特征区域的定位方法、车身深浅色与车身颜色的识别方法

摘要

一种用于代表车身深浅色及颜色的特征区域的定位方法，包括：根据所得车辆图像中车辆的参考区域，确定车辆区域；根据车辆区域的纹理特征与结构特征，构建能量分布函数；以能量分布函数中能量最大的点作为中心点，定位出用于代表车身深浅色及颜色的特征区域。本发明还提供车身深浅色的识别方法及车身颜色的识别方法，应用本发明可减少计算量、加快计算速度、提高识别准确率。

说明书

技术领域

本发明涉及图像处理技术领域，具体的说，涉及的是一种用于代表车身深浅色及颜色的特征区域的定位方法、车身深浅色的识别方法、车身颜色的识别方法。

背景技术

在治安卡点与高速公路收费站等场所，可通过架设的智能交通监控系统对交通道路上的车辆进行监控，例如可通过摄像机实时抓拍以获取高清晰的车辆静态图像，利用相关的识别技术从车辆图像中获取准确的车辆相关信息(如车牌号码、车型特征、车辆品牌、或车身深浅色及颜色等)，其中，车牌识别技术通过近年来的研发，发展得较为成熟，例如申请号为200410054049的中国专利申请公开的“具有车道全景监控功能的汽车牌照识别装置及其识别方法”，提供了一种结构简单并可具有较佳牌照识别效果的汽车牌照识别装置及其识别方法。而作为车辆信息中重要部分的车身深浅色及颜色，通过识别技术获取后可与其它信息，例如车牌信息共同地或单独地广泛应用于多种场合，例如查处违章、肇事车辆，以及协助车辆盗抢案件的侦破等。

参考文献(《车辆识别系统中几个关键技术的研究》，王运琼，四川大学博士论文，2004)中阐述了一种利用视频识别汽车颜色的方法，该方法首先利用视频传感器获得包括背景在内的车辆视频图像，通过图像分割方法去除背景以获得车辆的完整图像。而汽车颜色识别就是根据分割出的车辆图像，提取适合于分类的颜色特征，将车身主体颜色分类到指定的颜色类别中，而每种类别中有数量不等的标准颜色值样本。该方法包括根据标准颜色值样本识别出车辆图像中所有单像素点的颜色，然后根据各个像素在不同车型中对车身主体颜色的不同贡献度，将它们进行融合，得到可基本反映车身颜色的最终识别结果。

上述参考文献主要是从多类分类器的角度，利用支持向量机(SupportVector Machine，SVM)较强的泛化性能，利用解决线性不可分样本集的模糊支持向量机与最小二乘支持向量机的方法解决线性可分颜色分类问题，克服了训练样本集各类别分布不均衡导致的分类错误，通过logistic回归SVM方法解决组合多类分类器特有的阴影区域问题，提高了单像素颜色识别准确率。而在车身颜色识别阶段，充分利用了D-S证据理论处理不确定信息的优秀性能，减少了与车身颜色不一致的车轮、车胎、车窗等对车身颜色识别的影响，相对提高了识别的速度及其准确率。

然而，上述车身颜色识别方法采用的是基于动态图像的算法，相对基于静态图像的算法，动态算法所要求的计算量较大，且所得识别结果的精确度也相对较差。另外，上述车身颜色识别方法是对去除背景后的整个车辆视频图像内所有像素点进行颜色识别，不仅运算量大，而且因引入了车辆图像中不能用于代表车身颜色的区域，如车窗等而导致可靠性较差、识别精确度较低。而为了提高可靠性，还需额外采用基于人工统计经验值的D-S证据理论手段来消除包括车轮、车灯、车窗等位置的颜色对车身颜色识别的干扰，如此易影响识别系统的通用性并增加系统的复杂度。

发明内容

本发明提供一种用于代表车身深浅色及颜色的特征区域的定位方法、车身深浅色的识别方法、车身颜色的识别方法，减少车身深浅色识别及车身颜色识别的运算量、提高车身深浅色识别及车身颜色识别的准确率。

本发明一方面提供一种用于代表车身深浅色及颜色的特征区域的定位方法，包括：根据所得车辆图像中车辆的参考区域，确定车辆区域；根据车辆区域的纹理特征与结构特征，构建能量分布函数；以能量分布函数中能量最大的点作为中心点，定位出用于代表车身深浅色及颜色的特征区域。

可选的，所述能量分布函数为$>E_{(x,y)}={\lambda }_1·{\mathrm{Dis}}_{(x,y)}^2+{\lambda }_2·\exp (-\frac{{(x-x_{\mathrm{ID}})}^2}{2{\sigma }_1^2}-\frac{{(y-y_{\mathrm{ID}}-c)}^2}{2{\sigma }_2^2}),$>E_(x，y)为点(x，y)的能量，能量分布函数的前一项用于反映车辆区域的纹理特征，其中，Dis_(x，y)为(x，y)到最近的显著边缘的距离，后一项$>{\lambda }_2·\exp (-\frac{{(x-x_{\mathrm{ID}})}^2}{2{\sigma }_1^2}-\frac{{(y-y_{\mathrm{ID}}-c)}^2}{2{\sigma }_2^2})$>用于反映车辆区域的结构特征，(x_ID，y_ID)为参考区域中心，c为经验值，用于反映特征区域与参考区域在纵轴上的估计偏移量；当E_(x，y)最大时对应的(x，y)即为所需定位的特征区域中心点。

可选的，所述确定特征区域中心点进一步包括：计算像素灰度的差分；根据所设定的阈值，对差分结果进行二值化；对二值化后的结果进行距离变换，得到反映显著边缘分布情况的距离值；根据距离值搜索能量函数最大的点，以确定特征区域的中心点。

