一種車(chē)身顏色識(shí)別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及圖像處理技術(shù)，具體涉及一種車(chē)身顏色識(shí)別方法。
【背景技術(shù)】
[0002] 目前的智能交通系統(tǒng)中，隨著車(chē)輛數(shù)量增多，交通環(huán)境變得日益復(fù)雜，僅靠車(chē)牌對(duì) 車(chē)輛進(jìn)行識(shí)別已經(jīng)不能滿(mǎn)足人們的需要。車(chē)輛顏色信息更容易引起人們的興趣，從而彌補(bǔ) 因車(chē)輛套牌、一車(chē)多牌現(xiàn)象造成車(chē)牌識(shí)別的不足，并對(duì)車(chē)輛的識(shí)別與搜索、完善和增強(qiáng)智能 交通系統(tǒng)功能具有重要意義。
[0003]目前，對(duì)車(chē)輛顏色的識(shí)別主要有兩種途徑：第一種是對(duì)車(chē)輛整體顏色進(jìn)行識(shí)別，提 取車(chē)輛感興趣區(qū)域的顏色特征進(jìn)行識(shí)別。首先通過(guò)目標(biāo)分割獲取車(chē)輛前景圖像，然后進(jìn)行 聯(lián)通區(qū)域分析刪除車(chē)輪、反光鏡等干擾區(qū)域得到車(chē)輛顏色明顯的區(qū)域。在分類(lèi)階段，采用 基于支持向量機(jī)的兩層分類(lèi)器將顏色分為黑、白、灰、紅、黃、綠、藍(lán)等類(lèi)型，但是該方法容易 受到車(chē)輛影子顏色和車(chē)窗玻璃顏色造成的干擾，對(duì)車(chē)身顏色的分類(lèi)正確率較低。此外，車(chē) 輛整體顏色識(shí)別可通過(guò)利用HSI色彩空間（即由色相（Hue)、飽和度（Saturation)和強(qiáng)度 (Intensity)組成的色彩模型）的三個(gè)通道提取車(chē)身顏色每個(gè)像素的微觀特性值，定義顏 色的閾值范圍與相互關(guān)系，最后借助K最鄰近法、人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等方法將顏 色分類(lèi)。第二種車(chē)身顏色識(shí)別算法是先定位車(chē)牌位置，然后提取車(chē)牌上方對(duì)應(yīng)區(qū)域作為車(chē) 身顏色識(shí)別區(qū)域并進(jìn)行車(chē)身顏色識(shí)別。然而，當(dāng)處理車(chē)牌無(wú)法識(shí)別的視頻時(shí)，該類(lèi)方法無(wú)法 處理的車(chē)身顏色，很難滿(mǎn)足用戶(hù)需求。總之，目前大部分識(shí)別方法仍無(wú)法較好的克服車(chē)輛影 子顏色、車(chē)窗玻璃顏色對(duì)車(chē)輛顏色識(shí)別結(jié)果造成的影響。
[0004] 因此，如何開(kāi)發(fā)設(shè)計(jì)一種可以克服車(chē)輛影子顏色、車(chē)窗玻璃顏色的車(chē)身顏色識(shí)別 方法，已成為目前急需解決的技術(shù)難題之一。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的是提供一種車(chē)身顏色識(shí)別方法，以解決目前現(xiàn)有技術(shù)用于顏色識(shí)別 存在較大干擾的問(wèn)題，以便更準(zhǔn)確的識(shí)別車(chē)身的顏色。
[0006] 本發(fā)明提出的車(chē)身顏色識(shí)別方法，包括下列步驟：
[0007] 獲取車(chē)輛的視頻圖像并設(shè)定泮線，對(duì)輸入的視頻圖像數(shù)據(jù)進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)，得 到二值化的前景運(yùn)動(dòng)目標(biāo)圖像，截取該前景運(yùn)動(dòng)目標(biāo)外接矩形區(qū)域，并提取出該矩形圖像 中的前景運(yùn)動(dòng)目標(biāo)區(qū)域在原視頻幀中所對(duì)應(yīng)的彩色像素值，然后計(jì)算該外接矩形圖像中所 有像素的RGB顏色通道中最大值與最小值的差值，通過(guò)閾值分割方法去掉車(chē)窗玻璃和車(chē)輛 陰影干擾區(qū)域；
[0008] 計(jì)算像素個(gè)數(shù)比值，區(qū)別彩色車(chē)輛和黑白灰色車(chē)輛，所述的像素個(gè)數(shù)比值為前景 運(yùn)動(dòng)目標(biāo)經(jīng)過(guò)RGB空間最大值與最小值差值處理和二值化處理后得到的車(chē)身區(qū)域的像素 個(gè)數(shù)和前景運(yùn)動(dòng)目標(biāo)的外接矩形圖像中所包含的像素個(gè)數(shù)之比；
