一种基于匹配的车辆颜色识别方法和系统的制作方法
【专利摘要】本发明公开了一种基于匹配的车辆颜色识别方法，包括：对每张训练图像随机取图像块，对每个图像块进行采样，获得采样点，计算每个采样点的颜色特征向量，构建图像块的颜色特征向量表示，利用k-means聚类计算编码本，利用空间金字塔模型给图像特征加上空间信息，再用SVM训练分类器，识别的时候，计算待识别图像的空间金字塔特征向量，利用分类器对待识别图像的空间金字塔特征向量进行分类，输出待识别图像中车辆颜色的识别结果。本发明还公开了相应的基于匹配的车辆颜色识别系统。本发明方法可以在各种复杂环境下都给出准确度高的颜色判断，本方法无需对不同图像质量进行各种图像预处理，且本发明识别方法鲁棒性强，识别准确率高。
【专利说明】—种基于匹配的车辆颜色识别方法和系统
【技术领域】
[0001]本发明属于计算机视觉【技术领域】，更具体地，涉及基于一种基于匹配的车辆颜色识别方法和系统。
【背景技术】
[0002]在过去的十几年里，由于经济的迅速发展，各个城市的车辆数目极大的膨胀，原来依靠人眼对车辆信息的识别越来越不现实。因此，通过计算机视觉技术自动的提取车辆的信息，对辅助车辆的监控有很大的意义。在车辆的各种信息，包括车牌，车辆类型等，车辆的颜色是一种非常直观而且重要的属性。车辆的颜色识别，是对在监控系统图片中的车辆，依照人眼判断的标准，给出车辆颜色的判断。在卡口、高速公路、城市道路等场景中，车辆颜色能够给套牌车判断，违反交通规则的车辆监控，追踪逃犯等应用提供重要的线索。
[0003]然而，现有的车辆颜色识别方法中有两大缺点:第一是对各种气候对准确性影响大，第二是不同时间段的识别结果有很大差距。
【发明内容】
[0004]针对现有技术的缺陷，本发明的目的在于提供一种基于匹配的车辆颜色识别方法与系统，能够对车辆的颜色进行自动识别，该方法的鲁棒性强，并且识别准确率高。
[0005]为实现上述目的，按照本发明的一个方面，提供了一种基于匹配的车辆颜色识别方法，该方法运用支持向量机以及空间金字塔模型，实现车辆颜色的自动识别，包括以下步骤:
[0006](I)利用训练图像集合训练用于对图像块特征向量进行编码的编码本:
[0007](1.1)对训练图像集合中的每张训练图像随机取图像块。
[0008]具体为:首先将图像进行尺度变换变成640像素*480像素大小，然后在图像上随机采集大小为16*16的图像块；
[0009](1.2)对每个图像块进行采样，获得采样点。
[0010]具体为:16*16的图像块中分别在长宽上以平均间隔采样4个点，得到共16个采样点；
[0011](1.3)计算每个采样点的颜色特征向量。
[0012]具体为:对每个采样点计算:RGB分量，HSV分量，YCbCr分量，Lab分量，YUV分量，拼接成一个15维向量，即为该采样点颜色特征向量；
[0013](1.4)将每个图像块中的所有采样点的颜色特征向量拼接成图像块的特征向量。
[0014]具体为:将16个采样点的15维向量拼接成一个240维向量，即为图像块颜色特征
向量。；
[0015](1.5)对每张训练图像中所得的所有图像块的特征向量进行k-means聚类；
[0016](1.6)将所述聚类的结果作为编码本；
[0017]聚类得到N个聚类中心，N即为编码本中字的数量，对应向量就是编码本中的字；[0018](2)训练分类器:
[0019](2.1)对训练图像集合中的每张训练图像采集图像块。
[0020]具体为:对训练图像集合中的每张训练图像，首先将图像进行尺度变换变成640像素*480像素大小，然后按照8个像素为步长，采集大小为16*16的图像块；
[0021](2.2)按照步骤(1.2)-(1.4)求取每个图像块的特征向量；
[0022](2.3)用步骤(I)中得到的编码本对图像块特征向量进行编码；
[0023](2.4)利用空间金字塔模型(Spatial Pyramid Matching)计算每张训练图像的空间金字塔特征向量；
[0024](2.4.1)在原训练图像上将所有采样点根据编码本进行直方图统计，每个字典各为一类进行统计，得到属于该类的采样点数目，从而得到一个N维的向量，N为编码本中字的数量。
[0025](2.4.2)将原训练图像分成2*2共4个分块，针对每个分块重复(2.4.1)的计算过程，最后得到4个N维的向量。
[0026](2.4.3)将原训练图像分成4*4共16个分块，针对每个分块重复(2.4.1)的计算过程，最后得到16个N维的向量。
