一种基于卷积神经网络模型鉴别车辆颜色的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基于卷积神经网络模型鉴别车辆颜色的方法及装置，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；训练卷积神经网络模型；将所述车头YUYV图像输入至所述卷积神经网络模型；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。

【技术实现步骤摘要】
一种基于卷积神经网络模型鉴别车辆颜色的方法及装置
本专利技术涉及图像处理领域，特别涉及一种基于卷积神经网络模型鉴别车辆颜色的方法及装置。
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基于卷积神经网络模型鉴别车辆颜色的方法及装置，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基于卷积神经网络模型鉴别车辆颜色的方法，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；训练卷积神经网络模型；将所述车头YUYV图像输入至所述卷积神经网络模型；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。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，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。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，所述训练卷积神经网络模型包括：输入一张以上的关于车辆颜色的车辆颜色YUYV图像；将所述车辆颜色YUYV图像经过卷积生成第一卷积层图像；将所述第一卷积层图像经过池化生成第一池化层图像；将所述第一池化层图像经过卷积生成第二卷积层图像并根据所述第一池化层图像生成第二池化层图像；根据所述第一卷积层图像、所述第二卷积层图像、所述第一池化层图像、所述第二池化层图像生成全连接层图像；根据所述第一卷积层图像、所述第二卷积层图像、所述第一池化层图像、所述第二池化层图像、所述全连接层图像得到卷积神经网络模型。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，所述根据所述第一卷积层图像、所述第二卷积层图像、所述第一池化层图像、所述第二池化层图像、所述全连接层图像得到卷积神经网络模型之前，还包括：使用预设矩阵优化所述全连接层图像；根据所述全连接层图像确定所述车辆颜色与所述全连接层图像的对应关系。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，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，还包括：根据所述车辆的车头的颜色确定所述车辆的颜色。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；第一确定模块，用于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；转换模块，用于将所述车头图像转换成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；训练模块，用于训练卷积神经网络模型；输入模块，用于将所述车头YUYV图像输入至基于YUYV图像训练的卷积神经网络模型；第二确定模块，用于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。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，所述抽取模块包括：抽取单元，用于从所述车头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；组合单元，用于按照所述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。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，所述训练模块包括：输入单元，用于输入一张以上的关于车辆颜色的车辆颜色YUYV图像；第一生成单元，用于将所述车辆颜色YUYV图像经过卷积生成第一卷积层图像；第二生成单元，用于将所述第一卷积层图像经过池化生成第一池化层图像；第三生成单元，用于将所述第一池化层图像经过卷积生成第二卷积层图像并根据所述第一池化层图像生成第二池化层图像；第四生成单元，用于根据所述第一卷积层图像、所述第二卷积层图像、所述第一池化层图像、所述第二池化层图像生成全连接层图像；训练单元，用于根据所述第一卷积层图像、所述第二卷积层图像、所述第一池化层图像、所述第二池化层图像、所述全连接层图像得到卷积神经网络模型。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，所述训练模块还包括：优化单元，用于使用预设矩阵优化所述全连接层图像；对应单元，用于根据所述全连接层图像确定所述车辆颜色与所述全连接层图像的对应关系。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基于卷积神经网络模型鉴别车辆颜色的方法及装置，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基于卷积神经网络模型鉴别车辆颜色的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基于卷积神经网络模型鉴别车辆颜色的方法的车头区域示意图；图3是本专利技术实施例中一种基于卷积神经网络模型鉴别车辆颜色的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本文档来自技高网...

【技术保护点】
一种基于卷积神经网络模型鉴别车辆颜色的方法，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；训练卷积神经网络模型；将所述车头YUYV图像输入至所述卷积神经网络模型；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】
1.一种基于卷积神经网络模型鉴别车辆颜色的方法，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；训练卷积神经网络模型；将所述车头YUYV图像输入至所述卷积神经网络模型；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所述的基于卷积神经网络模型鉴别车辆颜色的方法，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。3.根据权利要求2所述的基于卷积神经网络模型鉴别车辆颜色的方法，其特征在于，所述训练卷积神经网络模型包括：输入一张以上的关于车辆颜色的车辆颜色YUYV图像；将所述车辆颜色YUYV图像经过卷积生成第一卷积层图像；将所述第一卷积层图像经过池化生成第一池化层图像；将所述第一池化层图像经过卷积生成第二卷积层图像并根据所述第一池化层图像生成第二池化层图像；根据所述第一卷积层图像、所述第二卷积层图像、所述第一池化层图像、所述第二池化层图像生成全连接层图像；根据所述第一卷积层图像、所述第二卷积层图像、所述第一池化层图像、所述第二池化层图像、所述全连接层图像得到卷积神经网络模型。4.根据权利要求4所述的基于卷积神经网络模型鉴别车辆颜色的方法，其特征在于，所述根据所述第一卷积层图像、所述第二卷积层图像、所述第一池化层图像、所述第二池化层图像、所述全连接层图像得到卷积神经网络模型之前，还包括：使用预设矩阵优化所述全连接层图像；根据所述全连接层图像确定所述车辆颜色与所述全连接层图像的对应关系。5.根据权利要求4所述的基于卷积神经网络模型鉴别车辆颜色的方法，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...

【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