一种针对车辆的颜色识别方法及装置制造方法及图纸

本发明专利技术实施例公开了一种针对车辆的颜色识别方法及装置，本发明专利技术实施例包括：获取车辆的车辆图像；识别所述车辆图像中的车牌信息，所述车牌信息包括车牌的长度、宽度以及位置；根据所述车牌信息确定车头区域以及所述车头区域的车头图像；将所述车头图像转换成YUV格式的图像，得到车头YUV图像；从所述车头YUV图像中抽取出Y分量数据、U分量数据、V分量数据并重新组合得到预设大小的车头YUYV图像；将所述车头YUYV图像输入至基于YUYV图像训练的卷积神经网络模型；根据所述卷积神经网络模型的输出结果确定所述车辆的车头的颜色。本发明专利技术实施例提供一种基于深度学习的车辆颜色识别方法。

Color recognition method and device for vehicle

The embodiment of the invention discloses a device and a color recognition method for the vehicle, the embodiment of the invention includes: the image of the vehicle; the vehicle license plate recognition information in the image, the license plate information including license plate length, width and position; the front image is determined according to the front area and the front area the license plate information; the front image is converted into YUV format images, get the front YUV image; from the front of the YUV image extract Y component data and U component data, V component data and re combination of the front YUYV image preset size; the front YUYV image input to the convolutional neural network model of YUYV image based on the training; according to the output of the convolutional neural network model results to determine the vehicle in front of the color. The embodiment of the invention provides a vehicle color identification method based on depth learning.

【技术实现步骤摘要】
一种针对车辆的颜色识别方法及装置
本专利技术涉及图像处理领域，特别涉及一种针对车辆的颜色识别方法及装置。
技术介绍
在现有技术中，目前对于车辆的颜色识别主要通过统计学方法统计的颜色分量分布进行对比识别，这种方法的优点是识别速度快，缺点是识别率不高，易受环境影响，其一般用于预识别或粗分类。还有一种方法是采用传统的模式学习的方式，通过训练样本的颜色特征模型对车颜色进行分类，这种方法的训练效率不高。
技术实现思路
本申请实施例提供了一种针对车辆的颜色识别方法及装置，提供一种基于深度学习的车辆颜色识别方法。有鉴于此，本专利技术的第一方面提供一种针对车辆的颜色识别方法，包括：获取车辆的车辆图像；识别车辆图像中的车牌信息，车牌信息包括车牌的长度、宽度以及位置；根据车牌信息确定车头区域以及车头区域的车头图像；将车头图像转换成YUV格式的图像，得到车头YUV图像；从车头YUV图像中抽取出Y分量数据、U分量数据、V分量数据并重新组合得到预设大小的车头YUYV图像；将车头YUYV图像输入至基于YUYV图像训练的卷积神经网络模型；根据卷积神经网络模型的输出结果确定车辆的车头的颜色。结合本专利技术实施例的第一方面，在本专利技术实施例的第一方面的第一种实施方式中，根据车牌信息确定车头区域以及车头区域的车头图像包括：根据车牌信息得到车牌的长度以及宽度；将车牌的长度值按照第一预设比值增大并作为车头区域的长度值；将车牌的宽度值按照第二预设比值增大并作为车头区域的宽度值；确定车头区域并得到车头区域的车头图像。结合本专利技术实施例的第一方面，第一方面的第一种实施方式中任一种，在本专利技术实施例的第一方面的第二种实施方式中，从车头YUV图像中抽取出Y分量数据、U分量数据、V分量数据并重新组合得到预设大小的车头YUYV图像包括：从车头YUV图像中按照预设条件抽取出Y分量数据、U分量数据、V分量数据；按照Y分量数据、U分量数据、Y分量数据、V分量数据的顺序组合得到车头YUYV图像。结合本专利技术实施例的第一方面，第一方面的第一种实施方式至第二种实施方式中任一种，在本专利技术实施例的第一方面的第三种实施方式中，将车头YUYV图像输入至基于YUYV图像训练的卷积神经网络模型之前还包括：训练卷积神经网络模型，包括：获取一种颜色以上的单一颜色图像转换成的颜色YUYV图像，颜色YUYV图像的大小与车头YUYV图像的大小相等；利用颜色YUYV图像训练卷积神经网络模型。结合本专利技术实施例的第一方面，第一方面的第一种实施方式至第三种实施方式中任一种，在本专利技术实施例的第一方面的第四种实施方式中，根据卷积神经网络模型的输出结果确定车辆的车头的颜色之后，还包括：根据车辆的车头的颜色确定车辆的颜色。本专利技术的第二方面提供一种装置，包括：获取模块，用于获取车辆的车辆图像；识别模块，用于识别车辆图像中的车牌信息，车牌信息包括车牌的长度、宽度以及位置；第一确定模块，用于根据车牌信息确定车头区域以及车头区域的车头图像；转换模块，用于将车头图像转换成YUV格式的图像，得到车头YUV图像；抽取模块，用于从车头YUV图像中抽取出Y分量数据、U分量数据、V分量数据并重新组合得到预设大小的车头YUYV图像；输入模块，用于将车头YUYV图像输入至基于YUYV图像训练的卷积神经网络模型；第二确定模块，用于根据卷积神经网络模型的输出结果确定车辆的车头的颜色。结合本专利技术实施例的第二方面，在本专利技术实施例的第二方面的第一种实施方式中，第一确定模块包括：第一获取单元，用于根据车牌信息得到车牌的长度以及宽度；第一增大单元，用于将车牌的长度值按照第一预设比值增大并作为车头区域的长度值；第二增大单元，用于将车牌的宽度值按照第二预设比值增大并作为车头区域的宽度值；确定单元，用于确定车头区域并得到车头区域的车头图像。结合本专利技术实施例的第二方面，第二方面的第一种实施方式中任一种，在本专利技术实施例的第二方面的第二种实施方式中，抽取模块包括：抽取单元，用于从车头YUV图像中按照预设条件抽取出Y分量数据、U分量数据、V分量数据；组合单元，用于按照Y分量数据、U分量数据、Y分量数据、V分量数据的顺序组合得到车头YUYV图像。结合本专利技术实施例的第二方面，第二方面的第一种实施方式至第二种实施方式中任一种，在本专利技术实施例的第二方面的第三种实施方式中，还包括：训练模块，用于训练卷积神经网络模型，包括：第二获取单元，用于获取一种颜色以上的单一颜色图像转换成的颜色YUYV图像，颜色YUYV图像的大小与车头YUYV图像的大小相等；训练单元，用于利用颜色YUYV图像训练卷积神经网络模型。结合本专利技术实施例的第二方面，第二方面的第一种实施方式至第三种实施方式中任一种，在本专利技术实施例的第二方面的第四种实施方式中，还包括：第三确定模块，用于根据车辆的车头的颜色确定车辆的颜色。从以上技术方案可以看出，本专利技术实施例具有以下优点：本专利技术实施例提供一种针对车辆的颜色识别方法及装置，提供一种基于深度学习的车辆颜色识别方法，采用车头颜色信息代替车身局部颜色信息，减少了对车身局部颜色信息待识别区域定位的要求，增强了车头颜色识别对局部光照的鲁棒性。同时，针对对整个车头进行颜色识别耗时的问题，采用彩色图像转YUV灰度图像的方法，构建出YUYV的颜色梯度特征降低数据维数用于样本训练及识别。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。图1是本专利技术实施例中一种针对车辆的颜色识别方法的一个实施例示意图；图2是本专利技术实施例中一种针对车辆的颜色识别方法的车头区域示意图；图3是本专利技术实施例中一种针对车辆的颜色识别方法的图像数据示意图；图4是本专利技术实施例中一种装置的一个实施例示意图。具体实施方式为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。本专利技术实施例一种针对车辆的颜色识别方法，提供一种基于深度学习的车辆颜色的识别方法。请参阅图1，图1是本专利技术实施例的一个实施例示意图。步骤101、获取车辆的车辆图像；获取车辆的图像，主要是获取车辆正面含有车牌的图像。步骤102、识别车辆图像中的车牌信息；当获取到车辆的车辆图像后，会对车辆图像中的车牌进行定位，根据车牌定位的结果获取车牌本文档来自技高网...

