[發(fā)明專(zhuān)利]一種基于匹配的車(chē)輛顏色識(shí)別方法和系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 201410205581.2
• 申請(qǐng)日: 2014-05-15
• 公開(kāi)（公告）號(hào): CN103996041A
• 公開(kāi)（公告）日: 2014-08-20
• 發(fā)明（設(shè)計(jì)）人: 陳瑞軍;白翔;陳攀;王興剛;肖可偉
• 申請(qǐng)（專(zhuān)利權(quán)）人: 武漢睿智視訊科技有限公司
• 主分類(lèi)號(hào): G06K9/46
• 分類(lèi)號(hào): G06K9/46;G06K9/62;G06K9/66
• 代理公司: 武漢東喻專(zhuān)利代理事務(wù)所(普通合伙) 42224
• 代理人: 李佑宏;李歡

技術(shù)領(lǐng)域

本發(fā)明屬于計(jì)算機(jī)視覺(jué)技術(shù)領(lǐng)域，更具體地，涉及基于一種基于匹配的車(chē)輛顏色識(shí)別方法和系統(tǒng)。?

背景技術(shù)

在過(guò)去的十幾年里，由于經(jīng)濟(jì)的迅速發(fā)展，各個(gè)城市的車(chē)輛數(shù)目極大的膨脹，原來(lái)依靠人眼對(duì)車(chē)輛信息的識(shí)別越來(lái)越不現(xiàn)實(shí)。因此，通過(guò)計(jì)算機(jī)視覺(jué)技術(shù)自動(dòng)的提取車(chē)輛的信息，對(duì)輔助車(chē)輛的監(jiān)控有很大的意義。在車(chē)輛的各種信息，包括車(chē)牌，車(chē)輛類(lèi)型等，車(chē)輛的顏色是一種非常直觀而且重要的屬性。車(chē)輛的顏色識(shí)別，是對(duì)在監(jiān)控系統(tǒng)圖片中的車(chē)輛，依照人眼判斷的標(biāo)準(zhǔn)，給出車(chē)輛顏色的判斷。在卡口、高速公路、城市道路等場(chǎng)景中，車(chē)輛顏色能夠給套牌車(chē)判斷，違反交通規(guī)則的車(chē)輛監(jiān)控，追蹤逃犯等應(yīng)用提供重要的線索。?

然而，現(xiàn)有的車(chē)輛顏色識(shí)別方法中有兩大缺點(diǎn)：第一是對(duì)各種氣候?qū)?zhǔn)確性影響大，第二是不同時(shí)間段的識(shí)別結(jié)果有很大差距。?

發(fā)明內(nèi)容

針對(duì)現(xiàn)有技術(shù)的缺陷，本發(fā)明的目的在于提供一種基于匹配的車(chē)輛顏色識(shí)別方法與系統(tǒng)，能夠?qū)?chē)輛的顏色進(jìn)行自動(dòng)識(shí)別，該方法的魯棒性強(qiáng)，并且識(shí)別準(zhǔn)確率高。?

為實(shí)現(xiàn)上述目的，按照本發(fā)明的一個(gè)方面，提供了一種基于匹配的車(chē)輛顏色識(shí)別方法，該方法運(yùn)用支持向量機(jī)以及空間金字塔模型，實(shí)現(xiàn)車(chē)輛顏色的自動(dòng)識(shí)別，包括以下步驟：?

(1)利用訓(xùn)練圖像集合訓(xùn)練用于對(duì)圖像塊特征向量進(jìn)行編碼的編碼?本：?

(1.1)對(duì)訓(xùn)練圖像集合中的每張訓(xùn)練圖像隨機(jī)取圖像塊。?

具體為：首先將圖像進(jìn)行尺度變換變成640像素*480像素大小，然后在圖像上隨機(jī)采集大小為16*16的圖像塊；?

(1.2)對(duì)每個(gè)圖像塊進(jìn)行采樣，獲得采樣點(diǎn)。?

具體為：16*16的圖像塊中分別在長(zhǎng)寬上以平均間隔采樣4個(gè)點(diǎn)，得到共16個(gè)采樣點(diǎn)；?

(1.3)計(jì)算每個(gè)采樣點(diǎn)的顏色特征向量。?

具體為：對(duì)每個(gè)采樣點(diǎn)計(jì)算：RGB分量，HSV分量，YCbCr分量，Lab分量，YUV分量，拼接成一個(gè)15維向量，即為該采樣點(diǎn)顏色特征向量；?

(1.4)將每個(gè)圖像塊中的所有采樣點(diǎn)的顏色特征向量拼接成圖像塊的特征向量。?

具體為：將16個(gè)采樣點(diǎn)的15維向量拼接成一個(gè)240維向量，即為圖像塊顏色特征向量。；?

(1.5)對(duì)每張訓(xùn)練圖像中所得的所有圖像塊的特征向量進(jìn)行k-means聚類(lèi)；?

(1.6)將所述聚類(lèi)的結(jié)果作為編碼本；?

聚類(lèi)得到N個(gè)聚類(lèi)中心，N即為編碼本中字的數(shù)量，對(duì)應(yīng)向量就是編碼本中的字；?

(2)訓(xùn)練分類(lèi)器：?

(2.1)對(duì)訓(xùn)練圖像集合中的每張訓(xùn)練圖像采集圖像塊。?

具體為：對(duì)訓(xùn)練圖像集合中的每張訓(xùn)練圖像，首先將圖像進(jìn)行尺度變換變成640像素*480像素大小，然后按照8個(gè)像素為步長(zhǎng)，采集大小為16*16的圖像塊；?

(2.2)按照步驟(1.2)-(1.4)求取每個(gè)圖像塊的特征向量；?

(2.3)用步驟(1)中得到的編碼本對(duì)圖像塊特征向量進(jìn)行編碼；?

(2.4)利用空間金字塔模型(Spatial?Pyramid?Matching)計(jì)算每張訓(xùn)練圖像的空間金字塔特征向量；?

(2.4.1)在原訓(xùn)練圖像上將所有采樣點(diǎn)根據(jù)編碼本進(jìn)行直方圖統(tǒng)計(jì)，每個(gè)字典各為一類(lèi)進(jìn)行統(tǒng)計(jì)，得到屬于該類(lèi)的采樣點(diǎn)數(shù)目，從而得到一個(gè)N維的向量，N為編碼本中字的數(shù)量。?

(2.4.2)將原訓(xùn)練圖像分成2*2共4個(gè)分塊，針對(duì)每個(gè)分塊重復(fù)(2.4.1)的計(jì)算過(guò)程，最后得到4個(gè)N維的向量。?

(2.4.3)將原訓(xùn)練圖像分成4*4共16個(gè)分塊，針對(duì)每個(gè)分塊重復(fù)(2.4.1)的計(jì)算過(guò)程，最后得到16個(gè)N維的向量。?

(2.4.4)將上述步驟得到的特征向量拼接起來(lái)，得到一個(gè)21×N維向量，這個(gè)向量就是該圖片的空間金字塔表示。?

(2.5)利用所有訓(xùn)練圖像的金字塔特征向量訓(xùn)練支持向量機(jī)分類(lèi)器。?

具體為：訓(xùn)練一個(gè)直方圖交叉核(histogram?intersection)的SVM分類(lèi)器作為最終的分類(lèi)器；?

(3)識(shí)別待識(shí)別圖像中車(chē)輛的顏色：?

(3.1)按照步驟(2.1)-(2.4)計(jì)算待識(shí)別圖像的空間金字塔特征向量；?

(3.2)利用步驟(2)中訓(xùn)練得到的支持向量機(jī)分類(lèi)器，對(duì)待識(shí)別圖像的空間金字塔特征向量進(jìn)行分類(lèi)，輸出待識(shí)別圖像中車(chē)輛顏色的識(shí)別結(jié)果。?