[发明专利]车辆颜色识别方法、装置、计算机设备和可读存储介质

权利要求书

1.一种车辆颜色识别方法，其特征在于，包括：

获取目标车辆的RGB图像，将所述目标车辆的RGB图像转化为目标HSV图像，其中，所述目标HSV图像包括目标色调通道、目标饱和度通道和目标明度通道；

将所述目标色调通道、目标饱和度通道和目标明度通道输入预先构建的卷积神经网络中进行颜色判别，计算得到色调判别结果、饱和度判别结果和明度判别结果；

根据所述色调判别结果、饱和度判别结果和明度判别结果，计算得到所述目标车辆的颜色；

所述卷积神经网络通过以下步骤构建：

获取目标车辆的HSV训练图像和目标车辆的HSV测试图像，所述目标车辆的HSV训练图像包括训练色调通道、训练饱和度通道和训练明度通道，所述目标车辆的HSV测试图像包括测试色调通道、测试饱和度通道和训练明度通道；

将所述目标车辆的HSV训练图像包括的训练色调通道、训练饱和度通道和训练明度通道输入待训练的卷积神经网络中进行网络训练和参数更新；

将所述目标车辆的HSV测试图像包括的测试色调通道、测试饱和度通道和训练明度通道输入经过网络训练和参数更新的待训练的卷积神经网络中，判断所述经过网络训练和参数更新的待训练的卷积神经网络的输出结果的准确率是否满足预设要求，若满足，则将所述经过网络训练和参数更新的待训练的卷积神经网络作为所述预先构建的卷积神经网络，若不满足，则调整所述待训练的卷积神经网络的超参数，并返回执行所述将所述目标车辆的HSV训练图像包括的训练色调通道、训练饱和度通道和训练明度通道输入待训练的卷积神经网络中进行网络训练和参数更新的步骤，直至经过网络训练和参数更新的待训练的卷积神经网络的输出结果的准确率满足预设要求；

所述待训练的卷积神经网络包括第一卷积层、第二卷积层、第一池化层、第二池化层和全局连接层，将所述目标车辆的HSV训练图像包括的训练色调通道、训练饱和度通道和训练明度通道输入待训练的卷积神经网络中进行网络训练的步骤包括：

将所述训练色调通道、训练饱和度通道和训练明度通道输入所述第一卷积层，计算得到训练色调通道、训练饱和度通道和训练明度通道各自对应的第一训练特征图像，将所述训练色调通道、训练饱和度通道和训练明度通道各自对应的第一训练特征图像输入所述第一池化层，计算得到训练色调通道、训练饱和度通道和训练明度通道各自对应的第二训练特征图像，将所述训练色调通道、训练饱和度通道和训练明度通道各自对应的第二训练特征图像输入所述第一池化层和第二卷积层，计算得到训练色调通道、训练饱和度通道和训练明度通道各自对应的第三训练特征图像，将所述训练色调通道、训练饱和度通道和训练明度通道各自对应的第三训练特征图像输入所述第二池化层，计算得到训练色调通道、训练饱和度通道和训练明度通道各自对应的第四训练特征图像，将所述训练色调通道、训练饱和度通道和训练明度通道各自对应的第四训练特征图像输入所述全局连接层，输出得到训练色调通道判定结果、训练饱和度通道判定结果和训练明度通道判定结果；

根据所述训练色调通道判定结果、训练饱和度通道判定结果和训练明度通道判定结果，判断所述待训练的卷积神经网络初步训练是否完成。

2.根据权利要求1所述的方法，其特征在于，所述判断所述待训练的卷积神经网络初步训练是否完成包括：

根据所述训练色调通道判定结果计算得到训练色调通道的损失函数，根据所述训练饱和度通道判定结果计算得到训练饱和度通道的损失函数，根据所述训练明度通道计算得到训练明度通道的损失函数；

判断所述训练色调通道的损失函数、训练饱和度通道的损失函数和训练明度通道的损失函数的数值是否达到各自对应的预设损失函数阈值，若达到，则判定所述待训练的卷积神经网络初步训练完成，若未达到，则调整所述第一卷积层和第二卷积层的数据，并返回执行所述将所述训练色调通道、训练饱和度通道和训练明度通道输入所述第一卷积层至输出得到训练色调通道判定结果、训练饱和度通道判定结果和训练明度通道判定结果的步骤，直至所述训练色调通道的损失函数、训练饱和度通道的损失函数和训练明度通道的损失函数的数值达到各自对应的预设损失函数阈值。