[发明专利]颜色识别方法

说明书

技术领域

本发明涉及图像处理技术领域，具体的说，涉及的是一种对图像中的待识别物的颜色进行识别的方法。

背景技术

在有些情况下，我们需要对所摄取图像中的特定目标进行处理，以获得包括该特定目标的类别、及其在图像中的位置、形状、大小、甚至是颜色等在内的各种特征，进而利用所获取的各种特征应用于不同的使用环境中。

以现普遍实施的车辆监控为例，在治安卡点与高速公路收费站等场所，可通过架设的智能交通监控系统中对交通道路上的车辆进行监控，例如可通过摄像机实时抓拍以获取高清晰的车辆静态图像，利用相关的识别技术从车辆图像中获取准确的车辆相关信息(如车牌号码、车型特征、车辆品牌、或车身颜色等)。其中，作为车辆信息中重要部分的车身颜色，通过识别技术获取后可与其它信息，例如车牌号码共同地或单独地广泛应用于多种场合，例如查找遗失车辆、查处违章或肇事车辆，以及协助车辆盗抢案件的侦破等。

参考文献(《车辆识别系统中几个关键技术的研究》，王运琼，四川大学博士论文，2004)中阐述了一种利用视频识别汽车颜色的方法，该方法首先利用视频传感器获得包括背景在内的车辆视频图像，通过图像分割方法去除背景以获得车辆的完整图像。而汽车颜色识别就是根据分割出的车辆图像，提取适合于分类的颜色特征，将车身主体颜色分类到指定的颜色类别中，而每种类别中有数量不等的标准颜色值样本。该方法包括根据标准颜色值样本识别出车辆图像中所有单像素点的颜色，然后根据每个像素在不同车型中对车身主体颜色的不同贡献度，将它们进行融合，得到可基本反映车身颜色的最终识别结果。

上述参考文献主要是从多类分类器的角度，利用支持向量机(SupportVector Machine，SVM)较强的泛化性能，利用线性不可分样本集的模糊支持向量机与最小二乘支持向量机的方法解决线性可分颜色分类问题，克服了训练样本集各类别分布不均衡导致的分类错误，通过logistic回归支持向量机方法解决组合多类分类器特有的阴影区域问题，提高了单像素颜色识别准确率。而在车身颜色识别阶段，充分利用了D-S证据理论处理不确定信息的优秀性能，减少了与车身颜色不一致的车轮、车胎、车窗等对车身颜色识别的影响，相对提高了识别的速度及其准确率。

然而，上述应用于车身颜色的识别方法采用的是基于动态图像的算法，相对基于静态图像的算法，动态算法所要求的计算量较大，且所得识别结果的精确度也相对较差；另外，上述颜色识别方法是对去除背景后的整个车辆视频图像内所有像素点进行颜色识别，不仅计算量大，而且因引入了车辆图像中不能代表车身颜色的区域，如车窗等而导致可靠性较差、识别精确度较低。而为了提高可靠性，还需额外采用基于人工统计经验值的D-S证据理论手段来消除包括车轮、车灯、车窗等位置的颜色所产生的干扰，如此易影响识别系统的通用性并增加系统的复杂度。

发明内容

本发明提供一种颜色识别方法，减少识别的计算量、提高颜色识别的准确率。

本发明提供一种颜色识别方法，包括：确定图像中待识别物的特征区域，所述特征区域的颜色能用于代表待识别物的颜色；识别特征区域内像素点的颜色，对所述像素点的颜色进行统计，获取区域颜色识别的特征向量；根据所述特征向量，识别出用于代表待识别物颜色的特征区域的颜色。

可选的，所述获取特征向量包括：通过用于像素点颜色识别的支持向量机分类器，识别特征区域内像素点的颜色；统计特征区域内每种颜色的像素点所占比例并对其进行归一化处理，形成与像素点的颜色对应的多维向量，作为区域颜色识别的特征向量。

可选的，所述识别用于代表待识别物颜色的特征区域的颜色通过用于区域颜色识别的支持向量机分类器实现。

可选的，所述识别特征区域内像素点的颜色包括：对建立的像素点颜色决策分类树各结点上的训练样本集进行支持向量机训练，得到各结点上用于像素点颜色识别的支持向量机分类器；根据决策分类树与各结点上用于像素点颜色识别的支持向量机分类器，识别特征区域内各像素点的颜色。

可选的，所述决策分类树包括：将像素点颜色按红、黄、蓝、绿进行粗分类，以形成根结点；将根结点中红、黄、蓝、绿分别与灰色系列进行分类，以形成一级结点；根据颜色分布的实际情况，分别对一级结点中的红、蓝、绿、以及灰色系列进行细分类，以形成二级结点。

可选的，所述建立训练样本集包括：从标准颜色块以及成像环境较好的待识别物图像中选择各颜色的正常样本；通过先验知识与实际待识别物颜色相结合的方法来选择各颜色的边界样本，以得到能反映颜色分布的训练样本集。