可选的，所述计算像素灰度的差分包括在与参考区域中心的横坐标一致的纵轴上裁剪一段，计算该段纵轴内像素灰度的差分。

可选的，所述阈值包括由视觉经验所确定的显著边缘处像素灰度差分值的大小决定。

可选的，所述能量分布函数中能量最大的点包括在一维的纵轴区间搜索所述距离值最大的点来确定的。

可选的，所述参考区域包括通过车牌定位技术确定的车牌区域。

可选的，所述用于代表车身深浅色及颜色的特征区域包括在车辆图像中的车前盖区域定位的。

本发明另一方面提供一种车身深浅色的识别方法，包括：根据所得车辆图像中车辆的参考区域，确定车辆区域；根据车辆区域的纹理特征与结构特征，构建能量分布函数，以能量最大的点作为中心点，定位出用于代表车身深浅色及颜色的特征区域；得到特征区域内像素点的深浅色，对特征区域内像素点的深浅色分布情况进行统计；根据所述统计结果，判断得到用于代表车身深浅色的特征区域的深浅色。

可选的，所述能量分布函数为$>E_{(x,y)}={\lambda }_1·{\mathrm{Dis}}_{(x,y)}^2+{\lambda }_2·\exp (-\frac{{(x-x_{\mathrm{ID}})}^2}{2{\sigma }_1^2}-\frac{{(y-y_{\mathrm{ID}}-c)}^2}{2{\sigma }_2^2}),$>E_(x，y)为点(x，y)的能量，能量分布函数的前一项用于反映特征区域的纹理特征，其中，Dis_(x，y)为(x，y)到最近的显著边缘的距离；后一项$>{\lambda }_2·\exp (-\frac{{(x-x_{\mathrm{ID}})}^2}{2{\sigma }_1^2}-\frac{{(y-y_{\mathrm{ID}}-c)}^2}{2{\sigma }_2^2})$>用于反映特征区域的结构特征，其中，(x_ID，y_ID)为参考区域中心，c为经验值，用于反映特征区域与参考区域在纵轴上的估计偏移量；当E_(x，y)最大时对应的(x，y)即为所需定位的特征区域中心点。

可选的，所述确定特征区域中心点进一步包括：计算像素灰度的差分；根据所设定的阈值，对差分结果进行二值化；对二值化后的结果进行距离变换，得到反映显著边缘分布情况的距离值；根据距离值搜索能量函数最大的点，以确定特征区域的中心点。

可选的，所述参考区域包括通过车牌定位技术确定的车牌区域。

可选的，所述得到特征区域内像素点的深浅色包括：采用HSV颜色空间的三维信息作为深浅色分类的特征向量；设定用于决定像素点深浅色的阈值，通过阈值法得到特征区域内像素点的深浅色。

可选的，所述特征区域的深浅色包括根据统计得到的像素点的深浅色分布情况，以投票法来判断得到。

可选的，所述投票法包括根据像素点被分到深色或浅色的数目，以数目多者取胜，如果票数相等，则不计特征区域的首行与末行，再次投票，如果票数仍相等，则作深色处理。

可选的，所述像素点包括特征区域内的所有像素点或通过采样得到的部分像素点。

本发明再一方面提供一种车身颜色的识别方法，包括：根据所得车辆图像中车辆的参考区域，确定车辆区域；根据车辆区域的纹理特征与结构特征，构建能量分布函数，以能量最大的点作为中心点，定位出用于代表车身深浅色及颜色的特征区域；识别特征区域内像素点的颜色，对所述像素点的颜色进行统计，获取区域颜色识别的特征向量；根据所述特征向量，识别用于代表车身颜色的特征区域的颜色。

可选的，所述能量分布函数为$>E_{(x,y)}={\lambda }_1·{\mathrm{Dis}}_{(x,y)}^2+{\lambda }_2·\exp (-\frac{{(x-x_{\mathrm{ID}})}^2}{2{\sigma }_1^2}-\frac{{(y-y_{\mathrm{ID}}-c)}^2}{2{\sigma }_2^2}),$>E_(x，y)为点(x，y)的能量，能量分布函数的前一项用于反映特征区域的纹理特征，其中，Dis_(x，y)为(x，y)到最近的显著边缘的距离；后一项$>{\lambda }_2·\exp (-\frac{{(x-x_{\mathrm{ID}})}^2}{2{\sigma }_1^2}-\frac{{(y-y_{\mathrm{ID}}-c)}^2}{2{\sigma }_2^2})$>用于反映特征区域的结构特征，其中，(x_ID，y_ID)为参考区域中心，c为经验值，用于反映特征区域与参考区域在纵轴上的估计偏移量；当E_(x，y)最大时对应的(x，y)即为所需定位的特征区域中心点。

可选的，所述确定特征区域中心点进一步包括：计算像素灰度的差分；根据所设定的阈值，对差分结果进行二值化；对二值化后的结果进行距离变换，得到反映显著边缘分布情况的距离值；根据距离值搜索能量函数最大的点，以确定特征区域的中心点。

可选的，所述参考区域包括通过车牌定位技术确定的车牌区域。

可选的，所述获取特征向量包括：通过用于像素点颜色识别的支持向量机分类器，识别特征区域内像素点的颜色；统计特征区域内每种颜色的像素点所占比例并对其进行归一化处理，形成与像素点的颜色对应的多维向量，作为区域颜色识别的特征向量。

