基于颜色直方图的车身颜色识别方法
【技术领域】
[0001]本发明属于数字图像处理技术，特别涉及计算机视觉识别技术。
【背景技术】
[0002]因此在智能交通系统中，在对车牌进行识别的同时，还需要车辆的其他辅助信息，如车身颜色，车型，车标等。
[0003]目前关于车身颜色识别的研究相对较少，技术尚不成熟，其识别准确率远不如车牌识别。影响识别率的主要原因:
[0004]1、车身颜色易受光照、雾霾、不同天气等外界噪声的干扰而产生颜色失真；
[0005]2、车辆颜色复杂多变(车身颜色丰富多彩，部分车辆颜色比较少见);
[0006]3、运动车辆的分割定位困难(摄像头位置不同，主颜色区域很那定位，定位算法受车型影响)。
[0007]当前车身颜色识别方法有:
[0008]—、基于色差的方法。将RGB空间转换为HIS空间，在HIS空间对所选区域计算彩色直方图，根据相应的色差计算公式，计算与标准颜色模板间的色差，选取计算到的色差最小者，通过查找颜色映射表得到其对象颜色。该方法简单快速，在光线较好的情况下可获取较好的识别结果，但在实际应用中，光照、天气等影响使其获取的车辆图像及颜色都不稳定。详见:李贵俊，刘正熙等.一种基于色差和彩色归一化的车身颜色识别方法.计算机应用，2004，9.
[0009]二、基于模板的背景减除法。通过联合基于模板的前景掩膜法和图像分割，使用基于掩膜相关区域标注算法将图像分成几个区域，然后通过去除不必要的区域细化前景图像得到颜色特征区域。采用两层SVM算法对车身颜色进行分类，第一层将颜色分为彩色与灰色，第二层对彩色和灰色分别进行分类。该方法两层SVM分类算法效果很好，但对光照、运动目标等外部环境非常敏感。详见:Y1-Ta ffu, Jau-Hong Kao, and Ming-YuShih.A vehicle color classificat1n method for video surveillance systemconcerning model-based background subtract1n.1EEE Pacific Rim Conference onMultimedia, pp.369-380, 2010.
[0010]三、基于流形学习的方法。该方法通过车尾灯红色块定位、几何规则过滤以及基于纹理信息的分类级联方法定位车身尾部的颜色特征区域，将多个颜色空间的特征进行融合，然后降低特征维数。在流形空间中分别使用SVM，kNN进行分类学习。该方法速度非常快，能满足实时性要求，有较高的准确率，但此方法是利用车身尾部进行颜色特征提取，局限性较大。详见:Yu-Chen Wang, Chin-Chuan Han, Chen-Ta Hsieh and Kuo-ChinFan.Vehicle color classificat1n using manifold learning methods from urbansurveillance videos.EURASIP Journal on Image and Video Processing, October2014.
【发明内容】
[0011]本发明所要解决的技术问题是，提供一种准确率高的车身颜色的自动识别方法。
[0012]本发明为解决上述技术问题所采用的技术方案是，基于颜色直方图的车身颜色识别方法，包括以下步骤:
[0013]步骤1、车牌定位
[0014]1-1:首先系统接收前端设备采集的图片流，根据获得运动场景中背景图像，将当前图像帧与背景图像相减得到运动目标区域；
[0015]1-2:对运动目标区域提取特征输入车辆分类器实现场景内目标跟踪；
[0016]1-3:对场景内跟踪的各目标所在的区域图片输入训练好的车牌分类器实现车牌定位;
[0017]步骤2、车身颜色区域定位
[0018]2-1:根据车牌定位所得的车牌高、宽及位置信息，在车牌上方检测代表车身颜色的粗矩形区域，所述粗矩形区域为以车牌区域中心为参考点，在车牌正上方截取一个高为λΗ，宽为yW的矩形区域，其中H，W分别为车牌的高与宽，λ与γ为统计得到的区域扩张经验值；
[0019]2-2:对粗矩形区域进行降噪预处理；
[0020]2-3:对粗矩形区域进行精确搜索，获得稳定的车身颜色区域:
[0021](a)将粗矩形区域的图像转换为灰度图像；
[0022](b)对粗区域灰度图像进行二值化；
[0023](c)统计二值图像中非O区域的面积，将非O区域的面积小于噪点面积阈值的区域的像素更新为O ;
[0024](d)利用水平投影统计区域中水平方向非零像素的个数，从上往下最先超过水平方向阈值的点作为上边界界，从下往上最先超过水平方向阈值的作为下边界；同理，进行竖直投影统计竖直方向非零像素的个数，从左往右最先超过竖直方向阈值的点作为左边界，从右往左最先超过竖直方向阈值的为右边界，根据这四个边界提取精确的颜色区域；所述水平方向阈值为水平方向像素总个数的四分之一，竖直方向阈值为竖直方向像素总个数的四分之一；
[0025]步骤3、车身颜色识别
[0026]3-1:将精确的车身颜色区域转换到Lab色彩空间；
[0027]3-2:在Lab色彩空间提取车身颜色直方图；
[0028]3-3:利用车身颜色直方图特征输入训练好的SVM分类器进行识别，得到车身颜色结果。
[0029]本发明包括车牌定位、车身颜色特征区域定位、车身颜色识别三个主要步骤。首先通过车牌识别技术确定车牌位置，通过车牌高、宽及位置坐标信息，检测车身颜色的粗略区域；对车身颜色区域进行预处理减少外部环境干扰；对预处理后的车身颜色粗区域进一步搜索，获取车身颜色精确特征区域；转换为Lab颜色空间，在Lab空间提取颜色直方图，并使用非线性SVM进行车身颜色训练和识别。
[0030]本发明给出一种新的车身颜色识别框架，该框架通过车牌定位获取车身颜色粗区域，再提取能代表车身主颜色的精确区域，通过构造Lab空间归一化颜色直方图，利用非线性SVM进行快速准确的进行车身颜色分类，实验证明提出的框架极大的提高了系统的实时性与结果的稳定性。
[0031]本发明给出一种新的车身颜色定位方法，利用车牌定位结果估算能代表车身颜色的大致区域，结合颜色区域的纹理特征提取精确的车身颜色主区域；简单、快速，且具有很强的鲁棒性，不会受车型限制。
[0032]进一步的，提出了一种新的颜色直方图方法。该方法在CIE Lab空间对各个通道进行等间隔量化，并提出各个通道的直方图特征，最终合并为一个矢量特征，该方法简单，不受设备影响，能很好的控制光照对颜色区域的影响，具有很好的鲁棒性。
[0033]本发明的有益效果是，能对交通车辆视频和图像进行智能化处理，实现车身颜色的自动识别。相比与其他同领域的方案，本发明具有很高识别准确率，且在复杂的环境中鲁棒性强。
【附图说明】
[0034]图1:车身颜色识别系统整体流程示意图
【具体实施方式】
[0035]为方便描述本
【发明内容】
，这里首先对一些术语进行说明:
[0036]车身颜色识别系统。指能够检测到受监控路面的车辆并自动提取车身颜色信息(含红色、黑色、白色、银白色、黄色、绿色、蓝色及其他颜色)，并对其进行识别。
[0037]Lab颜色空间。Lab是一种色彩空间，即颜色模型，是在1931年国际照明委员会(CIE)制定的颜色度量国际标准的基础上建立的，因此又叫做CIE LAB空间。L表示亮度，a表示从洋红色至绿色的范围，b表示从黄色至蓝色的范围。Lab描述人所能够看到的所有颜色，描述的是颜色的显示，所以Lab被视为与设备无关的颜色模型。
[0038]图像的形态学操作。数学形态学是以几何学为基础的对图像进行分析，其基本思想就是用一个结构元素作为基本工具来探测和提取图像特征，看这个结构元素能否适当有效地放入图像内部。数学形态学的基本操作运算有:膨胀、腐蚀、开启、闭合。
[0039]图像二值化。就是将图像上的像素点的灰度值设置为O或255，也就是将整个图像呈现出明显的黑白效果。在灰度图像中，常采用一个字节表示一个像素点，其灰度级为O?255，其二值化方法为构造用一个二进制位表示一个像素点的图像，设置二值化阈值T，将大于T的像素点设置为1，小于等于T的点设为O。
[0040]OSTU算法。计算出连通区域内的阈值，对该区域二值化进行分割。
[0041]图像水平投影与垂直投影。图像投影一般是对于二值图像而言的，水平投影用于统计图像每行非零像素的个数，而垂直投影用于统计每列中非零像素的个数。图像投影算法主要运用于二值图像的分割。
[0042]支持向量机(SVM)。SVM是一种监督学习模型，通常用来进行模式识别、分类、以及回归分析。SVM针对线性可分情况进行分析，对于线性不可分的情况，通过使用非线性映射算法将