一种自动识别道路卡口视频及图片中的车辆颜色的方法
【技术领域】
[0001] 本发明涉及数字图像处理与模式识别技术，属于机器视觉领域，是一种对道路交 通卡口视频及图像中的车辆颜色特征样本提取及识别的方法。
【背景技术】
[0002] 随着机动车保有量的快速增长，违章驾驶、违章停放、套牌车、交通肇事后逃逸、以 车辆作为犯罪工具的案例日益增多，建设"平安城市"、"智能交通"成为重要的解决途径，对 道路交通车辆卡口视频及图片（简称卡口图片）的自动分析就是其中重要的组成部分。
[0003] 对道路卡口视频及图片的自动分析，其中一个重要内容就是识别车辆颜色。由于 在道路上车辆颜色的更改是很困难的，在高速公路上甚至是不可能的，因此车辆颜色特征 具有高稳定性，可以作为车辆的有效识别信息。但是颜色受到周围光照的影响很大，由于受 到光照的影响，在自动识别过程中识别结果往往会不准确，尤其是在光线过暗或者过亮的 情况下。
[0004] 在判断车辆颜色时，由于样本的提取位置可能存在一定的随意性，有时样本所在 区域过亮，有时所在区域过暗，如果单一地从这些区域提取训练样本或测试样本，由于样本 本身存在区域性的特点，造成颜色样本的提取位置对于车辆颜色判断会产生很大的影响。
[0005] 卡口图像的表示以及对图像的常规处理所使用的颜色空间均是RGB空间，该空间 的各颜色分量中均含有亮度信号，颜色分量对于环境光照很敏感，因此在光线较亮或较暗 时往往会造成颜色判断错误，这在自动颜色识别时尤其严重。目前的车辆颜色识别算法中， 基本上是在RGB空间实现的，这就不可避免地存在如下问题：
[0006] 1)颜色识别易产生错误
[0007] 当图像在RGB空间表示时，亮度信号同时存在于R、G、B颜色分量中，实际上是上述 三个分量的线性组合，图像对于外界光照非常敏感。然而实际车辆的颜色本身并不会因外 界光照而改变，车辆颜色本身是固定的，因此颜色识别易产生错误。
[0008] 2)车辆精确定位错误
[0009] 在对车辆的颜色自动识别出错时，错误的识别结果会进一步会影响到对车辆的精 确定位；由于单用常规的背景减除不足以实现对车辆的精确定位，在结合车辆颜色前景做 精确
[0010] 定位时，颜色判断错误会直接影响定位结果的准确性。
【发明内容】
[0011] 本发明的目的是克服现有技术存在的问题，提供一种可排除光照对于车辆颜色识 别的干扰，并能够减小基于颜色识别的车辆精确定位受到光照的影响的自动识别道路卡口 视频及图片中的车辆颜色的方法。
[0012] 本发明包括卡口图片中车辆颜色样本提取以及颜色空间转换后识别两个部分，并 且在样本的有效提取与颜色空间转换两方面减小外界光照的干扰，解决因为光照对于车辆 颜色识别的所产生的不良作用。
[0013] 本发明目的通过如下技术方案实现：
[0014] -种自动识别道路卡口视频及图片中的车辆颜色的方法，包括如下步骤：
[0015] 1)读取道路卡口图片；
[0016] 2)从道路卡口图片集合中的车辆上提取不同的颜色样本并进行标注，作为训练样 本；采集样本时选取不同卡口车辆图片中颜色样本的数据，主要提取区域是发动机盖，选取 的颜色样本覆盖车辆上不同区域与不同光照环境；标注所述汽车颜色样本，确定属于颜色 类型；
[0017] 3)从道路卡口图片中提取待分类的颜色样本，样本提取区域覆盖待分类车辆的不 同位置，提取区域主要是发动机盖，获得测试样本；
[0018] 4)将已标注颜色的训练样本以及待分类车辆颜色的测试样本由RGB空间转化到 YCbCr空间；
[0019] 5)在YCbCr空间，计算测试样本所组成集合在CbCr坐标平面上分布的均值矢量与 训练样本的均值矢量之间的欧几里德距离，按照最近邻规则将颜色的测试样本判断为距离 最近的训练样本所属的颜色。
[0020] 为进一步实现本发明目的，优选地，所述读取道路卡口图片的方法是将待判读的 卡口图片读到变量中，图像在RGB空间表示。
[0021] 优选地，所述步骤2)的颜色提取与标注方法如下：
[0022] 21)在作为车辆图片中的车身区域，提取车辆颜色的训练样本，该样本提取区域不 属于汽车保险杠区域、发动机进风口区域、挡风玻璃区域、车灯区域、车辆装载货物区域等 非车身着漆的区域；
[0023] 22)车辆颜色样本在车辆的不同部位提取，在车辆上提取的样本包括正常光照、光 照偏暗、光照偏亮三种情况，提取区域以抽样的方式全面覆盖车辆的车身着漆的区域；
[0024] 23)将样本颜色人工标注，对样本颜色的判别以人工对车辆颜色的整体判断为依 据。
[0025] 优选地，所述步骤3)从道路卡口图片中提取待分类的颜色样本包括：
[0026] 31)在道路卡口图片中的样本提取区域不属于汽车保险杠区域、发动机进风口区 域、挡风玻璃区域、车灯区域、车辆装载货物区域等非车身着漆的区域；
[0027] 32)车辆颜色样本在车辆的不同部位提取，在车辆上提取的样本包括正常光照、光 照偏暗、光照偏亮三种情况，提取区域以抽样的方式全面覆盖车辆的车身着漆的区域。
[0028] 优选地，所述步骤4)的颜色空间的转换方法如下：
[0029] 41)将在RGB空间表示的颜色样本的R、G、B分量按照下式做颜色空间转换，得到 样本在YCbCr颜色空间中表示时的各分量： Y = aR + hG + cB
[0030] ,： C/? = Ι^-ιΧβ -[) Cr = Iii(R-Y)
[0031] 式中，R、G、B代表红、绿、蓝三个通道的颜色分量；a、b、c、kb、k,均是作为系数的常 数，称为转换系数，转换系数通过实验确定，Y为亮度信号分量；
[0032] 在转换过程中，转换系数以R、G、B分量为基础，先通过线性组合计算亮度信号Y ; 再计算蓝色分量B与亮度信号Y的差，将结果乘以系数kb，得到Cb分量；计算红色分量R与 亮度信号Y的差，将结果乘以系数I得到Cr分量；
[0033] 42)将上述的各个色差空间的分量按照四舍五入取整。
[0034] 优选地，所述步骤5)的颜色识别的方法如下：
[0035] 51)根据提取的用于人工标注的颜色样本，计算各样本在Cb、Cr坐标空间中的分 布，根据颜色变化的渐变特性，大量颜色样本在Cb、Cr空间的分布满足多高斯分布模型；提 取不同颜色的车辆的颜色样本在Cb、Cr坐标平面中的样本中心及样本分布参数，得各均值 矢量 Ui与标准差矢量d i，该矢量分别由训练样本的Cb、Cr的均值及其标准差组成，i代表 颜色种类序号；
[0036] 52)黑色、灰色、白色在Cb、Cr平面的分布上一致，需要额外处理：提取白色和黑色 训练样本所对应的亮度Y的均值1和T i及其标准差d h与d 1;
[0037] 53)对于待分类的某一车辆的测试样本，计算该样本集合中所有像素点在Cb、Cr 空间分布的均值V与标准差D，分别由待分类的测试样本的Cb、Cr的均值，以及样本在Cb、 Cr空间的