[发明专利]一种车辆颜色识别方法及装置

说明书

本申请实施例提供了一种车辆颜色识别方法及装置包括，获取待识别车辆图像，并对所述待识别车辆图像进行分割处理得到对应的待处理图像；对所述待处理图像中的车窗区域进行定位，并对所述车窗区域进行掩码处理，得到待识别图像；将所述待识别图像进行颜色识别判断，输出车辆颜色，解决了目前基于现有技术的车辆颜色识别方法，在室外复杂场景下，截取的颜色识别区域含有大量非车辆颜色信息，深度学习算法颜色识别错误率较高，外界颜色干扰严重，导致车辆颜色识别不准确的技术问题。

技术领域

本申请实施例涉及图像处理技术和计算机视觉领域，尤其涉及一种车辆颜色识别方法及装置。

背景技术

车辆颜色识别是颜色识别领域的关键技术，是车辆特征识别和特征分析的基础，具有广泛的研究价值。随着深度学习在车辆检测方面的准确率提升，很多学者基于车身或者车脸等部位提出了不少有价值的车辆颜色算法。现有的车辆颜色识别方案主要集中在这几个方面的研究：

1、颜色检测区域定位的研究

对于除去基于学习的其他传统算法来说，获得一块稳定的颜色识别区域是准确识别车辆颜色的重要前提。在复杂的现实环境中，车辆的姿态和复杂的背景都会成为阻碍颜色检测区域定位的关键因素。部分学者采取提取汽车前盖上的部分矩形作为颜色检测区域，而有的学者采用整车区域作为颜色检测区域，还有的学者对采用“米”字型对整车进行分割，然后进行多区域融合的颜色判断。

2、基于深度学习等学习类算法的车辆颜色分类训练研究

车辆颜色识别其本质上就是一个分类的问题，就是将车辆按照颜色这一特征进行分类。所以现在很多流行的分类算法都可以用在车辆颜色识别上。例如获取车辆图像的HSV直方图分布用SVM去进行分类，又如将图像样本按照颜色分类贴上标签，再用深度学习去训练从而获得分类准确率较高的网络。

3、基于整车图像分割算法的研究

整车分割算法主要涉及计算机视觉算法中的一些图像处理算法，能够将车身部分和背景部分分割出来，从而针对车身部分进行颜色识别。

在复杂背景下的车辆颜色识别一直是众多学者所研究的方向，但是依然存在很多难以解决的技术难点：

1、颜色检测区域定位的难点

对于室外复杂场景下，无论是基于车身还是车脸的部分，在进行车辆颜色识别区域截取的过程中，受到当前检测算法、车辆的姿态、复杂背景干扰或者前景遮挡的影响，截取出来的车辆颜色识别区域往往带有大量的非车辆颜色的信息，例如基于车脸的颜色区域会截取到部分车窗内部区域和部分的车脸栅栏区域，这样在接下来的颜色识别中就会将这些区域的颜色误识别为车辆的颜色。

2、基于深度学习等学习类算法的车辆颜色分类技术的难点

深度学习算法能够通过大数据样本的训练来学习图像中每个分类的特征点的分布情况，从而达到学习的目的。但是深度学习擅长于提取图像中的高层语义即图像特征中的高频部分，而车辆的颜色属于底层语义中的一部分，往往在深度网络的浅层就被高层语义所覆盖，最后导致最终的分类结果不是基于颜色特征的来获得的，从而产生分类错误率较高的问题。对于研究人员来说，训练网络的设计是进行深度学习颜色分类的一个难点。

3、基于整车图像分割技术的难点

基于图像处理的图像分割技术在面对复杂的背景环境时，往往很难将车辆和背景划分开，尤其是一张图像中同时出现前后两辆车的时候，往往后面的车会对目标车辆的颜色识别产生干扰。再者现有的图像分割技术还无法对车窗或者车脸栅栏进行有效地识别分割出来，往往基于车身的颜色识别中，车窗和车内饰的颜色会产生严重的干扰。

以上基于现有技术的车辆颜色识别方法，在室外复杂场景下，截取的颜色识别区域含有大量非车辆颜色信息，深度学习算法颜色识别错误率较高，外界颜色干扰严重，导致车辆颜色识别不准确的技术问题。

发明内容