[发明专利]一种基于匹配的车辆颜色识别方法和系统

说明书

技术领域

本发明属于计算机视觉技术领域，更具体地，涉及基于一种基于匹配的车辆颜色识别方法和系统。 

背景技术

在过去的十几年里，由于经济的迅速发展，各个城市的车辆数目极大的膨胀，原来依靠人眼对车辆信息的识别越来越不现实。因此，通过计算机视觉技术自动的提取车辆的信息，对辅助车辆的监控有很大的意义。在车辆的各种信息，包括车牌，车辆类型等，车辆的颜色是一种非常直观而且重要的属性。车辆的颜色识别，是对在监控系统图片中的车辆，依照人眼判断的标准，给出车辆颜色的判断。在卡口、高速公路、城市道路等场景中，车辆颜色能够给套牌车判断，违反交通规则的车辆监控，追踪逃犯等应用提供重要的线索。 

然而，现有的车辆颜色识别方法中有两大缺点：第一是对各种气候对准确性影响大，第二是不同时间段的识别结果有很大差距。 

发明内容

针对现有技术的缺陷，本发明的目的在于提供一种基于匹配的车辆颜色识别方法与系统，能够对车辆的颜色进行自动识别，该方法的鲁棒性强，并且识别准确率高。 

为实现上述目的，按照本发明的一个方面，提供了一种基于匹配的车辆颜色识别方法，该方法运用支持向量机以及空间金字塔模型，实现车辆颜色的自动识别，包括以下步骤： 

(1)利用训练图像集合训练用于对图像块特征向量进行编码的编码 本： 

(1.1)对训练图像集合中的每张训练图像随机取图像块。 

具体为：首先将图像进行尺度变换变成640像素*480像素大小，然后在图像上随机采集大小为16*16的图像块； 

(1.2)对每个图像块进行采样，获得采样点。 

具体为：16*16的图像块中分别在长宽上以平均间隔采样4个点，得到共16个采样点； 

(1.3)计算每个采样点的颜色特征向量。 

具体为：对每个采样点计算：RGB分量，HSV分量，YCbCr分量，Lab分量，YUV分量，拼接成一个15维向量，即为该采样点颜色特征向量； 

(1.4)将每个图像块中的所有采样点的颜色特征向量拼接成图像块的特征向量。 

具体为：将16个采样点的15维向量拼接成一个240维向量，即为图像块颜色特征向量。； 

(1.5)对每张训练图像中所得的所有图像块的特征向量进行k-means聚类； 

(1.6)将所述聚类的结果作为编码本； 

聚类得到N个聚类中心，N即为编码本中字的数量，对应向量就是编码本中的字； 

(2)训练分类器： 

(2.1)对训练图像集合中的每张训练图像采集图像块。 

具体为：对训练图像集合中的每张训练图像，首先将图像进行尺度变换变成640像素*480像素大小，然后按照8个像素为步长，采集大小为16*16的图像块； 

(2.2)按照步骤(1.2)-(1.4)求取每个图像块的特征向量； 

(2.3)用步骤(1)中得到的编码本对图像块特征向量进行编码； 

(2.4)利用空间金字塔模型(Spatial Pyramid Matching)计算每张训练图像的空间金字塔特征向量； 

(2.4.1)在原训练图像上将所有采样点根据编码本进行直方图统计，每个字典各为一类进行统计，得到属于该类的采样点数目，从而得到一个N维的向量，N为编码本中字的数量。 

(2.4.2)将原训练图像分成2*2共4个分块，针对每个分块重复(2.4.1)的计算过程，最后得到4个N维的向量。 

(2.4.3)将原训练图像分成4*4共16个分块，针对每个分块重复(2.4.1)的计算过程，最后得到16个N维的向量。 

(2.4.4)将上述步骤得到的特征向量拼接起来，得到一个21×N维向量，这个向量就是该图片的空间金字塔表示。 

(2.5)利用所有训练图像的金字塔特征向量训练支持向量机分类器。 

具体为：训练一个直方图交叉核(histogram intersection)的SVM分类器作为最终的分类器； 

(3)识别待识别图像中车辆的颜色： 

(3.1)按照步骤(2.1)-(2.4)计算待识别图像的空间金字塔特征向量； 

(3.2)利用步骤(2)中训练得到的支持向量机分类器，对待识别图像的空间金字塔特征向量进行分类，输出待识别图像中车辆颜色的识别结果。