[发明专利]一种识别车辆颜色的方法

说明书

本申请实施例提供了一种识别车辆颜色的方法，通过获取目标车辆图片，并对目标车辆图片处理得到目标车辆车身区域图片；将目标车辆车身区域图片输入具有多标签颜色序列识别的深度学习模型的网络中，得到颜色序列回归结果；并通过计算得到颜色序列识别结果；再对通过计算得到的颜色序列识别结果进行排序，输出大于阈值的结果，映射为对应的颜色序列，从而得到车辆颜色，本申请实施例解决了目前基于局部区域的车身颜色方法中，由于颜色分布存在差异，容易以偏概，且受光照强度，阴影的影响容易出现色差，存在色差等容易过拟合，鲁棒性不强的技术问题。

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，尤其涉及一种识别车辆颜色的方法。

背景技术

计算机视觉技术是一种用摄影机和电脑代替人眼和大脑对目标进行识别、跟踪和测量等处理的技术。该技术包括图像处理、模式识别、图像分析和图像理解等。计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。

随着计算机视觉技术的发展，其已被广泛应用于各个领域，如医疗图像处理、自动驾驶等、公安视频监控、智能交通系统、卡口系统等。在道路视频监控中，除了车牌信息外，车辆颜色信息作为最为直观易得的信息在管理、定位、检索、分析目标等智能研判中有着极其重要的意义。

关于车辆颜色识别专利，从颜色区域分为局部和全局的。从识别方法分为传统算法和深度学习算法。

已有方法中，局部区域颜色提取主要是考虑了车牌区域附近或车脸附近区域颜色一般与车体颜色一致。传统算法识别一般是转换像素点颜色到其他比较稳定颜色空间，如HSV颜色空间，根据hsv颜色区间值对应相应的颜色，统计各种颜色点数量，排序得出最终颜色结。或者是将图片归一化到某个大小，然后分区域遍历计算颜色直方图，采用svm训练分类。也有采用深度学习方法的，如《一种基于多任务深度卷积神经网络的车辆颜色识别系统》中采用fastercnn定位车辆，然后对车辆图片进行颜色校正，再输入cnn网络训练模型。

以上基于局部区域的车身颜色方法中,由于不同车型车牌附近区域颜色分布存在差异，容易以偏概全，且对侧面车辆无法适用；根据像素点颜色空间分布，统计各颜色点数量方法，由于颜色空间分布复杂，且受光照强度，阴影的影响容易出现色差，该方法试用光照稳定场景，且需要靠经验划分区间值；试用svm训练颜色直方图方法由于车辆颜色区域分布差异，存在色差等容易过拟合，鲁棒性不强。直接将车辆图片输入cnn网络，通过调节网络结构和参数训练的方法中，由于不同车型的车身颜色分布存在差异、有些车存在多种颜色组合以及多角度颜色分布差异，存在需要巨大数据量及网络参数较多问题，且不容易拟合。

发明内容

本申请实施例提供了一种识别车辆颜色的方法，解决了目前基于局部区域的车身颜色方法中,由于不同车型车牌附近区域颜色分布存在差异，容易以偏概全，由于颜色空间分布复杂，且受光照强度，阴影的影响容易出现色差，不同车型的车身颜色分布存在差异、有些车存在多种颜色组合以及多角度颜色分布差异，存在需要巨大数据量及网络参数较多问题，且不容易拟合，鲁棒性不强的技术问题。

本申请实施例提供了一种识别车辆颜色的方法，包括：

获取目标车辆图片，并对所述目标车辆图片处理得到目标车辆车身区域图片；

将所述目标车辆车身区域图片输入具有多标签颜色序列识别的深度学习模型的网络中，得到颜色序列回归结果；

通过计算所述颜色序列回归结果中的颜色序列各比例，得到颜色序列识别结果；

对所述颜色序列识别结果进行排序，输出大于阈值的结果，映射为对应的颜色序列，得到车辆颜色。

优选的所述获取目标车辆图片，并对所述目标车辆图片处理得到目标车辆车身区域图片具体包括：