專利名稱：顏色識別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，具體的說，涉及的是一種對圖像中的待 識別物的顏色進行識別的方法。
背景技術(shù)：
在有些情況下，我們需要對所攝取圖像中的特定目標進行處理，以獲得 包括該特定目標的類別、及其在圖像中的位置、形狀、大小、甚至是顏色等 在內(nèi)的各種特征，進而利用所獲取的各種特征應(yīng)用于不同的使用環(huán)境中。以現(xiàn)普遍實施的車輛監(jiān)控為例，在治安卡點與高速公路收費站等場所， 可通過架設(shè)的智能交通監(jiān)控系統(tǒng)中對交通道路上的車輛進行監(jiān)控，例如可通 過攝像機實時抓拍以獲取高清晰的車輛靜態(tài)圖像，利用相關(guān)的識別技術(shù)從車 輛圖像中獲取準確的車輛相關(guān)信息(如車牌號碼、車型特征、車輛品牌、或 車身顏色等)。其中，作為車輛信息中重要部分的車身顏色，通過識別技術(shù)獲 取后可與其它信息，例如車牌號碼共同地或單獨地廣泛應(yīng)用于多種場合，例如查找遺失車輛、查處違章或肇事車輛，以及協(xié)助車輛盜搶案件的偵破等。參考文獻(《車輛識別系統(tǒng)中幾個關(guān)鍵技術(shù)的研究》，王運瓊，四川大學博士"^侖文，2004)中闡述了一種利用^L頻識別汽車顏色的方法，該方法首先 利用視頻傳感器獲得包括背景在內(nèi)的車輛視頻圖像，通過圖像分割方法去除 背景以獲得車輛的完整圖像。而汽車顏色識別就是根據(jù)分割出的車輛圖像， 提取適合于分類的顏色特征，將車身主體顏色分類到指定的顏色類別中，而 每種類別中有數(shù)量不等的標準顏色值樣本。該方法包括根據(jù)標準顏色值樣本 識別出車輛圖像中所有單像素點的顏色，然后根據(jù)每個像素在不同車型中對 車身主體顏色的不同貢獻度，將它們進行融合，得到可基本反映車身顏色的 最終識別結(jié)果。上述參考文獻主要是從多類分類器的角度，利用支持向量機(Support Vector Machine, SVM)較強的泛化性能，利用線性不可分樣本集的模糊支持 向量機與最小二乘支持向量機的方法解決線性可分顏色分類問題，克服了訓 練樣本集各類別分布不均衡導致的分類錯誤，通過logistic回歸支持向量機方 法解決組合多類分類器特有的陰影區(qū)域問題，提高了單像素顏色識別準確率。 而在車身顏色識別階段，充分利用了 D-S證據(jù)理論處理不確定信息的優(yōu)秀性 能，減少了與車身顏色不一致的車輪、車胎、車窗等對車身顏色識別的影響， 相對提高了識別的速度及其準確率。然而，上述應(yīng)用于車身顏色的識別方法采用的是基于動態(tài)圖像的算法， 相對基于靜態(tài)圖像的算法，動態(tài)算法所要求的計算量較大，且所得識別結(jié)果 的精確度也相對較差；另外，上述顏色識別方法是對去除背景后的整個車輛 視頻圖像內(nèi)所有像素點進行顏色識別，不僅計算量大，而且因引入了車輛圖 像中不能代表車身顏色的區(qū)域，如車窗等而導致可靠性較差、識別精確度較 低。而為了提高可靠性，還需額外采用基于人工統(tǒng)計經(jīng)驗值的D-S證據(jù)理論 手段來消除包括車輪、車燈、車窗等位置的顏色所產(chǎn)生的干擾，如此易影響 識別系統(tǒng)的通用性并增加系統(tǒng)的復雜度。發(fā)明內(nèi)容本發(fā)明提供一種顏色識別方法，減少識別的計算量、提高顏色識別的準 確率。本發(fā)明提供一種顏色識別方法，包括確定圖像中待識別物的特征區(qū)域， 所述特征區(qū)域的顏色能用于代表待識別物的顏色；識別特征區(qū)域內(nèi)像素點的 顏色，對所述像素點的顏色進行統(tǒng)計，獲取區(qū)域顏色識別的特征向量；根據(jù) 所述特征向量，識別出用于代表待識別物顏色的特征區(qū)域的顏色?？蛇x的，所述獲取特征向量包括通過用于像素點顏色識別的支持向量 機分類器，識別特征區(qū)域內(nèi)像素點的顏色；統(tǒng)計特征區(qū)域內(nèi)每種顏色的像素點所占比例并對其進行歸一化處理，形成與像素點的顏色對應(yīng)的多維向量， 作為區(qū)域顏色識別的特征向量。