專利名稱：特征區(qū)域的定位方法、車身深淺色與車身顏色的識別方法
技術領域：
本發(fā)明涉及圖像處理技術領域，具體的說，涉及的是一種用于代表車身深淺色及顏色的特征區(qū)域的定位方法、車身深淺色的識別方法、車身顏色的識別方法。

背景技術：
在治安卡點與高速公路收費站等場所，可通過架設的智能交通監(jiān)控系統(tǒng)對交通道路上的車輛進行監(jiān)控，例如可通過攝像機實時抓拍以獲取高清晰的車輛靜態(tài)圖像，利用相關的識別技術從車輛圖像中獲取準確的車輛相關信息(如車牌號碼、車型特征、車輛品牌、或車身深淺色及顏色等)，其中，車牌識別技術通過近年來的研發(fā)，發(fā)展得較為成熟，例如申請?zhí)枮?00410054049的中國專利申請公開的“具有車道全景監(jiān)控功能的汽車牌照識別裝置及其識別方法”，提供了一種結構簡單并可具有較佳牌照識別效果的汽車牌照識別裝置及其識別方法。而作為車輛信息中重要部分的車身深淺色及顏色，通過識別技術獲取后可與其它信息，例如車牌信息共同地或單獨地廣泛應用于多種場合，例如查處違章、肇事車輛，以及協(xié)助車輛盜搶案件的偵破等。
參考文獻(《車輛識別系統(tǒng)中幾個關鍵技術的研究》，王運瓊，四川大學博士論文，2004)中闡述了一種利用視頻識別汽車顏色的方法，該方法首先利用視頻傳感器獲得包括背景在內(nèi)的車輛視頻圖像，通過圖像分割方法去除背景以獲得車輛的完整圖像。而汽車顏色識別就是根據(jù)分割出的車輛圖像，提取適合于分類的顏色特征，將車身主體顏色分類到指定的顏色類別中，而每種類別中有數(shù)量不等的標準顏色值樣本。該方法包括根據(jù)標準顏色值樣本識別出車輛圖像中所有單像素點的顏色，然后根據(jù)各個像素在不同車型中對車身主體顏色的不同貢獻度，將它們進行融合，得到可基本反映車身顏色的最終識別結果。
上述參考文獻主要是從多類分類器的角度，利用支持向量機(SupportVector Machine，SVM)較強的泛化性能，利用解決線性不可分樣本集的模糊支持向量機與最小二乘支持向量機的方法解決線性可分顏色分類問題，克服了訓練樣本集各類別分布不均衡導致的分類錯誤，通過logistic回歸SVM方法解決組合多類分類器特有的陰影區(qū)域問題，提高了單像素顏色識別準確率。而在車身顏色識別階段，充分利用了D-S證據(jù)理論處理不確定信息的優(yōu)秀性能，減少了與車身顏色不一致的車輪、車胎、車窗等對車身顏色識別的影響，相對提高了識別的速度及其準確率。
然而，上述車身顏色識別方法采用的是基于動態(tài)圖像的算法，相對基于靜態(tài)圖像的算法，動態(tài)算法所要求的計算量較大，且所得識別結果的精確度也相對較差。另外，上述車身顏色識別方法是對去除背景后的整個車輛視頻圖像內(nèi)所有像素點進行顏色識別，不僅運算量大，而且因引入了車輛圖像中不能用于代表車身顏色的區(qū)域，如車窗等而導致可靠性較差、識別精確度較低。而為了提高可靠性，還需額外采用基于人工統(tǒng)計經(jīng)驗值的D-S證據(jù)理論手段來消除包括車輪、車燈、車窗等位置的顏色對車身顏色識別的干擾，如此易影響識別系統(tǒng)的通用性并增加系統(tǒng)的復雜度。


發(fā)明內(nèi)容
本發(fā)明提供一種用于代表車身深淺色及顏色的特征區(qū)域的定位方法、車身深淺色的識別方法、車身顏色的識別方法，減少車身深淺色識別及車身顏色識別的運算量、提高車身深淺色識別及車身顏色識別的準確率。
本發(fā)明一方面提供一種用于代表車身深淺色及顏色的特征區(qū)域的定位方法，包括根據(jù)所得車輛圖像中車輛的參考區(qū)域，確定車輛區(qū)域；根據(jù)車輛區(qū)域的紋理特征與結構特征，構建能量分布函數(shù)；以能量分布函數(shù)中能量最大的點作為中心點，定位出用于代表車身深淺色及顏色的特征區(qū)域。
可選的，所述能量分布函數(shù)為E(x，y)為點(x，y)的能量，能量分布函數(shù)的前一項

用于反映車輛區(qū)域的紋理特征，其中，Dis(x，y)為(x，y)到最近的顯著邊緣的距離，后一項用于反映車輛區(qū)域的結構特征，(xID，yID)為參考區(qū)域中心，c為經(jīng)驗值，用于反映特征區(qū)域與參考區(qū)域在縱軸上的估計偏移量；當E(x，y)最大時對應的(x，y)即為所需定位的特征區(qū)域中心點。
可選的，所述確定特征區(qū)域中心點進一步包括計算像素灰度的差分；根據(jù)所設定的閾值，對差分結果進行二值化；對二值化后的結果進行距離變換，得到反映顯著邊緣分布情況的距離值；根據(jù)距離值搜索能量函數(shù)最大的點，以確定特征區(qū)域的中心點。
可選的，所述計算像素灰度的差分包括在與參考區(qū)域中心的橫坐標一致的縱軸上裁剪一段，計算該段縱軸內(nèi)像素灰度的差分。
可選的，所述閾值包括由視覺經(jīng)驗所確定的顯著邊緣處像素灰度差分值的大小決定。
可選的，所述能量分布函數(shù)中能量最大的點包括在一維的縱軸區(qū)間搜索所述距離值最大的點來確定的。
可選的，所述參考區(qū)域包括通過車牌定位技術確定的車牌區(qū)域。
可選的，所述用于代表車身深淺色及顏色的特征區(qū)域包括在車輛圖像中的車前蓋區(qū)域定位的。
本發(fā)明另一方面提供一種車身深淺色的識別方法，包括根據(jù)所得車輛圖像中車輛的參考區(qū)域，確定車輛區(qū)域；根據(jù)車輛區(qū)域的紋理特征與結構特征，構建能量分布函數(shù)，以能量最大的點作為中心點，定位出用于代表車身深淺色及顏色的特征區(qū)域；得到特征區(qū)域內(nèi)像素點的深淺色，對特征區(qū)域內(nèi)像素點的深淺色分布情況進行統(tǒng)計；根據(jù)所述統(tǒng)計結果，判斷得到用于代表車身深淺色的特征區(qū)域的深淺色。
可選的，所述能量分布函數(shù)為E(x，y)為點(x，y)的能量，能量分布函數(shù)的前一項

用于反映特征區(qū)域的紋理特征，其中，Dis(x，y)為(x，y)到最近的顯著邊緣的距離；后一項用于反映特征區(qū)域的結構特征，其中，(xID，yID)為參考區(qū)域中心，c為經(jīng)驗值，用于反映特征區(qū)域與參考區(qū)域在縱軸上的估計偏移量；當E(x，y)最大時對應的(x，y)即為所需定位的特征區(qū)域中心點。
可選的，所述確定特征區(qū)域中心點進一步包括計算像素灰度的差分；根據(jù)所設定的閾值，對差分結果進行二值化；對二值化后的結果進行距離變換，得到反映顯著邊緣分布情況的距離值；根據(jù)距離值搜索能量函數(shù)最大的點，以確定特征區(qū)域的中心點。
可選的，所述參考區(qū)域包括通過車牌定位技術確定的車牌區(qū)域。
可選的，所述得到特征區(qū)域內(nèi)像素點的深淺色包括采用HSV顏色空間的三維信息作為深淺色分類的特征向量；設定用于決定像素點深淺色的閾值，通過閾值法得到特征區(qū)域內(nèi)像素點的深淺色。
可選的，所述特征區(qū)域的深淺色包括根據(jù)統(tǒng)計得到的像素點的深淺色分布情況，以投票法來判斷得到。
可選的，所述投票法包括根據(jù)像素點被分到深色或淺色的數(shù)目，以數(shù)目多者取勝，如果票數(shù)相等，則不計特征區(qū)域的首行與末行，再次投票，如果票數(shù)仍相等，則作深色處理。
可選的，所述像素點包括特征區(qū)域內(nèi)的所有像素點或通過采樣得到的部分像素點。
本發(fā)明再一方面提供一種車身顏色的識別方法，包括根據(jù)所得車輛圖像中車輛的參考區(qū)域，確定車輛區(qū)域；根據(jù)車輛區(qū)域的紋理特征與結構特征，構建能量分布函數(shù)，以能量最大的點作為中心點，定位出用于代表車身深淺色及顏色的特征區(qū)域；識別特征區(qū)域內(nèi)像素點的顏色，對所述像素點的顏色進行統(tǒng)計，獲取區(qū)域顏色識別的特征向量；根據(jù)所述特征向量，識別用于代表車身顏色的特征區(qū)域的顏色。
可選的，所述能量分布函數(shù)為E(x，y)為點(x，y)的能量，能量分布函數(shù)的前一項

用于反映特征區(qū)域的紋理特征，其中，Dis(x，y)為(x，y)到最近的顯著邊緣的距離；后一項用于反映特征區(qū)域的結構特征，其中，(xID，yID)為參考區(qū)域中心，c為經(jīng)驗值，用于反映特征區(qū)域與參考區(qū)域在縱軸上的估計偏移量；當E(x，y)最大時對應的(x，y)即為所需定位的特征區(qū)域中心點。
可選的，所述確定特征區(qū)域中心點進一步包括計算像素灰度的差分；根據(jù)所設定的閾值，對差分結果進行二值化；對二值化后的結果進行距離變換，得到反映顯著邊緣分布情況的距離值；根據(jù)距離值搜索能量函數(shù)最大的點，以確定特征區(qū)域的中心點。
可選的，所述參考區(qū)域包括通過車牌定位技術確定的車牌區(qū)域。
可選的，所述獲取特征向量包括通過用于像素點顏色識別的支持向量機分類器，識別特征區(qū)域內(nèi)像素點的顏色；統(tǒng)計特征區(qū)域內(nèi)每種顏色的像素點所占比例并對其進行歸一化處理，形成與像素點的顏色對應的多維向量，作為區(qū)域顏色識別的特征向量。
可選的，所述識別用于代表車身顏色的特征區(qū)域的顏色通過用于區(qū)域顏色識別的支持向量機分類器實現(xiàn)。
可選的，所述識別特征區(qū)域內(nèi)像素點的顏色包括對建立的像素點顏色決策分類樹各結點上的訓練樣本集進行支持向量機訓練，得到各結點上用于像素點顏色識別的支持向量機分類器；根據(jù)決策分類樹與各結點上用于像素點顏色識別的支持向量機分類器，識別特征區(qū)域內(nèi)各像素點的顏色。
可選的，所述決策分類樹包括將像素點顏色按紅、黃、藍、綠進行粗分類，以形成根結點；紅、黃、藍、綠分別與灰色系列分類，以形成一級結點；根據(jù)顏色分布的實際情況，分別對一級結點中的紅、藍、綠、以及灰色系列進行細分類，以形成二級結點。
可選的，所述建立訓練樣本集包括從標準顏色塊以及成像環(huán)境較好的車輛圖像中選擇各顏色的正常樣本；通過先驗知識與實際車身顏色相結合的方法來選擇各顏色的邊界樣本，以得到能反映顏色分布的訓練樣本集。
可選的，所述選擇各顏色的邊界樣本包括在HSV顏色空間中，通過固定色調(diào)分量H，調(diào)節(jié)飽和度分量S與亮度值分量V，選擇彩色系列與灰色系列的邊界樣本，通過調(diào)節(jié)色調(diào)分量H選擇彩色之間的邊界樣本；進一步包括從視覺上比較接近的不同顏色的車身顏色圖片樣本中選擇；還包括選擇訓練過程中產(chǎn)生的支持向量作為邊界樣本。
可選的，所述對像素點顏色決策分類樹各結點上的訓練樣本集進行支持向量機訓練包括選擇CIE_Lab顏色空間的三維特征值作為特征向量；觀察每層分類樣本的分布規(guī)律，選定每個支持向量機分類器的核函數(shù)類型，并通過交叉驗證的方法來選擇最終的核函數(shù)類型及相關參數(shù)；采用增量訓練方法，進行多次反饋訓練，獲得用于像素點顏色識別的支持向量機分類器。
可選的，所述用于區(qū)域顏色識別的支持向量機分類器包括通過用所建立的區(qū)域顏色訓練樣本集進行支持向量機訓練得到。
可選的，所述區(qū)域顏色訓練樣本集包括在訓練圖庫中，觀察每個特征區(qū)域的像素點顏色分布情況，對分布情況進行歸類統(tǒng)計，去除每種顏色類別的噪聲樣本后，初步形成每種顏色類別的樣本庫，在此基礎上，篩選出正常樣本與邊界樣本，以正常樣本與邊界樣本形成的集合作為最終的區(qū)域顏色訓練樣本集。所述正常樣本包括選擇能夠明顯與其他區(qū)域顏色類別區(qū)分的像素點顏色分布特征，作為識別的正常樣本。所述邊界樣本包括遍歷任意兩種顏色類別，對所述兩種顏色類別的樣本庫中的樣本進行兩兩比較，選擇樣本歐式距離較小的兩類樣本作為邊界樣本。
可選的，所述用所建立的區(qū)域顏色訓練樣本集進行支持向量機訓練包括選擇與像素點的顏色對應的多維向量作為區(qū)域顏色識別的特征向量；觀察樣本的特征向量分布規(guī)律，選定每一個支持向量機分類器中的核函數(shù)類型，并通過交叉驗證的方法來選擇最終的核函數(shù)類型及相關參數(shù)；采用增量訓練方法，進行多次反饋訓練，獲得用于區(qū)域顏色識別的支持向量機分類器。
可選的，通過用于像素點顏色識別的支持向量機分類器識別像素點顏色與用于區(qū)域顏色識別的支持向量機分類器識別區(qū)域顏色的過程中進一步包括對支持向量機的優(yōu)化處理，所述優(yōu)化處理包括線性核運算的化簡與高斯核運算的加速。
可選的，所述各像素點包括特征區(qū)域內(nèi)的所有像素點或通過采樣得到的部分像素點。
與現(xiàn)有技術相比，前述技術方案可定位出用于代表車身深淺色及顏色的特征區(qū)域，從而針對特征區(qū)域內(nèi)的像素點進行處理即可，可以減少計算量。并且由于特征區(qū)域的代表性，可剔除其它不能用于代表車身深淺色及顏色的區(qū)域的干擾，從而提高識別準確性。
另外，通過定位出特征區(qū)域，就可在該特征區(qū)域內(nèi)利用HSV顏色空間識別出車身深淺色。
再有，通過定位出特征區(qū)域，并通過用于像素點顏色識別的支持向量機分類器識別出特征區(qū)域內(nèi)各像素點的顏色，進而得到特征區(qū)域的像素點顏色分布，以此獲取區(qū)域顏色識別的特征向量；再根據(jù)所述特征向量，通過用于區(qū)域顏色識別的支持向量機分類器識別出用于代表車身顏色的特征區(qū)域的顏色，從而減少計算量及提高識別準確率。



圖1為本發(fā)明的實施方式中用于代表車身深淺色及顏色的特征區(qū)域的定位方法的流程示意圖； 圖2為本發(fā)明的實施方式中特征區(qū)域的定位方法用于確定特征區(qū)域中心點的流程示意圖； 圖3為本發(fā)明的實施方式中用于代表車身深淺色及顏色的特征區(qū)域的定位方法的一個應用實施例； 圖4為本發(fā)明的實施方式中車身深淺色的識別方法的流程示意圖； 圖5為圖4所示車身深淺色的識別方法中步驟S406的具體流程圖； 圖6為本發(fā)明的實施方式中車身顏色的識別方法的流程示意圖； 圖7為本發(fā)明的實施方式中像素點顏色決策分類樹的結構示意圖； 圖8為圖6所示車身顏色的識別方法中步驟S606的具體流程圖； 圖9為本發(fā)明的實施方式中車身顏色的識別方法用于像素點顏色識別的支持向量機訓練的流程示意圖； 圖10為本發(fā)明的實施方式中車身顏色的識別方法用于區(qū)域顏色識別的支持向量機訓練的流程示意圖。

具體實施例方式 本發(fā)明實施方式通過提供一種用于代表車身深淺色及顏色的特征區(qū)域的定位方法，以定位出特征區(qū)域，并通過提供的車身深淺色的識別方法在該特征區(qū)域內(nèi)識別出車身深淺色，以及通過提供的車身顏色的識別方法在該特征區(qū)域內(nèi)識別出車身顏色，減少計算量，提高識別準確率。下面結合附圖與實施例對本發(fā)明技術方案作詳細的說明。
圖1為本發(fā)明實施例用于代表車身深淺色及顏色的特征區(qū)域的定位方法的流程示意圖。在本實施例中，以最為常見的汽車為例進行說明的，所述用于代表車身深淺色及顏色的特征區(qū)域具有在所述區(qū)域內(nèi)顏色變化緩慢、各像素點顏色基本一致的特點。該定位方法包括下列步驟，首先進行步驟S100。
在步驟S100中，根據(jù)所得車輛圖像中車輛的參考區(qū)域，確定車輛區(qū)域。在本實施例中，所述圖像可以通過例如架設在路口、治安卡點或高速公路收費站等場所的智能交通監(jiān)控系統(tǒng)中的攝像機抓拍而獲取的高清晰車輛靜態(tài)圖像。所述參考區(qū)域為通過車牌定位技術確定的車牌區(qū)域。這樣，通過得到的車牌區(qū)域，即可在該車輛圖像中大致確定出該汽車的車輛區(qū)域。另外，需說明的是，該參考區(qū)域并不僅限于車牌區(qū)域，例如也可以通過車窗定位技術所確定的車窗區(qū)域，并通過該車窗區(qū)域來進行特征區(qū)域的定位。接著，進入步驟S102。
在步驟S102中，根據(jù)車輛區(qū)域的紋理特征與結構特征，構建能量分布函數(shù)。在本實施例中，通過觀察大量的車輛圖像來確定能用于代表車身深淺色及顏色的特征區(qū)域，并分析其紋理特征與結構特征。需要說明的是，其中，所述紋理特征包括所述特征區(qū)域為勻致區(qū)域，即，區(qū)域內(nèi)顏色變化緩慢，各像素點顏色基本一致，可用于代表車身深淺色及顏色；所述結構特征包括特征區(qū)域與參考區(qū)域有特定的位置關系，即其中心在參考區(qū)域中心上方某點周圍呈高斯分布。從而根據(jù)所述紋理特征與結構特征，構建能量分布函數(shù)。在本實施例中，所述能量分布函數(shù)為E(x，y)為點(x，y)的能量，λ1、λ2為用于產(chǎn)生加強或減弱作用的加權系數(shù)。能量分布函數(shù)的前一項

用于反映特征區(qū)域的紋理特征，其中，Dis(x，y)為(x，y)到最近的顯著邊緣的距離，當該值最大時，表明該點處于一塊最大的勻致區(qū)域的中心，該區(qū)域符合對特征區(qū)域勻致性要求；后一項用于反映特征區(qū)域的結構特征，其中，(xID，yID)為參考區(qū)域中心，c為經(jīng)驗值，用于反映特征區(qū)域與參考區(qū)域在縱軸上的估計偏移量，當所得特征區(qū)域中心距離估計中心(xID，yID+c)越近，能量函數(shù)后一項的值越大。接著，進入步驟S104。
在步驟S104中，以能量分布函數(shù)中能量最大的點作為中心點，定位出用于代表車身深淺色及顏色的特征區(qū)域。當能量分布函數(shù)E(x，y)為最大時對應的(x，y)即為所需定位的特征區(qū)域中心點。在實際應用中，由于求取包含項能量函數(shù)極值的計算量較大，為計算方便，省略此項，即λ2取0，能量分布函數(shù)簡化為如此，能量分布函數(shù)E(x，y)最大的點即為距離值最大的點，這樣就可得到所需定位的特征區(qū)域的中心點。從而根據(jù)所述中心點，進一步定位出用于代表車身深淺色及顏色的特征區(qū)域，所述特征區(qū)域具有一定的大小及形狀。在本實施例中，所述特征區(qū)域的形狀包括圓形、矩形、菱形、橢圓或正多邊形等規(guī)則形狀、或者包括其他不規(guī)則形狀。
上述步驟S104中所述特征區(qū)域中心點，可以通過所述距離值最大的點來確定。本實施例所得的特征區(qū)域中心點是如圖2所示進行計算的，首先進行步驟S200。
在步驟S200中，計算像素灰度的差分。接著進入步驟S202。
在步驟S202中，根據(jù)所設定的閾值，對差分結果進行二值化。在本實施例中，所述閾值可以由視覺經(jīng)驗所確定的顯著邊緣處像素灰度差分值的大小決定。接著進入步驟S204。
在步驟S204中，對二值化后的結果進行距離變換，得到反映顯著邊緣分布情況的距離值。
在步驟S206中，根據(jù)距離值搜索能量函數(shù)最大的點，以確定特征區(qū)域的中心點。
在實際應用中，如圖3所示，在這里是以汽車的車輛圖像為例進行說明的。首先，利用車牌定位技術在車輛圖像中準確地定位出車牌區(qū)域30及其車牌中心，所述車牌定位技術為現(xiàn)有較為成熟的技術，故在此不再贅述。這樣即可根據(jù)該車牌區(qū)域30及其車牌中心(這里，為便于說明，假定車牌是位于汽車前擋面的中間位置處)，在車輛區(qū)域定位出所需的特征區(qū)域。針對汽車的車型特點，因為其車前蓋區(qū)域內(nèi)顏色變化緩慢，各像素點顏色基本一致，即使存在反光，色彩變化也相對均勻，可用于代表車身深淺色及顏色，因此我們選擇在車輛圖像中的車前蓋區(qū)域定位出該特征區(qū)域的。另外，在實際的應用圖像中，特征區(qū)域中心與車牌中心的橫坐標會產(chǎn)生偏移，但偏移量通常很小，因此可忽略橫軸上的偏移量而將二維圖像(橫軸與縱軸)的處理轉換到一維軸(縱軸)上進行，即在與車牌中心橫坐標一致的縱軸上進行區(qū)域定位。這樣，就可根據(jù)車牌中心位置在灰度圖像中裁剪一段縱軸300，所述這段縱軸300的長度將根據(jù)視覺經(jīng)驗確定的車輛區(qū)域的高度決定，計算這段縱軸300內(nèi)像素灰度的差分，再對二值化后的結果進行距離變換，得到反映顯著邊緣分布情況的距離值。在縱軸300區(qū)間內(nèi)使用窮舉法搜索距離值最大的點(即代表能量分布函數(shù)最大的點)來確定特征區(qū)域32的中心。如圖3所示，較佳地，所述特征區(qū)域32可與車前蓋區(qū)域的大小及形狀相對應，在本實施例中，特征區(qū)域32可例如一塊300×100大小的矩形區(qū)域。但并不以此為限，其大小及其形狀另可作其他變動，例如，特征區(qū)域32的大小可根據(jù)設計要求及計算條件而改變，其形狀另可選擇例如圓形、菱形、橢圓或正多邊形等規(guī)則形狀，但并不以此為限，其形狀甚至可包括其他不規(guī)則形狀。
本發(fā)明的特征區(qū)域的定位方法可定位出一塊用于代表車身深淺色及顏色的特征區(qū)域，與現(xiàn)有技術中需要對車輛圖像中的車輛區(qū)域內(nèi)所有像素點都進行顏色估計相比，本發(fā)明不僅可大大減少識別過程中的計算量，更可消除其他不能用于代表車身深淺色及顏色的區(qū)域?qū)ψR別造成的干擾，為后續(xù)正確識別車身深淺色及顏色打下基礎。
對應于前述用于代表車身深淺色及顏色的特征區(qū)域的定位方法，本發(fā)明另提供一種車身深淺色的識別方法。圖4為顯示本發(fā)明車身深淺色的識別方法的流程示意圖。該識別方法包括下列步驟，首先進行步驟S400。
在步驟S400中，根據(jù)所得車輛圖像中車輛的參考區(qū)域，確定車輛區(qū)域。所述參考區(qū)域為通過車牌定位技術確定的車牌區(qū)域。接著，進入步驟S402。
在步驟S402中，根據(jù)車輛區(qū)域的紋理特征與結構特征，構建能量分布函數(shù)。在本實施例中，所述能量分布函數(shù)為E(x，y)為點(x，y)的能量，λ1、λ2為用于產(chǎn)生加強或減弱作用的加權系數(shù)。能量分布函數(shù)的前一項

用于反映特征區(qū)域的紋理特征，其中，Dis(x，y)為(x，y)到最近的顯著邊緣的距離；后一項用于反映特征區(qū)域的結構特征，其中，(xID，yID)為參考區(qū)域中心，c為經(jīng)驗值。接著，進入步驟S404。
在步驟S404中，以能量分布函數(shù)中能量最大的點作為中心點，定位出用于代表車身深淺色及顏色的特征區(qū)域。在實際應用中，由于求取包含項能量函數(shù)極值的計算量較大，為計算方便，省略此項，即λ2取0，能量分布函數(shù)簡化為如此，能量分布函數(shù)E(x，y)最大的點即為距離值最大的點，這樣就可得到所需定位的特征區(qū)域的中心點。從而根據(jù)所述中心點，進一步定位出用于代表車身深淺色及顏色的特征區(qū)域，所述特征區(qū)域具有一定的大小及形狀。確定特征區(qū)域中心點的步驟具體另可詳見圖2所示。在本實施例中，該特征區(qū)域可以在車輛圖像中的車前蓋區(qū)域定位，其形狀例如可為與車前蓋對應的矩形。接著，進入步驟S406。
需說明的是，上述步驟S400至S404，與圖1所示的特征區(qū)域的定位方法相同，即在車輛圖像的車輛區(qū)域中定位出用于車身深淺色識別的特征區(qū)域。實際應用時，上述步驟并不以此為限，其仍可有其他的變化。
在步驟S406中，得到特征區(qū)域內(nèi)像素點的深淺色，對特征區(qū)域內(nèi)像素點的深淺色分布情況進行統(tǒng)計。在本實施例中，所述用以判定深淺色的像素點可包括特征區(qū)域內(nèi)的所有像素點或通過采樣得到的部分像素點。例如對于均勻采樣方式，假設所述特征區(qū)域為300×100，則可在其中均勻采樣600個像素點，這樣可在確保識別準確率的情況下，還可減少處理的計算量，加快識別效率。接著，進入步驟S408。
請另參閱圖5，其顯示上述步驟S406的具體流程圖。如圖5所示，首先進行步驟S406a。
在步驟S406a中，采用HSV顏色空間的三維信息作為深淺色分類的特征向量。在本實施例中，所述HSV顏色空間為極坐標形式的顏色空間，符合人眼視覺對顏色的分類特征。所述HSV顏色空間可通過顏色空間轉換直接提取，其中H表示色調(diào)(Hue)，S表示飽和度(Saturation)；V表示亮度值(Value)，決定顏色的明暗程度。接著，進入步驟S406b。
在步驟S406b中，設定用于決定像素點深淺色的閾值，通過閾值法得到特征區(qū)域內(nèi)像素點的深淺色。在本實施例中，通過將H空間分成4份，粗略分成紅、黃、藍、綠四個范圍，對每個顏色范圍在S-V的二維空間內(nèi)，觀察深淺色的分布，根據(jù)分布情況，設定閾值。根據(jù)所述閾值，決定各像素點的深淺色。接著，進入步驟S406c。
在步驟S406c中，對特征區(qū)域內(nèi)像素點的深淺色分布情況進行統(tǒng)計。在本實施例中，就是統(tǒng)計像素點被分到深色或淺色的數(shù)目。
在步驟S408中，根據(jù)所述統(tǒng)計結果，判斷得到用于代表車身深淺色的特征區(qū)域的深淺色。在本實施例中，可以采用投票法來對特征區(qū)域的深淺色作判定的。具體來講，根據(jù)像素點被分到深色或淺色的數(shù)目，以數(shù)目多者取勝，如果票數(shù)相等，則不計特征區(qū)域的首行與末行，再次投票，如果票數(shù)仍相等，則作深色處理。通過上述步驟，即可識別出特征區(qū)域的深淺色。
當該車身深淺色的識別方法應用于圖3所示的車輛圖像中時，即可判定得到所定位出的特征區(qū)域32是深色還是淺色的。
對應于前述用于代表車身深淺色及顏色的特征區(qū)域的定位方法，本發(fā)明又提供一種車身顏色的識別方法。圖6為顯示本發(fā)明車身顏色的識別方法的流程示意圖。該識別方法包括下列步驟，首先進行步驟S600。
在步驟S600中，根據(jù)所得車輛圖像中車輛的參考區(qū)域，確定車輛區(qū)域。所述參考區(qū)域為通過車牌定位技術確定的車牌區(qū)域。接著，進入步驟S602。
在步驟S602中，根據(jù)車輛區(qū)域的紋理特征與結構特征，構建能量分布函數(shù)。在本實施例中，所述能量分布函數(shù)為E(x，y)為點(x，y)的能量，λ1、λ2為用于產(chǎn)生加強或減弱作用的加權系數(shù)。能量分布函數(shù)的前一項

用于反映特征區(qū)域的紋理特征，其中，Dis(x，y)為(x，y)到最近的顯著邊緣的距離；后一項用于反映特征區(qū)域的結構特征，其中，(xID，yID)為參考區(qū)域中心，c為經(jīng)驗值。接著，進入步驟S604。
在步驟S604中，以能量分布函數(shù)中能量最大的點作為中心點，定位出用于代表車身深淺色及顏色的特征區(qū)域。在實際應用中，由于求取包含項能量函數(shù)極值的計算量較大，為計算方便，省略此項，即λ2取0，能量分布函數(shù)簡化為如此，能量分布函數(shù)E(x，y)最大的點即為距離值最大的點，這樣就可得到所需定位的特征區(qū)域的中心點。從而根據(jù)所述中心點，進一步定位出用于代表車身深淺色及顏色的特征區(qū)域，所述特征區(qū)域具有一定的大小及形狀。確定特征區(qū)域中心點的步驟具體另可詳見圖2。在本實施例中，該特征區(qū)域可以在車輛圖像中的車前蓋區(qū)域定位，其形狀例如可為與車前蓋對應的矩形。接著，進入步驟S606。
需說明的是，上述步驟S600至S604，與圖1所示的特征區(qū)域的定位方法相同，即在車輛圖像的車輛區(qū)域中定位出用于車身顏色識別的特征區(qū)域。實際應用時，上述步驟并不以此為限，其仍可有其他的變化。
在步驟S606中，識別特征區(qū)域內(nèi)像素點的顏色，對所述像素點的顏色進行統(tǒng)計，獲取區(qū)域顏色識別的特征向量。
請另參閱圖8，其顯示獲取區(qū)域顏色識別的特征向量的具體流程圖。如圖8所示，首先進行步驟S606a。
在步驟S606a中，通過用于像素點顏色識別的支持向量機分類器，識別特征區(qū)域內(nèi)像素點的顏色。在本實施例中，所述用于像素點顏色識別的支持向量機分類器可以通過對建立的像素點顏色決策分類樹各結點上的訓練樣本集進行支持向量機訓練而得到的。所述像素點顏色決策分類樹可以為自頂向下的樹形無環(huán)決策分類，但并不以此為限，所述像素點顏色的分類仍可有其他的變化形式。
在本實施例中，可以將顏色分為11種類別，具體包括白色、銀色、灰色(含灰與銀灰)、黑色、紅色(含紅與暗紅)、深藍色、藍色(含藍與青)、黃色(含金黃與黃)、綠色(含綠與暗綠)、褐色(含淺褐與褐)、以及上述顏色以外的其他顏色(例如粉色或含無均勻分布的顏色)。但并不以此為限，仍允許作不同的擴展或劃分，例如將顏色分為不同的類別，且對每一類別進行不同的細分等。
根據(jù)上述顏色分類，即可構建像素點顏色決策分類樹。圖7顯示根據(jù)本發(fā)明實施例所構建的像素點顏色決策分類樹的結構示意圖。如圖7所示，所述像素點顏色決策分類樹包括將像素點顏色按紅、黃、藍、綠進行粗分類，以形成根結點70；將根結點70中的紅、黃、藍、綠分別與灰色系列(包含白、銀、灰、黑等)分類，以形成包括紅與灰色系列、黃與灰色系列、藍與灰色系列、以及綠與灰色系列的一級結點72；根據(jù)顏色分布的實際情況，分別對一級結點中的紅、藍、綠以及灰色系列進行細分類，以形成二級結點74，具體包括將紅與灰色系列的一級結點72中的紅細分為紅、褐、金黃、及粉紅，將灰色系列中的白、銀、灰、黑進行細分；將黃與灰色系列的一級結點72中灰色系列中的白、銀、灰、黑進行細分；將藍與灰色系列的一級結點72中的藍細分為藍與深藍，將灰色系列中的白、銀、灰、黑進行細分；以及將綠與灰色系列的一級結點72中的綠細分為綠與青，將灰色系列中的白、銀、灰、黑進行細分。
需要說明的是，在本實施例中，所述像素點顏色決策分類樹僅為示例性說明，其是以紅、黃、藍、綠的粗分類作為根結點，并以所述根結點為基礎逐次形成一級結點、二級結點。但實際上，所述像素點顏色決策分類樹的結構特征可以根據(jù)對識別準確率、識別速度、或系統(tǒng)復雜度等諸多要素綜合考量后決定的。所述決策分類樹并不以此為限，無論是其樹結構、結點分布、每一結點的顏色分類均可有不同的變化例。例如，為提高像素點顏色識別的準確率，仍可在圖7所示的像素點顏色決策分類樹中進行擴展及更為深入地細化，使其增加結點層次，形成例如包括三級結點或更細化的結點結構?；蛘?，改變顏色分類的策略，提供不同結構的像素點顏色決策分類樹，例如決策分類樹可以包括將顏色粗分類為彩色系列與灰色系列，以形成根結點；對彩色系列的紅、黃、藍、綠分類以及灰色系列的銀、白、灰或深灰與黑色的分類，以形成一級結點；根據(jù)實際情況進行的彩色系列與灰色系列的二次判別，以形成二級結點；對彩色系列中紅、黃、藍、綠更進一步的細分，以形成三級結點。
而像素點顏色決策分類樹各結點的支持向量機分類器，可以根據(jù)建立的車身顏色的訓練樣本集進行像素點顏色識別的支持向量機訓練來獲得。所述車身顏色的訓練樣本集可以從標準顏色塊以及成像環(huán)境較好的車輛圖像中選擇各顏色的正常樣本，并通過先驗知識與實際車身顏色相結合的方法來選擇各顏色的邊界樣本，以得到能反映顏色分布的訓練樣本集。所述選擇各顏色的邊界樣本包括在HSV顏色空間中，通過固定色調(diào)分量H(將H分量定位在一種顏色上)，調(diào)節(jié)飽和度分量S與亮度值分量V，例如組合較小的飽和度分量S值與不同的亮度值分量V值，或組合不同的飽和度分量S值與較大或較小的亮度值分量V值選擇紅、黃、藍、綠與灰色系列(白、銀、灰、黑)的邊界點；以及通過調(diào)節(jié)色調(diào)分量H選擇彩色之間的邊界點，并將其轉換到CIE_Lab顏色空間作為各顏色的邊界樣本。另外，在相近的車身顏色圖片中，觀察其車身顏色樣本，將不同顏色但視覺上比較接近的顏色作為待選擇的邊界樣本，并使用計算工具(例如matlab)觀察其樣本的分布來選擇邊界樣本。再有，由于支持向量(包括訓練過程中的離群點)包含在類別之間的邊界向量樣本集合中，因此進一步包括選擇訓練過程中產(chǎn)生的支持向量作為邊界樣本，從而拋棄一些非支持向量樣本，減少下一次訓練時的樣本數(shù)。
在本實施例中，對特征區(qū)域內(nèi)像素點的顏色，可以根據(jù)像素點顏色決策分類樹與各結點的支持向量機分類器進行識別。具體來講，根據(jù)決策分類樹的根結點及對應所述根結點的支持向量機分類器進行紅、黃、藍、綠的粗分類。然后根據(jù)根結點的識別結果以及對應一級結點中紅與灰色系列、黃與灰色系列、藍與灰色系列、綠與灰色系列的支持向量機分類器進行分類；若為彩色系列，則根據(jù)一級結點的識別結果以及相應的二級結點中彩色系列細分類的支持向量分類器進行分類；若為灰色系列，則根據(jù)一級結點的識別結果以及相應的二級結點中灰色系列的支持向量機分類器進行分類，最終可識別出某一像素點的顏色。以此類推，即可得到各像素點顏色的識別結果。在本實施例中，所述特征區(qū)域內(nèi)的像素點可包括特征區(qū)域內(nèi)的所有像素點或通過采樣得到的部分像素點。例如對于均勻采樣方式，假設所述特征區(qū)域為300×100，則可在其中均勻采樣600個像素點，這樣可在確保識別準確率的情況下，還可減少處理的計算量，加快識別效率。接著，進入步驟S606b。
在步驟S606b中，統(tǒng)計特征區(qū)域內(nèi)每種顏色的像素點所占比例并對其進行歸一化處理，形成與像素點的顏色對應的多維向量，作為區(qū)域顏色識別的特征向量。所述歸一化處理可降低計算量并提高處理效率。在本實施例中，因像素點顏色包括11種分類，因此可形成11維特征向量。
通過上述步驟S606a與S606b，即可獲取區(qū)域顏色識別的特征向量，接下來即會根據(jù)所述特征向量，識別出特征區(qū)域的顏色。
在步驟S608中，根據(jù)所述特征向量，識別用于代表車身顏色的特征區(qū)域的顏色。在本實施例中，所述識別用于代表車身顏色的特征區(qū)域的顏色通過用于區(qū)域顏色識別的支持向量機分類器實現(xiàn)。所述用于區(qū)域顏色識別的支持向量機分類器包括通過用所建立的區(qū)域顏色訓練樣本集進行支持向量機訓練得到。
所述區(qū)域顏色訓練樣本集包括在訓練圖庫中，觀察每個特征區(qū)域的像素點顏色分布情況，對分布情況進行歸類統(tǒng)計，去除每種顏色類別的噪聲樣本后，初步形成每種顏色類別的樣本庫，在此基礎上，篩選出正常樣本與邊界樣本，正常樣本與邊界樣本形成的集合作為最終的區(qū)域顏色訓練樣本集。所述正常樣本包括選擇能夠明顯與其他區(qū)域顏色類別區(qū)分的像素點顏色分布特征，作為識別的正常樣本。所述邊界樣本包括遍歷任意兩種顏色類別，對所述兩種顏色類別的樣本庫中的樣本進行兩兩比較，選擇樣本歐式距離較小的兩類樣本作為邊界樣本。
當該車身顏色的識別方法應用于圖3所示的車輛圖像中時，即可判定得到所定位出的特征區(qū)域32中的顏色的具體分類。
上述步驟S606a中所述各結點的支持向量機分類器，可以根據(jù)建立的車身顏色的訓練樣本集進行像素點顏色識別的支持向量機訓練來獲得。所述像素點顏色識別的支持向量機訓練的具體流程如圖9所示，首先進行步驟S900。
在步驟S900中，選擇CIE_Lab顏色空間的三維特征值作為特征向量。由于CIE_Lab顏色空間的優(yōu)點是顏色接近均勻分布，與人眼對顏色感知類似，且CIE_Lab顏色空間的色差也接近歐式距離，有利于用支持向量機進行分類，因此，在像素點識別階段以CIE_Lab顏色空間的三維特征值作為分類的特征向量。接著，進入步驟S902。
在步驟S902中，觀察每層分類樣本的分布規(guī)律，初步選定每個支持向量機分類器的核函數(shù)類型，并通過交叉驗證的方法來選擇最終的核函數(shù)類型及相關參數(shù)。在本實施例中，使用計算工具(例如matlab)觀察車身顏色的分布情況，根結點的紅、黃、藍、綠采用線性核函數(shù)進行粗分類；一級結點中藍色與灰色系列(白、銀、灰、黑)是非線性可分，因此選用高斯核函數(shù)進行分類，一級結點中紅、黃、綠與灰色系列的可分性相對較強，采用線性核函數(shù)進行分類；二級結點中黃色、紅色、褐色等的分類，藍色、深藍的分類，綠色、青色的分類，銀、白、灰、黑的分類采用線性核函數(shù)。在初步選定了每個支持向量機分類器核函數(shù)的類型后通過交叉驗證的方法來選擇最終的核函數(shù)類型以及相關參數(shù)，以進行核運算。接著，進入步驟S904。
在步驟S904中，采用增量訓練方法，進行多次反饋訓練，獲得用于像素點顏色識別的支持向量機分類器。在本實施例中，由于在支持向量機分類時，并非所有的訓練樣本都對分類起作用，只有少量被稱為支持向量的訓練樣本才起作用，并且這些支持向量在幾何位置上分布于分劃超平面的周圍且包含在邊界向量樣本集合中。因此在進行多次反饋訓練時，每次主要選擇支持向量與后添加的樣本進行再次訓練，相對可減少了訓練樣本的數(shù)目，提高了訓練效率。
另外，上述步驟S608中用于區(qū)域顏色識別的支持向量機分類器包括通過用所建立的區(qū)域顏色樣本訓練集進行支持向量機訓練得到。所述用所建立的區(qū)域顏色樣本訓練集進行支持向量機訓練的具體流程如圖10所示，所述流程首先進行步驟S1000。
在步驟S1000中，選擇與像素點的顏色對應的多維向量作為區(qū)域顏色識別的特征向量。在本實施例中，因像素點顏色包括11種分類，因此可形成11維特征向量。接著，進入步驟S1002。
在步驟S1002中，觀察樣本的特征向量分布規(guī)律，初步選定每一個支持向量機分類器中的核函數(shù)類型，并通過交叉驗證的方法來選擇最終的核函數(shù)類型及相關參數(shù)。在本實施例中，所述核函數(shù)采用的是線性核函數(shù)。接著，進入步驟S1004。
在步驟S1004中，采用增量訓練方法，進行多次反饋訓練，獲得用于區(qū)域顏色識別的支持向量機分類器。
需要說明的是，在上述識別過程中，具體指在通過用于像素點顏色識別的支持向量機分類器識別像素點顏色與用于區(qū)域顏色識別的支持向量機分類器識別區(qū)域顏色的過程中，進一步包括對核運算的優(yōu)化處理，具體體現(xiàn)在對線性核運算的化簡與高斯核運算的加速。所述線性核運算的化簡包括將線性決策函數(shù)化簡為并利用支持向量機訓練后得到的支持向量系數(shù)(αi*)、支持向量(xi)及其對應的類別(yi)將

先計算出來并保存，這樣就將已知數(shù)據(jù)與待測數(shù)據(jù)進行分離，使得數(shù)據(jù)的計算與存儲不再與支持向量的個數(shù)成正比，而是取決于分類器的個數(shù)，由此可減少在線計算時間，空間上由于不必保存大量的支持向量及其系數(shù)，從而減少了空間復雜度。
所述高斯核運算的加速包括制作高斯函數(shù)映射表和/或二級高斯函數(shù)映射表，通過查表的方式取代高斯運算。因為當核函數(shù)為高斯函數(shù)時，涉及到大量的浮點運算，在數(shù)字信號處理過程中運算速度很慢，因此，制作高斯函數(shù)映射表，通過查表的方式將高斯函數(shù)進行離散化，每次通過查表的方式來取代高斯運算。另外，為了減少查找過程，建立二級高斯函數(shù)映射表，減少了計算高斯函數(shù)的復雜性。
需要說明的是，在本實施例中，對本發(fā)明所提供的車身深淺色的識別方法與車身顏色的識別方法是分別進行描述的，但并不以此為限，在實際應用中，車身深淺色的識別方法更可與車身顏色的識別方法相結合，以提供更廣的選擇度及更佳的識別效果。
綜上所述，本發(fā)明提供的特征區(qū)域的定位方法，可定位出用于代表車身深淺色及顏色的特征區(qū)域，從而針對特征區(qū)域內(nèi)的像素點進行處理即可，可以減少計算量。并且由于特征區(qū)域的代表性，可剔除其它不能用于代表車身深淺色及顏色的區(qū)域的干擾，從而提高識別準確性。
另外，本發(fā)明提供的車身深淺色的識別方法，通過定位出特征區(qū)域，就可在該特征區(qū)域內(nèi)利用HSV顏色空間識別出車身深淺色，簡單易行。
再有，本發(fā)明提供的車身顏色的識別方法，通過定位出特征區(qū)域，在所述特征區(qū)域內(nèi)通過用于像素點顏色識別的支持向量機分類器，獲得特征區(qū)域內(nèi)各像素點的顏色分類，基于像素點顏色識別結果，統(tǒng)計出特征區(qū)域內(nèi)各種顏色像素點的分布，以此獲取區(qū)域顏色識別的特征向量；根據(jù)所述特征向量，通過訓練后的區(qū)域顏色識別支持向量機分類器識別出特征區(qū)域的顏色分類，進而獲得車身顏色的識別結果，減少計算量，提高識別準確率。
本發(fā)明雖然以較佳實施例公開如上，但其并不是用來限定本發(fā)明，任何本領域技術人員在不脫離本發(fā)明的精神和范圍內(nèi)，都可以做出可能的變動和修改，因此本發(fā)明的保護范圍應當以本發(fā)明權利要求所界定的范圍為準。
權利要求
1.一種用于代表車身深淺色及顏色的特征區(qū)域的定位方法，其特征在于，包括
根據(jù)所得車輛圖像中車輛的參考區(qū)域，確定車輛區(qū)域；
根據(jù)車輛區(qū)域的紋理特征與結構特征，構建能量分布函數(shù)；
以能量分布函數(shù)中能量最大的點作為中心點，定位出用于代表車身深淺色及顏色的特征區(qū)域。
2.根據(jù)權利要求1所述的定位方法，其特征在于，所述能量分布函數(shù)為E(x，y)為點(x，y)的能量，能量分布函數(shù)的前一項
用于反映特征區(qū)域的紋理特征，其中，Dis(x，y)為(x，y)到最近的顯著邊緣的距離；后一項用于反映特征區(qū)域的結構特征，其中，(xID，yID)為參考區(qū)域中心，c為經(jīng)驗值，用于反映特征區(qū)域與參考區(qū)域在縱軸上的估計偏移量；當E(x，y)最大時對應的(x，y)即為所需定位的特征區(qū)域中心點。
3.根據(jù)權利要求2所述的定位方法，其特征在于，所述確定特征區(qū)域中心點進一步包括
計算像素灰度的差分；
根據(jù)所設定的閾值，對差分結果進行二值化；
對二值化后的結果進行距離變換，得到反映顯著邊緣分布情況的距離值；
根據(jù)距離值搜索能量函數(shù)最大的點，以確定特征區(qū)域的中心點。
4.根據(jù)權利要求3所述的定位方法，其特征在于，所述計算像素灰度的差分包括在與參考區(qū)域中心的橫坐標一致的縱軸上裁剪一段，計算該段縱軸內(nèi)像素灰度的差分。
5.根據(jù)權利要求3所述的定位方法，其特征在于，所述閾值包括由視覺經(jīng)驗所確定的顯著邊緣處像素灰度差分值的大小決定。
6.根據(jù)權利要求3所述的定位方法，其特征在于，所述能量分布函數(shù)中能量最大的點包括在一維的縱軸區(qū)間搜索所述距離值最大的點來確定的。
7.根據(jù)權利要求1至4任一項所述的定位方法，其特征在于，所述參考區(qū)域包括通過車牌定位技術確定的車牌區(qū)域。
8.根據(jù)權利要求1所述的定位方法，其特征在于，所述用于代表車身深淺色及顏色的特征區(qū)域包括在車輛圖像中的車前蓋區(qū)域定位的。
9.一種車身深淺色的識別方法，其特征在于，包括
根據(jù)所得車輛圖像中車輛的參考區(qū)域，確定車輛區(qū)域；
根據(jù)車輛區(qū)域的紋理特征與結構特征，構建能量分布函數(shù)，以能量最大的點作為中心點，定位出用于代表車身深淺色及顏色的特征區(qū)域；
得到特征區(qū)域內(nèi)像素點的深淺色，對特征區(qū)域內(nèi)像素點的深淺色分布情況進行統(tǒng)計；
根據(jù)所述統(tǒng)計結果，判斷得到用于代表車身深淺色的特征區(qū)域的深淺色。
10.根據(jù)權利要求9所述的車身深淺色的識別方法，其特征在于，所述能量分布函數(shù)為E(x，y)為點(x，y)的能量，能量分布函數(shù)的前一項
用于反映特征區(qū)域的紋理特征，其中，Dis(x，y)為(x，y)到最近的顯著邊緣的距離；后一項用于反映特征區(qū)域的結構特征，其中，(xID，yID)為參考區(qū)域中心，c為經(jīng)驗值，用于反映特征區(qū)域與參考區(qū)域在縱軸上的估計偏移量；當E(x，y)最大時對應的(x，y)即為所需定位的特征區(qū)域中心點。
11.根據(jù)權利要求10所述的車身深淺色的識別方法，所述確定特征區(qū)域中心點進一步包括
計算像素灰度的差分；
根據(jù)所設定的閾值，對差分結果進行二值化；
對二值化后的結果進行距離變換，得到反映顯著邊緣分布情況的距離值；
根據(jù)距離值搜索能量函數(shù)最大的點，以確定特征區(qū)域的中心點。
12.根據(jù)權利要求9或10所述的車身深淺色的識別方法，其特征在于，所述參考區(qū)域包括通過車牌定位技術確定的車牌區(qū)域。
13.根據(jù)權利要求9所述的車身深淺色的識別方法，其特征在于，所述得到特征區(qū)域內(nèi)像素點的深淺色包括
采用HSV顏色空間的三維信息作為深淺色分類的特征向量；
設定用于決定像素點深淺色的閾值，通過閾值法得到特征區(qū)域內(nèi)像素點的深淺色。
14.根據(jù)權利要求9所述的車身深淺色的識別方法，其特征在于，所述特征區(qū)域的深淺色包括根據(jù)統(tǒng)計得到的像素點的深淺色分布情況，以投票法來判斷得到。
15.根據(jù)權利要求14所述的車身深淺色的識別方法，其特征在于，所述投票法包括根據(jù)像素點被分到深色或淺色的數(shù)目，以數(shù)目多者取勝，如果票數(shù)相等，則不計特征區(qū)域的首行與末行，再次投票，如果票數(shù)仍相等，則作深色處理。
16.根據(jù)權利要求9所述的車身深淺色的識別方法，其特征在于，所述像素點包括特征區(qū)域內(nèi)的所有像素點或通過采樣得到的部分像素點。
17.一種車身顏色的識別方法，其特征在于，包括
根據(jù)所得車輛圖像中車輛的參考區(qū)域，確定車輛區(qū)域；
根據(jù)車輛區(qū)域的紋理特征與結構特征，構建能量分布函數(shù)，以能量最大的點作為中心點，定位出用于代表車身深淺色及顏色的特征區(qū)域；
識別特征區(qū)域內(nèi)像素點的顏色，對所述像素點的顏色進行統(tǒng)計，獲取區(qū)域顏色識別的特征向量；
根據(jù)所述特征向量，識別用于代表車身顏色的特征區(qū)域的顏色。
18.根據(jù)權利要求17所述的車身顏色的識別方法，其特征在于，所述能量分布函數(shù)為E(x，y)為點(x，y)的能量，能量分布函數(shù)的前一項
用于反映特征區(qū)域的紋理特征，其中，Dis(x，y)為(x，y)到最近的顯著邊緣的距離；后一項用于反映特征區(qū)域的結構特征，其中，(xID，yID)為參考區(qū)域中心，c為經(jīng)驗值，用于反映特征區(qū)域與參考區(qū)域在縱軸上的估計偏移量；當E(x，y)最大時對應的(x，y)即為所需定位的特征區(qū)域中心點。
19.根據(jù)權利要求18所述的車身顏色的識別方法，所述確定特征區(qū)域中心點進一步包括
計算像素灰度的差分；
根據(jù)所設定的閾值，對差分結果進行二值化；
對二值化后的結果進行距離變換，得到反映顯著邊緣分布情況的距離值；
根據(jù)距離值搜索能量函數(shù)最大的點，以確定特征區(qū)域的中心點。
20.根據(jù)權利要求17或18所述的車身顏色的識別方法，其特征在于，所述參考區(qū)域包括通過車牌定位技術確定的車牌區(qū)域。
21.根據(jù)權利要求17所述的車身顏色的識別方法，其特征在于，所述獲取特征向量包括通過用于像素點顏色識別的支持向量機分類器，識別特征區(qū)域內(nèi)像素點的顏色；統(tǒng)計特征區(qū)域內(nèi)每種顏色的像素點所占比例并對其進行歸一化處理，形成與像素點的顏色對應的多維向量，作為區(qū)域顏色識別的特征向量；
所述識別用于代表車身顏色的特征區(qū)域的顏色通過用于區(qū)域顏色識別的支持向量機分類器實現(xiàn)。
22.根據(jù)權利要求21所述的車身顏色的識別方法，其特征在于，所述識別特征區(qū)域內(nèi)像素點的顏色包括
對建立的像素點顏色決策分類樹各結點上的訓練樣本集進行支持向量機訓練，得到各結點上用于像素點顏色識別的支持向量機分類器；
根據(jù)決策分類樹與各結點上用于像素點顏色識別的支持向量機分類器，識別特征區(qū)域內(nèi)各像素點的顏色。
23.根據(jù)權利要求22所述的車身顏色的識別方法，其特征在于，所述決策分類樹包括
將像素點顏色按紅、黃、藍、綠進行粗分類，以形成根結點；
將根結點中紅、黃、藍、綠分別與灰色系列進行分類，以形成一級結點；
根據(jù)顏色分布的實際情況，分別對一級結點中的紅、藍、綠、以及灰色系列進行細分類，以形成二級結點。
24.根據(jù)權利要求22所述的車身顏色的識別方法，其特征在于，所述建立訓練樣本集包括
從標準顏色塊以及成像環(huán)境較好的車輛圖像中選擇各顏色的正常樣本；
通過先驗知識與實際車身顏色相結合的方法來選擇各顏色的邊界樣本，以得到能反映顏色分布的訓練樣本集。
25.根據(jù)權利要求24所述的車身顏色的識別方法，其特征在于，所述選擇各顏色的邊界樣本包括在HSV顏色空間中，通過固定色調(diào)分量H，調(diào)節(jié)飽和度分量S與亮度值分量V，選擇彩色系列與灰色系列的邊界樣本，通過調(diào)節(jié)色調(diào)分量H選擇彩色之間的邊界樣本。
26.根據(jù)權利要求24所述的車身顏色的識別方法，其特征在于，所述選擇各顏色的邊界樣本進一步包括從視覺上比較接近的不同顏色的車身顏色圖片樣本中選擇。
27.根據(jù)權利要求24所述的車身顏色的識別方法，其特征在于，所述選擇各顏色的邊界樣本還包括選擇訓練過程中產(chǎn)生的支持向量。
28.根據(jù)權利要求22所述的車身顏色的識別方法，其特征在于，所述對決策分類樹各結點上的訓練樣本集進行支持向量機訓練包括
選擇CIE_Lab顏色空間的三維特征值作為特征向量；
觀察每層分類樣本的分布規(guī)律，選定每個支持向量機分類器的核函數(shù)類型，并通過交叉驗證的方法來選擇最終的核函數(shù)類型及相關參數(shù)；
采用增量訓練方法，進行多次反饋訓練，獲得用于像素點顏色識別的支持向量機分類器。
29.根據(jù)權利要求21所述的車身顏色的識別方法，其特征在于，所述用于區(qū)域顏色識別的支持向量機分類器包括通過用所建立的區(qū)域顏色訓練樣本集進行支持向量機訓練得到。
30.根據(jù)權利要求29所述的車身顏色的識別方法，其特征在于，所述區(qū)域顏色訓練樣本集包括在訓練圖庫中，觀察每個特征區(qū)域的像素點顏色分布情況，對分布情況進行歸類統(tǒng)計，去除每種顏色類別的噪聲樣本后，初步形成每種顏色類別的樣本庫，在此基礎上，篩選出正常樣本與邊界樣本，以正常樣本與邊界樣本形成的集合作為最終的區(qū)域顏色訓練樣本集。
31.根據(jù)權利要求30所述的車身顏色的識別方法，其特征在于，所述正常樣本包括選擇能夠明顯與其他區(qū)域顏色類別區(qū)分的像素點顏色分布特征，作為識別的正常樣本。
32.根據(jù)權利要求30所述的車身顏色的識別方法，其特征在于，所述邊界樣本包括遍歷任意兩種顏色類別，對所述兩種顏色類別的樣本庫中的樣本進行兩兩比較，選擇樣本歐式距離較小的兩類樣本作為邊界樣本。
33.根據(jù)權利要求29所述的車身顏色的識別方法，其特征在于，所述用所建立的區(qū)域顏色訓練樣本集進行支持向量機訓練包括
選擇與像素點的顏色對應的多維向量作為區(qū)域顏色識別的特征向量；
觀察樣本的特征向量分布規(guī)律，選定每一個支持向量機分類器中的核函數(shù)類型，并通過交叉驗證的方法來選擇最終的核函數(shù)類型及相關參數(shù)；
采用增量訓練方法，進行多次反饋訓練，獲得用于區(qū)域顏色識別的支持向量機分類器。
34.根據(jù)權利要求21所述的車身顏色的識別方法，其特征在于，通過用于像素點顏色識別的支持向量機分類器識別像素點顏色與用于區(qū)域顏色識別的支持向量機分類器識別區(qū)域顏色的過程中進一步包括對支持向量機的優(yōu)化處理。
35.根據(jù)權利要求34所述的車身顏色的識別方法，其特征在于，所述優(yōu)化處理包括線性核運算的化簡與高斯核運算的加速。
36.根據(jù)權利要求17所述的車身顏色的識別方法，其特征在于，所述像素點包括特征區(qū)域內(nèi)的所有像素點或通過采樣得到的部分像素點。
全文摘要
一種用于代表車身深淺色及顏色的特征區(qū)域的定位方法，包括根據(jù)所得車輛圖像中車輛的參考區(qū)域，確定車輛區(qū)域；根據(jù)車輛區(qū)域的紋理特征與結構特征，構建能量分布函數(shù)；以能量分布函數(shù)中能量最大的點作為中心點，定位出用于代表車身深淺色及顏色的特征區(qū)域。本發(fā)明還提供車身深淺色的識別方法及車身顏色的識別方法，應用本發(fā)明可減少計算量、加快計算速度、提高識別準確率。
文檔編號G06K9/62GK101504717SQ20081004109
公開日2009年8月12日 申請日期2008年7月28日 優(yōu)先權日2008年7月28日
發(fā)明者石榮瑞, 劉園園, 彧 沈, 靜 姚 申請人:上海高德威智能交通系統(tǒng)有限公司