CN105005766A - 一种车身颜色识别方法 - Google Patents

一种车身颜色识别方法 Download PDF

Info

Publication number
CN105005766A
CN105005766A CN201510374911.5A CN201510374911A CN105005766A CN 105005766 A CN105005766 A CN 105005766A CN 201510374911 A CN201510374911 A CN 201510374911A CN 105005766 A CN105005766 A CN 105005766A
Authority
CN
China
Prior art keywords
color
vehicle
image
pixels
space
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201510374911.5A
Other languages
English (en)
Other versions
CN105005766B (zh
Inventor
刘国文
曾子铭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Maikelong Electronics Co Ltd Shenzhen City
Original Assignee
Maikelong Electronics Co Ltd Shenzhen City
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Maikelong Electronics Co Ltd Shenzhen City filed Critical Maikelong Electronics Co Ltd Shenzhen City
Priority to CN201510374911.5A priority Critical patent/CN105005766B/zh
Publication of CN105005766A publication Critical patent/CN105005766A/zh
Application granted granted Critical
Publication of CN105005766B publication Critical patent/CN105005766B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种车身颜色识别方法，包括下列步骤：检测单元对输入的视频数据进行运动检测，采用RGB空间最大值与最小值差值的方法去掉车窗玻璃和车辆阴影干扰区域；通过计算像素个数比值，区别彩色车辆和黑白灰色车辆；使用H空间直方图对红、橙、黄、绿、青、蓝、紫共计7种颜色进行识别，采用V空间直方图和基于扇形区域的颜色投票表决方法对黑、白、灰共计3种颜色进行识别。本发明采用基于RGB颜色空间通道差值的车身颜色识别策略识别车身颜色，可以有效的去除车身颜色识别的干扰区域，提高了车身颜色识别的正确率。

