采用全卷积网络训练所述区域分割模型。

3.根据权利要求1所述的目标区域颜色识别方法，其特征在于，所述方法还包括：

选取用于训练所述区域分割模型的训练样本，其中，所述训练样本包括有所述目标区域，所述目标区域不包括干扰区域。

4.根据权利要求1所述的目标区域颜色识别方法，其特征在于，所述方法还包括：

采用卷积神经网络训练所述颜色分类模型。

5.根据权利要求1-4中任意一项所述的目标区域颜色识别方法，其特征在于，所述方法还包括：

基于预设规则选取用于训练所述颜色分类模型的颜色训练样本，其中，所述颜色训练样本包括稀有颜色样本。

6.根据权利要求5所述的目标区域颜色识别方法，其特征在于，所述基于预设规则选取用于训练所述颜色分类模型的训练样本的步骤，包括：

接收输入的颜色训练样本，其中，所述颜色训练样本包括多个预设场景的样本图像，所述样本图像中包括有预定区域；

选取在各个颜色训练样本的预定区域中出现次数小于预设阈值的颜色种类所在的区域作为稀有颜色区域；

从所述稀有颜色区域中选取稀有颜色样本。

7.根据权利要求6所述的目标区域颜色识别方法，其特征在于，所述从所述稀有颜色区域中选取稀有颜色样本的方式包括：

在所述稀有颜色区域中生成多个预定框，其中，所述预定框之间存在重叠区域；

将所述预定框对应的颜色区域作为所述稀有颜色样本。

8.根据权利要求1所述的目标区域颜色识别方法，其特征在于，所述生成多个随机框，计算所述目标区域在每个随机框中的占比的步骤，包括：

在所述目标区域随机生成预设数量的像素点位置，并以每个像素点位置为中心生成预设尺寸的随机框；

统计所述目标区域在每个随机框中的占比。

9.一种目标区域颜色识别装置，应用于监控终端，其特征在于，所述监控终端配置有用于分割出图像中目标区域的区域分割模型以及用于识别颜色的颜色分类模型，其中，所述区域分割模型中存储有多个样本中的目标区域，所述装置包括：

获得模块，用于获得待识别图像；

分割模块，用于采用所述区域分割模型对所述待识别图像进行图像分割，得到所述待识别图像中的目标区域；

生成模块，用于生成多个随机框，并计算所述目标区域在每个随机框中的占比；

选取模块，用于根据计算出的所述目标区域在每个随机框中的占比，选取占比最大的随机框作为待识别区域；

识别模块，用于采用所述颜色分类模型对所述待识别区域进行颜色识别，输出颜色识别结果。

10.一种监控终端，其特征在于，所述监控终端包括：

存储器；

处理器；以及

目标区域颜色识别装置，所述装置安装于所述存储器中并包括一个或多个由所述处理器执行的软件功能模块，所述装置包括：

获得模块，用于获得待识别图像；

分割模块，用于采用区域分割模型对所述待识别图像进行图像分割，得到所述待识别图像中的目标区域；

生成模块，用于生成多个随机框，并计算所述目标区域在每个随机框中的占比；

选取模块，用于根据计算出的所述目标区域在每个随机框中的占比，选取占比最大的随机框作为待识别区域；

识别模块，用于采用颜色分类模型对所述待识别区域进行颜色识别，输出颜色识别结果。

Images