[发明专利]一种监控场景下的车身颜色识别方法

说明书

本发明属于图像处理技术，为监控场景下的车身颜色识别方法，根据监控场景下的图片获取车身图片，然后通过边缘检测对车窗和车脸进气栅进行包络检测，提取车窗和车脸进气栅的轮廓；然后提取车窗和车脸区域；在车身图片上剔除车窗和车脸进气栅的区域，在剔除车窗和车脸进气栅的区域填充像素均值；对填充处理后的车身图片做颜色分类识别。该方法对监控场景所抓拍的车身图像进行了筛选，筛选出质量较高的车身图像，剔除低质量车身图像，然后将筛选得到的车身区域送到深度学习网络中进行颜色识别，对车窗内部复杂场景具有较好的抗干扰能力，鲁棒性较强。

技术领域

本发明涉及图像处理技术，具体为一种监控场景下的车身颜色识别方法。

背景技术

智能交通系统(Intelligent Transportation System，简称ITS)是有效地集成运用于整个地面交通管理系统而建立的一种在大范围内、全方位发挥作用的综合交通运输管理系统，具有实时性、准确性、高效性等特点。视频结构化系统是智能交通的重要组成部分，其首先采用目标检测、对象识别、深度学习等分析手段提取视频图像中的目标对象及运动轨迹，并将目标对象分为人、车、人骑车、行为、事件等不同类别；然后进一步提取目标对象的高层结构化属性特征，包括目标颜色特征、分类特征、速度特征等，并把目标对象的轨迹信息以及高层结构化属性特征形成高效的索引数据进行结构化检索。

车身颜色识别是视频结构化信息中的关键信息，是车辆信息的基础，具有广泛的实用价值。目前学术界在车身颜色识别方面做了大量研究，提出了不少有价值的算法。较为常用的车身颜色识别方法主要有以下几类：

1、基于颜色空间的车身颜色识别方法

这种方法需提取颜色识别区域内的RGB\HSV\LAB多维颜色直方图特征，然后基于颜色直方图特征，进行车身颜色识别。

2、基于颜色像素统计的车身颜色识别方法

这种方法需提取颜色识别区域内的像素值，然后统计出像素值最大的几种颜色，采用经验阈值判定识别车身颜色。

3、基于车脸候选区域的车身颜色识别方法

这种方法需确定车脸区域，然后确定车脸区域中的颜色识别区域，最后对车脸候选区域的颜色进行识别。

4、基于机器学习的车身颜色识别方法

这种方法对检测的车身或车脸区域做特征提取，采用机器学习方法识别车身颜色。

5、基于深度学习的车身颜色识别方法

这种方法对检测的车身或车脸区域通常不做特征提取，直接采用深度学习方法识别车身颜色。

上述方法3是提取车脸的颜色识别区域，但在监控场景下，车脸区域漏检的概率较高；上述方法5采用基于深度学习的方法识别车身颜色，未对车窗和车脸进气栅区域进行剔除处理，在监控场景下影响了车身颜色的识别准确率，需要收集大量的场景图片来训练调整，算法模型较大，不具有实时性。

总的来说，现有的车身颜色识别算法，成熟度不够，特别是监控场景下受外界复杂环境的干扰，通常采集的车辆图像中都存在有模糊、残缺、侧身角度等情况，从而使车脸区域和车脸颜色识别区域存在误定位和准确性低的问题。

实际运用中，从监控场景获取的视频流或抓拍到的图片中会检测到多种干扰信息和各种角度的车身。如果角度过大，现有的检测方法会造成车脸漏检；如果车身区域内干扰信息较多，会造成识别准确率降低，影响车身颜色识别率。故需要对检测到的车身区域，筛选出真实的车身颜色进行后续的识别。然而，传统的车身颜色识别方法是通过车脸进行颜色识别，对大角度的车辆无法准确识别其颜色，基于深度学习的车身颜色识别方法又对干扰信息较多的车辆无法高准确率识别。

发明内容