The invention belongs to the technical field of graphics processing, in particular to a vehicle color recognition method based on a depth learning model. In this scheme, firstly, vehicle color regions are extracted based on the segmented deep learning model, and then the extracted color features are processed by K \u2011 means clustering algorithm to improve the overall efficiency of vehicle color recognition. Through the image segmentation algorithm, the engine hood and the roof area are selected as the color capture area; the mask is generated according to the detection position and processed with the original image to get the recognition image which only contains the engine hood and the roof part; the recognition image is mapped into the RGB color space, and the K \u2011 means algorithm is used to cluster, and finally the color recognition result is obtained.
【技术实现步骤摘要】
一种基于深度学习模型的车辆颜色识别方法
本专利技术属于图形处理
,具体涉及一种基于深度学习模型的车辆颜色识别方法。
技术介绍
车辆颜色作为车辆可靠显著的特征,为车辆识别、监控、跟踪等方面提供了有用的信息。车辆颜色识别是一种根据输入的车辆图像或视频,来确定图像或视频中车辆颜色的技术,已被广泛应用于公安执法、车辆追踪等领域。现有的车辆颜色识别技术通常基于颜色区域的选择和深度学习中分类算法。筛选具有代表性的颜色区域是准确识别车辆颜色的前提,但在现实情况中,由于光照条件和复杂背景等自然因素,会对选择的颜色区域造成误差。有些学者选取车窗部分作为颜色识别区域,有些学者采用整个车身颜色作为识别区域,然后用传统方法统计颜色识别结果进而确定车辆颜色。车辆颜色识别属于一种分类问题,基于深度学习的分类算法在车辆颜色识别问题上应用广泛。例如将获得的车辆图片进行颜色分类并标注,输入到卷积神经网络中进行训练,进而获得准确率高的分类网络以后续应用。现有的根据选择代表性颜色区域的识别方法,在选取颜色区域块的过程中,会受到光照、车辆姿态等因素的较大干扰造成识别结果错误,并且在区域选择时,有可能会截取到部分车窗、车栅栏、天窗区域,将带有非颜色信息的区域进行识别同样会造成误识别。而基于深度学习中的分类算法进行车辆颜色识别的方法,由于卷积神经网络的特性,高层信息很可能会覆盖低层信息,无法全面提取车辆的颜色特征,导致分类错误率较高,需要将不同特征层提取的特征进行融合,目前的分类网络达不到较好的特征融合效果。
技术实现思路
为 ...
【技术保护点】
1.一种基于深度学习模型的车辆颜色识别方法,其特征在于,包括步骤:/n(1)输入车辆图像,基于改进的Mask RCNN进行车辆图像分割,获取发动机盖和车顶区域的轮廓信息;在所述改进的Mask RCNN中,将Inception模块引入ResNet50中,分别在res2_、res3_、res4_三个部分的ReLU层后添加,采用3×3、1×1大小的卷积堆叠构成三个支路,第一条支路由1×1卷积层构成,第二条支路由1×1卷积层后接3×3卷积层构成,第三条支路由1×1卷积层后接两个3×3卷积层构成,最终将三个支路的输出进行融合;/n(2)对分割后的车辆图像进行掩膜处理,根据检测位置生成掩膜并与原车辆图像结合处理得到只包含发动机盖和车顶区域的新的待识别图像;/n(3)将新的待识别图像映射到RGB颜色空间中;/n(4)用K-means算法对颜色特征进行聚类,最终得到颜色识别结果。/n
【技术特征摘要】
1.一种基于深度学习模型的车辆颜色识别方法,其特征在于,包括步骤:
(1)输入车辆图像,基于改进的MaskRCNN进行车辆图像分割,获取发动机盖和车顶区域的轮廓信息;在所述改进的MaskRCNN中,将Inception模块引入ResNet50中,分别在res2_、res3_、res4_三个部分的ReLU层后添加,采用3×3、1×1大小的卷积堆叠构成三个支路,第一条支路由1×1卷积层构成,第二条支路由1×1卷积层后接3×3卷积层构成,第三条支路由1×1卷积层后接两个3×3卷积层构成,最终将三个支路的输出进行融合;
(2)对分割后的车辆图像进行掩膜处理,根据检测位置生成掩膜并与原车辆图像结合处理得到只包含发动机盖和车顶区域的新的待识别图像;
(3)将新的待识别图像映射到RGB颜色空间中;
(4)用K-means算法对颜色特征进行聚类,最终得到颜色识别结果。
2.根据权利要求1所述的基于深度学习模型的车辆颜色识别方法,其特征在于,所述改进的MaskRCNN的主干网络设定为ResNet50和特征金字塔网络的结合。
3.根据权利要求2所述的基于深度学习模型的车辆颜色识别方法,其特征在于,所述改进的MaskRCNN还包括,每个卷积层后跟随BatchNormalization层和非线性函数ReLU层,最终将三个支路的输出进行融合,融合层后跟随一个1×1的卷积层及BatchNormalization层。
4.根据权利要求3所述的基于深度学习模型的车辆颜色识别方法,其特征在于,所述改进的MaskRCNN还包括,将生成掩膜分支的部分移到检测部分后,得到检测结果后再做分割。
5.根据权利要求1所述的基于深度学习模型的车辆颜色识别方法,其特征在于,所述步骤(...
【专利技术属性】
技术研发人员:毛亮,孙洁睿,李俊民,朱婷婷,王祥雪,黄仝宇,汪刚,宋一兵,侯玉清,刘双广,
申请(专利权)人:高新兴科技集团股份有限公司,西安电子科技大学,
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。