[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

说明书

本申请实施例提供了一种车辆颜色识别方法、装置、计算机设备和可读存储介质，车辆颜色识别方法包括：获取目标车辆的RGB图像，将目标车辆的RGB图像转化为目标HSV图像，其中，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；根据色调判别结果、饱和度判别结果和明度判别结果，计算得到目标车辆的颜色，能够较可靠地获取目标车辆的颜色。

技术领域

本申请涉及图像识别领域，具体而言，涉及一种车辆颜色识别方法、装置、计算机设备和可读存储介质。

背景技术

目前，对于车辆颜色的识别，大多采用类似支持向量机(Support VectorMachine,SVM)这样的传统机器学习方法，而传统机器学习主要用于有限样本情况下对车辆颜色进行分类。由于现在车辆的数量庞大且增长迅速，基于传统机器学习的识别方法在实际应用中效率较低且容易出错。

有鉴于此，如何提供一种更为可靠的车辆颜色识别方案，是本领域技术人员需要考虑的。

发明内容

本申请实施例提供了一种车辆颜色识别方法、装置、计算机设备和可读存储介质。

本申请的实施例可以这样实现：

第一方面，本申请实施例提供一种车辆颜色识别方法，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。

在可选的实施方式中，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。

在可选的实施方式中，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：