一种车辆颜色识别方法、装置及系统与流程

本发明涉及计算机技术领域，尤其涉及一种车辆颜色识别方法、装置及系统。

背景技术：

目前，业界通常采用预先训练的颜色分类神经网络模型对车辆颜色进行识别，在采集到车辆图像之后，可将车辆图像输入颜色分类神经网络模型，颜色分类神经网络模型可对输入的车辆图像进行颜色识别以输出车辆颜色。

识别车辆颜色具体指的是识别车身颜色，采集的车辆图像中携带车窗区域图像、车顶区域图像及车轮区域图像等大量的干扰区域图像，当车辆图像被输入至颜色分类神经网络模型时，这些干扰区域图像会形成大量的噪声数据；一方面，颜色分类神经网络模型本身需要进行大量的迭代计算，即需要花费大量的计算时长才能从去除这些噪声数据，实现提取出车辆颜色特征数据并根据提取的车辆颜色特征数据确定车辆颜色；另一方面，大量增加的噪声数据可能导致颜色分类神经网络模型不能准确识别车辆颜色；因此，通过上述技术方案实现识别车辆颜色时，效率较低。

技术实现要素：

本发明提供一种车辆颜色识别方法、装置及系统，可更为高效的实现对车辆颜色进行识别。

第一方面，本发明提供了一种车辆颜色识别方法，包括：

预先设置车窗检测神经网络模型及颜色分类神经网络模型；

采集待识别车辆所对应的车辆图像；

将所述车辆图像输入所述车窗检测神经网络模型，使得所述车窗检测神经网络模型对所述车辆图像进行检测以确定车窗图像位置信息，并输出所述车窗图像位置信息；

根据所述车窗图像位置信息，从所述车辆图像中提取车身局部区域图像；

将所述车身局部区域图像输入所述颜色分类神经网络模型，使得所述颜色分类神经网络模型对所述车身局部区域图像进行颜色识别以确定所述待识别车辆的车辆颜色，并输出所述车辆颜色。

优选地，

所述车窗图像位置信息，包括：至少一个车窗区域图像的位置参数，其中，所述位置参数包括所述车窗区域图像的至少两个顶点分别对应在所述车辆图像中的像素坐标；

则，所述根据所述车窗图像位置信息，从所述车辆图像中提取车身局部区域图像，包括：

从所述至少一个位置参数中选择一个当前位置参数，根据选择的所述当前位置参数所携带的至少两个像素坐标从所述车辆图像中提取一个车身局部区域图像。

第二方面，本发明提供了一种车辆颜色识别装置，包括：

设置模块，用于预先设置车窗检测神经网络模型及颜色分类神经网络模型；

图像采集模块，用于采集待识别车辆所对应的车辆图像；

第一交互调用模块，用于将所述车辆图像输入所述车窗检测神经网络模型，使得所述车窗检测神经网络模型对所述车辆图像进行检测以确定车窗图像位置信息，并输出所述车窗图像位置信息；

局部图像提取模块，用于根据所述车窗图像位置信息，从所述车辆图像中提取车身局部区域图像；

第二交互调用模块，用于将所述车身局部区域图像输入所述颜色分类神经网络模型，使得所述颜色分类神经网络模型对所述车身局部区域图像进行颜色识别以确定所述待识别车辆的车辆颜色，并输出所述车辆颜色。

优选地，

所述车窗图像位置信息，包括：至少一个车窗区域图像的位置参数，其中，所述位置参数包括所述车窗区域图像的至少两个顶点分别对应在所述车辆图像中的像素坐标；

所述局部图像提取模块，用于从至少一个所述位置参数中选择一个当前位置参数，根据选择的所述当前位置参数所携带的至少两个像素坐标从所述车辆图像中提取一个车身局部区域图像。

第三方面，本发明提供了一种车辆颜色识别系统，包括：

车窗检测神经网络模型、颜色分类神经网络模型，以及如第二方面中任一所述的车辆颜色识别装置；其中，

所述车窗检测神经网络模型，用于接收所述车辆颜色识别装置输入的车辆图像；对接收的所述车辆图像进行检测以确定车窗图像位置信息，并将所述车窗图像位置信息输出至所述车辆颜色识别装置；

所述颜色分类神经网络模型，用于接收所述车辆颜色识别装置输入的车身局部区域图像；对接收的所述车身局部区域图像进行颜色识别以确定车辆颜色，并输出所述车辆颜色。

优选地，

所述车窗检测神经网络模型，包括：第一数据层、第一卷积层、第一采样层、全连接层以及回归层；其中，

所述数据层，用于接收所述车辆颜色识别装置输入的车辆图像，并将所述车辆图像输入至与其相连的所述第一卷积层；

所述第一卷积层，用于对输入的所述车辆图像进行检测以提取车窗图像特征数据，并将所述车窗图像特征数据输出至所述第一采样层；

所述第一采样层，用于接收与其相连的所述第一卷积层输出的所述车窗图像特征数据，对所述车窗图像特征数据进行降维处理以得到采样车窗图像特征数据，并将所述采样车窗图像特征数据输出至与其相连的所述全连接层；

所述全连接层，用于根据所述第一采样层输出的所述采样车窗图像特征数据形成车窗图像轮廓信息；

所述回归层，用于根据所述车窗图像轮廓信息确定车窗图像位置信息。

优选地，

所述回归层，用于根据所述车窗图像轮廓信息，确定所述车辆图像携带的至少一个车窗区域图像的位置参数，其中，所述位置参数包括所述车窗区域图像的至少两个顶点分别对应在所述车辆图像中的像素坐标。

优选地，

所述颜色分类神经网络模型，包括：第二数据层、特征提取层以及颜色分类层；其中，

所述第二数据层，用于接收所述车辆颜色识别装置输入的车身局部区域图像，并将所述车身局部区域图像输入至与其相连的所述特征提取层；

所述特征提取层，用于对输入的所述车身局部区域图像进行检测以提取颜色特征信息，并将所述颜色特征信息输出至所述颜色分类层；

所述颜色分类层，用于根据输入的所述颜色特征信息确定车辆颜色，并输出所述车辆颜色。

优选地，

所述特征提取层，包括：至少两个第二卷积层以及至少两个第二采样层；其中，

所述至少两个第二卷积层以及所述至少两个第二采样层呈线性排列连接，且各个所述第二卷积层与各个所述第二采样层间隔设置，位于首位的所述第二卷积层与所述第二数据层相连，位于末位的所述第二采样层与所述颜色分类层相连；

所述第二卷积层，用于当所述第二卷积层排列在首位时，接收所述第二数据层输入的所述车身局部区域图像，对所述车身局部区域图像进行检测以提取局部颜色特征数据，并将所述局部颜色特征数据输出至与其相连的所述第二采样层；当所述第二卷积层位于非首位时，接收与其相连的前置第二采样层输出的采样颜色特征信息，从接收的所述采样颜色特征信息中提取目标颜色特征信息，并将所述目标颜色特征信息作为局部颜色特征数据输出至与其相连的后置第二采样层；

所述第二采样层，用于当所述第二采样层排列的非末位时，接收与其相连的前置第二卷积层输出的所述局部颜色特征数据，对接收的所述局部颜色特征数据进行降维处理以形成采样颜色特征信息，并将所述采样颜色特征信息输出至与其相连的后置第二卷积层；当所述第二采样层排列的末位时，接收与其相连的所述第二卷积层输出的所述局部颜色特征数据，对接收的所述局部颜色特征数据进行降维处理以形成采样颜色特征信息，并将所述采样颜色特征信息作为颜色特征信息输出至与其相连的所述颜色分类层。

优选地，

所述颜色分类神经网络模型，还包括：合并层；其中，

所述第二采样层，用于将其形成的所述采样颜色特征信息输出至与其相连的所述合并层；

所述合并层，用于根据接收的各个所述采样颜色特征信息形成颜色特征信息，并将形成的所述颜色特征信息输出至所述颜色分类层。

本发明提供了一种车辆颜色识别方法、装置及系统，该方法通过预先设置车窗检测神经网络模型及颜色分类神经网络模型，在采集到待识别车辆所对应的车辆图像后，可首先通过设置的车窗检测神经网络模型对车辆图像进行检测以确定并输出车窗图像位置信息，然后根据车窗图像位置信息从采集的车辆图像中提取车身局部区域图像，之后，颜色分类神经网络模型则可对车身局部区域图像进行颜色识别以确定并输出待识别车辆的车辆颜色。综上可见，通过本发明的技术方案实现识别车辆颜色时，无需向颜色分类神经网络模型输入完整的车辆图像，输入颜色分类神经网络模型的车身局部区域图像中不携带车窗区域图像以及车顶区域图像等干扰区域图像，可避免在颜色分类神经网络中形成大量的噪声数据，从而使得颜色分类神经网络模型无需进行大量的迭代计算即可快速确定出车辆颜色，同时，噪声数据的减少可使颜分类神经网络模型能够更为准确的识别车辆颜色；因此，本发明提供的技术方案，可更为高效的实现对车辆颜色进行识别。

附图说明

为了更清楚地说明本发明实施例或现有的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一实施例提供的一种车辆颜色识别方法的流程示意图；

图2为本发明一实施例提供的一种车辆颜色识别装置的结构示意图；

图3为本发明一实施例提供的一种车辆颜色识别系统的结构示意图；

图4为本发明一实施例提供的一种车辆颜色识别系统中车窗检测神经网络模型的结构示意图；

图5为本发明一实施例提供的一种车辆颜色识别系统中颜色分类神经网络模型的结构示意图；

图6为本发明一实施例中提供的电子设备的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明实施例提供了一种车辆颜色识别方法，包括：

步骤101，预先设置车窗检测神经网络模型及颜色分类神经网络模型；

步骤102，采集待识别车辆所对应的车辆图像；

步骤103，将所述车辆图像输入所述车窗检测神经网络模型，使得所述车窗检测神经网络模型对所述车辆图像进行检测以确定车窗图像位置信息，并输出所述车窗图像位置信息；

步骤104，根据所述车窗图像位置信息，从所述车辆图像中提取车身局部区域图像；

步骤105，将所述车身局部区域图像输入所述颜色分类神经网络模型，使得所述颜色分类神经网络模型对所述车身局部区域图像进行颜色识别以确定所述待识别车辆的车辆颜色，并输出所述车辆颜色。

如图1所示的实施例，该方法通过预先设置车窗检测神经网络模型及颜色分类神经网络模型，在采集到待识别车辆所对应的车辆图像后，可首先通过设置的车窗检测神经网络模型对车辆图像进行检测以确定并输出车窗图像位置信息，然后根据车窗图像位置信息从采集的车辆图像中提取车身局部区域图像，之后，颜色分类神经网络模型则可对车身局部区域图像进行颜色识别以确定并输出待识别车辆的车辆颜色。综上可见，通过本发明的技术方案实现识别车辆颜色时，无需向颜色分类神经网络模型输入完整的车辆图像，输入颜色分类神经网络模型的车身局部区域图像中不携带车窗区域图像以及车顶区域图像等干扰区域图像，可避免在颜色分类神经网络中形成大量的噪声数据，从而使得颜色分类神经网络模型无需进行大量的迭代计算即可快速确定出车辆颜色，同时，噪声数据的减少可使颜分类神经网络模型能够更为准确的识别车辆颜色；因此，本发明提供的技术方案，可更为高效的实现对车辆颜色进行识别。

本领域技术人员应当理解的，车窗检测神经网络模型通常只能对具有设定像素大小的图像进行检测，因此，车辆图像具体可以是通过摄像头等图像采集装置采集到待识别车辆的原始图像后，对该原始图像进行去噪以及比例缩放等预处理过程后所得到的具有设定像素大小的图像。

本领域技术人员应当理解的，设置车窗检测神经网络模型以及颜色分类神经网络模型的具体过程，指的是利用相应数量的样本车辆图像以及样本车身局部区域图像分别对前述两个神经网络模型进行训练的过程，本发明实施例提供的技术方案中不再针对具体的训练过程进行赘述。

具体地，本发明一个优选实施例中，所述车窗图像位置信息，包括：至少一个车窗区域图像的位置参数，其中，所述位置参数包括所述车窗区域图像的至少两个顶点分别对应在所述车辆图像中的像素坐标；

则，所述根据所述车窗图像位置信息，从所述车辆图像中提取车身局部区域图像，包括：

从所述至少一个位置参数中选择一个当前位置参数，根据选择的所述当前位置参数所携带的至少两个像素坐标从所述车辆图像中提取一个车身局部区域图像。

该实施例中，车窗检测神经网络模型对输入的车辆图像进行检测时，可首先检测并标记出车辆图像上每一个车窗区域图像所分别对应的位置(或，轮廓)，进而根据标记的位置确定出每一个车窗区域图像所分别对应的位置参数，该位置参数由其对应的车窗区域图像的一个或多个顶点(或，一个或多个轮廓边缘点)分别对应在车辆图像中的像素坐标。具体地，以输入的车辆图像是待识别车辆的侧视图为例，若该车辆的侧面包括有前车窗和后车窗，那么，车窗检测神经网络模型则可检测并输出前车窗区域图像以及后车窗区域图像的位置参数。

