基于局部約束線性編碼的車身顏色識(shí)別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于數(shù)字圖像處理技術(shù)，特別涉及計(jì)算機(jī)視覺識(shí)別技術(shù)。
【背景技術(shù)】
[0002] 因此在智能交通系統(tǒng)中，在對(duì)車牌進(jìn)行識(shí)別的同時(shí)，還需要車輛的其他輔助信息， 如車身顏色，車型，車標(biāo)等。
[0003] 目前關(guān)于車身顏色識(shí)別的研究相對(duì)較少，技術(shù)尚不成熟，其識(shí)別準(zhǔn)確率遠(yuǎn)不如車 牌識(shí)別。影響識(shí)別率的主要原因：
[0004] 1、車身顏色易受光照、霧霾、不同天氣等外界噪聲的干擾而產(chǎn)生顏色失真；
[0005] 2、車輛顏色復(fù)雜多變（車身顏色豐富多彩，部分車輛顏色比較少見）；
[0006] 3、運(yùn)動(dòng)車輛的分割定位困難（攝像頭位置不同，主顏色區(qū)域很那定位，定位算法 受車型影響）。
[0007] 當(dāng)前車身顏色識(shí)別方法有：
[0008] -、基于色差的方法。將RGB空間轉(zhuǎn)換為HIS空間，在HIS空間對(duì)所選區(qū)域計(jì)算彩 色直方圖，根據(jù)相應(yīng)的色差計(jì)算公式，計(jì)算與標(biāo)準(zhǔn)顏色模板間的色差，選取計(jì)算到的色差最 小者，通過查找顏色映射表得到其對(duì)象顏色。該方法簡單快速，在光線較好的情況下可獲 取較好的識(shí)別結(jié)果，但在實(shí)際應(yīng)用中，光照、天氣等影響使其獲取的車輛圖像及顏色都不穩(wěn) 定。詳見：李貴俊，劉正熙等.一種基于色差和彩色歸一化的車身顏色識(shí)別方法.計(jì)算機(jī)應(yīng) 用，2004,9.
[0009] 二、基于模板的背景減除法。通過聯(lián)合基于模板的前景掩膜法和圖像分割，使 用基于掩膜相關(guān)區(qū)域標(biāo)注算法將圖像分成幾個(gè)區(qū)域，然后通過去除不必要的區(qū)域細(xì)化前 景圖像得到顏色特征區(qū)域。采用兩層SVM算法對(duì)車身顏色進(jìn)行分類，第一層將顏色分為 彩色與灰色，第二層對(duì)彩色和灰色分別進(jìn)行分類。該方法兩層SVM分類算法效果很好， 但對(duì)光照、運(yùn)動(dòng)目標(biāo)等外部環(huán)境非常敏感。詳見：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.
[0010] 三、基于流形學(xué)習(xí)的方法。該方法通過車尾燈紅色塊定位、幾何規(guī)則過濾以及基 于紋理信息的分類級(jí)聯(lián)方法定位車身尾部的顏色特征區(qū)域，將多個(gè)顏色空間的特征進(jìn)行 融合，然后降低特征維數(shù)。在流形空間中分別使用SVM，kNN進(jìn)行分類學(xué)習(xí)。該方法速度 非?？欤軡M足實(shí)時(shí)性要求，有較高的準(zhǔn)確率，但此方法是利用車身尾部進(jìn)行顏色特征提 取，局限性較大D 詳見：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.

【發(fā)明內(nèi)容】

[0011] 本發(fā)明所要解決的技術(shù)問題是，提供一種準(zhǔn)確率高的車身顏色的自動(dòng)識(shí)別方法。
[0012] 本發(fā)明為解決上述技術(shù)問題所采用的技術(shù)方案是，基于局部約束線性編碼的車身 顏色識(shí)別方法，包括以下步驟：
[0013] 步驟1、建立車身顏色詞袋模型
[0014] 1-1 :車輛圖像分塊。將檢測到的車輛圖像量化到相同尺度，然后將車輛分成相互 重疊的矩形塊，矩形塊大小根據(jù)經(jīng)驗(yàn)值設(shè)置其移動(dòng)步長決定重疊區(qū)域的大小，可根據(jù)實(shí)際 情況進(jìn)行調(diào)整。矩形塊相互重疊是為了保持車輛的局部特征以及空間位置特征。所述車輛 圖像由在不同光照以及天氣環(huán)境下多種車身顏色圖片組成。
[0015] 1-2 :特征提取。對(duì)車輛圖像中每個(gè)矩形塊提取顏色特征，顏色特征為變形的Lab 顏色直方圖，色度直方圖，色矩，對(duì)抗直方圖，歸一化的RG顏色直方圖的合并，即將顏色特 征按順序表征為一維列向量。實(shí)驗(yàn)中可以根據(jù)對(duì)速度與精度的要求相應(yīng)的調(diào)整所需直方圖 的種數(shù)以及各個(gè)直方圖的維數(shù)。
[0016] 1-3 :碼本生產(chǎn)。將每一個(gè)矩形塊的顏色特征設(shè)為一個(gè)碼元，對(duì)數(shù)據(jù)庫中所有車輛 圖像的顏色特征進(jìn)行K-means聚類，碼元為聚類的中心，K即最后的碼本集合大小，K為統(tǒng)計(jì) 經(jīng)驗(yàn)值。
[0017] 步驟2、局部約束線性編碼LLC
[0018] 步驟2-1 :對(duì)待測車輛圖片提取矩形塊的顏色特征，利用碼本通過局部約束線性 編碼LLC對(duì)待測車輛圖片的顏色特征進(jìn)行編碼，映射為高維稀疏向量；
[0019] 步驟3、線性SVM分類
[0020] 步驟3-1 :分類器訓(xùn)練。隨機(jī)選取車輛顏色數(shù)據(jù)庫中每類顏色的一半作為訓(xùn)練樣 本，提取訓(xùn)練樣本中車輛圖片的顏色信息，利用線性SVM進(jìn)行分類器訓(xùn)練，得到分類器模 型，并利用剩余樣本測試分類器性能。
[0021] 步驟3-2 :車身顏色識(shí)別。將編碼后的待測車輛圖片的顏色特征輸入訓(xùn)練好的線 性SVM分類器進(jìn)行分類，從而得到車輛的顏色信息。
[0022] 本發(fā)明方法能夠?qū)煌ㄜ囕v視頻和圖像進(jìn)行智能化處理，實(shí)現(xiàn)車身顏色的自動(dòng)識(shí) 另IJ，包括車身顏色詞袋模型、局部約束編碼LLC、車身顏色識(shí)別三個(gè)主要步驟。首先通過車輛 檢測算法提取出車輛，量化為固定尺度；采用詞袋模型對(duì)車輛進(jìn)行深度采樣，將車輛分成相 互重疊的矩形塊，對(duì)每一小塊分別提取顏色直方圖特征；對(duì)不同顏色、不同外部環(huán)境車輛特 征進(jìn)行K-means聚類生成固定長度碼本；依據(jù)碼本，將車輛特征進(jìn)行局部約束編碼映射到 高維空間；利用線性SVM進(jìn)行訓(xùn)練和識(shí)別。
[0023] 本發(fā)明提出了一種新的車身顏色識(shí)別框架。該框架不需要將車輛分割成不同顏色 的子區(qū)域，依靠詞袋模型獲得車身顏色碼本，并通過LLC對(duì)整車進(jìn)行編碼處理，獲取車身顏 色的高維特征表示，從而通過線性SVM快速識(shí)別出車身顏色。實(shí)驗(yàn)證明提出的框架極大的 提高了系統(tǒng)的識(shí)別準(zhǔn)確率。
[0024] 本發(fā)明的有益效果是，識(shí)別過程簡潔，并且識(shí)別準(zhǔn)確率高。
【附圖說明】
[0025] 圖1 :基于局部約束線性編碼的車身顏色識(shí)別方法整體流程示意圖；
【具體實(shí)施方式】
[0026] 為方便描述本
【發(fā)明內(nèi)容】
，這里首先對(duì)一些術(shù)語進(jìn)行說明：
[0027] 車身顏色識(shí)別系統(tǒng)。指能夠檢測到受監(jiān)控路面的車輛并自動(dòng)提取車身顏色信息 (含黑色、白色、藍(lán)色、黃色、綠色、紅色、灰色、藍(lán)綠色等顏色），并對(duì)其進(jìn)行識(shí)別。
[0028] 視覺詞袋模型。將圖形分成小塊進(jìn)行特征提取，統(tǒng)計(jì)圖像數(shù)據(jù)庫中出現(xiàn)的所有特 征，去除冗余組成詞袋。如果圖像特征過多，采用聚類算法將相近特征歸為一類，利用聚類 結(jié)果組成詞袋。利用視覺詞袋量化圖像特征，通過詞頻表示圖像。
[0029] 碼本。在詞袋模型中將特征向量表示為碼元，即詞。對(duì)樣本采用聚類算法，聚為K 類，K為碼本集合大小，K個(gè)聚類中心為碼本中的碼元。
[0030] κ-means算法。κ-means算法是硬聚類算法，是典型的基于原型的目標(biāo)函數(shù)聚類方 法的代表，它是數(shù)據(jù)點(diǎn)到原型的某種距離作為優(yōu)化的目標(biāo)函數(shù)，利用函數(shù)求極值的方法得 到迭代運(yùn)算的調(diào)整規(guī)則。K-means算法以歐式距離作為相似度測度，它是求對(duì)應(yīng)某一初始聚 類中心向量V最優(yōu)分類，使得評(píng)價(jià)指標(biāo)J最小。算法采用誤差平方和準(zhǔn)則函數(shù)作為聚類準(zhǔn) 則函數(shù)。
[0031] 局部約束編碼LLC。LLC編碼使用局部約束性將描述子投影到局部坐標(biāo)系統(tǒng)中， LLC編碼側(cè)重于局部的約束，而非稀疏性，局部可以帶來稀疏性，但稀疏性未必滿足局部性。
[0032] 線性支持向量機(jī)SVM。SVM是一種監(jiān)督學(xué)習(xí)模型，通常用來進(jìn)行模式識(shí)別、分類、以 及回歸分析。線性SVM是解決含有大量樣本及特征的大尺寸稀疏數(shù)據(jù)最有前途的學(xué)習(xí)技術(shù) 之一，學(xué)習(xí)速度非常快并有很好的識(shí)別準(zhǔn)確率。
[0033] 基于局部約束線性編碼的車身顏色識(shí)別方法，如圖1所示，包含下述步驟：
[0034] 步驟1、車身顏色詞袋模型
[0035] 步驟1-1 :車輛圖像分塊。將檢測到的車輛圖像量化到相同尺度（如300*300)，然 后將車輛分成相互重疊的矩形塊，矩形塊大小根據(jù)經(jīng)驗(yàn)值設(shè)置（如24*24)，其移動(dòng)步長決 定重疊區(qū)域的大小，可根據(jù)實(shí)際情況進(jìn)行調(diào)整（如8)。矩形塊相互重疊是為了保持車輛的 局部特征以及空間位置特征。
[0036