CN110751053B - 一种车辆颜色识别方法、装置、设备及存储介质 - Google Patents
一种车辆颜色识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110751053B CN110751053B CN201910914945.7A CN201910914945A CN110751053B CN 110751053 B CN110751053 B CN 110751053B CN 201910914945 A CN201910914945 A CN 201910914945A CN 110751053 B CN110751053 B CN 110751053B
- Authority
- CN
- China
- Prior art keywords
- color
- image
- vehicle
- hsv
- 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
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车辆颜色识别的方法、装置、设备及存储介质,通过预先建立的车辆颜色识别模型,获取从待识别车辆图像提取的第一车身图像对应的初始识别颜色,当所述初始识别颜色不属于预设的反光色时,将其输出为最终识别颜色,当所述初始识别颜色属于所述反光色时,通过HSV图像和二值掩码图判断所述第一车身图像中的车辆的真实颜色是否为所述反光色,若否,则进行二次识别,获取所述第一车身图像对应的最终识别颜色;本发明能够判别出初始识别颜色为反光色的车辆的真实颜色是否为所述反光色,并且对真实颜色不为所述反光色的车辆,进行二次识别,得到其真实的颜色,有效降低车辆处于反光的情况下颜色误判的概率,提高车辆颜色识别的准确性。
Description
技术领域
本发明涉及图像处理技术领域,具体的说,涉及的是一种车辆颜色识别方法、装置、设备及存储介质。
背景技术
近年来,随着科技的发展,利用电子技术实现颜色识别的技术也得到了长足发展,并被广泛应用在各个方面,以代替以人眼为主导的颜色识别工作。其中,在智能交通领域应用车辆颜色识别可以弥补车牌识别的不足,有效地提高智能交通系统的可靠性。
现有的车辆颜色识别方法主要有基于深度学习理论的车辆颜色识别方法、或基于分割区域的传统车辆颜色识别方法。基于深度学习理论的车辆颜色识别方法的普遍做法是输入一张车身图像到已训练好的网络直接实现对该车辆的颜色识别。而基于分割区域的传统车辆颜色识别方法的普遍做法是首先从背景中截取到完整的车身区域,其次,对车身上具有大色块的区域进行定位和分割,然后针对分割出的色块利用RGB或其他颜色空间直接进行比对,即可给出车辆颜色的判定结果。
但是,当监控场景中的车辆处于反光的情况下采用上述两种容易出现误判,例如,清晨有薄雾时,抓拍车辆图像往往呈现蓝色的基调,在这些情况下,识别的结果常为车辆呈现的颜色,而非车辆本身的颜色。
发明内容
基于此,本发明提供了一种车辆颜色识别方法、装置、设备及存储介质,其能够有效降低车辆处于反光的情况下颜色误判的概率,提高车辆颜色识别的准确性。
第一方面,本发明实施例提供了一种车辆颜色识别方法,包括:
根据接收到的待识别车辆图像,提取第一车身图像;
根据所述第一车身图像,通过预先建立的车辆颜色识别模型,获取所述第一车身图像对应的初始识别颜色;
当所述初始识别颜色不属于预设的反光色时,将所述初始识别颜色输出为最终识别颜色;
当所述初始识别颜色属于所述反光色时,将所述第一车身图像转换为HSV图像;
根据所述HSV图像和所述初始识别颜色对应的HSV参数范围,获得所述第一车身图像对应的二值掩码图;
判断所述二值掩码图中像素值为1的像素点总数是否大于预设阈值;
当所述二值掩码图中像素值为1的像素点总数大于预设阈值,将所述初始识别颜色输出为最终识别颜色;
当所述二值掩码图中像素值为1的像素点总数不大于预设阈值,根据所述二值掩码图,通过所述车辆颜色识别模型,获取所述第一车身图像对应的最终识别颜色。
相对于现有技术,本发明实施例的有益效果在于:
通过预先建立的车辆颜色识别模型,获取从待识别车辆图像提取的第一车身图像对应的初始识别颜色,当所述初始识别颜色不属于预设的反光色时,将其输出为最终识别颜色,当所述初始识别颜色属于所述反光色时,通过HSV图像和二值掩码图判断所述第一车身图像中的车辆的真实颜色是否为所述反光色,若否,则进行二次识别,获取所述第一车身图像对应的最终识别颜色。在第一次识别之后对图像进行的分类和处理,能够判别出初始识别颜色为反光色的车辆的真实颜色是否为所述反光色,并且对真实颜色不为所述反光色的车辆,进行二次识别,能够得到其真实的颜色,有效降低车辆处于反光的情况下颜色误判的概率,提高车辆颜色识别的准确性。
作为上述方案的改进,所述根据接收到的待识别车辆图像,提取第一车身图像,具体包括:
对所述待识别车辆图像进行裁剪,获得第一车身图像。
作为上述方案的改进,所述方法还包括:
将预先采集的车辆图片按照预先设定的颜色矩阵进行颜色分类,获得若干个训练集;其中,所述颜色矩阵包括多种颜色及各种颜色所属的颜色类型;
通过所述训练集,对预先构建的深度神经网络模型进行训练,得到所述车辆颜色识别模型;其中,预先构建的所述深度神经网络模型用于提取浅层特征。
