[发明专利]一种基于超像素分割的车辆颜色识别方法

说明书

本发明提出了一种车辆颜色识别方法，具体是一种基于超像素分割的车辆颜色识别方法。该方法首先根据已知的车窗位置确定车辆颜色识别区域，并用局部迭代聚类算法SLIC分割颜色识别区域，进一步通过一种空间均匀采样的方法进行超像素采样并构造HSV直方图颜色特征，最后训练一个SVM分类器进行车辆颜色识别。通过使用本发明的车辆颜色识别方法，可以有效改善车辆颜色识别的准确率和效率。

技术领域

本发明涉及数字图像处理技术领域，具体涉及一种基于超像素分割的车辆颜色识别方法。

背景技术

车辆颜色为车辆监测、识别、跟踪提供了有用的信息，一直以来是智能交通领域的重要、难点研究课题。

到目前为止，车辆颜色识别的方法大致能分为两类，一类是像素级别的识别方法，一种是区域级别的识别方法。基于像素级别的方法信息量较大，难以通过训练设计分类器，因此往往需要人工设计判别规则，其存在的最大的问题是人工设计的判别规则大多较为简单，难以解决复杂场景下的颜色识别问题，比如胡焯源等人提出的方法(基于HSV颜色空间的车身颜色识别算法[J].辽宁工业大学学报,2017,37(1):10-12)。基于区域的方法利用区域的颜色统计结果设计特征，训练分类器进行颜色识别，最常用的统计方法是HSV颜色直方图，但如果区域的颜色分布计较复杂时，统计结果与区域主色之间会出现较大误差，从而影响识别准确率，比如肖驰提出的方法(一种高效的车辆颜色识别方法[J].图形图像,2017,(17):71-75)。最近也有学者利用深度学习来实现车辆颜色识别，虽然识别准确率较传统方法有一定提升，但是方法的效率较慢，同时对硬件要求较高，比如张强等人提出的方法(基于卷积神经网络的监控场景下车辆颜色识别[J].测控技术,2017,36(10):11-14)，陈宏彩提出的方法(一种基于深度卷积神经网络的车辆颜色识别方法[J]河北省科学院学报,2017,34(2):1-6)。

发明内容

针对现有技术中的不足，本发明提出了一种基于超像素分割的车辆颜色识别方法；该方法首先根据已知的车窗位置确定车辆颜色识别区域，并用局部迭代聚类算法SLIC分割颜色识别区域，进一步通过一种空间均匀采样的方法进行超像素采样并构造HSV直方图颜色特征，最后训练一个SVM分类器进行车辆颜色识别。

本发明的技术方案如下：

一种基于超像素分割的车辆颜色识别方法，其特征在于，包括如下步骤：

步骤1：已知车辆图像I，车辆对应的车窗四个顶点位置W^UL、W^UR、W^DL、W^DR，车窗左右边缘对应的与水平直线的逆时针夹角记为θ^L、θ^R，则车辆偏转角度θ^Car可根据公式(1)计算得到；

步骤2：若θ^Car＜90°，根据公式(2)确定车辆颜色识别区域D^F；否则，根据公式(3)确定；

其中，(D^F.x₁,D^F.y₁)、(D^F.x₂,D^F.y₂)、(D^F.x₃,D^F.y₃)、(D^F.x₄,D^F.y₄)分别表示区域D^F的左上，右上，左下，右下四个顶点的坐标；