CN110503696B - 一种基于超像素采样的车脸颜色特征检测方法 - Google Patents
一种基于超像素采样的车脸颜色特征检测方法 Download PDFInfo
- Publication number
- CN110503696B CN110503696B CN201910615807.9A CN201910615807A CN110503696B CN 110503696 B CN110503696 B CN 110503696B CN 201910615807 A CN201910615807 A CN 201910615807A CN 110503696 B CN110503696 B CN 110503696B
- Authority
- CN
- China
- Prior art keywords
- image
- sampling
- super
- car face
- superpixel
- 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.)
- Active
Links
- 238000005070 sampling Methods 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 title claims abstract description 9
- 230000011218 segmentation Effects 0.000 claims abstract description 11
- 238000012216 screening Methods 0.000 claims abstract description 8
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于超像素采样的车脸颜色特征检测方法,包括如下步骤:步骤1:已知车辆图像I、车窗下、左、右三条边线lWB、lWL、lWR、左右边线lL、lR的对应角度θL、θR;步骤2:将直线lWB、lWL、lWR、图像I底边围成的区域确定为车脸区域,将其对应的图像记为IF;步骤3:使用超像素分割算法对图像IF进行超像素分割,得到超像素集S;步骤4:将车脸区域划分为18个采样区域;步骤5:在每个采样区域内筛选得到一个超像素;步骤6:18个超像素分别采用76维HSV颜色直方图进行表示。本发明的有益效果是:降低了特征的维度同时将图像颜色空间分布信息融入特征,使特征具备更强的区分性。
Description
技术领域
本发明涉及数字图像处理领域,具体是一种基于超像素采样的车脸颜色特征检测方法。
背景技术
颜色是车辆最直观的信息,且对图像质量、尺寸、方向不敏感,是车辆识别、匹配等应用中不可或缺的重要依据。颜色特征表达的精准性是决定最终颜色识别效果的关键因素。
常用的颜色特征包括颜色直方图、颜色矩等。图像在颜色空间上通过量化生成特征向量的过程就是图像颜色信息压缩的过程,其目的是得到图像更加精简统一的描述方式,去除冗余的无效信息,方便计算机进行后续的分析判断,但与此同时也必然会造成一些信息的丢失,而这些丢失的信息可能在某些场景下是进行图像分辨的关键。
针对现有颜色特征的不足,本发明认为通过降低识别单元的颜色复杂度、降低信息压缩后的失真率来优化特征表达的精准度,因此本发明以超像素为基本颜色识别单元,同时根据车脸区域的颜色分布特点,使用环形不均匀超像素采样策略来筛选得到定量的有代表性的超像素,最后通过串联这些超像素的HSV直方图特征来得到最终的车脸颜色特征。
发明内容
针对现有技术中存在的问题,本发明的目的在于提供一种基于超像素采样的车脸颜色特征检测方法。
本发明的技术方案如下:
一种基于超像素采样的车脸颜色特征检测方法,其特征在于,包括如下步骤:
步骤1:已知车辆图像I、车窗下、左、右三条边线lWB、lWL、lWR、左右边线lL、lR的对应角度θL、θR,其中,θL、θR分别为水平线到车窗左右边线的逆时针夹角;
步骤2:将直线lWB、lWL、lWR、图像I底边围成的区域确定为车脸区域,将其对应的图像记为IF;
步骤3:使用超像素分割算法对图像IF进行超像素分割,得到超像素集S;
步骤4:将车脸区域划分为18个采样区域,18个采样区域由12条射线l0,l1,l2,…,l11、一个圆形c1、一个半圆c2划分而成;其中,射线l0为平行于车窗底边且右端点为图像IF的中心点的射线,余下的等分射线l1、l2、…、l11由起始等分射线l0以图像IF的中心点为旋转中心,沿着顺时针方向依次旋转30°确定,c1为车脸图像IF的内切圆,其圆心为图像IF的中心点、直径等于图像IF的边长,c2的圆心为图像IF的中心点,直径等于图像IF的边长的一半,且圆弧起始于等分线l0终止于等分线l6。
步骤5:在每个采样区域内筛选得到一个超像素,该超像素需要包含采样区域中心点,最终筛选得到18个超像素;
步骤6:18个超像素分别采用76维HSV颜色直方图进行表示,其中H通道量化为36级,S、V通道分别量化为20级,最终串联这18个超像素的特征得到1368维的车脸颜色特征。
本发明的有益效果是:本发明提出的基于超像素采样颜色特征不仅包含了每个超像素的局部颜色信息,还包含了基于多个超像素的全局颜色信息,同时通过使用基于车脸颜色分布特点采样策略,降低了特征的维度同时将图像颜色空间分布信息融入特征,使特征具备更强的区分性。
附图说明
图1是车辆图像;
图2是车脸图像;
图3是车脸图像的超像素分割结果;
图4是车脸图像的采样区域划分结果;
图5是车脸图像上采样区域的划分效果。
具体实施方式
下面结合具体实例,对一种基于超像素采样的车脸颜色特征检测方法实施的过程进行详细的说明。
基于超像素采样的车脸颜色特征检测方法,具体步骤如下:
步骤1:已知车辆图像I、车窗下、左、右三条边线lWB、lWL、lWR、左右边线lL、lR的对应角度θL、θR,其中,θL、θR分别为水平线到车窗左右边线的逆时针夹角;
在本实例中,用于说明的车辆图像I如图1所示;
步骤2:将直线lWB、lWL、lWR、图像I底边围成的区域确定为车脸区域,将其对应的图像记为IF;
在本实例中,根据步骤2确定的车脸图像IF如图2所示;
步骤3:使用超像素分割算法对图像IF进行超像素分割,得到超像素集S;在本实施例中,采用的超像素分割算法为Slic方法;
在本实例中,根据步骤3得到的车脸图像IF的超像素分割结果如图3所示;
步骤4:将车脸区域划分为18个采样区域,18个采样区域由12条射线l0,l1,l2,…,l11、一个圆形c1、一个半圆c2划分而成;其中,射线l0为平行于车窗底边且右端点为图像IF的中心点的射线,余下的等分射线l1、l2、…、l11由起始等分射线l0以图像IF的中心点为旋转中心,沿着顺时针方向依次旋转30°确定,c1为车脸图像IF的内切圆,其圆心为图像IF的中心点、直径等于图像IF的边长,c2的圆心为图像IF的中心点,直径等于图像IF的边长的一半,且圆弧起始于等分线l0终止于等分线l6。
在本实例中,根据步骤4确定的车脸采样区域划分结果如图4所示,且其在车脸图像上的对应效果如图5所示;
步骤5:在每个采样区域内筛选得到一个超像素,该超像素需要包含采样区域中心点,最终筛选得到18个超像素;
步骤6:18个超像素分别采用76维HSV颜色直方图进行表示,其中H通道量化为36级,S、V通道分别量化为20级,最终串联这18个超像素的特征得到1368维的车脸颜色特征。
Claims (1)
1.一种基于超像素采样的车脸颜色特征检测方法,其特征在于,包括如下步骤:
步骤1:已知车辆图像I、车窗下、左、右三条边线lWB、lWL、lWR、左右边线lL、lR的对应角度θL、θR,其中,θL、θR分别为水平线到车窗左右边线的逆时针夹角;
步骤2:将直线lWB、lWL、lWR、图像I底边围成的区域确定为车脸区域,将其对应的图像记为IF;
步骤3:使用超像素分割算法对图像IF进行超像素分割,得到超像素集S;
步骤4:将车脸区域划分为18个采样区域,18个采样区域由12条射线l0,l1,l2,…,l11、一个圆形c1、一个半圆c2划分而成;其中,射线l0为平行于车窗底边且右端点为图像IF的中心点的射线,余下的等分射线l1、l2、…、l11由起始等分射线l0以图像IF的中心点为旋转中心,沿着顺时针方向依次旋转30°确定,c1为车脸图像IF的内切圆,其圆心为图像IF的中心点、直径等于图像IF的边长,c2的圆心为图像IF的中心点,直径等于图像IF的边长的一半,且圆弧起始于等分线l0终止于等分线l6;
步骤5:在每个采样区域内筛选得到一个超像素,该超像素需要包含采样区域中心点,最终筛选得到18个超像素;
步骤6:18个超像素分别采用76维HSV颜色直方图进行表示,其中H通道量化为36级,S、V通道分别量化为20级,最终串联这18个超像素的特征得到1368维的车脸颜色特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910615807.9A CN110503696B (zh) | 2019-07-09 | 2019-07-09 | 一种基于超像素采样的车脸颜色特征检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910615807.9A CN110503696B (zh) | 2019-07-09 | 2019-07-09 | 一种基于超像素采样的车脸颜色特征检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110503696A CN110503696A (zh) | 2019-11-26 |
CN110503696B true CN110503696B (zh) | 2021-09-21 |
Family
ID=68586145
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910615807.9A Active CN110503696B (zh) | 2019-07-09 | 2019-07-09 | 一种基于超像素采样的车脸颜色特征检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110503696B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104240266A (zh) * | 2014-09-04 | 2014-12-24 | 成都理想境界科技有限公司 | 基于颜色-结构特征的目标对象跟踪方法 |
CN105550701A (zh) * | 2015-12-09 | 2016-05-04 | 福州华鹰重工机械有限公司 | 实时图像提取识别方法及装置 |
CN106651886A (zh) * | 2017-01-03 | 2017-05-10 | 北京工业大学 | 一种基于超像素聚类优化cnn的云图分割方法 |
CN109165659A (zh) * | 2018-08-29 | 2019-01-08 | 浙江工业大学 | 一种基于超像素分割的车辆颜色识别方法 |
CN109389601A (zh) * | 2018-10-19 | 2019-02-26 | 山东大学 | 基于像素间相似性的彩色图像超像素分割方法 |
-
2019
