一種高效的車輛顏色識別方法

肖馳

（韓山師范學院計算機和信息工程學院，潮州 521041）

一種高效的車輛顏色識別方法

肖馳

（韓山師范學院計算機和信息工程學院，潮州 521041）

識別道路上車輛顏色是當前研究的熱點。通常采用的方法是從視頻中定位汽車，尋找ROI，提取ROI顏色特征判斷車身的顏色。ROI區(qū)域劃分直接影響識別的結(jié)果。提出一種比較高效的算法來識別車身顏色，該方法提取整個車身信息，在HSV顏色空間統(tǒng)計分類，根據(jù)統(tǒng)計結(jié)果識別車身顏色。實驗結(jié)果顯示該方法優(yōu)越于其他方法，創(chuàng)新點在不需要尋找ROI區(qū)域來識別汽車顏色。

學科建設(shè)專項資金（No.2013LYM0055）、潮州市科技引導計劃項目（No.2015GY14）

0 引言

車身顏色識別是國內(nèi)外的熱點研究領(lǐng)域，在車輛監(jiān)控中發(fā)揮重要作用。車輛不同區(qū)域的顏色不同，一般選擇車身的顏色作為識別源。車身顏色識別主要在分兩步：提取車身顏色特征和判斷車身顏色的類別。車輛所處的自然環(huán)境和車輛圖像的質(zhì)量影響車身顏色識別的性能。車身顏色識別區(qū)域定位是進行顏色特征信息提取的前提。如文獻[1-10]都采用了ROI識別，但識別區(qū)的形狀各不相同。在識別前，設(shè)定識別區(qū)域是關(guān)鍵一步，P.Viola and M.Jones[6]采用車身設(shè)定矩形區(qū)域作為識別區(qū)。如ERIDA在車的引擎蓋上尋找光滑的矩形，Pan Chen[5]對圖像畫一組圓，統(tǒng)計每個圓中的顏色信息，通過事先訓練好的顏色分類器對每個區(qū)域賦予不同的權(quán)重，來識別汽車的顏色。而Chen等采用BtoW方法將車前身畫不同權(quán)重的圓來設(shè)置ROI。

對識別區(qū)的顏色識別，前人都有很好的研究，如Swain et al[11]建立在大型數(shù)據(jù)庫的索引模型為各色的物體顏色直方圖提供有效線索。由于顏色直方圖只考慮到顏色，Huang[10]提出的彩色交互直方圖描述符索引和比較圖像。該圖結(jié)合了顏色和空間信息，用顏色之間的量化距離來構(gòu)建直方圖，魯棒性能很好。Wu提出的汽車顏色分類器，該方法通過通過兩步精煉前景色，提高汽車顏色分類的精度。第一步是利用前景掩膜和圖像分割，將圖像分割為不同塊；第二步移除不符合要求的塊，利用SVM來識別顏色。Son提出卷積核的提取圖片的顏色信息，該方法能識別5種顏色。Kim et al.[12]決定合適的顏色直方圖主要影響識別成功率。他們的實驗集中在HSI（色調(diào)、飽和度、亮度）顏色空間。

本文采用的識別區(qū)是整個圖像，這樣可以避免繁瑣的ROI定位，提高了效率。該算法的應用場景是在公路上，那么車輛的背景是馬路。圖像背景沒有太多景物信息，容易提取車身特征。由于車身顏色一般是純色，本文采用顏色直方圖，在HSV色彩空間對所選區(qū)域，統(tǒng)計HSV中各值的出現(xiàn)頻數(shù)，并選擇其中頻數(shù)最高者作為識別對象。通過KNN算法來識別顏色。

1 車身顏色特征的提取

視頻中的圖像是彩色圖像，需要將其轉(zhuǎn)換為灰度圖像，采用閾值分割法將其分割，將得到的二值圖像過濾源圖像提取車身的顏色特征。

1.1 圖像灰度變換

灰度圖像是數(shù)字圖像最基本的形式，可以由彩色圖像經(jīng)過處理后得到。灰度圖像只含有圖像的亮度信息而沒有顏色信息，因而灰度圖像的每個像素點上就是一個被量化了的灰度級，用該灰度值來表示該點的亮度水平，本文對整個圖像做如下灰度變換。

定義圖像中每一個點的RGB最大值和最小值。

γ（x,y）表示圖像像素點的灰度，對整個灰度圖像線性拉伸，這樣有利于圖像分割。效果對比圖如下：

圖1 基于灰度的二值分割效果

圖1中第一圖為原圖，第二個圖為其灰度圖像的二值分割圖，第三圖采用本文灰度處理的二值分割圖。

1.2 圖像分割，提取車身特征

OTSU法主要是根據(jù)圖像本身的灰度特性，尋找最大類間方差將圖像分成背景和目標。對于圖像I（x,y），目標和背景的分割閾值記作T，目標的像素點數(shù)占整幅圖像的比例記為ω0，其平均灰度 μ0；背景像素點數(shù)占整幅圖像的比例為ω1，其平均灰度為 μ1；圖像的總平均灰度記為 μ，類間方差記為g。在概率統(tǒng)計學中有：

則其的類間方差g的定義如式：

將式（2）代入（3）代入可得式：

式（4）就是常用的OTSU的計算公式。當方差g最大時，可以認為此時前景和背景差異最大，此時的灰度T是最佳閾值。

盡管本文不需要定位車頭，更不需要將車頭劃分矩形，圓形或扇形。但需要提取車身信息。對車輛圖像的閾值分割可以提取車輛的基本輪廓，車身顏色相對背景要亮得多，所以選擇合適的閾值T來分割。

1.3 車身的RGB信息

利用分割區(qū)域提取車身的RGB信息，Cregion作為分割車身區(qū)域，設(shè)圖像x,y點的RGB值為：

2 統(tǒng)計車身彩色圖像的直方圖，選取最大的作為車身顏色識別

RGB空間結(jié)構(gòu)并不符合人們對顏色相似性的主觀判斷，HSV更符合人們對顏色的主觀認識。將圖像的RGB顏色空間轉(zhuǎn)換為HSV顏色空間。

TR為RGB到HSV顏色空間的轉(zhuǎn)換函數(shù)。

2.1 HSV模型分析

HSV顏色模型如下圖，黑色在圓錐的頂點處，V=0。白色在頂面中心處S=0，V=1。從該點到原點代表亮度漸暗的灰色，即具有不同灰度的灰色。對于這些點，S=0，H的值無定義。在圓錐頂面的圓周上的顏色，V=1，S=1，這種顏色是純色。當H=0°時為紅色；H=60°為黃色；H=120°為綠色；H=180°為青色；H=240°為藍色；H=270°為品紅。因此，識別的過程就是將彩色空間的轉(zhuǎn)換即RGB到HSV。定義一個函數(shù)是從HSV到模糊集的映射。H分為5（紅黃綠藍粉）個模糊集，S和V分為三個模糊集（高中低）。

2.2 顏色判斷

一般情況下，圖像中少數(shù)幾種顏色就可以代表圖像顏色。采用直方圖可以顯示各種顏色顯示的頻數(shù)，選擇頻數(shù)最大的顏色作為圖像的主色，把主色作為判斷車輛顏色的依據(jù)。而其他顏色可能是車牌，車窗或景物的顏色，可以忽略的。

圖2 HSV模型圖

在HSV空間中，圖像的直方圖只關(guān)心是不同色彩在整個圖像中所占的比例，而忽略空間位置。直方相關(guān)圖不僅包含各色所占的比重，還包含了不同顏色間的距離信息。本文是對整個圖像處理，更關(guān)注不同顏色的所占比重。從公式（3）可知，圖像的背景色為黑色，車身顏色不同于背景色，從而在直方圖上會出現(xiàn)雙峰特性，但車身顏色接近黑色的圖像不具有這個特性。在HSV空間中，求出HSV的頻數(shù)，零除外。得到車身顏色判斷的HSV。

算法1求H、S、V中個數(shù)最多的值

輸入：前一步的圖像I的H、S、V

初始化：I（M）=0M為掩膜公式（1.3）

求 fh、fs、fv最大頻數(shù)對應的 h、s、v值

輸出：h、s、v

在該方法中，最難識別的是黑色和白色汽車，黑色和白色在經(jīng)過（1）公式得到的是同樣的值零，在分割過程中未被分割出來，故二值圖像黑色偏多。在經(jīng)過RGB到HSV的轉(zhuǎn)換過程中，黑色中的H和S為0的很多，雖然V只不同，但不可以用V值來區(qū)分黑色和白色。因為本文的識別區(qū)域為整個圖像，除車身外，車窗、車牌及背景都融合在其中，它們的色彩空間V值的頻數(shù)可能高于白色的車身的，所以最后給出的識別V值不是1。這個可以從實驗結(jié)果中看出，V直方圖投影次高點不是接近1，而是接近藍色，這個是車牌的顏色。

由于青色的汽車和品紅的汽車比較少，對于這兩色的劃分是基于HSV的知識。在各色的劃分中，S的值需要考慮的。如H值為品紅，但在由于環(huán)境影響S值比較低，系統(tǒng)會判定為灰色。這個影響系統(tǒng)的顏色識別率。

3 仿真實驗及結(jié)論

在仿真實驗環(huán)境：主機CPU為i5-3470；內(nèi)存為4GB；操作系統(tǒng)是 Windows 7；開發(fā)軟件是 MATLAB 2010。

圖3 彩色汽車灰度處理及該車輛的HSV值的頻數(shù)

圖3中橫向第一圖為原圖，第二個圖為其灰度圖像的二值分割圖，第三圖采用本文灰度處理的二值分割圖。從圖中可以看出本文方法的效果優(yōu)于一般的分割。第四、五和六圖為從車身分割區(qū)域提取的車身HSV統(tǒng)計信息。

本文沒有直接對圖像的HSV統(tǒng)計來判斷車身顏色，是因為車身顏色容易受光線、霧等環(huán)境因素影響，還有車的玻璃在不同環(huán)境因素下干擾車身顏色的識別。

該算法的難點在于黑和白色汽車識別，黑色的HSV=（0，0，0），而白色的 HSV=（0，0，1）；由于在二值分割時，從上圖可以發(fā)現(xiàn)：1）HSV=（0，0，0）占絕大部分區(qū)域；2）S，V的值很小。對于白色汽車來說，在二值分割時，車身已經(jīng)被填充黑色，白色的部分是車窗和車牌，所以白色的汽車好識別，只有黑色像素點數(shù)占總像素的80%以上就可以識別為白色汽車。黑色汽車在二值分割時，車身已分割出來，但黑色特點體現(xiàn)在V值很小，就實例中除去0值后V最大值為0.0039，故可以判斷它為黑色汽車。

4 結(jié)語

本文的算法需要在特定的應用場合，公路或高速路上，從前上方拍攝或錄像，車輛的背景是路面顏色，另一個特點是車輛占據(jù)圖像的大部分區(qū)域。在這種情況下，采用本文的方法識別率高，而且效率高，速度快！能夠識別七種顏色（黑白灰紅黃綠藍）。在識別更多顏色時識別率低，主要是墨綠藍色是因為S值比較接近，汽車顏色容易受外在條件的影響！下一步的研究不同光照下，在HSV中添加一個調(diào)整因子，調(diào)整因子作用修正HSV值，以便正確識別汽車車身顏色。如墨綠的汽車在暗光下被認為是黑色的，調(diào)整因子是需要汽車數(shù)據(jù)庫反復訓練得到，不是隨意設(shè)置。調(diào)整因子可以由神經(jīng)網(wǎng)絡(luò)或蟻群算法來實現(xiàn)。

圖4 黑白車輛的灰度處理及該車輛的HSV值的頻數(shù)

[1]Swain M J，Ballard D H.Color indexing[J].International Journal of Computer Vision，1991，7（1）:11-32.ins

[2]Huang J，Kumar S R，Mitra M，et al.Spatial Color Indexing and Applications[J].International Journal of Computer Vision，1999，35（3）:245-268.

[3]Wu Y T，Kao J H，Shih M Y.A Vehicle Color Classification Method for Video Surveillance System Concerning Model-based Background Subtraction[M].Advances in Multimedia Information Processing-PCM 2010.Springer Berlin Heidelberg，2010:369-380.

[4]Son J W，Park S B，Kim K J.A Convolution Kernel Method for Color Recognition[C].Advanced Language Processing and Web Information Technology，2007.ALPIT 2007.Sixth International Conference on.IEEE，2007:242-247.

[5]Pan Chen，Xiang Bai，et al.Vehicle Color Recognition on Urban Road by Feature Context.

[6]P.Viola and M.Jones.Rapid Object Detection Using a Boosted Cascade of Simple Features.inProc.IEEE Comput.Soc.Conf.Comput.Vis.Pattern Recog.，2001：511-518.

[7]J.Wang，X.Li，H.Fan，F(xiàn).Li.Classification of Lip Color Basedon Multiple SVM-RFE.inProc.IEEE Int.Conf.BIBMW，Nov.2011:769-772.

[8]J.W.Son，S.B.Park，K.J.Kim.A Convolution Kernel Method for Color Recognition.inProc.6th Int.Conf.Adv.Lang.Process.Web Inf.Technol.，Aug.2007：242-247.

[9]S.M.Park，K.J.Kim.Color Recognition with Compact Color Features.Int.J.Commun.Syst.，vol.25，no.6，pp.749-762，Jun.2012.

[10]J.Huang，S.R.Kumar，M.Mitra，W.-J.Zhu，R.Zabih.Image Indexing Using Color Correlograms.in Proc.IEEE Comput.Soc.Conf.Comput.Vis.Pattern Recog.，1997：762-768.

[11]M.J.Swain，D.H.Ballard.Color Indexing，International Journal of Computer Vision，1991，7：11-32.

[12]Xu Z,Mei L,Liu Y,et al.Crowd Sensing Based Semantic Annotation of Surveillance Videos[J].International Journal of Distributed Sensor Networks,2015.

[13]Zheng W,Zhou X,Xin M.Color Facial Expression Recognition Based on Color Local Features[C].Acoustics,Speech and Signal Processing（ICASSP）,2015 IEEE International Conference on.IEEE,2015:1528-1532.

［14］丁曉峰,何凱霖.基于最大類間方差的改進圖像分割算法[J].計算機工程與設(shè)計,2015（10）.

An Efficient Method of Vehicle Color Recognition

XIAO Chi
（College of Computer and Information Engineering，Hanshan Normal University，521041）

Vehicle color recognition on the road is a current research topic.Commonly used method is to locate car in video,looking for the recogni?tion of interest(ROI),color features can be extracted from ROI in vehicle.ROI region divided directly affect the recognition results.Pres?ents an efficient method to identify the body color,the method to extract the entire vehicle of information,statistical classifications in the HSV color space,identifies vehicle color according to the results.Experimental results show that the method is superior to other methods;the innovation is it does not need to look for ROI areas to identify the vehicle color.

肖馳（1971-），男，湖南人，本科，講師，研究方向為圖像處理和信號處理

2017-04-19

2017-06-05

1007-1423（2017）17-0071-05

10.3969/j.issn.1007-1423.2017.17.015

ROI；HSV；灰度變化；顏色識別

ROI;HSV;Variations of Gray;Color Recognition