CN109165659B - 一种基于超像素分割的车辆颜色识别方法 - Google Patents

一种基于超像素分割的车辆颜色识别方法 Download PDF

Info

Publication number
CN109165659B
CN109165659B CN201811008636.5A CN201811008636A CN109165659B CN 109165659 B CN109165659 B CN 109165659B CN 201811008636 A CN201811008636 A CN 201811008636A CN 109165659 B CN109165659 B CN 109165659B
Authority
CN
China
Prior art keywords
vehicle
superpixel
image
color identification
vehicle 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
Application number
CN201811008636.5A
Other languages
English (en)
Other versions
CN109165659A (zh
Inventor
徐云静
高飞
葛一粟
张元鸣
卢书芳
程振波
陆佳炜
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 CN201811008636.5A priority Critical patent/CN109165659B/zh
Publication of CN109165659A publication Critical patent/CN109165659A/zh
Application granted granted Critical
Publication of CN109165659B publication Critical patent/CN109165659B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • 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)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出了一种车辆颜色识别方法，具体是一种基于超像素分割的车辆颜色识别方法。该方法首先根据已知的车窗位置确定车辆颜色识别区域，并用局部迭代聚类算法SLIC分割颜色识别区域，进一步通过一种空间均匀采样的方法进行超像素采样并构造HSV直方图颜色特征，最后训练一个SVM分类器进行车辆颜色识别。通过使用本发明的车辆颜色识别方法，可以有效改善车辆颜色识别的准确率和效率。

Description

一种基于超像素分割的车辆颜色识别方法
技术领域
本发明涉及数字图像处理技术领域，具体涉及一种基于超像素分割的车辆颜色识别方法。
背景技术
车辆颜色为车辆监测、识别、跟踪提供了有用的信息，一直以来是智能交通领域的重要、难点研究课题。
到目前为止，车辆颜色识别的方法大致能分为两类，一类是像素级别的识别方法，一种是区域级别的识别方法。基于像素级别的方法信息量较大，难以通过训练设计分类器，因此往往需要人工设计判别规则，其存在的最大的问题是人工设计的判别规则大多较为简单，难以解决复杂场景下的颜色识别问题，比如胡焯源等人提出的方法(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)。基于区域的方法利用区域的颜色统计结果设计特征，训练分类器进行颜色识别，最常用的统计方法是HSV颜色直方图，但如果区域的颜色分布计较复杂时，统计结果与区域主色之间会出现较大误差，从而影响识别准确率，比如肖驰提出的方法(一种高效的车辆颜色识别方法[J].图形图像,2017,(17):71-75)。最近也有学者利用深度学习来实现车辆颜色识别，虽然识别准确率较传统方法有一定提升，但是方法的效率较慢，同时对硬件要求较高，比如张强等人提出的方法(基于卷积神经网络的监控场景下车辆颜色识别[J].测控技术,2017,36(10):11-14)，陈宏彩提出的方法(一种基于深度卷积神经网络的车辆颜色识别方法[J]河北省科学院学报,2017,34(2):1-6)。
发明内容
针对现有技术中的不足，本发明提出了一种基于超像素分割的车辆颜色识别方法；该方法首先根据已知的车窗位置确定车辆颜色识别区域，并用局部迭代聚类算法SLIC分割颜色识别区域，进一步通过一种空间均匀采样的方法进行超像素采样并构造HSV直方图颜色特征，最后训练一个SVM分类器进行车辆颜色识别。
本发明的技术方案如下：
一种基于超像素分割的车辆颜色识别方法，其特征在于，包括如下步骤：
步骤1：已知车辆图像I，车辆对应的车窗四个顶点位置WUL、WUR、WDL、WDR，车窗左右边缘对应的与水平直线的逆时针夹角记为θL、θR，则车辆偏转角度θCar可根据公式(1)计算得到；
Figure BDA0001782064010000021
步骤2：若θCar＜90°，根据公式(2)确定车辆颜色识别区域DF；否则，根据公式(3)确定；
Figure BDA0001782064010000022
Figure BDA0001782064010000023
其中，(DF.x1,DF.y1)、(DF.x2,DF.y2)、(DF.x3,DF.y3)、(DF.x4,DF.y4)分别表示区域DF的左上，右上，左下，右下四个顶点的坐标；
步骤3：从车辆图像I上得到平行四边形区域DF对应的近似矩形图像IFR，图像IFR的宽高分别根据公式(4)、(5)确定，图像IFR和图像I上像素满足公式(6)所示对应关系；
Figure BDA0001782064010000031
Figure BDA0001782064010000032
Figure BDA0001782064010000033
步骤4：用局部迭代聚类算法SLIC对图像IF进行超像素分割，得到超像素集P；
步骤5：利用空间均匀采样策略进行超像素采样，得到采样超像素集P’；
步骤6：通过串联采样超像素集P’中所有超像素块的HSV颜色直方图特征，得到颜色识别区域对应的HSV颜色直方图特征，其中，单个超像素块的HSV颜色直方图特征由36维的H分量、20维的S分量、20维的V分量组成；
步骤7：根据步骤1-6提取车辆数据集的HSV颜色特征，然后利用SVM分类器训练得到一个可以区分{黑、白、灰、黄、红、蓝、绿、棕}8种颜色的分类器。
所述的一种基于超像素分割的车辆颜色识别方法，其特征在于，所述步骤5中空间均匀采样策略具体为：将图像等分为N*M个子区域，N、M分别表示图像的横向、纵向分割数，然后从每个子区域采样一个面积最大的超像素块。
本发明的有益效果是：
1)以超像素为最小特征表示单元，同时克服了基于单像素方法冗余信息过多以及基于区域方法统计冗余出错的不足；
2)利用空间均匀采样策略可以找到在空间上分布均匀且在局部区域有代表性的超像素集，有效降低特征维度，却不影响颜色识别的准确率；
3)通过训练的得到分类器来进行颜色识别，比手工设计判别规则更加可靠，鲁棒性更高。
附图说明
图1：已知实例图像；
图2：车辆颜色识别区域的超像素分割结果；
图3：车辆颜色识别区域的超像素采样结果。
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：已知车辆图像I，车辆对应的车窗四个顶点位置WUL、WUR、WDL、WDR，车窗左右边缘对应的与水平直线的逆时针夹角记为θL、θR，则车辆偏转角度θCar可根据公式(1)计算得到；
Figure BDA0001782064010000041
本实例中用来说明车辆图像如图1所示，图上四边形1标志的是已知车窗位置，且车窗左右边缘线对应的与水平直线的逆时针夹角θL＝110.92°，θR＝76.45°，因此计算可得车辆偏转角度θCar＝93.69°；
步骤2：若θCar＜90°，根据公式(2)确定车辆颜色识别区域DF；否则，根据公式(3)确定；
Figure BDA0001782064010000042
Figure BDA0001782064010000051
其中，(DF.x1,DF.y1)、(DF.x2,DF.y2)、(DF.x3,DF.y3)、(DF.x4,DF.y4)分别表示区域DF的左上，右上，左下，右下四个顶点的坐标；
根据步骤2确定的车辆颜色识别区域DF如图1四边形2所示；
步骤3：从车辆图像I上得到平行四边形区域DF对应的近似矩形图像IFR，图像IFR的宽高分别根据公式(4)、(5)确定，图像IFR和图像I上像素满足公式(6)所示对应关系；
Figure BDA0001782064010000052
Figure BDA0001782064010000053
Figure BDA0001782064010000054
步骤4：用局部迭代聚类算法SLIC对图像IF进行超像素分割，得到超像素集P；
根据步骤3得到的平行四边形区域DF对应的近似矩形图像IFR，然后根据步骤4进行图像IF超像素分割，结果如图2所示；
步骤5：利用空间均匀采样策略进行超像素采样，得到采样超像素集P’，空间均匀采样策略具体为：将图像等分为N*M个子区域，N、M分别表示图像的横向、纵向分割数，然后从每个子区域采样一个面积最大的超像素块；
对于所述实例，规定图像分割数N、M分别为10，1，则利用空间均匀采样策略进行超像素采样的结果如图3所示；
步骤6：通过串联采样超像素集P’中所有超像素块的HSV颜色直方图特征，得到颜色识别区域对应的HSV颜色直方图特征，其中，单个超像素块的HSV颜色直方图特征由36维的H分量、20维的S分量、20维的V分量组成；
对于所述实例，颜色识别区域对应的HSV颜色直方图特征由760维；
步骤7：根据步骤1-6提取车辆数据集的HSV颜色特征，然后利用SVM分类器训练得到一个可以区分{黑、白、灰、黄、红、蓝、绿、棕}8种颜色的分类器。
对于所述实例，车辆的最终颜色识别结果为黑色。

Claims (2)

1.一种基于超像素分割的车辆颜色识别方法，其特征在于，包括如下步骤：
步骤1：已知车辆图像I，车辆对应的车窗四个顶点位置WUL、WUR、WDL、WDR，车窗左右边缘对应的与水平直线的逆时针夹角记为θL、θR，则车辆偏转角度θCar可根据公式(1)计算得到；
Figure FDA0003167924890000011
步骤2：若θCar＜90°，根据公式(2)确定车辆颜色识别区域DF；否则，根据公式(3)确定；
Figure FDA0003167924890000012
Figure FDA0003167924890000013
其中，(DF.x1,DF.y1)、(DF.x2,DF.y2)、(DF.x3,DF.y3)、(DF.x4,DF.y4)分别表示区域DF的左上，右上，左下，右下四个顶点的坐标；
步骤3：从车辆图像I上得到平行四边形区域DF对应的近似矩形图像IFR，图像IFR的宽高分别根据公式(4)、(5)确定，图像IFR和图像I上像素满足公式(6)所示对应关系；
Figure FDA0003167924890000014
Figure FDA0003167924890000021
Figure FDA0003167924890000022
步骤4：用局部迭代聚类算法SLIC对图像IF进行超像素分割，得到超像素集P；
步骤5：利用空间均匀采样策略进行超像素采样，得到采样超像素集P’；
步骤6：通过串联采样超像素集P’中所有超像素块的HSV颜色直方图特征，得到颜色识别区域对应的HSV颜色直方图特征，其中，单个超像素块的HSV颜色直方图特征由36维的H分量、20维的S分量、20维的V分量组成；
步骤7：根据步骤1-6提取车辆数据集的HSV颜色特征，然后利用SVM分类器训练得到一个可以区分黑、白、灰、黄、红、蓝、绿、棕8种颜色的分类器。
2.根据权利要求1所述的一种基于超像素分割的车辆颜色识别方法，其特征在于，所述步骤5中空间均匀采样策略具体为：将图像等分为N*M个子区域，N、M分别表示图像的横向、纵向分割数，然后从每个子区域采样一个面积最大的超像素块。
CN201811008636.5A 2018-08-29 2018-08-29 一种基于超像素分割的车辆颜色识别方法 Active CN109165659B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811008636.5A CN109165659B (zh) 2018-08-29 2018-08-29 一种基于超像素分割的车辆颜色识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811008636.5A CN109165659B (zh) 2018-08-29 2018-08-29 一种基于超像素分割的车辆颜色识别方法

Publications (2)

Publication Number Publication Date
CN109165659A CN109165659A (zh) 2019-01-08
CN109165659B true CN109165659B (zh) 2021-09-14

Family

ID=64893650

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811008636.5A Active CN109165659B (zh) 2018-08-29 2018-08-29 一种基于超像素分割的车辆颜色识别方法

Country Status (1)

Country Link
CN (1) CN109165659B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110503696B (zh) * 2019-07-09 2021-09-21 浙江浩腾电子科技股份有限公司 一种基于超像素采样的车脸颜色特征检测方法
CN112101182B (zh) * 2020-09-10 2021-05-07 哈尔滨市科佳通用机电股份有限公司 一种基于改进slic方法的铁路货车地板破损故障识别方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107729812A (zh) * 2017-09-18 2018-02-23 南京邮电大学 一种适用于监控场景中的车辆颜色识别的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107729812A (zh) * 2017-09-18 2018-02-23 南京邮电大学 一种适用于监控场景中的车辆颜色识别的方法

Also Published As

Publication number Publication date
CN109165659A (zh) 2019-01-08

Similar Documents

Publication Publication Date Title
CN108108761B (zh) 一种基于深度特征学习的快速交通信号灯检测方法
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
CN109657632B (zh) 一种车道线检测识别方法
CN105205489B (zh) 基于颜色纹理分析器与机器学习的车牌检测方法
WO2021098163A1 (zh) 一种基于角点的空中目标探测方法
CN103971128A (zh) 一种面向无人驾驶车的交通标志识别方法
CN107392968B (zh) 融合颜色对比图和颜色空间分布图的图像显著性检测方法
CN107729812B (zh) 一种适用于监控场景中的车辆颜色识别的方法
CN107610114A (zh) 基于支持向量机的光学卫星遥感影像云雪雾检测方法
CN107066972B (zh) 基于多通道极值区域的自然场景文本检测方法
CN102819728A (zh) 一种基于分类模板匹配的交通标志检测方法
WO2020248515A1 (zh) 结合帧间差分与贝叶斯分类器的车辆行人检测识别方法
CN109598681B (zh) 一种对称唐卡修复后图像的无参考质量评价方法
CN110782409B (zh) 一种去除多运动物体阴影的方法
CN112862832B (zh) 一种基于同心圆分割定位的脏污检测方法
CN109165659B (zh) 一种基于超像素分割的车辆颜色识别方法
CN102184404A (zh) 掌纹图像中手掌区域的获取方法及装置
CN104268509B (zh) 泥头车车牌检测的方法及系统
CN107292898B (zh) 一种基于hsv的车牌阴影检测和去除方法
CN109145746A (zh) 一种基于图像处理的信号灯检测方法
CN105654140B (zh) 面向复杂工业环境的铁路油罐车车号定位与识别方法
CN114283157A (zh) 一种基于椭圆拟合的椭圆形物体分割方法
CN104899898B (zh) 基于多维信息概率模型的路面检测方法
CN107704864B (zh) 基于图像对象性语义检测的显著目标检测方法
CN108009480A (zh) 一种基于特征识别的图像人体行为检测方法

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