本發(fā)明屬于計算機視覺技術和圖像處理技術領域，具體涉及一種基于bp神經(jīng)網(wǎng)絡的車輛顏色識別方法。

背景技術：

隨著科學技術和社會經(jīng)濟的高速發(fā)展，人民生活水平不斷提高，車輛數(shù)量也在飛速增長，城市道路交通問題顯得越來越突出，各種道路交通問題接踵而至，以人眼識別為主的傳統(tǒng)道路監(jiān)控方式便無法滿足要求，現(xiàn)代化智能交通控制系統(tǒng)已成為未來全球道路交通的發(fā)展趨勢和現(xiàn)代化城市的先進標志。近年來，遮擋車牌、汽車套牌等妨礙交通秩序的違法行為層出不窮，僅依靠車牌識別已不能適應當前的交通現(xiàn)狀了，因此，車輛的顏色識別技術變得更為重要，它可以彌補車牌識別的不足，從而進一步提高智能交通系統(tǒng)的可靠性。

視頻中運動車輛的顏色識別與檢測是近年來智能交通管理系統(tǒng)中比較關注的研究方向之一。目前，國內已有一些車輛顏色識別的方法，其中與本發(fā)明較為相近的技術方案包括：文獻(周律，葉濤濤，王新華，朱金龍，周昱明?；谲嚿眍伾阉魑醋R別的車牌圖片研究[j]。信息技術,2014，8：92-95)首先將車臉前部靠近排氣扇部分作為車輛顏色的識別區(qū)域并將該區(qū)域歸一化為一種色值，通過在cielab顏色空間模型中制作紅、藍、綠等11種顏色模板并與歸一化后的色值匹配得到車輛顏色，該方法雖然在未識別車牌的情況下能夠識別車輛顏色，并且具有較好的識別速度，但是該方法要求對車身姿態(tài)要求較高，車輛側斜或其背面都可能無法提取到較好的顏色識別區(qū)域，導致識別率不高；發(fā)明專利(尚凌輝。一種卡口車輛顏色識別方法。cn106203420a[p]。2016。)中使用卷提神經(jīng)網(wǎng)絡提取車頭或車尾特征并將提取到的特征放入svm分類器進行訓練與分類。該方法雖然在識別率上有所提高，但是使用多個二值子分類器對多種顏色進行分類，不僅會使決策時的速度過慢，而且可能導致分類器泛化誤差無界，此外，使用這種卷積神經(jīng)網(wǎng)絡+svm的非端到端式的檢測效率很低。文獻(fangj,yueh,lix,etal.coloridentifyingofvehiclesbasedoncolorcontainerandbpnetwork[c]//internationalconferenceonbusinessmanagementandelectronicinformation.ieee,2011:226-229.)通過神經(jīng)網(wǎng)絡對整車訓練并分類，該方法比較依賴車輛檢測算法，提取到過多的車輛陰影會對識別結果產(chǎn)生影響，此外，對于肉眼無法識別的顏色，不應以單個絕對的顏色來表示，而應該以多個顏色的概率方式來表示車輛顏色。

綜上所述，在對車輛進行顏色識別時，當前方法存在如下不足：(1)有時無法提取到正確的車輛顏色區(qū)域；(2)不能兼顧車頭與車尾的顏色識別；(3)對于肉眼無法識別的顏色，不應該用單個的絕對顏色作為最終的識別結果。本發(fā)明針對這一不足提出了一種基于bp神經(jīng)網(wǎng)絡的車輛顏色識別方法。

技術實現(xiàn)要素：

為解決上述技術問題，本發(fā)明提供了一種基于bp神經(jīng)網(wǎng)絡的車輛顏色識別方法。

所述的一種基于bp神經(jīng)網(wǎng)絡的車輛顏色識別方法，具體步驟如下：

步驟1：定義車身顏色集合為c＝{c1,c2,c3,c4,c5,c6,c7,c8,c9,c10}＝{黑,灰,白,粉,棕,紅,黃,綠,藍,紫}，并建立相應的顏色數(shù)據(jù)集；

步驟2：構建用于顏色分類的bp神經(jīng)網(wǎng)絡并用步驟1中的顏色數(shù)據(jù)集進行訓練，具體為：

步驟2.1：采用具有一個隱層的三層bp神經(jīng)網(wǎng)絡，輸入層神經(jīng)元數(shù)為3，分別為輸入顏色的h、s、v通道歸一化后的值，輸出層神經(jīng)元數(shù)為10，分別為10類顏色所對應的概率，根據(jù)式(1)確定隱層的節(jié)點個數(shù)，

其中，n2為隱層神經(jīng)元個數(shù)，n1為輸入層神經(jīng)元個數(shù)，n3為輸出層神經(jīng)元個數(shù)；

步驟2.2：設計神經(jīng)網(wǎng)絡的隱層與輸出層間的激活函數(shù)f(x)與各層之間的數(shù)據(jù)傳輸，如式(2)、(3)所示；

其中，oij為第i層第j個神經(jīng)元的輸出，wijk表示第i層第j個神經(jīng)元到第i+1層第k個神經(jīng)元的連接權值，b為偏置，ni為第i層神經(jīng)元總數(shù)；

步驟2.3：隨機初始化網(wǎng)絡模型并使用bp神經(jīng)網(wǎng)絡訓練方法對模型進行訓練；

步驟3：利用交叉路口的監(jiān)控攝像頭采集rgb圖像并對采集到的圖像使用中值濾波處理，利用車輛檢測跟蹤算法提取得到車輛區(qū)域并將其轉到hsv顏色空間下，得到圖像i；

步驟4：利用車牌識別算法提取圖像i中的車牌矩形區(qū)域r＝(x，y，w，h)，其中圖像i的左上角為像素坐標原點，(x,y)為車牌矩形區(qū)域左上角的坐標，h與w分別為車牌矩形區(qū)域的高和寬，單位為像素；

步驟5：確定i為車尾圖像還是車頭圖像，具體為：

步驟5.1：根據(jù)公式(4)確定矩形特征區(qū)域d：

其中，ρ1，ρ2為比例系數(shù)，(xd,yd)為矩形區(qū)域d左上角的坐標，hd與wd分別為矩形區(qū)域d的高和寬；

步驟5.2：將d劃分為大小相等的nrow*ncol個矩形超像素塊，nrow與ncol分別為超像素塊的行總數(shù)與列總數(shù)，每個超像素塊的大小為n＝width*height,并根據(jù)公式(5)，(6)，(7)，(8)篩選出有效超像素塊集合d*：

其中，λ為標準差閾值，dij為第i行第j列的超像素塊，為dij的像素標準差，與分別為dij在k通道上的標準差與灰度平均值，k＝1,2,3，為第k個通道的權重系數(shù)，表示dij的第k通道圖像，表示中在坐標點(x,y)處的像素灰度值；

步驟5.3：將d*中每個超像素塊dij的傳入步驟2訓練所得的神經(jīng)網(wǎng)絡模型，輸出為令則超像素塊dij的顏色為cij＝cq，其中，表示超像素塊dij為顏色cr的概率，cr∈c,cq∈c；

步驟5.4：根據(jù)式(9)統(tǒng)計d*中每一行中識別出的每種顏色的數(shù)量并根據(jù)式(10)和(11)計算每一行是否有效：若fi為1，則表示第i行為有效行，否則，為無效行；將所有的無效行從d*中剔除：

其中，μ1為比例系數(shù)，ncimax為第i行中最多的顏色數(shù)量；

步驟5.5：根據(jù)式(12)計算有效行數(shù)num，并判斷圖像i為車頭或是車尾：若num＜μ2*nrow，則i為車頭圖像；否則，i為車尾圖像，其中，μ2為比例系數(shù)：

步驟6：若i為車尾圖像，轉步驟7；若i為車頭圖像，則根據(jù)式(13)對矩形區(qū)域d重定位并重新執(zhí)行步驟5.2至5.4，之后轉步驟7：

其中，ρ3,ρ4為比例系數(shù)；

步驟7：根據(jù)公式(14)統(tǒng)計d*中每種顏色識別結果出現(xiàn)的次數(shù)，得到顏色分類集合l＝{lr|r＝1,2,…,10}：

其中，lr表示顏色cr被識別到的數(shù)量；

步驟8：從集合l中從大到小挑選出排在前兩位的數(shù)值，令lm表示排在第一位的值且m為該值對應的下標，lp表示排在第二位的值且p為該值對應的下標；

步驟9：識別車輛顏色，具體為：若lm*η＞lp，則車輛顏色為cm；否則，以概率給出車輛顏色為cm，同時以概率給出車輛顏色為cp，其中，η為分類系數(shù)。

本發(fā)明的有益效果為：與現(xiàn)有的車輛顏色識別方法相比，本發(fā)明使用計算機視覺技術，通過提取車輛顏色特征、結合hsv顏色空間模型并通過bp神經(jīng)網(wǎng)絡分類解決了車輛顏色識別問題，并能同時兼顧車頭與車尾的識別，改善了以車牌辨車的傳統(tǒng)工作模式，為打擊汽車套牌、一車多牌、假牌照等違法犯罪行為提供了可靠幫助，進一步提高了智能交通的可靠性，節(jié)省了大量的人力成本。

附圖說明

圖1為本發(fā)明的流程圖

圖2為bp神經(jīng)網(wǎng)絡模型示意圖；

圖3為具體實施例示例用圖；

圖4為使用檢測跟蹤算法提取到的圖3中運動的車輛，左為車頭圖像，右為車尾圖像；

圖5為圖4車輛的車牌識別示意圖，用矩形框標注；

圖6為在圖5基礎上得到的特征區(qū)域示意圖，用矩形框標注；

圖7為圖6中區(qū)域的超像素塊的具體劃分，用網(wǎng)格標注；

圖8為圖7的超像素行的顏色統(tǒng)計結果；

圖9為圖7左的顏色特征區(qū)域重定位結果

圖10為圖9的樣本分類示意圖；

圖11為圖7右的樣本分類示意圖。

具體實施方式

下面結合實施例來詳細闡述一種基于bp神經(jīng)網(wǎng)絡的車輛顏色識別方法的具體實施方法。應當理解，此處所描述的具體實例僅用于解釋本發(fā)明，并不用于限定本發(fā)明。

本發(fā)明的一種基于bp神經(jīng)網(wǎng)絡的車輛顏色識別方法的具體過程如圖1所示，具體步驟如下：

步驟1：定義車身顏色集合為c＝{c1,c2,c3,c4,c5,c6,c7,c8,c9,c10}＝{黑,灰,白,粉,棕,紅,黃,綠,藍,紫}，并建立相應的顏色數(shù)據(jù)集；

步驟2：構建用于顏色分類的bp神經(jīng)網(wǎng)絡并用步驟1中的顏色數(shù)據(jù)集進行訓練，具體為：

步驟2.1：采用具有一個隱層的三層bp神經(jīng)網(wǎng)絡，輸入層神經(jīng)元數(shù)為3，分別為輸入顏色的h、s、v通道歸一化后的值，輸出層神經(jīng)元數(shù)為10，分別為10類顏色所對應的概率，根據(jù)式(1)確定隱層的節(jié)點個數(shù)，

其中，n2為隱層神經(jīng)元個數(shù)，n1為輸入層神經(jīng)元個數(shù)，n3為輸出層神經(jīng)元個數(shù)；網(wǎng)絡結構如圖2所示，在本實施例中，n2取6；

步驟2.2：設計神經(jīng)網(wǎng)絡的隱層與輸出層間的激活函數(shù)f(x)與各層之間的數(shù)據(jù)傳輸，如式(2)、(3)所示；

其中，oij為第i層第j個神經(jīng)元的輸出，wijk表示第i層第j個神經(jīng)元到第i+1層第k個神經(jīng)元的連接權值，b為偏置，ni為第i層神經(jīng)元總數(shù)；

步驟2.3：隨機初始化網(wǎng)絡模型并使用bp神經(jīng)網(wǎng)絡訓練方法對模型進行訓練；在本實施例中，所述的bp神經(jīng)網(wǎng)絡訓練方法在申請?zhí)枮閏n201610574817.9的文件中已公開，在此不再詳述；

步驟3：利用交叉路口的監(jiān)控攝像頭采集rgb圖像并對采集到的圖像使用中值濾波處理，利用車輛檢測跟蹤算法提取得到車輛區(qū)域并將其轉到hsv顏色空間下，得到圖像i；在本實施例中，采集到的rgb圖像如圖3所示，圖3處理結果參照圖4，所述的車輛檢測跟蹤算法在申請?zhí)枮閏n201510831439.3的文件中已公開，在此不再詳述；

步驟4：利用車牌識別算法提取圖像i中的車牌矩形區(qū)域r＝(x，y，w，h)，其中圖像i的左上角為像素坐標原點，(x,y)為車牌矩形區(qū)域左上角的坐標，h與w分別為車牌矩形區(qū)域的高和寬，單位為像素；本實施例中，處理結果參照圖5，所述的車牌識別算法在申請?zhí)枮閏n201510937041.8的文件中已公開，在此不再詳述；

步驟5：確定i為車尾圖像還是車頭圖像，具體為：

步驟5.1：根據(jù)公式(4)確定矩形特征區(qū)域d：

其中，ρ1，ρ2為比例系數(shù)，(xd,yd)為矩形區(qū)域d左上角的坐標，hd與wd分別為矩形區(qū)域d的高和寬；本實施例中，選擇ρ1,ρ2分別為1與2，處理結果參照圖6；

步驟5.2：將d劃分為大小相等的nrow*ncol個矩形超像素塊，nrow與ncol分別為超像素塊的行總數(shù)與列總數(shù)，每個超像素塊的大小為n＝width*height,并根據(jù)公式(5)，(6)，(7)，(8)篩選出有效超像素塊集合d*：

其中，λ為標準差閾值，dij為第i行第j列的超像素塊，為dij的像素標準差，與分別為dij在k通道上的標準差與灰度平均值，k＝1,2,3，為第k個通道的權重系數(shù)，表示dij的第k通道圖像，表示中在坐標點(x,y)處的像素灰度值；本實施例中，選擇width與height為4，選擇λ為5，分別為4,1,6，超像素塊劃分如圖7所示；

步驟5.3：將d*中每個超像素塊dij的傳入步驟2訓練所得的神經(jīng)網(wǎng)絡模型，輸出為令則超像素塊dij的顏色為cij＝cq，其中，表示超像素塊dij為顏色cr的概率，cr∈c,cq∈c；

步驟5.4：根據(jù)式(9)統(tǒng)計d*中每一行中識別出的每種顏色的數(shù)量并根據(jù)式(10)和(11)計算每一行是否有效：若fi為1，則表示第i行為有效行，否則，為無效行；將所有的無效行從d*中剔除：

其中，μ1為比例系數(shù)，ncimax為第i行中最多的顏色數(shù)量；本實施例中，選擇μ1為0.5，超像素行的顏色統(tǒng)計結果如圖8所示；

步驟5.5：根據(jù)式(12)計算有效行數(shù)num，并判斷圖像i為車頭或是車尾：若num＜μ2*nrow，則i為車頭圖像；否則，i為車尾圖像，其中，μ2為比例系數(shù)：

本實施例中，選擇μ2為0.5；

步驟6：若i為車尾圖像，轉步驟7；若i為車頭圖像，則根據(jù)式(13)對矩形區(qū)域d重定位并重新執(zhí)行步驟5.2至5.4，之后轉步驟7：

其中，ρ3,ρ4為比例系數(shù)；本實施例中，選擇ρ3,ρ4分別為0.5與2，處理結果參照圖9；

步驟7：根據(jù)公式(14)統(tǒng)計d*中每種顏色識別結果出現(xiàn)的次數(shù)，得到顏色分類集合l＝{lr|r＝1,2,…,10}：

其中，lr表示顏色cr被識別到的數(shù)量，處理結果如圖10，圖11所示；

步驟8：從集合l中從大到小挑選出排在前兩位的數(shù)值，令lm表示排在第一位的值且m為該值對應的下標，lp表示排在第二位的值且p為該值對應的下標；

步驟9：識別車輛顏色，具體為：若lm*η＞lp，則車輛顏色為cm；否則，以概率給出車輛顏色為cm，同時以概率給出車輛顏色為cp，其中，η為分類系數(shù)。本實施例中，選擇η為0.7。

本說明書實施例所述的內容僅僅是對發(fā)明構思的實現(xiàn)形式的列舉，本發(fā)明的保護范圍的不應當被視為僅限于實施例所陳述的具體形式，本發(fā)明的保護范圍也及于本領域技術人員根據(jù)本發(fā)明構思所能夠想到的等同技術手段。