【技术保护点】
一种针对车辆的颜色识别方法，其特征在于，包括：获取车辆的车辆图像；识别所述车辆图像中的车牌信息，所述车牌信息包括车牌的长度、宽度以及位置；根据所述车牌信息确定车头区域以及所述车头区域的车头图像；将所述车头图像转换成YUV格式的图像，得到车头YUV图像；从所述车头YUV图像中抽取出Y分量数据、U分量数据、V分量数据并重新组合得到预设大小的车头YUYV图像；将所述车头YUYV图像输入至基于YUYV图像训练的卷积神经网络模型；根据所述卷积神经网络模型的输出结果确定所述车辆的车头的颜色。

【技术特征摘要】
1.一种针对车辆的颜色识别方法，其特征在于，包括：获取车辆的车辆图像；识别所述车辆图像中的车牌信息，所述车牌信息包括车牌的长度、宽度以及位置；根据所述车牌信息确定车头区域以及所述车头区域的车头图像；将所述车头图像转换成YUV格式的图像，得到车头YUV图像；从所述车头YUV图像中抽取出Y分量数据、U分量数据、V分量数据并重新组合得到预设大小的车头YUYV图像；将所述车头YUYV图像输入至基于YUYV图像训练的卷积神经网络模型；根据所述卷积神经网络模型的输出结果确定所述车辆的车头的颜色。2.根据权利要求1所述的针对车辆的颜色识别方法，其特征在于，所述根据所述车牌信息确定车头区域以及所述车头区域的车头图像包括：根据所述车牌信息得到所述车牌的长度以及宽度；将所述车牌的长度值按照第一预设比值增大并作为所述车头区域的长度值；将所述车牌的宽度值按照第二预设比值增大并作为所述车头区域的宽度值；确定所述车头区域并得到所述车头区域的所述车头图像。3.根据权利要求2所述的针对车辆的颜色识别方法，其特征在于，所述从所述车头YUV图像中抽取出Y分量数据、U分量数据、V分量数据并重新组合得到预设大小的车头YUYV图像包括：从所述车头YUV图像中按照预设条件抽取出所述Y分量数据、所述U分量数据、所述V分量数据；按照所述Y分量数据、所述U分量数据、所述Y分量数据、所述V分量数据的顺序组合得到所述车头YUYV图像。4.根据权利要求3所述的针对车辆的颜色识别方法，其特征在于，所述将所述车头YUYV图像输入至基于YUYV图像训练的卷积神经网络模型之前还包括：训练所述卷积神经网络模型，包括：获取一种颜色以上的单一颜色图像转换成的颜色YUYV图像，所述颜色YUYV图像的大小与所述车头YUYV图像的大小相等；利用所述颜色YUYV图像训练所述卷积神经网络模型。5.根据权利要求4所述的针对车辆的颜色识别方法，其特征在于，所述根据所述卷积神经网络模型的输出结果确定所述车辆的车头的颜色之后，还...

【专利技术属性】
技术研发人员：唐健，蔡昊然，杨利华，
申请(专利权)人：深圳市捷顺科技实业股份有限公司，
类型：发明
国别省市：广东,44