[0027](2.4.4)将上述步骤得到的特征向量拼接起来，得到一个21XN维向量，这个向量就是该图片的空间金字塔表示。
[0028](2.5)利用所有训练图像的金字塔特征向量训练支持向量机分类器。
[0029]具体为:训练一个直方图交叉核(histogram intersection)的SVM分类器作为最终的分类器；
[0030](3)识别待识别图像中车辆的颜色:
[0031](3.1)按照步骤(2.1)-(2.4)计算待识别图像的空间金字塔特征向量；
[0032](3.2)利用步骤(2)中训练得到的支持向量机分类器，对待识别图像的空间金字塔特征向量进行分类，输出待识别图像中车辆颜色的识别结果。
[0033]按照本发明的另一方面，还提供了一种基于匹配的车辆颜色识别系统，所述系统包括编码本生成模块，分类器训练模块以及待识别图像识别模块，其中:
[0034]所述编码本生成模块，用于利用训练图像集合训练用于对图像块特征向量进行编码的编码本，具体包括:
[0035]图像块获取模块，用于对训练图像集合中的每张训练图像随机取图像块；
[0036]图像块采样模块，用于对每个图像块进行采样，获得采样点；
[0037]颜色特征向量计算模块，用于计算每个采样点的颜色特征向量；
[0038]图像块特征向量计算模块，用于将每个图像块中的所有采样点的颜色特征向量拼接成图像块的特征向量；
[0039]编码本生成模块，用于对每张训练图像中所得的所有图像块的特征向量进行k-means聚类，将所述聚类的结果作为编码本；
[0040]所述分类器训练模块，用于训练分类器，具体包括:
[0041]图像块采集模块，用于对训练图像集合中的每张训练图像采集图像块；
[0042]图像块特征向量计算模块，用于求取每个图像块的特征向量；
[0043]图像块特征向量编码模块，用于利用编码本对图像块特征向量进行编码；[0044]金字塔特征向量生成模块，用于利用空间金字塔模型计算每张训练图像的空间金字塔特征向量；
[0045]支持向量机分类器训练模块，用于利用所有训练图像的空间金字塔特征向量训练支持向量机分类器；
[0046]所述待识别图像识别块，用于识别待识别图像中车辆的颜色，具体包括:
[0047]空间金字塔特征向量计算模块，用于计算待识别图像的空间金字塔特征向量；
[0048]待识别图像识别子模块，用于利用支持向量机分类器，对待识别图像的空间金字塔特征向量进行分类，输出待识别图像中车辆颜色的识别结果。
[0049]通过本发明所构思的以上技术方案，与现有技术相比，本发明具有以下的有益效果:
[0050]1、物体颜色容易受光照、灰尘以及空气质量等因素的影响而变得不容易辨认，现有的识别算法无法适应外界环境的变化在各种复杂场景都提供高的辨识度；为克服这些影响，本发明首先把图像转换成不同的颜色空间，例如HSV，YCbCr, Lab, YUV ;在这些颜色空间中，原本的颜色三通道被转换成光照和颜色分量；由于两种分量不相关，其中从颜色分量中提取的特征具有光照不敏感的特性；
[0051]2、在实际情况中，只有一部分的车身区域能够用来识别车辆颜色，例如引擎盖等；其他方法都需要首先显性的提取有代表性的区域，然后在这些区域上提取颜色特征进行识别；本发明方法直接对不同颜色的车辆图片进行建模，通过学习的方法自动选择有代表性的区域；为了能够间接的选择有代表性的区域，图像被分割为1*1，2*2，4*4的图像金字塔；整个图像的特征由每个子区域的特征拼接起来；由于子区域特征的拼接顺序，整个图像的特征包含有一定的空间位置信息；训练之后得到的模型，实际上就是每个子区域的权重，按照权重大小，本方法就能间接的选择出有代表性的区域；因此本发明方法不需要进行区域提取的步骤，而是直接输入整张车辆图片就行识别。
【专利附图】
【附图说明】
[0052]图1是本发明基于匹配的车辆颜色识别方法的流程图；
[0053]图2是本发明中利用空间金字塔模型对图像进行空间金字塔计算的原理图。
【具体实施方式】
[0054]为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0055]以下首先就本发明的技术术语进行解释和说明:
[0056]训练图像:用于训练方法模型的输入图像，在本方法中指的是用于训练模型需要的各种不同颜色种类的车辆图像。
