一種識別車身顏色的方法及裝置與流程

2023-06-14 14:56:21 1

本發明涉及圖像處理領域，特別是涉及一種識別車身顏色的方法及裝置。

背景技術：

隨著生活品質的提升，形形色色的汽車出現在各個角落，特別是在停車場、高速公路和城市道路等區域。

在停車場等區域中，一般是利用車牌識別設備來管理車輛的通行。但是由於實際情況中由於車牌的汙損等原因導致車牌的識別率不高。而短期內想要提高車牌的識別率是很困難的，故可以利用汽車車身的顏色來輔助管理車輛的通行。

現有技術中對於車顏色的識別方法是直接利用統計學的方法統計大量樣本的顏色特徵分布圖，然後將想要識別的目標車的車身顏色與統計出的顏色特徵分布圖進行對比，從而可以對目標車的車身進行顏色識別。但是由於對目標車的車身顏色進行識別時，會由於目標車的車身受到的光照的強度以及光照的方向的不同，導致識別出的顏色與目標車的車身實際的顏色不同，進而使得車身顏色的識別準確率較低。例如，當目標車的車身顏色為灰色，但是由於不同光照環境下的顏色信息重疊的原因，識別出的目標車的車身顏色為銀色。基於此，本發明提供了一種識別車身顏色的方法及裝置。

技術實現要素：

本發明的目的是提供一種識別車身顏色的方法，目的在於最大限度的緩解不同光照環境下顏色信息重疊導致的車身顏色識別準確率較低的問題；本發明的另一目的是提供一種識別車身顏色的裝置，其識別車身顏色的準確率較高。

為解決上述技術問題，本發明提供一種識別車身顏色的方法，該方法包括：

獲取在車身圖片上預選定的多個平滑區域的色相、飽和度和明度；

根據顏色特徵預統計分布圖得出所述平滑區域的顏色分類結果；

判斷所述平滑區域的所述顏色分類結果是否一致；

當所述平滑區域的所述顏色分類結果不一致時，根據所述平滑區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別區域；

利用顏色分類模型對所述最終待識別區域進行顏色分類，確定所述車身的顏色。

可選地，還包括：

當所述平滑區域的所述顏色分類結果一致時，根據所述平滑區域的所述顏色分類結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選定的多個平滑區域的色相、飽和度和明度之前還包括：

獲取所述車身上車頭區域的邊緣紋理圖像，計算所述邊緣紋理圖像的積分圖；

將所述積分圖劃分成多個局部區域；

計算所述局部區域的最終單位面積邊緣密度；

根據所述最終單位面積邊緣密度的大小，從多個所述局部區域中篩選出多個所述平滑區域。

可選地，所述根據顏色特徵預統計分布圖得出所述平滑區域的顏色分類結果包括：

分別計算每個所述平滑區域的色相平均值、飽和度平均值和明度平均值；

根據所述顏色特徵預統計分布圖選擇每種顏色對應的取值範圍；

分別將所述平滑區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範圍相對照，確定所述平滑區域的顏色分類結果。

可選地，利用顏色分類模型對所述最終待識別區域進行顏色分類，確定所述車身的顏色包括：

將多個所述最終識別區域進行合成得出識別圖；

利用所述顏色分類模型對所述識別圖進行顏色分類；

得出所述識別圖的最終顏色分類結果。

可選地，所述利用所述顏色分類模型對所述識別圖進行顏色分類包括：

計算所述識別圖的顏色分量直方圖；

利用支持向量機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所述圖進行顏色分類。

可選地，其特徵在於，所述根據所述平滑區域的所述明度和所述飽和度篩選出最終待識別區域包括：

按所述明度的大小對所述平滑區域排序，去除明度最大和明度最小的預設數量的所述平滑區域，將剩下的所述平滑區域作為第一平滑區域；

按所述飽和度的大小將所述第一平滑區域排序，按飽和度從大到小地選取出預設數量的所述第一平滑區域，將選取出的所述第一平滑區域作為最終待識別區域。

此外，本發明還提供了一種識別車身顏色的裝置，包括：

獲取單元，用於獲取在車身圖片上預選定的多個平滑區域的色相、飽和度和明度；

分類單元，用於根據顏色特徵預統計分布圖得出所述平滑區域的顏色分類結果；

判斷單元，用於判斷所述平滑區域的所述顏色分類結果是否一致；

篩選單元，用於當所述平滑區域的所述顏色分類結果不一致時，根據所述平滑區域的所述明度和所述飽和度篩選出最終待識別區域；

最終確定單元，用於利用顏色分類模型對所述最終待識別區域進行顏色分類，確定所述車身的顏色。

可選地，還包括：

確定單元，用於當所述平滑區域的所述顏色分類結果一致時，根據所述平滑區域的所述顏色分類結果確定所述車身的顏色。

可選地，還包括：

獲取計算單元，用於獲取所述車身上車頭區域的邊緣紋理圖像，計算所述邊緣紋理圖像的積分圖；

劃分單元，用於將所述積分圖劃分成多個局部區域；

計算單元，用於計算所述局部區域的最終單位面積邊緣密度；

篩選單元，用於根據所述單位面積邊緣密度的大小，從多個所述局部區域中篩選出多個所述平滑區域。

本發明實施例所提供的一種識別車身顏色的方法，通過獲取在車身圖片上預選定的多個平滑區域的色相、飽和度和明度；根據顏色特徵預統計分布圖得出平滑區域的顏色分類結果；判斷平滑區域的所述顏色分類結果是否一致；當平滑區域的所述顏色分類結果不一致時，根據平滑區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別區域；利用顏色分類模型對最終待識別區域進行顏色分類，確定車身的顏色。本發明根據預先統計的顏色分量統計分布圖來對待識別區域進行粗分類，在粗分類的基礎上再根據待識別區域的明度和飽和度的大小，利用曝光和背光時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別區域來進行車身顏色的識別，最大限度的緩解不同光照環境下顏色信息重疊，提高了車身顏色識別準確率。

附圖說明

為了更清楚的說明本發明實施例或現有技術的技術方案，下面將對實施例或現有技術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明的一些實施例，對於本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。

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

圖2為本發明實施例所提供的車身顏色識別方法的一種具體實施方式的流程示意圖；

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

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

圖5為本發明實施例所提供的識別車身顏色的裝置的結構框圖。

具體實施方式

為了使本技術領域的人員更好地理解本發明方案，下面結合附圖和具體實施方式對本發明作進一步的詳細說明。顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基於本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬於本發明保護的範圍。

請參見圖1，圖1為本發明實施例所提供的識別車身顏色方法的一種具體實施方式的流程示意圖。

步驟101：獲取在車身圖片上預選定的多個平滑區域的色相、飽和度和明度；

具體地，預先在車身上確定出多個平滑區域作為待識別區域，其待識別區域可以很好地代替整個車身的顏色，將選取出的待識別區域的顏色特徵分量色相、飽和度和明度的數值輸入到識別系統中，系統將接受到的數據進行保存，以便進行下一步操作。

可以理解的是，選取的待識別區域是平滑的，即所選取的區域的亮暗突變較小，沒什麼亮暗紋理的褶皺。代表著選取出的待識別區域應該是受光照和陰影的影響較小的，即待識別區域抗外界幹擾性較好。

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

步驟102：根據顏色特徵預統計分布圖得出所述平滑區域的顏色分類結果；

具體地，預先製作好的顏色特徵統計分布圖，即顏色特徵分量色相H、飽和度S和明度L的分布規律。將保存的待識別區域的顏色特徵分量的數據進行運算分析，參照統計出來的顏色特徵分量的分布規律識別出待識別區域的顏色。

可以理解的是，每種顏色是有很多的像素點組成的，每個像素都有HSL分量，故統計出來每種顏色對應的顏色特徵的分布圖實際是各個像素的HSL分量的分布規律。顯而易見地，在進行統計時是需要大量的樣本支持，而為了減少無關變量的幹擾，需要儘可能保證每個樣本的面積應該相同且與所選取的待識別區域面積一樣。例如，當統計時的樣本面積為16*16時，相應地，待識別區域的像素麵積也儘可能地接近16*16，這樣才能保證結果的可靠性，而16*16的區域應該有256個HSL分量，即有256個像素，每個像素都有各自對應的HSL分量。而在統計HSL分量的分布規律的時候，應該統計每個像素對應的HSL分量的數值，對其中的一個像素來說，記錄的是該像素對應的H值為多少，S值為多少，L值為多少。例如，對一個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，統計時則是記錄其HSL具體的數值。每一種顏色的統計分布圖實際上是一個概率圖，每種顏色都有各自對應的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值分布概率。例如有1000個黑色樣本區域，每個樣本區域有16*16個像素，故有256000個像素，在數軸上記錄一個一個像素的分量值，統計完成後，可以看到很多的點分布在數軸的不同位置，把相同類別的數值進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的顏色分量分布規律。當然，也可以將記錄的點分布做成直方圖或者是其它類型的分布圖，其本質還是不變的。

需要說明的是，上述顏色特徵預統計分布圖的建立離不開大量的統計樣本，為了更好地囊括現實中的車身顏色，需要統計各種顏色的顏色特徵分布圖。例如可以從多個不同環境下的停車場進出口，收集大量車輛的圖片。所收集的車輛顏色應該儘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、藍色、綠色、紫色、棕色、橙色和粉色。每種顏色有1000個16*16的樣本區域，按像素分布統計每種顏色對應的HSL三個變量的統計分布圖。當然，統計的顏色組合也可以為其它顏色組合，也可以根據實際的情況來選取需要統計的顏色組合。

利用預先統計好的HSL分量分布圖識別出待識別區域的顏色，即可以根據待識別區域的顏色分量HSL與對應的統計出來的HSL分布圖相互參照，則可判斷出待識別區域的顏色。例如可以計算每個待識別區域的顏色分量HSL的平均值，即分別把待識別區域中的各個像素的HSL的值相加除以像素的個數，得出待識別區域的H分量的平均值、S分量的平均值和L分量的平均值。根據每種顏色的HSL統計分布圖確定出每種顏色對應的HSL分量的取值範圍，可以將HSL統計分布圖的波峰區域作為該顏色分量的取值範圍。分別判斷待識別區域的HSL顏色分量落在那個取值範圍內，則可以判斷該待識別區域的顏色。依次來判斷每個待識別區域，得出每個待識別區域的顏色分類結果。

步驟103：判斷所述平滑區域的所述顏色分類結果是否一致；

需要說明的是，根據上一步驟得出的每個待識別區域的顏色分類結果，判斷所得出的分類結果是否全部一致。但是由於所選取的平滑區域即待識別區域在車頭上所處的位置不同，受到光照的大小和強弱也是不盡相同的，在不同的光照環境下識別出的顏色也會受到影響，例如，待識別區域原本是灰色，但是受到光照影響會識別出來的是銀色。故即使原本的車身是單色的，所識別出來的結果也會由於受光照的也會有所不同，進而導致識別出來的結果錯誤。

步驟104：當所述平滑區域的所述顏色分類結果不一致時，根據所述平滑區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別區域；

具體地，當待識別區域的顏色分類結果不一致時，意味著所選取出來的平滑區域即待識別區域中存在著手光照影響導致原本顏色和識別出來的顏色不一致的區域，根據曝光和背光時L分量有不確定性，而S分量的值偏低的原則，故可以根據SL分量來對待識別區域進一步地篩選，選取出光照魯棒性好的待識別區域來作為最終待識別區域，最大限度地緩解不同光照環境下顏色信息重疊的問題。而當待識別區域的顏色分類結果一致時，則意味則所選取處理的平滑區域即待識別區域可以很好地代表整個車身的顏色，此時可以直接輸出統計的結果。

需要說明的是，在顏色分類結果不一致時，進一步地根據每個待識別區域的SL分量的大小來篩選最終待識別區域。在本發明的一些實施例中，可以先根據每個待識別區域的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待識別區域，再將剩下的待識別區域按S分量值的大小排序，選取其中S分量值靠前的若干個待識別區域作為最終的待識別區域。例如，當上述待識別區域為15個時，去掉L分量值最大和次大的兩個待識別區域，去掉L分量值最小的三個區域，此時，再將剩下的10個待識別區域按照S分量值的大小來排序，選取S分量值最大的5個待識別區域作為最終待識別區域。由於L分量值較大的話則表示該待識別區域較亮，此時該L分量值較大的待識別區域的S分量值也很大，例如當L分量值非常大的時候可以等同於白色，白色的S分量值很大。而當L分量值較小的話則表示該待識別區域較暗，此時該L分量值較小的待識別區域的S分量值也很大，例如當L分量值非常小的時候可以等同於黑色，黑色的S分量值也很大。故不可以先根據S值的大小，再根據L值的大小來選取最終待識別區域。當然了，也可以不用將待識別區域按照SL分量值的大小進行排序，也可以在進行綜合的考量後再選取出最終待識別區域，即可以對待識別區域中的S分量值和L分量值同時考量，選取出最終待識別區域。

步驟105：利用顏色分類模型對所述最終待識別區域進行顏色分類，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別區域利用訓練好的顏色分類模型進行分類，根據分類結果可以識別出車身的顏色。

可以理解的是，上述顏色分類模型的訓練是指收集各種環境下的顏色樣本，統計這些樣本的顏色特徵，將統計結果做歸一化處理，定義每種顏色樣本的標籤來對最終待識別區域進行識別。

由於最終待識別區域是從待識別區域中根據SL分量的大小來篩選出來的，故最終待識別區域可能處於車頭圖片上的不同位置，為了提高識別效率。可以將篩選出來的若干個最終待識別區域合成一張圖，識別的時候可以對合成之後的圖來識別，將圖的識別結果作為最終的識別結果，即車身的顏色。例如，當最終待識別區域有5個時，其5個最終待識別區域處於車身上不同的位置，可以將這5個最終待識別區域拼起來，用於最後識別。但是將合成之後的圖用於最後的識別，識別效率高了，但相對於逐一去識別最終待識別區域，其識別的準確率會有所下降。故可以對若干個最終待識別區域進行識別，而不用合成為一張圖後再進行識別。此時，在對若干個最終待識別區域進行識別之後，還要對識別的結果是否一致進行判斷，當識別的結果都一致時，才可以將識別結果作為最終識別結果。

在本發明的一些實施例中，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SVM進行訓練，即先計算最終待識別區域的HSV顏色直方圖，後用支持向量機SVM進行訓練。例如，在將5個最終待識別區域合成為一張圖的情況下，可以先計算合成圖的HSV顏色直方圖，然後用SVM訓練計算得到的HSV顏色直方圖。當然，也可以使用其它的顏色分類模型或者是其它的方式來訓練顏色分類模型，進而來對最終待識別區域進行顏色識別，例如RGB顏色直方圖。

本發明實施例所提供的一種識別車身顏色的方法，通過獲取在車身圖片上預選定的多個平滑區域的色相、飽和度和明度；根據顏色特徵預統計分布圖得出平滑區域的顏色分類結果；判斷平滑區域的所述顏色分類結果是否一致；當平滑區域的所述顏色分類結果不一致時，根據平滑區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別區域；利用顏色分類模型對最終待識別區域進行顏色分類，確定車身的顏色。本發明根據預先統計的顏色分量統計分布圖來對待識別區域進行粗分類，在粗分類的基礎上再根據待識別區域的明度和飽和度的大小，利用曝光和背光時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別區域來進行車身顏色的識別，最大限度的緩解不同光照環境下顏色信息重疊，提高了車身顏色識別準確率。

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

步驟201：輸入15個待識別平滑區域的HSL分量的數值；

具體地，將預先選取出的15個待識別區域平滑區域的顏色分分量的數值輸入到識別系統中。

步驟202：判斷所輸入的HSL分類的數值與統計的HSL分布圖的波峰區域組合分布是否一致且唯一。如果是，則進入步驟206，如果否，則進入步驟203；

具體地，首先統計12種用於識別的待識別的平滑區域的車身顏色樣本，其樣本的組合可以包括：黑色、白色、銀色、灰色、紅色、黃色、藍色、綠色、藍色、紫色、棕色、橙色、粉色。每種顏色統計的樣本數量為1000個，其待識別的平滑區域有16*16個像素，按像素分別統計HSL三個顏色分量的分布規律，做成統計分布圖。例如可以從多個停車場的進出口收集大量車輛的圖片，其車輛的車身顏色只有一種。當然，其統計的顏色類型組合和樣本數量以及平滑區域的面積設定不限於上述提到的。

然後根據統計得出的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域的取值範圍定義為該顏色的HSL分量的取值範圍。進而計算每個待識別平滑區域的H分量的平均值、S分量的平均值和L分量的平均值。判斷每個待識別平滑區域的HSL的平均值落在那個取值範圍上，則該待識別平滑區域的顏色類別為取值範圍對應的顏色。這是利用統計學來對15個待識別區域進行粗分類，當然，如果粗分類識別不出來，則需要對待識別平滑區域進行進一步地過濾受到曝光和背光影響的待識別平滑區域。利用統計分布圖識別待識別區域的顏色的方法不限於上述的用HSL分量的平均值判斷的方法，使用其它的方法來進行粗分類也可以。

需要指出的是，製作HSL分量的統計分布圖也可以在輸入待識別區域的HSL分量之前完成，該動作的先後順序可以根據實際情況考慮。

步驟203：將15個待識別平滑區域按L分量從大到小排序，去除最亮的兩個區域和最暗的三個區域，選取中間的10個平滑區域；

由於用上述粗分類的方法仍然無法得出準確的結果，故其15個待識別區域中存在著受不同光照環境的影響較大的區域。此時可以先根據L分量值的大小來進行初步篩選。基於受曝光和背光影響時L分量有不確定性，而S分量較低的原則，將15個待識別平滑區域按L分量值的大小從大到小的進行排序，去除其中L值最大和次大的兩個待識別平滑區域，以及去掉L值最小、次小和第三小的待識別平滑區域，將剩下的10個待識別區域進行進一步地篩選。

顯而易見地，根據L分量值的大小進行篩選時，也可以進行小到大地排序，或者可以不進行排序直接挑選。而其去掉的區域數量不限於5個，但是在有15個待識別平滑區域的情況下，去掉區域的數量為5個是一個經驗值，相對於其它的值來說會好一點。

步驟204：將選取出的10個待識別的平滑區域按S分量從大到小排序，選取S分量值最大的5個平滑區域併合成為一張圖；

從剩下的10個待識別平滑區域中按照S分量值的大小進行排序，選取S分量值靠前的5個待識別平滑區域，並將這5個待識別平滑區域合成一張圖，用於最後的識別，其圖有16*80個像素。當然，根據S分量值的大小選取待識別平滑區域的數量不限於5個，也可以為3個或者是其它基數數值。雖然選擇5個以外的數值也可以實現本發明實施例的目的，但是選擇3個的話就顯得樣本太少，不能很好地解決車頭區域的保險槓區域和車身顏色不一致的問題。

步驟205：計算統計合成後的圖的HSV顏色特徵直方圖，用訓練好的SVM和HSV顏色特徵直方圖的分類器進行分類識別；

將合成之後的圖的顏色分類HSV按像素統計，製作相應的HSV顏色特徵直方圖，其中，由於H分量的取值範圍是0到180，S分量的取值範圍是0到255，V分量的取值範圍是0到255，那麼可以將H分量分成10個組，每個組包括18個像素。對應地，S分量和V分量也按照上述思想進行劃分。則合成之後的圖的HSV顏色特徵直方圖有30個組，對HSV顏色特徵直方圖進行歸一化處理。而利用SVM訓練計算好的HSV顏色特徵直方圖可以是指統計各種環境下的顏色樣本，每類可以是500個平滑區域樣本，每個區域樣本是由5個區域合成的圖。將每個統計樣本的HSV顏色特徵直方圖進行歸一化處理，定義每種顏色樣本對應的取值範圍來進行識別。當然，其顏色特徵直方圖不限於上述的HSV顏色直方圖，而用來訓練顏色特徵直方圖的方式也不限於上述的SVM。

步驟206：輸出識別結果。

本發明實施例提供的識別車身顏色方法的一種具體實施方式，通過識別15個待識別區域的顏色分類是否一致來識別車身的顏色，其中，利用統計學的知識先進行粗分類，在利用SL分量的大小進行篩選，將篩選出的待識別區域進行合成為一張圖，對圖利用顏色分類模型進行識別，進而得出最終的識別結果。通過具體的待識別區域的個數來具體介紹車身顏色識別的過程，可見，利用SL分量的大小來篩選出光照魯棒性較好的待識別區域進行識別，提高了車身顏色識別的準確率。

車身顏色識別包括檢測和識別兩個部分，車身顏色待識別區域定位的好壞決定著顏色識別結果的對錯，其車身顏色待識別區域的定位也可以單獨使用，故對車身顏色的待識別區域的定位過程進行詳細地介紹可以有助於理解車身顏色識別過程。請參見圖3，圖3為本發明實施例所提供的車身顏色待識別區域定位方法的一種具體實施方式的流程示意圖。

步驟301：根據車牌信息進行外擴，從而獲得車頭區域；

首先需要獲取車牌的信息，包括車牌的長、寬和位置信息。根據車牌的長寬以不同的比例向車牌的上下左右四個方向平移若個車牌得到整個車頭區域。例如，車頭的左邊界是以車牌的左邊界為基線，向左外擴1個車牌寬度，而車頭右邊界是以車牌的右邊界為基線，向右外擴1.5個車牌的寬度，車頭上邊界是以車牌的上邊界為基線，向上外擴4個車牌高度，車頭下邊界是以車牌的下邊界為基線，向下外擴2個車牌高度。上述例子的外擴方式是基於場景的需求而設計的，由於在停車場的進出口，攝像頭一般設置於車輛的左手邊，所以實際上拍得的圖片裡，車頭的左邊區域會多多一些，右邊區域會相對地少一些。其通過平移車牌來外擴得到整個區域，向上下左右四個方向平移的個數由實際的應用場景的需求而決定，假如攝像機正對著停車場進口的中間，則左右外擴的寬度都應該相同。故左右外擴的寬度不限於上述提到的，應該由實際的場景決定。利用車牌的平移來獲得車頭區域，目的是將車燈也包括在車頭區域中，為後續的邊緣密度篩選做準備。

步驟302：利用梯度算子模板對車頭區域進行卷積運算，從而獲得邊緣紋理圖像；

具體地，對外擴得到的車頭區域的灰度圖像使用梯度算子模板進行卷積運算，獲得車頭區域的邊緣紋理圖像。例如，可以使用135度的梯度算子模板為卷積核以步伐為1個像素對車頭區域的灰度圖像進行卷積運算，得到邊緣密度圖像。圖像識別中的卷積運算實際上是對原本的灰度圖進行平移和翻轉得到最終的圖像，其邊緣紋理圖像實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行運算，其原因是經過上述梯度算子模板後的像素是由兩個差值的和，其中一個差值為該像素的上方像素與下方像素的差值，另一個差值為該像素的一個右邊像素和一個左邊像素的差值。如果局部區域經過該梯度算子模板運算後，如果該區域是平滑的，沒有什麼紋理的褶皺的，則最後的差值為0，如果該區域不是平滑的，有水平紋理或者是豎直紋理的，則最後的紋理差異性會被放大。

步驟303：計算邊緣紋理圖像的積分圖，並且計算整個車頭區域的單位面積的邊緣密度A；

具體地，計算邊緣紋理圖像的積分圖可以很好地避免了一個區域的邊緣密度值累加重複計算。積分圖上的每個點都包含了點(0,0)到點(x,y)所有像素的邊緣值，根據積分圖先計算整個車頭區域的邊緣密度Qn＝O(Xn,Yn)-O(0,0)，根據計算得到的邊緣密度進而計算單位面積邊緣密度A＝Qn/(Xn*Yn)。

步驟304：以16個像素為步伐遍歷整個車頭區域，計算長度為W，寬度為16大小的局部行區域n的單位面積邊緣密度Bn，進行第一次篩選；

具體地，可以將這個車頭區域劃分成若干個W*16大小的局部行區域，其中，W為車頭區域的長度，局部行區域互不相交。對每個區域進行編號1到n，其中，n表示第幾個局部行區域。可以以車頭區域的上邊界為起點，按16個像素為步伐遍歷車頭區域，計算W*16個像素的局部行區域的單位面積邊緣密度。其計算的具體過程為先計算每個局部行區域的邊緣密度，再邊緣密度除以該局部行區域對應的像素麵積。即每個局部行區域的邊緣密度為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(Xn,Yn)為車頭圖像右下角的頂點坐標。

需要指出的是，局部行區域的像素麵積的大小不限於上述的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相對於其它值來說，其實現效果較好。

步驟305：比較Bn和A的大小，如果Bn小於A，則保留該局部行區域的位置信息，如果Bn大於A，則進入步驟306；

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

步驟306：判斷遍歷是否結束，如果沒有結束，則返回步驟304，如果結束，則進入步驟307；

步驟307：以8個像素為步伐遍歷每個第一次篩選出的局部行區域，尋找出有16*16個像素的單位面積邊緣密度最小的局部小區域，並計錄尋找出的局部小區域的單位面積邊緣密度為Cn，進行第二次篩選；

在第一次篩選的基礎上，對篩選出的局部行區域進行遍歷。對於單個局部行區域來說，遍歷的目的是為了尋找出單位面積邊緣密度最小的16*16個像素大小的局部小區域，其中，每一個局部行區域對應一個局部小區域，其局部小區域的單位面積邊緣密度為Cn。在原本平滑的局部行區域選取出更平滑的局部小區域。

步驟308：判斷是否遍歷結束，如果沒有結束，則返回步驟307，如果結束，則進入步驟309；

步驟309：將第一次篩選出的局部行區域的單位面積邊緣密度Bn與對應的局部小區域的單位面積邊緣密度Cn相加為Dn，選擇Dn最小的15個局部行區域對應的局部小區域作為車身顏色待識別區域。

將Bn和Cn相加的值Dn重新定義為局部行區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個局部行區域對應的局部小區域作為平滑區域，即作為車身顏色待識別區域。

需要說明的是，由於一個區域非常平滑，該區域就有很多的紋理。假如直接將選取出的16*16個像素大小的局部小區域作為車身顏色待識別區域的話，就會有可能將水箱區域也選擇進去，而水箱區域並不能代替整個車身的顏色。局部行區域如果為水箱區域的話，由於水箱區域的單位面積邊緣密度值很小，至少會比其它不是水箱區域的局部小區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域作為車身顏色待識別區域。將Bn和Cn相加的目的就是為了避免選取水箱區域，使選取出的待識別區域可以很好地代表整個車身的顏色，有助於提升識別準確率。

本發明實施例所提供的車身顏色識別區域定位的方法，通過獲取車身的車頭區域的邊緣紋理圖像，計算邊緣紋理圖像的積分圖；將計算得到的積分圖劃分成多個局部區域，計算得出每個局部區域的最終單位面積邊緣密度；根據局部區域的最終單位面積邊緣密度的大小從多個局部區域中篩選出多個平滑區域，將平滑區域作為車身顏色待識別區域。利用邊緣紋理圖像和積分圖的方法來進行預處理，減少重複計算。從積分圖的多個局部區域中根據單位面積邊緣密度的大小來選取多個平滑區域來作為車身顏色最終待識別區域。局部區域的最終單位面積邊緣密度小表示著該區域在受到光照及陰影的影響下抗幹擾性較好，可以很好地代表整個車身的顏色。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域，選取出的平滑區域抗外界幹擾性較好。

由於車身顏色識別包括檢測和識別兩個部分，檢測的好壞對識別的結果有一定的影響。檢測過程和識別過程可以單獨地進行，也可以包括在完整的車身顏色識別過程中，故詳細地介紹檢測和識別過程是必要的。那麼，下面將對車身顏色識別的整個過程進行介紹。請參見圖4，圖4為本發明實施例所提供的車身顏色識別以及待識別區域定位的一種具體實施方式的流程示意圖。

步驟401：獲取車頭區域的邊緣紋理圖像，計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行外擴來得到車頭區域，對車頭區域的灰度圖像進行卷積運算得到車頭區域的邊緣紋理圖像，進而計算邊緣紋理圖像的積分圖。其具體過程可以參見上述實施例，在此不再贅述。

步驟402：計算車頭區域的單位面積邊緣密度A；

步驟403：以16個像素為步伐遍歷整個車頭區域，計算長度為W，寬度為16大小的局部行區域n的單位面積邊緣密度Bn，進行第一次篩選；

步驟404：比較Bn和A的大小，如果Bn小於A，則保留該局部行區域的位置信息，如果Bn大於A，則進入步驟405；

步驟405：判斷遍歷是否結束，如果沒有結束，則返回步驟403，如果結束，則進入步驟406；

步驟406：以8個像素為步伐遍歷每個第一次篩選出的局部行區域，尋找出有16*16個像素的單位面積邊緣密度最小的局部小區域，並計錄尋找出的局部小區域的單位面積邊緣密度為Cn，進行第二次篩選；

步驟407：判斷是否遍歷結束，如果沒有結束，則返回步驟306，如果結束，則進入步驟408；

步驟408：將第一次篩選出的局部行區域的單位面積邊緣密度Bn與對應的局部小區域的單位面積邊緣密度Cn相加為Dn，選擇Dn最小的15個局部區域對應的局部小區域作為平滑區域；

步驟409：輸入15個待識別平滑區域的HSL分量的數值；

步驟410：判斷所輸入的HSL分類的數值與統計的HSL分布圖的波峰區域組合分布是否一致且唯一。如果是，則進入步驟413，如果否，則進入步驟411；

步驟411：將15個待識別平滑區域按L分量從大到小排序，去除最亮的兩個區域和最暗的三個區域，選取中間的10個平滑區域；將選取出的10個待識別的平滑區域按S分量從大到小排序，選取S分量值最大的5個平滑區域併合成為一張圖；

步驟412：計算統計合成後的圖的HSV顏色特徵直方圖，用訓練好的SVM和HSV顏色特徵直方圖的分類器進行分類識別；

步驟413：輸出識別結果。

需要指出的是，在本實施例中只對檢測和識別的整個過程進行大概的介紹，其具體實現的細節可以參見本發明中的其它實施例。

本發明實施例所提供的識別車身顏色以及待識別區域定位的方法，其檢測過程利用邊緣紋理圖像和積分圖的方法來進行預處理，減少重複計算。從積分圖的多個局部區域中根據單位面積邊緣密度的大小來選取多個平滑區域來作為車身顏色最終待識別區域。局部區域的最終單位面積邊緣密度小表示著該區域在受到光照及陰影的影響下抗幹擾性較好，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域，選取出的平滑區域抗外界幹擾性較好。其識別過程為預先統計的顏色分量統計分布圖來對上述檢測過程篩選出的待識別區域進行粗分類，在粗分類的基礎上再根據待識別區域的明度和飽和度的大小，利用曝光和背光時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別區域來進行車身顏色的識別，最大限度的緩解不同光照環境下顏色信息重疊，提高了車身顏色識別準確率。

下面對本發明實施例提供的一種識別車身顏色的裝置進行介紹，下文描述的識別車身顏色的裝置與上文描述的識別車身顏色的方法可相互對應參照。

圖5為本發明實施例提供的識別車身顏色的裝置的結構框圖，參照圖5的識別車身顏色的裝置可以包括：

獲取單元501，用於獲取在車身圖片上預選定的多個平滑區域的色相、飽和度和明度；

分類單元502，用於根據顏色特徵預統計分布圖得出所述平滑區域的顏色分類結果；

判斷單元503，用於判斷所述平滑區域的所述顏色分類結果是否一致；

篩選單元504，用於當所述平滑區域的所述顏色分類結果不一致時，根據所述平滑區域的所述明度和所述飽和度篩選出最終待識別區域；

最終確定單元505，用於利用顏色分類模型對所述最終待識別區域進行顏色分類，確定所述車身的顏色。

進一步地，還可以包括：確定單元506，用於當所述平滑區域的所述顏色分類結果一致時，根據所述平滑區域的所述顏色分類結果確定所述車身的顏色。

進一步地，還可以包括：獲取計算單元507，用於獲取所述車身上車頭區域的邊緣紋理圖像，計算所述邊緣紋理圖像的積分圖；

劃分單元508，用於將所述積分圖劃分成多個局部區域；

計算單元509，用於計算所述局部區域的最終單位面積邊緣密度；

篩選單元510，用於根據所述單位面積邊緣密度的大小，從多個所述局部區域中篩選出多個所述平滑區域。

本發明所提供的一種識別車身顏色的裝置，根據預先統計的顏色分量統計分布圖來對待識別區域進行粗分類，在粗分類的基礎上再根據待識別區域的明度和飽和度的大小，利用曝光和背光時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別區域來進行車身顏色的識別，最大限度的緩解不同光照環境下顏色信息重疊，提高了車身顏色識別準確率。

本說明書中各個實施例採用遞進的方式描述，每個實施例重點說明的都是與其它實施例的不同之處，各個實施例之間相同或相似部分互相參見即可。對於實施例公開的裝置而言，由於其與實施例公開的方法相對應，所以描述的比較簡單，相關之處參見方法部分說明即可。

專業人員還可以進一步意識到，結合本文中所公開的實施例描述的各示例的單元及算法步驟，能夠以電子硬體、計算機軟體或者二者的結合來實現，為了清楚地說明硬體和軟體的可互換性，在上述說明中已經按照功能一般性地描述了各示例的組成及步驟。這些功能究竟以硬體還是軟體方式來執行，取決於技術方案的特定應用和設計約束條件。專業技術人員可以對每個特定的應用來使用不同方法來實現所描述的功能，但是這種實現不應認為超出本發明的範圍。

結合本文中所公開的實施例描述的方法或算法的步驟可以直接用硬體、處理器執行的軟體模塊，或者二者的結合來實施。軟體模塊可以置於隨機存儲器(RAM)、內存、只讀存儲器(ROM)、電可編程ROM、電可擦除可編程ROM、寄存器、硬碟、可移動磁碟、CD-ROM、或技術領域內所公知的任意其它形式的存儲介質中。

以上對本發明所提供的識別車身顏色的方法以及裝置進行了詳細介紹。本文中應用了具體個例對本發明的原理及實施方式進行了闡述，以上實施例的說明只是用於幫助理解本發明的方法及其核心思想。應當指出，對於本技術領域的普通技術人員來說，在不脫離本發明原理的前提下，還可以對本發明進行若干改進和修飾，這些改進和修飾也落入本發明權利要求的保護範圍內。