本發(fā)明涉及圖像處理領(lǐng)域，特別是涉及一種識(shí)別車身顏色的方法及裝置。

背景技術(shù)：

隨著生活品質(zhì)的提升，形形色色的汽車出現(xiàn)在各個(gè)角落，特別是在停車場、高速公路和城市道路等區(qū)域。

在停車場等區(qū)域中，一般是利用車牌識(shí)別設(shè)備來管理車輛的通行。但是由于實(shí)際情況中由于車牌的污損等原因?qū)е萝嚺频淖R(shí)別率不高。而短期內(nèi)想要提高車牌的識(shí)別率是很困難的，故可以利用汽車車身的顏色來輔助管理車輛的通行。

現(xiàn)有技術(shù)中對(duì)于車顏色的識(shí)別方法是直接利用統(tǒng)計(jì)學(xué)的方法統(tǒng)計(jì)大量樣本的顏色特征分布圖，然后將想要識(shí)別的目標(biāo)車的車身顏色與統(tǒng)計(jì)出的顏色特征分布圖進(jìn)行對(duì)比，從而可以對(duì)目標(biāo)車的車身進(jìn)行顏色識(shí)別。但是由于對(duì)目標(biāo)車的車身顏色進(jìn)行識(shí)別時(shí)，會(huì)由于目標(biāo)車的車身受到的光照的強(qiáng)度以及光照的方向的不同，導(dǎo)致識(shí)別出的顏色與目標(biāo)車的車身實(shí)際的顏色不同，進(jìn)而使得車身顏色的識(shí)別準(zhǔn)確率較低。例如，當(dāng)目標(biāo)車的車身顏色為灰色，但是由于不同光照環(huán)境下的顏色信息重疊的原因，識(shí)別出的目標(biāo)車的車身顏色為銀色?；诖?，本發(fā)明提供了一種識(shí)別車身顏色的方法及裝置。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提供一種識(shí)別車身顏色的方法，目的在于最大限度的緩解不同光照環(huán)境下顏色信息重疊導(dǎo)致的車身顏色識(shí)別準(zhǔn)確率較低的問題；本發(fā)明的另一目的是提供一種識(shí)別車身顏色的裝置，其識(shí)別車身顏色的準(zhǔn)確率較高。

為解決上述技術(shù)問題，本發(fā)明提供一種識(shí)別車身顏色的方法，該方法包括：

獲取在車身圖片上預(yù)選定的多個(gè)平滑區(qū)域的色相、飽和度和明度；

根據(jù)顏色特征預(yù)統(tǒng)計(jì)分布圖得出所述平滑區(qū)域的顏色分類結(jié)果；

判斷所述平滑區(qū)域的所述顏色分類結(jié)果是否一致；

當(dāng)所述平滑區(qū)域的所述顏色分類結(jié)果不一致時(shí)，根據(jù)所述平滑區(qū)域的所述明度的大小和所述飽和度的大小篩選出最終待識(shí)別區(qū)域；

利用顏色分類模型對(duì)所述最終待識(shí)別區(qū)域進(jìn)行顏色分類，確定所述車身的顏色。

可選地，還包括：

當(dāng)所述平滑區(qū)域的所述顏色分類結(jié)果一致時(shí)，根據(jù)所述平滑區(qū)域的所述顏色分類結(jié)果確定所述車身的顏色。

可選地，在所述獲取在車身圖片上預(yù)選定的多個(gè)平滑區(qū)域的色相、飽和度和明度之前還包括：

獲取所述車身上車頭區(qū)域的邊緣紋理圖像，計(jì)算所述邊緣紋理圖像的積分圖；

將所述積分圖劃分成多個(gè)局部區(qū)域；

計(jì)算所述局部區(qū)域的最終單位面積邊緣密度；

根據(jù)所述最終單位面積邊緣密度的大小，從多個(gè)所述局部區(qū)域中篩選出多個(gè)所述平滑區(qū)域。

可選地，所述根據(jù)顏色特征預(yù)統(tǒng)計(jì)分布圖得出所述平滑區(qū)域的顏色分類結(jié)果包括：

分別計(jì)算每個(gè)所述平滑區(qū)域的色相平均值、飽和度平均值和明度平均值；

根據(jù)所述顏色特征預(yù)統(tǒng)計(jì)分布圖選擇每種顏色對(duì)應(yīng)的取值范圍；

分別將所述平滑區(qū)域的所述色相平均值、所述飽和度平均值和所述明度平均值與所述取值范圍相對(duì)照，確定所述平滑區(qū)域的顏色分類結(jié)果。

可選地，利用顏色分類模型對(duì)所述最終待識(shí)別區(qū)域進(jìn)行顏色分類，確定所述車身的顏色包括：

將多個(gè)所述最終識(shí)別區(qū)域進(jìn)行合成得出識(shí)別圖；

利用所述顏色分類模型對(duì)所述識(shí)別圖進(jìn)行顏色分類；

得出所述識(shí)別圖的最終顏色分類結(jié)果。

可選地，所述利用所述顏色分類模型對(duì)所述識(shí)別圖進(jìn)行顏色分類包括：

計(jì)算所述識(shí)別圖的顏色分量直方圖；

利用支持向量機(jī)和所述顏色分量直方圖建立所述顏色分類模型；

利用所述顏色分類模型對(duì)所述圖進(jìn)行顏色分類。

可選地，其特征在于，所述根據(jù)所述平滑區(qū)域的所述明度和所述飽和度篩選出最終待識(shí)別區(qū)域包括：

按所述明度的大小對(duì)所述平滑區(qū)域排序，去除明度最大和明度最小的預(yù)設(shè)數(shù)量的所述平滑區(qū)域，將剩下的所述平滑區(qū)域作為第一平滑區(qū)域；

按所述飽和度的大小將所述第一平滑區(qū)域排序，按飽和度從大到小地選取出預(yù)設(shè)數(shù)量的所述第一平滑區(qū)域，將選取出的所述第一平滑區(qū)域作為最終待識(shí)別區(qū)域。

此外，本發(fā)明還提供了一種識(shí)別車身顏色的裝置，包括：

獲取單元，用于獲取在車身圖片上預(yù)選定的多個(gè)平滑區(qū)域的色相、飽和度和明度；

分類單元，用于根據(jù)顏色特征預(yù)統(tǒng)計(jì)分布圖得出所述平滑區(qū)域的顏色分類結(jié)果；

判斷單元，用于判斷所述平滑區(qū)域的所述顏色分類結(jié)果是否一致；

篩選單元，用于當(dāng)所述平滑區(qū)域的所述顏色分類結(jié)果不一致時(shí)，根據(jù)所述平滑區(qū)域的所述明度和所述飽和度篩選出最終待識(shí)別區(qū)域；

最終確定單元，用于利用顏色分類模型對(duì)所述最終待識(shí)別區(qū)域進(jìn)行顏色分類，確定所述車身的顏色。

可選地，還包括：

確定單元，用于當(dāng)所述平滑區(qū)域的所述顏色分類結(jié)果一致時(shí)，根據(jù)所述平滑區(qū)域的所述顏色分類結(jié)果確定所述車身的顏色。

