颜色识别方法、相关设备以及装置与流程

1.本发明涉及图像识别领域，特别是涉及颜色识别方法、相关设备以及装置。


背景技术：

2.当前，计算机视觉被广泛地应用到人脸识别、安防、无人驾驶等各个领域，其中，图像识别技术是计算机视觉技术的一个重要分支，而颜色属性是图像中最显著的区分点之一，因此颜色识别在图像识别中尤为重要。
3.颜色识别具体是一种检测技术，其在自动化控制、彩色打印、医疗诊断、信息采集、印刷材料等应用场合中均具有广泛的应用价值。
4.但目前的颜色识别往往只会按照进行单一颜色的识别。针对多颜色目标对象，只识别面积较大的颜色，而这种识别方法往往难以准确地反映目标对象整体的颜色，颜色识别精度不高。


技术实现要素：

5.本发明提供了一种颜色识别方法、相关设备以及装置，以提高对目标对象进行颜色识别的准确性和鲁棒性。
6.为解决上述技术问题，本发明提供一种颜色识别方法，包括：从包含目标对象的待识别图中，确定目标对象的至少一个局部区域图像；分别对至少一个局部区域图像进行识别，得到各局部区域图像对应的颜色信息和干扰特征信息，其中，干扰特征信息是基于局部区域图像中是否存在干扰特征确定的；基于各局部区域图像的颜色信息和干扰特征信息，确定目标对象的颜色。
7.其中，基于各局部区域图像的颜色信息和干扰特征信息，确定目标对象的颜色，包括：基于各局部区域图像的颜色信息、干扰特征信息以及各局部区域图像对应的权重，从各局部区域图像的颜色信息中确定每种颜色信息对应的权重值；基于每种颜色信息对应的权重值确定目标对象的颜色。
8.其中，基于每种颜色信息对应的权重值确定目标对象的颜色，包括响应于权重值最大的颜色信息与权重值第二大的颜色信息之间的权重差值不小于预设差值，将权重值最大的颜色信息对应的颜色确定为目标对象的颜色；响应于权重值最大的颜色信息与权重值第二大的颜色信息之间的权重差值小于预设差值，将各局部区域图像的颜色信息分别对应的颜色确定为目标对象的颜色。
9.其中，将各局部区域图像的颜色信息分别对应的颜色确定为目标对象的颜色，包括：将各局部区域图像的颜色信息分别对应的颜色按照各局部区域图像的位置分布信息依次进行排列；将排列后的颜色的组合确定为目标对象的颜色。
10.其中，基于各局部区域图像的颜色信息、干扰特征信息以及各局部区域图像对应的权重，从各局部区域图像的颜色信息中确定每种颜色信息对应的权重值之前，还包括：获取到各局部区域图像的预设权重；减小各局部区域图像中的干扰区域对应的预设权重，并
将减小后的预设权重作为干扰区域对应的权重值；干扰区域为干扰特征信息表征存在至少一种干扰特征的局部区域图像；将各局部区域图像中的非干扰区域的预设权重，确定为非干扰区域对应的权重值；非干扰区域为干扰特征信息表征不存在至少一种干扰特征的局部区域图像。
11.其中，干扰区域的预设权重的减小值与干扰区域中存在的至少一种干扰特征的数量呈正相关。
12.其中，分别对至少一个局部区域图像进行识别，得到各局部区域图像对应的颜色信息和干扰特征信息，包括：通过卷积神经网络，利用多独立标签激活函数分别对各局部区域图像进行识别，确定各局部区域图像的颜色信息和干扰特征信息。
13.其中，从包含目标对象的待识别图中，确定目标对象的至少一个局部区域图像，包括：对待识别图进行关键点识别，确定待识别图中目标对象的多个关键点；基于多个关键点对待识别图进行划分，得到目标对象的至少一个局部区域图像。
14.其中，基于多个关键点对待识别图进行划分，得到目标对象的至少一个局部区域图像，包括：沿着多个关键点中各相邻且对应的关键点之间的连接线对待识别图进行划分，得到目标对象的至少一个局部区域图像。
15.其中，目标对象包括车辆；从包含目标对象的待识别图中，确定目标对象的至少一个局部区域图像，包括：从包含车辆的待识别图中，确定车辆的前脸区域，引擎盖区域，侧身区域及车顶区域中的至少一个局部区域图像；基于各局部区域图像的颜色信息和干扰特征信息，确定目标对象的颜色，包括：基于各局部区域图像的颜色信息和干扰特征信息，确定车辆的颜色。
16.其中，干扰特征包括遮挡特征、曝光特征、反光特征以及倒影特征中的至少一种。
17.为解决上述技术问题，本发明还提供了一种电子设备，电子设备包括：相互耦接的存储器和处理器，处理器用于执行存储器中存储的程序指令，以实现上述任一项的颜色识别方法。
18.为解决上述技术问题，本发明还提供了一种计算机可读存储介质，计算机可读存储介质存储有程序数据，程序数据能够被执行以实现如上述任一项的颜色识别方法。
19.本发明的有益效果是：区别于现有技术的情况，本发明从包含目标对象的待识别图中，确定目标对象的至少一个局部区域图像；分别对至少一个局部区域图像进行识别，得到各局部区域图像对应的颜色信息和干扰特征信息，其中，干扰特征信息是基于局部区域图像中是否存在干扰特征确定的；基于各局部区域图像的颜色信息和干扰特征信息，确定目标对象的颜色，能够精细化目标对象的颜色识别区域，提高颜色识别时局部区域图像的颜色单一性，减少无效色块的干扰，提高局部区域图像颜色识别的准确性，进而提高整个颜色识别的准确率。且确定整个目标对象的颜色时，基于各局部区域图像的干扰特征信息对颜色信息的可靠性进行考虑，从而增强颜色识别的鲁棒性和可靠性。
附图说明
20.图1是本发明提供的颜色识别方法一实施例的流程示意图；
21.图2是本发明提供的颜色识别方法另一实施例的流程示意图；
22.图3是图2实施例中待识别图中车辆划分一实施方式的示意图；
23.图4是图2实施例中待识别图中人体划分一实施方式的示意图；
24.图5是本发明提供的电子设备一实施例的结构示意图；
25.图6是本发明提供的计算机可读存储介质一实施例的结构示意图。
具体实施方式
26.下面将结合本发明实施例中的附图，对本发明实施例中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的一部分实施例，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。
27.请参阅图1，图1是本发明提供的颜色识别方法一实施例的流程示意图。
28.步骤s11：从包含目标对象的待识别图中，确定目标对象的至少一个局部区域图像。
29.先获取到目标对象的待识别图，即待识别图中包括有目标对象。其中，本实施例的目标对象可以包括车辆、活体器官、人体、衣物、图画、机械器件、灯具、印刷材料等多种具有颜色的对象，在此不做限定。
30.在一个具体的应用场景中，可以先对待识别图进行图像处理，例如噪声过滤、自动白平衡、自动曝光、伽马校正、边缘增强以及对比度调整等预处理，以增强待识别图上的关键信息，减少无效信息的干扰，提高后续识别的准确性。
31.从待识别图中确定目标对象的至少一个局部区域图像。局部区域图像可以包括目标对象上需要识别颜色的重点区域，也可以包括目标对象上一般具有单一颜色的局部区域。例如：当目标对象为车辆时，目标对象的局部区域图像可以包括前脸，引擎盖，侧身及车顶；当目标对象为心脏器官时，目标对象的局部区域图像可以包括左心房、右心房、左心室、右心室。局部区域图像的具体划分位置以及划分数量基于目标对象的自身整体的的外形、结构等特点进行划分，在此不做限定。
32.通过预先对待识别图进行局部区域图像的划分，能够减少待识别图中的无效背景或无效色块对后续颜色识别的影响，提高后续颜色识别的针对性和准确性。
33.由于每张待识别图受拍摄角度限制，可能无法显示整个目标对象的全貌，因此，本步骤基于待识别图为准，从待识别图中确定目标对象的至少一个局部区域图像。具体可以基于待识别图的拍摄内容确定目标对象的一个、多个或全部局部区域图像。
34.步骤s12：分别对至少一个局部区域图像进行识别，得到各局部区域图像对应的颜色信息和干扰特征信息，其中，干扰特征信息是基于局部区域图像中是否存在干扰特征确定的。
35.分别对至少一个局部区域图像进行识别，得到各局部区域图像对应的颜色信息和干扰特征信息，而干扰特征信息是基于局部区域图像中是否存在干扰特征确定的，其中，干扰特征指的是各局部区域图像中会对颜色识别产生干扰、影响颜色识别的可靠性的相关特征。例如：遮挡、曝光、反光和/或倒影等干扰特征，而干扰特征信息表征局部区域图像内所有干扰特征的存在情况。颜色信息可以包括识别到的各局部区域图像的具体颜色类型、识别到的各局部区域图像的各颜色类型及其置信度等等，具体可以基于实际需求进行确定，在此不做限定。其中，干扰特征信息中干扰特征的具体特征类型以及数量可以基于目标对
象的特点进行确定，例如：当目标对象为车辆时，车辆表面一般为镜面，其可能还存在倒影或反光等干扰特征，而当目标对象为偏光材质时，其可能还存在偏光干扰特征。在此不做限定。
36.由于待识别图中各局部区域图像对应的位置可能存在被其他物体遮挡和/或曝光等干扰情况，从而容易对颜色识别进行干扰，因此，本实施例在对各局部区域图像进行颜色识别的同时，也对各局部区域图像的至少一个干扰特征进行了识别，从而综合各局部区域图像的干扰特征信息确定各局部区域图像的颜色信息的可靠性。
37.通过将待识别图中的目标对象划分为至少一个局部区域图像，通过分别对各局部区域图像进行识别，从而实现对目标对象进行精细化识别，提高对目标对象进行识别的精细度与精度。
38.在一个具体的应用场景中，可以通过训练好的颜色识别模型分别对各局部区域图像进行识别，得到各局部区域图像对应的颜色信息和干扰特征信息。在另一个具体的应用场景中，可以通过颜色识别传感器以及干扰特征对应的识别算法分别对各局部区域图像进行识别，得到各局部区域图像对应的颜色信息和干扰特征信息。在另一个具体的应用场景中，也可以接受人工对各局部区域图像的识别，得到各局部区域图像对应的颜色信息和干扰特征信息。具体的识别方法在此不做限定。
39.步骤s13：基于各局部区域图像的颜色信息和干扰特征信息，确定目标对象的颜色。
40.得到各局部区域图像的识别结果后，基于各局部区域图像的颜色信息和干扰特征信息，确定目标对象的颜色。
41.确定整个目标对象的颜色时，基于各局部区域图像的干扰特征信息对颜色信息的可靠性进行考虑，能够增强颜色识别的鲁棒性和可靠性。
42.在一个具体的应用场景中，可以舍弃存在大于一定数量的干扰特征的局部区域图像的颜色，基于不存在或小于一定数量的干扰特征的局部区域图像的颜色确定整个目标对象的颜色。在另一个具体的应用场景中，可以基于各局部区域图像中干扰特征信息的干扰特征的数量确定对应局部区域图像的颜色的权重，最后基于各局部区域图像的颜色的权重确定整个目标对象的颜色。在另一个具体的应用场景中，还可以基于局部区域图像的干扰特征的具体影响内容与对应的局部区域图像的颜色的类型确定局部区域图像的颜色是否采纳，例如：某局部区域图像识别到的颜色为白色，且该局部区域图像存在曝光的干扰特征，则不基于该局部区域图像的颜色确定整个目标对象的颜色，而某局部区域图像识别到的颜色为黑色，则即使该局部区域图像存在曝光的干扰特征，仍然可以基于该局部区域图像的颜色确定整个目标对象的颜色。具体地综合方法在此不做限定。