可选的，所述识别用于代表车身颜色的特征区域的颜色通过用于区域颜色识别的支持向量机分类器实现。

可选的，所述识别特征区域内像素点的颜色包括：对建立的像素点颜色决策分类树各结点上的训练样本集进行支持向量机训练，得到各结点上用于像素点颜色识别的支持向量机分类器；根据决策分类树与各结点上用于像素点颜色识别的支持向量机分类器，识别特征区域内各像素点的颜色。

可选的，所述决策分类树包括：将像素点颜色按红、黄、蓝、绿进行粗分类，以形成根结点；红、黄、蓝、绿分别与灰色系列分类，以形成一级结点；根据颜色分布的实际情况，分别对一级结点中的红、蓝、绿、以及灰色系列进行细分类，以形成二级结点。

可选的，所述建立训练样本集包括：从标准颜色块以及成像环境较好的车辆图像中选择各颜色的正常样本；通过先验知识与实际车身颜色相结合的方法来选择各颜色的边界样本，以得到能反映颜色分布的训练样本集。

可选的，所述选择各颜色的边界样本包括在HSV颜色空间中，通过固定色调分量H，调节饱和度分量S与亮度值分量V，选择彩色系列与灰色系列的边界样本，通过调节色调分量H选择彩色之间的边界样本；进一步包括从视觉上比较接近的不同颜色的车身颜色图片样本中选择；还包括选择训练过程中产生的支持向量作为边界样本。

可选的，所述对像素点颜色决策分类树各结点上的训练样本集进行支持向量机训练包括：选择CIE_Lab颜色空间的三维特征值作为特征向量；观察每层分类样本的分布规律，选定每个支持向量机分类器的核函数类型，并通过交叉验证的方法来选择最终的核函数类型及相关参数；采用增量训练方法，进行多次反馈训练，获得用于像素点颜色识别的支持向量机分类器。

可选的，所述用于区域颜色识别的支持向量机分类器包括通过用所建立的区域颜色训练样本集进行支持向量机训练得到。

可选的，所述区域颜色训练样本集包括：在训练图库中，观察每个特征区域的像素点颜色分布情况，对分布情况进行归类统计，去除每种颜色类别的噪声样本后，初步形成每种颜色类别的样本库，在此基础上，筛选出正常样本与边界样本，以正常样本与边界样本形成的集合作为最终的区域颜色训练样本集。所述正常样本包括：选择能够明显与其他区域颜色类别区分的像素点颜色分布特征，作为识别的正常样本。所述边界样本包括遍历任意两种颜色类别，对所述两种颜色类别的样本库中的样本进行两两比较，选择样本欧式距离较小的两类样本作为边界样本。

可选的，所述用所建立的区域颜色训练样本集进行支持向量机训练包括：选择与像素点的颜色对应的多维向量作为区域颜色识别的特征向量；观察样本的特征向量分布规律，选定每一个支持向量机分类器中的核函数类型，并通过交叉验证的方法来选择最终的核函数类型及相关参数；采用增量训练方法，进行多次反馈训练，获得用于区域颜色识别的支持向量机分类器。

可选的，通过用于像素点颜色识别的支持向量机分类器识别像素点颜色与用于区域颜色识别的支持向量机分类器识别区域颜色的过程中进一步包括对支持向量机的优化处理，所述优化处理包括线性核运算的化简与高斯核运算的加速。

可选的，所述各像素点包括特征区域内的所有像素点或通过采样得到的部分像素点。

与现有技术相比，前述技术方案可定位出用于代表车身深浅色及颜色的特征区域，从而针对特征区域内的像素点进行处理即可，可以减少计算量。并且由于特征区域的代表性，可剔除其它不能用于代表车身深浅色及颜色的区域的干扰，从而提高识别准确性。

另外，通过定位出特征区域，就可在该特征区域内利用HSV颜色空间识别出车身深浅色。

再有，通过定位出特征区域，并通过用于像素点颜色识别的支持向量机分类器识别出特征区域内各像素点的颜色，进而得到特征区域的像素点颜色分布，以此获取区域颜色识别的特征向量；再根据所述特征向量，通过用于区域颜色识别的支持向量机分类器识别出用于代表车身颜色的特征区域的颜色，从而减少计算量及提高识别准确率。

附图说明

图1为本发明的实施方式中用于代表车身深浅色及颜色的特征区域的定位方法的流程示意图；

图2为本发明的实施方式中特征区域的定位方法用于确定特征区域中心点的流程示意图；

图3为本发明的实施方式中用于代表车身深浅色及颜色的特征区域的定位方法的一个应用实施例；

图4为本发明的实施方式中车身深浅色的识别方法的流程示意图；

图5为图4所示车身深浅色的识别方法中步骤S406的具体流程图；

图6为本发明的实施方式中车身颜色的识别方法的流程示意图；

图7为本发明的实施方式中像素点颜色决策分类树的结构示意图；

图8为图6所示车身颜色的识别方法中步骤S606的具体流程图；

图9为本发明的实施方式中车身颜色的识别方法用于像素点颜色识别的支持向量机训练的流程示意图；

图10为本发明的实施方式中车身颜色的识别方法用于区域颜色识别的支持向量机训练的流程示意图。

具体实施方式

本发明实施方式通过提供一种用于代表车身深浅色及颜色的特征区域的定位方法，以定位出特征区域，并通过提供的车身深浅色的识别方法在该特征区域内识别出车身深浅色，以及通过提供的车身颜色的识别方法在该特征区域内识别出车身颜色，减少计算量，提高识别准确率。下面结合附图与实施例对本发明技术方案作详细的说明。

图1为本发明实施例用于代表车身深浅色及颜色的特征区域的定位方法的流程示意图。在本实施例中，以最为常见的汽车为例进行说明的，所述用于代表车身深浅色及颜色的特征区域具有在所述区域内颜色变化缓慢、各像素点颜色基本一致的特点。该定位方法包括下列步骤，首先进行步骤S100。

在步骤S100中，根据所得车辆图像中车辆的参考区域，确定车辆区域。在本实施例中，所述图像可以通过例如架设在路口、治安卡点或高速公路收费站等场所的智能交通监控系统中的摄像机抓拍而获取的高清晰车辆静态图像。所述参考区域为通过车牌定位技术确定的车牌区域。这样，通过得到的车牌区域，即可在该车辆图像中大致确定出该汽车的车辆区域。另外，需说明的是，该参考区域并不仅限于车牌区域，例如也可以通过车窗定位技术所确定的车窗区域，并通过该车窗区域来进行特征区域的定位。接着，进入步骤S102。

在步骤S102中，根据车辆区域的纹理特征与结构特征，构建能量分布函数。在本实施例中，通过观察大量的车辆图像来确定能用于代表车身深浅色及颜色的特征区域，并分析其纹理特征与结构特征。需要说明的是，其中，所述纹理特征包括所述特征区域为匀致区域，即，区域内颜色变化缓慢，各像素点颜色基本一致，可用于代表车身深浅色及颜色；所述结构特征包括特征区域与参考区域有特定的位置关系，即其中心在参考区域中心上方某点周围呈高斯分布。从而根据所述纹理特征与结构特征，构建能量分布函数。在本实施例中，所述能量分布函数为$>E_{(x,y)}={\lambda }_1·{\mathrm{Dis}}_{(x,y)}^2+{\lambda }_2·\exp (-\frac{{(x-x_{\mathrm{ID}})}^2}{2{\sigma }_1^2}-\frac{{(y-y_{\mathrm{ID}}-c)}^2}{2{\sigma }_2^2}),$>E_(x，y)为点(x，y)的能量，λ₁、λ₂为用于产生加强或减弱作用的加权系数。能量分布函数的前一项用于反映特征区域的纹理特征，其中，Dis_(x，y)为(x，y)到最近的显著边缘的距离，当该值最大时，表明该点处于一块最大的匀致区域的中心，该区域符合对特征区域匀致性要求；后一项$>{\lambda }_2·\exp (-\frac{{(x-x_{\mathrm{ID}})}^2}{2{\sigma }_1^2}-\frac{{(y-y_{\mathrm{ID}}-c)}^2}{2{\sigma }_2^2})$>用于反映特征区域的结构特征，其中，(x_ID，y_ID)为参考区域中心，c为经验值，用于反映特征区域与参考区域在纵轴上的估计偏移量，当所得特征区域中心距离估计中心(x_ID，y_ID+c)越近，能量函数后一项的值越大。接着，进入步骤S104。

在步骤S104中，以能量分布函数中能量最大的点作为中心点，定位出用于代表车身深浅色及颜色的特征区域。当能量分布函数E_(x，y)为最大时对应的(x，y)即为所需定位的特征区域中心点。在实际应用中，由于求取包含$>\exp (-\frac{{(x-x_{\mathrm{ID}})}^2}{2{\sigma }_1^2}-\frac{{(y-y_{\mathrm{ID}}-c)}^2}{2{\sigma }_2^2})$>项能量函数极值的计算量较大，为计算方便，省略此项，即λ₂取0，能量分布函数简化为$>E_{(x,y)}={\lambda }_1·{\mathrm{Dis}}_{(x,y)}^2.$>如此，能量分布函数E_(x，y)最大的点即为距离值最大的点，这样就可得到所需定位的特征区域的中心点。从而根据所述中心点，进一步定位出用于代表车身深浅色及颜色的特征区域，所述特征区域具有一定的大小及形状。在本实施例中，所述特征区域的形状包括圆形、矩形、菱形、椭圆或正多边形等规则形状、或者包括其他不规则形状。

上述步骤S104中所述特征区域中心点，可以通过所述距离值最大的点来确定。本实施例所得的特征区域中心点是如图2所示进行计算的，首先进行步骤S200。

在步骤S200中，计算像素灰度的差分。接着进入步骤S202。

在步骤S202中，根据所设定的阈值，对差分结果进行二值化。在本实施例中，所述阈值可以由视觉经验所确定的显著边缘处像素灰度差分值的大小决定。接着进入步骤S204。

在步骤S204中，对二值化后的结果进行距离变换，得到反映显著边缘分布情况的距离值。

在步骤S206中，根据距离值搜索能量函数最大的点，以确定特征区域的中心点。

在实际应用中，如图3所示，在这里是以汽车的车辆图像为例进行说明的。首先，利用车牌定位技术在车辆图像中准确地定位出车牌区域30及其车牌中心，所述车牌定位技术为现有较为成熟的技术，故在此不再赘述。这样即可根据该车牌区域30及其车牌中心(这里，为便于说明，假定车牌是位于汽车前挡面的中间位置处)，在车辆区域定位出所需的特征区域。针对汽车的车型特点，因为其车前盖区域内颜色变化缓慢，各像素点颜色基本一致，即使存在反光，色彩变化也相对均匀，可用于代表车身深浅色及颜色，因此我们选择在车辆图像中的车前盖区域定位出该特征区域的。另外，在实际的应用图像中，特征区域中心与车牌中心的横坐标会产生偏移，但偏移量通常很小，因此可忽略横轴上的偏移量而将二维图像(横轴与纵轴)的处理转换到一维轴(纵轴)上进行，即在与车牌中心横坐标一致的纵轴上进行区域定位。这样，就可根据车牌中心位置在灰度图像中裁剪一段纵轴300，所述这段纵轴300的长度将根据视觉经验确定的车辆区域的高度决定，计算这段纵轴300内像素灰度的差分，再对二值化后的结果进行距离变换，得到反映显著边缘分布情况的距离值。在纵轴300区间内使用穷举法搜索距离值最大的点(即代表能量分布函数最大的点)来确定特征区域32的中心。如图3所示，较佳地，所述特征区域32可与车前盖区域的大小及形状相对应，在本实施例中，特征区域32可例如一块300×100大小的矩形区域。但并不以此为限，其大小及其形状另可作其他变动，例如，特征区域32的大小可根据设计要求及计算条件而改变，其形状另可选择例如圆形、菱形、椭圆或正多边形等规则形状，但并不以此为限，其形状甚至可包括其他不规则形状。

本发明的特征区域的定位方法可定位出一块用于代表车身深浅色及颜色的特征区域，与现有技术中需要对车辆图像中的车辆区域内所有像素点都进行颜色估计相比，本发明不仅可大大减少识别过程中的计算量，更可消除其他不能用于代表车身深浅色及颜色的区域对识别造成的干扰，为后续正确识别车身深浅色及颜色打下基础。

对应于前述用于代表车身深浅色及颜色的特征区域的定位方法，本发明另提供一种车身深浅色的识别方法。图4为显示本发明车身深浅色的识别方法的流程示意图。该识别方法包括下列步骤，首先进行步骤S400。

在步骤S400中，根据所得车辆图像中车辆的参考区域，确定车辆区域。所述参考区域为通过车牌定位技术确定的车牌区域。接着，进入步骤S402。

在步骤S402中，根据车辆区域的纹理特征与结构特征，构建能量分布函数。在本实施例中，所述能量分布函数为$>E_{(x,y)}={\lambda }_1·{\mathrm{Dis}}_{(x,y)}^2+{\lambda }_2·\exp (-\frac{{(x-x_{\mathrm{ID}})}^2}{2{\sigma }_1^2}-\frac{{(y-y_{\mathrm{ID}}-c)}^2}{2{\sigma }_2^2}),$>E_(x，y)为点(x，y)的能量，λ₁、λ₂为用于产生加强或减弱作用的加权系数。能量分布函数的前一项用于反映特征区域的纹理特征，其中，Dis_(x，y)为(x，y)到最近的显著边缘的距离；后一项$>{\lambda }_2·\exp (-\frac{{(x-x_{\mathrm{ID}})}^2}{2{\sigma }_1^2}-\frac{{(y-y_{\mathrm{ID}}-c)}^2}{2{\sigma }_2^2})$>用于反映特征区域的结构特征，其中，(x_ID，y_ID)为参考区域中心，c为经验值。接着，进入步骤S404。

在步骤S404中，以能量分布函数中能量最大的点作为中心点，定位出用于代表车身深浅色及颜色的特征区域。在实际应用中，由于求取包含$>\exp (-\frac{{(x-x_{\mathrm{ID}})}^2}{2{\sigma }_1^2}-\frac{{(y-y_{\mathrm{ID}}-c)}^2}{2{\sigma }_2^2})$>项能量函数极值的计算量较大，为计算方便，省略此项，即λ₂取0，能量分布函数简化为$>E_{(x,y)}={\lambda }_1·{\mathrm{Dis}}_{(x,y)}^2.$>如此，能量分布函数E_(x，y)最大的点即为距离值最大的点，这样就可得到所需定位的特征区域的中心点。从而根据所述中心点，进一步定位出用于代表车身深浅色及颜色的特征区域，所述特征区域具有一定的大小及形状。确定特征区域中心点的步骤具体另可详见图2所示。在本实施例中，该特征区域可以在车辆图像中的车前盖区域定位，其形状例如可为与车前盖对应的矩形。接着，进入步骤S406。

需说明的是，上述步骤S400至S404，与图1所示的特征区域的定位方法相同，即在车辆图像的车辆区域中定位出用于车身深浅色识别的特征区域。实际应用时，上述步骤并不以此为限，其仍可有其他的变化。

在步骤S406中，得到特征区域内像素点的深浅色，对特征区域内像素点的深浅色分布情况进行统计。在本实施例中，所述用以判定深浅色的像素点可包括特征区域内的所有像素点或通过采样得到的部分像素点。例如对于均匀采样方式，假设所述特征区域为300×100，则可在其中均匀采样600个像素点，这样可在确保识别准确率的情况下，还可减少处理的计算量，加快识别效率。接着，进入步骤S408。

请另参阅图5，其显示上述步骤S406的具体流程图。如图5所示，首先进行步骤S406a。

在步骤S406a中，采用HSV颜色空间的三维信息作为深浅色分类的特征向量。在本实施例中，所述HSV颜色空间为极坐标形式的颜色空间，符合人眼视觉对颜色的分类特征。所述HSV颜色空间可通过颜色空间转换直接提取，其中H表示色调(Hue)，S表示饱和度(Saturation)；V表示亮度值(Value)，决定颜色的明暗程度。接着，进入步骤S406b。

在步骤S406b中，设定用于决定像素点深浅色的阈值，通过阈值法得到特征区域内像素点的深浅色。在本实施例中，通过将H空间分成4份，粗略分成红、黄、蓝、绿四个范围，对每个颜色范围在S-V的二维空间内，观察深浅色的分布，根据分布情况，设定阈值。根据所述阈值，决定各像素点的深浅色。接着，进入步骤S406c。

在步骤S406c中，对特征区域内像素点的深浅色分布情况进行统计。在本实施例中，就是统计像素点被分到深色或浅色的数目。

在步骤S408中，根据所述统计结果，判断得到用于代表车身深浅色的特征区域的深浅色。在本实施例中，可以采用投票法来对特征区域的深浅色作判定的。具体来讲，根据像素点被分到深色或浅色的数目，以数目多者取胜，如果票数相等，则不计特征区域的首行与末行，再次投票，如果票数仍相等，则作深色处理。通过上述步骤，即可识别出特征区域的深浅色。