[0009] 使用H空間直方圖對(duì)紅、橙、黃、綠、青、藍(lán)、紫共計(jì)七種顏色進(jìn)行識(shí)別；采用V空間 直方圖和基于扇形區(qū)域的顏色投票表決方法對(duì)黑、白、灰共計(jì)三種顏色進(jìn)行識(shí)別；
[0010] 輸出識(shí)別出的車(chē)身顏色。
[0011] 所述的RGB空間最大值與最小值之差為用于車(chē)身顏色識(shí)別圖像中每個(gè)像素點(diǎn)在 RGB色彩空間中的R通道、G通道和B通道的最大值Max (R，G，B)和最小值Min (R，G，B)之差 (即 Max (R, G, B) -Min (R, G, B))。
[0012] 所述前景目標(biāo)的外接矩形所包含的像素個(gè)數(shù)為采用基于VIBE (可視化背景提?。?算法檢測(cè)獲取前景區(qū)域中的運(yùn)動(dòng)目標(biāo)，當(dāng)檢測(cè)到有運(yùn)動(dòng)目標(biāo)跨越泮線時(shí)，即圖像前景目標(biāo) 像素點(diǎn)集和圖像上的泮線像素點(diǎn)集有第一次交集，則計(jì)算出該前景運(yùn)動(dòng)目標(biāo)像素點(diǎn)集的外 接矩形圖像中所包含的像素個(gè)數(shù)。
[0013] 所述的H空間直方圖為車(chē)輛圖像經(jīng)過(guò)RGB空間中最大值與最小值相減并進(jìn)行二值 化處理后，得到的車(chē)身區(qū)域在原視頻幀中對(duì)應(yīng)顏色區(qū)域的H空間直方圖。
[0014] 所述的基于扇形區(qū)域的顏色投票表決方法為將通過(guò)泮線的前景運(yùn)動(dòng)目標(biāo)外接矩 形圖像中所有像素的RGB顏色空間轉(zhuǎn)換為HSV顏色空間，尋找該前景運(yùn)動(dòng)目標(biāo)的質(zhì)心，然后 以質(zhì)心為圓心，以該質(zhì)心到車(chē)輛外接矩形框邊緣的最短距離為半徑畫(huà)圓，將圓盤(pán)區(qū)域按72 度等分為5個(gè)扇形，并計(jì)算每個(gè)扇形區(qū)域內(nèi)像素（不含背景區(qū)域像素）在V空間的直方圖， 檢測(cè)直方圖中最高峰所在的位置在V空間中對(duì)應(yīng)的顏色，該顏色即為扇形區(qū)域的顏色，最 后擁有扇形區(qū)域數(shù)量最多的顏色為該車(chē)輛的車(chē)身顏色。
[0015] 在本發(fā)明的一個(gè)具體實(shí)施例中，所述的車(chē)身顏色識(shí)別方法包括下列步驟：
[0016] 步驟S110.獲取待檢測(cè)道路上的車(chē)輛視頻；
[0017] 步驟S120.采用VIBE (可視化背景提?。┧惴▽?duì)視頻數(shù)據(jù)進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)，得 到二值化的前景運(yùn)動(dòng)目標(biāo)圖像，提取通過(guò)泮線的前景運(yùn)動(dòng)目標(biāo)，遍歷前景運(yùn)動(dòng)目標(biāo)的邊緣， 分別記錄垂直和水平方向上最大值和最小值對(duì)應(yīng)的點(diǎn)坐標(biāo)，根據(jù)得到的點(diǎn)坐標(biāo)確定前景運(yùn) 動(dòng)目標(biāo)的外接矩形，并截取外接矩形圖像P1，然后提取出該矩形圖像Pl中的前景運(yùn)動(dòng)目標(biāo) 區(qū)域在原視頻幀中所對(duì)應(yīng)的彩色像素值并得到圖像P2 ;
[0018] 步驟S130.計(jì)算外接矩形圖像P2中每個(gè)像素在RGB空間中的最大值Max (R，G，B) 和最小值Min (R，G，B)，然后計(jì)算最大值與最小值之差得到RGB差值圖像P3 ;
[0019] 步驟S140.給定一個(gè)閾值M1，使用該閾值對(duì)RGB差值圖像P3進(jìn)行閾值分割得到二 值化的車(chē)身區(qū)域圖像P4;
[0020] 步驟S150.統(tǒng)計(jì)圖像P4中車(chē)身區(qū)域包含的像素個(gè)數(shù)Np4，統(tǒng)計(jì)前景運(yùn)動(dòng)目標(biāo)的外 接矩形圖像P2中所有像素的個(gè)數(shù)N p2，計(jì)算像素個(gè)數(shù)比值R = NP4/NP2;
[0021] 步驟S160.通過(guò)對(duì)像素個(gè)數(shù)比值進(jìn)行閾值判斷，將車(chē)輛分為彩色車(chē)和黑白灰色 車(chē)；
[0022] 步驟S170.當(dāng)車(chē)輛為彩色車(chē)時(shí)，使用H空間直方圖對(duì)紅、橙、黃、綠、青、藍(lán)、紫共計(jì) 七種顏色進(jìn)行識(shí)別；
[0023] 步驟S180.當(dāng)車(chē)輛為非彩色車(chē)時(shí)，采用V空間直方圖和基于扇形區(qū)域的顏色投票 表決方法對(duì)黑、白、灰共計(jì)三種顏色進(jìn)行識(shí)別；
[0024] 步驟S190.存儲(chǔ)或輸出識(shí)別結(jié)果。
[0025] 本發(fā)明從視頻中提取前景運(yùn)動(dòng)目標(biāo)，并可以保存通過(guò)泮線的運(yùn)動(dòng)目標(biāo)的外接矩形 圖像，通過(guò)計(jì)算RGB空間中R通道、G通道和B通道的最大值和最小值差值和閾值分割，將 車(chē)窗和陰影去除，然后將車(chē)輛分為彩色車(chē)輛和黑白灰車(chē)兩種類(lèi)型進(jìn)行判斷。若判定結(jié)果為 彩色車(chē)，根據(jù)色相空間直方圖進(jìn)行識(shí)別；若判定為黑白灰車(chē)，根據(jù)V空間直方圖和基于扇形 區(qū)域的顏色投票表決方法進(jìn)行識(shí)別。本發(fā)明通過(guò)RGB通道差值的方法解決了現(xiàn)有技術(shù)選取 的用于顏色判斷的候選區(qū)存在較大干擾的問(wèn)題，提高了車(chē)身顏色識(shí)別的正確率。
【附圖說(shuō)明】
[0026] 圖1是本發(fā)明一個(gè)較佳實(shí)施例的流程示意圖；
[0027] 圖2是本發(fā)明一個(gè)待識(shí)別的車(chē)輛視頻圖像（白色虛線為泮線）；
[0028] 圖3是本發(fā)明一個(gè)顏色空間直方圖。
【具體實(shí)施方式】
[0029] 本發(fā)明公開(kāi)了一種車(chē)身顏色識(shí)別方法，包括下列步驟：首先讀取視頻的起始幀并 設(shè)定泮線，然后對(duì)輸入的視頻數(shù)據(jù)進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)，計(jì)算前景運(yùn)動(dòng)目標(biāo)的的外接矩形區(qū) 域并截取得到外接矩形圖像，然后計(jì)算該外接矩形圖像中所有像素在RGB顏色通道中最大 值與最小值的差值，并將該車(chē)輛顏色分為彩色車(chē)輛或黑白灰車(chē)輛，最后通過(guò)計(jì)算各種顏色 的直方圖分布識(shí)別車(chē)身顏色。本發(fā)明采用基于RGB顏色空間中R通道、G通道和B通道的 最大值和最小值差值的車(chē)身顏色識(shí)別策略識(shí)別車(chē)身顏色，可以有效的去除車(chē)身顏色識(shí)別的 干擾區(qū)域，提高了車(chē)身顏色識(shí)別的正確率。
[0030] 下面結(jié)合附圖和實(shí)施例對(duì)發(fā)明進(jìn)行詳細(xì)的說(shuō)明。
[0031] 如圖1所示，本發(fā)明公開(kāi)的車(chē)身顏色識(shí)別方法包括以下步驟：
[0032] 步驟Sl 10、獲取待檢測(cè)道路上的車(chē)輛視頻。
[0033] 通過(guò)攝像頭拍攝靜態(tài)場(chǎng)景下的道路監(jiān)控視頻，獲取所抓取的視頻幀在視頻序列中 的位置，從首幀開(kāi)始按毫秒讀取視頻；或直接導(dǎo)入已有的道路監(jiān)控視頻，從導(dǎo)入視頻的首幀 開(kāi)始，按照視頻幀播放的時(shí)間順序逐幀導(dǎo)入視頻。
[0034] 圖2為待識(shí)別的車(chē)輛視頻圖像。白色虛線為用戶(hù)標(biāo)記的泮線，和泮線接觸的藍(lán)色 車(chē)輛為待識(shí)別的車(chē)輛。
[0035] 步驟S120、對(duì)視頻數(shù)據(jù)進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)，截取通過(guò)泮線的二值化的前景運(yùn)動(dòng)目 標(biāo)外接矩形圖像P1，然后提取出該矩形圖像中的前景運(yùn)動(dòng)目標(biāo)區(qū)域在原視頻幀中所對(duì)應(yīng)的 彩色像素值并得到圖像P2。
[0036] 用戶(hù)根據(jù)自身需要，在車(chē)輛視