用于颜色识别的图像处理、车辆颜色识别方法和系统与流程

本发明涉及图像处理技术领域，特别是涉及一种用于颜色识别的图像处理、车辆颜色识别方法和系统。

背景技术：

目前，录像系统等在某一固定点获取对应场所视频图像的视频采集系统已广泛应用在人们的生活和工作中。对上述视频采集系统中的视频进行获取和相应处理，识别目标对象的颜色，对安保或者相关管理工作具有重要意义；例如，可以在城市道路或者社区门禁等场所的卡口系统中获取车辆监控视频，进行其中某个车辆的颜色识别，进而确定上述车辆的身份，以用于车辆检索、交通管理等工作。

传统对于视频中目标图像的颜色识别方案中，有方法利用HSI颜色空间和标准色差公式来计算颜色值，再利用BP神经网络进行车辆等目标图像的颜色分类；有方法采用了颜色模板匹配的方法实现目标图像颜色的分类；有方法利用H-S二维颜色直方图完成目标图像颜色的分类；还有方法将HSV颜色空间中的锐度和饱和度分量分离出来，然后以此构建分类器完成颜色分类，以对目标图像颜色进行相应识别。然而视频采集系统中的一些目标对象，包括需要进行颜色识别的主体部分(如车辆的车身部分)，还可能包括干扰颜色识别的反光部分(如车辆上的车窗部分)；上述颜色识别方案容易受到目标对象中反光部分的干扰，使所识别的颜色准确性低。

技术实现要素：

基于此，有必要针对传统方案使所识别的颜色准确度低的技术问题，提供一种用于颜色识别的图像处理、车辆颜色识别方法和系统。

一种用于颜色识别的图像处理方法，包括如下步骤：

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。

一种用于颜色识别的图像处理系统，包括：

选取模块，用于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；

识别模块，用于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；

剔除模块，用于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，得到主体像素点；

确定模块，用于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。

上述用于颜色识别的图像处理方法和系统，可以根据视频采集系统中的多个视频确定背景目标码本，利用上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，再将前景目标像素点中容易造成颜色识别干扰的反光部分对应的像素点进行剔除，再对能准确表征目标对象颜色的主体像素点进行相应的颜色识别，以确定目标对象的颜色，有效提高了所识别的颜色的准确性。

一种车辆颜色识别方法，包括如下步骤：

从卡口系统中获取车辆监控视频；在车辆监控视频识别目标车辆，以目标车辆的车身为主体部分，以目标车辆的车窗为反光部分；

根据上述用于目标对象颜色识别的图像处理方法识别车身颜色，根据所识别的车身颜色确定目标车辆的颜色。

一种车辆颜色识别系统，包括：

获取模块，用于从卡口系统中获取车辆监控视频；在车辆监控视频选取目标车辆，以目标车辆的车身为主体部分，以目标车辆的车窗为反光部分；

车辆颜色确定模块，用于根据上述用于目标对象颜色识别的图像处理系统识别车身颜色，根据所识别的车身颜色确定目标车辆的颜色。

上述车辆颜色识别方法和系统，可以从卡口系统中选取多个车辆视频确定背景目标码本，利用上背景目标码本识别目标车辆对应的前景目标像素点，再将前景目标像素点中容易造成颜色识别干扰的车窗对应的像素点进行剔除，再对能准确表征车辆颜色的车身像素点进行相应的颜色识别，使所识别的车辆颜色具有较高的准确性。

附图说明

图1为一个实施例的用于颜色识别的图像处理方法流程图；

图2为一个实施例的主轴与车辆之间的位置关系示意图；

图3为一个实施例的主轴与车辆之间的位置关系示意图；

图4为一个实施例的A-B平面子区域示意图；

图5为一个实施例的车辆颜色识别过程示意图；

图6为一个实施例的用于颜色识别的图像处理系统结构示意图。

具体实施方式

下面结合附图对本发明的用于颜色识别的图像处理、车辆颜色识别方法和系统的具体实施方式作详细描述。

参考图1，图1所示为一个实施例的用于颜色识别的图像处理方法流程图，包括如下步骤：

S10，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；

上述视频采集系统可以包括车辆关卡处的卡口系统等在固定场所采集该场所视频图像的系统。可以从视频采集系统中随机选取多个视频，再从上述各个视频中选取若干帧图像，使所选取的图像以及依据上述图像构造的训练集尽可能包括相应固定场所的特征。上述背景目标码本包括待识别的目标对象(如经过相应关卡的车辆)以及固定场所中除上述目标对象外的场所背景。上述背景目标码本有其对应的码字C_B组成，其根据分别来自各个视频中的若干帧图像所确定，具有较高的完整性和准确性。

S20，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；

目标图像包括目标对象以及场所背景，前景目标像素点为上述目标对象对应的像素点。

在一个实施例中，所述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的步骤可以包括：

识别所述背景目标码本中的所有码字，在目标图像对应的像素点中查找非背景像素点，得到前景目标像素点。

上述目标图像对应的像素点包括背景像素点和非背景像素点，背景像素点指场所背景对应的像素点，非背景像素点指目标对象对应的像素点，即为前景目标像素点。

作为一个实施例，上述在目标图像对应的像素点中查找非背景像素点的步骤可以包括：

获取目标图像中任意一像素点p的RGB值，根据所述RGB值计算像素点p的明度I，其中，R为素点p的R分量值，G为素点p的G分量值，B为素点p的B分量值；

将目标图像中不满足下述条件A或者条件B的像素点判定为非背景像素点：

条件A：Color_distance(p,C_B)≤ε，其中，p表示目标图像中的像素点，C_B背景目标码本中的码字，Color_distance()表示求取颜色距离，ε表示预设的颜色阈值；上述ε通常设置为一个较小的阈值，如0.3或者0.5等值；

条件B：表示目标图像中像素点对应的最小明度，表示目标图像中像素点对应的最大明度。明度函数brightness的定义为：其中，min{}表示取最小值，m₁为预设的第一明度参数，m₂为预设的第二明度参数；上述第一明度参数m₁可以设置为0.5，第二明度参数m₂可以设置为1.5。

在遍历检查完成所有码字，即将背景目标码本代入条件A和条件B进行非背景像素点的识别后，如果某个像素点与所有码字均不匹配，则可判断该像素点为前景目标像素点。依次将待处理图像的所有像素点检测完毕之后，便可以确定前景目标像素点。

S30，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；

上述前景目标像素点可以包括主体部分对应的主体像素点，即需要进行颜色识别的像素点，还包括由于反光干扰相应颜色识别的反光部分对应的像素点，比如车辆中车窗对应的像素点。

在一个实施例中，上述目标对象(如车辆)为轴对称图形；所述目标对象的反光部分对称分布在主体部分上方；通常情况下，主轴上方为反光部分，主轴下方为主体部分；

所述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，得到主体像素点的步骤包括：

识别前景目标像素点对应的目标对象的主轴；

将所述主轴以下的前景目标像素点确定为主体像素点。

如车辆的车窗等反光部分通常会出现镜面反射的高光现象，即使是通过颜色校正也无法复原这些高光现象给采集图像带来的干扰，如果根据此类有干扰的图像进行相应的颜色识别，会极大程度影响所识别的结果。将目标对象反光部分对应的像素点进行剔除，可以保证所识别的颜色的准确性。

作为一个实施例，上述在判定所述前景目标像素点的分布状态为是水平分布后，识别前景目标像素点对应的目标对象的重力中心点的步骤可以包括：

设置中心矩为：其中，T_B表示前景目标像素点，(x,y)∈T_B表示像素点x和y属于前景目标像素点，p和q分别表示下标变量，可以分别取整数，p和q取不同的整数，分别具有相应的λ_p,q，，比如，p＝2，q＝0，则此时λ_p,q为λ_2,0；

根据朝向角计算公式计算朝向角其中上述是一个临时变量符号，在求最小值的参数过程中使用的中间变量；上述步骤可以通过对求一阶导数以计算朝向角

若所述的取值位于区间上，则判定所述前景目标像素点的分布状态为是水平分布。

本实施例中，为了准确的检测车窗等反光部分的所处区域，首先判定所述前景目标像素点的分布状态为是水平分布，进而准确检测到目标对象的主轴的方向。以车辆为例，上述主轴与车辆的车窗上、下沿平行，主轴在整个图像中的朝向角记为若目标对象为车辆，位于区间上，则上述主轴与车辆之间的位置关系示意图可以如图2所示，否则可以判定车辆目标在目标图像中是垂直分布的，主轴与车辆之间的位置关系示意图可以如图3所示。在图2中，车辆是水平分布的，分割线(主轴)将车辆分成了两个部分，位于分割线下端的部分去除车窗后的主体部分；在图3中，车辆是垂直分布的，分割线将车辆分成了两个部分，位于分割线下端的部分去除车窗后的车辆目标(主体部分)。

S40，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。

在一个实施例中，上述根据所述主体像素点进行目标对象的颜色识别的过程包括：

将所述主体像素点的RGB值进行规范化计算，得到规范化计算后的R分量值I_R、G分量值I_G和B分量值I_B，其中，I_R＝r/(r+g+b)，I_G＝g/(r+g+b)，I_B＝b/(r+g+b)，r为主体像素点的R分量值，g为主体像素点的G分量值，b为主体像素点的B分量值；

根据所述I_R、I_G和I_B判断主体像素点是否属于混合色；

若所述主体像素点属于混合色，则将所述主体像素点输入混合色分类器进行颜色识别；

若所述主体像素点不属于混合色，则将所述主体像素点输入单频色分类器进行颜色识别。

如车辆等目标对象通常包括混合色和单频色，可以先对目标对象进行像素色调鉴别，以判断主体像素点是否属于混合色，再将主体像素点输入相应的颜色分类器(如混合色分类器或者单频色分类器)进行相应颜色的识别，以进行目标对象颜色识别。

作为一个实施例，可以将主体像素点转换至LAB颜色空间中，使用A-B平面，采用极坐标对A-B平面进行采样，在极径方向，以10为量化单位；在极角方向，以90度为量化单位；总共将A-B平面划分成28个子区域，如图4所示，每个子区域对应着一个颜色统计表，用m_LAB(k)＝#{q|q∈bin^k}表示第k个颜色统计表中的像素数量，可以构建一个28维的向量m_LAB＝[m_LAB(1),m_LAB(2),...m_LAB(28)]′，该向量即为混合颜色特征向量的LAB部分。

对于RGB分量，将构建一个记录分量像素数量相对关系的一个6维向量，该向量的6个分量分别记录的是B>G、G>R、G>B、G>R、R>B、R>G对应的像素点的数量，用符号m_RGB＝[m_RGB(1),m_RGB(2),...m_RGB(6)]′表示。将这两个向量合并构成一个34维的特征向量m_DG，输入到SVM分类器中进行分类，完成单频色的分类器的构建。

作为一个实施例，将RGB颜色中的3个颜色分量分别量化为8个等级，因而总共有24个颜色等级，将这24个等级对应的像素点的数量分别构成一个24维的特征向量，记为m_quan，此外，记录3个通道中B>G、G>R、G>B、G>R、R>B、R>G对应的像素点的数量，记为：m_RGB。两者合并，得到一个30维的特征向量m_DC。将这个特征向量输入到SVM分类器中进行分类，完成混合色的分类器的构建。

作为一个实施例，上述根据所述I_R、I_G和I_B判断主体像素点是否属于混合色的过程可以包括：

计算主体像素点与混合色中心轴向量之间的欧式距离d_p，其中，d_p＝(I_R-0.333)²+(I_G-0.333)²+(I_B-0.333)²；

计算主体像素点与混合均值向量之间的欧式距离d_mean，其中，d_mean＝(r-u_r)²+(g-u_g)²+(b-u_b)²，u_r表示所有主体像素点的R分量值的均值，u_g表示所有主体像素点的G分量值的均值，u_b表示所有主体像素点的B分量值的均值；

分别计算d_mean的均值μ_mean，d_p的均值μ_d，d_mean的方差σ_mean以及d_p的方差σ_d；

根据计算主体像素点属于混合色的概率P(gray|p)；

将P(gray|p)大于概率阈值的主体像素点判定为属于混合色的主体像素点。

P(gray|p)大于概率阈值，即P(gray|p)＞Th_p中，上述概率阈值Th_p可以设置为80％等值，在构建两个训练样本库的时候，通过对所有的混合色像素进行平均得到的。由于车辆等目标对象结构的复杂性以及背景噪声的干扰，待检测的目标对象通常既含有混合色像素，也含有单频色像素。因而可以通过以下规则进行判断：混合色像素占比超过80％，则认为该车辆目标颜色是属于混合色；否则，则认为该车辆目标颜色是属于单频色。

作为一个实施例，以车辆为例，结合卡口系统中采集的车辆颜色，可以将车辆颜色类别总体分为两个大类：混合色、单频色，该过程称为像素色调鉴别。然后分别按照两个大类构建训练样本库，即：混合色训练样本库、单频色训练样本。两个训练样本库中的样本不存在任何交集。先设定车辆颜色类别包括：黑色、白色、银色、深蓝色、深绿色、黄色、红色、绿色、蓝色。

上述对车辆进行颜色识别的过程可以如图5所示，首先对车辆目标像素点进行像素色调鉴别，以判断车辆的主体像素点是否属于混合色，若属于混合色，则可以将上述车辆的主体像素点进行混合色特征提取，再输入混合色分类器(SVM)进行颜色识别，上述混合色包括黑色、白色、银色、深蓝色、深绿色；若属于单频色，则可以将上述车辆的主体像素点进行混合色特征提取，再输入单频色分类器(SVM)进行颜色识别，上述单频色包括黄色、红色、绿色、蓝色。

本发明提供的用于颜色识别的图像处理方法，可以根据视频采集系统中的多个视频确定背景目标码本，利用上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，再将前景目标像素点中容易造成颜色识别干扰的反光部分对应的像素点进行剔除，再对能准确表征目标对象颜色的主体像素点进行相应的颜色识别，以确定目标对象的颜色，有效提高了所识别的颜色的准确性。

在一个实施例中，上述根据所述主体像素点进行目标对象的颜色识别的过程前还可以包括：

将所述主体像素点分割成M个像素子区域，单个区域记为T_i′，在M个像素区域中选择一帧图像R作为构造帧，获取构造帧R对应的图像子区域为R_i；

设置h_i(p)＝α_iR_i(p)+β_i，其中，p是T_i′中的任意一个像素点，和分别是T_i′的像素均值和R_i的像素均值，和分别是T_i′的像素方差和R_i的像素方差，h_i(p)是第i个子区域对应的颜色映射函数；

根据计算α_i和β_i的值：|T_i′|表示的是像素子区域的像素容量；

设置h_i(p)对于像素点p的权重w_i(p)，算子||a-b||表示求a和b之间的欧式距离；

根据计算归一化权重

根据和h_i(p)确定加权全局颜色校正函数H(p)，其中

将所述主体像素点代入加权全局颜色校正函数H(p)中进行校正。

本实施例中，为了克服不同光照条件、拍摄角度等因素造成的颜色采集差异，可以对主体像素点进行颜色映射及校正。以剔除反光部分的主体像素点为输入图像数据。由于真实场景图像构成非常复杂，因此，必须分区地实施颜色的映射。第一步，可以利用Felzenszwalb提供的开源工具，将输入图像T′(主体像素点)分割成M个区域，单个区域记为T_i′；此外，随机选成像质量较好的一帧图像R作为构造帧，去除其前景目标像素，构造帧R对应的图像子区域为R_i。同时，在映射函数构造过程中，必须保持对应像素坐标的恒定不变。第二步，在LAB颜色空间中采用如下方式完成映射：

h_i(p)＝α_iR_i(p)+β_i，其中，p是子区域T_i′中的任意一个像素点，和分别是输入图像数据T_i′的均值和构造帧图像数据R_i的均值，和分别是输入图像数据T_i′的方差和构造帧图像数据R_i的方差，h_i(p)是第i个子区域对应的颜色映射函数；通过最小化能量函数的方式来获取参数α_i和β_i的值，

对上式右端表示式分别对参数α_i和β_i求一阶导数并求解，可得：

其中，|T_i′|表示的是子区域的像素容量。

第三步，通过子区域的映射函数构造全局颜色校正函数H(p)；定义子区域映射函数h_i()对于像素p的权重w_i(p):

其中，算子||a-b||表示求a和b的欧式距离。对于M个区域，就有M个局部映射函数h_i()；为了保证不同颜色权值计算结果的规范化，必须对权重函数进行规范化(归一化)处理：

可得到加权全局颜色校正函数：

从而将所述主体像素点代入加权全局颜色校正函数H(p)中进行校正。

参考图6所示，图6为一个实施例的用于颜色识别的图像处理系统结构示意图，包括：

选取模块10，用于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；

识别模块20，用于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；

剔除模块30，用于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，得到主体像素点；

确定模块40，用于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。

本发明提供的用于颜色识别的图像处理系统与本发明提供的用于颜色识别的图像处理方法一一对应，在所述用于颜色识别的图像处理方法的实施例阐述的技术特征及其有益效果均适用于用于颜色识别的图像处理系统的实施例中，特此声明。

一种车辆颜色识别方法，包括如下步骤：

从卡口系统中获取车辆监控视频；在车辆监控视频识别目标车辆，以目标车辆的车身为主体部分，以目标车辆的车窗为反光部分；

根据上述用于目标对象颜色识别的图像处理方法识别车身颜色，根据所识别的车身颜色确定目标车辆的颜色。

上述卡口系统包括城市道路或者社区门禁等场所的卡口系统。上述目标车辆为上述用于目标对象颜色识别的图像处理方法中的目标对象，利用上述用于目标对象颜色识别的图像处理方法进行车辆车身部分(主体部分)的颜色识别，进而确定相应的车辆颜色，可以提高所识别的车辆颜色的准确性。

本发明提供的车辆颜色识别方法，可以从卡口系统中选取多个车辆视频确定背景目标码本，利用上背景目标码本识别目标车辆对应的前景目标像素点，再将前景目标像素点中容易造成颜色识别干扰的车窗对应的像素点进行剔除，再对能准确表征车辆颜色的车身像素点进行相应的颜色识别，使所识别的车辆颜色具有较高的准确性。

一种车辆颜色识别系统，包括：

获取模块，用于从卡口系统中获取车辆监控视频；在车辆监控视频选取目标车辆，以目标车辆的车身为主体部分，以目标车辆的车窗为反光部分；

车辆颜色确定模块，用于根据上述用于目标对象颜色识别的图像处理系统识别车身颜色，根据所识别的车身颜色确定目标车辆的颜色。

本发明提供的车辆颜色识别系统与本发明提供的车辆颜色识别方法一一对应，在所述车辆颜色识别方法的实施例阐述的技术特征及其有益效果均适用于车辆颜色识别系统的实施例中，特此声明。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。