一种改进的车身颜色识别方法研究

万晨 黄雅薇

摘要：针对车身颜色识别效果受到光照影响比较大的特点，设计了一种车身颜色识别方案，并对车身颜色样本分类和特征提取方法做了改进，提高强光和光线较暗情况下车身颜色识别率。

关键词：车牌；车身颜色；识别算法

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2018）03-0162-02

1 概述

随着我国机动车数量的增加，交通管理问题变得更加复杂，现有的智能交通系统对车牌有较好的识别效果，车身颜色也是车辆的重要特性之一，车身颜色识别受到光照影响比较大，因此车身颜色在强光和较暗光线下识别率不高，如何在强光和光线较暗的情况下提高车身颜色识别率是本文研究的重点。

2 车身颜色识别方案

车身颜色识别包括以下几个步骤：车牌定位、识别区域定位、归一化、特征提取、样本训练、样本识别。具体方案如图1：

3 车牌定位、识别区域定位、归一化

车身颜色识别需要先准确地定位到车身颜色的区域。本文采用的方式是先检测到车牌位置，利用车牌位置定位到车身颜色识别区域，然后对车身颜色区域进行归一化处理。

车牌定位：本文采用hog特征+SVM方式定位车牌，对车牌样本提取hog特征并用svm进行训练，生成车牌样本模型。对待识别图片逐窗口采用hog特征进行识别定位车牌位置如图2所示：

车身颜色识别区域定位：车牌区域顶端向上移动2倍到2.5倍车牌高度的距离，作为车身颜色待识别区域的底端，车身颜色待识别区域大小为检测到的车牌大小。如图3所示：

车身颜色识别区域归一化处理：选取车身颜色定位区域的正中间部分作为归一化图片待选区域，将图片归一化为40*30的样本图片。

4 改进的样本分类和特征提取方法

4.1 改进的样本分类方法

车身颜色通常被分为黑、银、白、灰、红、黄、蓝、绿、棕。大多数研究车身颜色识别的方法也是按照这9类颜色进行分类的。经过深入研究发现车身颜色在早上、中午（特别是有强光照射的情况下）、傍晚（光线较暗情况下）9种颜色都会产生一定的色差，中午有太阳照射的情况下，颜色都容易偏向浅色。而傍晚颜色都趋近于暗色。

针对此种情况，为了更好区分不同时段车辆的颜色，本文改进了车身颜色训练样本的分类方式，将车身颜色样本分为24类。分别为浅黑色、黑色、银色、暗银、白色、暗白、浅灰、灰色、深灰、浅红、红色、深红、浅黄、黄色、深黄、浅蓝、蓝色、深蓝、浅绿、绿色、深绿、浅棕、棕色、深棕。但最终输出结果会将同一类颜色进行合并，输出显示结果最终还是为9类。

4.2 改进的特征提取方法

标准的HSV颜色空间能通过H、S、V在不同区域的值分别判断出颜色如图4所示。现有HSV空间识别车身颜色方法主要是在HSV空间对颜色识别区域进行直方图统计，识别区域中选取统计最多的值，然后将H、S、V的值与颜色量化模板进行比较判断车身颜色。该方法在光照正常情况下能取得较好的效果，但是在强光照和光线暗的情况下，容易造成误识别。

本文改进的特征提取方法主要是在颜色空间HSV中，分别对H、S、V进行直方图统计和划分。将H值0-360均等分为10等份，每一等份直方图值的和作为一个特征向量，取得10维特征向量h1，h2…h10，将S值0-100均等分为10等份，每一等份直方图值的和作为一个特征向量，取得10维特征向量S1，S2…S10。将V值0-100均等分为10等份，每一等份直方圖值的和作为一个特征向量，取得10维特征向量V1，V2…V10。按照此方法将向量进行组合取得30维的特征向量h1，h2…h10， S1，S2…S10， V1，V2…V10。

5 样本训练和样本识别

本文样本训练和样本识别都采用的是神经网络算法，该算法主要包括输入层（input layer）， 隐藏层 （hidden layers）， 输入层 （output layer）如下图5所示。输入层的数据主要是车身颜色的特征向量值，根据输入要求，使用神经网络算法规则调节各处理单元间的连接权值，每层中加权的求和，然后根据非线性方程转化输出，理论上，如果有足够多的隐藏层（hidden layers） 和足够大的训练集， 可以模拟出任何方程。

5.1 样本训练

本文用3000张车身颜色图片进行训练，经过神经网络训练后，产生一个24类车身颜色模型，用于车身颜色识别。

5.2 样本识别

将待识别样本的特征向量输入神经网络进行识别，根据训练好的车身颜色模型判断车身颜色类别。同时对于输出的24类颜色进行同类颜色合并。合并规则为：浅黑色、黑色合并为黑色输出；浅红、红色、深红合并为红色输出。最终输出的识别颜色为9类，分别是黑、银、白、灰、红、黄、蓝、绿、棕。

6 实验结果分析

本文将HSV直方图统计的值与颜色量化模板结合的方法判断车身颜色（简称标准HSV方法）和本文的改进方法（简称本文方法），对2000张非训练样本图片进行识别。如表1所示：

从表中可以看出在条件相同的情况下，识别非训练的2000个样本图片时，本文方法的识别率较标准HSV方法高。

7 结束语

本文设计了一种车身颜色识别方法，并对样本分类和特征提取算法做了改进，从实验的结果看，本文的改进算法在强光、正常光线和光线较暗情况下都能有效的识别到车身颜色，提高了车身颜色的识别率。

参考文献：

[1] 景娜.车身颜色识别中的几个重要方法的研究[D].沈阳工业大学，2007.

[2] 胡焯源，曹玉东，李羊. 基于HSV颜色空间的车身颜色识别算法[J].辽宁工业大学学报：自然科学版，2017（1）.

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

[4] 姚东明，韩安华. 基于车窗检测的车身颜色识别方法研究[J].信息通信，2017（2）.

[5] 江晓锋. 车身颜色识别方法研究[J].电子世界，2014（10）.

[6] 杨丹.基于BP神经网络的汽车颜色识别[D].沈阳工业大学，2009.