[发明专利]一种基于多任务深度卷积神经网络的车辆颜色识别系统

权利要求书

1.一种基于多任务深度卷积神经网络的车辆颜色识别系统，其特征在于：包括安装在道路行车线上方的高清摄像机、交通云服务器和车辆颜色的视觉检测子系统；

所述的高清摄像机用于获取道路上的视频数据，配置在行车线的上方，通过网络将道路上的视频图像数据传输给所述的交通云服务器；

所述的交通云服务器用于接收从所述的高清摄像机所获得的道路上的视频数据，并将其递交给所述的车辆颜色的视觉检测子系统进行车辆颜色识别；

所述的车辆颜色的视觉检测子系统包括车辆定位检测模块、车牌定位检测模块、车牌背景颜色识别模块、色差计算模块、车辆颜色校正模块和车辆颜色识别模块，所述的车辆定位检测模块、所述的车牌定位检测模块和所述的车辆颜色识别模块共享同一个Faster R-CNN的深度卷积神经网络，采用深度卷积神经网络快速分割出道路上的车辆，并用车辆图像进一步采用深度卷积神经网络快速分割出道路上的车牌，然后再给出这些车辆和车牌在道路图像中所占的空间位置信息；

所述的车牌背景颜色识别模块用于对车牌图像处理得到现环境条件下的车牌背景颜色；将车牌图像进行灰度直方图处理，在灰度直方图中的峰谷处是车牌中的字符与字符的间隔，也就是车牌的背景颜色；对间隔内的像素RGB颜色分量进行平均，最终得到现环境条件下的车牌背景颜色；

所述的色差计算模块用于将国标规定的车牌背景颜色与现环境条件下的车牌背景颜色进行比对计算，得到现环境条件下的色差；首先，用现环境条件下的车牌背景颜色比对国标规定的车牌背景颜色的几种类型，得到最接近的一种国标规定的车牌背景颜色，并以此为标准光下的车牌背景颜色；色差的计算是在CIE1976Lab颜色空间上进行的；为了快速实现从RGB颜色空间到Lab颜色空间的转换，采用快速转换方式，如公式(5)所示；

式中，R、G、B分别为RGB颜色空间中的颜色分量，L为CIE1976Lab颜色空间的明度分量，a和b为CIE1976Lab颜色空间的色度分量；

国标规定的车牌背景颜色和现环境条件下的车牌背景颜色都按公式(5)进行计算得到各自的L,a,b的值；其中，L_NP和L_RP分别为国标规定的车牌背景颜色和现环境条件下的车牌背景颜色的明度值，a_NP和a_RP、b_NP和b_RP分别为国标规定的车牌背景颜色和现环境条件下的车牌背景颜色的色度，它们两者之间的色差ΔE_ab用式(6)计算CIE1976Lab色差；

式中，ΔL＝L_NP-L_RP为明度差，Δa＝a_NP-a_RP、Δb＝b_NP-b_RP为色度差，ΔE_ab为色差，单位为NBS；

所述的车辆颜色校正模块用于根据检测得到的色差对现环境条件下的车辆颜色进行校正，得到国标规定理想环境下的车辆颜色图像；首先，判断色差ΔE_ab是否超过阈值如果超过阈值就进行车辆颜色校正，校正计算如公式(7)所示；

式中，L_NM为国标规定理想环境下的车辆颜色的明度值，L_RP为现环境条件下的车辆颜色的明度值，ΔL为国标规定的车牌背景颜色和现环境条件下的车牌背景颜色的明度差，a_NM和b_NM为国标规定理想环境下的车辆颜色的色度值，a_RP和b_RP现环境条件下的车辆颜色的色度值，Δa和Δb国标规定的车牌背景颜色和现环境条件下的车牌背景颜色的色度差；

进一步，对校正后的车辆颜色从Lab颜色空间到RGB颜色空间进行逆变换，如公式(8)所示；

式中，R、G、B分别为RGB颜色空间中的颜色分量，L为CIE1976Lab颜色空间的明度分量，a和b为CIE1976Lab颜色空间的色度分量；

公式(8)方程组是经过优化后的公式，将浮点运算转换成常整数乘法与移位的方式，公式中将移位写为div2^23，表示向右移23位；式中的RGB和Lab的取值范围都是[0,255]，再经过逆Gamma函数得到国标规定理想环境下的车辆颜色的RGB值。