CN112016433A - 一种基于深度神经网络的车辆颜色识别方法 - Google Patents

一种基于深度神经网络的车辆颜色识别方法 Download PDF

Info

Publication number
CN112016433A
CN112016433A CN202010859737.4A CN202010859737A CN112016433A CN 112016433 A CN112016433 A CN 112016433A CN 202010859737 A CN202010859737 A CN 202010859737A CN 112016433 A CN112016433 A CN 112016433A
Authority
CN
China
Prior art keywords
vehicle
color
roof
sub
neural network
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.)
Pending
Application number
CN202010859737.4A
Other languages
English (en)
Inventor
王祥雪
朱婷婷
董振江
林焕凯
谭焕新
刘双广
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.)
Gosuncn Technology Group Co Ltd
Original Assignee
Gosuncn Technology Group Co Ltd
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 Gosuncn Technology Group Co Ltd filed Critical Gosuncn Technology Group Co Ltd
Priority to CN202010859737.4A priority Critical patent/CN112016433A/zh
Publication of CN112016433A publication Critical patent/CN112016433A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06V10/30—Noise filtering
    • 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
    • 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)
  • Multimedia (AREA)
  • Data Mining & Analysis (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

本发明属于图像处理技术领域，具体涉及一种基于深度神经网络的车辆颜色识别方法，包含步骤：S1：获取输入的待识别车辆颜色的图片；S2：分别对车顶区域、车脸区域进行回归获取车顶区域和车脸区域；S3：对车顶和车脸区域进行多尺度划分获得多个子区域；S4：对所述多个子区域进行颜色识别，获得所述子区域的颜色识别结果；S5：对所述子区域的颜色识别结果进行加权计算，获取车辆的颜色。从而过滤或者减小了车脸进气格栅和车顶天窗对车辆颜色识别的干扰，提升了车辆颜色识别的准确性。