相对于现有技术,本发明实施例的有益效果在于:
所采集的车辆图片中的车辆颜色囊括了在道路上行驶的所有车辆颜色,因此利用这些预先采集的车辆图片分类成训练集,不易遗漏颜色类型,且使得模型鲁棒性强。颜色矩阵里的所有元素,都是来源于采集的车辆图片中的车辆颜色,囊括了在道路上行驶的所有车辆颜色,在本发明实施例中,所述训练集的分类,是依据所述颜色矩阵的颜色类型而进行的,因而可以使得颜色的定义更加明确。由于颜色属于浅层特征,所以在训练前对深度神经网络进行裁剪,以减少卷积层的层数,从而减少训练和识别过程的计算量和计算时间,还可以减少参数占用的内存,而且几乎不影响识别的准确率。
作为上述方案的改进,所述根据所述HSV图像和所述初始识别颜色对应的HSV参数范围,获得所述第一车身图像对应的二值掩码图,具体包括:
判断所述HSV图像中像素点的HSV参数是否在所述初始识别颜色对应的HSV参数范围内;
当判断出所述HSV图像中像素点的HSV参数在所述初始识别颜色对应的HSV参数范围内时,将所述HSV图像中像素点的像素值更新为1;
当判断出所述HSV图像中像素点的HSV参数不在所述初始识别颜色对应的HSV参数范围内时,将所述HSV图像中像素点的像素值更新为0;
根据像素值更新后的HSV图像,得到所述二值掩码图。
相对于现有技术,本发明实施例的有益效果在于:
根据所述HSV图像和初始识别颜色对应的HSV参数范围,将在所述初始识别颜色对应的HSV参数范围内的所述HSV图像中的像素点的像素值更新为1,不在所述初始识别颜色对应的HSV参数范围内的所述HSV图像中的像素点的像素值更新为0,从而得到二值掩码图,可以更好地将呈现反光色的像素点与其它像素点区别开来,并能更好地统计这些呈现反光色的像素点的数量。
作为上述方案的改进,所述当所述二值掩码图中像素值为1的像素点总数不大于预设阈值,根据所述二值掩码图,通过所述车辆颜色识别模型,获取所述第一车身图像对应的最终识别颜色,具体包括:
根据所述二值掩码图中像素值为1的像素点,剔除所述第一车身图像中与像素值为1的像素点对应像素点颜色信息,获得第二车身图像;
根据所述第二车身图像,通过所述车辆颜色识别模型,获取所述第一车身图像对应的最终识别颜色。
相对于现有技术,本发明实施例的有益效果在于:
当所述二值掩码图中像素值为1的像素点总数不大于预设阈值时,即可判断所述二值掩码图对应的所述第一车身图像中的车辆的真实颜色不为所述初始识别颜色,剔除所述第一车身图像中与像素值为1的像素点对应像素点颜色信息,即剔除所述初始识别颜色的干扰,通过所述车辆颜色识别模型,对剔除干扰后获得的所述第二车身图像进行识别,方可得到所述第一车身图像中的车辆的真实颜色。
第二方面,本发明实施例提供了一种车辆颜色识别装置,包括:
车身图像提取模块:用于根据接收到的待识别车辆图像,提取第一车身图像;
第一识别模块,用于根据所述第一车身图像,通过预先建立的车辆颜色识别模型,获取所述第一车身图像对应的初始识别颜色;
第一输出模块,用于当所述初始识别颜色不属于预设的反光色时,将所述初始识别颜色输出为最终识别颜色;
第一转换模块,用于当所述初始识别颜色属于所述反光色时,将所述第一车身图像转换为HSV图像;
第二转换模块,用于根据所述HSV图像和所述初始识别颜色对应的HSV参数范围,获得所述第一车身图像对应的二值掩码图;
判断模块,用于判断所述二值掩码图中像素值为1的像素点总数是否大于预设阈值;
第二输出模块,用于当所述二值掩码图中像素值为1的像素点总数大于预设阈值,将所述初始识别颜色输出为最终识别颜色;
第二识别模块,用于当所述二值掩码图中像素值为1的像素点总数不大于预设阈值,根据所述二值掩码图,通过所述车辆颜色识别模型,获取所述第一车身图像对应的最终识别颜色。
作为上述方案的改进,所述装置还包括:
训练集建立模块,用于将预先采集的车辆图片按照预先设定的颜色矩阵进行颜色分类,获得若干个训练集;其中,所述颜色矩阵包括多种颜色及各种颜色所属的颜色类型;
模型训练模块,用于通过所述训练集,对预先构建的深度神经网络模型进行训练,得到所述车辆颜色识别模型;其中,预先构建的所述深度神经网络模型用于提取浅层特征。
作为上述方案的改进,所述第二转换模块,包括:判断单元、第一像素值更新单元、第二像素值更新单元、转换单元,
所述判断单元,用于判断所述HSV图像中像素点的HSV参数是否在所述初始识别颜色对应的HSV参数范围内;
所述第一像素值更新单元,用于当判断出所述HSV图像中像素点的HSV参数在所述初始识别颜色对应的HSV参数范围内时,将所述HSV图像中像素点的像素值更新为1;
所述第二像素值更新单元,用于当判断出所述HSV图像中像素点的HSV参数不在所述初始识别颜色对应的HSV参数范围内时,将所述HSV图像中像素点的像素值更新为0;
所述转换单元,用于根据像素值更新后的HSV图像,得到所述二值掩码图。
第三方面,本发明实施例提供了一种车辆颜色识别设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面中任意一项所述的车辆颜色识别方法。
