基于边缘检测和卷积神经网络的车辆颜色识别方法技术

本发明专利技术公开了一种基于边缘检测和卷积神经网络的车辆颜色识别方法，该方法步骤如下：对车辆图像进行去雾预处理；对去雾后的车辆图像进行边缘检测和形态学操作，得到车辆有效颜色区域的二值掩码图像；构建并训练颜色识别卷积神经网络；输入去雾后的车辆图像和对应的二值掩码图像，输出图像对应的颜色类别。本发明专利技术通过边缘检测的方法提取车辆图像中有效颜色区域，综合了整体图像的全局特征和有效颜色区域的局部特征，提高了车辆颜色识别的效果，并在实际的交通卡口场景中验证了本发明专利技术的有效性。性。性。

【技术实现步骤摘要】
基于边缘检测和卷积神经网络的车辆颜色识别方法


[0001]本专利技术涉及计算机视觉和模式识别
，具体涉及一种基于边缘检测和卷积神经网络的车辆颜色识别方法。

技术介绍

[0002]车辆颜色识别指的是利用计算机视觉技术对车辆图像进行处理和分析，从中提取出车辆的颜色信息，并将其划分到相应的颜色类别中，实现对车辆颜色的自动识别。通过车辆颜色识别，可以实现对车辆的自动分类、计数、统计等功能，为交通管理、智能交通系统等领域提供有效的支持和帮助。
[0003]目前，一些通用的图像分类问题已经有了较为成熟的解决方案，但是在车辆颜色识别任务上仍然面临着许多挑战。例如，天气条件会对车辆颜色的识别造成较大影响，比如在雾天条件下，黑色车辆容易被误认为灰色车辆；车辆的栅栏、车牌、车灯等位置会影响到车辆颜色的识别。

技术实现思路

[0004]本专利技术的目的是为了解决现有技术中的上述缺陷，提供一种基于边缘检测和卷积神经网络的车辆颜色识别方法。
[0005]本专利技术的目的可以通过采取如下技术方案达到：
[0006]一种基于边缘本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于边缘检测和卷积神经网络的车辆颜色识别方法，其特征在于，所述车辆颜色识别方法包括以下步骤：S1、采集包含车辆的监控图像作为原始图像P，对原始图像P使用暗通道去雾算法进行去雾，得到去雾图像D；S2、对去雾图像D进行边缘检测，得到边缘图像E；S3、对边缘图像E进行形态学操作，得到有效颜色区域的二值掩码图像V；S4、构建颜色识别卷积神经网络，所述卷积神经网络包括利用输入的去雾图像D和有效颜色区域的二值掩码图像V生成融合图像F的融合部分，和对融合图像F进行特征提取和分类的分类部分，并对该卷积神经网络进行训练和测试；S5、从交通卡口摄像头采集监控图像作为待检测的原始图像P，将经上述步骤处理后得到的去雾图像D和有效颜色区域的二值掩码图像V输入到经过训练后的颜色识别卷积神经网络，识别得到监控图像中车辆的颜色类型。2.根据权利要求1所述的基于边缘检测和卷积神经网络的车辆颜色识别方法，其特征在于，所述步骤S2过程如下：S201、将去雾图像D转为灰度图像G后进行二维离散傅里叶变换得到图像的频域图像F
r
(u,v)，简称为F
r
，二维离散傅里叶变换的公式如下：0≤u≤M
‑
1,0≤v≤N
‑1ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(公式1)其中(u,v)和(x,y)分别表示去雾图像D在频域和时域中的横坐标和纵坐标，M和N分别表示去雾图像D的行数和列数，j是虚数；S202、过滤掉频域图像F
r
中的低频部分得到新的频域图像F
′
r
(u,v)，简称为F
r
′
，过滤公式如下：其中u
c
和v
c
分别是频域图像F
r
横坐标和纵坐标的中心坐标，横坐标和纵坐标的中心坐标，M和N分别是行数和列数；S203、最后对过滤后的频域图像F
r
′
进行二维离散傅里叶逆变换得到边缘图像E，二维离散傅里叶逆变换公式如下：3.根据权利要求1所述的基于边缘检测和卷积神经网络的车辆颜色识别方法，其特征在于，所述步骤S3过程如下：
S301、对边缘图像E进行二值化处理得到新的边缘图...

【专利技术属性】
技术研发人员：张星明，杨柏文，林育蓓，王昊翔，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：