可選的，所述識別用于代表待識別物顏色的特征區(qū)域的顏色通過用于區(qū) 域顏色識別的支持向量機分類器實現(xiàn)?？蛇x的，所述識別特征區(qū)域內(nèi)像素點的顏色包括對建立的像素點顏色 決策分類樹各結(jié)點上的訓練樣本集進行支持向量機訓練，得到各結(jié)點上用于 像素點顏色識別的支持向量機分類器；根據(jù)決策分類樹與各結(jié)點上用于像素 點顏色識別的支持向量機分類器，識別特征區(qū)域內(nèi)各像素點的顏色?？蛇x的，所述決策分類樹包括將像素點顏色按紅、黃、藍、綠進行粗 分類，以形成根結(jié)點；將根結(jié)點中紅、黃、藍、綠分別與灰色系列進行分類， 以形成一級結(jié)點；根據(jù)顏色分布的實際情況，分別對一級結(jié)點中的紅、藍、 綠、以及灰色系列進行細分類，以形成二級結(jié)點。可選的，所述建立訓練樣本集包括從標準顏色塊以及成像環(huán)境較好的 待識別物圖像中選擇各顏色的正常樣本；通過先驗知識與實際待識別物顏色 相結(jié)合的方法來選擇各顏色的邊界樣本，以得到能反映顏色分布的訓練樣本 集?？蛇x的，所述選擇各顏色的邊界樣本包括在HSV顏色空間中，通過固定 色調(diào)分量H,調(diào)節(jié)飽和度分量S與亮度值分量V，選擇彩色系列與灰色系列 的邊界樣本；以及通過調(diào)節(jié)色調(diào)分量H選擇彩色之間的邊界樣本；進一步包 括從視覺上比較接近的不同顏色的待識別物顏色圖片樣本中選擇；還包括選 擇訓練過程中產(chǎn)生的支持向量作為邊界樣本?？蛇x的，所述對決策分類樹各結(jié)點上的訓練樣本集進行支持向量機訓練 包括選擇CIE—Lab顏色空間的三維特征值作為特征向量；觀察每層分類樣 本的分布規(guī)律，選定每個支持向量機分類器的核函數(shù)類型，并通過交叉驗證 的方法來選擇最終的核函數(shù)類型及相關(guān)參數(shù)；采用增量訓練方法，進行多次反饋訓練，獲得用于像素點顏色識別的支持向量機分類器?？蛇x的，所述用于區(qū)域顏色識別的支持向量機分類器包括通過用所建立 的區(qū)域顏色訓練樣本集進行支持向量機訓練得到。可選的，所述區(qū)域顏色訓練樣本集包括在訓練圖庫中，觀察每個特征 區(qū)域的像素點顏色分布情況，對分布情況進行歸類統(tǒng)計，去除每種顏色類別 的噪聲樣本后，初步形成每種顏色類別的樣本庫；在所述每種顏色類別的樣本庫中，篩選出正常樣本與邊界樣本，以正常樣本與邊界樣本形成的集合作 為最終的區(qū)域顏色訓練樣本集?？蛇x的，所述正常樣本包括選擇能夠明顯與其他區(qū)域顏色類別區(qū)分的像 素點顏色分布特征，作為識別的正常樣本。所述邊界樣本包括遍歷任意兩種 顏色類別，對所述兩種顏色類別的樣本庫中的樣本進行兩兩比較，選擇樣本 歐式距離較小的兩類樣本作為邊界樣本?？蛇x的，所述用所建立的區(qū)域顏色訓練樣本集進行支持向量機訓練包括 選擇與像素點的顏色對應(yīng)的多維向量作為區(qū)域顏色識別的特征向量；觀察樣 本的特征向量分布規(guī)律，選定每一個支持向量機分類器中的核函數(shù)類型，并 通過交叉驗證的方法來選擇最終的核函數(shù)類型及相關(guān)參數(shù)；采用增量訓練方 法，進行多次反饋訓練，獲得用于區(qū)域顏色識別的支持向量機分類器?？蛇x的，通過用于像素點顏色識別的支持向量機分類器識別像素點顏色 與用于區(qū)域顏色識別的支持向量機分類器識別區(qū)域顏色的過程中，進一步包 括對支持向量機的優(yōu)化處理。所述優(yōu)化處理包括線性核運算的化簡與高斯核 運算的力口速?？蛇x的，所述特征區(qū)域內(nèi)像素點包括特征區(qū)域內(nèi)的所有像素點或通過采 樣得到的特征區(qū)域內(nèi)的部分^^素點。與現(xiàn)有技術(shù)相比，本發(fā)明顏色識別方法通過用于像素點顏色識別的支持 向量機分類器識別出特征區(qū)域內(nèi)各像素點的顏色，進而得到特征區(qū)域的像素點顏色分布，并以此獲得區(qū)域顏色識別的特征向量，通過用于區(qū)域顏色識別 的支持向量機分類器識別出用于代表待識別物顏色的特征區(qū)域的顏色，減少 計算量，提高識別準確率。


圖1為本發(fā)明的實施方式中顏色識別方法的流程示意圖； 圖2為本發(fā)明的實施方式中顏色識別方法用于識別車身顏色的實施例的 示意圖；圖3為本發(fā)明的實施方式中顏色識別方法中像素點顏色決策分類樹的結(jié) 構(gòu)示意圖；圖4為圖1所示的顏色識別方法中步驟S102的具體流程圖；圖5為本發(fā)明的實施方式中顏色識別方法用于像素點顏色識別的支持向量機訓練的流程示意圖；圖6為本發(fā)明的實施方式中顏色識別方法用于區(qū)域顏色識別的支持向量^/L訓練的流程示意圖。
具體實施方式
本發(fā)明的 一個實施方式在特征區(qū)域內(nèi)通過用于像素點顏色識別的支持向 量機分類器識別特征區(qū)域內(nèi)像素點的顏色，基于像素點顏色識別結(jié)果，統(tǒng)計 出特征區(qū)域內(nèi)各種顏色像素點的分布，以此獲取區(qū)域顏色識別的特征向量； 根據(jù)特征向量，通過用于區(qū)域顏色識別的支持向量機分類器識別出用于代表 待識別物顏色的特征區(qū)域的顏色。下面結(jié)合附圖與實施例對本發(fā)明技術(shù)方案 4乍詳細的i兌明。圖1顯示了本發(fā)明實施例顏色識別方法的流程示意圖，用于對圖像中的 待識別物進行顏色識別。需說明的是，在本實施例中，本發(fā)明實施例顏色識 別方法是以車輛圖像中的車身顏色識別為例進行說明的，但并不以此為限， 所述待識別物還可以包括需要在圖^f象中進行顏色識別的其他物體，例如建筑物、花卉等。該顏色識別方法包括下列步驟，首先進行步驟S100。在步驟S100中，確定圖像中待識別物的特征區(qū)域，所述特征區(qū)域的顏色 能用于代表待識別物的顏色。在本實施例中，所述代表待識別物顏色的特征 區(qū)域具有在所述區(qū)域內(nèi)顏色變化緩慢、各像素點顏色基本一致的特點。現(xiàn)以 汽車為例，針對汽車的車型特點，因為車身的車前蓋區(qū)域內(nèi)的顏色變化i爰十曼， 各像素點顏色基本一致，即使存在反光，色彩變化也相對均勻，能代表車身 顏色，因此我們選擇從車輛圖像中的車前蓋區(qū)域中截取出 一部分作為特征區(qū) 域。在例如車身顏色識別的實際應(yīng)用中，所述特征區(qū)域的中心可以根據(jù)已有的例如車牌定位^技術(shù)定位的車牌區(qū)域或車窗定位:技術(shù)定位的車窗區(qū)域等參考區(qū)域以及根據(jù)車輛區(qū)域的紋理特征與結(jié)構(gòu)特征所構(gòu)建的能量分布函數(shù)來定位 的。因所述特征區(qū)域的定位技術(shù)并非本技術(shù)方案之重點，故在此不再另行贅述。在本實施例中，所述特征區(qū)域具有一定的大小及形狀，并可與車前蓋區(qū)域的大小及形狀相對應(yīng)(如圖2所示)。如圖2所示，特征區(qū)域200可例如一 塊300 x IOO大小的矩形區(qū)域，但并不以此為限，其大小及其形狀另可作其他 變動。例如，該特征區(qū)域的大小可根據(jù)設(shè)計要求及計算條件而改變，其形狀 另可選擇例如圓形、菱形、橢圓或正多邊形等規(guī)則形狀，實際上，只要所述 特征區(qū)域的顏色可代表車身顏色，其形狀甚至可包括其他不規(guī)則形狀。與現(xiàn) 有技術(shù)中需要對圖像中待識別物的所有像素點都進行顏色識別的方法相比， 本發(fā)明利用特征區(qū)域來進行顏色識別可大大減少識別過程中的計算量，更可 消除其他不能用于代表待識別物顏色的區(qū)域?qū)︻伾R別造成的干擾。接著， 進入步驟S102。在步驟S102中，識別特征區(qū)域內(nèi)像素點的顏色，對所述像素點的顏色進 行統(tǒng)計，獲取區(qū)域顏色識別的特征向量。請另參閱圖4，其顯示獲取區(qū)域顏色識別的特征向量的具體流程圖。如圖4所示，首先進行步驟S102a。在步驟S102a中，通過用于像素點顏色識別的支持向量機分類器，識別 特征區(qū)域內(nèi)像素點的顏色。在本實施例中，所述用于像素點顏色識別的支持 向量機分類器可以通過對建立的像素點顏色決策分類樹各結(jié)點上的訓練樣本 集進行支持向量機訓練而得到的。所述像素點顏色決策分類樹可以為自頂向 下的樹形無環(huán)決策分類，但并不以此為限，所述像素點顏色的分類仍可有其 他的變化形式。在本實施例中，可以將顏色分為11種類別，具體包括白色、銀色、灰 色(含灰與銀灰)、黑色、紅色(含紅與暗紅)、深藍色、藍色(含藍與青)、 黃色(含金黃與黃)、綠色(含綠與暗綠)、褐色(含淺褐與褐)、以及上述顏 色以外的其他顏色(例如粉色或含無均勻分布的顏色)。但并不以此為限，仍 允許作不同的擴展或劃分，例如將顏色分為不同的類別，且對每一類別進行 不同的細分等。根據(jù)上述顏色分類，即可構(gòu)建像素點顏色決策分類樹。圖3顯示根據(jù)本 發(fā)明實施例所構(gòu)建的像素點顏色決策分類樹的結(jié)構(gòu)示意圖。如圖3所示，所 述像素點顏色決策分類樹包括將像素點顏色按紅、黃、藍、綠進行粗分類， 以形成根結(jié)點30;將根結(jié)點30中的紅、黃、藍、綠分別與灰色系列(包含白、 銀、灰、黑等)分類，以形成包括紅與灰色系列、黃與灰色系列、藍與灰色 系列、以及綠與灰色系列的一級結(jié)點32;根據(jù)顏色分布的實際情況，分別對 一級結(jié)點32中的紅、藍、綠以及灰色系列進行細分類，以形成二級結(jié)點34, 具體包括將紅與灰色系列的一級結(jié)點32中的紅細分為紅、褐、金黃、及粉 紅，將灰色系列中的白、4艮、灰、黑進行細分；將黃與灰色系列的一級結(jié)點 32中灰色系列中的白、銀、灰、黑進行細分；將藍與灰色系列的一級結(jié)點32 中的藍細分為藍與深藍，將灰色系列中的白、銀、灰、黑進行細分；以及將 綠與灰色系列的一級結(jié)點32中的綠細分為綠與青，將灰色系列中的白、銀、灰、黑進行細分。需要說明的是，在本實施例中，所述像素點顏色決策分類樹僅為示例性 說明，其包括以紅、黃、藍、綠的粗分類作為根結(jié)點，并以所述根結(jié)點為基 礎(chǔ)逐次形成一級結(jié)點、二級結(jié)點。但實際上，所述像素點顏色決策分類樹的 結(jié)構(gòu)特征可以結(jié)合對識別準確率、識別速度、或系統(tǒng)復雜度等諸多要素綜合 考量后決定的。所述決策分類樹并不以此為限，無論是決策分類樹的樹結(jié)構(gòu)、 結(jié)點分布、每一結(jié)點的顏色分類均可有不同的變化例。例如，為提高像素點 顏色識別的準確率，仍可在圖3所示的像素點顏色決策分類樹中進行擴展及 更為深入地細化，使其增加結(jié)點層次，形成例如包括三級結(jié)點或更細化的結(jié) 點結(jié)構(gòu)。或者，改變顏色分類的策略，提供不同結(jié)構(gòu)的像素點顏色決策分類 樹，例如決策分類樹可以包括將顏色粗分類為彩色系列與灰色系列，以形成根結(jié)點；對彩色系列的紅、黃、藍、綠分類以及灰色系列的銀、白、灰或深 灰與黑色的分類，以形成一級結(jié)點；根據(jù)實際情況進行的彩色系列與灰色系 列的二次判別，以形成二級結(jié)點；對彩色系列中紅、黃、藍、綠更進一步的 細分，以形成三級結(jié)點。而像素點顏色決策分類樹各結(jié)點的支持向量機分類器，可以根據(jù)建立的 待識別物顏色的訓練樣本集進行像素點顏色識別的支持向量機訓練來獲得。 具體來講，所述待識別物顏色的訓練樣本集可以從標準顏色塊以及成像環(huán)境 較好的待識別物圖像中選擇各顏色的正常樣本，并通過先驗知識與實際待識 別物顏色相結(jié)合的方法來選擇各顏色的邊界樣本，以得到能反映顏色分布的 訓練樣本集。特別地，所述選擇各顏色的邊界樣本包括在HSV顏色空間中，通過固 定色調(diào)分量H (將H分量定位在一種顏色上)，調(diào)節(jié)飽和度分量S與亮度值分 量V,例如組合較小的飽和度分量S值與不同的亮度值分量V值，或組合不 同的飽和度分量S值與較大或較小的亮度值分量V值選擇紅、黃、藍、綠與灰色系列(白、銀、灰、黑)的邊界點；以及通過調(diào)節(jié)色調(diào)分量H選擇彩色 之間的邊界點，并將其轉(zhuǎn)換到CIE—Lab顏色空間作為各顏色的邊界樣本。另 外，在相近的待識別物顏色圖片中，觀察其待識別物顏色樣本，將不同顏色 但視覺上比較接近的顏色作為待選擇的邊界樣本，并使用計算工具(例如 Matlab)觀察其樣本的分布來選擇邊界樣本。再有，由于支持向量(包括訓練 過程中的離群點)包含在類別之間的邊界向量樣本集合中，因此進一步包括 選擇訓練過程中產(chǎn)生的支持向量作為邊界樣本，從而拋棄一些非支持向量樣 本，減少下一次訓練時的樣本數(shù)。在本實施例中，對特征區(qū)域內(nèi)像素點的顏色，可以根據(jù)像素點顏色決策 分類樹與各結(jié)點的支持向量機分類器進行識別。具體來講，首先根據(jù)決策分類樹的根結(jié)點及對應(yīng)所述根結(jié)點的支持向量機分類器進行紅、黃、藍、綠的 粗分類。然后根據(jù)根結(jié)點的識別結(jié)果以及對應(yīng)一級結(jié)點中紅與灰色系列、黃 與灰色系列、藍與灰色系列、綠與灰色系列的支持向量機分類器進行分類； 若為彩色系列，則根據(jù)一級結(jié)點的識別結(jié)果以及相應(yīng)的二級結(jié)點中彩色系列 細分類的支持向量分類器進行分類；若為灰色系列，則根據(jù)一級結(jié)點的識別 結(jié)果以及相應(yīng)的二級結(jié)點中灰色系列的支持向量機分類器進行分類，最終可 識別出某一像素點的顏色。以此類推，即可得到特征區(qū)域內(nèi)各像素點顏色的 識別結(jié)果。在本實施例中，通過上述的識別處理，就可以識別出圖2中代表 車身顏色的特征區(qū)域200中各像素點的顏色。另外，所述特征區(qū)域內(nèi)像素點包括特征區(qū)域內(nèi)的所有像素點或通過采樣 得到的特征區(qū)域內(nèi)的部分像素點。現(xiàn)以均勻采樣方式為例，在本實施例中， 如圖2所示，假設(shè)與車前蓋區(qū)域的大小及形狀相對應(yīng)并用以代表車身顏色的 特征區(qū)域200具有300x IOO的大小，則可在其中均勻采樣部分^f象素點，例如 600個像素點，這樣可在確保識別準確率不降低的情況下，可相應(yīng)減少像素點 識別的計算量，提高識別效率。接著，進入步驟S102b。在步驟S102b中，統(tǒng)計特征區(qū)域內(nèi)每種顏色的像素點所占比例并對其進 行歸一化處理，形成與^^素點的顏色對應(yīng)的多維向量，作為區(qū)域顏色識別的 特征向量。所述歸一化處理可降低計算量并提高處理效率。在本實施例中， 因^f象素點顏色共包括11種分類，因此可形成11維特征向量。通過上述步驟S102a與S102b,即可獲取反映特征區(qū)域內(nèi)每種顏色的像素 點所占比例的特征向量，接下來即會根據(jù)所述特征向量，識別出特征區(qū)域的 顏色。在步驟S104中，根據(jù)所述特征向量，通過用于區(qū)域顏色識別的支持向量 機分類器，識別出用于代表待識別物顏色的特征區(qū)域的顏色。在本實施例中， 所述識別用于代表待識別物顏色的特征區(qū)域的顏色通過用于區(qū)域顏色識別的 支持向量機分類器實現(xiàn)。在本實施例中，所述用于區(qū)域顏色識別的支持向量機分類器包括通過用 所建立的區(qū)域顏色訓練樣本集進行支持向量機訓練得到。具體來講，所述區(qū) 域顏色訓練樣本集包括在訓練圖庫中，觀察每個特征區(qū)域的像素點顏色分 布情況，對分布情況進行歸類統(tǒng)計，去除每種顏色類別的噪聲樣本后，初步 形成每種顏色類別的樣本庫；并在所述每種顏色類別的樣本庫中，篩選出正常樣本與邊界樣本，以正常樣本與邊界樣本形成的集合作為最終的區(qū)域顏色 訓練樣本集。其中，所述正常樣本包括選擇能夠明顯與其他區(qū)域顏色類別 區(qū)分的像素點顏色分布特征，作為識別的正常樣本。