Description

一种车身颜色识别方法
技术领域
本发明涉及图像处理技术，具体涉及一种车身颜色识别方法。
背景技术
目前的智能交通***中，随着车辆数量增多，交通环境变得日益复杂，仅靠车牌对车辆进行识别已经不能满足人们的需要。车辆颜色信息更容易引起人们的兴趣，从而弥补因车辆套牌、一车多牌现象造成车牌识别的不足，并对车辆的识别与搜索、完善和增强智能交通***功能具有重要意义。
目前，对车辆颜色的识别主要有两种途径：第一种是对车辆整体颜色进行识别，提取车辆感兴趣区域的颜色特征进行识别。首先通过目标分割获取车辆前景图像，然后进行联通区域分析删除车轮、反光镜等干扰区域得到车辆颜色明显的区域。在分类阶段，采用基于支持向量机的两层分类器将颜色分为黑、白、灰、红、黄、绿、蓝等类型，但是该方法容易受到车辆影子颜色和车窗玻璃颜色造成的干扰，对车身颜色的分类正确率较低。此外，车辆整体颜色识别可通过利用HSI色彩空间(即由色相(Hue)、饱和度(Saturation)和强度(Intensity)组成的色彩模型)的三个通道提取车身颜色每个像素的微观特性值，定义颜色的阈值范围与相互关系，最后借助K最邻近法、人工神经网络和支持向量机等方法将颜色分类。第二种车身颜色识别算法是先定位车牌位置，然后提取车牌上方对应区域作为车身颜色识别区域并进行车身颜色识别。然而，当处理车牌无法识别的视频时，该类方法无法处理的车身颜色，很难满足用户需求。总之，目前大部分识别方法仍无法较好的克服车辆影子颜色、车窗玻璃颜色对车辆颜色识别结果造成的影响。
因此，如何开发设计一种可以克服车辆影子颜色、车窗玻璃颜色的车身颜色识别方法，已成为目前急需解决的技术难题之一。
发明内容
本发明的目的是提供一种车身颜色识别方法，以解决目前现有技术用于颜色识别存在较大干扰的问题，以便更准确的识别车身的颜色。
本发明提出的车身颜色识别方法，包括下列步骤：
获取车辆的视频图像并设定绊线，对输入的视频图像数据进行运动目标检测，得到二值化的前景运动目标图像，截取该前景运动目标外接矩形区域，并提取出该矩形图像中的前景运动目标区域在原视频帧中所对应的彩色像素值，然后计算该外接矩形图像中所有像素的RGB颜色通道中最大值与最小值的差值，通过阈值分割方法去掉车窗玻璃和车辆阴影干扰区域；
计算像素个数比值，区别彩色车辆和黑白灰色车辆，所述的像素个数比值为前景运动目标经过RGB空间最大值与最小值差值处理和二值化处理后得到的车身区域的像素个数和前景运动目标的外接矩形图像中所包含的像素个数之比；
使用H空间直方图对红、橙、黄、绿、青、蓝、紫共计七种颜色进行识别；采用V空间直方图和基于扇形区域的颜色投票表决方法对黑、白、灰共计三种颜色进行识别；
输出识别出的车身颜色。
所述的RGB空间最大值与最小值之差为用于车身颜色识别图像中每个像素点在RGB色彩空间中的R通道、G通道和B通道的最大值Max(R,G,B)和最小值Min(R,G,B)之差(即Max(R,G,B)-Min(R,G,B))。
所述前景目标的外接矩形所包含的像素个数为采用基于VIBE(可视化背景提取)算法检测获取前景区域中的运动目标，当检测到有运动目标跨越绊线时，即图像前景目标像素点集和图像上的绊线像素点集有第一次交集，则计算出该前景运动目标像素点集的外接矩形图像中所包含的像素个数。
所述的H空间直方图为车辆图像经过RGB空间中最大值与最小值相减并进行二值化处理后,得到的车身区域在原视频帧中对应颜色区域的H空间直方图。
所述的基于扇形区域的颜色投票表决方法为将通过绊线的前景运动目标外接矩形图像中所有像素的RGB颜色空间转换为HSV颜色空间，寻找该前景运动目标的质心，然后以质心为圆心，以该质心到车辆外接矩形框边缘的最短距离为半径画圆，将圆盘区域按72度等分为5个扇形，并计算每个扇形区域内像素(不含背景区域像素)在V空间的直方图，检测直方图中最高峰所在的位置在V空间中对应的颜色，该颜色即为扇形区域的颜色，最后拥有扇形区域数量最多的颜色为该车辆的车身颜色。