该实施例中，车窗区域图像的至少两个顶点分别对应在车辆图像中的像素坐标，可以是车窗区域图像的左上角顶点以及右下角顶点在车辆图像中所分别对应的像素坐标，具体可以通过一个四元组(xmin，ymin，xmax，ymax)进行表示，该四元组中，xmin及ymin表征车窗区域图像的左上角顶点对应在车辆图像中的横向像素坐标及纵向像素坐标，xmax及ymax表征车窗区域图像的右下角顶点对应在车辆图像中的横向像素坐标及纵向像素坐标。

该实施例中，车窗检测神经网络模型可能输出车辆图像中多个车窗区域图像的位置参数，但在实际应用时，仅需要根据任一车窗区域图像的位置参数即可从车辆图像中提取出车身局部区域图像；以选择的一个位置参数是前述的一个四元组为例，那么，则可对该四元组中的xmin，ymin，xmax，ymax分别加减相应的数值以得到一个新的四元组，根据新的四元组从车辆图像中位于该位置参数所对应的车窗区域图像的下方，提取出一个车身局部区域图像；所提取的车身局部区域图像的左上角顶点即为新的四元组中前两个元数据所对应的像素坐标，所提取车身局部区域图像的右下角顶点即为新的四元组中后两个元数据所对应的像素坐标。

需要说明的是，所提取车身局部区域图像的大小可以根据颜色分类神经网络模型进行调整；举例来说，颜色分类神经网络模型可有效检测24*24像素大小的图像，那么，所提取车身局部区域图像的大小则可以为24*24像素。显而易见的，也可以提取出具有其他像素尺寸的车身局部区域图像，然后对所提取车身局部区域图像进行比例变换以形成能够被颜色分类神经网络模型进行有效检测的车身局部区域图像。

基于与本发明方法实施例相同的构思，请参考图2，本发明实施例还提供了一种车辆颜色识别装置，包括：

设置模块201，用于预先设置车窗检测神经网络模型及颜色分类神经网络模型；

图像采集模块202，用于采集待识别车辆所对应的车辆图像；

第一交互调用模块203，用于将所述车辆图像输入所述车窗检测神经网络模型，使得所述车窗检测神经网络模型对所述车辆图像进行检测以确定车窗图像位置信息，并输出所述车窗图像位置信息；

局部图像提取模块204，用于根据所述车窗图像位置信息，从所述车辆图像中提取车身局部区域图像；

第二交互调用模块205，用于将所述车身局部区域图像输入所述颜色分类神经网络模型，使得所述颜色分类神经网络模型对所述车身局部区域图像进行颜色识别以确定所述待识别车辆的车辆颜色，并输出所述车辆颜色。

具体地，本发明一个优选实施例中，所述车窗图像位置信息，包括：至少一个车窗区域图像的位置参数，其中，所述位置参数包括所述车窗区域图像的至少两个顶点分别对应在所述车辆图像中的像素坐标；

所述局部图像提取模块204，用于从至少一个所述位置参数中选择一个当前位置参数，根据选择的所述当前位置参数所携带的至少两个像素坐标从所述车辆图像中提取一个车身局部区域图像。

基于与本发明前述各个实施例相同的构思，请参考图3，本发明实施例还提供了一种车辆颜色识别系统，包括：

车窗检测神经网络模型301、颜色分类神经网络模型302，以及如本发明任意一个实施例中提供的车辆颜色识别装置303；其中，

所述车窗检测神经网络模型301，用于接收所述车辆颜色识别装置303输入的车辆图像；对接收的所述车辆图像进行检测以确定车窗图像位置信息，并将所述车窗图像位置信息输出至所述车辆颜色识别装置；

所述颜色分类神经网络模型302，用于接收所述车辆颜色识别装置303输入的车身局部区域图像；对接收的所述车身局部区域图像进行颜色识别以确定车辆颜色，并输出所述车辆颜色。

如图3所示的系统，通过车窗检测神经网络模型对车辆图像进行检测以确定并输出车窗图像位置信息，车辆颜色识别装置则可根据车窗图像位置信息从车辆图像中提取出车身局部区域图像，并将该车身局部区域图像输入颜色分类神经网络模型，无需向颜色分类神经网络模型输入完整的车辆图像，输入颜色分类神经网络模型的车身局部区域图像中不携带车窗区域图像以及车顶区域图像等干扰区域图像，可避免在颜色分类神经网络中形成大量的噪声数据，从而使得颜色分类神经网络模型无需进行大量的迭代计算即可快速确定出车辆颜色，同时，噪声数据的减少可使颜分类神经网络模型能够更为准确的识别车辆颜色；因此，本发明提供的技术方案，可更为高效的实现对车辆颜色进行识别。

请参考图4，本发明一个优选实施例中，所述车窗检测神经网络模型301，包括：第一数据层3011、第一卷积层3012、第一采样层3013、全连接层3014以及回归层3015；其中，

所述数据层3011，用于接收所述车辆颜色识别装置输入的车辆图像，并将所述车辆图像输入至与其相连的所述第一卷积层3012；

所述第一卷积层3012，用于对输入的所述车辆图像进行检测以提取车窗图像特征数据，并将所述车窗图像特征数据输出至所述第一采样层3013；

所述第一采样层3013，用于接收与其相连的所述第一卷积层3012输出的所述车窗图像特征数据，对所述车窗图像特征数据进行降维处理以得到采样车窗图像特征数据，并将所述采样车窗图像特征数据输出至与其相连的所述全连接层3014；

所述全连接层3014，用于根据所述第一采样层3013输出的所述采样车窗图像特征数据形成车窗图像轮廓信息；

所述回归层3015，用于根据所述车窗图像轮廓信息确定车窗图像位置信息。

该实施例中，第一卷积层对车辆图像进行检测以提取车窗图像特征数据时，车窗图像特征数据的数据量较大且携带大量具有较小参考价值的局部特征数据，第一采样层可对第一卷积层所提取车窗图像特征数据进行降维处理以得到采样车窗图像特征数据，实现去除车窗图像特征数据中携带的具有较小参考价值的局部特征数据，所提取采样车窗图像特征数据即为具有较高参考价值的全局特征数据；如此，后续通过全连接层与回归层相配合，实现根据采样车窗图像特征数据确定车窗图像位置信息时，所确定的车窗图像位置信息更为准确。

具体地，本发明一个优选实施例中，所述回归层3015，用于根据所述车窗图像轮廓信息，确定所述车辆图像携带的至少一个车窗区域图像的位置参数，其中，所述位置参数包括所述车窗区域图像的至少两个顶点分别对应在所述车辆图像中的像素坐标。

需要说明的是，为了确保车窗检测神经网络模型针对输入的车辆图像进行检测时，输出的车窗图像位置信息更为准确，车窗检测神经网络模型中也可包括多个间隔设置且呈线性连接的第一卷积层及第一采样层，通过连续的多个第一卷积层和第一采样层相互协作以实现提取更为准确的全局特征数据。

还需要说明的是，设置车窗检测神经网络时，需要利用大量的样本车辆图像对初始神经网络模型进行训练而得到该车窗检测神经网络模型，训练时，所依据的损失函数具体为通过训练的车窗检测神经网络模型对样本车辆图像进行检测时，所检测的一个车窗区域图像的位置参数与该车窗区域图像在该样本车辆图像中的实际位置参数的均方差。

请参考图5，本发明一个优选实施例中，所述颜色分类神经网络模型302，包括：第二数据层3021、特征提取层3022以及颜色分类层3023；其中，

所述第二数据层3021，用于接收所述车辆颜色识别装置输入的车身局部区域图像，并将所述车身局部区域图像输入至与其相连的所述特征提取层；

所述特征提取层3022，用于对输入的所述车身局部区域图像进行检测以提取颜色特征信息，并将所述颜色特征信息输出至所述颜色分类层；

所述颜色分类层3023，用于根据输入的所述颜色特征信息确定车辆颜色，并输出所述车辆颜色。

该实施例中，特征提取层提取颜色特征信息并输出至颜色分类层之后，颜色分类层根据输入的颜色特征信息确定车辆颜色，具体是根据输入的颜色特征信息计算出输入的车身局部区域图像可能为各种颜色类型的概率值，进而将概率值最大的颜色类型确定为车辆颜色并输出。