Description

一种基于深度神经网络的车辆颜色识别方法
技术领域
本发明属于图像处理技术领域，具体涉及一种基于深度神经网络的车辆颜色识别方法。
背景技术
在卡口场景下的过车颜色识别场景下，摄像头需要采集过往车辆信息进行识别，由于卡扣场景下光线环境非常的复杂，会发生过爆以及车身颜色漂移与背景颜色难以分离，以及夜间环境光线不足，通常会使用闪光灯进行拍摄补光，但车辆区域对强光的漫反射，以及车辆大灯强光对摄像头的干扰，会导致采集到的图像车牌区域过曝，丢失车身颜色原本的特征，现有的车辆颜色识别系统会因为检测不到车辆区域，或者对车身区域定位不准，以及车身区域有文字，车身拥有多种颜色(车头，车顶颜色不一)从而造成对车辆颜色的错误识别。本发明针对这些问题，开发一个高精度的车辆颜色识别算法，旨在提高车辆颜色识别的准确率。
目前的车辆颜色识别系统主要分为传统方法和深度学习的方法进行车辆颜色识别。
传统的车辆颜色识别方法依靠人工设计的特征确定车身颜色识别的感兴趣区域，进而对感兴趣区域的颜色进行识别，主要方法有1.对感兴趣区域内所有像素点进行SVM颜色分类，统计颜色占比，输出占比最高的颜色作为车身颜色。2.对感兴趣区域内的所有像素点进行直方图统计，颜色最多的占比即为车身的颜色识别结果。
基于深度学习的车辆颜色识别方法首先也是确定车身的区域以及车辆颜色识别的感兴趣区域，并将颜色区域或者颜色区域的直方图送入到预先训练好的深度神经网络中进行分类识别。
上述识别方法中存在着对车辆颜色识别的感兴趣区域定位不准确，车身颜色识别区域中夹杂着背景区域造成颜色分类器识别错误，以及确定感兴趣区域所有像素点的颜色直方图容易引起颜色干扰。
基于传统的图像处理方法的车辆颜色识别，例如：公开号为“CN 106384117 A”的发明专利，提出了一种基于颜色直方图的车辆颜色识别系统。主要步骤为，从含有车辆的图片中确定车辆的区域，作为车辆颜色识别的区域。对所述车辆颜色识别区域进行去雾、去噪、增强对比度处理。将所述车辆颜色识别区域的颜色空间从RGB颜色空间转换到HSV颜色空间。将所述车辆颜色识别区域按米字形划分成8个子区域，统计各个子区域的颜色直方图，输出车辆颜色识别的结果。公开号为“CN 106503638 A”的发明专利，提出了一种基于颜色阈值和背景码本的车辆颜色识别方法。首先，从视频采集系统中选取多个视频，分别从各个视频中选取若干帧图像，构造训练集，根据所述训练集识别视频采集系统的背景目标码本；根据所述背景目标码本识别目标图像中目标对象对应的前景目标像素点；剔除所述前景目标像素点中目标对象反光部分对应的像素点，得到主体部分对应的主体像素点，根据所述主体像素点进行目标对象的颜色识别，确定目标对象的颜色。并通过计算阈值剔除掉了反光点。确定主体像素点，通过计算得出颜色识别结果。
基于传统的深度学习的车辆颜色识别，例如：公开号为“CN 105354530 A”的发明专利，提出了将颜色统计直方图输入到预先训练好的深度神经网络中进行颜色识别。该专利通过车牌位置以及二值化处理和方向纹理确定颜色识别区域。将多维颜色直方图输入深度神经网络，输出颜色识别结果。
现有的车辆颜色识别系统大都采用颜色直方图作为车辆颜色判断的主要技术手段，分类器大都采用svm或者神经网络。将直方图作为分类器的输入鲁棒性不强，抗干扰能力弱。并且卡口拍摄的车辆图片颜色复杂，车身有玻璃窗，车灯以及涂鸦的影响，将整个的车身图作为车辆颜色识别系统的输入不太合适，容易造成分类器的误识别。
发明内容
针对上述车身定位不准确，直方图鲁棒性不强等缺点，本发明提供一种基于深度神经网络的车身关键点回归的多尺度车辆颜色识别方法。
本发明通过以下技术方案实现：
一种基于深度神经网络的车辆颜色识别方法，所述的方法包含如下步骤：
S1：获取输入的待识别车辆颜色的图片；
S2：分别对车顶区域、车脸区域进行回归获取车顶区域和车脸区域；
S3：对车顶和车脸区域进行多尺度划分获得多个子区域；
S4：对所述多个子区域进行颜色识别，获得所述子区域的颜色识别结果；
S5：对所述子区域的颜色识别结果进行加权计算，获取车辆的颜色。
进一步地，在步骤S1中，还包括对所述输入的待识别车辆颜色的图片进行预处理步骤：
S1.1：采用高斯滤波或拉普拉斯滤波的方法对所述图片的噪声进行滤除；
S1.2：采用直方图均衡增强图像的对比度，凸显所述图片的细节，将图片直方图比较集中的某个区间变成在全部范围的均匀分布。
进一步地，在步骤S2中，对车脸和车顶区域进行多尺度划分，以过滤或者减小车脸进气格栅和车顶天窗对车辆颜色识别的干扰。
进一步地，所述的多尺度划分具体为：将车顶和车脸区域分别划分成8x8 64个子区域，并记录每个子区域在车脸和车顶的原始位置信息。
进一步地，在步骤S4中，还包括：将划分出的128个子区域输入到颜色识别网络中，获得车顶和车脸区域的颜色识别结果。
进一步地，在步骤S5中，分别统计128个子区域的颜色识别结果，并根据每个子区域在车顶和车脸的原始位置信息，分别统计车顶和车脸中心区域以及其他区域的颜色识别结果，最后车顶和车脸区域的结果加权输出最终的颜色识别结果。
优选的，所述中心区域为保险杠以上车窗玻璃以下的区域。
优选的，基于卡口摄像头来采集所述图片。
一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现基于深度神经网络的车辆颜色识别方法的步骤。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中所述处理器执行所述程序时实现基于深度神经网络的车辆颜色识别方法的步骤。
本发明提出了一种基于深度神经网络的车辆颜色识别方法，并搭建多任务卷积神经网络实现精准车脸和车顶区域回归和颜色识别分类。与现有技术相比，本发明至少具有下述的有益效果或优点：
1.分别对车顶和车脸区域进行回归，通过深度神经网络提高了位置回归精度，加强了车辆颜色识别的鲁棒性。
2.对车脸和车顶区域进行了多尺度划分，过滤或者减小了车脸进气格栅和车顶天窗对车辆颜色识别的干扰，提升了车辆颜色识别的准确性；
3.提出了基于深度神经网络的车辆颜色识别模块，提高了对颜色分类识别的准确性；
4.通过对车脸和车顶颜色识别结果的加权，提升了车辆颜色识别的稳定性和抗干扰能力。
附图说明
以下将结合附图对本发明做进一步详细说明；
图1是本发明的模型训练流程图图；
图2是本发明的颜色识别结果示意图。
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。
实施例1：
在本发明的一个实施例中，提出一种基于深度神经网络的车身关键点回归的多尺度车辆颜色识别方法。该方法包含两个子模块，分别是车身关键点回归模块以及颜色识别模块。在卡口环境下，由于摄像头位置较高，拍摄的车辆图片一般会包含车灯，车脸，车窗，车顶几个部分，由于车灯和车窗等部位会对车辆颜色识别造成很大的干扰，在车辆颜色识别过程中要过滤掉。该实施例应用车身关键点回归模块将车脸和车顶区域回归出来作为车辆颜色识别区域。颜色识别模块由一个神经网络分类组成。该方法包括步骤：
S1：在系统模型中输入图片，并建立数据集，所述数据集包括训练集和测试集；
S2：对上述输入的图片进行图像预处理；
S3：分别对车顶区域、车脸区域进行回归，对车顶和车脸区域进行多尺度划分；
S4：基于上述划分，对车顶和车脸区域进行颜色识别，获得车顶和车脸区域的颜色识别结果；
S5：对车顶和车脸区域的颜色识别结果进行加权计算，输出最终的颜色识别结果。
优选的，卡口环境下普通乘用车由于高度较低，卡口摄像头能够拍摄到车顶区域。大型货车由于高度较高，卡口摄像头拍摄不到车顶区域。可以加入车辆类型识别模块，依据车辆类型信息对车辆各个区域进行关键点回归。
实施例2：
在本发明的一个另一实施例中，针对车辆颜色识别定位不准确，以及车脸、车顶颜色不一，颜色分类器鲁棒性不强等缺点。本发明将分别回归车脸和车顶区域，并分别对这两个区域进行多尺度划分，分别输入到颜色识别网络，分别统计车脸和车顶的颜色识别结果，经过加权平均输出最终的车辆颜色识别结果。
1、本发明的模型训练流程图如图1所示，具体通过以下技术方案来实现：
S1：数据集建立包括训练集和测试集，模型输入的图片是预先经过车辆检测模型输出的区域拼接成一张样本图像。
S1.1：图像预处理，由于卡口车辆图片存在很多的噪声，需要对其进行噪声过滤，可采用高斯滤波，拉普拉斯滤波等方法对图像噪声滤除。由于卡口车辆图片存在着背景和前景都太亮或者太暗的情况，可采用直方图均衡增强图像的对比度，凸显图像细节，将图像直方图比较集中的某个区间变成在全部范围的均匀分布。
S2：车顶车脸区域回归，该模块是为了解决现有车辆颜色识别方法存在着对车脸定位不准确，以及一次性的将车辆区域的图像作为颜色识别。现实中车顶有天窗的影响以及车脸区域有进气格栅的影响，对车辆颜色识别造成了很大的干扰。区域回归能够精确的对车顶及车脸区域进行定位。
S2.1：划分识别区域，该模块是为了减小天窗以及进气格栅对车辆颜色识别的干扰。具体做法为，将车脸和车顶区域分别划分成8x8 64个子区域，记录每个子区域在原始车脸和车顶的位置信息。
S3：颜色识别，该模块是车辆颜色识别的核心模块，是车辆颜色识别的输出模块。该模块将S2.1步骤划分出的128个子区域输入到颜色识别网络。
S3.1：结果统计，分别统计128个子区域的颜色识别结果，并根据每个子区域在车顶和车脸的原始位置，分别统计车顶和车脸中心区域(保险杠以上车窗玻璃以下)以及其他区域的颜色识别结果。减小中心区域的结果权重，或者舍弃掉中心区域的识别结果。最后车顶和车脸区域的结果加权输出最终的颜色识别结果。
如图2所示，红色区域为车脸区域，蓝色区域为车顶区域。其中第5,6个(保险杠，车灯)以及第1,8个区域(雨刷器，车牌)均有不同程度的干扰，所以将其阈值设置为其他区域阈值的1/2即1/256，综上第2,3,5,6区域的阈值为1/64，第1,5,6,8,区域的阈值为1/256，车脸区域在颜色决策的总的阈值为1/2。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现基于深度神经网络的车辆颜色识别方法的步骤。
本发明还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中所述处理器执行所述程序时实现基于深度神经网络的车辆颜色识别方法的步骤。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。在不脱离本发明之精神和范围内，所做的任何修改、等同替换、改进等，同样属于本发明的保护范围之内。

Claims (10)

1.一种基于深度神经网络的车辆颜色识别方法，其特征在于，所述的方法包含如下步骤：
S1：获取输入的待识别车辆颜色的图片；
S2：分别对车顶区域、车脸区域进行回归获取车顶区域和车脸区域；
S3：对车顶和车脸区域进行多尺度划分获得多个子区域；
S4：对所述多个子区域进行颜色识别，获得所述子区域的颜色识别结果；
S5：对所述子区域的颜色识别结果进行加权计算，获取车辆的颜色。
2.根据权利要求1所述的基于深度神经网络的车辆颜色识别方法，其特征在于，在步骤S1中，还包括对所述输入的待识别车辆颜色的图片进行预处理步骤：
S1.1：采用高斯滤波或拉普拉斯滤波的方法对所述图片的噪声进行滤除；
S1.2：采用直方图均衡增强图像的对比度，凸显所述图片的细节，将图片直方图比较集中的某个区间变成在全部范围的均匀分布。
3.根据权利要求1所述的基于深度神经网络的车辆颜色识别方法，其特征在于，在步骤S2中，对车脸和车顶区域进行多尺度划分，以过滤或者减小车脸进气格栅和车顶天窗对车辆颜色识别的干扰。
4.根据权利要求3所述的基于深度神经网络的车辆颜色识别方法，其特征在于，所述的多尺度划分具体为：将车顶和车脸区域分别划分成8x8 64个子区域，并记录每个子区域在车脸和车顶的原始位置信息。
5.根据权利要求4所述的基于深度神经网络的车辆颜色识别方法，其特征在于，在步骤S4中，还包括：将划分出的128个子区域输入到颜色识别网络中，获得车顶和车脸区域的颜色识别结果。
6.根据权利要求5所述的基于深度神经网络的车辆颜色识别方法，其特征在于，在步骤S5中，分别统计128个子区域的颜色识别结果，并根据每个子区域在车顶和车脸的原始位置信息，分别统计车顶和车脸中心区域以及其他区域的颜色识别结果，最后车顶和车脸区域的结果加权输出最终的颜色识别结果。
7.根据权利要求6所述的基于深度神经网络的车辆颜色识别方法，其特征在于，所述中心区域为保险杠以上车窗玻璃以下的区域。
8.根据权利要求1所述的基于深度神经网络的车辆颜色识别方法，其特征在于，基于卡口摄像头来采集所述图片。
9.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，其中，该程序被处理器执行时实现权利要求1-8任一所述的基于深度神经网络的车辆颜色识别方法的步骤。
10.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中所述处理器执行所述程序时实现权利要求1-8任一所述的基于深度神经网络的车辆颜色识别方法的步骤。
CN202010859737.4A 2020-08-24 2020-08-24 一种基于深度神经网络的车辆颜色识别方法 Pending CN112016433A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010859737.4A CN112016433A (zh) 2020-08-24 2020-08-24 一种基于深度神经网络的车辆颜色识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010859737.4A CN112016433A (zh) 2020-08-24 2020-08-24 一种基于深度神经网络的车辆颜色识别方法

Publications (1)

Publication Number Publication Date
CN112016433A true CN112016433A (zh) 2020-12-01

Family

ID=73505774

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010859737.4A Pending CN112016433A (zh) 2020-08-24 2020-08-24 一种基于深度神经网络的车辆颜色识别方法

Country Status (1)

Country Link
CN (1) CN112016433A (zh)

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN106203420A (zh) * 2016-07-26 2016-12-07 浙江捷尚视觉科技股份有限公司 一种卡口车辆颜色识别方法
CN106326893A (zh) * 2016-08-25 2017-01-11 安徽水滴科技有限责任公司 一种基于区域辨别的车辆颜色识别方法
CN106384117A (zh) * 2016-09-14 2017-02-08 东软集团股份有限公司 一种车辆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
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
CN106874840A (zh) * 2016-12-30 2017-06-20 东软集团股份有限公司 车辆信息识别方法及装置
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
CN107301421A (zh) * 2016-04-15 2017-10-27 中兴通讯股份有限公司 车辆颜色的识别方法及装置
CN108563976A (zh) * 2017-11-29 2018-09-21 浙江工业大学 一种基于车窗位置的多方向车辆颜色识别方法
CN109190639A (zh) * 2018-08-16 2019-01-11 新智数字科技有限公司 一种车辆颜色识别方法、装置及系统
CN109344844A (zh) * 2018-09-19 2019-02-15 高新兴科技集团股份有限公司 一种车辆颜色识别方法及装置
CN109508720A (zh) * 2018-10-23 2019-03-22 高新兴科技集团股份有限公司 一种车辆颜色识别方法及装置
CN109741406A (zh) * 2019-01-03 2019-05-10 广州广电银通金融电子科技有限公司 一种监控场景下的车身颜色识别方法
CN110322522A (zh) * 2019-07-11 2019-10-11 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
CN110348505A (zh) * 2019-07-02 2019-10-18 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
CN110378236A (zh) * 2019-06-20 2019-10-25 西安电子科技大学 基于深度学习的车辆身份识别模型构建、识别方法和系统
CN110555464A (zh) * 2019-08-06 2019-12-10 高新兴科技集团股份有限公司 一种基于深度学习模型的车辆颜色识别方法
CN110633712A (zh) * 2019-09-17 2019-12-31 中控智慧科技股份有限公司 一种车身颜色识别方法、系统、装置及计算机可读介质
CN110751037A (zh) * 2019-09-17 2020-02-04 中控智慧科技股份有限公司 车身颜色识别的方法及终端设备

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN107301421A (zh) * 2016-04-15 2017-10-27 中兴通讯股份有限公司 车辆颜色的识别方法及装置
CN106203420A (zh) * 2016-07-26 2016-12-07 浙江捷尚视觉科技股份有限公司 一种卡口车辆颜色识别方法
CN106326893A (zh) * 2016-08-25 2017-01-11 安徽水滴科技有限责任公司 一种基于区域辨别的车辆颜色识别方法
CN106384117A (zh) * 2016-09-14 2017-02-08 东软集团股份有限公司 一种车辆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
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
CN106874840A (zh) * 2016-12-30 2017-06-20 东软集团股份有限公司 车辆信息识别方法及装置
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
CN108563976A (zh) * 2017-11-29 2018-09-21 浙江工业大学 一种基于车窗位置的多方向车辆颜色识别方法
CN109190639A (zh) * 2018-08-16 2019-01-11 新智数字科技有限公司 一种车辆颜色识别方法、装置及系统
CN109344844A (zh) * 2018-09-19 2019-02-15 高新兴科技集团股份有限公司 一种车辆颜色识别方法及装置
CN109508720A (zh) * 2018-10-23 2019-03-22 高新兴科技集团股份有限公司 一种车辆颜色识别方法及装置
CN109741406A (zh) * 2019-01-03 2019-05-10 广州广电银通金融电子科技有限公司 一种监控场景下的车身颜色识别方法
CN110378236A (zh) * 2019-06-20 2019-10-25 西安电子科技大学 基于深度学习的车辆身份识别模型构建、识别方法和系统
CN110348505A (zh) * 2019-07-02 2019-10-18 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
CN110322522A (zh) * 2019-07-11 2019-10-11 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
CN110555464A (zh) * 2019-08-06 2019-12-10 高新兴科技集团股份有限公司 一种基于深度学习模型的车辆颜色识别方法
CN110633712A (zh) * 2019-09-17 2019-12-31 中控智慧科技股份有限公司 一种车身颜色识别方法、系统、装置及计算机可读介质
CN110751037A (zh) * 2019-09-17 2020-02-04 中控智慧科技股份有限公司 车身颜色识别的方法及终端设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
战荫伟 等: "车辆颜色和型号识别算法研究与应用", 《广东工业大学学报》, vol. 37, no. 4, pages 2 - 5 *
智芯原动(ICE TECH): "V82-DV101之大角度、特殊车牌、车标和颜色识别", 《HTTPS://WWW.SOHU.COM/A/125459682_607256》, pages 2 *

Similar Documents

Publication Publication Date Title
CN110619750B (zh) 面向违停车辆的智能航拍识别方法及系统
CN109657632B (zh) 一种车道线检测识别方法
CN104778444B (zh) 道路场景下车辆图像的表观特征分析方法
WO2017028587A1 (zh) 车辆监控的方法和装置、处理器、图像采集设备
TWI607901B (zh) 影像修補系統及其方法
CN107220624A (zh) 一种基于Adaboost算法的人脸检测方法
CN108256521B (zh) 用于车身颜色识别的有效区域定位方法
Guo et al. Image-based seat belt detection
CN106778742B (zh) 一种基于Gabor滤波器背景纹理抑制的车标检测方法
CN111553214B (zh) 一种驾驶员吸烟行为检测方法及系统
CN113128507B (zh) 一种车牌识别方法、装置、电子设备及存储介质
CN110060221B (zh) 一种基于无人机航拍图像的桥梁车辆检测方法
Shaikh et al. A novel approach for automatic number plate recognition
CN113034378B (zh) 一种区分电动汽车与燃油汽车的方法
CN113537211B (zh) 一种基于非对称iou的深度学习车牌框定位方法
CN103927548A (zh) 一种新的避免车辆碰撞的刹车行为检测方法
CN112686252A (zh) 一种车牌检测方法和装置
CN111860610A (zh) 一种车牌过曝及有无牌车识别的方法、设备及计算机存储介质
CN112863194B (zh) 一种图像处理方法、装置、终端及介质
CN113989771A (zh) 一种基于数字图像处理的交通信号灯识别方法
CN111178359A (zh) 车牌号码识别方法、装置和设备及计算机存储介质
CN108288041B (zh) 一种行人目标错检去除的预处理方法
CN112016433A (zh) 一种基于深度神经网络的车辆颜色识别方法
CN110321973B (zh) 一种基于视觉的组合车辆检测方法
CN110321828B (zh) 一种基于双目摄像机和车底阴影的前方车辆检测方法

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