在本发明的一个具体实施例中，所述的车身颜色识别方法包括下列步骤：
步骤S110.获取待检测道路上的车辆视频；
步骤S120.采用VIBE(可视化背景提取)算法对视频数据进行运动目标检测，得到二值化的前景运动目标图像，提取通过绊线的前景运动目标，遍历前景运动目标的边缘，分别记录垂直和水平方向上最大值和最小值对应的点坐标，根据得到的点坐标确定前景运动目标的外接矩形，并截取外接矩形图像P1，然后提取出该矩形图像P1中的前景运动目标区域在原视频帧中所对应的彩色像素值并得到图像P2；
步骤S130.计算外接矩形图像P2中每个像素在RGB空间中的最大值Max(R,G,B)和最小值Min(R,G,B)，然后计算最大值与最小值之差得到RGB差值图像P3；
步骤S140.给定一个阈值M1，使用该阈值对RGB差值图像P3进行阈值分割得到二值化的车身区域图像P4；
步骤S150.统计图像P4中车身区域包含的像素个数NP4，统计前景运动目标的外接矩形图像P2中所有像素的个数NP2，计算像素个数比值R＝NP4/NP2；
步骤S160.通过对像素个数比值进行阈值判断，将车辆分为彩色车和黑白灰色车；
步骤S170.当车辆为彩色车时，使用H空间直方图对红、橙、黄、绿、青、蓝、紫共计七种颜色进行识别；
步骤S180.当车辆为非彩色车时，采用V空间直方图和基于扇形区域的颜色投票表决方法对黑、白、灰共计三种颜色进行识别；
步骤S190.存储或输出识别结果。
本发明从视频中提取前景运动目标，并可以保存通过绊线的运动目标的外接矩形图像，通过计算RGB空间中R通道、G通道和B通道的最大值和最小值差值和阈值分割，将车窗和阴影去除，然后将车辆分为彩色车辆和黑白灰车两种类型进行判断。若判定结果为彩色车，根据色相空间直方图进行识别；若判定为黑白灰车，根据V空间直方图和基于扇形区域的颜色投票表决方法进行识别。本发明通过RGB通道差值的方法解决了现有技术选取的用于颜色判断的候选区存在较大干扰的问题，提高了车身颜色识别的正确率。
附图说明
图1是本发明一个较佳实施例的流程示意图；
图2是本发明一个待识别的车辆视频图像(白色虚线为绊线)；
图3是本发明一个颜色空间直方图。
具体实施方式
本发明公开了一种车身颜色识别方法，包括下列步骤：首先读取视频的起始帧并设定绊线，然后对输入的视频数据进行运动目标检测，计算前景运动目标的的外接矩形区域并截取得到外接矩形图像，然后计算该外接矩形图像中所有像素在RGB颜色通道中最大值与最小值的差值，并将该车辆颜色分为彩色车辆或黑白灰车辆，最后通过计算各种颜色的直方图分布识别车身颜色。本发明采用基于RGB颜色空间中R通道、G通道和B通道的最大值和最小值差值的车身颜色识别策略识别车身颜色，可以有效的去除车身颜色识别的干扰区域，提高了车身颜色识别的正确率。
下面结合附图和实施例对发明进行详细的说明。
如图1所示，本发明公开的车身颜色识别方法包括以下步骤：
步骤S110、获取待检测道路上的车辆视频。
通过摄像头拍摄静态场景下的道路监控视频，获取所抓取的视频帧在视频序列中的位置，从首帧开始按毫秒读取视频；或直接导入已有的道路监控视频，从导入视频的首帧开始，按照视频帧播放的时间顺序逐帧导入视频。
图2为待识别的车辆视频图像。白色虚线为用户标记的绊线，和绊线接触的蓝色车辆为待识别的车辆。
步骤S120、对视频数据进行运动目标检测，截取通过绊线的二值化的前景运动目标外接矩形图像P1，然后提取出该矩形图像中的前景运动目标区域在原视频帧中所对应的彩色像素值并得到图像P2。
