CN106570503A - 识别车身颜色的方法和*** - Google Patents
识别车身颜色的方法和*** Download PDFInfo
- Publication number
- CN106570503A CN106570503A CN201610392889.1A CN201610392889A CN106570503A CN 106570503 A CN106570503 A CN 106570503A CN 201610392889 A CN201610392889 A CN 201610392889A CN 106570503 A CN106570503 A CN 106570503A
- Authority
- CN
- China
- Prior art keywords
- body color
- training
- original sample
- carried out
- picture
- 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.)
- Pending
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
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种准确可靠的识别车身颜色的方法和***,以解决现有技术中的问题。本发明的识别车身颜色的方法,包括:步骤A:获取原始样本集,原始样本集包括多个经过标定车身颜色的原始样本图片;步骤B:对原始样本集中进行数据预处理和数据增强,得到训练样本集;步骤C:对训练样本集进行深度网络训练,得到车身颜色识别模型;步骤D:将测试图片输入车身颜色识别模型,得到对应的车身颜色概率向量,然后根据车身颜色概率向量得到车身颜色识别结果。
Description
技术领域
本发明涉及计算机网络及计算机软件技术领域,特别地涉及一种识别车身颜色的方法和***。
背景技术
随着智能交通***(Intelligent Transportation System,简称ITS)的广泛应用,车身颜色识别技术也得到了重视。
现有的基于视觉信息(图片或者视频)识别车身颜色的现有技术方案通常做法是分两个步骤进行:
(1)在图片中检测到相关车辆的坐标位置。利用一个车辆检测器检测一张图片中的所有车辆,然后将相关车辆在图片上的坐标位置输出出来,给出了坐标点构成一个可以框住相关车辆的框(bounding box),每一个bounding box只框住一辆车。如果一张图片中有多辆车,则有多个bounding box与其对应。
(2)将相关车辆按照其对应的坐标位置从原始图片中剪切出来,也就是按照bounding box将一将剪切后的图片放入一个分类器中,分类器的输出结果是这辆车的识别结果。具体做法如下:将原始图片输入(像素值)转化为人们手动定义的特征(human-engineered features),比如尺度不变特征变换SIFT(Scale-invariant featuretransform),方向梯度直方图HOG(Histogram of Oriented Gradient)特征等。然后将这些变换后的特征放入分类器中进行分类,得到物体的识别结果,对应本专利中的车身颜色信息。
上述技术方案中主要有三个主要缺点。
第一,准确率偏低、容易误报。产生这个问题的主要原因是现有算法对于强光照、黑暗、阴影、曝光过强等干扰颜色的情况的处理非常弱,所以当这些情况发生的时候,模型的颜色判定能力会变得非常不好,产生大量颜色误报。
第二,现有算法基于手工定义特征,而非完全端到端(end-to-end)的数据驱动。端到端的数据驱动意味着模型的输入是原始图片,输出是想要的车身颜色分类结果,中间层的特征提取不需要人手动参与,而完全由数据自我驱动。
第三,传统方法采用的是“浅层”模型,即特征提取层只有一个,而且没有经过非线性变换,这样造成的后果就是特征提取的不充分,提取出来的特征不足以刻画问题的本质,因此造成模型判定能力的不足。
发明内容
有鉴于此,本发明提供一种准确可靠的识别车身颜色的方法和***,以解决现有技术中的问题。
本发明第一方面提出一种识别车身颜色的方法,包括:步骤A:获取原始样本集,所述原始样本集包括多个经过标定车身颜色的原始样本图片;步骤B:对所述原始样本集中进行数据预处理和数据增强,得到训练样本集;步骤C:对所述训练样本集进行深度网络训练,得到车身颜色识别模型;步骤D:将测试图片输入所述车身颜色识别模型,得到对应的车身颜色概率向量,然后根据所述车身颜色概率向量得到车身颜色识别结果。
可选地,所述步骤B包括:步骤B1:对所述原始样本集中的各个图片进行尺寸统一化操作;步骤B2:将所述原始样本集的尺寸统一化操作结果中的各个图片进行数量自增强操作;步骤B3:对数量自增强操作的结果中的各个图片RGB通道上的像素值进行数值中心化操作和数值缩小化操作,得到所述训练样本集。
可选地,所述步骤C包括:采用包括五个卷积层、五个池化层和三个全连接层的网络结构对所述训练样本集进行深度网络训练,得到车身颜色识别模型。
本发明第二方面提出一种识别车身颜色的***,包括:获取模块,用于获取原始样本集,所述原始样本集包括多个经过标定车身颜色的原始样本图片;处理模块,用于对所述原始样本集中进行数据预处理和数据增强,得到训练样本集;模型训练模块,用于对所述训练样本集进行深度网络训练,得到车身颜色识别模型;模型测试模块,用于将测试图片输入所述车身颜色识别模型,得到对应的车身颜色概率向量,然后根据所述车身颜色概率向量得到车身颜色识别结果。
可选地,所述处理模块还用于:对所述原始样本集中的各个图片进行尺寸统一化操作;将所述原始样本集的尺寸统一化操作结果中的各个图片进行数量自增强操作;对数量自增强操作的结果中的各个图片RGB通道上的像素值进行数值中心化操作和数值缩小化操作,得到所述训练样本集。
可选地,所述模型训练模块还用于:采用包括五个卷积层、五个池化层和三个全连接层的网络结构对所述训练样本集进行深度网络训练,得到车身颜色识别模型。
本发明的技术方案基于神经网络和深度学习技术来识别图片中的车身颜色,至少具有如下有益效果:(1)大幅提升了算法的准确性,降低了误报。(2)使用了深度网络,克服了浅层网络特征提取不充分的问题。(3)完全由数据驱动的端到端的模型,没有引入手动定义的特征。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施方式的识别车身颜色的方法的主要步骤的示意图;
图2是根据本发明实施方式的识别车身颜色的方法中的深度学习网络的示意图;
图3是根据本发明实施方式的识别车身颜色的***的主要模块的示意图。
具体实施方式
以下结合附图对本发明的示范性实施方式做出说明,其中包括本发明实施方式的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施方式做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明实施方式的识别车身颜色的方法的主要步骤的示意图。如图1所示,该实施方式的识别车身颜色的方法主要包括如下的步骤A至步骤D。
步骤A:获取原始样本集,原始样本集包括多个经过标定车身颜色的原始样本图片。
例如:提供多张原始的车辆图片,通过人工标定将车辆图片中的汽车划定为12类车身颜色中的某一种颜色。一张车辆图片以及对应的车身颜色属性(例如黑色)可以视为一个样本数据。
步骤B:对原始样本集中进行数据预处理和数据增强,得到训练样本集。可选地,步骤B可以具体包括如下的步骤B1至步骤B3。
步骤B1:对原始样本集中的各个图片进行尺寸统一化操作。
例如:多张原始车辆图片可能尺寸大小不一致,需要通过缩放变换全部变成128×128(单位为像素,下文略)的图片。
步骤B2:将原始样本集的尺寸统一化操作结果中的各个图片进行数量自增强操作。
例如:尽管原始样本集中有多条样本数据,但仍然可以通过自增强操作来进一步增加样本数据量。具体地,可以从上面的一张128×128的图片中多次地随机地选取118×118的局部作为新样本数据,也就是说可以从原先一个原有样本数据中获得多个衍生样本数据。
步骤B3:对数量自增强操作的结果中的各个图片RGB通道上的像素值进行数值中心化操作和数值缩小化操作,得到训练样本集。
例如:常规情况下RGB通道上的像素数值是0到255之间。数值中心化就是将每个像素值减去128。数值缩小化操作就是将减去128后的值再乘以0.01。经过这样的数值处理之后有利于后边的数值运算。
步骤C:对训练样本集进行深度网络训练,得到车身颜色识别模型。
可选地,可以采用包括五个卷积层(convolutional layer)、五个池化层(poolinglayer)和三个全连接层(fully connected layer)的网络结构对训练样本集进行深度网络训练,得到车身颜色识别模型。图2是根据本发明实施方式的识别车身颜色的方法中的深度学习网络的示意图。
图2中所示的算法先后使用了五个卷积层,每个卷积层后面都会跟上相应池化层,最后再接上三个全连接层。其中最后一个全连接层的输出个数即是颜色分类的数目,全连接层上的每一个输出节点对应该图片是相应车辆类别的概率,此操作成为softmax。最后将该输出概率(为一数组)与真实标定类别(为一个等长数组)比较,使用cross entropy lossfunction来度量模型输出结果与真实值的差异。该差异会反逐层反传到网络中,进行模型的参数训练。
具体地,将经过训练样本集中的图片进行卷积层一(进行第一次卷积运算),即使用一个固定大小的卷积核以一定的步长扫描整幅图片。在任一卷积核扫到的位置,将卷积核里面的参数值与对应位置的像素值做加乘运算得到一个输出值,最后再将这个输出值做一个非线性变化之后得到对应位置最终的输出值。这样一副图片经过一个卷积层之后,就会变成另一个“图片”,这幅新的“图片”的高度、宽度以及通道数目都是可以被预先指定的。卷积操作通过卷积核将原始图片的像素值做线性相加然后做非线性变换,目的是提取一副图片的高维度信息。接着将经过第一个卷积层操作的特征图片经过一个池化层。池化层不包括任何参数,这一层的目的是将特征图片降维然后找到局部最大值响应。然后将卷积层一和池化层一得到的图片经过下一个卷积层二,目的是提取比第一个卷积操作更高维度的信息。将经过两个卷积操作和一个池化操作后得到的特征图片再经过一个池化层(即经过池化层二)。将第二个池化层得到的特征图再顺序地放入卷积层三、池化层三、卷积层四、池化层四以及卷积层五中去,然后将经过以上操作之后输出的特征图放入最后一个池化层(即池化层五)中去,给特征图降维。然后,将输出的特征图片放入一个全连接层。全连接操作与卷积操作类似,都是进行加乘运算之后做非线性边换。不同的是卷积操作是网络神经元的局部连接,而全连接操作是两层之间的每一个神经元都有连接关系。全连接操作的目的是在特征图整理范围内进一步提取高维度信息。全连接层的输出已经不是一个特征图片了,而是一个特征向量。类似地,将上一个全连接的输出再顺序地通过另外两个全连接。由于国家标准规定的汽车颜色是十二种颜色,因此设定最后的输出为一个12个维度的特征向量。12个维度的每一个数值代表这副图片在12种颜色上的激活值。最后,将最后一个全连接层神经元吐出来的数值做一个softmax变换,将其转化为概率输出数值,即softmax操作使得每一个神经元的输出变成其对应颜色的概率数值。每一个概率数值都在0到1之间,而且它们的和为1。
步骤D:将测试图片输入车身颜色识别模型,得到对应的车身颜色概率向量,然后根据车身颜色概率向量得到车身颜色识别结果。
图3是根据本发明实施方式的识别车身颜色的***的主要模块的示意图。如图3所示,该实施方式的识别车身颜色的***,包括:获取模块100、处理模块200、模型训练模块300和模型测试模块400。
获取模块100用于获取原始样本集,原始样本集包括多个经过标定车身颜色的原始样本图片。处理模块200用于对原始样本集中进行数据预处理和数据增强,得到训练样本集。模型训练模块300用于对训练样本集进行深度网络训练,得到车身颜色识别模型。模型测试模块400用于将测试图片输入车身颜色识别模型,得到对应的车身颜色概率向量,然后根据车身颜色概率向量得到车身颜色识别结果。
可选地,处理模块200还用于:对原始样本集中的各个图片进行尺寸统一化操作;将原始样本集的尺寸统一化操作结果中的各个图片进行数量自增强操作;对数量自增强操作的结果中的各个图片RGB通道上的像素值进行数值中心化操作和数值缩小化操作,得到训练样本集。
可选地,模型训练模块300还用于:采用包括五个卷积层、五个池化层和三个全连接层的网络结构对训练样本集进行深度网络训练,得到车身颜色识别模型。
本发明的技术方案基于神经网络和深度学习技术来识别图片中的车身颜色,至少具有如下有益效果:(1)大幅提升了算法的准确性,降低了误报。(2)使用了深度网络,克服了浅层网络特征提取不充分的问题。(3)完全由数据驱动的端到端的模型,没有引入手动定义的特征。
经过实验证明,利用本发明提出的识别车身颜色的方法和***能够准确可靠地区分国家法定的12类的车身颜色,在独立测试集合的准确率>97%。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (6)
1.一种识别车身颜色的方法,其特征在于,包括:
步骤A:获取原始样本集,所述原始样本集包括多个经过标定车身颜色的原始样本图片;
步骤B:对所述原始样本集中进行数据预处理和数据增强,得到训练样本集;
步骤C:对所述训练样本集进行深度网络训练,得到车身颜色识别模型;
步骤D:将测试图片输入所述车身颜色识别模型,得到对应的车身颜色概率向量,然后根据所述车身颜色概率向量得到车身颜色识别结果。
2.根据权利要求1所述的识别车身颜色的方法,其特征在于,所述步骤B包括:
步骤B1:对所述原始样本集中的各个图片进行尺寸统一化操作;
步骤B2:将所述原始样本集的尺寸统一化操作结果中的各个图片进行数量自增强操作;
步骤B3:对数量自增强操作的结果中的各个图片RGB通道上的像素值进行数值中心化操作和数值缩小化操作,得到所述训练样本集。
3.根据权利要求1所述的识别车身颜色的方法,其特征在于,所述步骤C包括:
采用包括五个卷积层、五个池化层和三个全连接层的网络结构对所述训练样本集进行深度网络训练,得到车身颜色识别模型。
4.一种识别车身颜色的***,其特征在于,包括:
获取模块,用于获取原始样本集,所述原始样本集包括多个经过标定车身颜色的原始样本图片;
处理模块,用于对所述原始样本集中进行数据预处理和数据增强,得到训练样本集;
模型训练模块,用于对所述训练样本集进行深度网络训练,得到车身颜色识别模型;
模型测试模块,用于将测试图片输入所述车身颜色识别模型,得到对应的车身颜色概率向量,然后根据所述车身颜色概率向量得到车身颜色识别结果。
5.根据权利要求4所述的识别车身颜色的***,其特征在于,所述处理模块还用于:
对所述原始样本集中的各个图片进行尺寸统一化操作;
将所述原始样本集的尺寸统一化操作结果中的各个图片进行数量自增强操作;
对数量自增强操作的结果中的各个图片RGB通道上的像素值进行数值中心化操作和数值缩小化操作,得到所述训练样本集。
6.根据权利要求4所述的识别车身颜色的***,其特征在于,所述模型训练模块还用于:采用包括五个卷积层、五个池化层和三个全连接层的网络结构对所述训练样本集进行深度网络训练,得到车身颜色识别模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610392889.1A CN106570503A (zh) | 2016-05-26 | 2016-05-26 | 识别车身颜色的方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610392889.1A CN106570503A (zh) | 2016-05-26 | 2016-05-26 | 识别车身颜色的方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106570503A true CN106570503A (zh) | 2017-04-19 |
Family
ID=58532153
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610392889.1A Pending CN106570503A (zh) | 2016-05-26 | 2016-05-26 | 识别车身颜色的方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106570503A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106326848A (zh) * | 2016-08-17 | 2017-01-11 | 刘华英 | 交通设备的属性识别方法和装置 |
CN109273071A (zh) * | 2018-08-23 | 2019-01-25 | 广东数相智能科技有限公司 | 一种建立白色物体对比模型的方法 |
CN109508721A (zh) * | 2018-11-08 | 2019-03-22 | 烟台职业学院 | 基于OpenCV的图形识别与颜色识别的实现 |
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 |
CN109919890A (zh) * | 2019-03-06 | 2019-06-21 | 颐保医疗科技(上海)有限公司 | 一种应用于医药识别的数据增强方法 |
CN110751037A (zh) * | 2019-09-17 | 2020-02-04 | 中控智慧科技股份有限公司 | 车身颜色识别的方法及终端设备 |
-
2016
- 2016-05-26 CN CN201610392889.1A patent/CN106570503A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106326848A (zh) * | 2016-08-17 | 2017-01-11 | 刘华英 | 交通设备的属性识别方法和装置 |
CN109273071A (zh) * | 2018-08-23 | 2019-01-25 | 广东数相智能科技有限公司 | 一种建立白色物体对比模型的方法 |
CN109508721A (zh) * | 2018-11-08 | 2019-03-22 | 烟台职业学院 | 基于OpenCV的图形识别与颜色识别的实现 |
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 |
CN109919890A (zh) * | 2019-03-06 | 2019-06-21 | 颐保医疗科技(上海)有限公司 | 一种应用于医药识别的数据增强方法 |
CN109919890B (zh) * | 2019-03-06 | 2023-01-20 | 颐保医疗科技(上海)有限公司 | 一种应用于医药识别的数据增强方法 |
CN110751037A (zh) * | 2019-09-17 | 2020-02-04 | 中控智慧科技股份有限公司 | 车身颜色识别的方法及终端设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106570503A (zh) | 识别车身颜色的方法和*** | |
CN107133616B (zh) | 一种基于深度学习的无分割字符定位与识别方法 | |
CN110399821B (zh) | 基于人脸表情识别的顾客满意度获取方法 | |
CN106778682B (zh) | 一种卷积神经网络模型的训练方法及其设备 | |
Latha et al. | Automatic detection of tea leaf diseases using deep convolution neural network | |
EP3261017A1 (en) | Image processing system to detect objects of interest | |
CN109684922B (zh) | 一种基于卷积神经网络的多模型对成品菜的识别方法 | |
CN111914907A (zh) | 一种基于深度学习空谱联合网络的高光谱图像分类方法 | |
CN106845418A (zh) | 一种基于深度学习的高光谱图像分类方法 | |
CN110717553A (zh) | 一种基于自衰减权重和多局部约束的交通违禁品识别方法 | |
US11605163B2 (en) | Automatic abnormal cell recognition method based on image splicing | |
CN111428556B (zh) | 一种基于胶囊神经网络的交通标志识别方法 | |
CN106960176B (zh) | 一种基于超限学习机和颜色特征融合的行人性别识别方法 | |
CN110163077A (zh) | 一种基于全卷积神经网络的车道识别方法 | |
CN103488974A (zh) | 基于模拟生物视觉神经网络的人脸表情识别方法及*** | |
CN106023224A (zh) | 一种中药材显微图像的pcnn自动分割方法 | |
KR101777601B1 (ko) | 초서체 또는 흘림체로 작성된 문자의 판별 방법 및 시스템 | |
CN110647875A (zh) | 一种血细胞分割、识别模型构造的方法及血细胞识别方法 | |
CN106934392A (zh) | 基于多任务学习卷积神经网络的车标识别及属性预测方法 | |
CN110751644B (zh) | 道路表面裂纹检测方法 | |
CN109948696A (zh) | 一种多语言场景字符识别方法及*** | |
CN110969171A (zh) | 基于改进卷积神经网络的图像分类模型、方法及应用 | |
Saidane et al. | Robust binarization for video text recognition | |
CN111553209B (zh) | 一种基于卷积神经网络和时间序列图的司机行为识别方法 | |
CN109523514A (zh) | 对逆合成孔径雷达isar的批量成像质量评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
DD01 | Delivery of document by public notice | ||
DD01 | Delivery of document by public notice |
Addressee: Ding Peng Document name: Notification to Make Rectification |
|
DD01 | Delivery of document by public notice | ||
DD01 | Delivery of document by public notice |
Addressee: Ding Peng Document name: Notification of Passing Examination on Formalities |
|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170419 |