CN107729812B - 一种适用于监控场景中的车辆颜色识别的方法 - Google Patents
一种适用于监控场景中的车辆颜色识别的方法 Download PDFInfo
- Publication number
- CN107729812B CN107729812B CN201710842192.4A CN201710842192A CN107729812B CN 107729812 B CN107729812 B CN 107729812B CN 201710842192 A CN201710842192 A CN 201710842192A CN 107729812 B CN107729812 B CN 107729812B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- pixel
- picture
- value
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种适用于监控场景中的车辆颜色识别方法,其主要包含了基于颜色相似性聚类的分割方法、词袋模型与HSV空间相结合形成车辆颜色特征向量的方法。首先对车辆图片进行尺寸归一化处理,利用边缘检测的方法消除玻璃窗对车身颜色特征提取的干扰,然后利用颜色相似性聚类的方法将车身部分分成多个颜色信息相差较大的像素块,对像素块中的像素个数进行归一化得到该像素块的第一个权重,利用基于欧式距离的模型为该像素块分配第二个权重。抽取各种颜色的车辆图片,利用k‑means聚类的方法生成一个特征表作为码本,利用词袋模型得出每一幅图片的颜色特征向量。最后利用分类器将该车辆的颜色分类出来。本发明具有准确率高、鲁棒性好、实用性高的优点。
Description
技术领域
本发明属于图像处理领域,是对监控视频中的车辆,基于颜色相似性分割的车辆颜色识别方法。
背景技术
随着时代的进步和经济的飞速发展,城市中车辆的数量日益增加,交通管理变得越来越困难,虽然现在有很多车辆管理系统,但是大多数只是利用车牌来对车辆进行管理,这样一旦出现车牌被遮挡、车辆套牌或者一车多牌的现象,车牌就无法作为车辆的特征,因此仅仅靠车牌对车辆进行识别不能够满足现在的需求。颜色特征作为车辆特征有不易短时间更换,容易引起人们注意的优点,这样可以弥补车牌识别的不足之处,大幅度提高交通车辆管理的智慧化程度,成为智能交通系统中的重要辅助手段。
目前,对车辆颜色识别的方法主要有两类:第一类是局部区域识别,首先利用车牌定位来找到一个能代表车身颜色的特征区域,然后对该特征区域进行识别。第二类是整体识别,这种方法是将整个图片作为车辆颜色识别区域。第一类方法和第二类方法主要涉及到的方法有K最邻近法、人工神经网络等方法。第一类方法主要是将车辆颜色识别的问题转化为车牌定位的问题,其特征区域选取的好坏直接取决于车牌定位的好坏,而且该方法比较适用于车辆由远向近行驶的情况,对于倾斜的车子车牌就很难定位准确,所以在监控视频中适用的范围有限。第二类方法目前存在的问题主要是:1.如何去除背景干扰;2.非车身部分的颜色对车辆颜色识别的影响;3.如何选取特征来表示整个车辆图像的颜色特征。针对这三个问题,我们提出了一种在监控视频中多视角的车辆颜色识别的方法。该方法对车辆颜色的分类的准确率有一定的提高。
发明内容
一种适用于监控场景中的车辆颜色识别的方法,实现步骤如下:
S1、建立清晰车辆图像样本库,将三成的样本作为测试集,七成的样本作为训练集,将训练样本分成8类颜色,分别为黑色(black)、白色(white)、灰色(grey)、红色(red)、蓝色(blue)、绿色(green)、黄色(yellow)和浅蓝色(cyan);
S2、输入要识别的车辆图片,先对原图像进行尺寸归一化和对比度增强操作,将车辆图片分成两大类,一类为正对着摄像头的车辆,另一类为斜对着摄像头的车辆,根据车辆相对于摄像头的位置来选择去除前后挡风玻璃、侧面车窗和背景的方法,然后利用边缘检测的方法对图像边缘进行检测,如果车辆正对摄像头则利用水平Sobel算子进行检测,如果车辆斜对摄像头则利用倾斜Sobel算子进行检测;
S3、在Lab颜色空间中用颜色相似性聚类的方法对已去除前后挡风玻璃和侧面车窗的车辆图片进行分割,将图片分割成多个颜色信息相差较大的像素块,而每个相素块内的像素值都是相似的;
S4、对每个像素块在HSV颜色空间中进行奇异值SVD分解,得到对角矩阵中对角元素最大的行所对应的HSV值,将该HSV值作为该像素块的HSV标签值;
S5、为每个像素块分配权重,首先将一幅图片的像素块中像素的个数进行归一化处理,将归一化的值作为每个像素块的第一个权重值,分别对已去除前后挡风玻璃和侧面车窗图片的两个部分建立基于欧式距离的权重分配模型,以此得到像素块的第二个权重值;
S6、随机挑选N幅图片,分别对这N幅图片进行S3步骤的分割得到M个像素块,将M个像素块利用S4步骤的HSV标签值表示,利用k-means算法将分割的块进行聚类,得到K个聚类中心,以这K个中心为码本,得到每个图片的K维的直方图特征向量,利用SVM分类器进行分类。
所述步骤S1,其具体为:
人工选取车身部分的一个区域,求选取的区域中的所有像素在HSV空间域中的均值,利用预先设定的HSV空间阈值对该均值进行判断,具体如下:
根据公式(1)计算出选取的区域HSV的均值,利用公式(2)得到该车辆的颜色类别,其中集合B为
{black,white,grey,red,yellow,green,blue,cyan}八种颜色的标签。
所述步骤S2中前后挡风玻璃和侧面车窗及背景的去除,其具体为:
S21、对要识别的车辆图片进行尺寸归一化处理;
S22、对车辆图片进行对比度增强操作:
S23、利用形态学运算先初步将背景和车子分离;
S24、对已去除背景、尺寸归一化和对比度增强的目标车辆图像,根据车辆相对于摄像头的位置来确定进行边缘检测的方法,本方法将车辆的位置分为两种,一种为正对摄像头、另一种为斜对摄像头,如果车辆位置为正对摄像头,则对车辆图片采用水平Sobel算子边缘检测,如果车辆位置为斜对摄像头,则对车辆图片采用斜对角Sobel算子边缘检测;
S25、对这幅图片进行扫描,根据已检测边缘的车辆图片的位置情况分两种情况,如果是第一种位置则找到水平线最长的两根线,分别为前挡风玻璃的上边界线和下边界线;如果是第二种位置则找到四条斜边界线,分别为前后挡风玻璃和侧面车窗的上边界线和下边界线,根据这几条边界线的位置确定出前后挡风玻璃和侧面车窗的位置,以此来达到去除前后挡风玻璃和侧面车窗的目的;
所述步骤S3中相似性颜色聚合的方法,其具体为:
S31、将图像从RGB颜色空间转换到Lab颜色空间,将每个像素的(L,a,b)颜色值和(x,y)坐标组成一个5维向量(L,a,b,x,y);
S32、设生成的像素块数目为k,对拥有N个像素点的图像每隔个像素取一个聚类中心,共生成k个聚类中心,为了避免所选的聚类中心是边缘和噪声这样的不合理点,我们在3×3的窗口中将聚类中心移动到梯度最小的区域;
S33、以每个聚类中心的周围2Δ×2Δ为搜索空间,为其选择个与中心最接近的点即为属于该搜索中心的类的点,第i个像素点(Li,ai,bi,xi,yi)到中心(Lk,ak,bk,xk,yk)的欧式距离公式如下:
其中为了避免图片尺寸对DΔ的影响过大,所以对(x,y)进行了归一化处理;m是用来调整dxy的权值;
S34、当所有的像素点都归类完毕后,利用公式(7)计算K个像素块的所有像素点的平均向量值:
所述步骤S4中SVD求取的方法,其具体为:
S41、将每个像素块用一个n×3的矩阵A表示,其中n为该像素块的像素点的个数,每一行对应为该像素点的H、S、V的值,然后利用SVD分解可以将矩阵A分解成如下形式:
A=U×∑×WT (8)
其中U是一个n×r的矩阵,Σ是一个r×r的对角方阵(r≤n),除对角元素外其它均为0,WT是一个r×3的矩阵,选取Σ中对角元素最大的值所在行(Line),然后在WT矩阵中选取该行(Line)对应的三个值作为该像素块的HSV标签值。
根据前面所述的监控视频中基于颜色相似性聚类分割方法的车辆颜色识别方法,其特征在于,所述步骤S5中权重分配的方法,其具体为:
S51、设图像被分为M个像素块,第i个像素块中像素点的个数可以表示为numi,即该图像的每个像素块像素点个数可以用集合E={num1,num2,……,numM}来表示,利用公式(9)对numi进行归一化:
S52、将去除前后挡风玻璃和侧面车窗后车辆图像后的两个部分设为p1和p2,将p1和p2的中心像素块的中心坐标设为(x1,y1)和(x2,y2),利用公式(10)计算p1和p2中每个像素块的中心坐标(xi,yi)到各自中心坐标的距离:
其中wi即为第二个权重值。
所述步骤S6中每个图像的特征求取的方法,其具体为:
S61、随机挑选N个图片,分别对这N个图片进行S3步骤的分割得到M个像素块将M个像素块的HSV标签值表示为集合I为{x1,x2,……xM},其中xi为向量(Hi,Si,Vi);
S62、利用k-means算法将集合I聚类,首先随机选取K个聚类中心,中心质点记为{μ1,μ2,……,μK},对集合I中的M个元素利用公式(11)计算其应该属于的类:
对于每一个类j,重新计算该类的质心:
有益效果
1.本专利提出的方法是针对整个车辆图片进行的特征提取方法,所以提取的区域信息要比先定位车牌再提取颜色区域的方法更稳定。
2.相对于那些仅仅利用颜色空间信息根据距离值来判断车辆颜色的方法,该方法利用了添加了两个权重值并利用机器学习的方法,鲁棒性更高,准确率更高。
3.本方法的添加了对斜对着摄像头的车辆进行颜色识别的方法,比仅仅只识别正对摄像头的颜色识别方法应对的情况更复杂。
附图说明
图1为监控视频中车辆颜色识别流程图。
具体实施方式
以下结合附图进一步说明本发明技术方案。图1为监控视频中车辆颜色识别流程图。
方案如下:
S1、建立清晰车辆图像样本库,将三成的样本作为测试集,七成的样本作为训练集,将训练样本分成8类颜色,分别为黑色(black)、白色(white)、灰色(grey)、红色(red)、蓝色(blue)、绿色(green)、黄色(yellow)和浅蓝色(cyan);
S2、输入要识别的车辆图片,先对原图像进行尺寸归一化和对比度增强操作,将车辆图片分成两大类,一类为正对着摄像头的车辆,另一类为斜对着摄像头的车辆,根据车辆相对于摄像头的位置来选择去除前后挡风玻璃、侧面车窗和背景的方法,然后利用边缘检测的方法对图像边缘进行检测,如果车辆正对摄像头则利用水平Sobel算子进行检测,如果车辆斜对摄像头则利用倾斜Sobel算子进行检测;
S3、在Lab颜色空间中用颜色相似性聚类的方法对已去除前后挡风玻璃和侧面车窗的车辆图片进行分割,将图片分割成多个颜色信息相差较大的像素块,而每个相素块内的像素值都是相似的;
S4、对每个像素块在HSV颜色空间中进行奇异值SVD分解,得到对角矩阵中对角元素最大的行所对应的HSV值,将该HSV值作为该像素块的HSV标签值;
S5、为每个像素块分配权重,首先将一幅图片的像素块中像素的个数进行归一化处理,将归一化的值作为每个像素块的第一个权重值,分别对已去除前后挡风玻璃和侧面车窗图片的两个部分建立基于欧式距离的权重分配模型,以此得到像素块的第二个权重值;
S6、随机挑选N幅图片,分别对这N幅图片进行S3步骤的分割得到M个像素块,将M个像素块利用S4步骤的HSV标签值表示,利用k-means算法将分割的块进行聚类,得到K个聚类中心,以这K个中心为码本,得到每个图片的K维的直方图特征向量,利用SVM分类器进行分类。
所述步骤S1中的方法,其具体为:
人工选取车身部分的一个区域,求选取的区域中的所有像素在HSV空间域中的均值,利用预先设定的HSV空间阈值对该均值进行判断,具体如下:
根据公式(13)计算出选取的区域HSV的均值,利用公式(14)得到该车辆的颜色类别,其中集合B为
{black,white,grey,red,yellow,green,blue,cyan}八种颜色的标签。
所述步骤S2中的方法,其具体为:
S21、对要识别的车辆图片进行尺寸归一化处理,将所有的图片尺寸归一为300×300的图像;
S22、对车辆图片进行对比度增强操作:
S23、利用形态学运算先初步将背景和车子分离;
S24、对已尺寸归一化和对比度增强的目标车辆图像,根据车辆相对于摄像头的位置来确定进行边缘检测的方法,本方法将车辆的位置分为两种,一种为正对摄像头、另一种为斜对摄像头、如果车辆位置为正对摄像头,则对车辆图片采用水平Sobel算子边缘检测,如果车辆位置为斜对摄像头,则对车辆图片采用斜对角Sobel算子边缘检测;
S25、根据已检测边缘的车辆图片的位置情况分两种情况,如果是第一种位置则找到水平线最长的两根线,分别为前挡风玻璃的上边界线和下边界线;如果是第二种位置则找到四条斜边界线,分别为前后挡风玻璃和侧面车窗的上边界线和下边界线,根据这几条边界线的位置确定出前后挡风玻璃和侧面车窗的位置,以此来达到去除前后挡风玻璃和侧面车窗的目的;
所述步骤S3中颜色相似性聚合的方法,其具体为:
S31、将图像从RGB颜色空间转换到Lab颜色空间,将每个像素的(L,a,b)颜色值和(x,y)坐标组成一个5维向量(L,a,b,x,y);
S32、设生成的像素块数目为k=255,对拥有N=90000个像素点的图像每隔个像素取一个聚类中心,共生成k个聚类中心,为了避免所选的聚类中心是边缘和噪声这样的不合理点,我们在3×3的窗口中将聚类中心移动到梯度最小的区域;
S33、以每个聚类中心的周围2Δ×2Δ=40×40为搜索空间,为其选择 个与中心最接近的点即为属于该搜索中心的类的点,第i个像素点(Li,ai,bi,xi,yi)到中心(Lk,ak,bk,xk,yk)的欧式距离公式如下:
其中为了避免图片尺寸对DΔ的影响过大,所以对(x,y)进行了归一化处理;m是用来调整dxy的权值,一般为10;
S34、当所有的像素点都归类完毕后,利用公式(19)计算K个像素块的所有像素点的平均向量值:
所述步骤S5中权重分配的方法,其具体为:
S51、将每个像素块用一个n×3的矩阵A表示,其中n为该像素块的像素点的个数,每一行对应为该像素点的H、S、V的值,然后利用SVD分解可以将矩阵A分解成如下形式:
A=U×∑×WT (20)其中U是一个n×r的矩阵,Σ是一个r×r的对角方阵(r≤n),除对角元素外其它均为0,WT是一个r×3的矩阵。选取Σ中对角元素最大的值所在行(Line),然后在WT矩阵中选取该行(Line)对应的三个值作为该像素块的HSV标签值。
所述步骤S5中权重分配的方法,其具体为:
S51、设图像被分为M个像素块,第i个像素块中像素点的个数可以表示为numi,即该图像的每个像素块像素点个数可以用集合E={num1,num2,……,numM}来表示,利用公式(19)对numi进行归一化:
S52、将去除前后挡风玻璃和侧面车窗后车辆图像后的两个部分设为p1和p2,将p1和p2的中心像素块的中心坐标设为(x1,y1)和(x2,y2),利用公式(22)计算p1和p2中每个像素块的中心坐标(xi,yi)到各自中心坐标的距离:
其中wi即为第二个权重值。
所述步骤S6中每个图像的特征求取的方法,其具体为:
S61、随机挑选N=1000个图片,分别对这N个图片进行S3步骤的分割得到M个像素块将M个像素块的HSV标签值表示为集合I为{x1,x2,……xM},其中xi为向量(Hi,Si,Vi);
S62、利用k-means算法将集合I聚类,首先随机选取K=2000个聚类中心,中心质点记为{μ1,μ2,……,μK},对集合I中的M个元素利用公式(23)计算其应该属于的类:
对于每一个类j,重新计算该类的质心:
Claims (7)
1.一种适用于监控场景中的车辆颜色识别的方法,其特征在于,实现步骤如下:
S1、建立清晰车辆图像样本库,将三成的样本作为测试集,七成的样本作为训练集,将训练样本分成8类颜色,分别为黑色black、白色white、灰色grey、红色red、蓝色blue、绿色green、黄色yellow和浅蓝色cyan;
S2、输入要识别的车辆图片,先对原图像进行尺寸归一化和对比度增强操作,将车辆图片分成两大类,一类为正对着摄像头的车辆,另一类为斜对着摄像头的车辆,根据车辆相对于摄像头的位置来选择去除前后挡风玻璃、侧面车窗和背景的方法,然后利用边缘检测的方法对图像边缘进行检测,如果车辆正对摄像头则利用水平Sobel算子进行检测,如果车辆斜对摄像头则利用倾斜Sobel算子进行检测;
S3、在Lab颜色空间中用颜色相似性聚类的方法对已去除前后挡风玻璃和侧面车窗的车辆图片进行分割,将图片分割成多个颜色信息相差较大的像素块,而每个相素块内的像素值都是相似的;
S4、对每个像素块在HSV颜色空间中进行奇异值SVD分解,得到对角矩阵中对角元素最大的值所在行的HSV值,将该HSV值作为该像素块的HSV标签值;
S5、为每个像素块分配权重,首先将一幅图片的像素块中像素的个数进行归一化处理,将归一化的值作为每个像素块的第一个权重值,分别对已去除前后挡风玻璃和侧面车窗图片的两个部分建立基于欧式距离的权重分配模型,以此得到像素块的第二个权重值;
S6、随机挑选N幅图片,分别对这N幅图片进行S3步骤的分割得到M个像素块,将M个像素块利用S4步骤的HSV标签值表示,利用k-means算法将分割的块进行聚类,得到K个聚类中心,以这K个中心为码本,得到每个图片的K维的直方图特征向量,利用SVM分类器进行分类。
3.如权利要求1所述的方法,其特征在于,所述步骤S2中前后挡风玻璃和侧面车窗及背景的去除,具体为:
S21、对要识别的车辆图片进行尺寸归一化处理;
S22、对车辆图片进行对比度增强操作:
S23、利用形态学运算先初步将背景和车子分离;
S24、对已去除背景、尺寸归一化和对比度增强的目标车辆图像,根据车辆相对于摄像头的位置来确定进行边缘检测的方法,本方法将车辆的位置分为两种,一种为正对摄像头、另一种为斜对摄像头,如果车辆位置为正对摄像头,则对车辆图片采用水平Sobel算子边缘检测,如果车辆位置为斜对摄像头,则对车辆图片采用斜对角Sobel算子边缘检测;
S25、对这幅图片进行扫描,根据已检测边缘的车辆图片的位置情况分两种情况,如果是第一种位置则找到水平线最长的两根线,分别为前挡风玻璃的上边界线和下边界线;如果是第二种位置则找到四条斜边界线,分别为前后挡风玻璃和侧面车窗的上边界线和下边界线,根据这几条边界线的位置确定出前后挡风玻璃和侧面车窗的位置,以此来达到去除前后挡风玻璃和侧面车窗的目的。
4.如权利要求1所述的方法,其特征在于,所述步骤S3中相似性颜色聚合的方法,具体为:
S31、将图像从RGB颜色空间转换到Lab颜色空间,将每个像素的(L,a,b)颜色值和(x,y)坐标组成一个5维向量(L,a,b,x,y);
S32、设生成的像素块数目为k,对拥有N个像素点的图像每隔个像素取一个聚类中心,共生成k个聚类中心,为了避免所选的聚类中心是边缘和噪声这样的不合理点,我们在3×3的窗口中将聚类中心移动到梯度最小的区域;
S33、以每个聚类中心的周围2Δ×2Δ为搜索空间,为其选择个与中心最接近的点即为属于该搜索中心的类的点,第i个像素点(Li,ai,bi,xi,yi)到中心(Lk,ak,bk,xk,yk)的欧式距离公式如下:
其中为了避免图片尺寸对DΔ的影响过大,所以对(x,y)进行了归一化处理;m是用来调整dxy的权值;
S34、当所有的像素点都归类完毕后,利用公式(31)计算K个像素块的所有像素点的平均向量值:
5.如权利要求1所述的方法,其特征在于,所述步骤S4中SVD求取的方法,具体为:
S41、将每个像素块用一个n×3的矩阵A表示,其中n为该像素块的像素点的个数,每一行对应为该像素点的H、S、V的值,然后利用SVD分解可以将矩阵A分解成如下形式:
A=U×∑×WT (32)
其中U是一个n×r的矩阵,Σ是一个r×r的对角方阵, r≤n,除对角元素外其它均为0,WT是一个r×3的矩阵, 选取Σ中对角元素最大的值所在行(Line),然后在WT矩阵中选取该行(Line)对应的三个值作为该像素块的HSV标签值。
6.如权利要求1所述的方法,其特征在于,所述步骤S5中权重分配的方法,具体为:
S51、设图像被分为M个像素块,第i个像素块中像素点的个数可以表示为numi,即该图像的每个像素块像素点个数可以用集合E={num1,num2,……,numM}来表示,利用公式(33)对numi进行归一化:
S52、将去除前后挡风玻璃和侧面车窗后车辆图像后的两个部分设为p1和p2,将p1和p2的中心像素块的中心坐标设为(x1,y1)和(x2,y2),利用公式(34)计算p1和p2中每个像素块的中心坐标(xi,yi)到各自中心坐标的距离:
其中wi即为第二个权重值。
7.如权利要求1所述的方法,其特征在于,所述步骤S6中每个图像的特征求取的方法,具体为:
S61、随机挑选N个图片,分别对这N个图片进行S3步骤的分割得到M个像素块将M个像素块的HSV标签值表示为集合I为{x1,x2,……xM},其中xi为向量(Hi,Si,Vi);
S62、利用k-means算法将集合I聚类,首先随机选取K个聚类中心,中心质点记为{μ1,μ2,……,μK},对集合I中的M个元素利用公式(35)计算其应该属于的类:
对于每一个类j,重新计算该类的质心:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710842192.4A CN107729812B (zh) | 2017-09-18 | 2017-09-18 | 一种适用于监控场景中的车辆颜色识别的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710842192.4A CN107729812B (zh) | 2017-09-18 | 2017-09-18 | 一种适用于监控场景中的车辆颜色识别的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107729812A CN107729812A (zh) | 2018-02-23 |
CN107729812B true CN107729812B (zh) | 2021-06-25 |
Family
ID=61206674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710842192.4A Active CN107729812B (zh) | 2017-09-18 | 2017-09-18 | 一种适用于监控场景中的车辆颜色识别的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107729812B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110654237B (zh) * | 2018-06-29 | 2022-02-08 | 比亚迪股份有限公司 | 车体图标显示方法、装置、车辆和存储介质 |
CN109190639A (zh) * | 2018-08-16 | 2019-01-11 | 新智数字科技有限公司 | 一种车辆颜色识别方法、装置及系统 |
CN109165659B (zh) * | 2018-08-29 | 2021-09-14 | 浙江工业大学 | 一种基于超像素分割的车辆颜色识别方法 |
CN109359678B (zh) * | 2018-10-09 | 2022-08-30 | 四川轻化工大学 | 一种白酒图谱的高精度分类识别算法 |
CN109741406A (zh) * | 2019-01-03 | 2019-05-10 | 广州广电银通金融电子科技有限公司 | 一种监控场景下的车身颜色识别方法 |
CN110555464A (zh) * | 2019-08-06 | 2019-12-10 | 高新兴科技集团股份有限公司 | 一种基于深度学习模型的车辆颜色识别方法 |
CN114463570A (zh) * | 2021-12-14 | 2022-05-10 | 江苏航天大为科技股份有限公司 | 一种基于聚类算法的车辆检测方法 |
CN114579790B (zh) * | 2022-03-08 | 2024-04-16 | 山东大学 | 一种激光彩色打标参数的确定方法 |
Citations (8)
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 |
CN101635091A (zh) * | 2008-07-23 | 2010-01-27 | 上海弘视通信技术有限公司 | 一种车辆检测及颜色识别装置 |
CN102184413A (zh) * | 2011-05-16 | 2011-09-14 | 浙江大华技术股份有限公司 | 车辆智能监控系统中车身颜色自动识别方法 |
CN103996041A (zh) * | 2014-05-15 | 2014-08-20 | 武汉睿智视讯科技有限公司 | 一种基于匹配的车辆颜色识别方法和系统 |
CN105160691A (zh) * | 2015-08-29 | 2015-12-16 | 电子科技大学 | 基于颜色直方图的车身颜色识别方法 |
CN105184299A (zh) * | 2015-08-29 | 2015-12-23 | 电子科技大学 | 基于局部约束线性编码的车身颜色识别方法 |
CN105354599A (zh) * | 2015-11-25 | 2016-02-24 | 安徽创世科技有限公司 | 一种基于改进的slic超像素分割算法的颜色识别方法 |
CN106529586A (zh) * | 2016-10-25 | 2017-03-22 | 天津大学 | 基于补充文本特征的图像分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017102671A (ja) * | 2015-12-01 | 2017-06-08 | キヤノン株式会社 | 識別装置、調整装置、情報処理方法及びプログラム |
-
2017
- 2017-09-18 CN CN201710842192.4A patent/CN107729812B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101635091A (zh) * | 2008-07-23 | 2010-01-27 | 上海弘视通信技术有限公司 | 一种车辆检测及颜色识别装置 |
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 |
CN102184413A (zh) * | 2011-05-16 | 2011-09-14 | 浙江大华技术股份有限公司 | 车辆智能监控系统中车身颜色自动识别方法 |
CN103996041A (zh) * | 2014-05-15 | 2014-08-20 | 武汉睿智视讯科技有限公司 | 一种基于匹配的车辆颜色识别方法和系统 |
CN105160691A (zh) * | 2015-08-29 | 2015-12-16 | 电子科技大学 | 基于颜色直方图的车身颜色识别方法 |
CN105184299A (zh) * | 2015-08-29 | 2015-12-23 | 电子科技大学 | 基于局部约束线性编码的车身颜色识别方法 |
CN105354599A (zh) * | 2015-11-25 | 2016-02-24 | 安徽创世科技有限公司 | 一种基于改进的slic超像素分割算法的颜色识别方法 |
CN106529586A (zh) * | 2016-10-25 | 2017-03-22 | 天津大学 | 基于补充文本特征的图像分类方法 |
Non-Patent Citations (6)
Title |
---|
Bag-of-Words and Object-Based Classification for Cloud Extraction From Satellite Imagery;Yi Yuan et al;《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》;20150831;第8卷(第8期);第4197-4205页 * |
Color based vehicle classification in surveillance videos;Şafak Öztürk et al;《2016 24th Signal Processing and Communication Application Conference (SIU)》;20160519;第1-4页 * |
PLSA-based sparse representation for vehicle color classification;Ssu-Ying Wang et al;《 2015 12th IEEE International Conference on Advanced Video and Signal Based Surveillance (AVSS)》;20150828;第1-6页 * |
SLIC Superpixels Compared to State-of-the-Art Superpixel Methods;Radhakrishna Achanta et al;《 IEEE Transactions on Pattern Analysis and Machine Intelligence》;20121130;第34卷(第11期);第2274-2281页 * |
一种高效的车辆颜色识别方法;肖驰;《现代计算机(专业版)》;20170630;第71-75页 * |
车辆颜色识别方法研究;赵红波等;《电视技术》;20131231;第37卷(第23期);第207-209页及第233页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107729812A (zh) | 2018-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107729812B (zh) | 一种适用于监控场景中的车辆颜色识别的方法 | |
CN109101924B (zh) | 一种基于机器学习的路面交通标志识别方法 | |
CN108108761B (zh) | 一种基于深度特征学习的快速交通信号灯检测方法 | |
CN106651872B (zh) | 基于Prewitt算子的路面裂缝识别方法及系统 | |
CN107610114B (zh) | 基于支持向量机的光学卫星遥感影像云雪雾检测方法 | |
CN109918971B (zh) | 监控视频中人数检测方法及装置 | |
Peng et al. | Vehicle type classification using PCA with self-clustering | |
CN110706235B (zh) | 一种基于双级级联分割的远红外行人检测方法 | |
CN109255326B (zh) | 一种基于多维信息特征融合的交通场景烟雾智能检测方法 | |
CN109598681B (zh) | 一种对称唐卡修复后图像的无参考质量评价方法 | |
CN109145964B (zh) | 一种实现图像颜色聚类的方法和系统 | |
CN105354533B (zh) | 一种基于词袋模型的卡口无牌车辆车型识别方法 | |
CN107315990B (zh) | 一种基于xcs-lbp特征的行人检测算法 | |
CN105139011B (zh) | 一种基于标识物图像的车辆识别方法及装置 | |
Chourasia et al. | Centroid based detection algorithm for hybrid traffic sign recognition system | |
CN112464731B (zh) | 一种基于图像处理的交通标志检测识别方法 | |
CN112733914B (zh) | 一种基于支持向量机的水下目标视觉识别分类方法 | |
CN106529461A (zh) | 一种基于积分特征通道和svm训练器的车型识别算法 | |
CN112686248B (zh) | 证件增减类别检测方法、装置、可读存储介质和终端 | |
CN107590500A (zh) | 一种基于色彩投影分类的车牌颜色识别方法及装置 | |
Do et al. | Speed limit traffic sign detection and recognition based on support vector machines | |
Sanyal et al. | Traffic sign recognition: A survey | |
CN110689003A (zh) | 低照度成像车牌识别方法、系统、计算机设备及存储介质 | |
Mammeri et al. | North-American speed limit sign detection and recognition for smart cars | |
CN111274964B (zh) | 一种基于无人机视觉显著性分析水面污染物的检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |