CN106529553A - 一种车身颜色识别区域定位的方法及装置 - Google Patents
一种车身颜色识别区域定位的方法及装置 Download PDFInfo
- Publication number
- CN106529553A CN106529553A CN201610958515.1A CN201610958515A CN106529553A CN 106529553 A CN106529553 A CN 106529553A CN 201610958515 A CN201610958515 A CN 201610958515A CN 106529553 A CN106529553 A CN 106529553A
- Authority
- CN
- China
- Prior art keywords
- region
- unit area
- identified
- marginal density
- area
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种车身颜色识别区域定位的方法及装置,通过获取车身的车头区域的边缘纹理图像,计算边缘纹理图像的积分图;将积分图划分成多个第一预设面积的局部区域,其中,局部区域互不相交;计算局部区域的单位面积边缘密度,根据单位面积边缘密度的大小选取出第一预设数量的局部区域作为第一待识别区域;在每个第一待识别区域内选取出单位面积边缘密度最小的第二预设面积的局部小区域作为第二待识别区域;根据所述局部区域以及所述局部小区域的单位面积边缘密度,从所述第二待识别区域内选取出第二预设数量的区域作为车身颜色识别区域。通过利用单位面积边缘密度的大小来筛选出纹理较平滑的区域,选取出的车身颜色识别区域抗外界干扰性较好。
Description
技术领域
本发明涉及图像处理领域,特别是涉及一种车身颜色识别区域定位的方法及装置。
背景技术
随着生活品质的提升,形形色色的汽车出现在各个角落,特别是在停车场、高速公路和城市道路等区域。
在停车场等区域中,一般是利用车牌识别设备来管理车辆的通行。但是由于实际情况中由于车牌的污损等原因导致车牌的识别率不高。而短期内想要提高车牌的识别率是很困难的,故可以利用汽车车身的颜色来辅助管理车辆的通行,但是车身颜色识别准确率的高低与车身颜色识别区域的光照鲁棒性的好坏密切相关。
如何选取光照鲁棒性好的区域用于车身颜色的识别是至关重要的,现有技术中是通过选取车身上的一小部分区域,用上述部分区域作为车身颜色识别区域,进而通过识别该部分区域的颜色来得出整个车身的颜色。但是一般很难选取出较平滑的区域来识别,进而导致最终识别结果的错误,选取出来的部分区域需要不受不同光照环境下例如曝光和背光的影响。故选取出抗外界环境变化干扰性好的识别区域是迫切需要的,基于此,本发明提供了一种车身颜色识别区域定位的方法及装置。
发明内容
本发明的目的是提供一种车身颜色识别区域定位的方法,目的在于选取出抗外界干扰性好的识别区域;本发明的另一目的是提供一种车身颜色识别区域定位的装置,其选取出的识别区域抗外界干扰性好。
为解决上述技术问题,本发明提供一种车身颜色识别区域定位的方法,该方法包括:
获取车身的车头区域的边缘纹理图像,计算所述边缘纹理图像的积分图;
将所述积分图划分成多个第一预设面积的局部区域,其中,所述局部区域互不相交;
计算所述局部区域的单位面积边缘密度,根据所述单位面积边缘密度的大小选取出第一预设数量的所述局部区域作为第一待识别区域;
在每个所述第一待识别区域内选取出单位面积边缘密度最小的第二预设面积的局部小区域作为第二待识别区域;
根据所述局部区域以及所述局部小区域的单位面积边缘密度,从所述第二待识别区域内选取出第二预设数量的区域作为车身颜色识别区域。
可选地,所述计算所述局部区域的单位面积边缘密度,根据所述单位面积边缘密度的大小选取出第一预设数量的所述局部区域作为第一待识别区域包括:
根据所述积分图,计算得出所述局部区域的单位面积边缘密度Bn;
计算得出所述车头区域的单位面积边缘密度A;
分别将每个所述局部区域的单位面积边缘密度Bn与所述车头区域的单位面积边缘密度A相比较;
当所述单位面积边缘密度Bn小于所述单位面积边缘密度A时,将所述局部区域作为第一待识别区域。
可选地,所述在每个所述第一待识别区域内选取出单位面积边缘密度最小的第二预设面积的局部小区域作为第二待识别区域包括:
将每个所述第一待识别区域划分成多个第二预设面积的局部小区域;
分别计算每个所述局部小区域的单位面积边缘密度;
选取单位面积边缘密度最小的局部小区域作为第二待识别区域,其中,所述第二待识别区域的单位面积边缘密度为Cn。
可选地,所述根据所述局部区域以及所述局部小区域的单位面积边缘密度,从所述第二待识别区域内选取出第二预设数量的区域作为车身颜色识别区域包括:
将所述局部区域的所述单位面积边缘密度Bn与所述局部小区域的所述单位面积边缘密度Cn相加,得到相加值Dn;
将所述相加值Dn进行大小排序;
根据所述相加值Dn从小到大地选取出预设数量的所述第一待识别区域;
将选取出的所述第一待识别区域内对应的所述第二待识别区域作为车身颜色识别区域。
可选地,在所述获取车身的车头区域的边缘纹理图像,计算所述边缘纹理图像的积分图之前还包括:
获取车牌的大小及位置;
根据所述车牌的的大小和位置外扩得到车头区域,所述车头区域包括车灯区域。
可选地,所述获取车身的车头区域的边缘纹理图像包括:
采用梯度算子模板对所述车牌的灰度图像进行卷积运算,得到所述车头区域的边缘纹理图像。
此外,本发明还提供了一种车身颜色识别区域定位的装置,包括:
获取计算单元,获取车身的车头区域的边缘纹理图像,计算所述边缘纹理图像的积分图;
划分单元,用于将所述积分图划分成多个第一预设面积的局部区域,其中,所述局部区域互不相交;
计算选取单元,用于计算所述局部区域的单位面积边缘密度,根据所述单位面积边缘密度的大小选取出第一预设数量的所述局部区域作为第一待识别区域;
选取单元,用于在每个所述第一待识别区域内选取出单位面积边缘密度最小的第二预设面积的局部小区域作为第二待识别区域;
定位单元,用于根据所述局部区域以及所述局部小区域的单位面积边缘密度,从所述第二待识别区域内选取出第二预设数量的区域作为车身颜色识别区域。
可选地,所述计算选取单元包括:
第一计算子单元,用于根据所述积分图,计算得出所述局部区域的单位面积边缘密度Bn;
第二计算子单元,用于计算得出所述车头区域的单位面积边缘密度A;
比较子单元,用于分别将每个所述局部区域的单位面积边缘密度Bn与所述车头区域的单位面积边缘密度A相比较;
确定子单元,用于当所述单位面积边缘密度Bn小于所述单位面积边缘密度A时,将所述局部区域作为第一待识别区域。
可选地,所述选取单元包括:
划分子单元,用于将每个所述第一待识别区域划分成多个第二预设面积的局部小区域;
第三计算子单元,用于分别计算每个所述局部小区域的单位面积边缘密度;
第一确定子单元,用于选取单位面积边缘密度最小的局部小区域作为第二待识别区域,其中,所述第二待识别区域的单位面积边缘密度为Cn。
可选地,所述定位单元包括:
相加子单元,用于将所述局部区域的所述单位面积边缘密度Bn与所述局部小区域的所述单位面积边缘密度Cn相加,得到相加值Dn;
排序子单元,用于将所述相加值Dn进行大小排序;
第一选取子单元,用于根据所述相加值Dn从小到大地选取出预设数量的所述第一待识别区域;
第二确定子单元,用于将选取出的所述第一待识别区域内对应的所述第二待识别区域作为车身颜色识别区域。
本发明所提供的一种车身颜色识别区域定位的方法及装置,通过获取车身的车头区域的边缘纹理图像,计算边缘纹理图像的积分图;将积分图划分成多个第一预设面积的局部区域,其中,局部区域互不相交;计算局部区域的单位面积边缘密度,根据单位面积边缘密度的大小选取出第一预设数量的局部区域作为第一待识别区域;在每个第一待识别区域内选取出单位面积边缘密度最小的第二预设面积的局部小区域作为第二待识别区域;根据局部区域的单位面积边缘密度和局部小区域的单位面积边缘密度,从第二待识别区域内选取出第二预设数量的区域作为车身颜色识别区域。本发明利用边缘纹理图像和积分图的方法来进行预处理,减少重复计算。从积分图的多个局部区域中根据单位面积边缘密度的大小来选取多个平滑区域来作为车身颜色识别区域。局部区域的单位面积边缘密度小表示着该区域在受到光照及阴影的影响下抗干扰性较好,可以很好地代表整个车身的颜色。可见,通过利用单位面积边缘密度的大小来筛选出纹理较平滑的区域,选取出的车身颜色识别区域抗外界干扰性较好。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为为本发明实施例所提供的车身颜色识别区域定位方法的一种具体实施方式的流程示意图;
图2为本发明实施例所提供的车身颜色识别区域定位方法的一种具体实施方式的流程示意图;
图3为本发明实施例提供的车身颜色识别区域定位装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参见图1,图1为本发明实施例所提供的车身颜色识别区域定位方法的一种具体实施方式的流程示意图。
步骤101:获取车身的车头区域的边缘纹理图像,计算所述边缘纹理图像的积分图;
具体地,对车头区域的灰度图像进行卷积运算,进而得到车头区域的边缘纹理图像。即将车头区域的灰度图像经过平移和翻转移动的距离,得到边缘纹理图像。对得到的边缘纹理图像进行积分运算,得到边缘纹理图像对应的积分图。
由于需要获得车头区域的边缘纹理图像,故在本发明的一些实施例中,可以通过外扩的方式来获得车头区域,通过该方法获得的车头区域可以包括车灯区域,而加入车灯区域的目的是为后续步骤打基础。具体可以为首先获取车牌的大小和位置,然后根据获取得到的车牌的长度信息和宽度信息,通过向车牌的上下左右四个方向分别平移若干个车牌,继而获得车头区域。例如,根据车牌定位来获取车牌的长宽以及所处的位置,向车牌的左边平移1个车牌得到车头的左边界,向车牌的右边平移1.5个车牌得到车头的右边界,向车牌的上边平移4个车牌得到车头的上边界,向车牌的下边平移2个车牌得到车头的下边界。显而易见地,利用平移车牌的方法来获得车头区域,实际上相当于分别向车牌的左右方向上扩展若干个车牌的长度,向车牌的上下方向上扩展若干个车牌的宽度。而至于向左右扩展的宽度不一致是基于实际应用场景的不同。上述提到的外扩方案是基于现实场景中摄像机一般设置于停车场进出口的左侧,故其拍得的车辆图片包含车辆的左侧会更多一些。而当停车场的摄像机的设置位置不同时,其外扩方案也会相应地调整,例如当摄像机的设置于停车场进出口的中间位置时,那么相应地向车牌的左右外扩的距离应该是一样的。
通过对车头区域的灰度图像进行一系列的平移和翻转得到边缘纹理图像。在本发明的一些实施例中,可以以梯度算子模板为卷积核对车头区域的灰度图像进行卷积运算,以获得车头区域的边缘纹理图。
步骤102:将所述积分图划分成多个第一预设面积的局部区域,其中,所述局部区域互不相交;
为了减少一个区域中的边缘密度值进行重复计算,故利用积分图来进行分析。将获得的积分图划分成多个局部区域,实际上不是真正意义上的划分,只是通过设定局部区域的面积,以便后续进行计算和选取时更加地方便,以及可以使选择出的局部区域更加符合随机性,使得后续步骤选取出的区域的颜色可以很好地代替整个车身的颜色。并且使多个局部区域之间互不相交,每个局部区域是独立的。例如可以将局部区域的面积设定为W*16,其中,W是车头的长度。这样,划分的局部区域则为局部行区域,每一个区域都是W*16的长方形区域。当然,局部区域的预设面积可以根据实际需求而进行选择,并不限于上述提到的。
步骤103:计算所述局部区域的单位面积边缘密度,根据所述单位面积边缘密度的大小选取出第一预设数量的所述局部区域作为第一待识别区域;
将积分图划分成多个局部区域后,可以利用车头区域的边缘纹理图像的积分来计算得出每个局部区域的单位面积边缘密度值,其计算的过程是先计算每个局部区域的边缘密度值,再将边缘密度值除以对应的局部区域的面积,则可以得到局部区域的单位面积边缘密度值。然后,根据计算得出的单位面积边缘密度值来进行第一次筛选,即根据每个局部区域的单位面积边缘密度的大小从多个局部区域中选取预设数量的区域,将选取出的区域作为第一待识别区域。
在本发明的一些实施例中,可以将整个车头区域的单位面积边缘密度用A表示,局部区域的单位面积边缘密度用Bn表示,其中,n为第几个局部区域,则其具体的过程可以为:根据积分图计算得出局部区域的单位面积边缘密度Bn,计算得出车头区域的单位面积边缘密度A,分别将每个局部区域的单位面积边缘密度Bn与车头区域的单位面积边缘密度A相比较,当所述单位面积边缘密度Bn小于单位面积边缘密度A时,将局部区域作为第一待识别区域。可以看出,尽量选择单位面积边缘密度小的局部区域是为了避免选择到的局部区域中有包括车灯和水箱的局部区域,那么选择的局部区域都是车防护栏和车盖等区域,这些区域可以很好地代表着车身的颜色。
步骤104:在每个所述第一待识别区域内选取出单位面积边缘密度最小的第二预设面积的局部小区域作为第二待识别区域;
从上一步骤中选取出的第一待识别区域中再进行第二次筛选,将筛选出的局部小区域定义为第二待识别区域。其中,第二待识别区域是在第一待识别区域中选取的,故第二待识别区域的面积是比第一待识别区域的面积要小的。进一步地可以将局部小区域的面积设定为第一待识别区域的几分之几,即若干个局部小区域的面积之和好等于整个第一待识别区域的面积。再进一步地,可以将局部小区域设定为面积相同,这样,可以避免偶然性的发生。显而易见地,应该是从每一个第一待识别区域中选取出一个第二待识别区域,其选取出的第二待识别区域的单位面积边缘密度是同一个第一待识别区域中的局部小区域最小的。
而在本发明的一些实施例中,可以将第一待识别区域划分成多个预设面积的局部小区域,算局部小区域的单位面积边缘密度,选取单位面积边缘密度最小的局部小区域作为第二待识别区域,其中,可以将第二待识别区域的单位面积边缘密度定义为为Cn。其划分的局部小区域的面积是相同的,且局部小区域是互不相交且紧密相邻的。例如可以局部小区域的面积设定为16*16,而每个第一待识别区域的面积都为W*16,则每个第一待识别区域中应该有W/16个局部小区域,分别计算每个第一待识别区域中的每个局部小区域的单位面积边缘密度,将位于同一个第一待识别区域内的局部小区域的单位面积边缘密度相比较,选取出其中最小的一个局部小区域作为该第一待识别区域对应的第二待识别区域。
步骤105:根据所述局部区域的所述单位面积边缘密度和所述局部小区域的所述单位面积边缘密度,从所述第二待识别区域内选取出第二预设数量的区域作为车身颜色识别区域。
在前面已经筛选出了第一待识别区域和第二待识别区域,根据第一待识别区域和第二待识别区域的单位面积边缘密度来筛选出用于车身颜色识别的区域,即最终待识别区域。在筛选的过程中同时参考第一待识别区域的单位面积边缘密度和第二待识别区域的单位面积边缘密度是为了避免选择到的第二待识别区域为水箱区域。因为水箱区域的单位面积边缘密度比非水箱区域的单位面积边缘密度要小,而选择第二待识别区域的原则是单位面积边缘密度最小的局部小区域,故假如水箱区域刚好为其中的一个局部小区域,由于水箱区域的特性,肯定对选择到水箱区域作为第二待识别区域的。因此,不能只利用第一待识别区域的单位面积边缘密度来确定最终待识别区域,或者是只利用第二待识别区域的单位面积边缘密度来确定最终待识别区域。
在本发明的一些实施例中,可以将第一待识别区域的单位面积边缘密度和第二待识别区域的单位面积边缘密度相加,得出两者的相加值,根据相加值的大小来选取第二待识别区域来作为最终待识别区域。其具体的过程可以为:将局部区域的单位面积边缘密度Bn与局部小区域的单位面积边缘密度Cn相加,得到相加值Dn;将相加值Dn进行大小排序;根据相加值Dn从小到大地选取出预设数量的第一待识别区域;将选取出的第一待识别区域内对应的第二待识别区域作为车身颜色识别区域。由于Bn的数量级比Cn的数量级要大得多,故不用考虑不同的Cn之间的差值会影响到对应的不同的Bn之间的差值。一些情况下,Bn是Cn的好几倍,甚至好几十倍。
需要说明的是,所选取出的多个第二待识别区域作为车身颜色识别区域,其第二待识别区域在车头上的位置可以是相邻的,也可以是不相邻的。
本发明所提供的一种车身颜色识别区域定位的方法,利用边缘纹理图像和积分图的方法来进行预处理,减少重复计算。从积分图的多个局部区域中根据单位面积边缘密度的大小来选取多个平滑区域来作为车身颜色识别区域。局部区域的单位面积边缘密度小表示着该区域在受到光照及阴影的影响下抗干扰性较好,可以很好地代表整个车身的颜色。可见,通过利用单位面积边缘密度的大小来筛选出纹理较平滑的区域,选取出的车身颜色识别区域抗外界干扰性较好。
为了更好地介绍说明车身颜色识别区的定位过程,下面将结合具体的参数进行描述。请参见图2,图2为本发明实施例所提供的车身颜色识别区域定位方法的一种具体实施方式的流程示意图。
步骤201:根据车牌信息进行外扩,从而获得车头区域;
首先需要获取车牌的信息,包括车牌的长、宽和位置信息。根据车牌的长宽以不同的比例向车牌的上下左右四个方向平移若个车牌得到整个车头区域。车头的左边界是以车牌的左边界为基线,向左外扩1个车牌宽度,而车头右边界是以车牌的右边界为基线,向右外扩1.5个车牌的宽度,车头上边界是以车牌的上边界为基线,向上外扩4个车牌高度,车头下边界是以车牌的下边界为基线,向下外扩2个车牌高度。上述外扩方式是基于场景的需求而设计的,由于在停车场的进出口,摄像头一般设置于车辆的左手边,所以实际上拍得的车辆图片里,车头的左边区域会多多一些,右边区域会相对地少一些。其通过平移车牌来外扩得到整个区域,向上下左右四个方向平移的个数由实际的应用场景的需求而决定,假如摄像机正对着停车场进口的中间,则左右外扩的宽度都应该相同。故左右外扩的宽度不限于上述提到的,应该由实际的场景决定。利用车牌的平移来获得车头区域,目的是将车灯也包括在车头区域中,为后续的边缘密度筛选做准备。
步骤202:利用梯度算子模板对车头区域进行卷积运算,从而获得边缘纹理图像;
具体地,对外扩得到的车头区域的灰度图像使用梯度算子模板进行卷积运算,获得车头区域的边缘纹理图像。可以使用135度的梯度算子模板为卷积核以步伐为1个像素对车头区域的灰度图像进行卷积运算,得到边缘密度图像。图像识别中的卷积运算实际上是对原本的灰度图进行平移和翻转得到最终的图像,其边缘纹理图像实际上是边缘密度图像。使用上述例子中的梯度算子模板为卷积核进行运算,其原因是经过上述梯度算子模板后的像素是由两个差值的和,其中一个差值为该像素的上方像素与下方像素的差值,另一个差值为该像素的一个右边像素和一个左边像素的差值。如果局部区域经过该梯度算子模板运算后,如果该区域是平滑的,没有什么纹理的褶皱的,则最后的差值为0,如果该区域不是平滑的,有水平纹理或者是竖直纹理的,则最后的纹理差异性会被放大。
步骤203:计算边缘纹理图像的积分图,并且计算整个车头区域的单位面积的边缘密度A;
具体地,计算边缘纹理图像的积分图可以很好地避免了一个区域的边缘密度值累加重复计算。积分图上的每个点都包含了点(0,0)到点(x,y)所有像素的边缘值,根据积分图先计算整个车头区域的边缘密度Qn=O(Xn,Yn)-O(0,0),根据计算得到的边缘密度进而计算单位面积边缘密度A=Qn/(Xn*Yn)。
步骤204:以16个像素为步伐遍历整个车头区域,计算长度为W,宽度为16大小的局部行区域n的单位面积边缘密度Bn,进行第一次筛选;
具体地,可以将这个车头区域划分成若干个W*16大小的局部行区域,其中,W为车头区域的长度,局部行区域互不相交。对每个区域进行编号1到n,其中,n表示第几个局部行区域。可以以车头区域的上边界为起点,按16个像素为步伐遍历车头区域,计算W*16个像素的局部行区域的单位面积边缘密度。其计算的具体过程为先计算每个局部行区域的边缘密度,再边缘密度除以该局部行区域对应的像素面积。即每个局部行区域的边缘密度为Rn=O(Xn,Yn)-O(0,Yn-16),其单位面积边缘密度为Bn=Rn/(Xn*16),其中,点(Xn,Yn)为车头图像右下角的顶点坐标。
需要指出的是,局部行区域的像素面积的大小不限于上述的W*16,也可以为其它的,例如0.5W*16,0.5W*8。但是上述例子的W*16相对于其它值来说,其实现效果较好。
步骤205:比较Bn和A的大小,如果Bn小于A,则保留该局部行区域的位置信息,如果Bn大于A,则进入步骤206;
步骤206:判断遍历是否结束,如果没有结束,则返回步骤204,如果结束,则进入步骤207;
步骤207:以8个像素为步伐遍历每个第一次筛选出的局部行区域,寻找出有16*16个像素的单位面积边缘密度最小的局部小区域,并计录寻找出的局部小区域的单位面积边缘密度为Cn,进行第二次筛选;
在第一次筛选的基础上,对筛选出的局部行区域进行遍历。对于单个局部行区域来说,遍历的目的是为了寻找出单位面积边缘密度最小的16*16个像素大小的局部小区域,其中,每一个局部行区域对应一个局部小区域,其局部小区域的单位面积边缘密度为Cn。在原本平滑的局部行区域选取出更平滑的局部小区域。
步骤208:判断是否遍历结束,如果没有结束,则返回步骤207,如果结束,则进入步骤209;
步骤209:将第一次筛选出的局部行区域的单位面积边缘密度Bn与对应的局部小区域的单位面积边缘密度Cn相加为Dn,选择Dn最小的15个局部行区域对应的局部小区域作为车身颜色待识别区域。
将Bn和Cn相加的值Dn重新定义为局部行区域的单位面积边缘密度,将Dn从小到大地排序,选取Dn值最小的15个局部行区域对应的局部小区域作为平滑区域,即作为车身颜色待识别区域。
需要说明的是,由于一个区域非常平滑,该区域就有很多的纹理。假如直接将选取出的16*16个像素大小的局部小区域作为车身颜色待识别区域的话,就会有可能将水箱区域也选择进去,而水箱区域并不能代替整个车身的颜色。局部行区域如果为水箱区域的话,由于水箱区域的单位面积边缘密度值很小,至少会比其它不是水箱区域的局部小区域的单位面积边缘密度值小。所有不能直接将选取出的局部小区域作为车身颜色待识别区域。将Bn和Cn相加的目的就是为了避免选取水箱区域,使选取出的待识别区域可以很好地代表整个车身的颜色,有助于提升识别准确率。
本发明实施例通过具体的参数来介绍,可以给人直观的感受,便于理解利用单位面积边缘密度来筛选出的用于车身颜色识别的最终待识别区域,其最终待识别区域的抗外界干扰性较好,即该区域的光照鲁邦性较好。
下面对本发明实施例提供的车身颜色识别区域定位装置进行介绍,下文描述的车身颜色识别区域定位装置与上文描述的车身颜色识别区域定位方法可相互对应参照。
图3为本发明实施例提供的车身颜色识别区域定位装置的结构框图,参照图3车身颜色识别区域定位装置可以包括:
获取计算单元301,获取车身的车头区域的边缘纹理图像,计算所述边缘纹理图像的积分图;
划分单元302,用于将所述积分图划分成多个第一预设面积的局部区域,其中,所述局部区域互不相交;
计算选取单元303,用于计算所述局部区域的单位面积边缘密度,根据所述单位面积边缘密度的大小选取出第一预设数量的所述局部区域作为第一待识别区域;
选取单元304,用于在每个所述第一待识别区域内选取出单位面积边缘密度最小的第二预设面积的局部小区域作为第二待识别区域;
定位单元305,用于根据所述局部区域以及所述局部小区域的单位面积边缘密度,从所述第二待识别区域内选取出第二预设数量的区域作为车身颜色识别区域。
可选地,所述计算选取单元包括:
第一计算子单元,用于根据所述积分图,计算得出所述局部区域的单位面积边缘密度Bn;
第二计算子单元,用于计算得出所述车头区域的单位面积边缘密度A;
比较子单元,用于分别将每个所述局部区域的单位面积边缘密度Bn与所述车头区域的单位面积边缘密度A相比较;
确定子单元,用于当所述单位面积边缘密度Bn小于所述单位面积边缘密度A时,将所述局部区域作为第一待识别区域。
可选地,所述选取单元包括:
划分子单元,用于将每个所述第一待识别区域划分成多个第二预设面积的局部小区域;
第三计算子单元,用于分别计算每个所述局部小区域的单位面积边缘密度;
第一确定子单元,用于选取单位面积边缘密度最小的局部小区域作为第二待识别区域,其中,所述第二待识别区域的单位面积边缘密度为Cn。
可选地,所述定位单元包括:
相加子单元,用于将所述局部区域的所述单位面积边缘密度Bn与所述局部小区域的所述单位面积边缘密度Cn相加,得到相加值Dn;
排序子单元,用于将所述相加值Dn进行大小排序;
第一选取子单元,用于根据所述相加值Dn从小到大地选取出预设数量的所述第一待识别区域;
第二确定子单元,用于将选取出的所述第一待识别区域内对应的所述第二待识别区域作为车身颜色识别区域。
本发明实施例所提供的一种车身颜色识别区域定位装置,该装置利用车头区域的局部区域的单位面积边缘密度的大小来进行两次筛选,得出用于车身颜色识别的待识别区域。其选取出的车身颜色识别区域的抗外界干扰性较好。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的车身颜色识别区域定位的方法以及装置进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种车身颜色识别区域定位的方法,其特征在于,包括:
获取车身的车头区域的边缘纹理图像,计算所述边缘纹理图像的积分图;
将所述积分图划分成多个第一预设面积的局部区域,其中,所述局部区域互不相交;
计算所述局部区域的单位面积边缘密度,根据所述单位面积边缘密度的大小选取出第一预设数量的所述局部区域作为第一待识别区域;
在每个所述第一待识别区域内选取出单位面积边缘密度最小的第二预设面积的局部小区域作为第二待识别区域;
根据所述局部区域以及所述局部小区域的单位面积边缘密度,从所述第二待识别区域内选取出第二预设数量的区域作为车身颜色识别区域。
2.如权利要求1所述的方法,其特征在于,所述计算所述局部区域的单位面积边缘密度,根据所述单位面积边缘密度的大小选取出第一预设数量的所述局部区域作为第一待识别区域包括:
根据所述积分图,计算得出所述局部区域的单位面积边缘密度Bn;
计算得出所述车头区域的单位面积边缘密度A;
分别将每个所述局部区域的单位面积边缘密度Bn与所述车头区域的单位面积边缘密度A相比较;
当所述单位面积边缘密度Bn小于所述单位面积边缘密度A时,将所述局部区域作为第一待识别区域。
3.如权利要求2所述的方法,其特征在于,所述在每个所述第一待识别区域内选取出单位面积边缘密度最小的第二预设面积的局部小区域作为第二待识别区域包括:
将每个所述第一待识别区域划分成多个第二预设面积的局部小区域;
分别计算每个所述局部小区域的单位面积边缘密度;
选取单位面积边缘密度最小的局部小区域作为第二待识别区域,其中,所述第二待识别区域的单位面积边缘密度为Cn。
4.如权利要求3所述的方法,其特征在于,所述根据所述局部区域以及所述局部小区域的单位面积边缘密度,从所述第二待识别区域内选取出第二预设数量的区域作为车身颜色识别区域包括:
将所述局部区域的所述单位面积边缘密度Bn与所述局部小区域的所述单位面积边缘密度Cn相加,得到相加值Dn;
将所述相加值Dn进行大小排序;
根据所述相加值Dn从小到大地选取出预设数量的所述第一待识别区域;
将选取出的所述第一待识别区域内对应的所述第二待识别区域作为车身颜色识别区域。
5.如权利要求1所述的方法,其特征在于,在所述获取车身的车头区域的边缘纹理图像,计算所述边缘纹理图像的积分图之前还包括:
获取车牌的大小及位置;
根据所述车牌的的大小和位置外扩得到车头区域,所述车头区域包括车灯区域。
6.如权利要求1至5任意一项所述的方法,其特征在于,所述获取车身的车头区域的边缘纹理图像包括:
采用梯度算子模板对包含车牌的灰度图像进行卷积运算,得到所述车头区域的边缘纹理图像。
7.一种车身颜色识别区域定位的装置,其特征在于,包括:
获取计算单元,用于获取车身的车头区域的边缘纹理图像,计算所述边缘纹理图像的积分图;
划分单元,用于将所述积分图划分成多个第一预设面积的局部区域,其中,所述局部区域互不相交;
计算选取单元,用于计算所述局部区域的单位面积边缘密度,根据所述单位面积边缘密度的大小选取出第一预设数量的所述局部区域作为第一待识别区域;
选取单元,用于在每个所述第一待识别区域内选取出单位面积边缘密度最小的第二预设面积的局部小区域作为第二待识别区域;
定位单元,用于根据所述局部区域以及所述局部小区域的单位面积边缘密度,从所述第二待识别区域内选取出第二预设数量的区域作为车身颜色识别区域。
8.如权利要求7所述的装置,其特征在于,所述计算选取单元包括:
第一计算子单元,用于根据所述积分图,计算得出所述局部区域的单位面积边缘密度Bn;
第二计算子单元,用于计算得出所述车头区域的单位面积边缘密度A;
比较子单元,用于分别将每个所述局部区域的单位面积边缘密度Bn与所述车头区域的单位面积边缘密度A相比较;
确定子单元,用于当所述单位面积边缘密度Bn小于所述单位面积边缘密度A时,将所述局部区域作为第一待识别区域。
9.如权利要求8所述的装置,其特征在于,所述选取单元包括:
划分子单元,用于将每个所述第一待识别区域划分成多个预设面积的局部小区域;
第三计算子单元,用于分别计算每个所述局部小区域的单位面积边缘密度;
第一确定子单元,用于选取单位面积边缘密度最小的第二预设面积的局部小区域作为第二待识别区域,其中,所述第二待识别区域的单位面积边缘密度为Cn。
10.如权利要求9所述的装置,其特征在于,所述定位单元包括:
相加子单元,用于将所述局部区域的所述单位面积边缘密度Bn与所述局部小区域的所述单位面积边缘密度Cn相加,得到相加值Dn;
排序子单元,用于将所述相加值Dn进行大小排序;
第一选取子单元,用于根据所述相加值Dn从小到大地选取出预设数量的所述第一待识别区域;
第二确定子单元,用于将选取出的所述第一待识别区域内对应的所述第二待识别区域作为车身颜色识别区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610958515.1A CN106529553B (zh) | 2016-10-27 | 2016-10-27 | 一种车身颜色识别区域定位的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610958515.1A CN106529553B (zh) | 2016-10-27 | 2016-10-27 | 一种车身颜色识别区域定位的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106529553A true CN106529553A (zh) | 2017-03-22 |
CN106529553B CN106529553B (zh) | 2020-01-03 |
Family
ID=58326921
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610958515.1A Active CN106529553B (zh) | 2016-10-27 | 2016-10-27 | 一种车身颜色识别区域定位的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106529553B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256521A (zh) * | 2017-12-29 | 2018-07-06 | 济南中维世纪科技有限公司 | 用于车身颜色识别的有效区域定位方法 |
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 |
CN110654237A (zh) * | 2018-06-29 | 2020-01-07 | 比亚迪股份有限公司 | 车体图标显示方法、装置、车辆和存储介质 |
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 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101373515A (zh) * | 2008-10-20 | 2009-02-25 | 东软集团股份有限公司 | 道路区域检测方法及*** |
CN102184413A (zh) * | 2011-05-16 | 2011-09-14 | 浙江大华技术股份有限公司 | 车辆智能监控***中车身颜色自动识别方法 |
CN102306276A (zh) * | 2011-07-07 | 2012-01-04 | 北京云加速信息技术有限公司 | 基于分块聚类的视频车辆图像中车身颜色识别方法 |
CN103544480A (zh) * | 2013-10-17 | 2014-01-29 | 公安部第三研究所 | 车辆颜色识别方法 |
CN104112138A (zh) * | 2013-12-17 | 2014-10-22 | 深圳市华尊科技有限公司 | 物体颜色分类方法及装置 |
CN104978746A (zh) * | 2015-06-26 | 2015-10-14 | 西安理工大学 | 一种行驶车辆的车身颜色识别方法 |
CN105160691A (zh) * | 2015-08-29 | 2015-12-16 | 电子科技大学 | 基于颜色直方图的车身颜色识别方法 |
CN105354530A (zh) * | 2015-09-22 | 2016-02-24 | 浙江宇视科技有限公司 | 一种车身颜色识别方法及装置 |
-
2016
- 2016-10-27 CN CN201610958515.1A patent/CN106529553B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101373515A (zh) * | 2008-10-20 | 2009-02-25 | 东软集团股份有限公司 | 道路区域检测方法及*** |
CN102184413A (zh) * | 2011-05-16 | 2011-09-14 | 浙江大华技术股份有限公司 | 车辆智能监控***中车身颜色自动识别方法 |
CN102306276A (zh) * | 2011-07-07 | 2012-01-04 | 北京云加速信息技术有限公司 | 基于分块聚类的视频车辆图像中车身颜色识别方法 |
CN103544480A (zh) * | 2013-10-17 | 2014-01-29 | 公安部第三研究所 | 车辆颜色识别方法 |
CN104112138A (zh) * | 2013-12-17 | 2014-10-22 | 深圳市华尊科技有限公司 | 物体颜色分类方法及装置 |
CN104978746A (zh) * | 2015-06-26 | 2015-10-14 | 西安理工大学 | 一种行驶车辆的车身颜色识别方法 |
CN105160691A (zh) * | 2015-08-29 | 2015-12-16 | 电子科技大学 | 基于颜色直方图的车身颜色识别方法 |
CN105354530A (zh) * | 2015-09-22 | 2016-02-24 | 浙江宇视科技有限公司 | 一种车身颜色识别方法及装置 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256521A (zh) * | 2017-12-29 | 2018-07-06 | 济南中维世纪科技有限公司 | 用于车身颜色识别的有效区域定位方法 |
CN108256521B (zh) * | 2017-12-29 | 2021-06-22 | 济南中维世纪科技有限公司 | 用于车身颜色识别的有效区域定位方法 |
CN110654237A (zh) * | 2018-06-29 | 2020-01-07 | 比亚迪股份有限公司 | 车体图标显示方法、装置、车辆和存储介质 |
CN110654237B (zh) * | 2018-06-29 | 2022-02-08 | 比亚迪股份有限公司 | 车体图标显示方法、装置、车辆和存储介质 |
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 |
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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN106529553B (zh) | 2020-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106529553A (zh) | 一种车身颜色识别区域定位的方法及装置 | |
CN106296666B (zh) | 一种彩色图像去阴影方法和应用 | |
CN107729899A (zh) | 一种车牌号码识别方法及装置 | |
CN106407981A (zh) | 一种车牌识别方法、装置及*** | |
CN110210565B (zh) | 归一化互相关图像模板匹配实现方法 | |
CN104299008B (zh) | 基于多特征融合的车型分类方法 | |
JP2019028876A (ja) | 機械学習用教師データ生成装置及び生成方法 | |
CN103337081B (zh) | 一种基于深度层的遮挡判断方法及装置 | |
CN106650611A (zh) | 一种识别车身颜色的方法及装置 | |
CN110516514A (zh) | 一种目标检测模型的建模方法和装置 | |
CN106971185A (zh) | 一种基于全卷积网络的车牌定位方法及装置 | |
CN105117727A (zh) | 一种车牌快速定位方法 | |
CN105551046B (zh) | 车脸定位方法及装置 | |
CN111524100A (zh) | 一种缺陷图像样本生成方法、装置及面板缺陷检测方法 | |
CN110287884A (zh) | 一种辅助驾驶中压线检测方法 | |
CN108564120A (zh) | 基于深度神经网络的特征点提取方法 | |
CN108073926A (zh) | 一种车牌识别方法及装置 | |
CN107369204A (zh) | 一种基于深度学习从单幅照片恢复出场景基本三维结构的方法 | |
CN107886471A (zh) | 一种基于超像素投票模型的照片多余物体去除方法 | |
CN105574485A (zh) | 一种车辆信息识别方法及*** | |
CN109448058A (zh) | 装载位置三维坐标获取方法、***及图像识别设备 | |
CN112132848B (zh) | 一种基于图像图层分割抽取的预处理方法 | |
CN106504203A (zh) | 一种应用筛选策略的块匹配图像修复方法 | |
CN113688811B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN109785367A (zh) | 三维模型追踪中外点滤除方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |