CN111325211A - 车辆颜色的自动识别方法、电子装置、计算机设备和介质 - Google Patents
车辆颜色的自动识别方法、电子装置、计算机设备和介质 Download PDFInfo
- Publication number
- CN111325211A CN111325211A CN202010090012.3A CN202010090012A CN111325211A CN 111325211 A CN111325211 A CN 111325211A CN 202010090012 A CN202010090012 A CN 202010090012A CN 111325211 A CN111325211 A CN 111325211A
- Authority
- CN
- China
- Prior art keywords
- vehicle body
- vehicle
- image
- color
- body 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.)
- Pending
Links
Images
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
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请提供的一种车辆颜色的自动识别方法、电子装置、计算机设备和介质,通过获取待检测车辆图像;基于车身语义分割模型识别所述待检测车辆图像中的车身区域,以得到车身区域图像;对所述车身区域图像进行处理,并将处理后的所述车身区域图像输入车身颜色分类模型,以得到分类结果;将所述分类结果与待检测车辆对应的档案中记录的颜色进行比对,以判断所述分类结果表征的颜色与所述档案中记录的颜色是否一致。本申请能够简化了任务复杂度,提高工作效率,降低工作成本,保证车辆年检审核的公平公正公开。
Description
技术领域
本发明涉及的深度学习的目标检测技术领域,特别是涉及一种车辆颜色的自动识别方法、电子装置、计算机设备和介质。
背景技术
随着人们生活水平的日益提高,机动车数量也随之剧增,车管所车辆年检的工作量也随之增大。车辆外观颜色识别是其中很重要的一环。传统的车辆外观颜色判定识别采用的是人工判定的方式,该方式的人力成本较高、受主观影响较大、效率较低。传统的图像处理方式采用rgb通道转成hsv通道,再进行像素统计的方式对图像中颜色进行统计,出现频率最高的颜色为车辆颜色,该方式受拍摄光照的影响比较大,统计结果往往不准确。
发明内容
鉴于以上所述现有技术的缺点,本申请的目的在于提供一种车辆颜色的自动识别方法、电子装置、计算机设备和介质,以解决现有技术中的问题。
为实现上述目的及其他相关目的,本申请提供一种车辆颜色的自动识别方法,所述方法包括:获取待检测车辆图像;基于车身语义分割模型识别所述待检测车辆图像中的车身区域,以得到车身区域图像;对所述车身区域图像进行处理,并将处理后的所述车身区域图像输入车身颜色分类模型,以得到分类结果;将所述分类结果与待检测车辆对应的档案中记录的颜色进行比对,以判断所述分类结果表征的颜色与所述档案中记录的颜色是否一致。
于本申请的一实施例中,所述车身语义分割模型的获取方法包括:获取不同拍摄条件下得到车辆样本图像,每一所述车辆样本图像中均包括一个待检测车辆;分别对各所述车辆样本图像中待检测车辆的车身区域进行标注;使用标注后的各所述车辆样本图像进行训练,以获得所述车身语义分割模型。
于本申请的一实施例中,所述分别对各所述车辆样本图像中待检测车辆的车身区域进行标注,包括:判断所述待检测车辆的车身区域是否属于圆滑区域;若是,则获取所述圆滑区域的若干边界点,并根据所述若干边界点进行曲线拟合,以对所述待检测车辆的车身区域进行标注。
于本申请的一实施例中,所述使用标注后的各所述车辆样本图像进行训练,以获得所述车身语义分割模型,包括:将标注后的各所述车辆样本图像输入语义分割网络进行训练;其中,所述语义分割网络的初始学习率为0.001;当所述语义分割网络收敛时,停止训练,得到所述车身语义分割模型。
于本申请的一实施例中,所述对所述车身区域图像进行处理,包括:获取所述车身区域图像中车身区域的外接矩形;依据所述外接矩形对所述车身区域图像进行截取,以增加所述车身区域占所述车身区域图像的比例,得到比例调整后的车身区域图像;将所述比例调整后的车身区域图像中目标区域的像素值修改为黑色对应的像素值,得到所述处理后的所述车身区域图像;其中,所述目标区域包括:车窗、车灯、轮胎、及车标中任意一个或多个。
于本申请的一实施例中,所述颜色分类模型的获取方法包括:获取不同拍摄条件下得到的车身区域图像;分别对各所述车身区域图像中的颜色进行标注;使用标注后的各所述车身区域图像进行训练,以获得所述车身颜色分类模型。
于本申请的一实施例中,所述使用标注后的各所述车身区域图像进行训练,以获得所述车身颜色分类模型,包括:确定残差网络中的普通卷积,将膨胀卷积替换所述普通卷积;将所述残差网络中的目标通道数进行裁剪,以及,将所述残差网络中最后连接的一全连接层的输入尺寸值修改为与所述车身颜色的种类数量相同的数值,以得到调整后的残差网络;根据调整后的残差网络,对标注后的各所述车身区域图像进行训练;当所述调整后的残差网络收敛时,停止训练,得到所述车身颜色分类模型。
为实现上述目的及其他相关目的,本申请提供一种电子装置,所述装置包括:获取模块,用于获取待检测车辆图像;处理模块,用于基于车身语义分割模型识别所述待检测车辆图像中的车身区域,以得到车身区域图像;对所述车身区域图像进行处理,并将处理后的所述车身区域图像输入车身颜色分类模型,以得到分类结果;将所述分类结果与待检测车辆对应的档案中记录的颜色进行比对,以判断所述分类结果表征的颜色与所述档案中记录的颜色是否一致。
为实现上述目的及其他相关目的,本申请提供一种计算机设备,所述设备包括:存储器、及处理器;所述存储器用于存储计算机指令;所述处理器运行计算机指令实现如上所述的方法。
为实现上述目的及其他相关目的,本申请提供一种计算机可读存储介质,存储有计算机指令,所述计算机指令被运行时执行如上所述的方法。
综上所述,本申请的一种车辆颜色的自动识别方法、电子装置、计算机设备和介质,通过获取待检测车辆图像;基于车身语义分割模型识别所述待检测车辆图像中的车身区域,以得到车身区域图像;对所述车身区域图像进行处理,并将处理后的所述车身区域图像输入车身颜色分类模型,以得到分类结果;将所述分类结果与待检测车辆对应的档案中记录的颜色进行比对,以判断所述分类结果表征的颜色与所述档案中记录的颜色是否一致。
具有以下有益效果:
能够简化了任务复杂度,提高工作效率,降低工作成本,保证车辆年检审核的公平公正公开。
附图说明
图1显示为本申请于一实施例中的车辆颜色的自动识别方法的流程示意图。
图2显示为本申请于一实施例中的电子装置的模块示意图。
图3显示为本申请于一实施例中的计算机设备的结构示意图。
具体实施方式
以下通过特定的具体实例说明本申请的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本申请的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
下面以附图为参考,针对本申请的实施例进行详细说明,以便本申请所属技术领域的技术人员能够容易地实施。本申请可以以多种不同形态体现,并不限定于此处说明的实施例。
为了明确说明本申请,省略与说明无关的部件,对于通篇说明书中相同或类似的构成要素,赋予了相同的参照符号。
在通篇说明书中,当说某部件与另一部件“连接”时,这不仅包括“直接连接”的情形,也包括在其中间把其它元件置于其间而“间接连接”的情形。另外,当说某种部件“包括”某种构成要素时,只要没有特别相反的记载,则并非将其它构成要素排除在外,而是意味着可以还包括其它构成要素。
当说某部件在另一部件“之上”时,这可以是直接在另一部件之上,但也可以在其之间伴随着其它部件。当对照地说某部件“直接”在另一部件“之上”时,其之间不伴随其它部件。
虽然在一些实例中术语第一、第二等在本文中用来描述各种元件,但是这些元件不应当被这些术语限制。这些术语仅用来将一个元件与另一个元件进行区分。例如,第一接口及第二接口等描述。再者,如同在本文中所使用的,单数形式“一”、“一个”和“该”旨在也包括复数形式,除非上下文中有相反的指示。应当进一步理解,术语“包含”、“包括”表明存在所述的特征、步骤、操作、元件、组件、项目、种类、和/或组,但不排除一个或多个其他特征、步骤、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的,或意味着任一个或任何组合。因此,“A、B或C”或者“A、B和/或C”意味着“以下任一个:A;B;C;A和B;A和C;B和C;A、B和C”。仅当元件、功能、步骤或操作的组合在某些方式下内在地互相排斥时,才会出现该定义的例外。
此处使用的专业术语只用于言及特定实施例,并非意在限定本申请。此处使用的单数形态,只要语句未明确表示出与之相反的意义,那么还包括复数形态。在说明书中使用的“包括”的意义是把特定特性、区域、整数、步骤、作业、要素及/或成份具体化,并非排除其它特性、区域、整数、步骤、作业、要素及/或成份的存在或附加。
表示“下”、“上”等相对空间的术语可以为了更容易地说明在附图中图示的一部件相对于另一部件的关系而使用。这种术语是指,不仅是在附图中所指的意义,还包括使用中的装置的其它意义或作业。例如,如果翻转附图中的装置,曾说明为在其它部件“下”的某部件则说明为在其它部件“上”。因此,所谓“下”的示例性术语,全部包括上与下方。装置可以旋转90°或其它角度,代表相对空间的术语也据此来解释。
车辆年检中现有的车身颜色的识别方法往往采用人工判定的方式,该方式的人力成本比较高、受主观影响比较大。传统的图像处理方式采用RGB通道转成HSV通道,再进行像素统计的方式对图像中颜色进行统计,出现频率最高的颜色为车辆颜色,该方式受拍摄光照的影响比较大,统计结果往往不准确。
其中,RGB颜色则是常见的真实纯彩色,而HSV颜色则是依据色调(H),饱和度(S),明度进行调整的。HSV颜色模型中颜色的参数分别是:色调(H),饱和度(S),明度(V),HSV模型的三维表示从RGB立方体演化而来。设想从RGB沿立方体对角线的白色顶点向黑色顶点观察,就可以看到立方体的六边形外形。六边形边界表示色彩,水平轴表示纯度,明度沿垂直轴测。
本申请的目的在于,提出一种用于车辆年检的车身颜色的识别方法,采用深度学习的方式,让车辆年检过程变得更加智能。
本申请采用基于深度学***公正公开。
如图1所示,展示为本申请一实施例中的车辆颜色的自动识别方法的流程示意图。如图所示,所述方法包括:
步骤S101:获取待检测车牌图像。
于本实施例中,所述待检测车牌图像为车辆在年检时由人工或机器进行拍摄的对应车身的图像。即依据现有的待检测车牌图像或正常获取的待检测车辆图像以进行后续检测的过程。
其中,所述待检测车辆图像可以是不同角度、不同光照条件、不同拍摄角度、不同类型、不同颜色下的车辆图像。并且于一所述待检测车辆图像中需只能包含一辆待检车辆,否则该照片不规范。
步骤S102:基于车身语义分割模型识别所述待检测车辆图像中的车身区域,以得到车身区域图像。
于本申请一实施例中,所述车身语义分割模型的获取方法包括:
训练数据准备:获取不同拍摄条件下得到车辆样本图像,如获取不同角度、不同光照条件、不同拍摄角度、不同类型、不同颜色的车辆样本图像。即获取各种条件、状态、参数下的车辆样本图像,但是需要每一所述车辆样本图像中均包括一个待检测车辆,如果一图像中包含多个车辆时则为不规范图像。
数据标注:分别对各所述车辆样本图像中待检测车辆的车身区域进行标注,例如可用多边形对所车辆样本图像中的车身区域进行标注。
于本实施例中,这里车身区域主要包括:车顶、引擎盖、后备箱、及车辆侧面等区域,但不包括车窗、车灯、轮胎、车标等区域。
模型训练:使用标注后的各所述车辆样本图像进行训练,以获得所述车身语义分割模型。
于本实施例中,所述车身语义分割模型获取的详细步骤包括:
首先获取不同背景、不同光照、不同拍摄角度、不同类型、不同颜色的车检现场待检车辆拍摄的车辆样本图像。
其次,使用可用多边形对所有数据中的车身区域进行标注。其中,判断所述待检测车辆的车身区域是否属于圆滑区域;若是,则获取所述圆滑区域的若干边界点,并根据所述若干边界点进行曲线拟合,以对所述待检测车辆的车身区域进行标注。
然后,对标注好的数据进行数据增强,为了让模型更好地适应多尺度信息,对数据进行随机拓边,拓展的区域填充均值。接着,将标注后的各所述车辆样本图像输入语义分割网络segnet网络进行训练,优选地,所述语义分割网络的初始学习率可设置为0.001,学习率采用multi-step的方式随迭代次数增加而缩小,优化器采用SGD。
最后,当所述语义分割网络收敛时,停止训练,得到所述车身语义分割模型。
步骤S103:对所述车身区域图像进行处理,并将处理后的所述车身区域图像输入车身颜色分类模型,以得到分类结果。
于本申请一实施例中,所述对所述车身区域图像进行处理,包括:
A、获取所述车身区域图像中车身区域的外接矩形;
B、依据所述外接矩形对所述车身区域图像进行截取,以增加所述车身区域占所述车身区域图像的比例,得到比例调整后的车身区域图像;
C、将所述比例调整后的车身区域图像中目标区域的像素值修改为黑色对应的像素值,得到所述处理后的所述车身区域图像;其中,所述目标区域包括:车窗、车灯、轮胎、及车标中任意一个或多个。
于本实施例中,首先获得车身区域图像中车身区域的外接矩形,使用该矩形对车身区域图像进行截取,以增加所述车身区域占所述车身区域图像的比例,从而使得车身区域在图片中所占比例变大,尽量充满整个图片。然后将目标区域的像素值修改为黑色,保证图片中除了车身以外的地方全是黑色像素,以突出车身。其中,车身区域主要包括:车顶、引擎盖、后备箱、及车辆侧面等区域,而目标区域于本申请中主要指非车身主体上的区域,其包括但不限于:车窗、车灯、轮胎、车标等区域。经过这两步操作后的图片,即可作为颜色分类模型的输入。
于本申请一实施例中,所述颜色分类模型的获取方法包括:
训练数据准备:获取不同拍摄条件下得到的车身区域图像;
数据标注:分别对各所述车身区域图像中的颜色进行标注;
模型训练:使用标注后的各所述车身区域图像进行训练,以获得所述车身颜色分类模。
于本申请一实施例中,所述颜色分类模型获取的详细步骤包括:首先根据车身分割结果即所述车身区域图像,获取车身所在外接矩形,将根据矩形所在的位置和大小,在原图中把相应区域截取下来作为输入图片。然后,对输入图片进行预处理,具体可将非车身的所有像素点的像素值改为黑色(0,0,0),从而突出图像中的车身颜色。接着将处理后的图片作为模型的输入进行训练,可设置初始学习率为0.01,学习率采用poly的方式随地带次数的增加缓慢减小,其中,poly为一种调整学习率的策略,poly学习率曲线的形状主要由参数power的值来控制,这里的power可设为0.5,优化器采用Adam。另外,所训练的基于深度学习的分类模型的结构是在resnet-18的基础上进行修改,由于本申请所述方法所解决的任务不十分复杂,因此将部分通道数裁剪到一半,以提高运算速度。但由于该任务的感受野要求比较高,因此使用膨胀卷积替换普通卷积。在本申请中可预设颜色类别数共有10种,例如数字0到9分别代表黑色、灰色、白色、蓝色、绿色、红色、黄色、棕色、紫色、其他色等,因此,对应的可将最后一层的全连接大小改为10。
步骤S104:将所述分类结果与待检测车辆对应的档案中记录的颜色进行比对,以判断所述分类结果表征的颜色与所述档案中记录的颜色是否一致。
于本实施例中,将经所述颜色分类模型数输出的颜色分类结果与车辆对应档案记录颜色进行比对,以判断是否一致。例如,若分类结果与档案中记录颜色一致,则说明该车辆颜色合格,不存在改装现象;否则车辆颜色不合格。
综上所述,本申请采用深度学习的车身语义分割模型和颜色分类模型完成车身颜色智能识别任务,通过基于深度学习图像特征提取的方式,保证该任务的准确度不受光照、拍摄方式、及周围或背景物体的干扰,并且简化了任务复杂度。这种方式减少了劳动成本、保证了车辆年检工作的公正、公开。
如图2所示,展示为本申请于一实施例中的电子装置的模块示意图。如图所示,所述装置200包括:
获取模块201,用于获取待检测车辆图像;
处理模块202,用于基于车身语义分割模型识别所述待检测车辆图像中的车身区域,以得到车身区域图像;对所述车身区域图像进行处理,并将处理后的所述车身区域图像输入车身颜色分类模型,以得到分类结果;将所述分类结果与待检测车辆对应的档案中记录的颜色进行比对,以判断所述分类结果表征的颜色与所述档案中记录的颜色是否一致。
需要说明的是,上述装置各模块/单元之间的信息交互、执行过程等内容,由于与本申请所述方法实施例基于同一构思,其带来的技术效果与本申请方法实施例相同,具体内容可参见本申请前述所示的方法实施例中的叙述,此处不再赘述。
还需要说明的是,应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些单元可以全部以软件通过处理元件调用的形式实现;也可以全部以硬件的形式实现;还可以部分模块通过处理元件调用软件的形式实现,部分模块通过硬件的形式实现。例如,处理模块202可以为单独设立的处理元件,也可以集成在上述装置的某一个芯片中实现,此外,也可以以程序代码的形式存储于上述装置的存储器中,由上述装置的某一个处理元件调用并执行以上处理模块202的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起,也可以独立实现。这里所述的处理元件可以是一种集成电路,具有信号的处理能力。在实现过程中,上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如,以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),或,一个或多个微处理器(digital signal processor,简称DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,简称FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(Central Processing Unit,简称CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上***(system-on-a-chip,简称SOC)的形式实现。
