本發(fā)明屬于計算機視覺技術和圖像處理技術領域，具體是一種車身顏色識別方法，它是通過車牌周圍區(qū)域在HSV空間中的顏色分類以達到識別車身顏色的方法。

背景技術：

交通是人類社會生產、生活以及經濟發(fā)展的必要環(huán)節(jié)，隨著我國交通事業(yè)的迅速發(fā)展、城市化進程的不斷深入，城市汽車數量的逐年增加，城市道路交通問題顯得越來越突出，傳統(tǒng)的交通技術手段已經很難適應經濟社會發(fā)展的要求，現(xiàn)代化智能交通控制系統(tǒng)已成為未來全球道路交通的發(fā)展趨勢和現(xiàn)代化城市的先進標志。針對汽車套牌、一車多牌等妨礙交通秩序的違法行，僅依靠車牌識別已不能適應當前的交通現(xiàn)狀了，因此，車輛的顏色識別技術變得更為重要，它可以彌補車牌識別的不足，從而進一步提高智能交通系統(tǒng)的可靠性。

視頻中運動車輛的顏色識別與檢測是近年來智能交通管理系統(tǒng)中比較關注的研究方向之一。目前，國內已有一些車輛顏色識別的方法，其中與本發(fā)明較為相近的技術方案包括：文獻(周律，葉濤濤，王新華，朱金龍，周昱明?；谲嚿眍伾阉魑醋R別的車牌圖片研究[J]。信息技術,2014，8：92-95)首先將車臉前部靠近排氣扇部分作為車身顏色的識別區(qū)域并將該區(qū)域歸一化為一種色值，通過在CIELab顏色空間模型中制作紅、藍、綠等11種顏色模板并與歸一化后的色值匹配得到車身顏色，該方法雖然在未識別車牌的情況下能夠識別車身顏色，并且具有較好的識別速度，但是該方法要求對車身姿態(tài)要求較高，車輛側斜或其背面都可能無法提取到較好的顏色識別區(qū)域，導致識別率不高；文獻(宋曉紅。車身顏色識別在高速公路卡口中的應用[J]。中國交通信息化，2014(3)：87-90)一種使用機器學習識別車身顏色的方法，該方法首先通過識別車牌將車牌上方的引擎蓋部分作為顏色識別區(qū)域，將提取出的顏色識別區(qū)域轉到LAB顏色空間下并統(tǒng)計顏色直方圖的特征向量，使用支持向量機對該特征向量進行分類實現(xiàn)車身顏色的識別，該方法雖然在識別率上有所提高，但是仍不能在車輛背面提取到較好的顏色識別區(qū)域，此外，使用多個二值子分類器對多種顏色進行分類，不僅會使決策時的速度過慢，而且可能導致分類器泛化誤差無界。發(fā)明專利(黃明亮。一種車身識顏色識別方法及裝置:,CN105354530A[P]。2016)中首先提取車牌上方區(qū)域作為車輛的顏色特征區(qū)域，通過統(tǒng)計該區(qū)域的顏色直方圖，將顏色直方圖輸入到事先訓練好的神經網絡中進行分類，該方法雖然在分類效率上有所提高，但使用神經網絡解決非線性化的問題容易使算法陷入局部極值而導致訓練失敗，如果網絡結構選擇不當有可能造成過擬合或未收斂的現(xiàn)象，從而使識別率變低，此外，對于肉眼無法識別的顏色，不應以單個絕對的顏色來表示，而應該以多個顏色的概率方式來表示車身顏色。

綜上所述，在對車身進行顏色識別時，當前方法存在如下不足：(1).不能較好地適應車輛背部的顏色識別(2)訓練或分類造成了許多的不可避免的誤差(3)對于肉眼無法識別的顏色，不應該用單個的絕對顏色作為最終的識別結果。本發(fā)明針對這一不足提出了一種基于車牌周圍區(qū)域的車輛背部顏色識別方法。

技術實現(xiàn)要素：

針對現(xiàn)有技術中存在的上述問題，本發(fā)明的目的在于提供一種車身顏色識別方法，它是通過車牌周圍區(qū)域在HSV空間中的顏色分類以達到識別車身顏色的方法。

所述的一種車身顏色識別方法，其特征在于具體步驟如下：

步驟1：利用交叉路口的監(jiān)控攝像頭采集RGB圖像；

步驟2：對步驟1)采集到的RGB圖像使用中值濾波處理，并利用車輛檢測跟蹤算法提取得到車輛區(qū)域圖像I，其高度為height，寬度為width，單位為像素；

步驟3：利用車牌識別算法提取步驟2)中的車輛區(qū)域圖像I中的車牌矩形區(qū)域R＝(x，y，w，h)，其中，(x,y)為車牌矩形區(qū)域左上角的坐標，w與h分別為車牌矩形區(qū)域的寬和高，單位為像素；

步驟4：根據公式(1)、(2)和(3)確定采樣區(qū)域D；

其中，μ為事先選定的采樣方式系數，μ∈[0.6,0.8]，ρ₁,ρ₂分別為比例系數，R₁為在車牌上側矩形采樣區(qū)域，(x₁,y₁)為矩形區(qū)域R₁左上角的坐標，w₁與h₁分別為矩形區(qū)域R₁的寬和高，R₂為在車牌下側矩形采樣區(qū)域，(x₂,y₂)為矩形區(qū)域R₂左上角的坐標，w₂與h₂分別為矩形區(qū)域R₂的高和寬；

步驟5：分割步驟4)的采樣區(qū)域D，得到m個矩形樣本集合D*＝{D_i|i＝1,2,…,m}，要求滿足公式(4)：

其中D_i為大小相同的矩形窗口樣本；

步驟6：將步驟5)的所有矩形窗口樣本D_i由RGB空間轉到HSV顏色空間，從樣本集合D*中剔除那些像素總標準差大于λ的樣本，得到新的集合D*＝{D_i|i＝1,2,…,n}，使其滿足式(5)、(6)、(7)、(8)：

其中，n為新樣本集合D*的元素個數，λ為標準差閾值，k_j為第j通道的權重系數，j＝1,2,3，分別表示H、S與V通道，為第i個矩形樣本D_i的像素值總標準差，N_i為第i個矩形樣本D_i中像素點的個數，表示第i個矩形樣本D_i中第k個像素點的第j個通道值，與分別為樣本D_i在j通道上的像素均值與標準差，分別對應D_i中H、S與V通道的像素均值，取值范圍為[0,360]，取值范圍為[0,1]，取值范圍為[0,1]；

步驟7：令顏色分類集合C＝{C_k|k＝1,2,…,10}，遍歷集合D*中的每個樣本D_i，根據公式(9)確定該樣本應該歸屬于哪個分類集合C_k：

其中，C₁,C₂,…,C₁₀分別對應顏色{灰，白，棕，粉，紅，黃，綠，藍，紫，黑}；

步驟8：通過公式(10)篩選出樣本數量最多的顏色集合

max₁＝max{num(C₁),num(C₂),...,num(C₁₀)} (10)

其中num(C_i)表示根據步驟7確定的歸屬于集合C_i的樣本數量，max₁為的樣本數量，進一步篩選出樣本數量第二多、第三多的顏色集合與樣本數分別為max₂、max₃，其中，k_max1∈{1,2,…,10},k_max2∈{1,2,…,10},k_max3∈{1,2,…,10}；

步驟9：確定車身顏色，具體為：

1)若滿足條件max₁*η＞max₂，則車身顏色為集合對應的顏色，其中η為分類系數；

2)若滿足條件max₃＜max₁*η≤max₂，則車身顏色以的概率為集合對應的顏色，以的概率為對應的顏色；

3)若不滿足以上條件1)和2)，則車身顏色以的概率為集合對應的顏色，以的概率為對應的顏色，以的概率為對應的顏色。

通過采用上述技術，與現(xiàn)有的車身顏色識別方法相比，本發(fā)明的有益效果為：本發(fā)明使用計算機視覺技術，通過新的采樣方式并結合HSV顏色空間模型解決了車身顏色識別問題，改善了以車牌分辨車的傳統(tǒng)工作模式，為打擊汽車套牌、一車多牌、假牌照等違法犯罪行為提供了可靠幫助，進一步提高了智能交通的可靠性，節(jié)省了大量的人力成本。

附圖說明

圖1為具體實施例示例用灰度圖；

圖2為使用檢測跟蹤算法提取到的圖1中一輛運動的車輛灰度圖；

圖3為圖2車輛的車牌識別灰度示意圖，用灰色矩形框標注；

圖4為在圖3基礎上得到的采樣區(qū)域灰度示意圖，用灰色矩形框標注；

圖5為圖4的采樣區(qū)域的具體劃分灰度示意圖，用灰色網格標注；

圖6為圖5中的有效樣本序列；

圖7為圖5中的無效樣本序列；

圖8為圖6中的樣本分類示意圖。

由于說明書附圖盡量不用彩色圖，所以我把前面的圖都灰度化了

具體實施方式

下面結合實施例來詳細闡述車身顏色識別方法的具體實施方法。應當理解，此處所描述的具體實例僅用于解釋本發(fā)明，并不用于限定本發(fā)明。

如圖1-8所示，本發(fā)明的一種車身顏色識別方法，具體步驟如下：

步驟1：利用交叉路口的監(jiān)控攝像頭采集RGB圖像；本實施例中，圖像的灰度圖如圖1所示；

步驟2：對采集到的圖像使用核為3*3的結構元進行中值濾波處理，并利用車輛檢測跟蹤算法提取得到車輛區(qū)域圖像I，其中高度為height，寬度為width，單位為像素；在本實施例中，圖1處理結果參照圖2，其灰度圖如圖2所示，所述的車輛檢測跟蹤算法在申請?zhí)枮镃N201510831439.3的文件中已公開，在此不再詳述；

步驟3：利用車牌識別算法提取圖像I中的車牌矩形區(qū)域R＝(x，y，w，h)，其中圖像I的左上角為像素坐標原點，(x,y)為車牌矩形區(qū)域左上角的坐標，w與h分別為車牌矩形區(qū)域的寬和高，單位為像素；本實施例中，處理結果的圖片灰度圖參照圖3，所述的車牌識別算法在申請?zhí)枮镃N201510937041.8的文件中已公開，在此不再詳述；

步驟4：根據公式(1)、(2)和(3)確定采樣區(qū)域D；

其中，μ為事先選定的采樣方式系數，μ∈[0.6,0.8]，ρ₁,ρ₂分別為比例系數，R₁為在車牌上側矩形采樣區(qū)域，(x₁,y₁)為矩形區(qū)域R₁左上角的坐標，w₁與h₁分別為矩形區(qū)域R₁的寬和高，R₂為在車牌下側矩形采樣區(qū)域，(x₂,y₂)為矩形區(qū)域R₂左上角的坐標，w₂與h₂分別為矩形區(qū)域R₂的高和寬；在本實施例中，選擇μ為0.75，ρ₁,ρ₂分別為1與2，R₁的具體參數為R₂的具體參數為處理結果的圖片灰度圖參照圖4；

步驟5：分割采樣區(qū)域D，得到m個矩形樣本集合D*＝{D_i|i＝1,2,…,m}，要求滿足公式(4)：

其中D_i為大小相同的矩形窗口樣本；在本實施例中，矩形窗口樣本為4×4，樣本劃分結果的圖片灰度圖如圖5所示；

步驟6:將所有矩形窗口樣本D_i由RGB空間轉到HSV顏色空間，從樣本集合D*中剔除那些像素總標準差大于λ的樣本，得到新的集合D*＝{D_i|i＝1,2,…,n}，使其滿足式(5)、(6)、(7)、(8)：

其中，n為新樣本集合D*的元素個數，λ為標準差閾值，k_j為第j通道的權重系數，j＝1,2,3，分別表示H、S與V通道，為第i個矩形樣本D_i的像素值總標準差，N_i為第i個矩形樣本D_i中像素點的個數，表示第i個矩形樣本D_i中第k個像素點的第j個通道值，與分別為樣本D_i在j通道上的像素均值與標準差，分別對應D_i中H、S與V通道的像素均值，取值范圍為[0,360]，取值范圍為[0,1]，取值范圍為[0,1]；在本實施例中，選擇λ為200，k₁,k₂,k₃分別為1,85,255，剔除結果如圖6、圖7所示；

步驟7：令顏色分類集合C＝{C_k|k＝1,2,…,10}，遍歷集合D*中的每個樣本D_i,根據公式(9)確定該樣本應該歸屬于哪個分類集合C_k：

其中，C₁,C₂,…,C₁₀分別對應顏色{灰，白，棕，粉，紅，黃，綠，藍，紫，黑}；

步驟8：通過公式(10)篩選出樣本數量最多的顏色集合

max₁＝max{num(C₁),num(C₂),...,num(C₁₀)} (10)

其中num(C_i)表示根據步驟7確定的歸屬于集合C_i的樣本數量，max₁為的樣本數量，進一步篩選出樣本數量第二多、第三多的顏色集合與樣本數分別為max₂、max₃，其中，k_max1∈{1,2,…,10},k_max2∈{1,2,…,10},k_max3∈{1,2,…,10}；

步驟9：確定車身顏色，具體為：

(1)若滿足條件max₁*η＞max₂，則車身顏色為集合對應的顏色，其中η為分類系數；

(2)若滿足條件max₃＜max₁*η≤max₂，則車身顏色以的概率為集合對應的顏色，以的概率為對應的顏色；

(3)若不滿足以上條件(1)和(2)，則車身顏色以的概率為集合對應的顏色，以的概率為對應的顏色，以的概率為對應的顏色；

在本實施例中，選擇η為0.7，且滿足條件max₁*η＞max₂，識別的車身顏色為：紅色。

本說明書實施例所述的內容僅僅是對發(fā)明構思的實現(xiàn)形式的列舉，本發(fā)明的保護范圍的不應當被視為僅限于實施例所陳述的具體形式，本發(fā)明的保護范圍也及于本領域技術人員根據本發(fā)明構思所能夠想到的等同技術手段。