一種改進(jìn)的車身顏色識(shí)別方法研究

萬(wàn)晨 黃雅薇

摘要：針對(duì)車身顏色識(shí)別效果受到光照影響比較大的特點(diǎn)，設(shè)計(jì)了一種車身顏色識(shí)別方案，并對(duì)車身顏色樣本分類和特征提取方法做了改進(jìn)，提高強(qiáng)光和光線較暗情況下車身顏色識(shí)別率。

關(guān)鍵詞：車牌；車身顏色；識(shí)別算法

中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2018）03-0162-02

1 概述

隨著我國(guó)機(jī)動(dòng)車數(shù)量的增加，交通管理問(wèn)題變得更加復(fù)雜，現(xiàn)有的智能交通系統(tǒng)對(duì)車牌有較好的識(shí)別效果，車身顏色也是車輛的重要特性之一，車身顏色識(shí)別受到光照影響比較大，因此車身顏色在強(qiáng)光和較暗光線下識(shí)別率不高，如何在強(qiáng)光和光線較暗的情況下提高車身顏色識(shí)別率是本文研究的重點(diǎn)。

2 車身顏色識(shí)別方案

車身顏色識(shí)別包括以下幾個(gè)步驟：車牌定位、識(shí)別區(qū)域定位、歸一化、特征提取、樣本訓(xùn)練、樣本識(shí)別。具體方案如圖1：

3 車牌定位、識(shí)別區(qū)域定位、歸一化

車身顏色識(shí)別需要先準(zhǔn)確地定位到車身顏色的區(qū)域。本文采用的方式是先檢測(cè)到車牌位置，利用車牌位置定位到車身顏色識(shí)別區(qū)域，然后對(duì)車身顏色區(qū)域進(jìn)行歸一化處理。

車牌定位：本文采用hog特征+SVM方式定位車牌，對(duì)車牌樣本提取hog特征并用svm進(jìn)行訓(xùn)練，生成車牌樣本模型。對(duì)待識(shí)別圖片逐窗口采用hog特征進(jìn)行識(shí)別定位車牌位置如圖2所示：

車身顏色識(shí)別區(qū)域定位：車牌區(qū)域頂端向上移動(dòng)2倍到2.5倍車牌高度的距離，作為車身顏色待識(shí)別區(qū)域的底端，車身顏色待識(shí)別區(qū)域大小為檢測(cè)到的車牌大小。如圖3所示：

車身顏色識(shí)別區(qū)域歸一化處理：選取車身顏色定位區(qū)域的正中間部分作為歸一化圖片待選區(qū)域，將圖片歸一化為40*30的樣本圖片。

4 改進(jìn)的樣本分類和特征提取方法

4.1 改進(jìn)的樣本分類方法

車身顏色通常被分為黑、銀、白、灰、紅、黃、藍(lán)、綠、棕。大多數(shù)研究車身顏色識(shí)別的方法也是按照這9類顏色進(jìn)行分類的。經(jīng)過(guò)深入研究發(fā)現(xiàn)車身顏色在早上、中午（特別是有強(qiáng)光照射的情況下）、傍晚（光線較暗情況下）9種顏色都會(huì)產(chǎn)生一定的色差，中午有太陽(yáng)照射的情況下，顏色都容易偏向淺色。而傍晚顏色都趨近于暗色。

針對(duì)此種情況，為了更好區(qū)分不同時(shí)段車輛的顏色，本文改進(jìn)了車身顏色訓(xùn)練樣本的分類方式，將車身顏色樣本分為24類。分別為淺黑色、黑色、銀色、暗銀、白色、暗白、淺灰、灰色、深灰、淺紅、紅色、深紅、淺黃、黃色、深黃、淺藍(lán)、藍(lán)色、深藍(lán)、淺綠、綠色、深綠、淺棕、棕色、深棕。但最終輸出結(jié)果會(huì)將同一類顏色進(jìn)行合并，輸出顯示結(jié)果最終還是為9類。

4.2 改進(jìn)的特征提取方法

標(biāo)準(zhǔn)的HSV顏色空間能通過(guò)H、S、V在不同區(qū)域的值分別判斷出顏色如圖4所示?，F(xiàn)有HSV空間識(shí)別車身顏色方法主要是在HSV空間對(duì)顏色識(shí)別區(qū)域進(jìn)行直方圖統(tǒng)計(jì)，識(shí)別區(qū)域中選取統(tǒng)計(jì)最多的值，然后將H、S、V的值與顏色量化模板進(jìn)行比較判斷車身顏色。該方法在光照正常情況下能取得較好的效果，但是在強(qiáng)光照和光線暗的情況下，容易造成誤識(shí)別。

本文改進(jìn)的特征提取方法主要是在顏色空間HSV中，分別對(duì)H、S、V進(jìn)行直方圖統(tǒng)計(jì)和劃分。將H值0-360均等分為10等份，每一等份直方圖值的和作為一個(gè)特征向量，取得10維特征向量h1，h2…h(huán)10，將S值0-100均等分為10等份，每一等份直方圖值的和作為一個(gè)特征向量，取得10維特征向量S1，S2…S10。將V值0-100均等分為10等份，每一等份直方圖值的和作為一個(gè)特征向量，取得10維特征向量V1，V2…V10。按照此方法將向量進(jìn)行組合取得30維的特征向量h1，h2…h(huán)10， S1，S2…S10， V1，V2…V10。

5 樣本訓(xùn)練和樣本識(shí)別

本文樣本訓(xùn)練和樣本識(shí)別都采用的是神經(jīng)網(wǎng)絡(luò)算法，該算法主要包括輸入層（input layer）， 隱藏層 （hidden layers）， 輸入層 （output layer）如下圖5所示。輸入層的數(shù)據(jù)主要是車身顏色的特征向量值，根據(jù)輸入要求，使用神經(jīng)網(wǎng)絡(luò)算法規(guī)則調(diào)節(jié)各處理單元間的連接權(quán)值，每層中加權(quán)的求和，然后根據(jù)非線性方程轉(zhuǎn)化輸出，理論上，如果有足夠多的隱藏層（hidden layers） 和足夠大的訓(xùn)練集， 可以模擬出任何方程。

5.1 樣本訓(xùn)練

本文用3000張車身顏色圖片進(jìn)行訓(xùn)練，經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)訓(xùn)練后，產(chǎn)生一個(gè)24類車身顏色模型，用于車身顏色識(shí)別。

5.2 樣本識(shí)別

將待識(shí)別樣本的特征向量輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別，根據(jù)訓(xùn)練好的車身顏色模型判斷車身顏色類別。同時(shí)對(duì)于輸出的24類顏色進(jìn)行同類顏色合并。合并規(guī)則為：淺黑色、黑色合并為黑色輸出；淺紅、紅色、深紅合并為紅色輸出。最終輸出的識(shí)別顏色為9類，分別是黑、銀、白、灰、紅、黃、藍(lán)、綠、棕。

6 實(shí)驗(yàn)結(jié)果分析

本文將HSV直方圖統(tǒng)計(jì)的值與顏色量化模板結(jié)合的方法判斷車身顏色（簡(jiǎn)稱標(biāo)準(zhǔn)HSV方法）和本文的改進(jìn)方法（簡(jiǎn)稱本文方法），對(duì)2000張非訓(xùn)練樣本圖片進(jìn)行識(shí)別。如表1所示：

從表中可以看出在條件相同的情況下，識(shí)別非訓(xùn)練的2000個(gè)樣本圖片時(shí)，本文方法的識(shí)別率較標(biāo)準(zhǔn)HSV方法高。

7 結(jié)束語(yǔ)

本文設(shè)計(jì)了一種車身顏色識(shí)別方法，并對(duì)樣本分類和特征提取算法做了改進(jìn)，從實(shí)驗(yàn)的結(jié)果看，本文的改進(jìn)算法在強(qiáng)光、正常光線和光線較暗情況下都能有效的識(shí)別到車身顏色，提高了車身顏色的識(shí)別率。

參考文獻(xiàn)：

[1] 景娜.車身顏色識(shí)別中的幾個(gè)重要方法的研究[D].沈陽(yáng)工業(yè)大學(xué)，2007.

[2] 胡焯源，曹玉東，李羊. 基于HSV顏色空間的車身顏色識(shí)別算法[J].遼寧工業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版，2017（1）.

[3] M.Merler. Car color and logo recognition[J]. CSE190A Projects in Vision and Learning，2006.

[4] 姚東明，韓安華. 基于車窗檢測(cè)的車身顏色識(shí)別方法研究[J].信息通信，2017（2）.

[5] 江曉鋒. 車身顏色識(shí)別方法研究[J].電子世界，2014（10）.

[6] 楊丹.基于BP神經(jīng)網(wǎng)絡(luò)的汽車顏色識(shí)別[D].沈陽(yáng)工業(yè)大學(xué)，2009.