一种用于在真实环境对目标车辆的颜色进行识别的方法及系统技术方案

本发明专利技术公开了一种用于在真实环境对目标车辆的颜色进行识别的方法，所述方法包括：从真实环境中的包括目标车辆的图片中获取子图片，所述子图片包括所述目标车辆；提取所述子图片的深度颜色特征；利用深度神经网络将所述车辆子图片RGB的颜色特征转化为HSV空间的颜色特征，所述HSV空间的颜色特征结合所述子图片的深度颜色特征，生成基于先验的深度颜色特征；构建基于先验的颜色识别模型，输出所述基于先验的深度颜色特征中与每个颜色类别相对应的概率，将与每个颜色类别相对应的概率中的最大概率所对应的颜色类别确定为所述目标车辆的颜色。

A Method and System for Recognizing the Color of Target Vehicle in Real Environment

The invention discloses a method for recognizing the color of a target vehicle in a real environment. The method includes: obtaining sub-pictures from pictures including the target vehicle in the real environment, the sub-pictures including the target vehicle; extracting the depth color features of the sub-pictures; and transforming the color features of RGB of the vehicle sub-pictures into HSV using depth neural network. The color features of the HSV space are combined with the depth color features of the sub-images to generate a prior-based depth color feature; a prior-based color recognition model is constructed to output the probability corresponding to each color category in the prior-based depth color feature, and the color corresponding to the maximum probability in the probability corresponding to each color category. The color category is determined as the color of the target vehicle.

【技术实现步骤摘要】
一种用于在真实环境对目标车辆的颜色进行识别的方法及系统
本专利技术涉及车辆颜色识别
，更具体地，涉及一种用于在真实环境对目标车辆的颜色进行识别的方法及系统。
技术介绍
车辆身份识别对于交通安全问题具有重要意义，车辆颜色是车辆中显著而稳定的特征之一，在智能交通系统中具有重要的作用而车辆颜色是车辆身份信息的一个重要组成成分之一，对肇事车辆排查、套牌车自动检测具有极其重要的作用。因此设计自动识别车身颜色算法对智能交通而言是具有重大意义的。车身颜色识别分为车辆定位与颜色识别两个部分，其中颜色识别容易受光照条件影响，例如深色系经强反光后容易变成白色等；而车辆定位容易发生漏检、误检等问题。现有技术1(CN103440503A)基于颜色模型的车身颜色识别方法，主要有以下步骤：步骤1、检测获取车辆矩形区域；步骤2、将区域内的所有像素点输入主颜色模型，判断出各像素点对应主颜色模型中颜色列表中的颜色；步骤3、统计出所述颜色列表中各颜色的占比，并按照占比由大至小进行排序；步骤4、利用排序前4位占比的方差M，判断车身颜色。现有技术1(CN103440503A)是利用人为规则方法对车辆进行颜色识别，首先他通过一定的阈值和排序得到是否是单色车，若不是单色车，则进入多色车的检测，设置许多的阈值和规则来得到多色车的颜色信息。但这些阈值和规则在庞大的数据下，会出现很多的问题，它并不能具备鲁棒性，过多的规则也会增加模型的过拟合。现有技术2(CN106326893A)基于区域辨别的车辆颜色识别方法，主要有以下步骤：步骤1、将整车图像中依据颜色信息量辨别出整车图像中的主线索区域、辅助线索区域，以及无关区域。步骤2、将两幅图缩放到固定尺寸并用高斯核模糊图。步骤3、使用AlexNet分别对两张图提取颜色特征，利用主线索区域、辅助识别区域特征融合对车辆颜色进行识别。现有技术2(CN106326893A)则是利用SPP-NET网络先将车辆颜色样本提取出主线索区域、辅助识别区域和无法区域，通过结合这些区域能得到对车辆颜色进行准确的识别，识别方法则用了AlexNet网络进行分类，在构建该方法的时候，用了两个不同的网络，由于网络之间是串联关系，彼此都会干扰对方对结果的准确率影响，并且训练两个网络会耗费大量的时间成本，同时数据的准备上需要人为去标定各类区域，标定成本也很大。现有技术3(CN107067011A)一种基于深度学习的车辆颜色识别方法与装置。专利号主要有以下几个步骤：步骤1、准备车辆图像作为训练集和测试集，并进行预处理。步骤2、使用训练样本训练卷积神经网络，提取深层颜色特征。步骤3、使用深层颜色特征训练分类器识别测试样本的车辆颜色。现有技术3(CN107067011A)仅仅利用了深度学习的方法来识别颜色，由训练出来的网络来提取出样本的深度信息，从而得到更准确的深层颜色信息进行分类。但是由于其仅使用了深度信息，导致其在光照不同的情况下，训练样本的分布和测试样本的分布大不相同，会大大影响其准确率。依靠这种方法，只有将所有的光照情况都用于训练该网络，该方法才能在不同光照情况下得到良好的准确率。在目前现有的技术中，一部分利用传统的方法进行颜色识别，另一部分已经开始使用深度学习的方法进行颜色识别，后者的方法在大部分的情况下会得到更好的结果以及更加鲁棒的分类结果。但是如现有技术2，在提取感兴趣区域的时候，则大大增加了训练成本和获取标签数据的成本。而现有技术3，则是单纯的利用了深度学习提取了深度特征进行之后分类器的训练，这也导致了光照不同情况下，方法会产生较大的错误率。传统方法上，过多的规则和阈值增加了很多的不确定性，这往往会让方法走进一个手动找最佳参数的死循环中，在现在深度学习技术出现后，现有技术3的方法往往展现出其不足的一面，特征的表征力也远远不如深度学习学习而来的特征。但是，总的来说，上述现有技术都无法在不同光照下得到比较好的效果。因此，需要一种技术，以实现用于在真实环境对目标车辆的颜色进行识别的技术。
技术实现思路
本专利技术技术方案提供一种用于在真实环境对目标车辆的颜色进行识别的方法和系统，以解决如何在真实环境中对目标车辆的颜色进行识别的问题。为了解决上述问题，本专利技术提供了一种用于在真实环境对目标车辆的颜色进行识别的方法，所述方法包括：从真实环境中的包括目标车辆的图片中获取子图片，所述子图片包括所述目标车辆；提取所述子图片的深度颜色特征；利用深度神经网络将所述车辆子图片RGB的颜色特征转化为HSV空间的颜色特征，所述HSV空间的颜色特征结合所述子图片的深度颜色特征，生成基于先验的深度颜色特征；构建基于先验的颜色识别模型，输出所述基于先验的深度颜色特征中与每个颜色类别相对应的概率，将与每个颜色类别相对应的概率中的最大概率所对应的颜色类别确定为所述目标车辆的颜色。优选地，所述从真实环境中的包括目标车辆的图片中获取子图片，所述子图片包括所述目标车辆，包括：建立适应于车辆检测的目标检测模型YOLOv2，并对所述目标检测模型YOLOv2对所述包括目标车辆的图片进行训练。优选地，所述对所述目标检测模型YOLOv2对所述包括目标车辆的图片进行训练，包括：利用数据集MS-COCO和人工标注的所述包括目标车辆的图片进行训练，得到的经过训练的深度卷积神经网络，利用所述经过训练的深度卷积神经网络对所述包括目标车辆的图片进行车辆位置检测；所述经过训练的深度卷积神经网络的最后一层全连接层的输出作为所述包括目标车辆的图片中车辆的位置与大小信息，从而提取出所述子图片。优选地，所述提取所述子图片的深度颜色特征，包括：将所述子图片进行人工标注后投入神经网络颜色识别模型进行训练，经过训练后神经网络颜色识别模型的网络最后一层全连接层输出深度颜色特征。优选地，所述颜色识别模型为Alexnet网络模型，所述Alexnet网络模型包括五层卷积层、三层池化层以及三层全连接层，压缩所述卷积层宽度至原所述卷积层宽度的二分之一；压缩所述全连接层宽度至原所述全连接层宽度的百分之一。基于本专利技术的另一方面，提供一种用于在真实环境对目标车辆的颜色进行识别的系统，所述系统包括：获取单元，用于从真实环境中的包括目标车辆的图片中获取子图片，所述子图片包括所述目标车辆；提取单元，用于提取所述子图片的深度颜色特征；转化单元，利用深度神经网络将所述车辆子图片RGB的颜色特征转化为HSV空间的颜色特征，所述HSV空间的颜色特征结合所述子图片的深度颜色特征，生成基于先验的深度颜色特征；识别单元，用于构建基于先验的颜色识别模型，输出所述基于先验的深度颜色特征中与每个颜色类别相对应的概率，将与每个颜色类别相对应的概率中的最大概率所对应的颜色类别确定为所述目标车辆的颜色。优选地，所述获取单元用于从真实环境中的包括目标车辆的图片中获取子图片，所述子图片包括所述目标车辆，还用于：建立适应于车辆检测的目标检测模型YOLOv2，并对所述目标检测模型YOLOv2对所述包括目标车辆的图片进行训练。优选地，所述对所述目标检测模型YOLOv2对所述包括目标车辆的图片进行训练，包括：利用数据集MS-COCO和人工标注的所述包括目标车辆的图片进行训练，得到的经过训练的深度卷积神经网络，利用所述经过训练的深度卷积神经网络对所述包括目标车辆的图片本文档来自技高网...

【技术保护点】
1.一种用于在真实环境对目标车辆的颜色进行识别的方法，所述方法包括：从真实环境中的包括目标车辆的图片中获取子图片，所述子图片包括所述目标车辆；提取所述子图片的深度颜色特征；利用深度神经网络将所述车辆子图片RGB的颜色特征转化为HSV空间的颜色特征，所述HSV空间的颜色特征结合所述子图片的深度颜色特征，生成基于先验的深度颜色特征；构建基于先验的颜色识别模型，输出所述基于先验的深度颜色特征中与每个颜色类别相对应的概率，将与每个颜色类别相对应的概率中的最大概率所对应的颜色类别确定为所述目标车辆的颜色。

【技术特征摘要】
1.一种用于在真实环境对目标车辆的颜色进行识别的方法，所述方法包括：从真实环境中的包括目标车辆的图片中获取子图片，所述子图片包括所述目标车辆；提取所述子图片的深度颜色特征；利用深度神经网络将所述车辆子图片RGB的颜色特征转化为HSV空间的颜色特征，所述HSV空间的颜色特征结合所述子图片的深度颜色特征，生成基于先验的深度颜色特征；构建基于先验的颜色识别模型，输出所述基于先验的深度颜色特征中与每个颜色类别相对应的概率，将与每个颜色类别相对应的概率中的最大概率所对应的颜色类别确定为所述目标车辆的颜色。2.根据权利要求1所述的方法，所述从真实环境中的包括目标车辆的图片中获取子图片，所述子图片包括所述目标车辆，包括：建立适应于车辆检测的目标检测模型YOLOv2，并对所述目标检测模型YOLOv2对所述包括目标车辆的图片进行训练。3.根据权利要求2所述的方法，所述对所述目标检测模型YOLOv2对所述包括目标车辆的图片进行训练，包括：利用数据集MS-COCO和人工标注的所述包括目标车辆的图片进行训练，得到的经过训练的深度卷积神经网络，利用所述经过训练的深度卷积神经网络对所述包括目标车辆的图片进行车辆位置检测；所述经过训练的深度卷积神经网络的最后一层全连接层的输出作为所述包括目标车辆的图片中车辆的位置与大小信息，从而提取出所述子图片。4.根据权利要求1所述的方法，所述提取所述子图片的深度颜色特征，包括：将所述子图片进行人工标注后投入神经网络颜色识别模型进行训练，经过训练后神经网络颜色识别模型的网络最后一层全连接层输出深度颜色特征。5.根据权利要求1所述的方法，所述颜色识别模型为Alexnet网络模型，所述Alexnet网络模型包括五层卷积层、三层池化层以及三层全连接层，压缩所述卷积层宽度至原所述卷积层宽度的二分之一；压缩所述全连接层宽度至原所述全连接层宽度的百分之一。6.一种用于在真实环境对目标车辆的颜色进...

【专利技术属性】
技术研发人员：樊迪，王晗，叶晗，张恩鹏，徐东生，
申请(专利权)人：北京市首都公路发展集团有限公司，北京云星宇交通科技股份有限公司，
类型：发明
国别省市：北京,11