43.通过上述步骤，从包含目标对象的待识别图中，确定目标对象的至少一个局部区域图像；分别对至少一个局部区域图像进行识别，得到各局部区域图像对应的颜色信息和干扰特征信息，其中，干扰特征信息是基于局部区域图像中是否存在干扰特征确定的；基于各局部区域图像的颜色信息和干扰特征信息，确定目标对象的颜色，能够精细化目标对象的颜色识别区域，提高颜色识别时局部区域图像的颜色单一性，减少无效色块的干扰，提高局部区域图像颜色识别的准确性，进而提高整个颜色识别的准确率。且确定整个目标对象的颜色时，基于各局部区域图像的干扰特征信息对颜色信息的可靠性进行考虑，从而增强
颜色识别的鲁棒性和可靠性。
44.请参阅图2，图2是本发明提供的颜色识别方法另一实施例的流程示意图。
45.步骤s21：从包含目标对象的待识别图中，确定目标对象的至少一个局部区域图像。
46.先获取到目标对象的待识别图，即待识别图中包括有目标对象。其中，本实施例的目标对象可以包括车辆、活体器官、人体、衣物、图画、机械器件、灯具、印刷材料等多种具有颜色的对象，在此不做限定。
47.从待识别图中确定目标对象的至少一个局部区域图像。
48.在一个具体的应用场景中，可以通过对待识别图进行关键点识别，先确定待识别图中目标对象的多个关键点，再基于多个关键点对待识别图进行划分，得到目标对象的至少一个局部区域图像。在一个具体的应用场景中，可以通过对待识别图进行关键点识别，先确定待识别图中目标对象的多个关键点，再沿着各相邻且对应的关键点之间的连接线对待识别图进行划分，得到目标对象的至少一个局部区域图像。在其他应用场景中，可以基于各关键点在目标对象上的具体含义对待识别图进行划分。在此不做限定。其中，关键点识别可以通过关键点识别算法或已训练完成的关键点识别模型进行识别，关键点识别算法可以包括sift算法、pfld(a practical facial landmark detector)算法、heatmap(热力图)算法等，在此不做限定。
49.在另一个具体的应用场景中，也可以直接通过图像分割模型对待识别图进行识别并分割，以确定目标对象的至少一个局部区域图像。其中，图像分割模型可以是基于相应的目标对象以及分割标签进行训练后得到的。
50.在一个具体的实施方式中，当目标对象为车辆时，可以对包括车辆的待识别图进行关键点识别，以确定该车辆在待识别图上的多个关键点。其中，车辆的多个关键点可以包括前车牌中心点、后车牌中心点、前左大灯点、前右大灯点、前左围板点、前右围板点、前车窗的四个角点、侧车窗四个角点、四个车轮点、后左转向灯点、后右转向灯点、后左围板点、后右围板点以及车顶的四个角点。
51.确定了该车辆在待识别图上的多个关键点后，再沿着各相邻且对应的关键点之间的连接线对待识别图进行划分，得到车辆的前脸区域，引擎盖区域，侧身区域及车顶区域中的至少一个局部区域图像。例如：沿着相邻的前左大灯点、前右大灯点、前左围板点以及前右围板点之间的连接线对待识别图进行划分可以得到车辆的前脸区域。
52.请参阅图3，图3是图2实施例中待识别图中车辆划分一实施方式的示意图。
53.当目标对象为车辆30时，可以对包括车辆30的待识别图进行关键点识别，以确定该车辆30在待识别图上的多个关键点301。再沿着各相邻且对应的关键点301之间的连接线对待识别图进行划分，得到车辆30的前脸区域31，引擎盖区域32，侧身区域33及车顶区域34。
54.其中，关键点301之间的对应关系可以包括关键点301所对应的物体之间的对应关系，例如：同属同一个部位上的多个关键点301、不同但类型相同的部位上的多个关键点301等对应关系，例如：同一车窗上的4个关键点301之间具有对应关系，而左车灯上的关键点301与右车灯上的关键点301之间具有对应关系。
55.在一个具体的实施方式中，当目标对象为人体时，可以对包括人体的待识别图进
行关键点识别，以确定人体在待识别图上的多个关键点。其中，人体的多个关键点可以包括鼻子、左右眼、左右耳、左右肩、左右肘、左右腕、左右臀、左右膝以及左右脚踝等。
56.请参阅图4，图4是图2实施例中待识别图中人体划分一实施方式的示意图。
57.当目标对象为人体40时，可以对包括人体40的待识别图进行关键点识别，以确定人体40在待识别图上的多个关键点401。再基于关键点401对应的人体区域的具体含义对人体40进行划分，得到人体40的脸部区域41，上身区域42，腿部区域43及足部区域44。
58.上述划分仅进行示意，并不对实际中各目标对象的局部区域图像进行具体位置和数量的限定，具体划分位置和数量可以基于实际需求机械能确定。
59.通过将整体目标对象划分为至少一个局部区域图像，从而对目标对象进行精细化划分，提高对各局部区域图像进行针对性颜色识别的准确性和可靠性，提高颜色识别时局部区域图像的颜色单一性，减少无效色块的干扰。
60.步骤s22：通过卷积神经网络，利用多独立标签激活函数分别对各局部区域图像进行识别，确定各局部区域图像的颜色信息和干扰特征信息。
61.得到目标对象的至少一个局部区域图像后，通过卷积神经网络利用多独立标签激活函数分别对各局部区域图像进行识别，确定局部区域图像的颜色信息和干扰特征信息。其中，干扰特征信息是基于局部区域图像中是否存在干扰特征确定的。
62.其中，由于本步骤识别的识别结果需要识别出颜色信息和干扰特征信息中至少一个干扰特征，则需要对各局部区域图像进行多标签识别。因此，本实施例的卷积神经网络利用多独立标签激活函数分别对各局部区域图像进行识别，以利用多独立标签激活函数使得识别结果中的各标签之间的识别互不关联、互不影响，使得最后识别结果中的每个标签结果都是独立的，即颜色的识别和各干扰特征的识别互相独立，进而提高识别结果中各标签的可靠性。
63.在一个具体的应用场景中，将目标对象的各局部区域图像分别输入到卷积神经网络的卷积层进行特征提取，生成各局部区域图像的特征图，再分别将各局部区域图像的特征图输入到卷积神经网络的池化层，以对特征图进行特征压缩，最后将特征压缩后的特征输入到全连接层并利用多独立标签激活函数进行特征组合和分类，得到颜色标签和各干扰特征标签，最终得到各局部区域图像的颜色信息和干扰特征信息。其中，多独立标签激活函数可以包括sigmoid激活函数或其他多独立标签激活函数，在此不做限定。
64.其中，干扰特征的具体影响类型以及数量可以基于目标对象的特点进行确定。
65.在一个具体的应用场景中，当目标对象为车辆时，干扰特征可以包括：遮挡因素、曝光因素、反光因素以及倒影因素。则本步骤中通过卷积神经网络利用多独立标签激活函数分别对车辆的各局部区域图像进行识别，得到各局部区域图像的识别结果，其中，颜色信息包括各局部区域图像的颜色，干扰特征信息包括各局部区域图像是否被遮挡、是否存在曝光、是否存在反光以及是否有倒影。
66.例如：当目标对象为车辆时，识别结果可以包括：车脸区域的颜色信息包括白色，干扰特征信息包括未遮挡、未曝光、反光、无倒影；引擎盖区域的颜色信息包括红色，干扰特征信息包括未遮挡、曝光、无反光、无倒影；侧身区域的颜色信息包括白色，干扰特征信息包括未遮挡、曝光、无反光、倒影；车顶区域的颜色信息包括白色，干扰特征信息包括未遮挡、未曝光、无反光、无倒影。
67.步骤s23：基于各局部区域图像的颜色信息、干扰特征信息以及各局部区域图像对应的权重，从各局部区域图像的颜色信息中确定每种颜色信息对应的权重值；基于每种颜色信息对应的权重值确定目标对象的颜色。
68.基于各局部区域图像的颜色信息、干扰特征信息以及各局部区域图像对应的权重，从各局部区域图像的颜色信息中确定每种颜色信息对应的权重值。
69.在一个具体的实施方式中，可以先获取到各局部区域图像的预设权重；减小各局部区域图像中的干扰区域对应的预设权重，并将减小后的预设权重作为干扰区域对应的权重值；其中，干扰区域为干扰特征信息表征存在至少一种干扰特征的局部区域图像。其中，干扰区域的预设权重的减小值与干扰区域中存在的至少一种干扰特征的数量呈正相关，即局部区域图像的干扰特征信息中存在的干扰特征的数量越多，对局部区域图像的预设权重减小得越多。而预设权重的具体减小值可以通过局部区域图像中存在的干扰特征的数量与局部区域图像对应的所有干扰特征的数量之间的比例进行确定，或基于实际情况进行设置，在此不做限定。
70.将各局部区域图像中的非干扰区域的预设权重，确定为非干扰区域对应的权重值；非干扰区域为干扰特征信息表征不存在至少一种干扰特征的局部区域图像。即当局部区域图像不存在干扰特征时，其对应的预设权重不改变。
71.在一个具体的应用场景中，当车辆的引擎盖区域图像：车顶区域图像：车脸区域图像：侧身区域图像的预设权值分别为：3：3：2：2时，而车辆的干扰特征共为4种时，假设只有引擎盖区域图像的识别结果中存在两种干扰特征，则可以将引擎盖区域图像的预设权值3减小2/4，则最后引擎盖区域图像：车顶区域图像：车脸区域图像：侧身区域图像对应的权值分别为1.5：3：2：2。
72.最后基于每种所述颜色信息对应的权重值确定所述目标对象的颜色。其中，每种颜色信息对应的权重值可以为相同颜色的局部区域图像的权重之和。在其他应用场景中，每种颜色信息对应的权重值也可以通过其他的线性回归算法计算得到，在此不做限定。
73.通过上述局部区域图像中存在干扰特征的数量对对应的局部区域图像的权重进行调整，从而将干扰特征对颜色识别的干扰与颜色识别进行结合，使得最终得到的目标对象的颜色的鲁棒性和可靠性得到有效提升。
74.在一个具体的应用场景中，当车辆的引擎盖：车顶：车脸：侧身的颜色分别为红色、白色、白色以及白色，而引擎盖：车顶：车脸：侧身对应的权值分别为1.5：3：2：2时，则每种颜色信息对应的权重值为：白色为3+2+2＝7，红色为1.5。
75.确定每种颜色对应的权重值后，基于每种颜色信息对应的权重值从各局部区域图像的颜色信息中确定目标对象的颜色。
76.在一个具体的应用场景中，响应于权重值最大的颜色信息与权重值第二大的颜色信息之间的权重差值不小于预设差值，将权重值最大的颜色信息对应的颜色确定为目标对象的颜色；响应于权重值最大的颜色信息与权重值第二大的颜色信息之间的权重差值小于预设差值，将各局部区域图像的颜色信息分别对应的颜色确定为目标对象的颜色。其中，预设差值的具体值可以基于实际情况进行设置，在此不做限定。
77.例如：当车辆的各局部区域图像的颜色信息及其权重值为：白色5、绿色3.5以及红色1.5，且预设差值为1时，权重值最大的白色与权重值第二大的绿色之间的差值不小于预
设差值，则确定车辆的颜色为白色。而当车辆的各局部区域图像的颜色及其权重值为：白色4、绿色3.5以及红色3.5时，则确定车辆为拼色，其颜色为白色、绿色以及红色。
78.本实施例通过多标签识别以及权重值的相互比较判断来综合得到目标对象的颜色，能够进一步提升了颜色识别的准确率。
79.其中，当确定目标对象为拼色后，可以将各局部区域图像的颜色信息分别对应的颜色按照各局部区域图像的位置分布信息依次进行排列；将排列后的颜色的组合确定为目标对象的颜色。具体地，当各局部区域图像的排布顺序为平面排布时，可以按照平面上任意一方向将各局部区域图像的颜色依次进行排列；当各局部区域图像的排布顺序为立体排布时，可以按照待识别图从上到下以及从前到后的顺序将各局部区域图像的颜色依次进行排列。通过上述方法，可以使得本实施例的颜色识别的方法适用于多颜色目标对象，识别出多颜色并输出多颜色，进而提高颜色识别的方法的应用范围和适用性。
