[发明专利]一种基于BP神经网络的车辆颜色识别方法

摘要

本发明公开了一种基于BP神经网络的车辆颜色识别方法，与现有的车辆颜色识别方法相比，本发明使用计算机视觉技术，通过提取车辆颜色特征、结合HSV颜色空间模型并通过BP神经网络分类解决了车辆颜色识别问题，并能同时兼顾车头与车尾的识别，改善了以车牌辨车的传统工作模式，为打击汽车套牌、一车多牌、假牌照等违法犯罪行为提供了可靠帮助，进一步提高了智能交通的可靠性，节省了大量的人力成本。

主权项

一种基于BP神经网络的车辆颜色识别方法，具体步骤如下：步骤1：定义车身颜色集合为C＝{c1,c2,c3,c4,c5,c6,c7,c8,c9,c10}＝{黑,灰,白,粉,棕,红,黄,绿,蓝,紫}，并建立相应的颜色数据集；步骤2：构建用于颜色分类的BP神经网络并用步骤1中的颜色数据集进行训练；步骤3：利用交叉路口的监控摄像头采集RGB图像并对采集到的图像使用中值滤波处理，利用车辆检测跟踪算法提取得到车辆区域并将其转到HSV颜色空间下，得到图像I；步骤4：利用车牌识别算法提取图像I中的车牌矩形区域R＝(x，y，w，h)，其中图像I的左上角为像素坐标原点，(x,y)为车牌矩形区域左上角的坐标，h与w分别为车牌矩形区域的高和宽，单位为像素；步骤5：确定I为车尾图像还是车头图像，具体为：步骤5.1：根据公式(4)确定矩形特征区域D：D=(xd,yd,wd,hd)xd=x-ρ1*wyd=y-ρ2*hwd=(2*ρ1+1)*whd=ρ2*h---(4)]]>其中，ρ1，ρ2为比例系数，(xd,yd)为矩形区域D左上角的坐标，hd与wd分别为矩形区域D的高和宽；步骤5.2：将D划分为大小相等的Nrow*Ncol个矩形超像素块，Nrow与Ncol分别为超像素块的行总数与列总数，每个超像素块的大小为N＝width*height,并根据公式(5)，(6)，(7)，(8)筛选出有效超像素块集合D*：D*={Dij|σij‾≤λ}---(5)]]>Aijk‾=1NΣAij,xyk∈DijkAij,xyk---(7)]]>σijk=1NΣAij,xyk∈Dijk(Aijk‾-Aij,xyk)2---(8)]]>其中，λ为标准差阈值，Dij为第i行第j列的超像素块，为Dij的像素标准差，与分别为Dij在k通道上的标准差与灰度平均值，k＝1,2,3，为第k个通道的权重系数，表示Dij的第k通道图像，表示中在坐标点(x,y)处的像素灰度值；步骤5.3：将D*中每个超像素块Dij的传入步骤2训练所得的神经网络模型，输出为令则超像素块Dij的颜色为Cij＝cq，其中，表示超像素块Dij为颜色cr的概率，cr∈C,cq∈C；步骤5.4：根据式(9)统计D*中每一行中识别出的每种颜色的数量并根据式(10)和(11)计算每一行是否有效：若Fi为1，则表示第i行为有效行，否则，为无效行；将所有的无效行从D*中剔除：NCir=Σj=1N1,ifCij=cr0,else---(9)]]>NCimax=max(NCi1,NCi2,...,NCi10)---(10)]]>Fi=0NCimax<μ1*Ncol1NCimax≥μ1*Ncol---(11)]]>其中，μ1为比例系数，NCimax为第i行中最多的颜色数量；步骤5.5：根据式(12)计算有效行数num，并判断图像I为车头或是车尾：若num＜μ2*Nrow，则I为车头图像；否则，I为车尾图像，其中，μ2为比例系数：num=Σi=1NrowFi---(12);]]>步骤6：若I为车尾图像，转步骤7；若I为车头图像，则根据式(13)对矩形区域D重定位并重新执行步骤5.2至5.4，之后转步骤7：D=(xd,yd,wd,hd)xd=x-ρ3*wyd=y-(ρ2+ρ4)*hwd=(2*ρ3+1)*whd=ρ4*h---(13)]]>其中，ρ3,ρ4为比例系数；步骤7：根据公式(14)统计D*中每种颜色识别结果出现的次数，得到颜色分类集合L＝{Lr|r＝1,2,…,10}：Lr=Σi=1NrowΣj=1Ncol1,ifCij=crandFi=10,else---(14)]]>其中，Lr表示颜色cr被识别到的数量；步骤8：从集合L中从大到小挑选出排在前两位的数值，令Lm表示排在第一位的值且m为该值对应的下标，Lp表示排在第二位的值且p为该值对应的下标；步骤9：识别车辆颜色，具体为：若Lm*η＞Lp，则车辆颜色为cm；否则，以概率给出车辆颜色为cm，同时以概率给出车辆颜色为cp。