本发明专利技术提供一种基于局部约束线性编码的车身颜色识别方法。本发明专利技术方法能够对交通车辆视频和图像进行智能化处理，实现车身颜色的自动识别，包括车身颜色词袋模型、局部约束编码LLC、车身颜色识别三个主要步骤。首先通过车辆检测算法提取出车辆，量化为固定尺度；采用词袋模型对车辆进行深度采样，将车辆分成相互重叠的矩形块，对每一小块分别提取颜色直方图特征；对不同颜色、不同外部环境车辆特征进行K-means聚类生成固定长度码本；依据码本，将车辆特征进行局部约束编码映射到高维空间；利用线性SVM进行训练和识别。本发明专利技术识别过程简洁，并且识别准确率高。
【技术实现步骤摘要】
本专利技术属于数字图像处理技术，特别涉及计算机视觉识别技术。
技术介绍
因此在智能交通系统中，在对车牌进行识别的同时，还需要车辆的其他辅助信息， 如车身颜色，车型，车标等。 目前关于车身颜色识别的研究相对较少，技术尚不成熟，其识别准确率远不如车 牌识别。影响识别率的主要原因： 1、车身颜色易受光照、雾霾、不同天气等外界噪声的干扰而产生颜色失真； 2、车辆颜色复杂多变（车身颜色丰富多彩，部分车辆颜色比较少见）； 3、运动车辆的分割定位困难（摄像头位置不同，主颜色区域很那定位，定位算法 受车型影响）。 当前车身颜色识别方法有： -、基于色差的方法。将RGB空间转换为HIS空间，在HIS空间对所选区域计算彩 色直方图，根据相应的色差计算公式，计算与标准颜色模板间的色差，选取计算到的色差最 小者，通过查找颜色映射表得到其对象颜色。该方法简单快速，在光线较好的情况下可获 取较好的识别结果，但在实际应用中，光照、天气等影响使其获取的车辆图像及颜色都不稳 定。详见：李贵俊，刘正熙等.一种基于色差和彩色归一化的车身颜色识别方法.计算机应 用，2004,9. 二、基于模板的背景减除法。通过联合基于模板的前景掩膜法和图像分割，使 用基于掩膜相关区域标注算法将图像分成几个区域，然后通过去除不必要的区域细化前 景图像得到颜色特征区域。采用两层SVM算法对车身颜色进行分类，第一层将颜色分为 彩色与灰色，第二层对彩色和灰色分别进行分类。该方法两层SVM分类算法效果很好， 但对光照、运动目标等外部环境非常敏感。详见：Yi-Ta Wu, Jau-Hong Kao, and Ming-Yu Shih. A vehicle color classification method for video surveillance system concerning model-based background subtraction. IEEE Pacific Rim Conference on Multimedia，pp. 369-380, 2010. 三、基于流形学习的方法。该方法通过车尾灯红色块定位、几何规则过滤以及基 于纹理信息的分类级联方法定位车身尾部的颜色特征区域，将多个颜色空间的特征进行 融合，然后降低特征维数。在流形空间中分别使用SVM，kNN进行分类学习。该方法速度 非常快，能满足实时性要求，有较高的准确率，但此方法是利用车身尾部进行颜色特征提 取，局限性较大D 详见：Yu-Chen Wang，Chin-Chuan Han，Chen-Ta Hsieh and Kuo-Chin Fan. Vehicle color classification using manifold learning methods from urban surveillance videos. EURASIP Journal on Image and Video Processing, October 2014.
技术实现思路
本专利技术所要解决的技术问题是，提供一种准确率高的车身颜色的自动识别方法。 本专利技术为解决上述技术问题所采用的技术方案是，基于局部约束线性编码的车身 颜色识别方法，包括以下步骤： 步骤1、建立车身颜色词袋模型 1-1 :车辆图像分块。将检测到的车辆图像量化到相同尺度，然后将车辆分成相互 重叠的矩形块，矩形块大小根据经验值设置其移动步长决定重叠区域的大小，可根据实际 情况进行调整。矩形块相互重叠是为了保持车辆的局部特征以及空间位置特征。所述车辆 图像由在不同光照以及天气环境下多种车身颜色图片组成。 1-2 :特征提取。对车辆图像中每个矩形块提取颜色特征，颜色特征为变形的Lab 颜色直方图，色度直方图，色矩，对抗直方图，归一化的RG颜色直方图的合并，即将颜色特 征按顺序表征为一维列向量。实验中可以根据对速度与精度的要求相应的调整所需直方图 的种数以及各个直方图的维数。 1-3 :码本生产。将每一个矩形块的颜色特征设为一个码元，对数据库中所有车辆 图像的颜色特征进行K-means聚类，码元为聚类的中心，K即最后的码本集合大小，K为统计 经验值。 步骤2、局部约束线性编码LLC 步骤2-1 :对待测车辆图片提取矩形块的颜色特征，利用码本通过局部约束线性 编码LLC对待测车辆图片的颜色特征进行编码，映射为高维稀疏向量； 步骤3、线性SVM分类 步骤3-1 :分类器训练。随机选取车辆颜色数据库中每类颜色的一半作为训练样 本，提取训练样本中车辆图片的颜色信息，利用线性SVM进行分类器训练，得到分类器模 型，并利用剩余样本测试分类器性能。 步骤3-2 :车身颜色识别。将编码后的待测车辆图片的颜色特征输入训练好的线 性SVM分类器进行分类，从而得到车辆的颜色信息。 本专利技术方法能够对交通车辆视频和图像进行智能化处理，实现车身颜色的自动识 另IJ，包括车身颜色词袋模型、局部约束编码LLC、车身颜色识别三个主要步骤。首先通过车辆 检测算法提取出车辆，量化为固定尺度；采用词袋模型对车辆进行深度采样，将车辆分成相 互重叠的矩形块，对每一小块分别提取颜色直方图特征；对不同颜色、不同外部环境车辆特 征进行K-means聚类生成固定长度码本；依据码本，将车辆特征进行局部约束编码映射到 高维空间；利用线性SVM进行训练和识别。 本专利技术提出了一种新的车身颜色识别框架。该框架不需要将车辆分割成不同颜色 的子区域，依靠词袋模型获得车身颜色码本，并通过LLC对整车进行编码处理，获取车身颜 色的高维特征表示，从而通过线性SVM快速识别出车身颜色。实验证明提出的框架极大的 提高了系统的识别准确率。 本专利技术的有益效果是，识别过程简洁，并且识别准确率高。【附图说明】 图1 :整体流程示意图；【具体实施方式】 为方便描述本
技术实现思路
，这里首先对一些术语进行说明： 车身颜色识别系统。指能够检测到受监控路面的车辆并自动提取车身颜色信息 (含黑色、白色、蓝色、黄色、绿色、红色、灰色、蓝绿色等颜色），并对其进行识别。 视觉词袋模型。将图形分成小块进行特征提取，统计图像数据库中出现的所有特 征，去除冗余组成词袋。如果图像特征过多，采用聚类算法将相近特征归为一类，利用聚类 结果组成词袋。利用视觉词袋量化图像特征，通过词频表示图像。 码本。在词袋模型中将特征向量表示为码元，即词。对样本采用聚类算法，聚为K 类，K为码本集合大小，K个聚类中心为码本中的码元。 κ-means算法。κ-means算法是硬聚类算法，是典型的基于原型的目标函数聚类方 法的代表，它是数据点到原型的某种距离作为优化的目标函数，利用函数求极值的方法得 到迭代运算的调整规则。K-means算法以欧式距离作为相似度测度，它是求对应某一初始聚 类中心向量V最优分类，使得评价指标J最小。算法采用误差平方和准则函数作为聚类准 则函数。 局部约束编码LLC。LLC编码使用局部约束性将描述子投影到局部坐标系统中， LLC编码侧重于局部的约束，而非稀疏性，局部可以带来稀疏性，但稀疏性未必满足局部性。 线性支持向量机SVM。SVM是一种监督学习模型，通常用来进行模式识别、分类、以 及回归分析。线性SVM是解决含有大量样本本文档来自技高网...
【技术保护点】
基于局部约束线性编码的车身颜色识别方法，其特征在于，包括以下步骤：步骤1、建立车身颜色词袋模型：1‑1：将检测到的车辆图像量化到相同尺度，然后将车辆分成相互重叠的矩形块；所述车辆图像包括在不同光照以及天气环境下多种车身颜色图片组成；1‑2：对车辆图像中每个矩形块提取颜色特征，所述颜色特征由Lab颜色直方图、色度直方图、色矩、对抗直方图，归一化的RG颜色直方图的合并为一维列向量而成；1‑3：将每一个矩形块的颜色特征设为一个码元，对数据库中所有车辆图像的颜色特征进行K‑means聚类，码元为聚类的中心；步骤2、对待测车辆图片提取矩形块的颜色特征，利用码本通过局部约束线性编码LLC对待测车辆图片的颜色特征进行编码，映射为高维稀疏向量；步骤3、将编码后的待测车辆图片的颜色特征输入训练好的SVM分类器进行分类，从而得出车辆的颜色信息。
【技术特征摘要】
【专利技术属性】
技术研发人员：解梅，黄成挥，于国辉，张锐，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51
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。