80.通过上述步骤，从包含目标对象的待识别图中，确定目标对象的至少一个局部区域图像，再分别识别到各局部区域图像的颜色信息和干扰特征信息，最后综合各局部区域图像的颜色信息和干扰特征信息，确定目标对象的颜色，能够精细化目标对象的颜色识别区域，提高颜色识别时局部区域图像的颜色单一性，减少无效色块的干扰，使得各局部区域图像的颜色识别更为准确，提高局部区域图像颜色识别的准确性，进而提高整个颜色识别的准确率。且确定整个目标对象的颜色时，对各局部区域图像的干扰特征对颜色的干扰进行考虑，从而增强颜色识别的鲁棒性和可靠性。且本实施例通过卷积神经网络利用多独立标签激活函数分别对各局部区域图像进行识别，能够利用多独立标签激活函数使得识别结果中的各标签之间的识别互不关联、互不影响，使得最后识别结果中的每个标签结果都是独立的，即颜色的识别和各干扰特征的识别互相独立，进而提高识别结果中各标签的可靠性。进一步提高颜色识别的准确性。且本实施例还能针对多颜色目标对象输出多种颜色，从而提高颜色识别的应用范围，增强颜色识别的方法的适用性。
81.基于同样的发明构思，本发明还提出了一种电子设备，该电子设备能够被执行以实现上述任一实施例的颜色识别方法，请参阅图5，图5是本发明提供的电子设备一实施例的结构示意图，电子设备包括处理器51以及存储器52。
82.处理器51用于执行存储器52中存储的程序指令，以实现上述任一颜色识别方法的步骤。在一个具体的实施场景中，电子设备可以包括但不限于：微型计算机、服务器，此外，电子设备还可以包括笔记本电脑、平板电脑等移动设备，在此不做限定。
83.具体而言，处理器51用于控制其自身以及存储器52以实现上述任一实施例的步骤。处理器51还可以称为cpu(central processing unit，中央处理单元)。处理器51可能是一种集成电路芯片，具有信号的处理能力。处理器51还可以是通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，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。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。另外，处理器51可以由集成电路芯片共同实现。
84.上述方案，能够提高颜色识别的准确性和鲁棒性。
85.基于同样的发明构思，本发明还提出了一种计算机可读存储介质，请参阅图6，图6是本发明提供的计算机可读存储介质一实施例的结构示意图。计算机可读存储介质60中存
储有至少一个程序数据61，程序数据61用于实现上述任一方法。在一个实施例中，计算机可读存储介质60包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
86.在本发明所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
87.作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
88.另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
89.集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中。
90.以上所述仅为本发明的实施方式，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。