可選地，還包括：

獲取計(jì)算單元，用于獲取所述車身上車頭區(qū)域的邊緣紋理圖像，計(jì)算所述邊緣紋理圖像的積分圖；

劃分單元，用于將所述積分圖劃分成多個(gè)局部區(qū)域；

計(jì)算單元，用于計(jì)算所述局部區(qū)域的最終單位面積邊緣密度；

篩選單元，用于根據(jù)所述單位面積邊緣密度的大小，從多個(gè)所述局部區(qū)域中篩選出多個(gè)所述平滑區(qū)域。

本發(fā)明實(shí)施例所提供的一種識(shí)別車身顏色的方法，通過獲取在車身圖片上預(yù)選定的多個(gè)平滑區(qū)域的色相、飽和度和明度；根據(jù)顏色特征預(yù)統(tǒng)計(jì)分布圖得出平滑區(qū)域的顏色分類結(jié)果；判斷平滑區(qū)域的所述顏色分類結(jié)果是否一致；當(dāng)平滑區(qū)域的所述顏色分類結(jié)果不一致時(shí)，根據(jù)平滑區(qū)域的所述明度的大小和所述飽和度的大小篩選出最終待識(shí)別區(qū)域；利用顏色分類模型對(duì)最終待識(shí)別區(qū)域進(jìn)行顏色分類，確定車身的顏色。本發(fā)明根據(jù)預(yù)先統(tǒng)計(jì)的顏色分量統(tǒng)計(jì)分布圖來對(duì)待識(shí)別區(qū)域進(jìn)行粗分類，在粗分類的基礎(chǔ)上再根據(jù)待識(shí)別區(qū)域的明度和飽和度的大小，利用曝光和背光時(shí)明度有不確定性且飽和度偏低的原則選取光照魯棒性較好的待識(shí)別區(qū)域來進(jìn)行車身顏色的識(shí)別，最大限度的緩解不同光照環(huán)境下顏色信息重疊，提高了車身顏色識(shí)別準(zhǔn)確率。

附圖說明

為了更清楚的說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單的介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為為本發(fā)明實(shí)施例所提供的識(shí)別車身顏色方法的一種具體實(shí)施方式的流程示意圖；

圖2為本發(fā)明實(shí)施例所提供的車身顏色識(shí)別方法的一種具體實(shí)施方式的流程示意圖；

圖3為本發(fā)明實(shí)施例所提供的車身顏色待識(shí)別區(qū)域定位方法的一種具體實(shí)施方式的流程示意圖；

圖4為本發(fā)明實(shí)施例所提供的車身顏色識(shí)別以及待識(shí)別區(qū)域定位的一種具體實(shí)施方式的流程示意圖；

圖5為本發(fā)明實(shí)施例所提供的識(shí)別車身顏色的裝置的結(jié)構(gòu)框圖。

具體實(shí)施方式

為了使本技術(shù)領(lǐng)域的人員更好地理解本發(fā)明方案，下面結(jié)合附圖和具體實(shí)施方式對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說明。顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

請(qǐng)參見圖1，圖1為本發(fā)明實(shí)施例所提供的識(shí)別車身顏色方法的一種具體實(shí)施方式的流程示意圖。

步驟101：獲取在車身圖片上預(yù)選定的多個(gè)平滑區(qū)域的色相、飽和度和明度；

具體地，預(yù)先在車身上確定出多個(gè)平滑區(qū)域作為待識(shí)別區(qū)域，其待識(shí)別區(qū)域可以很好地代替整個(gè)車身的顏色，將選取出的待識(shí)別區(qū)域的顏色特征分量色相、飽和度和明度的數(shù)值輸入到識(shí)別系統(tǒng)中，系統(tǒng)將接受到的數(shù)據(jù)進(jìn)行保存，以便進(jìn)行下一步操作。

可以理解的是，選取的待識(shí)別區(qū)域是平滑的，即所選取的區(qū)域的亮暗突變較小，沒什么亮暗紋理的褶皺。代表著選取出的待識(shí)別區(qū)域應(yīng)該是受光照和陰影的影響較小的，即待識(shí)別區(qū)域抗外界干擾性較好。

顯而易見地，車身顏色識(shí)別的準(zhǔn)確率的高低與預(yù)選定的待識(shí)別區(qū)域的光照魯棒性的好壞有一定的關(guān)系，故如何選取出光照魯棒性好的待識(shí)別區(qū)域是車身顏色識(shí)別必不可少的步驟。在本發(fā)明的一些實(shí)施例中，可以通過卷積運(yùn)算得到車頭區(qū)域的邊緣紋理圖像，計(jì)算邊緣紋理圖像的積分圖，將積分圖劃分成多個(gè)局部區(qū)域，計(jì)算局部區(qū)域的最終單位面積邊緣密度；根據(jù)最終單位面積邊緣密度的大小，從多個(gè)局部區(qū)域中篩選出多個(gè)平滑區(qū)域。單位面積邊緣密度小意味著該區(qū)域很光滑，即沒什么紋理的褶皺，代表著受到光照及陰影的影響小，在識(shí)別時(shí)可以提高識(shí)別的準(zhǔn)確率。

步驟102：根據(jù)顏色特征預(yù)統(tǒng)計(jì)分布圖得出所述平滑區(qū)域的顏色分類結(jié)果；

具體地，預(yù)先制作好的顏色特征統(tǒng)計(jì)分布圖，即顏色特征分量色相H、飽和度S和明度L的分布規(guī)律。將保存的待識(shí)別區(qū)域的顏色特征分量的數(shù)據(jù)進(jìn)行運(yùn)算分析，參照統(tǒng)計(jì)出來的顏色特征分量的分布規(guī)律識(shí)別出待識(shí)別區(qū)域的顏色。

可以理解的是，每種顏色是有很多的像素點(diǎn)組成的，每個(gè)像素都有HSL分量，故統(tǒng)計(jì)出來每種顏色對(duì)應(yīng)的顏色特征的分布圖實(shí)際是各個(gè)像素的HSL分量的分布規(guī)律。顯而易見地，在進(jìn)行統(tǒng)計(jì)時(shí)是需要大量的樣本支持，而為了減少無關(guān)變量的干擾，需要盡可能保證每個(gè)樣本的面積應(yīng)該相同且與所選取的待識(shí)別區(qū)域面積一樣。例如，當(dāng)統(tǒng)計(jì)時(shí)的樣本面積為16*16時(shí)，相應(yīng)地，待識(shí)別區(qū)域的像素面積也盡可能地接近16*16，這樣才能保證結(jié)果的可靠性，而16*16的區(qū)域應(yīng)該有256個(gè)HSL分量，即有256個(gè)像素，每個(gè)像素都有各自對(duì)應(yīng)的HSL分量。而在統(tǒng)計(jì)HSL分量的分布規(guī)律的時(shí)候，應(yīng)該統(tǒng)計(jì)每個(gè)像素對(duì)應(yīng)的HSL分量的數(shù)值，對(duì)其中的一個(gè)像素來說，記錄的是該像素對(duì)應(yīng)的H值為多少，S值為多少，L值為多少。例如，對(duì)一個(gè)從顏色為黑色的車頭圖片中選取出的像素，其H＝20，S＝40，L＝60，統(tǒng)計(jì)時(shí)則是記錄其HSL具體的數(shù)值。每一種顏色的統(tǒng)計(jì)分布圖實(shí)際上是一個(gè)概率圖，每種顏色都有各自對(duì)應(yīng)的H分量分布曲線、S分量分布曲線和L分量分布曲線。其分量分布曲線是樣本數(shù)值分布概率。例如有1000個(gè)黑色樣本區(qū)域，每個(gè)樣本區(qū)域有16*16個(gè)像素，故有256000個(gè)像素，在數(shù)軸上記錄一個(gè)一個(gè)像素的分量值，統(tǒng)計(jì)完成后，可以看到很多的點(diǎn)分布在數(shù)軸的不同位置，把相同類別的數(shù)值進(jìn)行歸一化處理可以得到HSL三條曲線，這樣就可以得到車頭顏色為黑色時(shí)的顏色分量分布規(guī)律。當(dāng)然，也可以將記錄的點(diǎn)分布做成直方圖或者是其它類型的分布圖，其本質(zhì)還是不變的。

需要說明的是，上述顏色特征預(yù)統(tǒng)計(jì)分布圖的建立離不開大量的統(tǒng)計(jì)樣本，為了更好地囊括現(xiàn)實(shí)中的車身顏色，需要統(tǒng)計(jì)各種顏色的顏色特征分布圖。例如可以從多個(gè)不同環(huán)境下的停車場進(jìn)出口，收集大量車輛的圖片。所收集的車輛顏色應(yīng)該盡可能地囊括所有的顏色，可以包括：黑色、白色、銀色、灰色、紅色、黃色、藍(lán)色、綠色、紫色、棕色、橙色和粉色。每種顏色有1000個(gè)16*16的樣本區(qū)域，按像素分布統(tǒng)計(jì)每種顏色對(duì)應(yīng)的HSL三個(gè)變量的統(tǒng)計(jì)分布圖。當(dāng)然，統(tǒng)計(jì)的顏色組合也可以為其它顏色組合，也可以根據(jù)實(shí)際的情況來選取需要統(tǒng)計(jì)的顏色組合。

利用預(yù)先統(tǒng)計(jì)好的HSL分量分布圖識(shí)別出待識(shí)別區(qū)域的顏色，即可以根據(jù)待識(shí)別區(qū)域的顏色分量HSL與對(duì)應(yīng)的統(tǒng)計(jì)出來的HSL分布圖相互參照，則可判斷出待識(shí)別區(qū)域的顏色。例如可以計(jì)算每個(gè)待識(shí)別區(qū)域的顏色分量HSL的平均值，即分別把待識(shí)別區(qū)域中的各個(gè)像素的HSL的值相加除以像素的個(gè)數(shù)，得出待識(shí)別區(qū)域的H分量的平均值、S分量的平均值和L分量的平均值。根據(jù)每種顏色的HSL統(tǒng)計(jì)分布圖確定出每種顏色對(duì)應(yīng)的HSL分量的取值范圍，可以將HSL統(tǒng)計(jì)分布圖的波峰區(qū)域作為該顏色分量的取值范圍。分別判斷待識(shí)別區(qū)域的HSL顏色分量落在那個(gè)取值范圍內(nèi)，則可以判斷該待識(shí)別區(qū)域的顏色。依次來判斷每個(gè)待識(shí)別區(qū)域，得出每個(gè)待識(shí)別區(qū)域的顏色分類結(jié)果。

步驟103：判斷所述平滑區(qū)域的所述顏色分類結(jié)果是否一致；

需要說明的是，根據(jù)上一步驟得出的每個(gè)待識(shí)別區(qū)域的顏色分類結(jié)果，判斷所得出的分類結(jié)果是否全部一致。但是由于所選取的平滑區(qū)域即待識(shí)別區(qū)域在車頭上所處的位置不同，受到光照的大小和強(qiáng)弱也是不盡相同的，在不同的光照環(huán)境下識(shí)別出的顏色也會(huì)受到影響，例如，待識(shí)別區(qū)域原本是灰色，但是受到光照影響會(huì)識(shí)別出來的是銀色。故即使原本的車身是單色的，所識(shí)別出來的結(jié)果也會(huì)由于受光照的也會(huì)有所不同，進(jìn)而導(dǎo)致識(shí)別出來的結(jié)果錯(cuò)誤。

步驟104：當(dāng)所述平滑區(qū)域的所述顏色分類結(jié)果不一致時(shí)，根據(jù)所述平滑區(qū)域的所述明度的大小和所述飽和度的大小篩選出最終待識(shí)別區(qū)域；

具體地，當(dāng)待識(shí)別區(qū)域的顏色分類結(jié)果不一致時(shí)，意味著所選取出來的平滑區(qū)域即待識(shí)別區(qū)域中存在著手光照影響導(dǎo)致原本顏色和識(shí)別出來的顏色不一致的區(qū)域，根據(jù)曝光和背光時(shí)L分量有不確定性，而S分量的值偏低的原則，故可以根據(jù)SL分量來對(duì)待識(shí)別區(qū)域進(jìn)一步地篩選，選取出光照魯棒性好的待識(shí)別區(qū)域來作為最終待識(shí)別區(qū)域，最大限度地緩解不同光照環(huán)境下顏色信息重疊的問題。而當(dāng)待識(shí)別區(qū)域的顏色分類結(jié)果一致時(shí)，則意味則所選取處理的平滑區(qū)域即待識(shí)別區(qū)域可以很好地代表整個(gè)車身的顏色，此時(shí)可以直接輸出統(tǒng)計(jì)的結(jié)果。

需要說明的是，在顏色分類結(jié)果不一致時(shí)，進(jìn)一步地根據(jù)每個(gè)待識(shí)別區(qū)域的SL分量的大小來篩選最終待識(shí)別區(qū)域。在本發(fā)明的一些實(shí)施例中，可以先根據(jù)每個(gè)待識(shí)別區(qū)域的L分量值的大小來排序，去掉其中L分量值最大和L分量值最小的若干個(gè)待識(shí)別區(qū)域，再將剩下的待識(shí)別區(qū)域按S分量值的大小排序，選取其中S分量值靠前的若干個(gè)待識(shí)別區(qū)域作為最終的待識(shí)別區(qū)域。例如，當(dāng)上述待識(shí)別區(qū)域?yàn)?5個(gè)時(shí)，去掉L分量值最大和次大的兩個(gè)待識(shí)別區(qū)域，去掉L分量值最小的三個(gè)區(qū)域，此時(shí)，再將剩下的10個(gè)待識(shí)別區(qū)域按照S分量值的大小來排序，選取S分量值最大的5個(gè)待識(shí)別區(qū)域作為最終待識(shí)別區(qū)域。由于L分量值較大的話則表示該待識(shí)別區(qū)域較亮，此時(shí)該L分量值較大的待識(shí)別區(qū)域的S分量值也很大，例如當(dāng)L分量值非常大的時(shí)候可以等同于白色，白色的S分量值很大。而當(dāng)L分量值較小的話則表示該待識(shí)別區(qū)域較暗，此時(shí)該L分量值較小的待識(shí)別區(qū)域的S分量值也很大，例如當(dāng)L分量值非常小的時(shí)候可以等同于黑色，黑色的S分量值也很大。故不可以先根據(jù)S值的大小，再根據(jù)L值的大小來選取最終待識(shí)別區(qū)域。當(dāng)然了，也可以不用將待識(shí)別區(qū)域按照SL分量值的大小進(jìn)行排序，也可以在進(jìn)行綜合的考量后再選取出最終待識(shí)別區(qū)域，即可以對(duì)待識(shí)別區(qū)域中的S分量值和L分量值同時(shí)考量，選取出最終待識(shí)別區(qū)域。

步驟105：利用顏色分類模型對(duì)所述最終待識(shí)別區(qū)域進(jìn)行顏色分類，確定所述車身的顏色。

具體地，將上一步驟中篩選出的最終待識(shí)別區(qū)域利用訓(xùn)練好的顏色分類模型進(jìn)行分類，根據(jù)分類結(jié)果可以識(shí)別出車身的顏色。

可以理解的是，上述顏色分類模型的訓(xùn)練是指收集各種環(huán)境下的顏色樣本，統(tǒng)計(jì)這些樣本的顏色特征，將統(tǒng)計(jì)結(jié)果做歸一化處理，定義每種顏色樣本的標(biāo)簽來對(duì)最終待識(shí)別區(qū)域進(jìn)行識(shí)別。

由于最終待識(shí)別區(qū)域是從待識(shí)別區(qū)域中根據(jù)SL分量的大小來篩選出來的，故最終待識(shí)別區(qū)域可能處于車頭圖片上的不同位置，為了提高識(shí)別效率?？梢詫⒑Y選出來的若干個(gè)最終待識(shí)別區(qū)域合成一張圖，識(shí)別的時(shí)候可以對(duì)合成之后的圖來識(shí)別，將圖的識(shí)別結(jié)果作為最終的識(shí)別結(jié)果，即車身的顏色。例如，當(dāng)最終待識(shí)別區(qū)域有5個(gè)時(shí)，其5個(gè)最終待識(shí)別區(qū)域處于車身上不同的位置，可以將這5個(gè)最終待識(shí)別區(qū)域拼起來，用于最后識(shí)別。但是將合成之后的圖用于最后的識(shí)別，識(shí)別效率高了，但相對(duì)于逐一去識(shí)別最終待識(shí)別區(qū)域，其識(shí)別的準(zhǔn)確率會(huì)有所下降。故可以對(duì)若干個(gè)最終待識(shí)別區(qū)域進(jìn)行識(shí)別，而不用合成為一張圖后再進(jìn)行識(shí)別。此時(shí)，在對(duì)若干個(gè)最終待識(shí)別區(qū)域進(jìn)行識(shí)別之后，還要對(duì)識(shí)別的結(jié)果是否一致進(jìn)行判斷，當(dāng)識(shí)別的結(jié)果都一致時(shí)，才可以將識(shí)別結(jié)果作為最終識(shí)別結(jié)果。

在本發(fā)明的一些實(shí)施例中，其顏色分類模型可以使用HSV顏色直方圖分類模型，可以用支持向量機(jī)SVM進(jìn)行訓(xùn)練，即先計(jì)算最終待識(shí)別區(qū)域的HSV顏色直方圖，后用支持向量機(jī)SVM進(jìn)行訓(xùn)練。例如，在將5個(gè)最終待識(shí)別區(qū)域合成為一張圖的情況下，可以先計(jì)算合成圖的HSV顏色直方圖，然后用SVM訓(xùn)練計(jì)算得到的HSV顏色直方圖。當(dāng)然，也可以使用其它的顏色分類模型或者是其它的方式來訓(xùn)練顏色分類模型，進(jìn)而來對(duì)最終待識(shí)別區(qū)域進(jìn)行顏色識(shí)別，例如RGB顏色直方圖。

本發(fā)明實(shí)施例所提供的一種識(shí)別車身顏色的方法，通過獲取在車身圖片上預(yù)選定的多個(gè)平滑區(qū)域的色相、飽和度和明度；根據(jù)顏色特征預(yù)統(tǒng)計(jì)分布圖得出平滑區(qū)域的顏色分類結(jié)果；判斷平滑區(qū)域的所述顏色分類結(jié)果是否一致；當(dāng)平滑區(qū)域的所述顏色分類結(jié)果不一致時(shí)，根據(jù)平滑區(qū)域的所述明度的大小和所述飽和度的大小篩選出最終待識(shí)別區(qū)域；利用顏色分類模型對(duì)最終待識(shí)別區(qū)域進(jìn)行顏色分類，確定車身的顏色。本發(fā)明根據(jù)預(yù)先統(tǒng)計(jì)的顏色分量統(tǒng)計(jì)分布圖來對(duì)待識(shí)別區(qū)域進(jìn)行粗分類，在粗分類的基礎(chǔ)上再根據(jù)待識(shí)別區(qū)域的明度和飽和度的大小，利用曝光和背光時(shí)明度有不確定性且飽和度偏低的原則選取光照魯棒性較好的待識(shí)別區(qū)域來進(jìn)行車身顏色的識(shí)別，最大限度的緩解不同光照環(huán)境下顏色信息重疊，提高了車身顏色識(shí)別準(zhǔn)確率。

為了更好地介紹說明其車身顏色識(shí)別的過程，下面將應(yīng)用具體的例子來介紹。請(qǐng)參見圖2，圖2為本發(fā)明實(shí)施例所提供的車身顏色識(shí)別方法的一種具體實(shí)施方式的流程示意圖。

步驟201：輸入15個(gè)待識(shí)別平滑區(qū)域的HSL分量的數(shù)值；

具體地，將預(yù)先選取出的15個(gè)待識(shí)別區(qū)域平滑區(qū)域的顏色分分量的數(shù)值輸入到識(shí)別系統(tǒng)中。

步驟202：判斷所輸入的HSL分類的數(shù)值與統(tǒng)計(jì)的HSL分布圖的波峰區(qū)域組合分布是否一致且唯一。如果是，則進(jìn)入步驟206，如果否，則進(jìn)入步驟203；

具體地，首先統(tǒng)計(jì)12種用于識(shí)別的待識(shí)別的平滑區(qū)域的車身顏色樣本，其樣本的組合可以包括：黑色、白色、銀色、灰色、紅色、黃色、藍(lán)色、綠色、藍(lán)色、紫色、棕色、橙色、粉色。每種顏色統(tǒng)計(jì)的樣本數(shù)量為1000個(gè)，其待識(shí)別的平滑區(qū)域有16*16個(gè)像素，按像素分別統(tǒng)計(jì)HSL三個(gè)顏色分量的分布規(guī)律，做成統(tǒng)計(jì)分布圖。例如可以從多個(gè)停車場的進(jìn)出口收集大量車輛的圖片，其車輛的車身顏色只有一種。當(dāng)然，其統(tǒng)計(jì)的顏色類型組合和樣本數(shù)量以及平滑區(qū)域的面積設(shè)定不限于上述提到的。

然后根據(jù)統(tǒng)計(jì)得出的HSL分量的曲線分布圖，把每種顏色的HSL分量的曲線分布圖的波峰區(qū)域的取值范圍定義為該顏色的HSL分量的取值范圍。進(jìn)而計(jì)算每個(gè)待識(shí)別平滑區(qū)域的H分量的平均值、S分量的平均值和L分量的平均值。判斷每個(gè)待識(shí)別平滑區(qū)域的HSL的平均值落在那個(gè)取值范圍上，則該待識(shí)別平滑區(qū)域的顏色類別為取值范圍對(duì)應(yīng)的顏色。這是利用統(tǒng)計(jì)學(xué)來對(duì)15個(gè)待識(shí)別區(qū)域進(jìn)行粗分類，當(dāng)然，如果粗分類識(shí)別不出來，則需要對(duì)待識(shí)別平滑區(qū)域進(jìn)行進(jìn)一步地過濾受到曝光和背光影響的待識(shí)別平滑區(qū)域。利用統(tǒng)計(jì)分布圖識(shí)別待識(shí)別區(qū)域的顏色的方法不限于上述的用HSL分量的平均值判斷的方法，使用其它的方法來進(jìn)行粗分類也可以。

需要指出的是，制作HSL分量的統(tǒng)計(jì)分布圖也可以在輸入待識(shí)別區(qū)域的HSL分量之前完成，該動(dòng)作的先后順序可以根據(jù)實(shí)際情況考慮。

步驟203：將15個(gè)待識(shí)別平滑區(qū)域按L分量從大到小排序，去除最亮的兩個(gè)區(qū)域和最暗的三個(gè)區(qū)域，選取中間的10個(gè)平滑區(qū)域；

由于用上述粗分類的方法仍然無法得出準(zhǔn)確的結(jié)果，故其15個(gè)待識(shí)別區(qū)域中存在著受不同光照環(huán)境的影響較大的區(qū)域。此時(shí)可以先根據(jù)L分量值的大小來進(jìn)行初步篩選?；谑芷毓夂捅彻庥绊憰r(shí)L分量有不確定性，而S分量較低的原則，將15個(gè)待識(shí)別平滑區(qū)域按L分量值的大小從大到小的進(jìn)行排序，去除其中L值最大和次大的兩個(gè)待識(shí)別平滑區(qū)域，以及去掉L值最小、次小和第三小的待識(shí)別平滑區(qū)域，將剩下的10個(gè)待識(shí)別區(qū)域進(jìn)行進(jìn)一步地篩選。

顯而易見地，根據(jù)L分量值的大小進(jìn)行篩選時(shí)，也可以進(jìn)行小到大地排序，或者可以不進(jìn)行排序直接挑選。而其去掉的區(qū)域數(shù)量不限于5個(gè)，但是在有15個(gè)待識(shí)別平滑區(qū)域的情況下，去掉區(qū)域的數(shù)量為5個(gè)是一個(gè)經(jīng)驗(yàn)值，相對(duì)于其它的值來說會(huì)好一點(diǎn)。

步驟204：將選取出的10個(gè)待識(shí)別的平滑區(qū)域按S分量從大到小排序，選取S分量值最大的5個(gè)平滑區(qū)域并合成為一張圖；

從剩下的10個(gè)待識(shí)別平滑區(qū)域中按照S分量值的大小進(jìn)行排序，選取S分量值靠前的5個(gè)待識(shí)別平滑區(qū)域，并將這5個(gè)待識(shí)別平滑區(qū)域合成一張圖，用于最后的識(shí)別，其圖有16*80個(gè)像素。當(dāng)然，根據(jù)S分量值的大小選取待識(shí)別平滑區(qū)域的數(shù)量不限于5個(gè)，也可以為3個(gè)或者是其它基數(shù)數(shù)值。雖然選擇5個(gè)以外的數(shù)值也可以實(shí)現(xiàn)本發(fā)明實(shí)施例的目的，但是選擇3個(gè)的話就顯得樣本太少，不能很好地解決車頭區(qū)域的保險(xiǎn)杠區(qū)域和車身顏色不一致的問題。

步驟205：計(jì)算統(tǒng)計(jì)合成后的圖的HSV顏色特征直方圖，用訓(xùn)練好的SVM和HSV顏色特征直方圖的分類器進(jìn)行分類識(shí)別；

將合成之后的圖的顏色分類HSV按像素統(tǒng)計(jì)，制作相應(yīng)的HSV顏色特征直方圖，其中，由于H分量的取值范圍是0到180，S分量的取值范圍是0到255，V分量的取值范圍是0到255，那么可以將H分量分成10個(gè)組，每個(gè)組包括18個(gè)像素。對(duì)應(yīng)地，S分量和V分量也按照上述思想進(jìn)行劃分。則合成之后的圖的HSV顏色特征直方圖有30個(gè)組，對(duì)HSV顏色特征直方圖進(jìn)行歸一化處理。而利用SVM訓(xùn)練計(jì)算好的HSV顏色特征直方圖可以是指統(tǒng)計(jì)各種環(huán)境下的顏色樣本，每類可以是500個(gè)平滑區(qū)域樣本，每個(gè)區(qū)域樣本是由5個(gè)區(qū)域合成的圖。將每個(gè)統(tǒng)計(jì)樣本的HSV顏色特征直方圖進(jìn)行歸一化處理，定義每種顏色樣本對(duì)應(yīng)的取值范圍來進(jìn)行識(shí)別。當(dāng)然，其顏色特征直方圖不限于上述的HSV顏色直方圖，而用來訓(xùn)練顏色特征直方圖的方式也不限于上述的SVM。

步驟206：輸出識(shí)別結(jié)果。

本發(fā)明實(shí)施例提供的識(shí)別車身顏色方法的一種具體實(shí)施方式，通過識(shí)別15個(gè)待識(shí)別區(qū)域的顏色分類是否一致來識(shí)別車身的顏色，其中，利用統(tǒng)計(jì)學(xué)的知識(shí)先進(jìn)行粗分類，在利用SL分量的大小進(jìn)行篩選，將篩選出的待識(shí)別區(qū)域進(jìn)行合成為一張圖，對(duì)圖利用顏色分類模型進(jìn)行識(shí)別，進(jìn)而得出最終的識(shí)別結(jié)果。通過具體的待識(shí)別區(qū)域的個(gè)數(shù)來具體介紹車身顏色識(shí)別的過程，可見，利用SL分量的大小來篩選出光照魯棒性較好的待識(shí)別區(qū)域進(jìn)行識(shí)別，提高了車身顏色識(shí)別的準(zhǔn)確率。

車身顏色識(shí)別包括檢測和識(shí)別兩個(gè)部分，車身顏色待識(shí)別區(qū)域定位的好壞決定著顏色識(shí)別結(jié)果的對(duì)錯(cuò)，其車身顏色待識(shí)別區(qū)域的定位也可以單獨(dú)使用，故對(duì)車身顏色的待識(shí)別區(qū)域的定位過程進(jìn)行詳細(xì)地介紹可以有助于理解車身顏色識(shí)別過程。請(qǐng)參見圖3，圖3為本發(fā)明實(shí)施例所提供的車身顏色待識(shí)別區(qū)域定位方法的一種具體實(shí)施方式的流程示意圖。

步驟301：根據(jù)車牌信息進(jìn)行外擴(kuò)，從而獲得車頭區(qū)域；

首先需要獲取車牌的信息，包括車牌的長、寬和位置信息。根據(jù)車牌的長寬以不同的比例向車牌的上下左右四個(gè)方向平移若個(gè)車牌得到整個(gè)車頭區(qū)域。例如，車頭的左邊界是以車牌的左邊界為基線，向左外擴(kuò)1個(gè)車牌寬度，而車頭右邊界是以車牌的右邊界為基線，向右外擴(kuò)1.5個(gè)車牌的寬度，車頭上邊界是以車牌的上邊界為基線，向上外擴(kuò)4個(gè)車牌高度，車頭下邊界是以車牌的下邊界為基線，向下外擴(kuò)2個(gè)車牌高度。上述例子的外擴(kuò)方式是基于場景的需求而設(shè)計(jì)的，由于在停車場的進(jìn)出口，攝像頭一般設(shè)置于車輛的左手邊，所以實(shí)際上拍得的圖片里，車頭的左邊區(qū)域會(huì)多多一些，右邊區(qū)域會(huì)相對(duì)地少一些。其通過平移車牌來外擴(kuò)得到整個(gè)區(qū)域，向上下左右四個(gè)方向平移的個(gè)數(shù)由實(shí)際的應(yīng)用場景的需求而決定，假如攝像機(jī)正對(duì)著停車場進(jìn)口的中間，則左右外擴(kuò)的寬度都應(yīng)該相同。故左右外擴(kuò)的寬度不限于上述提到的，應(yīng)該由實(shí)際的場景決定。利用車牌的平移來獲得車頭區(qū)域，目的是將車燈也包括在車頭區(qū)域中，為后續(xù)的邊緣密度篩選做準(zhǔn)備。

步驟302：利用梯度算子模板對(duì)車頭區(qū)域進(jìn)行卷積運(yùn)算，從而獲得邊緣紋理圖像；

具體地，對(duì)外擴(kuò)得到的車頭區(qū)域的灰度圖像使用梯度算子模板進(jìn)行卷積運(yùn)算，獲得車頭區(qū)域的邊緣紋理圖像。例如，可以使用135度的梯度算子模板為卷積核以步伐為1個(gè)像素對(duì)車頭區(qū)域的灰度圖像進(jìn)行卷積運(yùn)算，得到邊緣密度圖像。圖像識(shí)別中的卷積運(yùn)算實(shí)際上是對(duì)原本的灰度圖進(jìn)行平移和翻轉(zhuǎn)得到最終的圖像，其邊緣紋理圖像實(shí)際上是邊緣密度圖像。使用上述例子中的梯度算子模板為卷積核進(jìn)行運(yùn)算，其原因是經(jīng)過上述梯度算子模板后的像素是由兩個(gè)差值的和，其中一個(gè)差值為該像素的上方像素與下方像素的差值，另一個(gè)差值為該像素的一個(gè)右邊像素和一個(gè)左邊像素的差值。如果局部區(qū)域經(jīng)過該梯度算子模板運(yùn)算后，如果該區(qū)域是平滑的，沒有什么紋理的褶皺的，則最后的差值為0，如果該區(qū)域不是平滑的，有水平紋理或者是豎直紋理的，則最后的紋理差異性會(huì)被放大。

步驟303：計(jì)算邊緣紋理圖像的積分圖，并且計(jì)算整個(gè)車頭區(qū)域的單位面積的邊緣密度A；

具體地，計(jì)算邊緣紋理圖像的積分圖可以很好地避免了一個(gè)區(qū)域的邊緣密度值累加重復(fù)計(jì)算。積分圖上的每個(gè)點(diǎn)都包含了點(diǎn)(0,0)到點(diǎn)(x,y)所有像素的邊緣值，根據(jù)積分圖先計(jì)算整個(gè)車頭區(qū)域的邊緣密度Qn＝O(Xn,Yn)-O(0,0)，根據(jù)計(jì)算得到的邊緣密度進(jìn)而計(jì)算單位面積邊緣密度A＝Qn/(Xn*Yn)。

步驟304：以16個(gè)像素為步伐遍歷整個(gè)車頭區(qū)域，計(jì)算長度為W，寬度為16大小的局部行區(qū)域n的單位面積邊緣密度Bn，進(jìn)行第一次篩選；

具體地，可以將這個(gè)車頭區(qū)域劃分成若干個(gè)W*16大小的局部行區(qū)域，其中，W為車頭區(qū)域的長度，局部行區(qū)域互不相交。對(duì)每個(gè)區(qū)域進(jìn)行編號(hào)1到n，其中，n表示第幾個(gè)局部行區(qū)域?？梢砸攒囶^區(qū)域的上邊界為起點(diǎn)，按16個(gè)像素為步伐遍歷車頭區(qū)域，計(jì)算W*16個(gè)像素的局部行區(qū)域的單位面積邊緣密度。其計(jì)算的具體過程為先計(jì)算每個(gè)局部行區(qū)域的邊緣密度，再邊緣密度除以該局部行區(qū)域?qū)?yīng)的像素面積。即每個(gè)局部行區(qū)域的邊緣密度為Rn＝O(Xn,Yn)-O(0,Yn-₁₆),其單位面積邊緣密度為Bn＝Rn/(Xn*16)，其中，點(diǎn)(Xn,Yn)為車頭圖像右下角的頂點(diǎn)坐標(biāo)。

需要指出的是，局部行區(qū)域的像素面積的大小不限于上述的W*16，也可以為其它的，例如0.5W*16,0.5W*8。但是上述例子的W*16相對(duì)于其它值來說，其實(shí)現(xiàn)效果較好。

步驟305：比較Bn和A的大小，如果Bn小于A，則保留該局部行區(qū)域的位置信息，如果Bn大于A，則進(jìn)入步驟306；

利用局部行區(qū)域的單位面積邊緣密度的大小來進(jìn)行篩選，目的是避免選擇到局部行區(qū)域中有包括了車燈及水箱的局部行區(qū)域。選擇車防護(hù)欄及車蓋區(qū)域作為車身顏色待識(shí)別區(qū)域。

步驟306：判斷遍歷是否結(jié)束，如果沒有結(jié)束，則返回步驟304，如果結(jié)束，則進(jìn)入步驟307；

步驟307：以8個(gè)像素為步伐遍歷每個(gè)第一次篩選出的局部行區(qū)域，尋找出有16*16個(gè)像素的單位面積邊緣密度最小的局部小區(qū)域，并計(jì)錄尋找出的局部小區(qū)域的單位面積邊緣密度為Cn，進(jìn)行第二次篩選；

在第一次篩選的基礎(chǔ)上，對(duì)篩選出的局部行區(qū)域進(jìn)行遍歷。對(duì)于單個(gè)局部行區(qū)域來說，遍歷的目的是為了尋找出單位面積邊緣密度最小的16*16個(gè)像素大小的局部小區(qū)域，其中，每一個(gè)局部行區(qū)域?qū)?yīng)一個(gè)局部小區(qū)域，其局部小區(qū)域的單位面積邊緣密度為Cn。在原本平滑的局部行區(qū)域選取出更平滑的局部小區(qū)域。

步驟308：判斷是否遍歷結(jié)束，如果沒有結(jié)束，則返回步驟307，如果結(jié)束，則進(jìn)入步驟309；

步驟309：將第一次篩選出的局部行區(qū)域的單位面積邊緣密度Bn與對(duì)應(yīng)的局部小區(qū)域的單位面積邊緣密度Cn相加為Dn，選擇Dn最小的15個(gè)局部行區(qū)域?qū)?yīng)的局部小區(qū)域作為車身顏色待識(shí)別區(qū)域。

將Bn和Cn相加的值Dn重新定義為局部行區(qū)域的單位面積邊緣密度，將Dn從小到大地排序，選取Dn值最小的15個(gè)局部行區(qū)域?qū)?yīng)的局部小區(qū)域作為平滑區(qū)域，即作為車身顏色待識(shí)別區(qū)域。

需要說明的是，由于一個(gè)區(qū)域非常平滑，該區(qū)域就有很多的紋理。假如直接將選取出的16*16個(gè)像素大小的局部小區(qū)域作為車身顏色待識(shí)別區(qū)域的話，就會(huì)有可能將水箱區(qū)域也選擇進(jìn)去，而水箱區(qū)域并不能代替整個(gè)車身的顏色。局部行區(qū)域如果為水箱區(qū)域的話，由于水箱區(qū)域的單位面積邊緣密度值很小，至少會(huì)比其它不是水箱區(qū)域的局部小區(qū)域的單位面積邊緣密度值小。所有不能直接將選取出的局部小區(qū)域作為車身顏色待識(shí)別區(qū)域。將Bn和Cn相加的目的就是為了避免選取水箱區(qū)域，使選取出的待識(shí)別區(qū)域可以很好地代表整個(gè)車身的顏色，有助于提升識(shí)別準(zhǔn)確率。

本發(fā)明實(shí)施例所提供的車身顏色識(shí)別區(qū)域定位的方法，通過獲取車身的車頭區(qū)域的邊緣紋理圖像，計(jì)算邊緣紋理圖像的積分圖；將計(jì)算得到的積分圖劃分成多個(gè)局部區(qū)域，計(jì)算得出每個(gè)局部區(qū)域的最終單位面積邊緣密度；根據(jù)局部區(qū)域的最終單位面積邊緣密度的大小從多個(gè)局部區(qū)域中篩選出多個(gè)平滑區(qū)域，將平滑區(qū)域作為車身顏色待識(shí)別區(qū)域。利用邊緣紋理圖像和積分圖的方法來進(jìn)行預(yù)處理，減少重復(fù)計(jì)算。從積分圖的多個(gè)局部區(qū)域中根據(jù)單位面積邊緣密度的大小來選取多個(gè)平滑區(qū)域來作為車身顏色最終待識(shí)別區(qū)域。局部區(qū)域的最終單位面積邊緣密度小表示著該區(qū)域在受到光照及陰影的影響下抗干擾性較好，可以很好地代表整個(gè)車身的顏色。可見，通過利用單位面積邊緣密度的大小來篩選出紋理較平滑的區(qū)域，選取出的平滑區(qū)域抗外界干擾性較好。

由于車身顏色識(shí)別包括檢測和識(shí)別兩個(gè)部分，檢測的好壞對(duì)識(shí)別的結(jié)果有一定的影響。檢測過程和識(shí)別過程可以單獨(dú)地進(jìn)行，也可以包括在完整的車身顏色識(shí)別過程中，故詳細(xì)地介紹檢測和識(shí)別過程是必要的。那么，下面將對(duì)車身顏色識(shí)別的整個(gè)過程進(jìn)行介紹。請(qǐng)參見圖4，圖4為本發(fā)明實(shí)施例所提供的車身顏色識(shí)別以及待識(shí)別區(qū)域定位的一種具體實(shí)施方式的流程示意圖。

步驟401：獲取車頭區(qū)域的邊緣紋理圖像，計(jì)算邊緣紋理圖像的積分圖。

具體地，可以向利用車牌的信息進(jìn)行外擴(kuò)來得到車頭區(qū)域，對(duì)車頭區(qū)域的灰度圖像進(jìn)行卷積運(yùn)算得到車頭區(qū)域的邊緣紋理圖像，進(jìn)而計(jì)算邊緣紋理圖像的積分圖。其具體過程可以參見上述實(shí)施例，在此不再贅述。

步驟402：計(jì)算車頭區(qū)域的單位面積邊緣密度A；

步驟403：以16個(gè)像素為步伐遍歷整個(gè)車頭區(qū)域，計(jì)算長度為W，寬度為16大小的局部行區(qū)域n的單位面積邊緣密度Bn，進(jìn)行第一次篩選；

步驟404：比較Bn和A的大小，如果Bn小于A，則保留該局部行區(qū)域的位置信息，如果Bn大于A，則進(jìn)入步驟405；

步驟405：判斷遍歷是否結(jié)束，如果沒有結(jié)束，則返回步驟403，如果結(jié)束，則進(jìn)入步驟406；

步驟406：以8個(gè)像素為步伐遍歷每個(gè)第一次篩選出的局部行區(qū)域，尋找出有16*16個(gè)像素的單位面積邊緣密度最小的局部小區(qū)域，并計(jì)錄尋找出的局部小區(qū)域的單位面積邊緣密度為Cn，進(jìn)行第二次篩選；

步驟407：判斷是否遍歷結(jié)束，如果沒有結(jié)束，則返回步驟306，如果結(jié)束，則進(jìn)入步驟408；

步驟408：將第一次篩選出的局部行區(qū)域的單位面積邊緣密度Bn與對(duì)應(yīng)的局部小區(qū)域的單位面積邊緣密度Cn相加為Dn，選擇Dn最小的15個(gè)局部區(qū)域?qū)?yīng)的局部小區(qū)域作為平滑區(qū)域；

步驟409：輸入15個(gè)待識(shí)別平滑區(qū)域的HSL分量的數(shù)值；

步驟410：判斷所輸入的HSL分類的數(shù)值與統(tǒng)計(jì)的HSL分布圖的波峰區(qū)域組合分布是否一致且唯一。如果是，則進(jìn)入步驟413，如果否，則進(jìn)入步驟411；

步驟411：將15個(gè)待識(shí)別平滑區(qū)域按L分量從大到小排序，去除最亮的兩個(gè)區(qū)域和最暗的三個(gè)區(qū)域，選取中間的10個(gè)平滑區(qū)域；將選取出的10個(gè)待識(shí)別的平滑區(qū)域按S分量從大到小排序，選取S分量值最大的5個(gè)平滑區(qū)域并合成為一張圖；

步驟412：計(jì)算統(tǒng)計(jì)合成后的圖的HSV顏色特征直方圖，用訓(xùn)練好的SVM和HSV顏色特征直方圖的分類器進(jìn)行分類識(shí)別；

步驟413：輸出識(shí)別結(jié)果。

需要指出的是，在本實(shí)施例中只對(duì)檢測和識(shí)別的整個(gè)過程進(jìn)行大概的介紹，其具體實(shí)現(xiàn)的細(xì)節(jié)可以參見本發(fā)明中的其它實(shí)施例。

本發(fā)明實(shí)施例所提供的識(shí)別車身顏色以及待識(shí)別區(qū)域定位的方法，其檢測過程利用邊緣紋理圖像和積分圖的方法來進(jìn)行預(yù)處理，減少重復(fù)計(jì)算。從積分圖的多個(gè)局部區(qū)域中根據(jù)單位面積邊緣密度的大小來選取多個(gè)平滑區(qū)域來作為車身顏色最終待識(shí)別區(qū)域。局部區(qū)域的最終單位面積邊緣密度小表示著該區(qū)域在受到光照及陰影的影響下抗干擾性較好，通過利用單位面積邊緣密度的大小來篩選出紋理較平滑的區(qū)域，選取出的平滑區(qū)域抗外界干擾性較好。其識(shí)別過程為預(yù)先統(tǒng)計(jì)的顏色分量統(tǒng)計(jì)分布圖來對(duì)上述檢測過程篩選出的待識(shí)別區(qū)域進(jìn)行粗分類，在粗分類的基礎(chǔ)上再根據(jù)待識(shí)別區(qū)域的明度和飽和度的大小，利用曝光和背光時(shí)明度有不確定性且飽和度偏低的原則選取光照魯棒性較好的待識(shí)別區(qū)域來進(jìn)行車身顏色的識(shí)別，最大限度的緩解不同光照環(huán)境下顏色信息重疊，提高了車身顏色識(shí)別準(zhǔn)確率。

下面對(duì)本發(fā)明實(shí)施例提供的一種識(shí)別車身顏色的裝置進(jìn)行介紹，下文描述的識(shí)別車身顏色的裝置與上文描述的識(shí)別車身顏色的方法可相互對(duì)應(yīng)參照。

圖5為本發(fā)明實(shí)施例提供的識(shí)別車身顏色的裝置的結(jié)構(gòu)框圖，參照?qǐng)D5的識(shí)別車身顏色的裝置可以包括：

獲取單元501，用于獲取在車身圖片上預(yù)選定的多個(gè)平滑區(qū)域的色相、飽和度和明度；

分類單元502，用于根據(jù)顏色特征預(yù)統(tǒng)計(jì)分布圖得出所述平滑區(qū)域的顏色分類結(jié)果；

判斷單元503，用于判斷所述平滑區(qū)域的所述顏色分類結(jié)果是否一致；

篩選單元504，用于當(dāng)所述平滑區(qū)域的所述顏色分類結(jié)果不一致時(shí)，根據(jù)所述平滑區(qū)域的所述明度和所述飽和度篩選出最終待識(shí)別區(qū)域；

最終確定單元505，用于利用顏色分類模型對(duì)所述最終待識(shí)別區(qū)域進(jìn)行顏色分類，確定所述車身的顏色。

進(jìn)一步地，還可以包括：確定單元506，用于當(dāng)所述平滑區(qū)域的所述顏色分類結(jié)果一致時(shí)，根據(jù)所述平滑區(qū)域的所述顏色分類結(jié)果確定所述車身的顏色。

進(jìn)一步地，還可以包括：獲取計(jì)算單元507，用于獲取所述車身上車頭區(qū)域的邊緣紋理圖像，計(jì)算所述邊緣紋理圖像的積分圖；

劃分單元508，用于將所述積分圖劃分成多個(gè)局部區(qū)域；

計(jì)算單元509，用于計(jì)算所述局部區(qū)域的最終單位面積邊緣密度；

篩選單元510，用于根據(jù)所述單位面積邊緣密度的大小，從多個(gè)所述局部區(qū)域中篩選出多個(gè)所述平滑區(qū)域。

本發(fā)明所提供的一種識(shí)別車身顏色的裝置，根據(jù)預(yù)先統(tǒng)計(jì)的顏色分量統(tǒng)計(jì)分布圖來對(duì)待識(shí)別區(qū)域進(jìn)行粗分類，在粗分類的基礎(chǔ)上再根據(jù)待識(shí)別區(qū)域的明度和飽和度的大小，利用曝光和背光時(shí)明度有不確定性且飽和度偏低的原則選取光照魯棒性較好的待識(shí)別區(qū)域來進(jìn)行車身顏色的識(shí)別，最大限度的緩解不同光照環(huán)境下顏色信息重疊，提高了車身顏色識(shí)別準(zhǔn)確率。

本說明書中各個(gè)實(shí)施例采用遞進(jìn)的方式描述，每個(gè)實(shí)施例重點(diǎn)說明的都是與其它實(shí)施例的不同之處，各個(gè)實(shí)施例之間相同或相似部分互相參見即可。對(duì)于實(shí)施例公開的裝置而言，由于其與實(shí)施例公開的方法相對(duì)應(yīng)，所以描述的比較簡單，相關(guān)之處參見方法部分說明即可。

專業(yè)人員還可以進(jìn)一步意識(shí)到，結(jié)合本文中所公開的實(shí)施例描述的各示例的單元及算法步驟，能夠以電子硬件、計(jì)算機(jī)軟件或者二者的結(jié)合來實(shí)現(xiàn)，為了清楚地說明硬件和軟件的可互換性，在上述說明中已經(jīng)按照功能一般性地描述了各示例的組成及步驟。這些功能究竟以硬件還是軟件方式來執(zhí)行，取決于技術(shù)方案的特定應(yīng)用和設(shè)計(jì)約束條件。專業(yè)技術(shù)人員可以對(duì)每個(gè)特定的應(yīng)用來使用不同方法來實(shí)現(xiàn)所描述的功能，但是這種實(shí)現(xiàn)不應(yīng)認(rèn)為超出本發(fā)明的范圍。

結(jié)合本文中所公開的實(shí)施例描述的方法或算法的步驟可以直接用硬件、處理器執(zhí)行的軟件模塊，或者二者的結(jié)合來實(shí)施。軟件模塊可以置于隨機(jī)存儲(chǔ)器(RAM)、內(nèi)存、只讀存儲(chǔ)器(ROM)、電可編程ROM、電可擦除可編程ROM、寄存器、硬盤、可移動(dòng)磁盤、CD-ROM、或技術(shù)領(lǐng)域內(nèi)所公知的任意其它形式的存儲(chǔ)介質(zhì)中。

以上對(duì)本發(fā)明所提供的識(shí)別車身顏色的方法以及裝置進(jìn)行了詳細(xì)介紹。本文中應(yīng)用了具體個(gè)例對(duì)本發(fā)明的原理及實(shí)施方式進(jìn)行了闡述，以上實(shí)施例的說明只是用于幫助理解本發(fā)明的方法及其核心思想。應(yīng)當(dāng)指出，對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以對(duì)本發(fā)明進(jìn)行若干改進(jìn)和修飾，這些改進(jìn)和修飾也落入本發(fā)明權(quán)利要求的保護(hù)范圍內(nèi)。