用户根据自身需要，在车辆视频起始帧，人为描绘虚线作为绊线(见图2)。采用基于VIBE(可视化背景提取，Visual Background Extractor)算法检测获取前景区域中的运动目标，得到二值化的运动目标图像P1(即图像中运动目标像素值为1，背景像素值为0)。具体操作是当检测到有运动目标跨越绊线时，即图像前景目标像素点集和图像上的绊线像素点集有第一次交集，则计算出该前景运动目标像素点集的外接矩形(即遍历前景运动目标的边缘，分别记录垂直和水平方向上最大值和最小值对应的像素点坐标，根据计算出的坐标确定前景运动目标的外接矩形)，然后截取外接矩形图像，得到二值化的车辆图像P1，然后提取出该矩形中的前景运动目标区域(即像素值大于0的像素区域)在原视频帧中所对应的彩色像素值，得到车辆图像P2。
步骤S130、计算图像P2中每个像素的RGB的最大值Max(R,G,B)和最小值Min(R,G,B)，然后计算最大值与最小值之差得到RGB空间差值图像P3(即P3＝Max(R,G,B)-Min(R,G,B))。
步骤S140、给定一个阈值M1，使用该阈值对图像P3进行阈值分割得到二值化图像P4(即车身区域像素值为1，背景区域像素值为0)。像素值大于M1的像素为1，反之为0。
步骤S150、统计图像P4中的车身区域(即像素值大于0的区域)包含的像素个数NP4，统计前景运动目标的外接矩形图像P2中所有像素的个数NP2(即矩形框长度与矩形框宽度的像素个数的乘积)，计算像素个数比值R＝NP4/NP2。
步骤S160、通过判断像素个数比值R的大小，将车辆分为彩色车和黑白灰色车。给定一个阈值M2，若R大于阈值M2，则转入步骤S170进行彩色识别；若R小于阈值M2，则转入步骤S180进行黑、白、灰色识别。
步骤S170、在H(色相)空间中定义颜色取值范围(见表1)，分别定义为红、橙、黄、绿、青、蓝、紫共计7种颜色。提取二值化图像P4中像素值大于0的区域在图像P2中所对应的颜色值，然后将RGB转为HSV颜色空间(即由色相(Hue)、饱和度(Saturation)和亮度(Value)组成的色彩模型)。计算H空间的直方图，检测直方图中最高峰所落入的H空间的颜色范围，该范围对应的颜色为该车身的颜色。
表1:H(色相)空间中定义颜色取值范围
步骤S180、在V(亮度)空间中定义颜色取值范围(见表2)，分别定义为黑、白、灰共计3种颜色。将前景运动目标P2的RGB颜色空间转换为HSV颜色空间，寻找P2的质心，然后以质心为圆心，以该质心到车辆外接矩形框边缘的最短距离为半径画圆。将圆盘区域按72度等分为5个扇形，并计算每个扇形区域内像素(不含背景区域像素)在V空间的直方图，检测直方图中最高峰所在的位置在V空间中对应的颜色，该颜色即为扇形区域的颜色，最后通过投票表决的方式对车身颜色投票，确定拥有扇形区域数量最多的颜色为该车辆的车身颜色。
表2:V(亮度)空间中定义颜色取值范围
亮度空间(0～255) 黑 灰 白
最大值 0 47 221
最小值 46 220 255
步骤S190、存储车身颜色识别结果。
步骤S200、判断是否是最后一帧视频，如果不是，转入步骤S120，继续分割前景运动目标并判断颜色；如果不是，转入步骤S210。
步骤S210、返回所有车身颜色。结束车身颜色识别流程。
图3为图像P3中二值化的车身区域所对应的颜色在H空间中的直方图分布，该直方图呈现明显的单峰特性，因此本发明可以较好的识别出车身颜色。
以上显示和描述了本发明的基本原理、主要特征和本发明的特点。由于使用了颜色空间的最大值与最小值差分算法，降低了车辆影子颜色、车窗玻璃颜色对车身彩色识别的影响，提高了车身颜色识别的正确率。其次，本发明可以从任何角度识别出车身颜色，无需提取其它特征(如用车牌定位颜色区域)来进行车身颜色识别。

Claims (8)

1.一种车身颜色识别方法，其特征在于，包括下列步骤：
获取车辆的视频图像并设定绊线，对输入的视频图像数据进行运动目标检测，截取前景运动目标的外接矩形；然后计算该外接矩形图像中所有像素的RGB颜色通道中最大值与最小值的差值，去掉车窗玻璃和车辆阴影干扰区域；
计算像素个数比值，区别彩色车辆和黑白灰色车辆，所述的像素个数比值为前景运动目标经过RGB空间最大值与最小值差值处理和二值化处理后的车身区域的像素个数和前景运动目标的外接矩形所包含的像素个数之比；
使用H空间直方图对红、橙、黄、绿、青、蓝、紫共计七种颜色进行识别；采用V空间直方图和基于扇形区域的颜色投票表决方法对黑、白、灰共计三种颜色进行识别；
输出识别出的车身颜色。
2.如权利要求1所述的方法，其特征在于：所述的RGB空间最大值与最小值差值为用于车身颜色识别图像中每个像素点在RGB色彩空间中的最大值Max(R,G,B)和最小值Min(R,G,B)之差(即Max(R,G,B)-Min(R,G,B))。
3.如权利要求1所述的方法，其特征在于：前景目标的外接矩形所包含的像素个数为采用基于VIBE(可视化背景提取)算法检测获取前景区域中的运动目标，当检测到有运动目标跨越绊线时，即图像前景目标像素点集和图像上的绊线像素点集有第一次交集，则计算出该前景运动目标像素点集的外接矩形所包含的像素个数。
4.如权利要求1所述的方法，其特征在于：所述的H空间直方图为车辆图像经过RGB空间中R、G和B三通道的最大值和最小值相减并进行二值化处理后，得到的车身区域(即像素值大于0的区域)在原视频帧中对应颜色区域的H空间直方图。
5.如权利要求1所述的方法，其特征在于：所述的基于扇形区域的颜色投票表决方法为将运动目标外界矩形图像的RGB颜色空间转换为HSV颜色空间，寻找前景运动目标的质心，然后以质心为圆心，以该质心到车辆外接矩形框边缘的最短距离为半径画圆，将圆盘区域按72度等分为5个扇形，并计算每个扇形区域内像素(不含背景区域像素)在V空间的直方图，检测直方图中最高峰所在的位置在V空间中对应的颜色，该颜色即为扇形区域的颜色，最后拥有扇形区域数量最多的颜色为该车辆的车身颜色。
6.一种车身颜色识别方法，其特征在于，包括下列步骤：
步骤S110.获取待检测道路上的车辆视频；
步骤S120.对视频数据进行运动目标检测，提取通过绊线的前景运动目标，截取前景运动目标的外接矩形；
步骤S130.计算外接矩形图像中每个像素的RGB的最大值Max(R,G,B)和最小值Min(R,G,B)，然后计算最大值与最小值之差得到RGB彩色差值图像；
步骤S140.给定一个阈值M1，使用该阈值对RGB空间差值图像进行阈值分割得到二值化图像；
步骤S150.统计二值化图像P4中车身区域的像素个数NP4，统计前景运动目标的外接矩形所对应的图像P2中所有像素的个数NP2，计算像素个数比值R＝NP2/NP4；
步骤S160.通过像素个数比值阈值判断方法，将车辆分为彩色车和黑白灰色车；
步骤S170.当车辆为彩色车时，使用H空间直方图对红、橙、黄、绿、青、蓝、紫共计七种颜色进行识别；
步骤S180.当车辆为非彩色车时，采用V空间直方图和基于扇形区域的颜色投票表决方法对黑、白、灰共计三种颜色进行识别；
步骤S190.存储或输出识别结果。
7.如权利要求6所述的车身颜色识别方法，其特征在于，H(色相)空间中定义颜色取值范围如下表：
8.如权利要求6所述的车身颜色识别方法，其特征在于，所述V(亮度)空间中定义颜色取值范围如下表：
亮度空间(0～255) 黑 灰 白 最大值 0 47 221 最小值 46 220 255
CN201510374911.5A 2015-07-01 2015-07-01 一种车身颜色识别方法 Active CN105005766B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510374911.5A CN105005766B (zh) 2015-07-01 2015-07-01 一种车身颜色识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510374911.5A CN105005766B (zh) 2015-07-01 2015-07-01 一种车身颜色识别方法

Publications (2)

Publication Number Publication Date
CN105005766A true CN105005766A (zh) 2015-10-28
CN105005766B CN105005766B (zh) 2018-06-01

Family

ID=54378431

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510374911.5A Active CN105005766B (zh) 2015-07-01 2015-07-01 一种车身颜色识别方法

Country Status (1)