- 2019-07-09 CN CN201910615807.9A patent/CN110503696B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104240266A (zh) * | 2014-09-04 | 2014-12-24 | 成都理想境界科技有限公司 | 基于颜色-结构特征的目标对象跟踪方法 |
CN105550701A (zh) * | 2015-12-09 | 2016-05-04 | 福州华鹰重工机械有限公司 | 实时图像提取识别方法及装置 |
CN106651886A (zh) * | 2017-01-03 | 2017-05-10 | 北京工业大学 | 一种基于超像素聚类优化cnn的云图分割方法 |
CN109165659A (zh) * | 2018-08-29 | 2019-01-08 | 浙江工业大学 | 一种基于超像素分割的车辆颜色识别方法 |
CN109389601A (zh) * | 2018-10-19 | 2019-02-26 | 山东大学 | 基于像素间相似性的彩色图像超像素分割方法 |
Non-Patent Citations (2)
Title |
---|
Semantic Superpixel based Vehicle Tracking;Liwei Liu et al;《21st International conference on pattern recognition》;20121115;全文 * |
基于超像素和压缩特征的目标跟踪算法研究;郭利;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180815;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110503696A (zh) | 2019-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yu et al. | Region normalization for image inpainting | |
CN107578418B (zh) | 一种融合色彩和深度信息的室内场景轮廓检测方法 | |
CN103971128A (zh) | 一种面向无人驾驶车的交通标志识别方法 | |
CN105100640B (zh) | 一种局部配准并行视频拼接方法及*** | |
CN115830033B (zh) | 基于机器视觉的汽车轮毂表面缺陷检测方法 | |
CN110751612A (zh) | 多通道多尺度卷积神经网络的单幅图像去雨方法 | |
CN107977960B (zh) | 一种基于改进的susan算子的轿车表面划痕检测算法 | |
CN112767369A (zh) | 小五金的缺陷识别检测方法、装置及计算机可读存储介质 | |
WO2021004130A1 (zh) | Logo缺陷检测方法及装置 | |
Kang et al. | Ddcolor: Towards photo-realistic image colorization via dual decoders | |
CN109325487B (zh) | 一种基于目标检测的全种类车牌识别方法 | |
JP2022504454A (ja) | フォーム認識方法、フォーム抽出方法および関連する装置 | |
CN114863492B (zh) | 一种低质量指纹图像的修复方法及修复装置 | |
CN103761736B (zh) | 一种基于贝叶斯和谐度的图像分割方法 | |
CN109166092A (zh) | 一种图像缺陷检测方法及*** | |
CN111881743A (zh) | 一种基于语义分割的人脸特征点定位方法 | |
CN112465842A (zh) | 基于U-net网络的多通道视网膜血管图像分割方法 | |
CN117593295B (zh) | 一种手机数据线生产缺陷无损检测方法 | |
CN110503696B (zh) | 一种基于超像素采样的车脸颜色特征检测方法 | |
CN108090914B (zh) | 基于统计建模与像素分类的彩色图像分割方法 | |
Zihao et al. | Printed Surface Defect Detection Model Based on Positive Samples. | |
CN110490210B (zh) | 一种基于紧致通道间t采样差分的彩色纹理分类方法 | |
CN108122233B (zh) | 基于局部像素综合特征的彩色图像分割方法 | |
CN110458841B (zh) | 一种提高图像分割运行速率的方法 | |
CN110020986B (zh) | 基于欧氏子空间群两重映射的单帧图像超分辨率重建方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A method for detecting car face color features based on superpixel sampling Effective date of registration: 20231127 Granted publication date: 20210921 Pledgee: Zhejiang Lishui Liandu Rural Commercial Bank Co.,Ltd. Pledgor: ZHEJIANG HAOTENG ELECTRON TECHNOLOGY CO.,LTD. Registration number: Y2023980067610 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |