[发明专利]一种基于BP神经网络的车辆颜色识别方法

权利要求书

1.一种基于BP神经网络的车辆颜色识别方法，具体步骤如下：

步骤1：定义车身颜色集合为C＝{c₁,c₂,c₃,c₄,c₅,c₆,c₇,c₈,c₉,c₁₀}＝{黑,灰,白,粉,棕,红,黄,绿,蓝,紫}，并建立相应的颜色数据集；

步骤2：构建用于颜色分类的BP神经网络并用步骤1中的颜色数据集进行训练；

步骤3：利用交叉路口的监控摄像头采集RGB图像并对采集到的图像使用中值滤波处理，利用车辆检测跟踪算法提取得到车辆区域并将其转到HSV颜色空间下，得到图像I；

步骤4：利用车牌识别算法提取图像I中的车牌矩形区域R＝(x，y，w，h)，其中图像I的左上角为像素坐标原点，(x,y)为车牌矩形区域左上角的坐标，h与w分别为车牌矩形区域的高和宽，单位为像素；

步骤5：确定I为车尾图像还是车头图像，具体为：

步骤5.1：根据公式(4)确定矩形特征区域D：

其中，ρ₁，ρ₂为比例系数，(x_d,y_d)为矩形区域D左上角的坐标，h_d与w_d分别为矩形区域D的高和宽；

步骤5.2：将D划分为大小相等的N_row*N_col个矩形超像素块，N_row与N_col分别为超像素块的行总数与列总数，每个超像素块的大小为N＝width*height,并根据公式(5)，(6)，(7)，(8)筛选出有效超像素块集合D*：

其中，λ为标准差阈值，D_ij为第i行第j列的超像素块，为D_ij的像素标准差，与分别为D_ij在k通道上的标准差与灰度平均值，k＝1,2,3，为第k个通道的权重系数，表示D_ij的第k通道图像，表示中在坐标点(u,v)处的像素灰度值；

步骤5.3：将D*中每个超像素块D_ij的传入步骤2训练所得的神经网络模型，输出为令则超像素块D_ij的颜色为C_ij＝c_q，其中，表示超像素块D_ij为颜色c_r的概率，c_r∈C,c_q∈C；

步骤5.4：根据式(9)统计D*中每一行中识别出的每种颜色的数量并根据式(10)和(11)计算每一行是否有效：若F_i为1，则表示第i行为有效行，否则，为无效行；将所有的无效行从D*中剔除：

其中，μ₁为比例系数，NC_imax为第i行中最多的颜色数量；

步骤5.5：根据式(12)计算有效行数num，并判断图像I为车头或是车尾：若num＜μ₂*N_row，则I为车头图像；否则，I为车尾图像，其中，μ₂为比例系数：

步骤6：若I为车尾图像，转步骤7；若I为车头图像，则根据式(13)对矩形特征区域D重定位并重新执行步骤5.2至5.4，之后转步骤7：

其中，ρ₃,ρ₄为比例系数；

步骤7：根据公式(14)统计D*中每种颜色识别结果出现的次数，得到颜色分类集合L＝{L_r r＝1,2,…,10}：

其中，L_r表示颜色c_r被识别到的数量；

步骤8：从集合L中从大到小挑选出排在前两位的数值，令L_m表示排在第一位的值且m为排在第一位的值对应的下标，L_p表示排在第二位的值且p为排在第二位的值对应的下标；

步骤9：识别车辆颜色，具体为：若L_m*η＞L_p，则车辆颜色为c_m；否则，以概率给出车辆颜色为c_m，同时以概率给出车辆颜色为c_p。