The embodiment of the invention discloses a method and a device for convolution neural network model identification of vehicle based on color, 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 plate length and width and position; the front and front area is determined according to the image the front area of 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 in prearranged size; training convolutional neural network model; the front YUYV image input to the convolutional neural network model; 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 ...
【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;使用对比损失函数优化所述卷积神经网络模型。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车辆的...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。