基于局部约束线性编码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：Yi-Ta Wu, Jau-Hong Kao, and Ming-Yu Shih. A vehicle color classification method for video surveillance system concerning model-based background subtraction. IEEE Pacific Rim Conference on Multimedia，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D 详见：Yu-Chen Wang，Chin-Chuan Han，Chen-Ta Hsieh and Kuo-Chin Fan. Vehicle color classification using manifold learning methods from urban surveillance videos. EURASIP Journal on Image and Video Processing, October 2014.
【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，基于局部约束线性编码的车身 颜色识别方法，包括以下步骤：
[0013] 步骤1、建立车身颜色词袋模型
[0014] 1-1 :车辆图像分块。将检测到的车辆图像量化到相同尺度，然后将车辆分成相互 重叠的矩形块，矩形块大小根据经验值设置其移动步长决定重叠区域的大小，可根据实际 情况进行调整。矩形块相互重叠是为了保持车辆的局部特征以及空间位置特征。所述车辆 图像由在不同光照以及天气环境下多种车身颜色图片组成。
[0015] 1-2 :特征提取。对车辆图像中每个矩形块提取颜色特征，颜色特征为变形的Lab 颜色直方图，色度直方图，色矩，对抗直方图，归一化的RG颜色直方图的合并，即将颜色特 征按顺序表征为一维列向量。实验中可以根据对速度与精度的要求相应的调整所需直方图 的种数以及各个直方图的维数。
[0016] 1-3 :码本生产。将每一个矩形块的颜色特征设为一个码元，对数据库中所有车辆 图像的颜色特征进行K-means聚类，码元为聚类的中心，K即最后的码本集合大小，K为统计 经验值。
[0017] 步骤2、局部约束线性编码LLC
[0018] 步骤2-1 :对待测车辆图片提取矩形块的颜色特征，利用码本通过局部约束线性 编码LLC对待测车辆图片的颜色特征进行编码，映射为高维稀疏向量；
[0019] 步骤3、线性SVM分类
[0020] 步骤3-1 :分类器训练。随机选取车辆颜色数据库中每类颜色的一半作为训练样 本，提取训练样本中车辆图片的颜色信息，利用线性SVM进行分类器训练，得到分类器模 型，并利用剩余样本测试分类器性能。
[0021] 步骤3-2 :车身颜色识别。将编码后的待测车辆图片的颜色特征输入训练好的线 性SVM分类器进行分类，从而得到车辆的颜色信息。
[0022] 本发明方法能够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 另IJ，包括车身颜色词袋模型、局部约束编码LLC、车身颜色识别三个主要步骤。首先通过车辆 检测算法提取出车辆，量化为固定尺度；采用词袋模型对车辆进行深度采样，将车辆分成相 互重叠的矩形块，对每一小块分别提取颜色直方图特征；对不同颜色、不同外部环境车辆特 征进行K-means聚类生成固定长度码本；依据码本，将车辆特征进行局部约束编码映射到 高维空间；利用线性SVM进行训练和识别。
[0023] 本发明提出了一种新的车身颜色识别框架。该框架不需要将车辆分割成不同颜色 的子区域，依靠词袋模型获得车身颜色码本，并通过LLC对整车进行编码处理，获取车身颜 色的高维特征表示，从而通过线性SVM快速识别出车身颜色。实验证明提出的框架极大的 提高了系统的识别准确率。
[0024] 本发明的有益效果是，识别过程简洁，并且识别准确率高。
【附图说明】
[0025] 图1 :基于局部约束线性编码的车身颜色识别方法整体流程示意图；
【具体实施方式】
[0026] 为方便描述本
【发明内容】
，这里首先对一些术语进行说明：
[0027] 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 (含黑色、白色、蓝色、黄色、绿色、红色、灰色、蓝绿色等颜色），并对其进行识别。
[0028] 视觉词袋模型。将图形分成小块进行特征提取，统计图像数据库中出现的所有特 征，去除冗余组成词袋。如果图像特征过多，采用聚类算法将相近特征归为一类，利用聚类 结果组成词袋。利用视觉词袋量化图像特征，通过词频表示图像。
[0029] 码本。在词袋模型中将特征向量表示为码元，即词。对样本采用聚类算法，聚为K 类，K为码本集合大小，K个聚类中心为码本中的码元。
[0030] κ-means算法。κ-means算法是硬聚类算法，是典型的基于原型的目标函数聚类方 法的代表，它是数据点到原型的某种距离作为优化的目标函数，利用函数求极值的方法得 到迭代运算的调整规则。K-means算法以欧式距离作为相似度测度，它是求对应某一初始聚 类中心向量V最优分类，使得评价指标J最小。算法采用误差平方和准则函数作为聚类准 则函数。
[0031] 局部约束编码LLC。LLC编码使用局部约束性将描述子投影到局部坐标系统中， LLC编码侧重于局部的约束，而非稀疏性，局部可以带来稀疏性，但稀疏性未必满足局部性。
[0032] 线性支持向量机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。线性SVM是解决含有大量样本及特征的大尺寸稀疏数据最有前途的学习技术 之一，学习速度非常快并有很好的识别准确率。
[0033] 基于局部约束线性编码的车身颜色识别方法，如图1所示，包含下述步骤：
[0034] 步骤1、车身颜色词袋模型
[0035] 步骤1-1 :车辆图像分块。将检测到的车辆图像量化到相同尺度（如300*300)，然 后将车辆分成相互重叠的矩形块，矩形块大小根据经验值设置（如24*24)，其移动步长决 定重叠区域的大小，可根据实际情况进行调整（如8)。矩形块相互重叠是为了保持车辆的 局部特征以及空间位置特征。
[0036