第四方面,本方发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如第一方面中任意一项所述的车辆颜色识别方法。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明第一实施例提供的一种车辆颜色识别方法的流程示意图;
图2是本发明实施例提供的颜色矩阵示意图;
图3是本发明第二实施例提供的一种车辆颜色识别装置的结构示意图;
图4是本发明第三实施例提供的一种车辆颜色识别设备的结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,本发明第一实施例提供的一种车辆颜色识方法,包括以下步骤:
S11、根据接收到的待识别车辆图像,提取第一车身图像;
在本发明实施例中,所述第一车身图像包括待颜色识别的车辆在所述待识别车辆图像中的完整部分,从接收到的待识别车辆图像中提取第一车身图像,目的是尽可能地减少背景的像素点的数量,增加车身像素点在第一车身图像中的占比,减少背景的像素点对车辆颜色识别的干扰。
S12、根据所述第一车身图像,通过预先建立的车辆颜色识别模型,获取所述第一车身图像对应的初始识别颜色;
S13、当所述初始识别颜色不属于预设的反光色时,将所述初始识别颜色输出为最终识别颜色;
在本发明实施例中,由于考虑到当清晨有薄雾时,抓拍车辆图像往往呈现蓝色的基调,当正午光照很强时,多数浅灰色车辆会出现反光呈现白色,而傍晚有夕阳时,白色车又会泛黄色的光,因此在本发明实施例中,将蓝色、白色和黄色预先设置为反光色。
S14、当所述初始识别颜色属于所述反光色时,将所述第一车身图像转换为HSV图像;
S15、根据所述HSV图像和所述初始识别颜色对应的HSV参数范围,获得所述第一车身图像对应的二值掩码图;
在本发明实施例中,所述二值掩码图指的是二值图像其是指在图像中,灰度等级只有两种,例常规的二值图像包括黑白、单色图像。在所述二值掩码图中,白色的像素点在对应的HSV图像中对应的像素点的参数是在所述初始识别颜色对应的HSV参数范围内的,而黑色的像素点在对应的HSV图像中对应的像素点的参数则不在所述初始识别颜色对应的HSV参数范围内。其中,HSV参数指的是HSV图像对应的HSV颜色空间模型中的色调(H)、饱和度(S)、明度(V)。
S16、判断所述二值掩码图中像素值为1的像素点总数是否大于预设阈值;
在本发明实施例中,所述预设阈值是根据实验确定的,每种颜色类型选择一定数量的车身图像,按照HSV参数获得二值掩码图,并统计二值掩码图中像素为1的像素总数,取下限作为该颜色的判断标准。例如将一定数量的黄色类别的车身图像转换为二值掩码图后其像素值为1的像素总数下限为40,000,意味着一旦某张车身图像经过同样处理后,像素值为1的像素总数大于40,000,就能判断图片中车辆的颜色为黄色。在本发明实施例中,所述预设阈值的作用是用以判断所述二值掩码图对应的第一车身图像中的车辆的真实颜色是否为所述初始识别颜色的,当所述二值掩码图中像素值为1的像素点总数大于预设阈值,即可直接判断出所述初始识别颜色是第一车身图像中的车辆的真实颜色,当所述二值掩码图中像素值为1的像素点总数不大于预设阈值,则说明所述初始识别颜色不是第一车身图像中的车辆的真实颜色。
S17、当所述二值掩码图中像素值为1的像素点总数大于预设阈值,将所述初始识别颜色输出为最终识别颜色;
S18、当所述二值掩码图中像素值为1的像素点总数不大于预设阈值,根据所述二值掩码图,通过所述车辆颜色识别模型,获取所述第一车身图像对应的最终识别颜色。
在本发明实施例中,当所述二值掩码图中像素值为1的像素点总数不大于预设阈值时,则说明所述二值掩码图对应的所述第一车身图像的初始识别颜色不是所述第一车身图像中的车辆的真实颜色,因此需要根据所述二值掩码图,找到初始识别颜色对应的像素点,即所述二值掩码图中像素值为1的像素点,降低或消除这些像素点在所述第一车身图像中对应的像素点的颜色信息对第二次车辆颜色识别的影响,从而提高第二次车辆颜色识别的正确率。
在本发明实施例中,通过预先建立的车辆颜色识别模型,获取从待识别车辆图像提取的第一车身图像对应的初始识别颜色,当所述初始识别颜色不属于预设的反光色时,将其输出为最终识别颜色,当所述初始识别颜色属于所述反光色时,通过HSV图像和二值掩码图判断所述第一车身图像中的车辆的真实颜色是否为所述反光色,若否,则进行二次识别,获取所述第一车身图像对应的最终识别颜色。在第一次识别之后对图像进行的分类和处理,能够判别出初始识别颜色为反光色的车辆的真实颜色是否为所述反光色,并且对真实颜色不为所述反光色的车辆,进行二次识别,能够得到其真实的颜色,有效降低车辆处于反光的情况下颜色误判的概率,提高车辆颜色识别的准确性。
在一种可选的实施例中,所述根据接收到的待识别车辆图像,提取第一车身图像,具体包括:
对所述待识别车辆图像进行裁剪,获得第一车身图像。
在本发明实施例中,首先对所述待识别车辆图像进行缩放,使得其中车辆的部分达到预设的像素大小范围,然后按照预设的像素大小对所述待识别车辆图像进行裁剪,比如227×227像素,使获得的每一幅第一车身图像中车辆部分所占的像素点数量近乎相等,且每一幅第一车身图像的大小都相等。
在一种可选的实施例中,所述方法还包括:
将预先采集的车辆图片按照预先设定的颜色矩阵进行颜色分类,获得若干个训练集;其中,所述颜色矩阵包括多种颜色及各种颜色所属的颜色类型;
