CN110503696A - 一种基于超像素采样的车脸颜色特征检测方法 - Google Patents

Abstract

本发明公开了一种基于超像素采样的车脸颜色特征检测方法，包括如下步骤：步骤1：已知车辆图像I、车窗下、左、右三条边线l^WB、l^WL、l^WR、左右边线l^L、l^R的对应角度θ^L、θ^R；步骤2：将直线l^WB、l^WL、l^WR、图像I底边围成的区域确定为车脸区域，将其对应的图像记为I^F；步骤3：使用超像素分割算法对图像I^F进行超像素分割，得到超像素集S；步骤4：将车脸区域划分为18个采样区域；步骤5：在每个采样区域内筛选得到一个超像素；步骤6：18个超像素分别采用76维HSV颜色直方图进行表示。本发明的有益效果是：降低了特征的维度同时将图像颜色空间分布信息融入特征，使特征具备更强的区分性。

Description

一种基于超像素采样的车脸颜色特征检测方法

技术领域

本发明涉及数字图像处理领域，具体是一种基于超像素采样的车脸颜色特征检测方法。

背景技术

颜色是车辆最直观的信息，且对图像质量、尺寸、方向不敏感，是车辆识别、匹配等应用中不可或缺的重要依据。颜色特征表达的精准性是决定最终颜色识别效果的关键因素。

常用的颜色特征包括颜色直方图、颜色矩等。图像在颜色空间上通过量化生成特征向量的过程就是图像颜色信息压缩的过程，其目的是得到图像更加精简统一的描述方式，去除冗余的无效信息，方便计算机进行后续的分析判断，但与此同时也必然会造成一些信息的丢失，而这些丢失的信息可能在某些场景下是进行图像分辨的关键。

针对现有颜色特征的不足，本发明认为通过降低识别单元的颜色复杂度、降低信息压缩后的失真率来优化特征表达的精准度，因此本发明以超像素为基本颜色识别单元，同时根据车脸区域的颜色分布特点，使用环形不均匀超像素采样策略来筛选得到定量的有代表性的超像素，最后通过串联这些超像素的HSV直方图特征来得到最终的车脸颜色特征。

发明内容

针对现有技术中存在的问题，本发明的目的在于提供一种基于超像素采样的车脸颜色特征检测方法。

本发明的技术方案如下：

一种基于超像素采样的车脸颜色特征检测方法，其特征在于，包括如下步骤：

步骤1：已知车辆图像I、车窗下、左、右三条边线l^WB、l^WL、l^WR、左右边线l^L、l^R的对应角度θ^L、θ^R，其中，θ^L、θ^R分别为水平线到车窗左右边线的逆时针夹角；

步骤2：将直线l^WB、l^WL、l^WR、图像I底边围成的区域确定为车脸区域，将其对应的图像记为I^F；

步骤3：使用超像素分割算法对图像I^F进行超像素分割，得到超像素集S；

步骤4：将车脸区域划分为18个采样区域，18个采样区域由12条射线l₀，l₁,l₂,…,l₁₁、一个圆形c₁、一个半圆c₂划分而成；其中，射线l₀为平行于车窗底边l^WB且右端点为图像I^F的中心点的射线，余下的等分射线l₁、l₂、…、l₁₁由起始等分射线l₀以图像I^F的中心点为旋转中心，沿着顺时针方向依次旋转30°确定，c₁为车脸图像I^F的内切圆，其圆心为图像I^F的中心点、直径等于图像I^F的边长，c₂的圆心为图像I^F的中心点，直径等于图像I^F的边长的一半，且圆弧起始于等分线l₀终止于等分线l₆。

步骤5：在每个采样区域内筛选得到一个超像素，该超像素需要包含采样区域中心点，最终筛选得到18个超像素；

步骤6：18个超像素分别采用76维HSV颜色直方图进行表示，其中H通道量化为36级，S、V通道分别量化为20级，最终串联这18个超像素的特征得到1368维的车脸颜色特征。

本发明的有益效果是：本发明提出的基于超像素采样颜色特征不仅包含了每个超像素的局部颜色信息，还包含了基于多个超像素的全局颜色信息，同时通过使用基于车脸颜色分布特点采样策略，降低了特征的维度同时将图像颜色空间分布信息融入特征，使特征具备更强的区分性。

附图说明

图1是车辆图像；

图2是车脸图像；

图3是车脸图像的超像素分割结果；

图4是车脸图像的采样区域划分结果；

图5是车脸图像上采样区域的划分效果。

具体实施方式

下面结合具体实例，对一种基于超像素采样的车脸颜色特征检测方法实施的过程进行详细的说明。

基于超像素采样的车脸颜色特征检测方法，具体步骤如下：

步骤1：已知车辆图像I、车窗下、左、右三条边线l^WB、l^WL、l^WR、左右边线l^L、l^R的对应角度θ^L、θ^R，其中，θ^L、θ^R分别为水平线到车窗左右边线的逆时针夹角；

在本实例中，用于说明的车辆图像I如图1所示；

步骤2：将直线l^WB、l^WL、l^WR、图像I底边围成的区域确定为车脸区域，将其对应的图像记为I^F；

在本实例中，根据步骤2确定的车脸图像I^F如图2所示；

步骤3：使用超像素分割算法对图像I^F进行超像素分割，得到超像素集S；在本实施例中，采用的超像素分割算法为Slic方法；

在本实例中，根据步骤3得到的车脸图像I^F的超像素分割结果如图3所示；

步骤4：将车脸区域划分为18个采样区域，18个采样区域由12条射线l₀,l₁,l₂,…,l₁₁、一个圆形c₁、一个半圆c₂划分而成；其中，射线l₀为平行于车窗底边l^WB且右端点为图像I^F的中心点的射线，余下的等分射线l₁、l₂、…、l₁₁由起始等分射线l₀以图像I^F的中心点为旋转中心，沿着顺时针方向依次旋转30°确定，c₁为车脸图像I^F的内切圆，其圆心为图像I^F的中心点、直径等于图像I^F的边长，c₂的圆心为图像I^F的中心点，直径等于图像I^F的边长的一半，且圆弧起始于等分线l₀终止于等分线l₆。

在本实例中，根据步骤4确定的车脸采样区域划分结果如图4所示，且其在车脸图像上的对应效果如图5所示；

步骤5：在每个采样区域内筛选得到一个超像素，该超像素需要包含采样区域中心点，最终筛选得到18个超像素；

步骤6：18个超像素分别采用76维HSV颜色直方图进行表示，其中H通道量化为36级，S、V通道分别量化为20级，最终串联这18个超像素的特征得到1368维的车脸颜色特征。

Claims (1)

1.一种基于超像素采样的车脸颜色特征检测方法，其特征在于，包括如下步骤：

步骤1：已知车辆图像I、车窗下、左、右三条边线l^WB、l^WL、l^WR、左右边线l^L、l^R的对应角度θ^L、θ^R，其中，θ^L、θ^R分别为水平线到车窗左右边线的逆时针夹角；

步骤2：将直线l^WB、l^WL、l^WR、图像I底边围成的区域确定为车脸区域，将其对应的图像记为I^F；

步骤3：使用超像素分割算法对图像I^F进行超像素分割，得到超像素集S；

步骤4：将车脸区域划分为18个采样区域，18个采样区域由12条射线l₀，l₁,l₂,…,l₁₁、一个圆形c₁、一个半圆c₂划分而成；其中，射线l₀为平行于车窗底边l^WB且右端点为图像I^F的中心点的射线，余下的等分射线l₁、l₂、…、l₁₁由起始等分射线l₀以图像I^F的中心点为旋转中心，沿着顺时针方向依次旋转30°确定，c₁为车脸图像I^F的内切圆，其圆心为图像I^F的中心点、直径等于图像I^F的边长，c₂的圆心为图像I^F的中心点，直径等于图像I^F的边长的一半，且圆弧起始于等分线l₀终止于等分线l₆；

步骤5：在每个采样区域内筛选得到一个超像素，该超像素需要包含采样区域中心点，最终筛选得到18个超像素；

步骤6：18个超像素分别采用76维HSV颜色直方图进行表示，其中H通道量化为36级，S、V通道分别量化为20级，最终串联这18个超像素的特征得到1368维的车脸颜色特征。