一種車輛車身顏色檢測識別方法
【專利摘要】本發(fā)明公開了一種車輛車身顏色檢測識別方法，包括以下步驟：訓練步驟：訓練出主顏色模型；顏色檢測識別步驟：（1）、檢測獲取車輛矩形區(qū)域；（2）、主顏色識別，包括：（21）、將區(qū)域內(nèi)的所有像素點輸入主顏色模型，判斷出各像素點對應主顏色模型中顏色列表中的顏色；（22）、統(tǒng)計出所述顏色列表中各顏色的占比，并按照占比由大至小進行排序；（23）、利用排序前4位占比的方差M，判斷為花車還是單色車。本發(fā)明的車輛車身顏色檢測識別方法，對全車進行顏色分析，不僅可以識別單一顏色車輛，還可以識別多顏色的花車，有利于快速的定位相關車輛；利用高置信度區(qū)域可以避免選擇固定區(qū)域時各種光線的干擾；計算量小，實現(xiàn)高清實時檢測。
【專利說明】—種車輛車身顏色檢測識別方法【技術領域】
[0001]本發(fā)明屬于圖像處理【技術領域】，具體地說，是涉及一種車輛車身顏色檢測識別方法。
【背景技術】
[0002]機動車輛車身顏色識別是智能交通中車輛檢測的ー個重要屬性，對嫌疑車輛排查、套牌車自動檢測具有重要的作用，但是車身顏色識別受環(huán)境光線的干擾非常嚴重，同一輛車在不同的光線下不同的車身區(qū)域會反映不同的顔色，在對車身顔色檢測帶來非常大的影響。專利20111013540.7發(fā)明名稱為車輛智能監(jiān)控系統(tǒng)中車身顏色自動識別方法的專利公開了借助車牌區(qū)域輔助車身顔色定位，先通過顏色多類子空間分析，并利用多特征模板匹配或SVM方法進行顏色識別，引入了可信度，對低可信度進行先驗校準。但此專利在車身顔色位置定位時沒有考慮光線的干擾，因此對不同光照下的顔色識別會存在問題，例如強逆光、順光等。
[0003]專利200810041097.5發(fā)明名稱為特征區(qū)域的定位方法、車身深淺色與車身顏色的識別方法的專利公開了利用能量分布函數(shù)確定車身顔色區(qū)域，再進行多級分類，利用SVM進行識別。此方法利用能量分布最大點附件區(qū)域確定顏色識別區(qū)域，但是能量最大點區(qū)域在不同的光照環(huán)境下不一定能反映出真實顏色，對逆光、順光等條件下誤判的可能性増大。
[0004]此外，目前行業(yè)中的顔色識別只能識別單一的顔色，對于包含兩種以上顔色的花車不好很好的識別，例如出租車等。
[0005]基于此，如何發(fā) 明ー種車輛車身顏色檢測識別方法，可以檢測識別出多種顏色車，是本發(fā)明主要解決的技術問題。

【發(fā)明內(nèi)容】

[0006]本發(fā)明為了解決現(xiàn)有車輛身顏色檢測識別方法不能檢測識別出多種顏色車的問題，提供了ー種車輛車身顏色檢測識別方法，可以識別出花車，提高檢測精度。
[0007]為了解決上述技術問題，本發(fā)明采用以下技術方案予以實現(xiàn):
ー種車輛車身顏色檢測識別方法，包括以下步驟:
訓練步驟:
訓練出主顔色模型，所述的主顔色模型中包括至少3種顏色類型；
顔色檢測識別步驟:
(1)、檢測獲取車輛矩形區(qū)域；
(2)、主顔色識別，包括:
(21)、將區(qū)域內(nèi)的所有像素點輸入主顔色模型，判斷出各像素點對應主顔色模型中顏色列表中的顏色；
(22)、統(tǒng)計出所述顏色列表中各顔色的占比，并按照占比由大至小進行排序；
(23)、計算排序前4位占比的方差M,若方差M小于閾值T，則判斷為花車，否則，判斷為單色車，并且判斷占比最高的顏色為車身顏色。
[0008]進ー步的，為了精確判斷出花車的主要顏色種類，在步驟(23)中，若判斷為花車，還包括判斷花車車身主要顔色的步驟。
[0009]又進ー步的，判斷花車車身顔色的方法為:首先，將占比排序第I位的顔色判斷為花車第一顔色，其次，判斷占比排序第2位的顏色類型，如果不是灰色，則將其判斷為花車第二顔色，如果是灰色，則考慮占比排序第3位的顔色的占比值，如果占比值超過閾值Th，則該占比排序第3的顔色判斷為花車第二顔色，如果占比值低于閾值Th，則判斷灰色為花
車第二顔色。
[0010]進ー步的，為了能夠適應不同光線、不同天氣環(huán)境，獲得高準確的顏色深淺識別，在所述的訓練步驟中，還包括訓練出輔顏色模型，所述的輔顔色模型為二分類模型，在所述的步驟(22)中，還包括計算步驟(21)中所得出的各像素點顔色的識別置信度P的步驟，所述的顏色檢測識別步驟還包括(3)，首先挑選高置信度區(qū)域，對該區(qū)域進行顏色二次判斷，也即:將該區(qū)域的所有像素點輸入所述的輔顔色模型，進行比對判斷輸出深色和淺色兩種結果。
[0011]又進ー步的，步驟(3)中，所述的高置信度區(qū)域的挑選方式為:遍歷占比排序第I位的顔色所有像素點，將這些像素點的識別置信度P與閾值S比較，如果P大于S，則標記該像素點，被標記的像素點的總數(shù)為M，若M大于閾值N，則進行顔色二次判斷，否則不進行顏色二次判斷。
[0012]優(yōu)選的，所述的識別置信度P的計算方法為:
P=CP(z)P (w/z) 其中，Z為顏色,w為像素，C為常系數(shù),P(z)為某顏色出現(xiàn)的概率,P(w/z)為在某顏色已知的條件下像素出現(xiàn)的概率。
[0013]優(yōu)選的，在所述的訓練步驟中，采用PLSA方法訓練主顔色模型。使用PLSA模型算法計算量小，可以整合至現(xiàn)有的嵌入式平臺中，實現(xiàn)高清實時檢測，
同理的，在所述的訓練步驟中，采用PLSA方法訓練輔顔色模型。
[0014]優(yōu)選的，在所述步驟(I)中，采用模式識別算法以準確、快速的獲取所述的矩形區(qū)域。
[0015]為了減少路面干擾，進ー步減少計算量，還包括將所述的矩形區(qū)域的寬、高等比例縮小為原比例的2/3或者4/5的步驟。
[0016]與現(xiàn)有技術相比，本發(fā)明的優(yōu)點和積極效果是:本發(fā)明的車輛車身顏色檢測識別方法，1、對全車進行顏色分析，不僅可以識別單ー顏色車輛，還可以識別多顔色的花車，有利于快速的定位相關車輛；2、可以識別出花車具體車身顏色；3、進行顏色識別吋，同時輸出每個像素的置信度，根據(jù)置信度選取顏色區(qū)域，進行顏色細分，可識別類別更多的顔色，目前至少可檢測15種顏色；4、利用高置信度區(qū)域可以避免選擇固定區(qū)域時各種光線的干擾；5、使用PLSA模型算法計算量小，可以整合至現(xiàn)有的嵌入式平臺中，實現(xiàn)高清實時檢測，并且利用多幀檢測結果投票可以獲得更精準的顔色，即ー輛車在形式的過程中進行多次車身顏色識別，然后將多次顔色識別的結果投票，獲得本車輛的最終車身顏色。
[0017]結合附圖閱讀本發(fā)明實施方式的詳細描述后，本發(fā)明的其他特點和優(yōu)點將變得更加清楚?！緦＠綀D】

【附圖說明】
[0018]圖1是本發(fā)明所提出的ー種車輛車身顏色檢測識別方法的一種實施例流程圖?！揪唧w實施方式】
[0019]下面結合附圖對本發(fā)明的【具體實施方式】作進ー步詳細地說明。
[0020]實施例一，參見圖1所示，本實施例中的ー種車輛車身顏色檢測識別方法，包括以下步驟:
訓練步驟:
訓練出主顔色模型，所述的主顔色模型中包括至少3種顏色類型；
顔色檢測識別步驟:
51、檢測獲取車輛矩形區(qū)域；
52、主顔色識別，包括:
521、將區(qū)域內(nèi)的所有像素點輸入主顔色模型，判斷出各像素點對應主顔色模型中顔色列表中的顏色；
522、統(tǒng)計出所述顏色列表中各顔色的占比，并按照占比由大至小進行排序；
523、計算排序前4位占比的方差M,若方差M小于閾值T，則判斷為花車，否則，判斷為單色車，并且判斷占比最高的顏色為車身顏色。通過計算方差可以反映出各顔色分布情況，方差越大，說明不均勻，個別顔色占比較大，更容易是單色車，反之，方差越小，顔色分布較均勻，是花車的可能性就更大。
[0021]本實施例中的車輛車身顏色檢測識別方法，對全車進行顏色分析，不僅可以識別單ー顏色車輛及其顔色，還可以識別多顔色的花車，有利于快速的定位相關車輛。具體實施過程中可以對白天和夜間采用不同的訓練模型，提高夜間的顏色識別率。
[0022]為了精確判斷出花車的主要顏色種類，在步驟S23中，若判斷為花車，還包括判斷花車車身主要顔色的步驟。
[0023]作為ー個具體的實施方式，判斷花車車身顔色的方法為:首先，將占比排序第I位的顔色判斷為花車第一顔色，其次，判斷占比排序第2位的顏色類型，如果不是灰色，則將其判斷為花車第二顔色，如果是灰色，則考慮占比排序第3位的顔色的占比值，如果占比值超過閾值Th，則該占比排序第3的顔色判斷為花車第二顔色，如果占比值低于閾值Th，則占比排序第2位的顔色(也即灰色)判斷為花車第二顔色。
[0024]本實施例判斷花車車身主要顔色，通過顏色占比的排序，占比大的顏色肯定為車身主要顔色，同時考慮到排除車窗的顔色的干擾，判斷精度高。
[0025]為了能夠適應不同光線、不同天氣環(huán)境，獲得高準確的顏色深淺識別，在訓練步驟中，還包括訓練出輔顏色模型，輔顏色模型為二分類模型，在步驟S22中，還包括計算步驟S21中所得出的各像素點顔色的識別置信度P的步驟，顏色檢測識別步驟還包括S3，首先挑選高置信度區(qū)域，對該區(qū)域進行顏色二次判斷，也即:將該區(qū)域的所有像素點輸入所述的輔顔色模型，進行比對判斷輸出深色和淺色兩種結果。本實施例中根據(jù)置信度選取顏色區(qū)域，進行顏色細分，可識別類別更多的顔色，目前至少可檢測15種顏色。本實施例的輔顏色模型中比如可以包括深藍與淺藍的PLSA 二分類模型，深綠與淺綠的PLSA 二分類模型，深紅與淺紅的PLSA 二分類模型，深黃與淺黃的PLSA 二分類模型。
[0026]步驟S3中，所述的高置信度區(qū)域的挑選方式為:遍歷占比排序第I位的顔色所有像素點，將這些像素點的識別置信度P與閾值S比較，如果P大于S，則標記該像素點，被標記的像素點的總數(shù)為M，若M大于閾值N，則進行顔色二次判斷，否則不進行顔色二次判斷。本實施例利用利用置信度，挑選高置信度區(qū)域，可以避免選擇固定區(qū)域時強逆光、順光等各種光線的干擾，進ー步提高了車身顏色檢測識別精確度。顔色二次判斷是為了防止目前有些車身顔色包括深色和淺色兩種(比如紅色、黃色、藍色、綠色還具體包括深紅、淺紅、深黃、淺黃、深藍、淺藍、深緑、淺緑)，若深色和淺色均判為同一種顏色的話，精確度不夠，本實施例的顔色二次判斷就是將深淺色進行細分，有利于智能交通中準確辨別車輛信息。
[0027]優(yōu)選的，所述的識別置信度P采用EM算法以及訓練樣本估算，其計算方法為: P=CP(z)P (w/z)
其中，Z為顏色,w為像素，C為常系數(shù),P(z)為某顏色出現(xiàn)的概率,P(w/z)為在某顏色已知的條件下像素出現(xiàn)的概率。由識別置信度P可以知道每個RGB值對應的最大可能的顏色，就把這個RGB值判定為是這種顏色,因此P可以作為置信度。
[0028]需要說明的是，在訓練步驟中，優(yōu)選采用PLSA方法訓練主顔色模型。使用PLSA模型算法計算量小，可以整合至現(xiàn)有的嵌入式平臺中，實現(xiàn)高清實時檢測，當然，本發(fā)明的車輛車身顏色檢測識別方法并不限于PLSA方法，也可以采用其他方法訓練顏色模型，比如SVM模型、LDA模型等，均屬于本發(fā)明的保護范圍。
[0029]同理的，在訓練步驟中，采用PLSA方法訓練輔顔色模型。
[0030]優(yōu)選的，在步驟SI中，采用模式識別算法以準確、快速的獲取所述的矩形區(qū)域。
[0031]為了減少路面干擾，進ー步減少計算量，還包括將所述的矩形區(qū)域的寬、高等比例縮小為原比例的2/3或者4/5的步驟。
[0032]當然，上述說明并非是對本發(fā)明的限制，本發(fā)明也并不僅限于上述舉例，本【技術領域】的普通技術人員在本發(fā)明的實質(zhì)范圍內(nèi)所做出的變化、改型、添加或替換，也應屬于本發(fā)明的保護范圍。
【權利要求】
1.ー種車輛車身顏色檢測識別方法，其特征在于，包括以下步驟: 訓練步驟: 訓練出主顔色模型，所述的主顔色模型中包括至少3種顏色類型； 顔色檢測識別步驟: (1)、檢測獲取車輛矩形區(qū)域； (2)、主顔色識別，包括: (21)、將區(qū)域內(nèi)的所有像素點輸入主顔色模型，判斷出各像素點對應主顔色模型中顏色列表中的顏色； (22)、統(tǒng)計出所述顏色列表中各顔色的占比，并按照占比由大至小進行排序； (23)、計算排序前4位占比的方差M,若方差M小于閾值T，則判斷為花車，否則，判斷為單色車，并且判斷占比最高的顏色為車身顏色。
2.根據(jù)權利要求1所述的車輛車身顏色檢測識別方法，其特征在于，步驟(23)中，若判斷為花車，還包括判斷花車車身主要顏色的步驟。
3.根據(jù)權利要求2所述的車輛車身顏色檢測識別方法，其特征在干，判斷花車車身顏色的方法為:首先，將占比排序第I位的顔色判斷為花車第一顔色，其次，判斷占比排序第2位的顏色類型，如果不是灰色，則將其判斷為花車第二顔色，如果是灰色，則考慮占比排序第3位的顔色的占比值，如果占比值超過閾值Th，則該占比排序第3的顔色判斷為花車第ニ顔色，如果占比值低于閾值 Th，則判斷灰色為花車第二顔色。
4.根據(jù)權利要求1所述的車輛車身顏色檢測識別方法，其特征在干， 在所述的訓練步驟中，還包括訓練出輔顏色模型，所述的輔顔色模型為二分類模型，在所述的步驟(22)中，還包括計算步驟(21)中所得出的各像素點顔色的識別置信度P的步驟，所述的顏色檢測識別步驟還包括(3)，首先挑選高置信度區(qū)域，對該區(qū)域進行顏色二次判斷，也即:將該區(qū)域的所有像素點輸入所述的輔顔色模型，進行比對判斷輸出深色和淺色兩種結果。
5.根據(jù)權利要求4所述的車輛車身顏色檢測識別方法，其特征在于，步驟(3)中，所述的高置信度區(qū)域的挑選方式為:遍歷占比排序第I位的顔色所有像素點，將這些像素點的識別置信度P與閾值S比較,如果P大于S,則標記該像素點,被標記的像素點的總數(shù)為M,若M大于閾值N，則進行顔色二次判斷，否則不進行顔色二次判斷。
6.根據(jù)權利要求4所述的車輛車身顏色檢測識別方法，其特征在于，所述的識別置信度P的計算方法為:
P=CP(z)P (w/z) 其中，Z為顏色,w為像素，C為常系數(shù),P(z)為某顏色出現(xiàn)的概率,P(w/z)為在某顏色已知的條件下像素出現(xiàn)的概率。
7.根據(jù)權利要求1-6任一項權利要求所述的車輛車身顏色檢測識別方法，其特征在于，在所述的訓練步驟中，采用PLSA方法訓練主顔色模型。
8.根據(jù)權利要求4所述的車輛車身顏色檢測識別方法，其特征在于，在所述的訓練步驟中，采用PLSA方法訓練輔顔色模型。
9.根據(jù)權利要求1-6任一項權利要求所述的車輛車身顏色檢測識別方法，其特征在于，在所述步驟(I)中，采用模式識別算法獲取所述的矩形區(qū)域。
10.根據(jù)權利要求9所述的車輛車身顏色檢測識別方法，其特征在于，在所述步驟(I)中，還包括將所述的 矩形區(qū)域的寬、高等比例縮小為原比例的2/3或者4/5的步驟。
【文檔編號】G06K9/62GK103440503SQ201310414231
【公開日】2013年12月11日 申請日期:2013年9月12日 優(yōu)先權日:2013年9月12日
【發(fā)明者】田永鴻, 蘇馳, 王耀威, 劉韶, 溫煒, 張弢, 王彬, 孫婷婷 申請人:青島海信網(wǎng)絡科技股份有限公司