Country Link
CN (1) CN105005766B (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503638A (zh) * 2016-10-13 2017-03-15 金鹏电子信息机器有限公司 用于颜色识别的图像处理、车辆颜色识别方法和***
CN107563374A (zh) * 2017-08-14 2018-01-09 华中科技大学 一种数显式仪表数码管定位方法
CN109190639A (zh) * 2018-08-16 2019-01-11 新智数字科技有限公司 一种车辆颜色识别方法、装置及***
CN109508720A (zh) * 2018-10-23 2019-03-22 高新兴科技集团股份有限公司 一种车辆颜色识别方法及装置
CN109584317A (zh) * 2018-12-24 2019-04-05 天津天地伟业机器人技术有限公司 基于hsv色彩空间直方图的车身颜色识别方法
CN109635825A (zh) * 2018-12-19 2019-04-16 苏州市科远软件技术开发有限公司 车辆属性检测方法、装置及存储介质
CN110502986A (zh) * 2019-07-12 2019-11-26 平安科技（深圳）有限公司 识别图像中人物位置方法、装置、计算机设备和存储介质
CN110751053A (zh) * 2019-09-26 2020-02-04 高新兴科技集团股份有限公司 一种车辆颜色识别方法、装置、设备及存储介质
CN112507801A (zh) * 2020-11-14 2021-03-16 武汉中海庭数据技术有限公司 车道路面数字颜色识别方法、限速信息识别方法及***
CN112907516A (zh) * 2021-01-27 2021-06-04 山东省计算中心（国家超级计算济南中心） 一种用于穴盘育苗的甜玉米种子识别方法及装置
CN114170522A (zh) * 2022-02-14 2022-03-11 北京中科慧眼科技有限公司 基于色谱相似性度量的颜色分类识别方法和***
CN115482474A (zh) * 2022-08-24 2022-12-16 湖南科技大学 一种基于高空航拍图像的桥面车辆荷载识别方法和***
CN116563770A (zh) * 2023-07-10 2023-08-08 四川弘和数智集团有限公司 车辆颜色的检测方法、装置及设备和介质
CN117152167A (zh) * 2023-10-31 2023-12-01 海信集团控股股份有限公司 一种目标移除、基于分割大模型的目标移除方法及设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101504717A (zh) * 2008-07-28 2009-08-12 上海高德威智能交通***有限公司 特征区域的定位方法、车身深浅色与车身颜色的识别方法
US8340420B2 (en) * 2009-10-05 2012-12-25 National Taiwan University Method for recognizing objects in images
CN103425989A (zh) * 2013-08-07 2013-12-04 中山大学 一种基于显著性分析的车辆颜色识别方法
CN103544480A (zh) * 2013-10-17 2014-01-29 公安部第三研究所 车辆颜色识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101504717A (zh) * 2008-07-28 2009-08-12 上海高德威智能交通***有限公司 特征区域的定位方法、车身深浅色与车身颜色的识别方法
US8340420B2 (en) * 2009-10-05 2012-12-25 National Taiwan University Method for recognizing objects in images
CN103425989A (zh) * 2013-08-07 2013-12-04 中山大学 一种基于显著性分析的车辆颜色识别方法
CN103544480A (zh) * 2013-10-17 2014-01-29 公安部第三研究所 车辆颜色识别方法

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503638B (zh) * 2016-10-13 2019-09-13 金鹏电子信息机器有限公司 用于颜色识别的图像处理、车辆颜色识别方法和***
CN106503638A (zh) * 2016-10-13 2017-03-15 金鹏电子信息机器有限公司 用于颜色识别的图像处理、车辆颜色识别方法和***
CN107563374A (zh) * 2017-08-14 2018-01-09 华中科技大学 一种数显式仪表数码管定位方法
CN109190639A (zh) * 2018-08-16 2019-01-11 新智数字科技有限公司 一种车辆颜色识别方法、装置及***
CN109508720B (zh) * 2018-10-23 2021-04-23 高新兴科技集团股份有限公司 一种车辆颜色识别方法及装置
CN109508720A (zh) * 2018-10-23 2019-03-22 高新兴科技集团股份有限公司 一种车辆颜色识别方法及装置
CN109635825A (zh) * 2018-12-19 2019-04-16 苏州市科远软件技术开发有限公司 车辆属性检测方法、装置及存储介质
CN109584317A (zh) * 2018-12-24 2019-04-05 天津天地伟业机器人技术有限公司 基于hsv色彩空间直方图的车身颜色识别方法
CN110502986A (zh) * 2019-07-12 2019-11-26 平安科技（深圳）有限公司 识别图像中人物位置方法、装置、计算机设备和存储介质
CN110751053A (zh) * 2019-09-26 2020-02-04 高新兴科技集团股份有限公司 一种车辆颜色识别方法、装置、设备及存储介质
CN110751053B (zh) * 2019-09-26 2022-02-22 高新兴科技集团股份有限公司 一种车辆颜色识别方法、装置、设备及存储介质
CN112507801A (zh) * 2020-11-14 2021-03-16 武汉中海庭数据技术有限公司 车道路面数字颜色识别方法、限速信息识别方法及***
CN112907516A (zh) * 2021-01-27 2021-06-04 山东省计算中心（国家超级计算济南中心） 一种用于穴盘育苗的甜玉米种子识别方法及装置
CN114170522A (zh) * 2022-02-14 2022-03-11 北京中科慧眼科技有限公司 基于色谱相似性度量的颜色分类识别方法和***
CN115482474A (zh) * 2022-08-24 2022-12-16 湖南科技大学 一种基于高空航拍图像的桥面车辆荷载识别方法和***
CN116563770A (zh) * 2023-07-10 2023-08-08 四川弘和数智集团有限公司 车辆颜色的检测方法、装置及设备和介质
CN116563770B (zh) * 2023-07-10 2023-09-29 四川弘和数智集团有限公司 车辆颜色的检测方法、装置及设备和介质
CN117152167A (zh) * 2023-10-31 2023-12-01 海信集团控股股份有限公司 一种目标移除、基于分割大模型的目标移除方法及设备
CN117152167B (zh) * 2023-10-31 2024-03-01 海信集团控股股份有限公司 一种目标移除、基于分割大模型的目标移除方法及设备

Also Published As

Publication number Publication date
CN105005766B (zh) 2018-06-01

Similar Documents

Publication Publication Date Title
CN105005766A (zh) 一种车身颜色识别方法
CN109886896B (zh) 一种蓝色车牌分割与矫正方法
CN106709436B (zh) 面向轨道交通全景监控的跨摄像头可疑行人目标跟踪***
CN105046196B (zh) 基于级联卷积神经网络的前车车辆信息结构化输出方法
CN103279736B (zh) 一种基于多信息邻域投票的车牌检测方法
CN102567727B (zh) 一种背景目标替换方法和装置
CN103035013B (zh) 一种基于多特征融合的精确运动阴影检测方法
CN105160691A (zh) 基于颜色直方图的车身颜色识别方法
CN102609686A (zh) 一种行人检测方法
CN104978567B (zh) 基于场景分类的车辆检测方法
CN111369596B (zh) 一种基于视频监控的手扶电梯客流量统计方法
CN102880863B (zh) 一种基于可变形部件模型的车牌及驾驶员人脸定位方法
CN106682586A (zh) 一种复杂光照条件下基于视觉的实时车道线检测的方法
CN102915433B (zh) 基于字符组合的车牌定位和识别方法
CN104050450A (zh) 一种基于视频的车牌识别方法
Zhang et al. A multi-feature fusion based traffic light recognition algorithm for intelligent vehicles
CN102842037A (zh) 一种基于多特征融合的车辆阴影消除方法
CN105741324A (zh) 移动平台上的运动目标检测识别与跟踪方法
CN111553214B (zh) 一种驾驶员吸烟行为检测方法及***
CN102915544A (zh) 基于纹理检测和颜色分割的视频图像运动目标提取方法
CN109255326A (zh) 一种基于多维信息特征融合的交通场景烟雾智能检测方法
CN103577832B (zh) 一种基于时空上下文的人流量统计方法
Zhu et al. Fast detection of moving object based on improved frame-difference method
CN112115800A (zh) 一种基于深度学习目标检测的车辆组合识别***及方法
CN103680145B (zh) 一种基于局部图像特征的人车自动识别方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant