CN109558872B - 一种车辆颜色识别方法 - Google Patents

一种车辆颜色识别方法 Download PDF

Info

Publication number
CN109558872B
CN109558872B CN201811395635.0A CN201811395635A CN109558872B CN 109558872 B CN109558872 B CN 109558872B CN 201811395635 A CN201811395635 A CN 201811395635A CN 109558872 B CN109558872 B CN 109558872B
Authority
CN
China
Prior art keywords
color
vehicle
license plate
pixels
image
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.)
Expired - Fee Related
Application number
CN201811395635.0A
Other languages
English (en)
Other versions
CN109558872A (zh
Inventor
周欣
潘薇
王若君
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.)
Sichuan University
Original Assignee
Sichuan University
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 Sichuan University filed Critical Sichuan University
Priority to CN201811395635.0A priority Critical patent/CN109558872B/zh
Publication of CN109558872A publication Critical patent/CN109558872A/zh
Application granted granted Critical
Publication of CN109558872B publication Critical patent/CN109558872B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/63—Scene text, e.g. street names
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/625—License plates

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种车辆颜色识别方法，包括以下步骤：S1：获取白色、灰色、黑色、红色、粉色、黄色、绿色、蓝色、紫色和棕色的车辆彩色图像作为训练样本；S2：采用LIBSVM工具箱中的线性SVM对训练样本进行逐对分类训练，获取45个颜色分类器；S3：对抓拍的车辆正面图像进行车牌识别，根据车牌大小获取70×70像素的车辆彩色待识别图像。S4：获取待识别车辆彩色图像的特征向量，并送入S2中训练好的分类器，确定车辆颜色类别。本发明的优点在于：采用全局颜色信息，体现了车身与环境的亮度色度对比，提高了识别的准确率，降低了算法的难度和计算复杂度，克服了现有技术定位难度高、易丢失信息的缺陷，能更准确表示颜色属性，结构简单、容易训练、计算速度快。

Description

一种车辆颜色识别方法
技术领域
本发明涉及图像处理与模式识别技术领域，特别涉及一种全局特征的车辆颜色识别方法。
背景技术
中华人民共和国公共安全行业标准机动车号牌图像自动识别技术规范要求，机动车号牌图像自动识别软件应具备车辆颜色识别功能，识别颜色种类包括：白、灰、黑、红、粉、黄、绿、蓝、紫、棕等10类；识别时间应不大于100ms；日间识别准确率应不小于70％；对夜间未作要求。因此在智能交通系统中，在对车牌进行识别的同时，还需要对车辆颜色进行快速、准确识别。
目前关于车辆颜色识别的技术尚不成熟，其识别准确率远低于车牌识别，具体影响车辆颜色识别的主要原因如下：
车辆颜色易受光照条件、天气状况等干扰而产生颜色失真；
能代表车辆颜色的区域的认定与准确提取较为困难；
相近颜色判定困难(如白与灰，灰与黑，红与粉，黄与棕，蓝与黑等等)，目前并无相关标准。
目前车辆颜色识别技术的主要流程是：第一步通过运动或边缘信息定位车辆位置，排除一定的车轮、车窗等干扰区域，获取大面积感兴趣区域颜色信息；或者通过成熟的车牌定位技术定位车牌，再根据车牌位置获取特定干扰较少的车身区域颜色信息。第二步对获取的原始颜色信息作进一步处理，比如颜色空间转化、直方图统计、归一化等等，获取颜色特征信息。第三步用统计投票法、聚类算法、线性或非线性SVM分类器、卷积神经网络等分类器对颜色特征信息进行分类识别。
目前现有技术所公开的专利包括：
中国发明专利，申请号：CN201510374911.5，发明名称：一种车身颜色识别方法；
中国发明专利，申请号：CN201510374911.5，发明名称：一种车身颜色识别方法；
中国发明专利，申请号：CN201310414231.2，发明名称：一种车辆车身颜色检测识别方法；
中国发明专利，申请号：CN201510543022.7，发明名称：基于局部约束线性编码的车身颜色识别方法；
中国发明专利，申请号：CN201510543000.0，发明名称：基于颜色直方图的车身颜色识别方法；
中国发明专利，申请号：CN201710165620.4，发明名称：一种基于深度学习的车辆颜色识别方法与装置；
中国发明专利，申请号：CN201710589038.0，发明名称：一种车辆识别方法和系统；
上述公开的技术虽然在特征处理以及分类器的构造和训练方面各有优点，但是对于车辆颜色识别问题而言，存在一些共同的缺点。第一，颜色信息基本在车身区域中获取，没有考虑不同自然光条件下，车身与环境亮度以及色度的对比；第二，需要较为准确地获得能代表车辆颜色的区域，如果定位错误，颜色识别势必失败；第三，对颜色信息进行空间变换或者特征提取，都会丢掉部分原始信息，并不一定有利于识别。另外，基于深度学习的CNN网络虽然学习能力强，但是网络的结构复杂，不易确定；在训练中也可能陷入局部极值，影响识别效果。
发明内容
本发明针对现有技术的缺陷，提供了一种车辆颜色识别方法，能有效的解决上述现有技术存在的问题。
为了实现以上发明目的，本发明采取的技术方案如下：
一种车辆颜色识别方法，包括以下步骤：
S1：获取白色、灰色、黑色、红色、粉色、黄色、绿色、蓝色、紫色和棕色的车辆彩色图像作为训练样本；
S2：采用LIBSVM工具箱中的线性SVM对训练样本进行逐对分类训练，获取45个颜色分类器；
S3：对抓拍的车辆正面图像进行车牌识别，根据车牌大小获取70×70像素的车辆彩色待识别图像。
S4：获取待识别车辆彩色图像的特征向量，并送入S2中训练好的分类器，确定车辆颜色类别。
进一步地，S1具体包括下述步骤：
S11：获取日间各种光照不同路面下的车辆正面彩色图像，彩色图像要求车牌悬挂于车辆正中，车牌在图像中宽度为80—150像素，完整清晰；人工判别车身颜色并分类。
S12：对步骤S11得到的图像进行车牌识别，并记录车牌矩形的宽度W(单位：像素)与位置。用双线性插值法对图像进行缩小变换，车牌矩形宽度缩小为10像素，缩小倍数λ＝W/10，得到彩色缩小图像。根据缩小倍数λ重新计算车牌矩形位置。
S13：对步骤S12得到的彩色缩小图像进行切分。以车牌矩形的下底边为基准，向左向右各扩展30像素，向下扩展15像素，向上扩展55像素，获得大小为70×70像素的车辆彩色图像。
S14：将完成后得到的车辆彩色图像按颜色分类后作为训练样本。
进一步地，S2具体步骤如下：
S21：以LIBSVM工具箱中的SVM为基础，配置训练参数如下：选择线性核函数；设置惩罚参数C＝0.05；
S22：获取所有训练样本的特征向量。每一张车辆彩色图像对应生成一个特征向量，每个像素的原始R、G、B值作为特征数据按行、按(R、G、B)排列形成特征向量(R、G、B、…R、G、B)T，T为矩阵转置符号；每个特征向量包含14700个特征数据。每类颜色的特征向量形成一个集合。
S23：对颜色编号，白＝0、灰＝1、黑＝2、红＝3、粉＝4、黄＝5、绿＝6、蓝＝7、紫＝8、棕＝9；按逐对分类法，使用步骤S21得到的SVM，对步骤S22获取的10个类别的特征向量集合进行训练，得到45个分类器：ω01…ω09、ω12…ω19、ω23…ω29、ω34…ω39、ω45…ω49、ω56…ω59、ω67…ω69、ω78…ω79、ω89，按下标编号对应颜色分类为白灰…白棕、灰黑…灰棕、黑红…黑棕、红粉…红棕、黄绿…黄棕、蓝紫…蓝棕、紫棕；每个分类器ωij为14701维列向量，i与j对应颜色编号，取值0—9。
进一步地，S3的具体步骤如下：
S31：识别车牌，并记录车牌矩形的宽度W(单位：像素)与位置；用双线性插值法对图像进行缩小变换，车牌矩形宽度缩小为10像素，缩小倍数λ＝W/10，得到彩色缩小图像。根据缩小倍数λ重新计算车牌矩形位置；
S32：对步骤S31获得的彩色缩小图像灰度化，并用(1,0，-1)算子提取灰度图像的垂直边缘，获得边缘图像E1；
S33：以S31获得的车牌矩形的下底边为基准，向左向右各扩展55像素，向下扩展15像素，向上扩展20像素，在步骤S32获得的边缘图像E1上切分出大小为120×35像素的边缘图像E2；对边缘图像E2在水平轴进行投影，获取投影向量P；
S34：对S33得到的投影向量P进行对称性计算，获取最佳对称中心，该对称中心为车辆水平中心C；
S35：对S31得到的彩色缩小图像、车牌矩形位置和步骤S34得到的车辆水平中心C，以车牌矩形的下底边为基准，向上扩展55像素，向下扩展15像素；以车辆水平中心C为基准向左向右各扩展35像素，获得大小为70×70像素的车辆彩色图像。
进一步地，S4的具体步骤如下：
S41：对步骤S35获得的70×70像素的车辆彩色图像生成一个14701维特征向量x。每个像素的原始R、G、B值作为特征数据按行、按(R、G、B)排列，并在最后添加1，形成特征向量x＝(R、G、B、…R、G、B、1)T。
S42的具体步骤如下：
S421：设置初始值i＝0，j＝9；
S422：计算g(x)＝ωT ijx。如果g(x)＜0，i＝i+1；否则j＝j-1；其中g(x)表示特征向量x的函数；
S423：比较i与j。如果i＜j，重复S422；否则根据i的值和步骤S23设定的颜色编号，输出车辆颜色识别结果。
与现有技术相比本发明的优点在于：克服了目前所有识别技术面临的一个共同难题，即在车身范围定位能代表车辆颜色的颜色特征区域；避开了定位难题，体现了车身与环境的亮度色度对比，提高了识别的准确率；利用所有原始颜色信息进行分类，不作颜色空间变换和特征提取，降低了算法的难度和计算复杂度，克服了现有技术易丢失信息的缺陷，能更准确表示颜色属性；用线性SVM，构造逐对分类的分类器，并采用二叉树原则，通过9次分类淘汰进行颜色识别，结构简单、容易训练、计算速度快。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下举实施例，对本发明做进一步详细说明。
一种车辆颜色识别方法，包括以下步骤：
S1：获取10类颜色的车辆彩色图像作为训练样本，具体包括下述步骤：
S11：获取日间各种光照不同路面下的车辆正面彩色图像(车牌悬挂于车辆正中，车牌在图像中宽度为80—150像素，完整清晰可供识别)。人工判别车身颜色并分类。其中白色车辆图像4000张；灰色车辆图像5000张；黑色车辆图像4000张；红色车辆图像3500张；粉色车辆图像1000张；黄色车辆图像2000张；绿色车辆图像1500张；蓝色车辆图像3500张；紫色车辆图像1000张；棕色车辆图像2500张。
S12：对步骤S11得到的图像进行车牌识别，并记录车牌矩形的宽度W(单位：像素)与位置。用双线性插值法对图像进行缩小变换，车牌矩形宽度缩小为10像素，缩小倍数λ＝W/10，得到彩色缩小图像。根据缩小倍数λ重新计算车牌矩形位置。
S13：对步骤S12得到的彩色缩小图像进行切分。以车牌矩形的下底边为基准，向左向右各扩展30像素，向下扩展15像素，向上扩展55像素，获得大小为70×70像素的车辆彩色图像。
S14：将完成后得到的车辆彩色图像按颜色分类后作为训练样本。
S2：采用LIBSVM工具箱中的线性SVM对训练样本进行逐对分类训练，获取45个颜色分类器。
S2具体步骤如下：
S21：以LIBSVM工具箱中的SVM为基础，配置训练参数如下：选择线性核函数；设置惩罚参数C＝0.05。
S22：获取所有训练样本的特征向量。每一张车辆彩色图像对应生成一个特征向量，每个像素的原始R、G、B值作为特征数据按行、按(R、G、B)排列形成特征向量(R、G、B、…R、G、B)T；每个特征向量包含14700个特征数据。每类颜色的特征向量形成一个集合。
S23：对颜色编号，白＝0、灰＝1、黑＝2、红＝3、粉＝4、黄＝5、绿＝6、蓝＝7、紫＝8、棕＝9；按逐对分类法，使用步骤S21得到的SVM，对步骤S22获取的10个类别的特征向量集合进行训练，得到45个分类器：ω01…ω09、ω12…ω19、ω23…ω29、ω34…ω39、ω45…ω49、ω56…ω59、ω67…ω69、ω78…ω79、ω89，按下标编号对应颜色分类为白灰…白棕、灰黑…灰棕、黑红…黑棕、红粉…红棕、黄绿…黄棕、蓝紫…蓝棕、紫棕；每个分类器ωij为14701维列向量。
S3：对抓拍的车辆正面图像进行车牌识别，根据车牌大小获取70×70像素的车辆彩色待识别图像。
S3的具体步骤如下：
S31：识别车牌，并记录车牌矩形的宽度W(单位：像素)与位置；用双线性插值法对图像进行缩小变换，车牌矩形宽度缩小为10像素，缩小倍数λ＝W/10，得到彩色缩小图像。根据缩小倍数λ重新计算车牌矩形位置。
S32：对步骤S31获得的彩色缩小图像灰度化，并用(1,0，-1)算子提取灰度图像的垂直边缘，获得边缘图像E1。
S33：以S31获得的车牌矩形的下底边为基准，向左向右各扩展55像素，向下扩展15像素，向上扩展20像素，在步骤S32获得的边缘图像E1上切分出大小为120×35像素的边缘图像E2；对边缘图像E2在水平轴进行投影，获取投影向量P(120维向量)。
S34：对S33得到的投影向量P进行对称性计算，获取最佳对称中心，该对称中心为车辆水平中心C。
S35：对S31得到的彩色缩小图像、车牌矩形位置和步骤S34得到的车辆水平中心C，以车牌矩形的下底边为基准，向上扩展55像素，向下扩展15像素；以车辆水平中心C为基准向左向右各扩展35像素，获得大小为70×70像素的车辆彩色图像。
S4：获取待识别车辆彩色图像的特征向量，并送入S2中训练好的分类器，确定车辆颜色类别。
S4的具体步骤如下：
S41：对步骤S35获得的70×70像素的车辆彩色图像生成一个14701维特征向量x。每个像素的原始R、G、B值作为特征数据按行、按(R、G、B)排列，并在最后添加1，形成特征向量x＝(R、G、B、…R、G、B、1)T。
S42的具体步骤如下：
S421：设置初始值i＝0，j＝9；
S422：计算g(x)＝ωT ijx。如果g(x)＜0，i＝i+1；否则j＝j-1；
S423：比较i与j。如果i＜j，重复S422；否则根据i的值和步骤S23设定的颜色编号，输出车辆颜色识别结果。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的实施方法，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (3)

1.一种车辆颜色识别方法，其特征在于，包括以下步骤：
S1：获取白色、灰色、黑色、红色、粉色、黄色、绿色、蓝色、紫色和棕色的车辆彩色图像作为训练样本；
S1具体包括下述步骤：
S11：获取日间各种光照不同路面下的车辆正面彩色图像，彩色图像要求车牌悬挂于车辆正中，车牌在图像中宽度为80—150像素，完整清晰；人工判别车身颜色并分类；
S12：对步骤S11得到的图像进行车牌识别，并记录车牌矩形的宽度W与位置；用双线性插值法对图像进行缩小变换，车牌矩形宽度缩小为10像素，缩小倍数λ＝W/10，得到彩色缩小图像，根据缩小倍数λ重新计算车牌矩形位置；
S13：对步骤S12得到的彩色缩小图像进行切分，以车牌矩形的下底边为基准，向左向右各扩展30像素，向下扩展15像素，向上扩展55像素，获得大小为70×70像素的车辆彩色图像；
S14：将完成后得到的车辆彩色图像按颜色分类后作为训练样本；
S2：采用LIBSVM工具箱中的线性SVM对训练样本进行逐对分类训练，获取45个颜色分类器；
S2具体步骤如下：
S21：以LIBSVM工具箱中的SVM为基础，配置训练参数如下：选择线性核函数；设置惩罚参数C＝0.05；
S22：获取所有训练样本的特征向量，每一张车辆彩色图像对应生成一个特征向量，每个像素的原始R、G、B值作为特征数据按行、按(R、G、B)排列形成特征向量(R、G、B、…R、G、B)T，T为矩阵转置符号；每个特征向量包含14700个特征数据，每类颜色的特征向量形成一个集合；
S23：对颜色编号，白＝0、灰＝1、黑＝2、红＝3、粉＝4、黄＝5、绿＝6、蓝＝7、紫＝8、棕＝9；按逐对分类法，使用步骤S21得到的SVM，对步骤S22获取的10个类别的特征向量集合进行训练，得到45个分类器：ω01…ω09、ω12…ω19、ω23…ω29、ω34…ω39、ω45…ω49、ω56…ω59、ω67…ω69、ω78…ω79、ω89，按下标编号对应颜色分类为白灰…白棕、灰黑…灰棕、黑红…黑棕、红粉…红棕、黄绿…黄棕、蓝紫…蓝棕、紫棕；每个分类器ωij为14701维列向量，i与j对应颜色编号，取值0—9；
S3：对抓拍的车辆正面图像进行车牌识别，根据车牌大小获取70×70像素的车辆彩色待识别图像；
S4：获取待识别车辆彩色图像的特征向量，并送入S2中训练好的分类器，确定车辆颜色类别。
2.根据权利要求1所述的方法，其特征在于：S3的具体步骤如下：
S31：识别车牌，并记录车牌矩形的宽度W与位置；用双线性插值法对图像进行缩小变换，车牌矩形宽度缩小为10像素，缩小倍数λ＝W/10，得到彩色缩小图像，根据缩小倍数λ重新计算车牌矩形位置；
S32：对步骤S31获得的彩色缩小图像灰度化，并用(1,0，-1)算子提取灰度图像的垂直边缘，获得边缘图像E1；
S33：以S31获得的车牌矩形的下底边为基准，向左向右各扩展55像素，向下扩展15像素，向上扩展20像素，在步骤S32获得的边缘图像E1上切分出大小为120×35像素的边缘图像E2；对边缘图像E2在水平轴进行投影，获取投影向量P；
S34：对S33得到的投影向量P进行对称性计算，获取最佳对称中心，该对称中心为车辆水平中心C；
S35：对S31得到的彩色缩小图像、车牌矩形位置和步骤S34得到的车辆水平中心C，以车牌矩形的下底边为基准，向上扩展55像素，向下扩展15像素；以车辆水平中心C为基准向左向右各扩展35像素，获得大小为70×70像素的车辆彩色图像。
3.根据权利要求2所述的方法，其特征在于：S4的具体步骤如下：
S41：对步骤S35获得的70×70像素的车辆彩色图像生成一个14701维特征向量x，每个像素的原始R、G、B值作为特征数据按行、按(R、G、B)排列，并在最后添加1，形成特征向量x＝(R、G、B、…R、G、B、1)T；
S42的具体步骤如下：
S421：设置初始值i＝0，j＝9；
S422：计算g(x)＝ωT ijx；如果g(x)＜0，i＝i+1；否则j＝j-1；其中g(x)表示特征向量x的函数；
S423：比较i与j；如果i＜j，重复S422；否则根据i的值和步骤S23设定的颜色编号，输出车辆颜色识别结果。
CN201811395635.0A 2018-11-22 2018-11-22 一种车辆颜色识别方法 Expired - Fee Related CN109558872B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811395635.0A CN109558872B (zh) 2018-11-22 2018-11-22 一种车辆颜色识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811395635.0A CN109558872B (zh) 2018-11-22 2018-11-22 一种车辆颜色识别方法

Publications (2)

Publication Number Publication Date
CN109558872A CN109558872A (zh) 2019-04-02
CN109558872B true CN109558872B (zh) 2022-02-11

Family

ID=65866881

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811395635.0A Expired - Fee Related CN109558872B (zh) 2018-11-22 2018-11-22 一种车辆颜色识别方法

Country Status (1)

Country Link
CN (1) CN109558872B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110348505B (zh) * 2019-07-02 2022-02-22 高新兴科技集团股份有限公司 车辆颜色分类模型训练方法、装置和车辆颜色识别方法
CN110969162B (zh) * 2019-12-05 2022-07-22 四川大学 一种机动车车窗定位方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101334835A (zh) * 2008-07-28 2008-12-31 上海高德威智能交通系统有限公司 颜色识别方法
CN102959588A (zh) * 2011-04-28 2013-03-06 中国科学院自动化研究所 基于图像色度的彩色数字图像篡改检测方法
CN103207992A (zh) * 2013-04-07 2013-07-17 布法罗机器人科技（苏州）有限公司 车辆牌照字符和颜色联合识别方法
CN103544480A (zh) * 2013-10-17 2014-01-29 公安部第三研究所 车辆颜色识别方法
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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9218534B1 (en) * 2014-11-17 2015-12-22 Tandent Vision Science, Inc. Method and system for classifying painted road markings in an automotive driver-vehicle-assistance device

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101334835A (zh) * 2008-07-28 2008-12-31 上海高德威智能交通系统有限公司 颜色识别方法
CN102959588A (zh) * 2011-04-28 2013-03-06 中国科学院自动化研究所 基于图像色度的彩色数字图像篡改检测方法
CN103207992A (zh) * 2013-04-07 2013-07-17 布法罗机器人科技（苏州）有限公司 车辆牌照字符和颜色联合识别方法
CN103544480A (zh) * 2013-10-17 2014-01-29 公安部第三研究所 车辆颜色识别方法
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
车辆颜色识别方法研究;赵红波等;《电视技术》;20131202(第23期);全文 *

Also Published As

Publication number Publication date
CN109558872A (zh) 2019-04-02

Similar Documents

Publication Publication Date Title
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
CN109145915B (zh) 一种复杂场景下车牌快速畸变矫正方法
CN109886896B (zh) 一种蓝色车牌分割与矫正方法
CN107545239B (zh) 一种基于车牌识别与车辆特征匹配的套牌检测方法
CN104715239B (zh) 一种基于去雾处理和权重分块的车辆颜色识别方法
CN103824091B (zh) 一种用于智能交通系统的车牌识别方法
CN107301405A (zh) 自然场景下的交通标志检测方法
CN102509098B (zh) 一种鱼眼图像车辆识别方法
CN103198315B (zh) 基于字符轮廓和模板匹配的车牌字符分割算法
CN105809138A (zh) 一种基于分块识别的道路警告标志检测与识别方法
CN107729812B (zh) 一种适用于监控场景中的车辆颜色识别的方法
CN102880863B (zh) 一种基于可变形部件模型的车牌及驾驶员人脸定位方法
CN105005766A (zh) 一种车身颜色识别方法
CN107220664B (zh) 一种基于结构化随机森林的油瓶装箱清点方法
CN113128507B (zh) 一种车牌识别方法、装置、电子设备及存储介质
CN104200207A (zh) 一种基于隐马尔可夫模型的车牌识别方法
CN109558872B (zh) 一种车辆颜色识别方法
CN105139011A (zh) 一种基于标识物图像的车辆识别方法及装置
CN110060221A (zh) 一种基于无人机航拍图像的桥梁车辆检测方法
Do et al. Speed limit traffic sign detection and recognition based on support vector machines
CN116229423A (zh) 基于改进的Canny边缘检测算法和SVM的无人驾驶中的小目标检测方法
CN105512649A (zh) 一种基于颜色空间的高清视频实时车牌定位方法
Chen et al. Real-time vehicle color identification using symmetrical SURFs and chromatic strength
CN109165659B (zh) 一种基于超像素分割的车辆颜色识别方法
CN110969135A (zh) 自然场景中的车标识别方法

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220211