当该车身深浅色的识别方法应用于图3所示的车辆图像中时，即可判定得到所定位出的特征区域32是深色还是浅色的。

对应于前述用于代表车身深浅色及颜色的特征区域的定位方法，本发明又提供一种车身颜色的识别方法。图6为显示本发明车身颜色的识别方法的流程示意图。该识别方法包括下列步骤，首先进行步骤S600。

在步骤S600中，根据所得车辆图像中车辆的参考区域，确定车辆区域。所述参考区域为通过车牌定位技术确定的车牌区域。接着，进入步骤S602。

在步骤S602中，根据车辆区域的纹理特征与结构特征，构建能量分布函数。在本实施例中，所述能量分布函数为$>E_{(x,y)}={\lambda }_1·{\mathrm{Dis}}_{(x,y)}^2+{\lambda }_2·\exp (-\frac{{(x-x_{\mathrm{ID}})}^2}{2{\sigma }_1^2}-\frac{{(y-y_{\mathrm{ID}}-c)}^2}{2{\sigma }_2^2}),$>E_(x，y)为点(x，y)的能量，λ₁、λ₂为用于产生加强或减弱作用的加权系数。能量分布函数的前一项用于反映特征区域的纹理特征，其中，Dis_(x，y)为(x，y)到最近的显著边缘的距离；后一项$>{\lambda }_2·\exp (-\frac{{(x-x_{\mathrm{ID}})}^2}{2{\sigma }_1^2}-\frac{{(y-y_{\mathrm{ID}}-c)}^2}{2{\sigma }_2^2})$>用于反映特征区域的结构特征，其中，(x_ID，y_ID)为参考区域中心，c为经验值。接着，进入步骤S604。

在步骤S604中，以能量分布函数中能量最大的点作为中心点，定位出用于代表车身深浅色及颜色的特征区域。在实际应用中，由于求取包含$>\exp (-\frac{{(x-x_{\mathrm{ID}})}^2}{2{\sigma }_1^2}-\frac{{(y-y_{\mathrm{ID}}-c)}^2}{2{\sigma }_2^2})$>项能量函数极值的计算量较大，为计算方便，省略此项，即λ₂取0，能量分布函数简化为$>E_{(x,y)}={\lambda }_1·{\mathrm{Dis}}_{(x,y)}^2.$>如此，能量分布函数E_(x，y)最大的点即为距离值最大的点，这样就可得到所需定位的特征区域的中心点。从而根据所述中心点，进一步定位出用于代表车身深浅色及颜色的特征区域，所述特征区域具有一定的大小及形状。确定特征区域中心点的步骤具体另可详见图2。在本实施例中，该特征区域可以在车辆图像中的车前盖区域定位，其形状例如可为与车前盖对应的矩形。接着，进入步骤S606。

需说明的是，上述步骤S600至S604，与图1所示的特征区域的定位方法相同，即在车辆图像的车辆区域中定位出用于车身颜色识别的特征区域。实际应用时，上述步骤并不以此为限，其仍可有其他的变化。

在步骤S606中，识别特征区域内像素点的颜色，对所述像素点的颜色进行统计，获取区域颜色识别的特征向量。

请另参阅图8，其显示获取区域颜色识别的特征向量的具体流程图。如图8所示，首先进行步骤S606a。

在步骤S606a中，通过用于像素点颜色识别的支持向量机分类器，识别特征区域内像素点的颜色。在本实施例中，所述用于像素点颜色识别的支持向量机分类器可以通过对建立的像素点颜色决策分类树各结点上的训练样本集进行支持向量机训练而得到的。所述像素点颜色决策分类树可以为自顶向下的树形无环决策分类，但并不以此为限，所述像素点颜色的分类仍可有其他的变化形式。

在本实施例中，可以将颜色分为11种类别，具体包括：白色、银色、灰色(含灰与银灰)、黑色、红色(含红与暗红)、深蓝色、蓝色(含蓝与青)、黄色(含金黄与黄)、绿色(含绿与暗绿)、褐色(含浅褐与褐)、以及上述颜色以外的其他颜色(例如粉色或含无均匀分布的颜色)。但并不以此为限，仍允许作不同的扩展或划分，例如将颜色分为不同的类别，且对每一类别进行不同的细分等。

根据上述颜色分类，即可构建像素点颜色决策分类树。图7显示根据本发明实施例所构建的像素点颜色决策分类树的结构示意图。如图7所示，所述像素点颜色决策分类树包括：将像素点颜色按红、黄、蓝、绿进行粗分类，以形成根结点70；将根结点70中的红、黄、蓝、绿分别与灰色系列(包含白、银、灰、黑等)分类，以形成包括红与灰色系列、黄与灰色系列、蓝与灰色系列、以及绿与灰色系列的一级结点72；根据颜色分布的实际情况，分别对一级结点中的红、蓝、绿以及灰色系列进行细分类，以形成二级结点74，具体包括：将红与灰色系列的一级结点72中的红细分为红、褐、金黄、及粉红，将灰色系列中的白、银、灰、黑进行细分；将黄与灰色系列的一级结点72中灰色系列中的白、银、灰、黑进行细分；将蓝与灰色系列的一级结点72中的蓝细分为蓝与深蓝，将灰色系列中的白、银、灰、黑进行细分；以及将绿与灰色系列的一级结点72中的绿细分为绿与青，将灰色系列中的白、银、灰、黑进行细分。

需要说明的是，在本实施例中，所述像素点颜色决策分类树仅为示例性说明，其是以红、黄、蓝、绿的粗分类作为根结点，并以所述根结点为基础逐次形成一级结点、二级结点。但实际上，所述像素点颜色决策分类树的结构特征可以根据对识别准确率、识别速度、或系统复杂度等诸多要素综合考量后决定的。所述决策分类树并不以此为限，无论是其树结构、结点分布、每一结点的颜色分类均可有不同的变化例。例如，为提高像素点颜色识别的准确率，仍可在图7所示的像素点颜色决策分类树中进行扩展及更为深入地细化，使其增加结点层次，形成例如包括三级结点或更细化的结点结构。或者，改变颜色分类的策略，提供不同结构的像素点颜色决策分类树，例如决策分类树可以包括将颜色粗分类为彩色系列与灰色系列，以形成根结点；对彩色系列的红、黄、蓝、绿分类以及灰色系列的银、白、灰或深灰与黑色的分类，以形成一级结点；根据实际情况进行的彩色系列与灰色系列的二次判别，以形成二级结点；对彩色系列中红、黄、蓝、绿更进一步的细分，以形成三级结点。

而像素点颜色决策分类树各结点的支持向量机分类器，可以根据建立的车身颜色的训练样本集进行像素点颜色识别的支持向量机训练来获得。所述车身颜色的训练样本集可以从标准颜色块以及成像环境较好的车辆图像中选择各颜色的正常样本，并通过先验知识与实际车身颜色相结合的方法来选择各颜色的边界样本，以得到能反映颜色分布的训练样本集。所述选择各颜色的边界样本包括：在HSV颜色空间中，通过固定色调分量H(将H分量定位在一种颜色上)，调节饱和度分量S与亮度值分量V，例如组合较小的饱和度分量S值与不同的亮度值分量V值，或组合不同的饱和度分量S值与较大或较小的亮度值分量V值选择红、黄、蓝、绿与灰色系列(白、银、灰、黑)的边界点；以及通过调节色调分量H选择彩色之间的边界点，并将其转换到CIE_Lab颜色空间作为各颜色的边界样本。另外，在相近的车身颜色图片中，观察其车身颜色样本，将不同颜色但视觉上比较接近的颜色作为待选择的边界样本，并使用计算工具(例如matlab)观察其样本的分布来选择边界样本。再有，由于支持向量(包括训练过程中的离群点)包含在类别之间的边界向量样本集合中，因此进一步包括选择训练过程中产生的支持向量作为边界样本，从而抛弃一些非支持向量样本，减少下一次训练时的样本数。

在本实施例中，对特征区域内像素点的颜色，可以根据像素点颜色决策分类树与各结点的支持向量机分类器进行识别。具体来讲，根据决策分类树的根结点及对应所述根结点的支持向量机分类器进行红、黄、蓝、绿的粗分类。然后根据根结点的识别结果以及对应一级结点中红与灰色系列、黄与灰色系列、蓝与灰色系列、绿与灰色系列的支持向量机分类器进行分类；若为彩色系列，则根据一级结点的识别结果以及相应的二级结点中彩色系列细分类的支持向量分类器进行分类；若为灰色系列，则根据一级结点的识别结果以及相应的二级结点中灰色系列的支持向量机分类器进行分类，最终可识别出某一像素点的颜色。以此类推，即可得到各像素点颜色的识别结果。在本实施例中，所述特征区域内的像素点可包括特征区域内的所有像素点或通过采样得到的部分像素点。例如对于均匀采样方式，假设所述特征区域为300×100，则可在其中均匀采样600个像素点，这样可在确保识别准确率的情况下，还可减少处理的计算量，加快识别效率。接着，进入步骤S606b。

在步骤S606b中，统计特征区域内每种颜色的像素点所占比例并对其进行归一化处理，形成与像素点的颜色对应的多维向量，作为区域颜色识别的特征向量。所述归一化处理可降低计算量并提高处理效率。在本实施例中，因像素点颜色包括11种分类，因此可形成11维特征向量。

通过上述步骤S606a与S606b，即可获取区域颜色识别的特征向量，接下来即会根据所述特征向量，识别出特征区域的颜色。

在步骤S608中，根据所述特征向量，识别用于代表车身颜色的特征区域的颜色。在本实施例中，所述识别用于代表车身颜色的特征区域的颜色通过用于区域颜色识别的支持向量机分类器实现。所述用于区域颜色识别的支持向量机分类器包括通过用所建立的区域颜色训练样本集进行支持向量机训练得到。

所述区域颜色训练样本集包括：在训练图库中，观察每个特征区域的像素点颜色分布情况，对分布情况进行归类统计，去除每种颜色类别的噪声样本后，初步形成每种颜色类别的样本库，在此基础上，筛选出正常样本与边界样本，正常样本与边界样本形成的集合作为最终的区域颜色训练样本集。所述正常样本包括：选择能够明显与其他区域颜色类别区分的像素点颜色分布特征，作为识别的正常样本。所述边界样本包括：遍历任意两种颜色类别，对所述两种颜色类别的样本库中的样本进行两两比较，选择样本欧式距离较小的两类样本作为边界样本。

当该车身颜色的识别方法应用于图3所示的车辆图像中时，即可判定得到所定位出的特征区域32中的颜色的具体分类。

上述步骤S606a中所述各结点的支持向量机分类器，可以根据建立的车身颜色的训练样本集进行像素点颜色识别的支持向量机训练来获得。所述像素点颜色识别的支持向量机训练的具体流程如图9所示，首先进行步骤S900。

在步骤S900中，选择CIE_Lab颜色空间的三维特征值作为特征向量。由于CIE_Lab颜色空间的优点是颜色接近均匀分布，与人眼对颜色感知类似，且CIE_Lab颜色空间的色差也接近欧式距离，有利于用支持向量机进行分类，因此，在像素点识别阶段以CIE_Lab颜色空间的三维特征值作为分类的特征向量。接着，进入步骤S902。

在步骤S902中，观察每层分类样本的分布规律，初步选定每个支持向量机分类器的核函数类型，并通过交叉验证的方法来选择最终的核函数类型及相关参数。在本实施例中，使用计算工具(例如matlab)观察车身颜色的分布情况，根结点的红、黄、蓝、绿采用线性核函数进行粗分类；一级结点中蓝色与灰色系列(白、银、灰、黑)是非线性可分，因此选用高斯核函数进行分类，一级结点中红、黄、绿与灰色系列的可分性相对较强，采用线性核函数进行分类；二级结点中黄色、红色、褐色等的分类，蓝色、深蓝的分类，绿色、青色的分类，银、白、灰、黑的分类采用线性核函数。在初步选定了每个支持向量机分类器核函数的类型后通过交叉验证的方法来选择最终的核函数类型以及相关参数，以进行核运算。接着，进入步骤S904。

在步骤S904中，采用增量训练方法，进行多次反馈训练，获得用于像素点颜色识别的支持向量机分类器。在本实施例中，由于在支持向量机分类时，并非所有的训练样本都对分类起作用，只有少量被称为支持向量的训练样本才起作用，并且这些支持向量在几何位置上分布于分划超平面的周围且包含在边界向量样本集合中。因此在进行多次反馈训练时，每次主要选择支持向量与后添加的样本进行再次训练，相对可减少了训练样本的数目，提高了训练效率。

另外，上述步骤S608中用于区域颜色识别的支持向量机分类器包括通过用所建立的区域颜色样本训练集进行支持向量机训练得到。所述用所建立的区域颜色样本训练集进行支持向量机训练的具体流程如图10所示，所述流程首先进行步骤S1000。

在步骤S1000中，选择与像素点的颜色对应的多维向量作为区域颜色识别的特征向量。在本实施例中，因像素点颜色包括11种分类，因此可形成11维特征向量。接着，进入步骤S1002。

在步骤S1002中，观察样本的特征向量分布规律，初步选定每一个支持向量机分类器中的核函数类型，并通过交叉验证的方法来选择最终的核函数类型及相关参数。在本实施例中，所述核函数采用的是线性核函数。接着，进入步骤S1004。

在步骤S1004中，采用增量训练方法，进行多次反馈训练，获得用于区域颜色识别的支持向量机分类器。

需要说明的是，在上述识别过程中，具体指在通过用于像素点颜色识别的支持向量机分类器识别像素点颜色与用于区域颜色识别的支持向量机分类器识别区域颜色的过程中，进一步包括对核运算的优化处理，具体体现在对线性核运算的化简与高斯核运算的加速。所述线性核运算的化简包括：将线性决策函数$>f\left(x\right)=\underset{i=1}{\overset{n}{\Sigma }}{\alpha }_i^{*}{y}_i(x_i·x)+b^{*}$>化简为$>f\left(x\right)=[\left(\underset{i=1}{\overset{n}{\Sigma }}{\alpha }_i^{*}{y}_i{x}_i\right)·x]+b^{*},$>并利用支持向量机训练后得到的支持向量系数(α_i^*)、支持向量(x_i)及其对应的类别(y_i)将先计算出来并保存，这样就将已知数据与待测数据进行分离，使得数据的计算与存储不再与支持向量的个数成正比，而是取决于分类器的个数，由此可减少在线计算时间，空间上由于不必保存大量的支持向量及其系数，从而减少了空间复杂度。

所述高斯核运算的加速包括制作高斯函数映射表和/或二级高斯函数映射表，通过查表的方式取代高斯运算。因为当核函数为高斯函数时，涉及到大量的浮点运算，在数字信号处理过程中运算速度很慢，因此，制作高斯函数映射表，通过查表的方式将高斯函数进行离散化，每次通过查表的方式来取代高斯运算。另外，为了减少查找过程，建立二级高斯函数映射表，减少了计算高斯函数的复杂性。

需要说明的是，在本实施例中，对本发明所提供的车身深浅色的识别方法与车身颜色的识别方法是分别进行描述的，但并不以此为限，在实际应用中，车身深浅色的识别方法更可与车身颜色的识别方法相结合，以提供更广的选择度及更佳的识别效果。

综上所述，本发明提供的特征区域的定位方法，可定位出用于代表车身深浅色及颜色的特征区域，从而针对特征区域内的像素点进行处理即可，可以减少计算量。并且由于特征区域的代表性，可剔除其它不能用于代表车身深浅色及颜色的区域的干扰，从而提高识别准确性。

另外，本发明提供的车身深浅色的识别方法，通过定位出特征区域，就可在该特征区域内利用HSV颜色空间识别出车身深浅色，简单易行。

再有，本发明提供的车身颜色的识别方法，通过定位出特征区域，在所述特征区域内通过用于像素点颜色识别的支持向量机分类器，获得特征区域内各像素点的颜色分类，基于像素点颜色识别结果，统计出特征区域内各种颜色像素点的分布，以此获取区域颜色识别的特征向量；根据所述特征向量，通过训练后的区域颜色识别支持向量机分类器识别出特征区域的颜色分类，进而获得车身颜色的识别结果，减少计算量，提高识别准确率。

本发明虽然以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以做出可能的变动和修改，因此本发明的保护范围应当以本发明权利要求所界定的范围为准。