[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

说明书

一种基于多任务深度卷积神经网络的车辆颜色识别系统，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；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，车辆定位检测模块、车牌定位检测模块和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。本发明提供一种检测精度较高、鲁棒性较高的多任务深度卷积神经网络在车辆颜色视觉检测系统。

技术领域

本发明涉及人工智能、数字图像处理、卷积神经网络和计算机视觉在车辆颜色识别方面的应用，属于智能交通领域。

背景技术

颜色是车辆的一种重要外观特征。现实世界中，由于存在光源色温、光线强弱、拍摄角度、摄像机的设置等诸多不确定因素的影响，使得最终获取的结果同理想条件相比，车辆颜色会存在一定程度的偏色；现有已公开的车辆颜色识别方法对于车辆姿态变化和车辆所处的光照环境变化非常敏感，当车辆所处的光照环境变化时，现有的车辆颜色识别方法的颜色识别准确度急剧下降，不能准确识别车辆颜色。

申请号为200810041097.5的中国专利申请公开的“特征区域的定位方法、车身深浅色与车身颜色的识别方法”提供了一种车辆颜色识别方法、车辆颜色深浅度的识别方法。包括如下步骤：

1、该专利根据图像的纹理特征与结构特征，构建复杂的能量函数，搜索能量最大的点；

2、根据能量最大的点定位车辆颜色以及车辆颜色深浅度的识别区域；

3、识别区域内的像素点颜色以及颜色深浅度，并进行统计最终得到识别区域的颜色以及颜色深浅度。

但是该专利在前期样本采集阶段，并未对不同光照情况下的车辆颜色识别进行处理；在选取特征向量时候通过多个颜色空间来得到不同的特征属性；在训练模型时候则使用多个类型的分类器来训练；定位识别区域的时候只选择了车前盖区域，对于可能的反光现象未作出处理，使得最终的车辆颜色识别和车辆颜色深浅识别产生一定的偏差。

申请号为200810240292.0的中国专利申请公开的“一种车辆视频图像中车身颜色识别方法及系统”提供了一种车辆视频图像中车身颜色识别方法。该专利在训练模型时候采取了分步式训练，包括如下步骤：

1、根据颜色模板采用聚类对车身样本进行粗分得到某种颜色的样本或者多种相近颜色的混合样本；

2、采用最近邻分类方法对混合样本进行细分；

3、根据训练得到的模型对车辆颜色进行粗识别；

4、采用最近邻分类方法进行细致识别。

然而该专利同样尚未考虑不同光照情况下车辆颜色产生的变化；在选取特征向量时候也是通过HSV、YIQ、YCbCr三种颜色空间且分步骤来使用；在训练模型时候则是采用了聚类和最近邻分类技术相结合训练模型；车辆颜色识别阶段并未说明是采取何种策略对识别区域内的各像素点的颜色如何处理；而且该专利只说明了车辆颜色识别方法，并未对车辆颜色深浅度识别做出说明。

目前，车身颜色的识别一般包含两个主要的模块：一个是待识别区域的检测和定位、车身颜色参考区域的确定，另一个是对参考区域的图像进行颜色分类和识别。