[发明专利]一种基于深度学习模型的车辆颜色识别方法

权利要求书

1.一种基于深度学习模型的车辆颜色识别方法，其特征在于，包括步骤：

(1)输入车辆图像，基于改进的Mask RCNN进行车辆图像分割，获取发动机盖和车顶区域的轮廓信息；在所述改进的Mask RCNN中，将Inception模块引入ResNet50中，分别在res2_、res3_、res4_三个部分的ReLU层后添加，采用3×3、1×1大小的卷积堆叠构成三个支路，第一条支路由1×1卷积层构成，第二条支路由1×1卷积层后接3×3卷积层构成，第三条支路由1×1卷积层后接两个3×3卷积层构成，最终将三个支路的输出进行融合；

(2)对分割后的车辆图像进行掩膜处理，根据检测位置生成掩膜并与原车辆图像结合处理得到只包含发动机盖和车顶区域的新的待识别图像；

(3)将新的待识别图像映射到RGB颜色空间中；

(4)用K-means算法对颜色特征进行聚类，最终得到颜色识别结果。

2.根据权利要求1所述的基于深度学习模型的车辆颜色识别方法，其特征在于，所述改进的Mask RCNN的主干网络设定为ResNet50和特征金字塔网络的结合。

3.根据权利要求2所述的基于深度学习模型的车辆颜色识别方法，其特征在于，所述改进的Mask RCNN还包括，每个卷积层后跟随Batch Normalization层和非线性函数ReLU层，最终将三个支路的输出进行融合，融合层后跟随一个1×1的卷积层及BatchNormalization层。

4.根据权利要求3所述的基于深度学习模型的车辆颜色识别方法，其特征在于，所述改进的Mask RCNN还包括，将生成掩膜分支的部分移到检测部分后，得到检测结果后再做分割。

5.根据权利要求1所述的基于深度学习模型的车辆颜色识别方法，其特征在于，所述步骤(2)中进一步包括，根据分割后的车辆图像，获得发动机盖以及车顶区域较为精确的轮廓信息，设置与输入的车辆图像尺寸一致的二进制掩膜矩阵，当像素属于目标的所在位置时标识为一，其它位置标识为零；根据分割后的位置信息，将发动机盖及车顶位置的矩阵元素置为一，包括发动机盖和车顶区域的边缘位置，其余位置的矩阵元素置为零；将掩膜矩阵与输入的车辆图像矩阵进行点乘，得到只包含发动机盖及车顶区域的新的待识别图像。

6.根据权利要求5所述的基于深度学习模型的车辆颜色识别方法，其特征在于，所述步骤(3)中进一步包括，得到新的待识别图像后，通过每一个像素点的信息，可以将所述待识别图像映射到RGB颜色空间中，以三维颜色空间中点阵的形式体现图像的颜色信息。

7.根据权利要求6所述的基于深度学习模型的车辆颜色识别方法，其特征在于，所述步骤(4)中，所述的用K-means算法对颜色特征进行聚类具体为使用K-means算法对映射到RGB颜色空间中的车辆颜色信息点进行分类，划分为曝光、阴影和正常区域三类。

8.根据权利要求7所述的基于深度学习模型的车辆颜色识别方法，其特征在于，所述步骤(4)中进一步包括，将聚类后曝光和阴影区域的颜色信息点删除，只留下正常区域的点集，对正常区域点集中所有像素点取平均，可以在RGB颜色空间中找到平均点所对应的R、G、B值，最终得到待识别图像的颜色输出。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-8任一所述的车辆颜色识别方法的步骤。

10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中所述处理器执行所述程序时实现权利要求1-8任一所述的车辆颜色识别方法的步骤。