[发明专利]一种车辆车身颜色检测识别方法

说明书

技术领域

本发明属于图像处理技术领域，具体地说，是涉及一种车辆车身颜色检测识别方法。

背景技术

机动车辆车身颜色识别是智能交通中车辆检测的一个重要属性，对嫌疑车辆排查、套牌车自动检测具有重要的作用，但是车身颜色识别受环境光线的干扰非常严重，同一辆车在不同的光线下不同的车身区域会反映不同的颜色，在对车身颜色检测带来非常大的影响。专利20111013540.7发明名称为车辆智能监控系统中车身颜色自动识别方法的专利公开了借助车牌区域辅助车身颜色定位，先通过颜色多类子空间分析，并利用多特征模板匹配或SVM方法进行颜色识别，引入了可信度，对低可信度进行先验校准。但此专利在车身颜色位置定位时没有考虑光线的干扰，因此对不同光照下的颜色识别会存在问题，例如强逆光、顺光等。

专利200810041097.5发明名称为特征区域的定位方法、车身深浅色与车身颜色的识别方法的专利公开了利用能量分布函数确定车身颜色区域，再进行多级分类，利用SVM进行识别。此方法利用能量分布最大点附件区域确定颜色识别区域，但是能量最大点区域在不同的光照环境下不一定能反映出真实颜色，对逆光、顺光等条件下误判的可能性增大。

此外，目前行业中的颜色识别只能识别单一的颜色，对于包含两种以上颜色的花车不好很好的识别，例如出租车等。 

基于此，如何发明一种车辆车身颜色检测识别方法，可以检测识别出多种颜色车，是本发明主要解决的技术问题。

发明内容

本发明为了解决现有车辆身颜色检测识别方法不能检测识别出多种颜色车的问题，提供了一种车辆车身颜色检测识别方法，可以识别出花车，提高检测精度。

为了解决上述技术问题，本发明采用以下技术方案予以实现：

一种车辆车身颜色检测识别方法，包括以下步骤：

训练步骤：

训练出主颜色模型，所述的主颜色模型中包括至少3种颜色类型；

颜色检测识别步骤：

（1）、检测获取车辆矩形区域；

（2）、主颜色识别，包括：

（21）、将区域内的所有像素点输入主颜色模型，判断出各像素点对应主颜色模型中颜色列表中的颜色；

（22）、统计出所述颜色列表中各颜色的占比，并按照占比由大至小进行排序；

（23）、计算排序前4位占比的方差M，若方差M小于阈值T，则判断为花车，否则，判断为单色车，并且判断占比最高的颜色为车身颜色。

进一步的，为了精确判断出花车的主要颜色种类，在步骤（23）中，若判断为花车，还包括判断花车车身主要颜色的步骤。

又进一步的，判断花车车身颜色的方法为：首先，将占比排序第1位的颜色判断为花车第一颜色，其次，判断占比排序第2位的颜色类型，如果不是灰色，则将其判断为花车第二颜色，如果是灰色，则考虑占比排序第3位的颜色的占比值，如果占比值超过阈值Th,则该占比排序第3的颜色判断为花车第二颜色，如果占比值低于阈值Th，则判断灰色为花车第二颜色。

进一步的，为了能够适应不同光线、不同天气环境，获得高准确的颜色深浅识别，在所述的训练步骤中，还包括训练出辅颜色模型，所述的辅颜色模型为二分类模型，在所述的步骤（22）中，还包括计算步骤（21）中所得出的各像素点颜色的识别置信度P的步骤，所述的颜色检测识别步骤还包括（3），首先挑选高置信度区域，对该区域进行颜色二次判断，也即：将该区域的所有像素点输入所述的辅颜色模型，进行比对判断输出深色和浅色两种结果。

又进一步的，步骤（3）中，所述的高置信度区域的挑选方式为：遍历占比排序第1位的颜色所有像素点，将这些像素点的识别置信度P与阈值S比较，如果P大于S，则标记该像素点，被标记的像素点的总数为M，若M大于阈值N，则进行颜色二次判断，否则不进行颜色二次判断。

优选的，所述的识别置信度P的计算方法为：

P=CP(z)P(w/z)

其中，z为颜色，w为像素，C为常系数，P(z)为某颜色出现的概率，P(w/z)为在某颜色已知的条件下像素出现的概率。

优选的，在所述的训练步骤中，采用PLSA方法训练主颜色模型。使用PLSA模型算法计算量小，可以整合至现有的嵌入式平台中，实现高清实时检测，

同理的，在所述的训练步骤中，采用PLSA方法训练辅颜色模型。

优选的，在所述步骤（1）中，采用模式识别算法以准确、快速的获取所述的矩形区域。