车体颜色识别方法及装置与流程

本说明书一个或多个实施例涉及计算机技术领域，尤其涉及一种车体颜色识别方法及装置。

背景技术：

在对车辆进行定损时，通常需要识别拍摄图片中所覆盖的车辆是否是待定损车辆。而上述判断过程的一种实现方式可以是识别该车辆的车体颜色。传统技术中，通常只能根据车辆的单个参考区域识别车体颜色。该参考区域可以与车辆的部件相对应。如，可以将车牌上方的引擎盖对应的区域作为参考区域，来识别车体颜色。

然而，在上述车体颜色识别的过程中，如果该参考区域所对应的部件受到光照等影响时，部件的颜色可能会发生变化。当部件的颜色发生变化时，根据该部件对应的区域所识别的车体颜色是不准确的。因此，需要提供一种更准确地车体颜色识别方法。

技术实现要素：

本说明书一个或多个实施例描述了一种车体颜色识别方法及装置，可以提高车体颜色识别的准确性。

第一方面，提供了一种车体颜色识别方法，包括：

获取车辆的拍摄图片；所述拍摄图片覆盖所述车辆的多个部件；

根据目标检测算法，在所述拍摄图片中检测各个部件所在的区域，从而得到多个区域；

从所述多个区域中选取至少一个指定部件所在的候选区域；

将所述候选区域输入多分类分类器，以预测所述候选区域的置信度向量以及最大可能性颜色类别；所述置信度向量由所述候选区域分别归属于各个预定义颜色类别的置信度构成；

将所述置信度向量以及所述最大可能性颜色类别输入车辆颜色识别模型，以识别所述车辆的车体颜色。

第二方面，提供了一种车体颜色识别装置，包括：

获取单元，用于获取车辆的拍摄图片；所述拍摄图片覆盖所述车辆的多个部件；

检测单元，用于根据目标检测算法，在所述获取单元获取的所述拍摄图片中检测各个部件所在的区域，从而得到多个区域；

选取单元，用于从所述检测单元检测到的所述多个区域中选取至少一个指定部件所在的候选区域；

预测单元，用于将所述选取单元选取的所述候选区域输入多分类分类器，以预测所述候选区域的置信度向量以及最大可能性颜色类别；所述置信度向量由所述候选区域分别归属于各个预定义颜色类别的置信度构成；

识别单元，用于将所述预测单元预测的所述置信度向量以及所述最大可能性颜色类别输入车辆颜色识别模型，以识别所述车辆的车体颜色。

第三方面，提供了一种车体颜色识别装置，包括：

接收器，用于获取车辆的拍摄图片；所述拍摄图片覆盖所述车辆的多个部件；

至少一个处理器，用于根据目标检测算法，在所述拍摄图片中检测各个部件所在的区域，从而得到多个区域；从所述多个区域中选取至少一个指定部件所在的候选区域；将所述候选区域输入多分类分类器，以预测所述候选区域的置信度向量以及最大可能性颜色类别；所述置信度向量由所述候选区域分别归属于各个预定义颜色类别的置信度构成；将所述置信度向量以及所述最大可能性颜色类别输入车辆颜色识别模型，以识别所述车辆的车体颜色。

本说明书一个或多个实施例提供的车体颜色识别方法及装置，获取车辆的拍摄图片。根据目标检测算法，在拍摄图片中检测各个部件所在的区域，从而得到多个区域。从多个区域中选取至少一个指定部件所在的候选区域。将候选区域输入多分类分类器，以预测候选区域的置信度向量以及最大可能性颜色类别；该置信度向量由候选区域分别归属于各个预定义颜色类别的置信度构成。将置信度向量以及最大可能性颜色类别输入车辆颜色识别模型，以识别车辆的车体颜色。由此可以看出，本说明书一个或多个实施例提供的车体颜色识别方法，可以根据至少一个指定部件所在的候选区域来识别车体颜色，从而可以提高车体颜色识别的准确性。

附图说明

为了更清楚地说明本说明书实施例的技术方案，下面将对实施例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说明书的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本说明书提供的车体颜色识别方法的应用场景示意图；

图2为本说明书一个实施例提供的车体颜色识别方法流程图；

图3为本说明书提供的部件所在的区域示意图；

图4为本说明书一个实施例提供的车体颜色识别装置示意图；

图5为本说明书另一个实施例提供的车体颜色识别装置示意图。

具体实施方式

下面结合附图，对本说明书提供的方案进行描述。

本说明书一个或多个实施例提供的车体颜色识别方法可以应用于如图1所示的场景中。图1中，车体颜色识别模块20用于识别图片中车辆的颜色。具体地，对于车辆的拍摄图片，车体颜色识别模块20可以根据目标检测算法，在拍摄图片中检测车辆的各个部件所在的区域，从而得到多个区域。从多个区域中选取至少一个能反映车体颜色的部件所在的候选区域，从而得到至少一个候选区域。将至少一个候选区域输入多分类分类器，以预测候选区域的置信度向量以及最大可能性颜色类别。此处的置信度向量由候选区域分别归属于各个预定义颜色类别的置信度构成。将各候选区域的置信度向量以及最大可能性颜色类别输入车辆颜色识别模型，以识别拍摄图片中车辆的车体颜色。

车辆定损模块40用于对车体颜色识别模块20识别到车体颜色的车辆进行定损。如，自动识别拍摄图片中反映的车辆的损失部件及其损失程度，并自动给出维修方案。

应理解，图1只是本说明书一个或多个实施例提供的车体颜色识别方法的一种应用场景，在其它应用场景中，也可以对车体颜色识别模块20识别到车体颜色的车辆的拍摄图片进行分流等处理，本说明书对此不作限定。

图2为本说明书一个实施例提供的车体颜色识别方法流程图。所述方法的执行主体可以为具有处理能力的设备：服务器或者系统或者模块，如，可以为图1中的车体颜色识别模块20等。如图2所示，所述方法具体可以包括：

步骤202，获取车辆的拍摄图片。

需要说明的是，上述拍摄图片可以是针对某一辆车的拍摄图片，该拍摄图片可以覆盖该辆车的多个部件。此处的部件可以包括但不限于车门、保险杠、车牌、翼子板、大灯以及轮胎等。

步骤204，根据目标检测算法，在拍摄图片中检测各个部件所在的区域，从而得到多个区域。

此处的目标检测算法可以包括但不限于快速的(faster)-基于区域的卷积神经网络(region-basedconvolutionalneuralnetwork，rcnn),基于区域的全卷积网络(region-basedfullyconvolutionalnetwork，rfcn),单次多边界框检测器(singleshotmultiboxdetector，ssd)以及yolo等。此处，通过目标检测算法检测车辆的部件所在的区域，可以提高区域检测的准确性。

可选地，可以先根据多张样本图片对上述目标检测算法进行训练，之后可以根据训练好的目标检测算法，在拍摄图片中检测各个部件所在的区域，从而可以提高区域检测的准确性。需要说明的是，上述一张样本图片可以覆盖一辆车的一个或多个部件。对于该样本图片，可以人工预先标定各个部件所在的区域以及该区域的类别。此处的类别可以是指上述部件的名称。

在一个例子中，上述得到的多个区域可以如图3所示。图3中，矩形框用于表示车辆的部件所在的区域。在一个例子中，该区域可以通过四维坐标来表示，如，可以表示为(x，y，w，h)，其中，x为区域的左上顶点的横坐标，y为区域的左上顶点的纵坐标，w为区域的宽度，h为区域的高度。此外，图3中的“保险杠”、“车牌”、“翼子板”、“大灯”以及“轮胎”等用于表示各区域的类别。

步骤206，从多个区域中选取至少一个指定部件所在的候选区域。

此处的指定部件可以是指颜色与车体颜色相同或者相近的部件。如，“车门”、“保险杠”、“翼子板”以及“机盖”等。

在一种实现方式中，可以结合区域的类别来选取上述候选区域。如，在某个区域的类别为上述指定部件的名称时，可以将该区域选取为候选区域。以图3为例来说，可以将区域a、b以及c选取为候选区域。也即，本说明书中的候选区域的个数可以为多个。

此处，通过选取指定部件所在的候选区域，可以避免无关部件的干扰。

步骤208，将候选区域输入多分类分类器，以预测候选区域的置信度向量以及最大可能性颜色类别。

此处的置信度向量由候选区域分别归属于各个预定义颜色类别的置信度构成。此处的多分类分类器也可以称为多分类模型。该多分类分类器可以是根据多个具有颜色类别标签的样本区域，对轻量化的神经网络模型进行训练后得到的。此处的轻量化的神经网络模型可以包括但不限于mobilenet，squeezenet，inception，xception，shufflenet等。此处，通过训练轻量化的神经网络模型来获得多分类分类器可以提高预测效率。此外，本说明书训练得到的多分类分类器可以预测车辆的各个部件所在的候选区域的颜色类别，从而可以提高预测的全面性。

上述样本区域的定义可参见候选区域，即与车体颜色相同或者相近的部件所在的区域。不同的是，该样本区域是从样本图片中标定。此外，样本区域的颜色类别标签可以由人工根据该样本区域所对应的部件的颜色预先设定，其可以包括但不限于黑色，蓝色，红色，银色，白色，其它颜色，无法判断等。

需要说明的是，在训练上述多分类分类器时，上述样本区域可以是通过预先训练好的目标检测算法从样本图片中检测并标定；也可以是人工在样本图片中标定。

步骤208中的预定义颜色类别的定义可以参照样本区域的颜色类别标签。此外，步骤208中的最大可能性颜色类别可以是根据候选区域分别归属于各个预定义颜色类别的置信度确定的。如，可以将最大置信度对应的预定义颜色类别确定为候选区域的最大可能性颜色类别；也可以将置信度超过阈值的预定义颜色类别确定为候选区域的最大可能性颜色类别。

需要说明的是，在采用第二种方式时，一个候选区域也可以归属于一个最大可能性颜色类别。如，可以根据优先级从高到低的顺序，对多个预定义颜色类别进行排序。之后，依次判断各预定义颜色类别对应的置信度是否大于阈值，如果某个预定义颜色类别的置信度大于阈值，则将该预定义颜色类别选取为最大可能性颜色类别，且不再对后续预定义颜色类别进行判断。

可以理解的是，当候选区域的个数为多个时，可以预测多个置信度向量以及最大可能性颜色类别。

步骤210，将置信度向量以及最大可能性颜色类别输入车辆颜色识别模型，以识别车辆的车体颜色。

此处的车辆颜色识别模型可以是将多张样本图片的样本区域的置信度向量以及最大可能性颜色类别作为输入数据，对决策树、支持向量机或者随机森林进行训练后得到的。上述样本区域的置信度向量可以是由样本区域归属于各个预定义颜色类别的置信度构成。此处，样本图片以及样本区域的定义同上，在此不复赘述。需要说明的是，该样本图片具有对应的颜色类别标签，该颜色类别标签可以是人工预先标定。此外，样本区域的置信度向量以及最大可能性颜色类别可以是通过将样本区域输入到预先训练好的多分类分类器得到的。

需要说明的是，当候选区域的个数为多个时，可以将多个候选区域分别归属于各个预定义颜色类别的置信度向量以及最大可能性颜色类别输入车辆颜色识别模型。也即本说明书中车辆的车体颜色可以是根据多个候选区域的最大可能性颜色类别来识别的，从而可以提高车体颜色识别的准确性，且鲁棒性较好。

步骤210中识别到的车体颜色可以为以下任一种：黑色，蓝色，红色，银色，白色，其它颜色以及无法判断等。

综上，本说明书一个或多个实施例提供的车体颜色识别方法，通过目标检测算法检测车辆的部件所在的区域，可以提高区域检测的准确性。此外，本说明书通过训练轻量化的神经网络模型来获得多分类分类器，可以提高预测效率。最后，车辆颜色识别模型根据多个候选区域的置信度向量以及最大可能性颜色类别来识别车体颜色，可以不依赖于单个部件的颜色，从而可以避免由于单个部件受到光照等影响而颜色发生变化时，识别的车体颜色不准确的问题。

与上述车体颜色识别方法对应地，本说明书一个实施例还提供的一种车体颜色识别装置，如图4所示，该装置可以包括：

获取单元402，用于获取车辆的拍摄图片。该拍摄图片覆盖车辆的多个部件。

检测单元404，用于根据目标检测算法，在获取单元402获取的拍摄图片中检测各个部件所在的区域，从而得到多个区域。

此处的目标检测算法可以包括但不限于以下任一种：快速的基于区域的卷积神经网络faster-rcnn,基于区域的全卷积网络rfcn,单次多边界框检测器ssd以及yolo等。

选取单元406，用于从检测单元404检测到的多个区域中选取至少一个指定部件所在的候选区域。

此处的指定部件可以是指多个部件中颜色与车体颜色相同或者相近的部件。

预测单元408，用于将选取单元406选取的候选区域输入多分类分类器，以预测候选区域的置信度向量以及最大可能性颜色类别。该置信度向量由候选区域分别归属于各个预定义颜色标签的置信度构成。

该多分类分类器可以是根据多个具有颜色类别标签的样本区域，对轻量化的神经网络模型进行训练后得到的。该样本区域与样本图片中车辆的部件相对应。

识别单元410，用于将预测单元408预测的置信度向量以及最大可能性颜色类别输入车辆颜色识别模型，以识别车辆的车体颜色。

该车辆颜色识别模型可以是将多张样本图片的样本区域的置信度向量以及最大可能性颜色类别作为输入数据，对决策树、支持向量机或者随机森林进行训练后得到的。该置信度向量可以是由样本区域归属于各个预定义颜色类别的置信度构成。该样本图片覆盖车辆的一个或多个部件，该样本区域与样本图片中车辆的部件相对应。

本说明书上述实施例装置的各功能模块的功能，可以通过上述方法实施例的各步骤来实现，因此，本说明书一个实施例提供的装置的具体工作过程，在此不复赘述。

本说明书一个实施例提供的车体颜色识别装置，获取单元402获取车辆的拍摄图片。检测单元404根据目标检测算法，在拍摄图片中检测各个部件所在的区域，从而得到多个区域。选取单元406从多个区域中选取至少一个指定部件所在的候选区域。预测单元408将候选区域输入多分类分类器，以预测候选区域的置信度向量以及最大可能性颜色类别。该置信度向量由候选区域分别归属于各个预定义颜色类别的置信度构成。识别单元410将置信度向量以及最大可能性颜色类别输入车辆颜色识别模型，以识别车辆的车体颜色。由此，可以提高车辆的车体颜色识别的准确性。

本说明书一个实施例提供的车体颜色识别装置可以为图1中车体颜色识别模块20的一个模块或者单元。

与上述车体颜色识别方法对应地，本说明书实施例还提供了一种车体颜色识别装置，如图5所示，该装置可以包括：

接收器502，用于获取车辆的拍摄图片。该拍摄图片覆盖车辆的多个部件。

至少一个处理器504，用于根据目标检测算法，在拍摄图片中检测各个部件所在的区域，从而得到多个区域。从多个区域中选取至少一个指定部件所在的候选区域。将候选区域输入多分类分类器，以预测候选区域的置信度向量以及最大可能性颜色类别。该置信度向量由候选区域分别归属于各个预定义颜色类别的置信度构成。将置信度向量以及最大可能性颜色类别输入车辆颜色识别模型，以识别车辆的车体颜色。

本说明书一个实施例提供的车体颜色识别装置，可以提高车辆的车体颜色识别的准确性。

需要说明的是，图5示出的是本说明书实施例提供的多车识别装置位于服务器的例子。在实际应用中，该装置也可以位于终端中，本说明书对此不作限定。

本说明书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，对于装置实施例而言，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。

结合本说明书公开内容所描述的方法或者算法的步骤可以硬件的方式来实现，也可以是由处理器执行软件指令的方式来实现。软件指令可以由相应的软件模块组成，软件模块可以被存放于ram存储器、闪存、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、移动硬盘、cd-rom或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于asic中。另外，该asic可以位于服务器中。当然，处理器和存储介质也可以作为分立组件存在于服务器中。

本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

以上所述的具体实施方式，对本说明书的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本说明书的具体实施方式而已，并不用于限定本说明书的保护范围，凡在本说明书的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本说明书的保护范围之内。