所述邊界樣本包括遍 歷任意兩種顏色類別，對所述兩種顏色類別的樣本庫中的樣本進行兩兩比較， 選擇樣本歐式距離較小的兩類樣本作為邊界樣本。在本實施例中，當本發(fā)明顏色識別方法應(yīng)用于圖2所示的車輛圖^^中時， 即可判定得到所定位出的特征區(qū)域200中的顏色的具體分類。上述步驟S102a中所述各結(jié)點的支持向量機分類器，是根據(jù)建立的待識 別物顏色的訓練樣本集進行像素點顏色識別的支持向量機訓練來獲得。所述像素點顏色識別的支持向量機訓練的具體流程如圖5所示，首先進行步驟S500。在步驟S500中，選擇CIE—Lab顏色空間的三維特征值作為特征向量。由 于CIE一Lab顏色空間的優(yōu)點在于顏色接近均勻分布，與人眼對顏色感知類似， 且CIE—Lab顏色空間的色差也接近歐式距離，有利于用支持向量機進行分類， 因此，在像素點識別階段以CIE一Lab顏色空間的三維特征值作為分類的特征 向量。接著，進入步驟S502。在步驟S502中，觀察每層分類樣本的分布規(guī)律，初步選定每個支持向量 機分類器的核函數(shù)類型，并通過交叉驗證的方法來選擇最終的核函數(shù)類型及 相關(guān)參數(shù)。在本實施例中， -使用計算工具(例如Matlab)觀察待識別物顏色 的分布情況，根結(jié)點的紅、黃、藍、綠采用線性核函數(shù)進行粗分類； 一級結(jié) 點中藍色與灰色系列(白、4艮、灰、黑)是非線性可分，因此選用高斯核函 數(shù)進行分類， 一級結(jié)點中紅、黃、綠與灰色系列的可分性相對較強，采用線 性核函數(shù)進行分類；二級結(jié)點中黃色、紅色、褐色等的分類，藍色、深藍的 分類，綠色、青色的分類，銀、白、灰、黑的分類采用線性核函數(shù)。在初步 選定了每個支持向量機分類器核函數(shù)的類型后通過交叉驗證的方法來選擇最 終的核函數(shù)類型以及相關(guān)參數(shù)，以進行核運算。接著，進入步驟S504。在步驟S504中，采用增量訓練方法，進行多次反饋訓練，獲得用于像素 點顏色識別的支持向量機分類器。在本實施例中，由于在支持向量機分類時， 并非所有的訓練樣本都對分類起作用，只有少量被稱為支持向量的訓練樣本 才起作用，并且這些支持向量在幾何位置上分布于分劃超平面的周圍且包含 在邊界向量樣本集合中。因此在進行多次反饋訓練時，每次主要選擇支持向 量與后添加的樣本進行再次訓練，相對可減少了訓練樣本的數(shù)目，提高了訓 練效率。另外，上述步驟S104中用于區(qū)域顏色識別的支持向量機分類器包括通過用所建立的區(qū)域顏色訓練樣本集進行支持向量機訓練得到。所述用所建立的 區(qū)域顏色訓練樣本集進行支持向量機訓練的具體流程如圖6所示，所述流程首先進行步驟S600。在步驟S600中，選擇與像素點的顏色對應(yīng)的多維向量作為區(qū)域顏色識別 的特征向量。在本實施例中，因像素點顏色包括11種分類，因此可形成11 維特征向量。接著，進入步驟S602。在步驟S602中，觀察樣本的特征向量分布規(guī)律，初步選定每一個支持向 量機分類器中的核函數(shù)類型，并通過交叉驗證的方法來選擇最終的核函數(shù)類 型及相關(guān)參數(shù)。在本實施例中，所述核函數(shù)采用的是線性核函數(shù)。接著，進 入步驟S604。在步驟S604中，采用增量訓練方法，進行多次反饋訓練，獲得用于區(qū)域 顏色識別的支持向量機分類器。需要說明的是，在上述識別過程中，就是在通過用于像素點顏色識別的 支持向量機分類器識別像素點顏色與用于區(qū)域顏色識別的支持向量機分類器 識別區(qū)域顏色的過程中，進一步包括對核運算的優(yōu)化處理，具體體現(xiàn)在對線 性核運算的化簡與高斯核運算的加速。所述線性核運算的化簡包括將線性并利用支持向量決策函凄t /(x)=z . x)+y化簡為/(x)=機訓練后得到的支持向量系數(shù)( < )、支持向量(x,)及其對應(yīng)的類別(乂.)將t",V,x,先計算出來并保存，這樣就將已知數(shù)據(jù)與待測數(shù)據(jù)進行分離，使得,=1數(shù)據(jù)的計算與存儲不再與支持向量的個數(shù)成正比，而是取決于分類器的個數(shù)， 由此可減少在線計算時間，空間上由于不必保存大量的支持向量及其系數(shù)， 從而減少了空間復雜度。所述高斯核運算的加速包括制作高斯函數(shù)映射表和/或二級高斯函數(shù)映射 表，通過查表的方式取代高斯運算。因為當核函數(shù)為高斯函數(shù)時，涉及到大量的浮點運算，在數(shù)字信號處理過程中運算速度很慢，因此，制作高斯函數(shù) 映射表，通過查表的方式將高斯函數(shù)進行離散化，每次通過查表的方式來取 代高斯運算。另外，為了減少查找過程，建立二級高斯函數(shù)映射表，減少了 計算高斯函數(shù)的復雜性。綜上所述，在本發(fā)明顏色識別方法的實施例中，在圖像中待識別物的特 征區(qū)域內(nèi)通過用于像素點顏色識別的支持向量機分類器，獲得特征區(qū)域內(nèi)各 像素點的顏色分類，基于像素點顏色識別結(jié)果，統(tǒng)計出特征區(qū)域內(nèi)各種顏色 像素點的分布，獲取區(qū)域顏色識別的特征向量；最后根據(jù)所述特征向量，通 過訓練后的區(qū)域顏色識別支持向量機分類器識別出特征區(qū)域的顏色分類，進 而獲得待識別物的顏色的識別結(jié)果，相應(yīng)減少計算量，提高識別準確率。本發(fā)明雖然以較佳實施例公開如上，但其并不是用來限定本發(fā)明，任何 本領(lǐng)域技術(shù)人員在不脫離本發(fā)明的精神和范圍內(nèi)，都可以做出可能的變動和 修改，因此本發(fā)明的保護范圍應(yīng)當以本發(fā)明權(quán)利要求所界定的范圍為準。
權(quán)利要求
1.一種顏色識別方法，其特征在于，包括確定圖像中待識別物的特征區(qū)域，所述特征區(qū)域的顏色能用于代表待識別物的顏色；識別特征區(qū)域內(nèi)像素點的顏色，對所述像素點的顏色進行統(tǒng)計，獲取區(qū)域顏色識別的特征向量；根據(jù)所述特征向量，識別出用于代表待識別物顏色的特征區(qū)域的顏色。
2. 根據(jù)權(quán)利要求1所述的顏色識別方法，其特征在于，所述獲取特征向量 包括通過用于像素點顏色識別的支持向量機分類器，識別特征區(qū)域內(nèi)像素 點的顏色；統(tǒng)計特征區(qū)域內(nèi)每種顏色的像素點所占比例并對其進行歸一化處 理，形成與像素點的顏色對應(yīng)的多維向量，作為區(qū)域顏色識別的特征向量；所述識別用于代表待識別物顏色的特征區(qū)域的顏色通過用于區(qū)域顏色識 別的支持向量機分類器實現(xiàn)。
3. 根據(jù)權(quán)利要求2所述的顏色識別方法，其特征在于，所述識別特征區(qū)域 內(nèi)像素點的顏色包括對建立的像素點顏色決策分類樹各結(jié)點上的訓練樣本集進行支持向量機 訓練，得到各結(jié)點上用于像素點顏色識別的支持向量機分類器；根據(jù)決策分類樹與各結(jié)點上用于像素點顏色識別的支持向量機分類器， 識別特征區(qū)域內(nèi)各像素點的顏色。
4. 根據(jù)權(quán)利要求3所述的顏色識別方法，其特征在于，所述決策分類樹包 括將像素點顏色按紅、黃、藍、綠進行粗分類，以形成根結(jié)點； 將根結(jié)點中紅、黃、藍、綠分別與灰色系列進行分類，以形成一級結(jié)點； 根據(jù)顏色分布的實際情況，分別對一級結(jié)點中的紅、藍、綠、以及灰色 系列進行細分類，以形成二級結(jié)點。
5. 根據(jù)權(quán)利要求3所述的顏色識別方法，其特征在于，所述建立訓練樣本 集包括從標準顏色塊以及成像環(huán)境較好的待識別物圖像中選擇各顏色的正常樣本；通過先驗知識與實際待識別物顏色相結(jié)合的方法來選擇各顏色的邊界樣 本，以得到能反映顏色分布的訓練樣本集。
6. 根據(jù)權(quán)利要求5所述的顏色識別方法，其特征在于，所述選擇各顏色的 邊界樣本包括在HSV顏色空間中，通過固定色調(diào)分量H,調(diào)節(jié)飽和度分量S 與亮度值分量V,選擇彩色系列與灰色系列的邊界樣本；以及通過調(diào)節(jié)色調(diào) 分量H選擇彩色之間的邊界樣本。
7. 根據(jù)權(quán)利要求5所述的顏色識別方法，其特征在于，所述選擇各顏色的 邊界樣本進一步包括從視覺上比較接近的不同顏色的待識別物顏色圖像樣本 中選擇。
8. 根據(jù)權(quán)利要求5所述的顏色識別方法，其特征在于，所述選擇各顏色的 邊界樣本還包括選擇訓練過程中產(chǎn)生的支持向量。
9. 根據(jù)權(quán)利要求3所述的顏色識別方法，其特征在于，所述對決策分類樹 各結(jié)點上的訓練樣本集進行支持向量機訓練包括選擇CIE—Lab顏色空間的三維特征值作為特征向量；觀察每層分類樣本的分布規(guī)律，選定每個支持向量機分類器的核函數(shù)類 型，并通過交叉驗證的方法來選擇最終的核函數(shù)類型及相關(guān)參數(shù)；采用增量訓練方法，進行多次反饋訓練，獲得用于像素點顏色識別的支 持向量機分類器。
10. 根據(jù)權(quán)利要求2所述的顏色識別方法，其特征在于，所述用于區(qū)域顏色識別的支持向量機分類器包括通過用所建立的區(qū)域顏色訓練樣本集進行支持 向量機訓練得到。
11. 根據(jù)權(quán)利要求IO所述的顏色識別方法，其特征在于，所述區(qū)域顏色訓練樣本集包括在訓練圖庫中，觀察每個特征區(qū)域的像素點顏色分布情況，對分布情況 進行歸類統(tǒng)計,去除每種顏色類別的噪聲樣本后，形成每種顏色類別的樣本庫；在所述每種顏色類別的樣本庫中，篩選出正常樣本與邊界樣本，以正常 樣本與邊界樣本形成的集合作為最終的區(qū)域顏色訓練樣本集。
12. 根據(jù)權(quán)利要求11所述的顏色識別方法，其特征在于，所述正常樣本包括 選擇能夠明顯與其他區(qū)域顏色類別區(qū)分的像素點顏色分布特征，作為識別的 正常樣本。
13. 根據(jù)權(quán)利要求11所述的顏色識別方法，其特征在于，所述邊界樣本包括 遍歷任意兩種顏色類別，對所述兩種顏色類別的樣本庫中的樣本進行兩兩比 較，選擇樣本歐式距離較小的兩類樣本作為邊界樣本。
14. 根據(jù)權(quán)利要求IO所述的顏色識別方法，其特征在于，所述用所建立的區(qū) 域顏色訓練樣本集進行支持向量機訓練包括選擇與像素點的顏色對應(yīng)的多維向量作為區(qū)域顏色識別的特征向量；觀察樣本的特征向量分布規(guī)律，選定每一個支持向量機分類器中的核函 數(shù)類型，并通過交叉驗證的方法來選擇最終的核函數(shù)類型及相關(guān)參數(shù)；采用增量訓練方法，進行多次反饋訓練，獲得用于區(qū)域顏色識別的支持 向量機分類器。
15. 根據(jù)權(quán)利要求2所述的顏色識別方法，其特征在于，通過用于像素點顏色識別的支持向量機分類器識別像素點顏色與用于區(qū)域顏色識別的支持向量 機分類器識別區(qū)域顏色的過程中進一步包括對支持向量機的優(yōu)化處理。
16. 根據(jù)權(quán)利要求15所述的顏色識別方法，其特征在于，所述優(yōu)化處理包括 線性核運算的化簡與高斯核運算的加速。
17. 根據(jù)權(quán)利要求1所述的顏色識別方法，其特征在于，所述特征區(qū)域內(nèi)像 素點包括特征區(qū)域內(nèi)的所有像素點或通過采樣得到的特征區(qū)域內(nèi)的部分像素 點。
全文摘要
一種顏色識別方法，包括確定圖像中待識別物的特征區(qū)域，識別特征區(qū)域內(nèi)像素點的顏色，對所述像素點的顏色進行統(tǒng)計，獲取區(qū)域顏色識別的特征向量，并據(jù)此識別出用于代表待識別物顏色的特征區(qū)域的顏色。應(yīng)用本發(fā)明可減少計算量、加快計算速度、提高識別準確率。
文檔編號G08G1/017GK101334835SQ20081004109
公開日2008年12月31日 申請日期2008年7月28日 優(yōu)先權(quán)日2008年7月28日
發(fā)明者劉園園, 靜 姚, 石榮瑞 申請人:上海高德威智能交通系統(tǒng)有限公司