[發明專利]一種基于BP神經網絡的車輛顏色識別方法

有效

• 申請號: 201710286539.1
• 申請日: 2017-04-27
• 公開（公告）號: CN107292933B
• 公開（公告）日: 2020-09-15
• 發明（設計）人: 高飛;倪逸揚;蔡益超;金一鳴;盧書芳;毛家發
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06T7/90
• 分類號: G06T7/90;G06K9/62;G06K9/00
• 代理公司: 杭州浙科專利事務所(普通合伙) 33213
• 代理人: 杜立

1.一種基于BP神經網絡的車輛顏色識別方法，具體步驟如下：

步驟1：定義車身顏色集合為C＝{c₁,c₂,c₃,c₄,c₅,c₆,c₇,c₈,c₉,c₁₀}＝{黑,灰,白,粉,棕,紅,黃,綠,藍,紫}，并建立相應的顏色數據集；

步驟2：構建用于顏色分類的BP神經網絡并用步驟1中的顏色數據集進行訓練；

步驟3：利用交叉路口的監控攝像頭采集RGB圖像并對采集到的圖像使用中值濾波處理，利用車輛檢測跟蹤算法提取得到車輛區域并將其轉到HSV顏色空間下，得到圖像I；

步驟4：利用車牌識別算法提取圖像I中的車牌矩形區域R＝(x，y，w，h)，其中圖像I的左上角為像素坐標原點，(x,y)為車牌矩形區域左上角的坐標，h與w分別為車牌矩形區域的高和寬，單位為像素；

步驟5：確定I為車尾圖像還是車頭圖像，具體為：

步驟5.1：根據公式(4)確定矩形特征區域D：

其中，ρ₁，ρ₂為比例系數，(x_d,y_d)為矩形區域D左上角的坐標，h_d與w_d分別為矩形區域D的高和寬；

步驟5.2：將D劃分為大小相等的N_row*N_col個矩形超像素塊，N_row與N_col分別為超像素塊的行總數與列總數，每個超像素塊的大小為N＝width*height,并根據公式(5)，(6)，(7)，(8)篩選出有效超像素塊集合D*：

其中，λ為標準差閾值，D_ij為第i行第j列的超像素塊，為D_ij的像素標準差，與分別為D_ij在k通道上的標準差與灰度平均值，k＝1,2,3，為第k個通道的權重系數，表示D_ij的第k通道圖像，表示中在坐標點(u,v)處的像素灰度值；

步驟5.3：將D*中每個超像素塊D_ij的傳入步驟2訓練所得的神經網絡模型，輸出為令則超像素塊D_ij的顏色為C_ij＝c_q，其中，表示超像素塊D_ij為顏色c_r的概率，c_r∈C,c_q∈C；

步驟5.4：根據式(9)統計D*中每一行中識別出的每種顏色的數量并根據式(10)和(11)計算每一行是否有效：若F_i為1，則表示第i行為有效行，否則，為無效行；將所有的無效行從D*中剔除：

其中，μ₁為比例系數，NC_imax為第i行中最多的顏色數量；

步驟5.5：根據式(12)計算有效行數num，并判斷圖像I為車頭或是車尾：若num＜μ₂*N_row，則I為車頭圖像；否則，I為車尾圖像，其中，μ₂為比例系數：

步驟6：若I為車尾圖像，轉步驟7；若I為車頭圖像，則根據式(13)對矩形特征區域D重定位并重新執行步驟5.2至5.4，之后轉步驟7：

其中，ρ₃,ρ₄為比例系數；

步驟7：根據公式(14)統計D*中每種顏色識別結果出現的次數，得到顏色分類集合L＝{L_r r＝1,2,…,10}：

其中，L_r表示顏色c_r被識別到的數量；

步驟8：從集合L中從大到小挑選出排在前兩位的數值，令L_m表示排在第一位的值且m為排在第一位的值對應的下標，L_p表示排在第二位的值且p為排在第二位的值對應的下標；

步驟9：識別車輛顏色，具體為：若L_m*η＞L_p，則車輛顏色為c_m；否則，以概率給出車輛顏色為c_m，同時以概率給出車輛顏色為c_p。