CN108563976B - 一种基于车窗位置的多方向车辆颜色识别方法 - Google Patents

一种基于车窗位置的多方向车辆颜色识别方法 Download PDF

Info

Publication number
CN108563976B
CN108563976B CN201711231999.0A CN201711231999A CN108563976B CN 108563976 B CN108563976 B CN 108563976B CN 201711231999 A CN201711231999 A CN 201711231999A CN 108563976 B CN108563976 B CN 108563976B
Authority
CN
China
Prior art keywords
color
image
vehicle
classifier
identification
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
Application number
CN201711231999.0A
Other languages
English (en)
Other versions
CN108563976A (zh
Inventor
高飞
徐云静
王孖豪
张元鸣
卢书芳
肖刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201711231999.0A priority Critical patent/CN108563976B/zh
Publication of CN108563976A publication Critical patent/CN108563976A/zh
Application granted granted Critical
Publication of CN108563976B publication Critical patent/CN108563976B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

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

本发明公开了一种基于车窗定位的多方向车辆识别方法。本发明的优点是：（1）本发明可以处理多方向车辆颜色识别问题；（2）本发明将满足颜色一致性的子区域作为最小颜色识别单元，相对于基于像素的颜色识别方法，效率更优，相对于基于完整区域的颜色识别方法，准确率更优；（3）本发明根据车窗位置，给出了车脸上的颜色识别区域和车身上的颜色识别区域，联合进行车辆颜色识别，同时本发明给出的车辆颜色判别策略，可以很好的改善强光条件下车辆颜色识别准确率。

Description

一种基于车窗位置的多方向车辆颜色识别方法
技术领域
本发明涉及数字图像处理领域，是车辆颜色识别方法，具体是一种基于车窗定位的多方向车辆识别方法。
技术背景
随着ITS的快速发展，车辆的自动识别越来越受到重视，而车辆颜色作为车辆的重要信息，对车辆识别起到重要的辅助作用，但由于受光照条件影响，车辆颜色的识别一直难以达到较高的准确率，因此目前还是学者们比较关注的一个研究点。
由于车辆整体区域较难定位，因此目前已有的车辆识别方法主要是基于车辆局部区域的方法，主要用到的识别策略有基于颜色空间量化范围的和基于特征分类器的。如胡焯源等(基于HSV颜色空间的车身颜色识别算法[J].辽宁工业大学学报,2017,37(1):10-12)选取车前脸靠近排气格栅的车盖区域作为车辆颜色识别区域，然后根据改进的HSV颜色模型的量化模板得到识别区域内每一个像素的颜色，最后利用判定规则对识别区域的颜色统计结果进行分析，确定车辆颜色；如赵红波等(车辆颜色识别方法研究[J].电视技术,2013,37(23):207-209)将局部车脸区域作为车辆颜色的识别区域，通过提取识别区域在不同颜色空间的分解、合并特征，训练了7个支持向量分类器进行颜色识别；宋晓红等(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)根据车牌选取局部车脸区域作为车辆颜色的识别区域，以识别区域在LAB颜色空间下的颜色直方图作为特征向量训练分类器进行车辆颜色识别。
上述方法主要存在的问题：(1)颜色识别单元不合适：以单个像素作为颜色识别单元会导致算法效率差；以整个识别区域作为颜色识别单元，根据提取区域颜色直方图进行颜色识别，对区域颜色的统一性要求较高，识别结果容易出错；(2)车脸区域受光照影响较大，指根据车脸区域的颜色识别结果判断车辆颜色可靠性不高。因此针对现有方法的不足，本发明提出了一种基于车窗定位的多方向车辆颜色识别方法，该方法以满足颜色一致性的图像子区域作为最小颜色识别单元，分别对车脸局部区域和车身局部区域分别进行了颜色识别，最后结合车脸区域和车身区域的识别结果判断车身颜色，极大提高了车辆颜色识别的准确度。
发明内容
本发明包括如下步骤：
步骤1：训练得到三个颜色分类器：彩色颜色分类器，车身非彩色颜色分类器，车脸非彩色颜色分类器，三个分类器具体描述如下：
彩色颜色分类器：该分类器的识别对象为满足颜色一致性要求的图像，图像颜色一致性判定方法在步骤4.2中介绍，分类器的颜色识别类别为Color1＝{黑白灰,黄,红,绿,蓝,棕}；该分类器用到的为颜色特征向量为图像的H、S、V颜色直方图，其中H分量量化为36级，S、V分别量化为20级，得到的颜色特征向量为76维；
车身非彩色颜色分类器：该分类器的识别对象为非彩色车辆的车身颜色识别区域图像，该区域由步骤2-3确定，分类器的颜色识别类别为Color2＝{黑,白,灰}；该分类器用到的为颜色特征向量为图像的S、V颜色直方图，其中S、V分别量化为20级，得到的颜色特征向量为40维；
车脸非彩色颜色分类器：分类器的识别对象为非彩色车辆的车脸颜色识别区域图像，该区域由步骤2-3确定，分类器的颜色识别类别为Color2＝{黑,白,灰}；该分类器用到的为颜色特征向量为图像的S、V颜色直方图，其中S、V分别量化为20级，得到的颜色特征向量为40维；
步骤2：已知车辆图像I以及车辆图像上车窗的四个顶点位置WUL、WUR、WDL、WDR，将车窗左右边界线对应的与水平直线的逆时针夹角记为θL、θR，根据公式(1)求得车辆方向角度θCar；
Figure BDA0001487159900000021
步骤3：若θCar＜83°，则根据公式(2)、(3)分别确定车脸颜色识别区域DF，和车身颜色识别区域DB；若θCar＞97°，则根据公式(4)、(5)确定车脸颜色识别区域DF，和车身颜色识别区域DB；否则，根据公式(2)确定车脸颜色识别区域DF；将图像I上车脸颜色识别区域DF对应的车脸颜色识别区域图像记为IF；若DB存在，将图像I上车身颜色识别区域DB对应的车身颜色识别区域图像记为IB；
Figure BDA0001487159900000031
Figure BDA0001487159900000032
Figure BDA0001487159900000033
Figure BDA0001487159900000041
其中，DX.(x1,y1)、DX.(x2,y2)、DX.(x3,y3)、DX.(x4,y4)分别表示平行四边形区域DX的左上，右上，左下，右下四个顶点的坐标，X＝F或B；
步骤4：根据步骤4.1-4.2得到车脸颜色识别区域图像IF上识别单元对应的图像集CFR；若DB存在，根据步骤4.1-4.2得到车身颜色识别区域图像IB上识别单元对应的图像集CBR；
步骤4.1：图像IX为形状为平行四边形的图像，为了方便图像分割和颜色一致性分析，需要首先得到图像IX对应的近似矩形图像IXR；具体的，图像IXR的宽高l1、l2分别根据公式(6)、(7)计算得到，且图像IXR上任意坐标(x,y)对应的像素颜色值与图像I上坐标(x’,y’)对应的像素颜色值相同，x’,y’分别根据公式(8)、(9)计算得到；
Figure BDA0001487159900000042
Figure BDA0001487159900000043
Figure BDA0001487159900000044
Figure BDA0001487159900000045
其中，DX为图像IX在图像I上对应的四边形区域，由步骤3计算得到；
步骤4.2：将图像IXR等分为边长为a的正方形子图像集，记为CXR，其中a为事先给定的子图像边长；然后筛选剔除集合CXR中不满足颜色一致性的子图像，图像颜色一致性判别方法如下；
图像颜色一致性判别方法：首先得到图像对应的灰度图，然后得到灰度图上两条对角线上的像素灰度值集，记为S，根据公式(10)-(11)计算S对应的灰度标准差λ，若满足λ＜λmax，则图像满足颜色一致性，否则不满足；其中λmax为事先给定的标准差阈值；
Figure BDA0001487159900000051
Figure BDA0001487159900000052
其中，avg为集合S中所有像素灰度的平均值，S.num为集合S中元素的个数，si为集合S中第i个元素，步骤4.1和4.2中X＝F或B；
步骤5：根据步骤5.1-5.4，得到CFR对应的颜色识别结果集TFR；
步骤5.1：用彩色颜色分类器识别集合CFR中每个子图像，得到初始颜色识别结果集TFR；
步骤5.2：将集合CFR中所有对应颜色识别结果为“黑白灰”的子图像拼接成一个大的图像；
步骤5.3：用车脸非彩色颜色分类器识别步骤5.2中得到的图像，将识别结果记为
Figure BDA0001487159900000053
其中
Figure BDA0001487159900000054
为颜色集合Color2中的第f个颜色；
步骤5.4：将颜色识别结果集TFR中所有值为“黑白灰”的元素更新为
Figure BDA0001487159900000055
步骤6：若DB存在，根据步骤6.1-6.4，得到CBR对应的颜色识别结果集TBR；
步骤6.1：用彩色颜色分类器识别集合CBR中每个子图像，得到初始颜色识别结果集TBR；
步骤6.2：将集合CBR中所有对应颜色识别结果为“黑白灰”的子图像拼接成一个大的图像；
步骤6.3：用车身非彩色颜色分类器识别步骤6.2中得到的图像，将识别结果记为
Figure BDA0001487159900000056
其中
Figure BDA0001487159900000057
为颜色集合Color2中的第g个颜色；
步骤6.4：将颜色识别结果集TBR中所有值为“黑白灰”的元素更新为
Figure BDA0001487159900000058
步骤7：得到颜色集合Color3＝{黑,白,灰,黄,红,绿,蓝,棕}在图像IFR上的颜色分布比例
Figure BDA0001487159900000061
若DB存在，得到颜色集合
Figure BDA0001487159900000062
其中，
Figure BDA0001487159900000063
j＝0,1…,7根据公式(12)进行计算；
Figure BDA0001487159900000064
其中，CXR为图像IXR的子区域图像集，CXR.num为集合CXR中元素的个数，
Figure BDA0001487159900000065
为集合CXR中第i个子区域图像，
Figure BDA0001487159900000066
为子区域图像
Figure BDA0001487159900000067
的面积，
Figure BDA0001487159900000068
为颜色识别结果集TXR中第i个颜色识别结果，
Figure BDA0001487159900000069
为
Figure BDA00014871599000000610
对应的颜色集合Color3中的第j个颜色，X＝F或B；
步骤8：若DB存在，记IFR、IBR中分布比例最大的颜色为
Figure BDA00014871599000000611
记IFR中分布比例第二大的颜色为
Figure BDA00014871599000000612
根据判别规则一确定车辆颜色；否则，记IFR中分布比例最大的颜色为
Figure BDA00014871599000000613
记IFR中分布比例第二大的颜色为
Figure BDA00014871599000000614
根据判别规则二确定车辆颜色；其中，
Figure BDA00014871599000000615
分别为颜色集合Color3中下标为max11、max21、max12的颜色；
判定规则一：
(1)若
Figure BDA00014871599000000616
则确定车辆颜色为
Figure BDA00014871599000000617
(2)若
Figure BDA00014871599000000618
且
Figure BDA00014871599000000619
则确定车辆颜色为
Figure BDA00014871599000000620
(3)若不满足(1)、(2)，且
Figure BDA00014871599000000621
且
Figure BDA00014871599000000622
则确定车辆颜色为灰色；
(4)若不满足(1)、(2)、(3)，则确定车辆颜色为
Figure BDA00014871599000000623
判定规则二：
(1)若
Figure BDA00014871599000000624
则确定车辆颜色为
Figure BDA00014871599000000625
(2)若
Figure BDA0001487159900000071
且
Figure BDA0001487159900000072
则确定车辆颜色为
Figure BDA0001487159900000073
(3)若不满足(1)、(2)，则确定车辆颜色为白色。
本发明的优点是：(1)本发明可以处理多方向车辆颜色识别问题；(2)本发明将满足颜色一致性的子区域作为最小颜色识别单元，相对于基于像素的颜色识别方法，效率更优，相对于基于完整区域的颜色识别方法，准确率更优；(3)本发明根据车窗位置，给出了车脸上的颜色识别区域和车身上的颜色识别区域，联合进行车辆颜色识别，同时本发明给出的车辆颜色判别策略，可以很好的改善强光条件下车辆颜色识别准确率。
附图说明
图1是用于进行说明的实例图；
图2是根据步骤3得到车脸颜色识别区域DF和车身颜色识别区域DB；
图3是车脸颜色识别区域图像；
图4是车脸颜色识别区域的识别单元分割结果；
图5是车身颜色识别区域图像；
图6是车身颜色识别区域的识别单元分割结果。
具体实施方式
下面结合具体实例，对本发明(一种基于车窗位置的多方向车辆颜色识别方法)实施的过程进行详细的说明。
步骤1：训练得到三个颜色分类器：彩色颜色分类器，车身非彩色颜色分类器，车脸非彩色颜色分类器，三个分类器具体描述如下：
彩色颜色分类器：该分类器的识别对象为满足颜色一致性要求的图像，图像颜色一致性判定方法在步骤4.2中介绍，分类器的颜色识别类别为Color1＝{黑白灰,黄,红,绿,蓝,棕}；该分类器用到的为颜色特征向量为图像的H、S、V颜色直方图，其中H分量量化为36级，S、V分别量化为20级，得到的颜色特征向量为76维；
车身非彩色颜色分类器：该分类器的识别对象为非彩色车辆的车身颜色识别区域图像，该区域由步骤2-3确定，分类器的颜色识别类别为Color2＝{黑,白,灰}；该分类器用到的为颜色特征向量为图像的S、V颜色直方图，其中S、V分别量化为20级，得到的颜色特征向量为40维；
车脸非彩色颜色分类器：分类器的识别对象为非彩色车辆的车脸颜色识别区域图像，该区域由步骤2-3确定，分类器的颜色识别类别为Color2＝{黑,白,灰}；该分类器用到的为颜色特征向量为图像的S、V颜色直方图，其中S、V分别量化为20级，得到的颜色特征向量为40维；
步骤2：已知车辆图像I以及车辆图像上车窗的四个顶点位置WUL、WUR、WDL、WDR，将车窗左右边界线对应的与水平直线的逆时针夹角记为θL、θR，根据公式(1)求得车辆方向角度θCar；
Figure BDA0001487159900000081
本实例中用来说明的图像I如图1所示，图像上黑色直线标注的四边形为已知的车窗边界位置，窗左右边界线对应的与水平直线的逆时针夹角θL＝46.35°，θR＝63.95°，因此根据步骤2得到的车辆方向角度θCar＝55.15°；
步骤3：若θCar＜83°，则根据公式(2)、(3)分别确定车脸颜色识别区域DF，和车身颜色识别区域DB；若θCar＞97°，则根据公式(4)、(5)确定车脸颜色识别区域DF，和车身颜色识别区域DB；否则，根据公式(2)确定车脸颜色识别区域DF；将图像I上车脸颜色识别区域DF对应的车脸颜色识别区域图像记为IF；若DB存在，将图像I上车身颜色识别区域DB对应的车身颜色识别区域图像记为IB；
Figure BDA0001487159900000091
Figure BDA0001487159900000092
Figure BDA0001487159900000093
Figure BDA0001487159900000101
其中，DX.(x1,y1)、DX.(x2,y2)、DX.(x3,y3)、DX.(x4,y4)分别表示平行四边形区域DX的左上，右上，左下，右下四个顶点的坐标，X＝F或B；
根据步骤3确定车脸颜色识别区域DF和车身颜色识别区域DB如图2所示，图中左侧的黑色平行四边形为车脸颜色识别区域DF所在位置，右侧的黑色平行四边形为车身颜色识别区域DF所在位置；
步骤4：根据步骤4.1-4.2得到车脸颜色识别区域图像IF上识别单元对应的图像集CFR；若DB存在，根据步骤4.1-4.2得到车身颜色识别区域图像IB上识别单元对应的图像集CBR；
步骤4.1：图像IX为形状为平行四边形的图像，为了方便图像分割和颜色一致性分析，需要首先得到图像IX对应的近似矩形图像IXR；具体的，图像IXR的宽高l1、l2分别根据公式(6)、(7)计算得到，且图像IXR上任意坐标(x,y)对应的像素颜色值与图像I上坐标(x’,y’)对应的像素颜色值相同，x’,y’分别根据公式(8)、(9)计算得到；
Figure BDA0001487159900000102
Figure BDA0001487159900000103
Figure BDA0001487159900000104
Figure BDA0001487159900000105
其中，DX为图像IX在图像I上对应的四边形区域，由步骤3计算得到；
步骤4.2：将图像IXR等分为边长为a的正方形子图像集，记为CXR，其中a为事先给定的子图像边长；然后筛选剔除集合CXR中不满足颜色一致性的子图像，图像颜色一致性判别方法如下；
图像颜色一致性判别方法：首先得到图像对应的灰度图，然后得到灰度图上两条对角线上的像素灰度值集，记为S，根据公式(10)-(11)计算S对应的灰度标准差λ，若满足λ＜λmax，则图像满足颜色一致性，否则不满足；其中λmax为事先给定的标准差阈值；
Figure BDA0001487159900000111
Figure BDA0001487159900000112
其中，avg为集合S中所有像素灰度的平均值，S.num为集合S中元素的个数，si为集合S中第i个元素，步骤4.1和4.2中X＝F或B；
步骤5：根据步骤5.1-5.4，得到CFR对应的颜色识别结果集TFR；
步骤5.1：用彩色颜色分类器识别集合CFR中每个子图像，得到初始颜色识别结果集TFR；
步骤5.2：将集合CFR中所有对应颜色识别结果为“黑白灰”的子图像拼接成一个大的图像；
步骤5.3：用车脸非彩色颜色分类器识别步骤5.2中得到的图像，将识别结果记为
Figure BDA0001487159900000113
其中
Figure BDA0001487159900000114
为颜色集合Color2中的第f个颜色；
步骤5.4：将颜色识别结果集TFR中所有值为“黑白灰”的元素更新为
Figure BDA0001487159900000115
对于所述实例，根据步骤5，可以知道集合CFR中有75个子区域对应的颜色识别结果为白色，有11个子区域对应的颜色识别结果为绿色；
步骤6：若DB存在，根据步骤6.1-6.4，得到CBR对应的颜色识别结果集TBR；
步骤6.1：用彩色颜色分类器识别集合CBR中每个子图像，得到初始颜色识别结果集TBR；
步骤6.2：将集合CBR中所有对应颜色识别结果为“黑白灰”的子图像拼接成一个大的图像；
步骤6.3：用车身非彩色颜色分类器识别步骤6.2中得到的图像，将识别结果记为
Figure BDA0001487159900000121
其中
Figure BDA0001487159900000122
为颜色集合Color2中的第g个颜色；
步骤6.4：将颜色识别结果集TBR中所有值为“黑白灰”的元素更新为
Figure BDA0001487159900000123
对于所述实例，根据步骤6，可以知道集合CBR中有21个子区域对应的颜色识别结果为绿色；
步骤7：得到颜色集合Color3＝{黑,白,灰,黄,红,绿,蓝,棕}在图像IFR上的颜色分布比例
Figure BDA0001487159900000124
若DB存在，得到颜色集合
Figure BDA0001487159900000125
其中，
Figure BDA0001487159900000126
j＝0,1…,7根据公式(12)进行计算；
Figure BDA0001487159900000127
其中，CXR为图像IXR的子区域图像集，CXR.num为集合CXR中元素的个数，
Figure BDA0001487159900000128
为集合CXR中第i个子区域图像，
Figure BDA0001487159900000129
为子区域图像
Figure BDA00014871599000001210
的面积，
Figure BDA00014871599000001211
为颜色识别结果集TXR中第i个颜色识别结果，
Figure BDA00014871599000001212
为
Figure BDA00014871599000001213
对应的颜色集合Color3中的第j个颜色，X＝F或B；
对于所述实例，根据步骤7计算可得图像IFR上颜色集合
Figure BDA00014871599000001214
Figure BDA00014871599000001215
图像IBR上颜色集合
Figure BDA00014871599000001216
Figure BDA00014871599000001217
步骤8：若DB存在，记IFR、IBR中分布比例最大的颜色为
Figure BDA00014871599000001218
记IFR中分布比例第二大的颜色为
Figure BDA00014871599000001219
根据判别规则一确定车辆颜色；否则，记IFR中分布比例最大的颜色为
Figure BDA00014871599000001220
记IFR中分布比例第二大的颜色为
Figure BDA0001487159900000131
根据判别规则二确定车辆颜色；其中，
Figure BDA0001487159900000132
分别为颜色集合Color3中下标为max11、max21、max12的颜色；
判定规则一：
(5)若
Figure BDA0001487159900000133
则确定车辆颜色为
Figure BDA0001487159900000134
(6)若
Figure BDA0001487159900000135
且
Figure BDA0001487159900000136
则确定车辆颜色为
Figure BDA0001487159900000137
(7)若不满足(1)、(2)，且
Figure BDA0001487159900000138
且
Figure BDA0001487159900000139
则确定车辆颜色为灰色；
(8)若不满足(1)、(2)、(3)，则确定车辆颜色为
Figure BDA00014871599000001310
判定规则二：
(4)若
Figure BDA00014871599000001311
则确定车辆颜色为
Figure BDA00014871599000001312
(5)若
Figure BDA00014871599000001313
且
Figure BDA00014871599000001314
则确定车辆颜色为
Figure BDA00014871599000001315
(6)若不满足(1)、(2)，则确定车辆颜色为白色；
对于所述实例，DB存在，因此根据判定规则一判别车辆颜色，推断可得颜色识别结果满足情况(4)，且
Figure BDA00014871599000001316
因此车辆颜色识别为绿色，识别正确。

Claims (1)

1.一种基于车窗位置的多方向车辆颜色识别方法，包括如下步骤：
步骤1：训练得到三个颜色分类器：彩色颜色分类器，车身非彩色颜色分类器，车脸非彩色颜色分类器；
彩色颜色分类器：该彩色颜色分类器的识别对象为满足颜色一致性要求的图像，该彩色颜色分类器的颜色识别类别为Color1＝{黑白灰,黄,红,绿,蓝,棕}；该彩色颜色分类器用到的为颜色特征向量为图像的H、S、V颜色直方图，其中H分量量化为36级，S、V分别量化为20级，得到的颜色特征向量为76维；
车身非彩色颜色分类器：该车身非彩色颜色分类器的识别对象为非彩色车辆的车身颜色识别区域图像，该车身非彩色颜色分类器的颜色识别类别为Color2＝{黑,白,灰}；该车身非彩色颜色分类器用到的为颜色特征向量为图像的S、V颜色直方图，其中S、V分别量化为20级，得到的颜色特征向量为40维；
车脸非彩色颜色分类器：该车脸非彩色颜色分类器的识别对象为非彩色车辆的车脸颜色识别区域图像，该车脸非彩色颜色分类器的颜色识别类别为Color2＝{黑,白,灰}；该车脸非彩色颜色分类器用到的为颜色特征向量为图像的S、V颜色直方图，其中S、V分别量化为20级，得到的颜色特征向量为40维；
步骤2：已知车辆图像I以及车辆图像上车窗的四个顶点位置WUL、WUR、WDL、WDR，将车窗左右边界线对应的与水平直线的逆时针夹角记为θL、θR，根据公式(1)求得车辆方向角度θCar；
Figure FDA0002904740950000011
步骤3：若θCar＜83°，则根据公式(2)、(3)分别确定车脸颜色识别区域DF，和车身颜色识别区域DB；若θCar＞97°，则根据公式(4)、(5)确定车脸颜色识别区域DF，和车身颜色识别区域DB；否则，根据公式(2)确定车脸颜色识别区域DF；将图像I上车脸颜色识别区域DF对应的车脸颜色识别区域图像记为IF；若DB存在，将图像I上车身颜色识别区域DB对应的车身颜色识别区域图像记为IB；
Figure FDA0002904740950000021
Figure FDA0002904740950000022
Figure FDA0002904740950000023
Figure FDA0002904740950000031
其中，(DX.x1,DX.y1)、(DX.x2,DX.y2)、(DX.x3,DX.y3)、(DX.x4,DX.y4)分别表示平行四边形区域DX的左上，右上，左下，右下四个顶点的坐标，X＝F或B；
步骤4：根据步骤4.1-4.2得到车脸颜色识别区域图像IF上识别单元对应的图像集CFR；若DB存在，根据步骤4.1-4.2得到车身颜色识别区域图像IB上识别单元对应的图像集CBR；
步骤4.1：图像IX为形状为平行四边形的图像，为了方便图像分割和颜色一致性分析，需要首先得到图像IX对应的近似矩形图像IXR；具体的，图像IXR的宽高l1、l2分别根据公式(6)、(7)计算得到，且图像IXR上任意坐标(x,y)对应的像素颜色值与图像I上坐标(x’,y’)对应的像素颜色值相同，x’,y’分别根据公式(8)、(9)计算得到；
Figure FDA0002904740950000032
Figure FDA0002904740950000033
Figure FDA0002904740950000034
Figure FDA0002904740950000035
其中，DX为图像IX在图像I上对应的四边形区域，由步骤3计算得到；
步骤4.2：将图像IXR等分为边长为a的正方形子图像集，记为CXR，其中a为事先给定的子图像边长；然后筛选剔除集合CXR中不满足颜色一致性的子图像，图像颜色一致性判别方法如下：
首先得到图像对应的灰度图，然后得到灰度图上两条对角线上的像素灰度值集，记为S，根据公式(10)-(11)计算S对应的灰度标准差λ，若满足λ＜λmax，则图像满足颜色一致性，否则不满足；其中λmax为事先给定的标准差阈值；
Figure FDA0002904740950000041
Figure FDA0002904740950000042
其中，avg为集合S中所有像素灰度的平均值，S.num为集合S中元素的个数，si为集合S中第i个元素，步骤4.1和4.2中X＝F或B；
步骤5：得到CFR对应的颜色识别结果集TFR；
步骤5具体为：
步骤5.1：用彩色颜色分类器识别集合CFR中每个子图像，得到初始颜色识别结果集TFR；
步骤5.2：将集合CFR中所有对应颜色识别结果为“黑白灰”的子图像拼接成一个大的图像；
步骤5.3：用车脸非彩色颜色分类器识别步骤5.2中得到的图像，将识别结果记为
Figure FDA0002904740950000043
其中
Figure FDA0002904740950000044
为颜色集合Color2中的第f个颜色；
步骤5.4：将颜色识别结果集TFR中所有值为“黑白灰”的元素更新为
Figure FDA0002904740950000045
步骤6：若DB存在，根据步骤6.1-6.4，得到CBR对应的颜色识别结果集TBR；步骤6具体为：
步骤6.1：用彩色颜色分类器识别集合CBR中每个子图像，得到初始颜色识别结果集TBR；
步骤6.2：将集合CBR中所有对应颜色识别结果为“黑白灰”的子图像拼接成一个大的图像；
步骤6.3：用车身非彩色颜色分类器识别步骤6.2中得到的图像，将识别结果记为
Figure FDA0002904740950000047
其中
Figure FDA0002904740950000046
为颜色集合Color2中的第g个颜色；
步骤6.4：将颜色识别结果集TBR中所有值为“黑白灰”的元素更新为
Figure FDA0002904740950000051
步骤7：得到颜色集合Color3＝{黑,白,灰,黄,红,绿,蓝,棕}在图像IFR上的颜色分布比例
Figure FDA0002904740950000052
若DB存在，得到颜色集合Color3＝{黑,白,灰,黄,红,绿,蓝,棕}在图像IBR上的颜色分布比例
Figure FDA0002904740950000053
其中，
Figure FDA0002904740950000054
根据公式(12)进行计算；
Figure FDA0002904740950000055
其中，CXR为图像IXR的子区域图像集，CXR.num为集合CXR中元素的个数，
Figure FDA0002904740950000056
为集合CXR中第i个子区域图像，
Figure FDA0002904740950000057
为子区域图像
Figure FDA0002904740950000058
的面积，
Figure FDA0002904740950000059
为颜色识别结果集TXR中第i个颜色识别结果，
Figure FDA00029047409500000510
为
Figure FDA00029047409500000511
对应的颜色集合Color3中的第j个颜色，X＝F或B；
步骤8：若DB存在，记IFR、IBR中分布比例最大的颜色为
Figure FDA00029047409500000512
记IFR中分布比例第二大的颜色为
Figure FDA00029047409500000513
根据判别规则一确定车辆颜色；否则，记IFR中分布比例最大的颜色为
Figure FDA00029047409500000514
记IFR中分布比例第二大的颜色为
Figure FDA00029047409500000515
根据判别规则二确定车辆颜色；其中，
Figure FDA00029047409500000516
分别为颜色集合Color3中下标为max11、max21、max12的颜色；
判别规则一：
(1)若
Figure FDA00029047409500000517
则确定车辆颜色为
Figure FDA00029047409500000518
(2)若
Figure FDA00029047409500000519
且
Figure FDA00029047409500000520
则确定车辆颜色为
Figure FDA00029047409500000521
(3)若不满足判别规则一(1)、(2)，且
Figure FDA00029047409500000522
且
Figure FDA00029047409500000523
则确定车辆颜色为灰色；
(4)若不满足判别规则一(1)、(2)、(3)，则确定车辆颜色为
Figure FDA00029047409500000524
判别规则二：
(1)若
Figure FDA0002904740950000061
则确定车辆颜色为
Figure FDA0002904740950000062
(2)若
Figure FDA0002904740950000063
且
Figure FDA0002904740950000064
则确定车辆颜色为
Figure FDA0002904740950000065
(3)若不满足判别规则二(1)、(2)，则确定车辆颜色为白色。
CN201711231999.0A 2017-11-29 2017-11-29 一种基于车窗位置的多方向车辆颜色识别方法 Active CN108563976B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711231999.0A CN108563976B (zh) 2017-11-29 2017-11-29 一种基于车窗位置的多方向车辆颜色识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711231999.0A CN108563976B (zh) 2017-11-29 2017-11-29 一种基于车窗位置的多方向车辆颜色识别方法

Publications (2)

Publication Number Publication Date
CN108563976A CN108563976A (zh) 2018-09-21
CN108563976B true CN108563976B (zh) 2021-04-02

Family

ID=63529291

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711231999.0A Active CN108563976B (zh) 2017-11-29 2017-11-29 一种基于车窗位置的多方向车辆颜色识别方法

Country Status (1)

Country Link
CN (1) CN108563976B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110503597B (zh) * 2019-07-09 2023-05-16 浙江浩腾电子科技股份有限公司 一种基于2d结构模型的车辆视点规范化方法
CN110322522B (zh) * 2019-07-11 2023-06-16 山东领能电子科技有限公司 一种基于目标识别区域截取的车辆颜色识别方法
CN113139409B (zh) * 2020-01-20 2023-06-16 浙江宇视科技有限公司 车辆识别方法、装置、设备及存储介质
CN112016433A (zh) * 2020-08-24 2020-12-01 高新兴科技集团股份有限公司 一种基于深度神经网络的车辆颜色识别方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103324935A (zh) * 2013-06-27 2013-09-25 中山大学 一种图像中对车辆进行定位与区域分割的方法
CN105117727A (zh) * 2015-09-18 2015-12-02 浙江工业大学 一种车牌快速定位方法
CN105718912A (zh) * 2016-01-26 2016-06-29 浙江捷尚视觉科技股份有限公司 一种基于深度学习的车辆特征物检测方法
CN106485199A (zh) * 2016-09-05 2017-03-08 华为技术有限公司 一种车身颜色识别的方法及装置
CN106650752A (zh) * 2016-12-09 2017-05-10 浙江浩腾电子科技股份有限公司 一种车身颜色识别方法
CN106776943A (zh) * 2016-12-01 2017-05-31 中科唯实科技（北京）有限公司 一种基于AutoEncoder和属性标签的车辆检索方法
CN107133588A (zh) * 2017-05-03 2017-09-05 安徽大学 基于车窗特征提取的车辆识别方法
CN107292291A (zh) * 2017-07-19 2017-10-24 北京智芯原动科技有限公司 一种车辆识别方法和系统
CN107292933A (zh) * 2017-04-27 2017-10-24 浙江工业大学 一种基于bp神经网络的车辆颜色识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090096206A1 (en) * 2007-10-15 2009-04-16 Smith Sr Joseph C Automobile Identification Device

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103324935A (zh) * 2013-06-27 2013-09-25 中山大学 一种图像中对车辆进行定位与区域分割的方法
CN105117727A (zh) * 2015-09-18 2015-12-02 浙江工业大学 一种车牌快速定位方法
CN105718912A (zh) * 2016-01-26 2016-06-29 浙江捷尚视觉科技股份有限公司 一种基于深度学习的车辆特征物检测方法
CN106485199A (zh) * 2016-09-05 2017-03-08 华为技术有限公司 一种车身颜色识别的方法及装置
CN106776943A (zh) * 2016-12-01 2017-05-31 中科唯实科技（北京）有限公司 一种基于AutoEncoder和属性标签的车辆检索方法
CN106650752A (zh) * 2016-12-09 2017-05-10 浙江浩腾电子科技股份有限公司 一种车身颜色识别方法
CN107292933A (zh) * 2017-04-27 2017-10-24 浙江工业大学 一种基于bp神经网络的车辆颜色识别方法
CN107133588A (zh) * 2017-05-03 2017-09-05 安徽大学 基于车窗特征提取的车辆识别方法
CN107292291A (zh) * 2017-07-19 2017-10-24 北京智芯原动科技有限公司 一种车辆识别方法和系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Vehicle Color Classification Under Different Lighting Conditions Through Color Correction;Jun-Wei Hsieh et al;《IEEE SENSORS JOURNAL》;20150228;第15卷(第2期);第971-983页 *
Vehicle Color Extraction Based on First Sight Window;Zhan Xu et al;《The 1st International Conference on Information Science and Engineering (ICISE2009)》;20091231;第1503-1506页 *
基于卡口图像的涉牌违法车辆智能检测;时念锋;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140315;第I138-652页 *
基于灰度跳变与字符间隔模式的车牌定位方法研究;高飞 等;《计算机测量与控制》;20160425;第24卷(第4期);第219-221、225页 *
基于车窗检测的车身颜色识别方法研究;姚东明 等;《信息通信》;20170228(第2期);第87-88、90页 *

Also Published As

Publication number Publication date
CN108563976A (zh) 2018-09-21

Similar Documents

Publication Publication Date Title
CN108563976B (zh) 一种基于车窗位置的多方向车辆颜色识别方法
US10970566B2 (en) Lane line detection method and apparatus
CN109886896B (zh) 一种蓝色车牌分割与矫正方法
Li et al. Multi-angle head pose classification when wearing the mask for face recognition under the COVID-19 coronavirus epidemic
CN105046196B (zh) 基于级联卷积神经网络的前车车辆信息结构化输出方法
CN105809138B (zh) 一种基于分块识别的道路警告标志检测与识别方法
EP2575077B1 (en) Road sign detecting method and road sign detecting apparatus
CN108009518A (zh) 一种基于快速二分卷积神经网络的层次化交通标识识别方法
CN111415363A (zh) 一种图像边缘识别方法
CN107123088A (zh) 一种自动更换证件照背景颜色的方法
US20130342694A1 (en) Method and system for use of intrinsic images in an automotive driver-vehicle-assistance device
CN105354599A (zh) 一种基于改进的slic超像素分割算法的颜色识别方法
CN105005766A (zh) 一种车身颜色识别方法
CN101246593B (zh) 一种彩色图像边缘检测方法及设备
CN103425989A (zh) 一种基于显著性分析的车辆颜色识别方法
CN104899881A (zh) 一种视频图像中运动车辆阴影检测方法
CN102004911B (zh) 提高人脸识别正确率的方法
CN106203439B (zh) 基于标志物多特征融合的无人机自动寻的着陆方法
CN108038458B (zh) 基于特征摘要图的视频中的户外场景文本自动获取方法
CN111429462A (zh) 一种基于边缘检测和数学形态学的车牌定位方法
CN114359323A (zh) 一种基于视觉注意机制的图像目标区域检测方法
CN106815602B (zh) 一种基于多层次特征描述的跑道fod图像探测方法及装置
CN111666811A (zh) 一种提取交通场景图像中交通标志牌区域方法及系统
CN107292898A (zh) 一种基于hsv的车牌阴影检测和去除方法
KR102010086B1 (ko) 미세조직의 상 분할 방법 및 장치

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