[0057]颜色特征:是指在不同颜色空间上的空间各个分量值的向量，包括RGB空间，HSV空间，YCbCr空间，Lab空间以及YUV空间。由于每个颜色空间都有自己的特点，因此对于图像颜色特性的表达各有侧重，为了得到全面的颜色特征，我们融合多个颜色空间进行向量拼接，最终得到颜色特征。[0058]K-means算法:是最为经典的基于划分的聚类方法，是十大经典数据挖掘算法之一。K-means算法的基本思想是:以空间中k个点为中心进行聚类，对最靠近他们的对象归类。通过迭代的方法，逐次更新各聚类中心的值，直至得到最好的聚类结果。
[0059]编码本:是对图像进行编码的依据，编码本中的各个元素是在样本集合上进行K-means算法得到的若干个聚类中心。
[0060]空间金字塔模型:即SPM(Spatial Pyramid Matching)是一种经典的匹配算法,该算法重在能够提取上下文信息，在保证全局特征不丢失的情况下，能够同时获取丰富的局部特征。
[0061]支持向量机:SVM(Support Vector Machine)是 Corinna Cortes 和 Vapnik 等于1995年首先提出的分类算法，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，SVM的关键在于核函数。低维空间向量集通常难于划分，解决的方法是将它们映射到高维空间。但这个办法带来的困难就是计算复杂度的增加，而核函数正好巧妙地解决了这个问题。也就是说，只要选用适当的核函数，就可以得到高维空间的分类函数。
[0062]如图1所示，本发明运用支持向量机的基于空间金字塔模型的颜色识别方法包括以下步骤:
[0063](I)利用训 练图像集合训练用于对图像块特征向量进行编码的编码本:
[0064](1.1)对训练图像集合中的每张训练图像随机取图像块。
[0065]具体为:首先将图像进行尺度变换变成640像素*480像素大小，然后在图像上随机选择16*16的图像块；
[0066](1.2)对每个图像块进行采样，获得采样点。
[0067]具体为:16*16的图像块中分别在长宽上以平均间隔采样4个点，得到共16个采样点；
[0068](1.3)计算每个采样点的颜色特征向量。
[0069]步骤具体为:对每个采样点计算:RGB分量，HSV分量，YCbCr分量，Lab分量，YUV分量，拼接成一个15维向量，即为该采样点颜色特征向量。
[0070]设RGB 分量为[R, G, B]，HSV 分量为[H, S，V]，YCbCr 分量为[Y, Cb, Cr]，Lab 分量为[L, a, b]，YUV 分量[Y, U, V]则该点颜色特征向量为:[R, G, B, H, S，V, Y, Cb, Cr, L, a, b, Y, U, V]
这样一个15维向量。
[0071](1.4)将每个图像块中的所有采样点的颜色特征向量拼接成图像块的特征向量。
[0072]具体为:将16个采样点的15维向量拼接成一个240维向量，即为图像块颜色特征
向量
[0073]步骤具体为:将16个采样点的15维向量拼接成一个240维向量V1 = [R1, G1, B1,H1, S1, V1, Y1, Cb1, Cr1, L1, a1； ^,Y1, U1, V1,...,
Ri6，G16j B16j H16j S16j V16j Y16j Cb16, Cr16, Ll6，ai6) b16,
Y16, U16, V16]，即为图像块颜色特征向量；
[0074](1.5)对每张训练图像中所得的所有图像块的特征向量进行k-means聚类；
[0075](1.6)将所述聚类的结果作为编码本，聚类得到N个聚类中心，N即为编码本中字的数量，对应向量就是编码本中的字；
[0076](2)训练分类器:
[0077](2.1)对训练图像集合中的每张训练图像采集图像块。[0078]具体做法为:以图像某个顶点为起始点，每隔八个像素取一个16*16的图像块,可以理解成一个16*16的取景框，每次平移8像素，框中的即为一个图像块，直到整个图像都覆盖到。例如对于640像素*480像素，可以得到一共4800个图像块；
[0079](2.2)按照步骤(1.2)-(1.4)求取每个图像块的特征向量，得到所有图像块的特
征{Vl，V2>...V240(J ;
[0080](2.3)用步骤(I)中得到的编码本对图像块特征向量进行编码；
[0081](2.4)利用空间金字塔模型(Spatial Pyramid Matching)计算每张训练图像的空间金字塔特征向量；
[0082](2.4.1)参照图2，计算空间金字塔的第一步，是在原训练图像上将所有采样点根据编码字典进行直方图统计，每个字典各为一类进行统计，得到属于该类的采样点数目，从而得到一个N维的向量[叫，n2，...，nN]，N为编码本中字的数量。
[0083](2.4.2)将原训练图像分成2*2共4个分块，针对每个分块重复(2.4.1)的计算过程，最后得到4个N维的向量[n’ i，η’ 2，...，η’ 4Ν]。
[0084](2.4.3)将原训练图像分成4*4共16个分块，针对每个分块重复(2.4.1)的计算过程，最后得到16个N维的向量[n’ ’ i，η’ ’ 2，...，η’ ’ 16Ν]。
[0085](2.4.4)将上述步骤得到的特征向量拼接起来，得到一个21ΧΝ维向量，这个向量就是该图片的空间金字塔表示 Di1, η2,...，nN, n' 1； n/ 2,..., n/ 4N，n" 2，...，n" 16
N] o
[0086](2.5)利用所有训练图像的金字塔特征向量训练SVM分类器。
[0087]步骤具体为:训练一个直方图交叉核(histogram intersection)的SVM分类器作为最终的分类器。此处可以利用封装好的已有SVM库函数视为一个黑箱子，输入所有训练图像的金字塔特征向量，输出为一个能够判断车辆颜色的SVM分类器；
[0088](3)识别待识别图像中车辆的颜色:
[0089](3.1)按照步骤(2.1)-(2.4)计算待识别图像的空间金字塔特征向量；
[0090](3.2)步骤具体为:利用步骤(2)中训练得到的支持向量机分类器，对待识别图像的空间金字塔特征向量进行分类，输出待识别图像中车辆颜色的识别结果。例如一号代表红色，则红色的车返回结果为I。
[0091]进一步地，本发明还提供了一种基于匹配的车辆颜色识别系统，所述系统包括编码本生成模块，分类器训练模块以及待识别图像识别模块，其中:
[0092]所述编码本生成模块，用于利用训练图像集合训练用于对图像块特征向量进行编码的编码本，具体包括:
[0093]图像块获取模块，用于对训练图像集合中的每张训练图像随机取图像块；
[0094]图像块采样模块，用于对每个图像块进行采样，获得采样点；
[0095]颜色特征向量计算模块，用于计算每个采样点的颜色特征向量；
[0096]图像块特征向量计算模块，用于将每个图像块中的所有采样点的颜色特征向量拼接成图像块的特征向量；
[0097]编码本生成模块，用于对每张训练图像中所得的所有图像块的特征向量进行k-means聚类，将所述聚类的结果作为编码本；
[0098]所述分类器训练模块，用于训练分类器，具体包括:[0099]图像块采集模块，用于对训练图像集合中的每张训练图像采集图像块；
[0100]图像块特征向量计算模块，用于求取每个图像块的特征向量；
[0101]图像块特征向量编码模块，用于利用编码本对图像块特征向量进行编码；
[0102]金字塔特征向量生成模块，用于利用空间金字塔模型计算每张训练图像的空间金字塔特征向量；
[0103]支持向量机分类器训练模块，用于利用所有训练图像的空间金字塔特征向量训练支持向量机分类器；
[0104]所述待识别图像识别模块，用于识别待识别图像中车辆的颜色，具体包括:
[0105]空间金字塔特征向量计算模块，用于计算待识别图像的空间金字塔特征向量；
[0106]待识别图像识别子模块，用于利用支持向量机分类器，对待识别图像的空间金字塔特征向量进行分类，输出待识别图像中车辆颜色的识别结果。
[0107]需要说明的是，本发明实施例中对图像进行尺度变换、选取的图像块的大小、采样点的采样方式的具体数值均可以根据实际需要来确定，本发明实施例中所用的数值并不限定本发明的保护范围。
[0108]本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
【权利要求】
1.一种基于匹配的车辆颜色识别方法，其特征在于，所述方法包括以下步骤: (1)利用训练图像集合训练用于对图像块特征向量进行编码的编码本: (1.1)对训练图像集合中的每张训练图像随机取图像块； (1.2)对每个图像块进行采样，获得采样点； (1.3)计算每个采样点的颜色特征向量； (1.4)将每个图像块中的所有采样点的颜色特征向量拼接成图像块的特征向量； (1.5)对每张训练图像中所得的所有图像块的特征向量进行k-means聚类； (1.6)将所述聚类的结果作为编码本； (2)训练分类器: (2.1)对训练图像集合中的每张训练图像采集图像块；
(2.2)按照步骤(1.2)-(1.4)求取每个图像块的特征向量； (2.3)用步骤(1)中得到的编码本对图像块特征向量进行编码； (2.4)利用空间金字塔模型计算每张训练图像的空间金字塔特征向量； (2.5)利用所有训练图像的金字塔特征向量训练支持向量机分类器； (3)识别待识别图像中车辆的颜色: (3.1)按照步骤(2.1)-(2.4)计算待识别图像的空间金字塔特征向量； (3.2)利用步骤(2)中训练得到的支持向量机分类器，对待识别图像的空间金字塔特征向量进行分类，输出待识别图像中车辆颜色的识别结果。
2.根据权利要求1所述的车辆颜色识别方法，其特征在于，所述步骤(1.1)具体为:首先将图像进行尺度变换变成640像素*480像素大小，然后在图像上随机采集大小为16*16的图像块。
3.根据权利要求2所述的车辆颜色识别方法，其特征在于，所述步骤(1.2)具体为:16*16的图像块中分别在长宽上以平均间隔采样4个点，得到共16个采样点。
4.根据权利要求1至3任一项所述的车辆颜色识别方法，其特征在于，所述步骤(1.3)具体为:对每个采样点计算=RGB分量，HSV分量，YCbCr分量，Lab分量，YUV分量，并将这5个颜色分量拼接成一个15维向量，即为该采样点的颜色特征向量。
5.根据权利要求3或4所述的车辆颜色识别方法，其特征在于，所述步骤(1.4)具体为:将16个采样点的15维向量拼接成一个240维向量，即为图像块的颜色特征向量。
6.根据权利要求1至5任一项所述的车辆颜色识别方法，其特征在于，所述步骤(2.1)具体为:对训练图像集合中的每张训练图像，首先将训练图像进行尺度变换变成640像素*480像素大小，然后以8个像素为步长，采集大小为16*16的图像块。
7.根据权利要求1至6任一项所述的车辆颜色识别方法，其特征在于，所述步骤(2.4)包括以下子步骤: (2.4.1)在原训练图像上将所有采样点根据编码本进行直方图统计，每个字典各为一类进行统计，得到属于该类的采样点数目，从而得到一个N维的向量，N为编码本中字的数量。 (2.4.2)将原训练图像分成2*2共4个分块，针对每个分块重复(2.4.1)的计算过程，最后得到4个N维的向量。 (2.4.3)将原训练图像分成4*4共16个分块，针对每个分块重复(2.4.1)的计算过程，最后得到16个N维的向量。 (2.4.4)将上述4个步骤得到的特征向量拼接起来，得到一个21 XN维向量，这个向量就是该训练图像空间金字塔特征向量。
8.根据权利要求1至7任一项所述的车辆颜色识别方法，其特征在于，所述步骤(2.5)具体为:训练一个直方图交叉核(histogram intersection)的支持向量机分类器。
9.一种基于匹配的车辆颜色识别系统，其特征在于，所述系统包括编码本生成模块，分类器训练模块以及待识别图像识别模块，其中: 所述编码本生成模块，用于利用训练图像集合训练用于对图像块特征向量进行编码的编码本，具体包括: 图像块获取模块，用于对训练图像集合中的每张训练图像随机取图像块； 图像块采样模块，用于对每个图像块进行采样，获得采样点； 颜色特征向量计算模块，用于计算每个采样点的颜色特征向量； 图像块特征向量计算模块，用于将每个图像块中的所有采样点的颜色特征向量拼接成图像块的特征向量； 编码本生成模块，用于对每张训练图像中所得的所有图像块的特征向量进行k-means聚类，将所述聚类的结果作为编码本； 所述分类器训练模块，用于训练分类器，具体包括: 图像块采集模块，用于对训练图像集合中的每张训练图像采集图像块； 图像块特征向量计算模块，用于求取每个图像块的特征向量； 图像块特征向量编码模块，用于利用编码本对图像块特征向量进行编码； 金字塔特征向量生成模块，用于利用空间金字塔模型计算每张训练图像的空间金字塔特征向量； 支持向量机分类器训练模块，用于利用所有训练图像的空间金字塔特征向量训练支持向量机分类器； 所述待识别图像识别模块，用于识别待识别图像中车辆的颜色，具体包括: 空间金字塔特征向量计算模块，用于计算待识别图像的空间金字塔特征向量； 待识别图像识别子模块，用于利用支持向量机分类器，对待识别图像的空间金字塔特征向量进行分类，输出待识别图像中车辆颜色的识别结果。
【文档编号】G06K9/46GK103996041SQ201410205581
【公开日】2014年8月20日 申请日期:2014年5月15日 优先权日:2014年5月15日
【发明者】陈瑞军, 白翔, 陈攀, 王兴刚, 肖可伟 申请人:武汉睿智视讯科技有限公司