通过所述训练集,对预先构建的深度神经网络模型进行训练,得到所述车辆颜色识别模型;其中,预先构建的所述深度神经网络模型用于提取浅层特征。
在本发明实施例中,采集车辆图片的来源可以是道路监控抓拍的车辆图片、汽车厂商提供的车辆图片及展会上拍摄的车辆图片等,所采集的车辆图片中的车辆颜色囊括了在道路上行驶的所有车辆颜色,因此利用这些预先采集的车辆图片分类成训练集,不易遗漏颜色类型,且使得模型对车辆颜色的识别更加准确。所述颜色矩阵,是一种m×n的矩阵,每一列中的所有元素组成一个颜色类型,即有n个颜色类型,每个颜色类型中最多有m种颜色,其中首行的元素为该列组成的颜色类型中的代表颜色,颜色类型颜色类型。请参阅图2,是本发明实施例提供的颜色矩阵示意图,图中各列组成的颜色类型分别为黑色类型、蓝色类型、棕色类型、灰色类型、绿色类型、紫色类型、黄色类型和白色类型;此颜色矩阵中第二列的蓝色类型的元素:蓝色、浅蓝色、深蓝色、淡蓝色。颜色矩阵里的所有元素,都是来源于采集的车辆图片中的车辆颜色,囊括了在道路上行驶的所有车辆颜色,在本发明实施例中,所述训练集的分类,是依据所述颜色矩阵的颜色类型而进行的,因而可以使得颜色的定义更加明确。由于颜色属于浅层特征,所以在训练前对深度神经网络进行裁剪,以减少卷积层的层数,从而减少训练和识别过程的计算量和计算时间,还可以减少参数占用的内存,而且几乎不影响识别的准确率。
在一种可选的实施例中,所述根据所述HSV图像和所述初始识别颜色对应的HSV参数范围,获得所述第一车身图像对应的二值掩码图,具体包括:
判断所述HSV图像中像素点的HSV参数是否在所述初始识别颜色对应的HSV参数范围内;
当判断出所述HSV图像中像素点的HSV参数在所述初始识别颜色对应的HSV参数范围内时,将所述HSV图像中像素点的像素值更新为1;
当判断出所述HSV图像中像素点的HSV参数不在所述初始识别颜色对应的HSV参数范围内时,将所述HSV图像中像素点的像素值更新为0;
根据像素值更新后的HSV图像,得到所述二值掩码图。
在本发明实施例中,所述HSV参数范围,是借助调色板工具确定的,是指在HSV颜色空间中能表示所述初始识别颜色所属的类型的参数的上下阈值之间的参数范围,例如黄色类型的HSV颜色空间的参数上下阈值分别为upper_hsv=[35,255,255]和lower_hsv=[10,100,100],则HSV参数在[10,100,100]至[35,255,255]范围内的颜色都属于黄色类型。根据所述HSV图像和初始识别颜色对应的HSV参数范围,将在所述初始识别颜色对应的HSV参数范围内的所述HSV图像中的像素点的像素值更新为1,不在所述初始识别颜色对应的HSV参数范围内的所述HSV图像中的像素点的像素值更新为0,从而得到二值掩码图,可以更好地将呈现反光色的像素点与其它像素点区别开来,并能更好地统计这些呈现反光色的像素点的数量。
在一种可选的实施例中,所述当所述二值掩码图中像素值为1的像素点总数不大于预设阈值,根据所述二值掩码图,通过所述车辆颜色识别模型,获取所述第一车身图像对应的最终识别颜色,具体包括:
根据所述二值掩码图中像素值为1的像素点,剔除所述第一车身图像中与像素值为1的像素点对应像素点颜色信息,获得第二车身图像;
根据所述第二车身图像,通过所述车辆颜色识别模型,获取所述第一车身图像对应的最终识别颜色。
在本发明实施例中,当所述二值掩码图中像素值为1的像素点总数不大于预设阈值时,即可判断所述二值掩码图对应的所述第一车身图像中的车辆的真实颜色不为所述初始识别颜色,剔除所述第一车身图像中与像素值为1的像素点对应像素点颜色信息,即剔除所述初始识别颜色的干扰,通过所述车辆颜色识别模型,对剔除干扰后获得的所述第二车身图像进行识别,方可得到所述第一车身图像中的车辆的真实颜色。
参见图3,是本发明第二实施例提供的一种车辆颜色识别装置的结构示意图,如图3所示,所述系统包括:
车身图像提取模块1,用于根据接收到的待识别车辆图像,提取第一车身图像;
第一识别模块2,用于根据所述第一车身图像,通过预先建立的车辆颜色识别模型,获取所述第一车身图像对应的初始识别颜色;
第一输出模块3,用于当所述初始识别颜色不属于预设的反光色时,将所述初始识别颜色输出为最终识别颜色;
第一转换模块4,用于当所述初始识别颜色属于所述反光色时,将所述第一车身图像转换为HSV图像;
第二转换模块5,用于根据所述HSV图像和所述初始识别颜色对应的HSV参数范围,获得所述第一车身图像对应的二值掩码图;
判断模块6,用于判断所述二值掩码图中像素值为1的像素点总数是否大于预设阈值;
第二输出模块7,用于当所述二值掩码图中像素值为1的像素点总数大于预设阈值,将所述初始识别颜色输出为最终识别颜色;
第二识别模块8,用于当所述二值掩码图中像素值为1的像素点总数不大于预设阈值,根据所述二值掩码图,通过所述车辆颜色识别模型,获取所述第一车身图像对应的最终识别颜色。
在一种可选的实施例中,所述车身图像提取模块1包括:
裁剪单元,用于对所述待识别车辆图像进行裁剪,获得第一车身图像。
在一种可选的实施例中,所述车辆颜色识别装置还包括:
训练集建立模块,用于将预先采集的车辆图片按照预先设定的颜色矩阵进行颜色分类,获得若干个训练集;其中,所述颜色矩阵包括多种颜色及各种颜色所属的颜色类型;
模型训练模块,用于通过所述训练集,对预先构建的深度神经网络模型进行训练,得到所述车辆颜色识别模型;其中,预先构建的所述深度神经网络模型用于提取浅层特征。
在一种可选的实施例中,所述第二转换模块,包括:判断单元、第一像素值更新单元、第二像素值更新单元、转换单元,
所述判断单元,用于判断所述HSV图像中像素点的像素值是否在所述初始识别颜色对应的HSV参数范围内;
所述第一像素值更新单元,用于当判断出所述HSV图像中像素点的像素值在所述初始识别颜色对应的HSV参数范围内时,将所述HSV图像中像素点的像素值更新为1;
所述第二像素值更新单元,用于当判断出所述HSV图像中像素点的像素值不在所述初始识别颜色对应的HSV参数范围内时,将所述HSV图像中像素点的像素值更新为0;
所述转换单元,用于根据像素值更新后的HSV图像,得到所述二值掩码图。
在一种可选的实施例中,所述第二识别模块8,包括:剔除单元和识别单元,所述剔除单元,用于根据所述二值掩码图中像素值为1的像素点,剔除所述第一车身图像中与像素值为1的像素点对应像素点颜色信息,获得第二车身图像;
所述识别单元,用于根据所述第二车身图像,通过所述车辆颜色识别模型,获取所述第一车身图像对应的最终识别颜色。
需要说明的是,本发明实施例提供的一种车辆颜色识别装置用于执行上述一种车辆颜色识别方法的所有方法流程,两者的工作原理和有益效果一一对应,因而不再赘述。
需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
参见图4,是本发明第三实施例提供的一种车辆颜色识别设备的结构框图,如图4所示,该车辆颜色识别设备包括:至少一个处理器11,例如CPU,至少一个网络接口14或者其他用户接口13,存储器15,至少一个通信总线12,通信总线12用于实现这些组件之间的连接通信。其中,用户接口13可选的可以包括USB接口以及其他标准接口、有线接口。网络接口14可选的可以包括Wi-Fi接口以及其他无线接口。存储器15可能包含高速RAM存储器,也可能还包括非不稳定的存储器(non-volatilememory),例如至少一个磁盘存储器。存储器15可选的可以包含至少一个位于远离前述处理器11的存储装置。
在一些实施方式中,存储器15存储了如下的元素,可执行模块或者数据结构,或者他们的子集,或者他们的扩展集:
操作系统151,包含各种系统程序,用于实现各种基础业务以及处理基于硬件的任务;
程序152。
具体地,处理器11用于调用存储器15中存储的程序152,执行上述实施例所述的车辆颜色识别方法,例如图1所示的步骤S11。或者,所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能,例如车身图像提取模块。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述车辆颜色识别设备中的执行过程。
所述车辆颜色识别设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述车辆颜色识别设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述示意图仅仅是车辆颜色识别设备的示例,并不构成对车辆颜色识别设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件。
所称处理器11可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器11是所述车辆颜色识别设备的控制中心,利用各种接口和线路连接整个车辆颜色识别设备的各个部分。
所述存储器15可用于存储所述计算机程序和/或模块,所述处理器11通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述车辆颜色识别设备的各种功能。所述存储器15可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器15可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中,所述车辆颜色识别设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
本方发明第四实施例提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如第一实施例中任意一项所述的车辆颜色识别方法。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种车辆颜色识别方法,其特征在于,包括:
根据接收到的待识别车辆图像,提取第一车身图像;
根据所述第一车身图像,通过预先建立的车辆颜色识别模型,获取所述第一车身图像对应的初始识别颜色;
当所述初始识别颜色不属于预设的反光色时,将所述初始识别颜色输出为最终识别颜色;
当所述初始识别颜色属于所述反光色时,将所述第一车身图像转换为HSV图像;
根据所述HSV图像和所述初始识别颜色对应的HSV参数范围,获得所述第一车身图像对应的二值掩码图;所述HSV参数范围是指在HSV颜色空间中能表示所述初始识别颜色所属的类型的参数的上下阈值之间的参数范围;
判断所述二值掩码图中像素值为1的像素点总数是否大于预设阈值;
当所述二值掩码图中像素值为1的像素点总数大于预设阈值,将所述初始识别颜色输出为最终识别颜色;
当所述二值掩码图中像素值为1的像素点总数不大于预设阈值,根据所述二值掩码图,通过所述车辆颜色识别模型,获取所述第一车身图像对应的最终识别颜色。
2.如权利要求1所述的车辆颜色识别方法,其特征在于,所述根据接收到的待识别车辆图像,提取第一车身图像,具体包括:
对所述待识别车辆图像进行裁剪,获得第一车身图像。
3.如权利要求1所述的车辆颜色识别方法,其特征在于,所述方法还包括:
将预先采集的车辆图片按照预先设定的颜色矩阵进行颜色分类,获得若干个训练集;其中,所述颜色矩阵包括多种颜色及各种颜色所属的颜色类型;
通过所述训练集,对预先构建的深度神经网络模型进行训练,得到所述车辆颜色识别模型;其中,预先构建的所述深度神经网络模型用于提取浅层特征。
4.如权利要求1所述的车辆颜色识别方法,其特征在于,所述根据所述HSV图像和所述初始识别颜色对应的HSV参数范围,获得所述第一车身图像对应的二值掩码图,具体包括:
判断所述HSV图像中的像素点的HSV参数是否在所述初始识别颜色对应的HSV参数范围内;HSV参数指的是HSV图像对应的HSV颜色空间模型中的色调(H)、饱和度(S)、明度(V);
当判断出所述HSV图像中像素点的HSV参数在所述初始识别颜色对应的HSV参数范围内时,将所述HSV图像中像素点的像素值更新为1;
当判断出所述HSV图像中像素点的HSV参数不在所述初始识别颜色对应的HSV参数范围内时,将所述HSV图像中像素点的像素值更新为0;
根据像素值更新后的HSV图像,得到所述二值掩码图。
5.如权利要求1所述的车辆颜色识别方法,其特征在于,所述当所述二值掩码图中像素值为1的像素点总数不大于预设阈值,根据所述二值掩码图,通过所述车辆颜色识别模型,获取所述第一车身图像对应的最终识别颜色,具体包括:
根据所述二值掩码图中像素值为1的像素点,剔除所述第一车身图像中与像素值为1的像素点对应像素点颜色信息,获得第二车身图像;
根据所述第二车身图像,通过所述车辆颜色识别模型,获取所述第一车身图像对应的最终识别颜色。
6.一种车辆颜色识别装置,其特征在于,包括:
车身图像提取模块:用于根据接收到的待识别车辆图像,提取第一车身图像;
第一识别模块,用于根据所述第一车身图像,通过预先建立的车辆颜色识别模型,获取所述第一车身图像对应的初始识别颜色;
第一输出模块,用于当所述初始识别颜色不属于预设的反光色时,将所述初始识别颜色输出为最终识别颜色;
第一转换模块,用于当所述初始识别颜色属于所述反光色时,将所述第一车身图像转换为HSV图像;
第二转换模块,用于根据所述HSV图像和所述初始识别颜色对应的HSV参数范围,获得所述第一车身图像对应的二值掩码图;所述HSV参数范围是指在HSV颜色空间中能表示所述初始识别颜色所属的类型的参数的上下阈值之间的参数范围;
判断模块,用于判断所述二值掩码图中像素值为1的像素点总数是否大于预设阈值;
第二输出模块,用于当所述二值掩码图中像素值为1的像素点总数大于预设阈值,将所述初始识别颜色输出为最终识别颜色;
第二识别模块,用于当所述二值掩码图中像素值为1的像素点总数不大于预设阈值,根据所述二值掩码图,通过所述车辆颜色识别模型,获取所述第一车身图像对应的最终识别颜色。
7.如权利要求6所述的车辆颜色识别装置,其特征在于,所述装置还包括:
训练集建立模块,用于将预先采集的车辆图片按照预先设定的颜色矩阵进行颜色分类,获得若干个训练集;其中,所述颜色矩阵包括多种颜色及各种颜色所属的颜色类型;
模型训练模块,用于通过所述训练集,对预先构建的深度神经网络模型进行训练,得到所述车辆颜色识别模型;其中,预先构建的所述深度神经网络模型用于提取浅层特征。
8.如权利要求6所述的车辆颜色识别装置,其特征在于,所述第二转换模块,包括:判断单元、第一像素值更新单元、第二像素值更新单元、转换单元,所述判断单元,用于判断所述HSV图像中像素点的像素值是否在所述初始识别颜色对应的HSV参数范围内;
所述第一像素值更新单元,用于当判断出所述HSV图像中像素点的HSV参数在所述初始识别颜色对应的HSV参数范围内时,将所述HSV图像中像素点的像素值更新为1;HSV参数指的是HSV图像对应的HSV颜色空间模型中的色调(H)、饱和度(S)、明度(V);
所述第二像素值更新单元,用于当判断出所述HSV图像中像素点的HSV参数不在所述初始识别颜色对应的HSV参数范围内时,将所述HSV图像中像素点的像素值更新为0;
所述转换单元,用于根据像素值更新后的HSV图像,得到所述二值掩码图。
9.一种车辆颜色识别设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至5中任意一项所述的车辆颜色识别方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至5中任意一项所述的车辆颜色识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910914945.7A CN110751053B (zh) | 2019-09-26 | 2019-09-26 | 一种车辆颜色识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910914945.7A CN110751053B (zh) | 2019-09-26 | 2019-09-26 | 一种车辆颜色识别方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110751053A CN110751053A (zh) | 2020-02-04 |
CN110751053B true CN110751053B (zh) | 2022-02-22 |
Family
ID=69277141
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910914945.7A Active CN110751053B (zh) | 2019-09-26 | 2019-09-26 | 一种车辆颜色识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110751053B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102800199A (zh) * | 2012-05-24 | 2012-11-28 | 武汉中科通达高新技术有限公司 | 一种基于智能相机的车身颜色识别系统 |
CN104715239A (zh) * | 2015-03-12 | 2015-06-17 | 哈尔滨工程大学 | 一种基于去雾处理和权重分块的车辆颜色识别方法 |
CN104766049A (zh) * | 2015-03-17 | 2015-07-08 | 苏州科达科技股份有限公司 | 一种物体颜色识别方法及系统 |
CN104866811A (zh) * | 2015-04-16 | 2015-08-26 | 宁波中国科学院信息技术应用研究院 | 一种车辆视频中机动车辆的车身颜色自动识别方法 |
CN105005766A (zh) * | 2015-07-01 | 2015-10-28 | 深圳市迈科龙电子有限公司 | 一种车身颜色识别方法 |
CN105354530A (zh) * | 2015-09-22 | 2016-02-24 | 浙江宇视科技有限公司 | 一种车身颜色识别方法及装置 |
CN106503638A (zh) * | 2016-10-13 | 2017-03-15 | 金鹏电子信息机器有限公司 | 用于颜色识别的图像处理、车辆颜色识别方法和系统 |
CN106529553A (zh) * | 2016-10-27 | 2017-03-22 | 深圳市捷顺科技实业股份有限公司 | 一种车身颜色识别区域定位的方法及装置 |
CN106650611A (zh) * | 2016-10-27 | 2017-05-10 | 深圳市捷顺科技实业股份有限公司 | 一种识别车身颜色的方法及装置 |
CN107462330A (zh) * | 2017-08-17 | 2017-12-12 | 深圳市比特原子科技有限公司 | 一种颜色识别方法和系统 |
WO2018040756A1 (zh) * | 2016-09-05 | 2018-03-08 | 华为技术有限公司 | 一种车身颜色识别的方法及装置 |
CN109740478A (zh) * | 2018-12-26 | 2019-05-10 | 山东创科自动化科技有限公司 | 车辆检测及识别方法、装置、计算机设备及可读存储介质 |
CN109993806A (zh) * | 2019-04-11 | 2019-07-09 | 浙江立元通信技术股份有限公司 | 一种颜色识别方法、装置及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5783194B2 (ja) * | 2012-03-19 | 2015-09-24 | 株式会社リコー | 撮像ユニット、測色装置、画像形成装置、測色システムおよび測色方法 |
-
2019
- 2019-09-26 CN CN201910914945.7A patent/CN110751053B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102800199A (zh) * | 2012-05-24 | 2012-11-28 | 武汉中科通达高新技术有限公司 | 一种基于智能相机的车身颜色识别系统 |
CN104715239A (zh) * | 2015-03-12 | 2015-06-17 | 哈尔滨工程大学 | 一种基于去雾处理和权重分块的车辆颜色识别方法 |
CN104766049A (zh) * | 2015-03-17 | 2015-07-08 | 苏州科达科技股份有限公司 | 一种物体颜色识别方法及系统 |
CN104866811A (zh) * | 2015-04-16 | 2015-08-26 | 宁波中国科学院信息技术应用研究院 | 一种车辆视频中机动车辆的车身颜色自动识别方法 |
CN105005766A (zh) * | 2015-07-01 | 2015-10-28 | 深圳市迈科龙电子有限公司 | 一种车身颜色识别方法 |
CN105354530A (zh) * | 2015-09-22 | 2016-02-24 | 浙江宇视科技有限公司 | 一种车身颜色识别方法及装置 |
WO2018040756A1 (zh) * | 2016-09-05 | 2018-03-08 | 华为技术有限公司 | 一种车身颜色识别的方法及装置 |
CN106503638A (zh) * | 2016-10-13 | 2017-03-15 | 金鹏电子信息机器有限公司 | 用于颜色识别的图像处理、车辆颜色识别方法和系统 |
CN106650611A (zh) * | 2016-10-27 | 2017-05-10 | 深圳市捷顺科技实业股份有限公司 | 一种识别车身颜色的方法及装置 |
CN106529553A (zh) * | 2016-10-27 | 2017-03-22 | 深圳市捷顺科技实业股份有限公司 | 一种车身颜色识别区域定位的方法及装置 |
CN107462330A (zh) * | 2017-08-17 | 2017-12-12 | 深圳市比特原子科技有限公司 | 一种颜色识别方法和系统 |
CN109740478A (zh) * | 2018-12-26 | 2019-05-10 | 山东创科自动化科技有限公司 | 车辆检测及识别方法、装置、计算机设备及可读存储介质 |
CN109993806A (zh) * | 2019-04-11 | 2019-07-09 | 浙江立元通信技术股份有限公司 | 一种颜色识别方法、装置及电子设备 |
Non-Patent Citations (3)
Title |
---|
"基于卷积神经网络的监控场景下车辆颜色识别";张强等;《测控技术》;20171231;第36卷(第10期);11-14 * |
"基于视觉伺服的珍珠颜色智能分拣系统研究与实现";叶佳英;《万方数据》;20190711;第1-5章 * |
"车辆综合信息检测研究";毕晓琳;《中国优秀硕士学位论文全文数据库 信息科技辑》;20141115(第11期);I138-400 * |
Also Published As
Publication number | Publication date |
---|---|
CN110751053A (zh) | 2020-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108268867B (zh) | 一种车牌定位方法及装置 | |
CN110728283A (zh) | 一种车牌类型识别方法及设备 | |
CN107480676B (zh) | 一种车辆颜色识别方法、装置和电子设备 | |
CN109871845B (zh) | 证件图像提取方法及终端设备 | |
CN108615253B (zh) | 图像生成方法、装置与计算机可读存储介质 | |
CN110969046B (zh) | 人脸识别方法、设备及计算机可读存储介质 | |
CN109409377B (zh) | 图像中文字的检测方法及装置 | |
CN109116129B (zh) | 终端检测方法、检测设备、系统及存储介质 | |
Do et al. | Automatic license plate recognition using mobile device | |
CN107704797B (zh) | 基于安防视频中行人和车辆的实时检测方法和系统及设备 | |
CN111860369A (zh) | 一种欺诈识别方法、装置以及存储介质 | |
CN110599554A (zh) | 人脸肤色的识别方法和装置、存储介质及电子装置 | |
CN111626967A (zh) | 图像增强方法、装置、计算机装置及可读存储介质 | |
CN108805838A (zh) | 一种图像处理方法、移动终端及计算机可读存储介质 | |
CN108877030B (zh) | 图像处理方法、装置、终端和计算机可读存储介质 | |
CN111090384A (zh) | 软键盘的显示方法及装置 | |
CN110751053B (zh) | 一种车辆颜色识别方法、装置、设备及存储介质 | |
CN116958582A (zh) | 一种数据处理方法和相关装置 | |
CN111539975A (zh) | 一种运动目标的检测方法、装置、设备及存储介质 | |
CN113837236B (zh) | 图像中目标对象的识别方法、装置、终端设备及存储介质 | |
CN111160073A (zh) | 车牌类型识别方法、装置及计算机可读存储介质 | |
CN111209922B (zh) | 基于svm和opencv的图像色系风格标记方法、装置、设备及介质 | |
CN112132215B (zh) | 一种识别物体类型的方法、装置及计算机可读存储介质 | |
CN111062309B (zh) | 一种雨天交通标志检测方法、存储介质及系统 | |
CN116778212A (zh) | 一种图像处理方法及装置 |
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 |