具体地，本发明一个优选实施例中，所述特征提取层3022，包括：至少两个第二卷积层以及至少两个第二采样层；其中，

所述至少两个第二卷积层以及所述至少两个第二采样层呈线性排列连接，且各个所述第二卷积层与各个所述第二采样层间隔设置，位于首位的所述第二卷积层与所述第二数据层3021相连，位于末位的所述第二采样层与所述颜色分类层3023相连；

所述第二卷积层，用于当所述第二卷积层排列在首位时，接收所述第二数据层3021输入的所述车身局部区域图像，对所述车身局部区域图像进行检测以提取局部颜色特征数据，并将所述局部颜色特征数据输出至与其相连的所述第二采样层；当所述第二卷积层位于非首位时，接收与其相连的前置第二采样层输出的采样颜色特征信息，从接收的所述采样颜色特征信息中提取目标颜色特征信息，并将所述目标颜色特征信息作为局部颜色特征数据输出至与其相连的后置第二采样层；

所述第二采样层，用于当所述第二采样层排列的非末位时，接收与其相连的前置第二卷积层输出的所述局部颜色特征数据，对接收的所述局部颜色特征数据进行降维处理以形成采样颜色特征信息，并将所述采样颜色特征信息输出至与其相连的后置第二卷积层；当所述第二采样层排列的末位时，接收与其相连的所述第二卷积层输出的所述局部颜色特征数据，对接收的所述局部颜色特征数据进行降维处理以形成采样颜色特征信息，并将所述采样颜色特征信息作为颜色特征信息输出至与其相连的所述颜色分类层3023。

该实施例中，通过连续的多个第二卷积层和第二采样层相互协作，对局部颜色特征数据进行降维以及进一步的特征数据提取，最后输出至颜色分类层的数据大量较少，颜色分类层能够根据输入的数据更为快速的确定出车辆颜色。

需要说明的是，每一个第二卷积层可以包括两个独立的分支结构，一个分支用于跨通道的信息融合，同时也可对数据进行一定程度的降维，另一个分支结构用于增加第二卷积层的层数，提高颜色分类神经网络模型的颜色特征数据提取能力。

相应的，本发明一个实施例中，为了确保颜色分类层所确定的车辆颜色具有更高的准确性，本发明一个优选实施例中，所述颜色分类神经网络模型302，还包括：合并层；其中，

所述第二采样层，用于将其形成的所述采样颜色特征信息输出至与其相连的所述合并层；

所述合并层，用于根据接收的各个所述采样颜色特征信息形成颜色特征信息，并将形成的所述颜色特征信息输出至所述颜色分类层3023。

该实施例中，虽然位于末位的第二采样层形成的采样颜色特征数据即为全局颜色特征数据，具有较高的参考价值，但前置的各个第二采样层所分别形成的采样颜色特征数据依然具有一定程度的参考价值，因此，合并层针对多个第二采样层分别形成的采样颜色特征信息进行合并以得到新的颜色特征数据，颜色分类层根据合并层形成的颜色特征数据确定车辆颜色时，所确定的车辆颜色则更为准确。

图6是本发明的一个实施例电子设备的结构示意图。在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(random-accessmemory，ram)，也可能还包括非易失性存储器(non-volatilememory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。

处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是isa(industrystandardarchitecture，工业标准体系结构)总线、pci(peripheralcomponentinterconnect，外设部件互连标准)总线或eisa(extendedindustrystandardarchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。

在一种可能实现的方式中，处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，也可从其它设备上获取相应的计算机程序，以在逻辑层面上形成车辆颜色识别装置/系统。处理器，执行存储器所存放的程序，以通过执行的程序实现本发明任一实施例中提供的车辆颜色识别方法，或实现基于该车辆颜色识别系统实现的车辆颜色识别方法。

处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(centralprocessingunit，cpu)、网络处理器(networkprocessor，np)等；还可以是数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列(field－programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

本发明实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，能够使该电子设备执行本发明任一实施例中提供的车辆颜色识别方法，或执行基于本发明实施例提供的车辆颜色识别系统实现的车辆颜色识别方法。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元或模块分别描述。当然，在实施本发明时可以把各单元或模块的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本发明中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。