一種改進的車身顏色識別方法研究

萬晨 黃雅薇

摘要：針對車身顏色識別效果受到光照影響比較大的特點，設計了一種車身顏色識別方案，并對車身顏色樣本分類和特征提取方法做了改進，提高強光和光線較暗情況下車身顏色識別率。

關鍵詞：車牌；車身顏色；識別算法

中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2018）03-0162-02

1 概述

隨著我國機動車數量的增加，交通管理問題變得更加復雜，現有的智能交通系統對車牌有較好的識別效果，車身顏色也是車輛的重要特性之一，車身顏色識別受到光照影響比較大，因此車身顏色在強光和較暗光線下識別率不高，如何在強光和光線較暗的情況下提高車身顏色識別率是本文研究的重點。

2 車身顏色識別方案

車身顏色識別包括以下幾個步驟：車牌定位、識別區域定位、歸一化、特征提取、樣本訓練、樣本識別。具體方案如圖1：

3 車牌定位、識別區域定位、歸一化

車身顏色識別需要先準確地定位到車身顏色的區域。本文采用的方式是先檢測到車牌位置，利用車牌位置定位到車身顏色識別區域，然后對車身顏色區域進行歸一化處理。

車牌定位：本文采用hog特征+SVM方式定位車牌，對車牌樣本提取hog特征并用svm進行訓練，生成車牌樣本模型。對待識別圖片逐窗口采用hog特征進行識別定位車牌位置如圖2所示：

車身顏色識別區域定位：車牌區域頂端向上移動2倍到2.5倍車牌高度的距離，作為車身顏色待識別區域的底端，車身顏色待識別區域大小為檢測到的車牌大小。如圖3所示：

車身顏色識別區域歸一化處理：選取車身顏色定位區域的正中間部分作為歸一化圖片待選區域，將圖片歸一化為40*30的樣本圖片。

4 改進的樣本分類和特征提取方法

4.1 改進的樣本分類方法

車身顏色通常被分為黑、銀、白、灰、紅、黃、藍、綠、棕。大多數研究車身顏色識別的方法也是按照這9類顏色進行分類的。經過深入研究發現車身顏色在早上、中午（特別是有強光照射的情況下）、傍晚（光線較暗情況下）9種顏色都會產生一定的色差，中午有太陽照射的情況下，顏色都容易偏向淺色。而傍晚顏色都趨近于暗色。

針對此種情況，為了更好區分不同時段車輛的顏色，本文改進了車身顏色訓練樣本的分類方式，將車身顏色樣本分為24類。分別為淺黑色、黑色、銀色、暗銀、白色、暗白、淺灰、灰色、深灰、淺紅、紅色、深紅、淺黃、黃色、深黃、淺藍、藍色、深藍、淺綠、綠色、深綠、淺棕、棕色、深棕。但最終輸出結果會將同一類顏色進行合并，輸出顯示結果最終還是為9類。

4.2 改進的特征提取方法

標準的HSV顏色空間能通過H、S、V在不同區域的值分別判斷出顏色如圖4所示。現有HSV空間識別車身顏色方法主要是在HSV空間對顏色識別區域進行直方圖統計，識別區域中選取統計最多的值，然后將H、S、V的值與顏色量化模板進行比較判斷車身顏色。該方法在光照正常情況下能取得較好的效果，但是在強光照和光線暗的情況下，容易造成誤識別。

本文改進的特征提取方法主要是在顏色空間HSV中，分別對H、S、V進行直方圖統計和劃分。將H值0-360均等分為10等份，每一等份直方圖值的和作為一個特征向量，取得10維特征向量h1，h2…h10，將S值0-100均等分為10等份，每一等份直方圖值的和作為一個特征向量，取得10維特征向量S1，S2…S10。將V值0-100均等分為10等份，每一等份直方圖值的和作為一個特征向量，取得10維特征向量V1，V2…V10。按照此方法將向量進行組合取得30維的特征向量h1，h2…h10， S1，S2…S10， V1，V2…V10。

5 樣本訓練和樣本識別

本文樣本訓練和樣本識別都采用的是神經網絡算法，該算法主要包括輸入層（input layer）， 隱藏層 （hidden layers）， 輸入層 （output layer）如下圖5所示。輸入層的數據主要是車身顏色的特征向量值，根據輸入要求，使用神經網絡算法規則調節各處理單元間的連接權值，每層中加權的求和，然后根據非線性方程轉化輸出，理論上，如果有足夠多的隱藏層（hidden layers） 和足夠大的訓練集， 可以模擬出任何方程。

5.1 樣本訓練

本文用3000張車身顏色圖片進行訓練，經過神經網絡訓練后，產生一個24類車身顏色模型，用于車身顏色識別。

5.2 樣本識別

將待識別樣本的特征向量輸入神經網絡進行識別，根據訓練好的車身顏色模型判斷車身顏色類別。同時對于輸出的24類顏色進行同類顏色合并。合并規則為：淺黑色、黑色合并為黑色輸出；淺紅、紅色、深紅合并為紅色輸出。最終輸出的識別顏色為9類，分別是黑、銀、白、灰、紅、黃、藍、綠、棕。

6 實驗結果分析

本文將HSV直方圖統計的值與顏色量化模板結合的方法判斷車身顏色（簡稱標準HSV方法）和本文的改進方法（簡稱本文方法），對2000張非訓練樣本圖片進行識別。如表1所示：

從表中可以看出在條件相同的情況下，識別非訓練的2000個樣本圖片時，本文方法的識別率較標準HSV方法高。

7 結束語

本文設計了一種車身顏色識別方法，并對樣本分類和特征提取算法做了改進，從實驗的結果看，本文的改進算法在強光、正常光線和光線較暗情況下都能有效的識別到車身顏色，提高了車身顏色的識別率。

參考文獻：

[1] 景娜.車身顏色識別中的幾個重要方法的研究[D].沈陽工業大學，2007.

[2] 胡焯源，曹玉東，李羊. 基于HSV顏色空間的車身顏色識別算法[J].遼寧工業大學學報：自然科學版，2017（1）.

[3] M.Merler. Car color and logo recognition[J]. CSE190A Projects in Vision and Learning，2006.

[4] 姚東明，韓安華. 基于車窗檢測的車身顏色識別方法研究[J].信息通信，2017（2）.

[5] 江曉鋒. 車身顏色識別方法研究[J].電子世界，2014（10）.

[6] 楊丹.基于BP神經網絡的汽車顏色識別[D].沈陽工業大學，2009.