如图3所示,展示为本申请于一实施例中的计算机设备的结构示意图。如图所示,所述计算机设备300包括:存储器301、及处理器302;所述存储器301用于存储计算机指令;所述处理器302运行计算机指令实现如图1所述的方法。
在一些实施例中,所述计算机设备300中的所述存储器301的数量均可以是一或多个,所述处理器302的数量均可以是一或多个,而图3中均以一个为例。
于本申请一实施例中,所述计算机设备300中的处理器302会按照如图1所述的步骤,将一个或多个以应用程序的进程对应的指令加载到存储器301中,并由处理器302来运行存储在存储器302中的应用程序,从而实现如图1所述的方法。
所述存储器301可以包括随机存取存储器(Random Access Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。所述存储器301存储有操作***和操作指令、可执行模块或者数据结构,或者它们的子集,或者它们的扩展集,其中,操作指令可包括各种操作指令,用于实现各种操作。操作***可包括各种***程序,用于实现各种基础业务以及处理基于硬件的任务。
所述处理器302可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在一些具体的应用中,所述计算机设备300的各个组件通过总线***耦合在一起,其中总线***除包括数据总线之外,还可以包括电源总线、控制总线和状态信号总线等。但是为了清除说明起见,在图3中将各种总线都成为总线***。
于本申请的一实施例中,本申请提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如图1所述的方法。
所述计算机可读存储介质,本领域普通技术人员可以理解:实现上述***及各单元功能的实施例可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时,执行包括上述***及各单元功能的实施例;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述,本申请提供的一种车辆颜色的自动识别方法、电子装置、计算机设备和介质,通过获取待检测车辆图像;基于车身语义分割模型识别所述待检测车辆图像中的车身区域,以得到车身区域图像;对所述车身区域图像进行处理,并将处理后的所述车身区域图像输入车身颜色分类模型,以得到分类结果;将所述分类结果与待检测车辆对应的档案中记录的颜色进行比对,以判断所述分类结果表征的颜色与所述档案中记录的颜色是否一致。
本申请有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本申请的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中包含通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本申请的权利要求所涵盖。
Claims (10)
1.一种车辆颜色的自动识别方法,其特征在于,所述方法包括:
获取待检测车辆图像;
基于车身语义分割模型识别所述待检测车辆图像中的车身区域,以得到车身区域图像;
对所述车身区域图像进行处理,并将处理后的所述车身区域图像输入车身颜色分类模型,以得到分类结果;
将所述分类结果与待检测车辆对应的档案中记录的颜色进行比对,以判断所述分类结果表征的颜色与所述档案中记录的颜色是否一致。
2.根据权利要求1所述的方法,其特征在于,所述车身语义分割模型的获取方法包括:
获取不同拍摄条件下得到车辆样本图像,每一所述车辆样本图像中均包括一个待检测车辆;
分别对各所述车辆样本图像中待检测车辆的车身区域进行标注;
使用标注后的各所述车辆样本图像进行训练,以获得所述车身语义分割模型。
3.根据权利要求2所述的方法,其特征在于,所述分别对各所述车辆样本图像中待检测车辆的车身区域进行标注,包括:
判断所述待检测车辆的车身区域是否属于圆滑区域;
若是,则获取所述圆滑区域的若干边界点,并根据所述若干边界点进行曲线拟合,以对所述待检测车辆的车身区域进行标注。
4.根据权利要求2所述的方法,其特征在于,所述使用标注后的各所述车辆样本图像进行训练,以获得所述车身语义分割模型,包括:
将标注后的各所述车辆样本图像输入语义分割网络进行训练;其中,所述语义分割网络的初始学习率为0.001;
当所述语义分割网络收敛时,停止训练,得到所述车身语义分割模型。
5.根据权利要求1所述的方法,其特征在于,所述对所述车身区域图像进行处理,包括:
获取所述车身区域图像中车身区域的外接矩形;
依据所述外接矩形对所述车身区域图像进行截取,以增加所述车身区域占所述车身区域图像的比例,得到比例调整后的车身区域图像;
将所述比例调整后的车身区域图像中目标区域的像素值修改为黑色对应的像素值,得到所述处理后的所述车身区域图像;其中,所述目标区域包括:车窗、车灯、轮胎、及车标中任意一个或多个。
6.根据权利要求1所述的方法,其特征在于,所述颜色分类模型的获取方法包括:
获取不同拍摄条件下得到的车身区域图像;
分别对各所述车身区域图像中的颜色进行标注;
使用标注后的各所述车身区域图像进行训练,以获得所述车身颜色分类模型。
7.根据权利要求6所述的方法,其特征在于,所述使用标注后的各所述车身区域图像进行训练,以获得所述车身颜色分类模型,包括:
确定残差网络中的普通卷积,将膨胀卷积替换所述普通卷积;
将所述残差网络中的目标通道数进行裁剪,以及,将所述残差网络中最后连接的一全连接层的输入尺寸值修改为与所述车身颜色的种类数量相同的数值,以得到调整后的残差网络;
根据调整后的残差网络,对标注后的各所述车身区域图像进行训练;
当所述调整后的残差网络收敛时,停止训练,得到所述车身颜色分类模型。
8.一种电子装置,其特征在于,所述装置包括:
获取模块,用于获取待检测车辆图像;
处理模块,用于基于车身语义分割模型识别所述待检测车辆图像中的车身区域,以得到车身区域图像;对所述车身区域图像进行处理,并将处理后的所述车身区域图像输入车身颜色分类模型,以得到分类结果;将所述分类结果与待检测车辆对应的档案中记录的颜色进行比对,以判断所述分类结果表征的颜色与所述档案中记录的颜色是否一致。
9.一种计算机设备,其特征在于,所述设备包括:存储器、及处理器;所述存储器用于存储计算机指令;所述处理器运行计算机指令实现如权利要求1至7中任意一项所述的方法。
10.一种计算机可读存储介质,其特征在于,存储有计算机指令,所述计算机指令被运行时执行如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010090012.3A CN111325211A (zh) | 2020-02-13 | 2020-02-13 | 车辆颜色的自动识别方法、电子装置、计算机设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010090012.3A CN111325211A (zh) | 2020-02-13 | 2020-02-13 | 车辆颜色的自动识别方法、电子装置、计算机设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111325211A true CN111325211A (zh) | 2020-06-23 |
Family
ID=71170980
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010090012.3A Pending CN111325211A (zh) | 2020-02-13 | 2020-02-13 | 车辆颜色的自动识别方法、电子装置、计算机设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111325211A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112489143A (zh) * | 2020-11-30 | 2021-03-12 | 济南博观智能科技有限公司 | 一种颜色识别方法、装置、设备及存储介质 |
WO2022241807A1 (zh) * | 2021-05-20 | 2022-11-24 | 广州广电运通金融电子股份有限公司 | 一种车辆车身颜色识别方法、存储介质和终端 |
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 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190481A (zh) * | 2018-08-06 | 2019-01-11 | 中国交通通信信息中心 | 一种遥感影像道路材质提取方法和*** |
CN110245691A (zh) * | 2019-05-27 | 2019-09-17 | 上海眼控科技股份有限公司 | 一种车辆外观颜色变色改装的智能识别方法 |
CN110297483A (zh) * | 2018-03-21 | 2019-10-01 | 广州极飞科技有限公司 | 待作业区域边界获取方法、装置,作业航线规划方法 |
CN110598523A (zh) * | 2019-07-22 | 2019-12-20 | 浙江工业大学 | 一种服装图片的联合颜色分类与分组方法 |
CN110729045A (zh) * | 2019-10-12 | 2020-01-24 | 闽江学院 | 一种基于上下文感知残差网络的舌图像分割方法 |
-
2020
- 2020-02-13 CN CN202010090012.3A patent/CN111325211A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110297483A (zh) * | 2018-03-21 | 2019-10-01 | 广州极飞科技有限公司 | 待作业区域边界获取方法、装置,作业航线规划方法 |
CN109190481A (zh) * | 2018-08-06 | 2019-01-11 | 中国交通通信信息中心 | 一种遥感影像道路材质提取方法和*** |
CN110245691A (zh) * | 2019-05-27 | 2019-09-17 | 上海眼控科技股份有限公司 | 一种车辆外观颜色变色改装的智能识别方法 |
CN110598523A (zh) * | 2019-07-22 | 2019-12-20 | 浙江工业大学 | 一种服装图片的联合颜色分类与分组方法 |
CN110729045A (zh) * | 2019-10-12 | 2020-01-24 | 闽江学院 | 一种基于上下文感知残差网络的舌图像分割方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112489143A (zh) * | 2020-11-30 | 2021-03-12 | 济南博观智能科技有限公司 | 一种颜色识别方法、装置、设备及存储介质 |
WO2022241807A1 (zh) * | 2021-05-20 | 2022-11-24 | 广州广电运通金融电子股份有限公司 | 一种车辆车身颜色识别方法、存储介质和终端 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111325211A (zh) | 车辆颜色的自动识别方法、电子装置、计算机设备和介质 | |
CN107610141B (zh) | 一种基于深度学习的遥感图像语义分割方法 | |
CN110060237B (zh) | 一种故障检测方法、装置、设备及*** | |
CN106296666B (zh) | 一种彩色图像去阴影方法和应用 | |
CN108647664B (zh) | 一种基于环视图像的车道线检测方法 | |
US20130342694A1 (en) | Method and system for use of intrinsic images in an automotive driver-vehicle-assistance device | |
CN111695373B (zh) | 斑马线的定位方法、***、介质及设备 | |
CN103544480A (zh) | 车辆颜色识别方法 | |
US20150317537A1 (en) | Method and Apparatus for Image Scoring and Analysis | |
CN106650611B (zh) | 一种识别车身颜色的方法及装置 | |
CN113256624A (zh) | 连铸圆坯缺陷检测方法、装置、电子设备及可读存储介质 | |
Hua et al. | Pedestrian-and vehicle-detection algorithm based on improved aggregated channel features | |
CN111325256A (zh) | 车辆外观检测方法、装置、计算机设备和存储介质 | |
CN109949248A (zh) | 修改车辆在图像中的颜色的方法、装置、设备及介质 | |
CN111325728B (zh) | 产品缺陷检测方法、装置、设备及存储介质 | |
CN112598674B (zh) | 用于车辆的图像处理方法、装置及车辆 | |
CN104778454A (zh) | 一种基于亮度递减验证的夜间车辆尾灯提取方法 | |
CN110390682A (zh) | 一种模板自适应的图像分割方法、***和可读存储介质 | |
TWI498830B (zh) | 不均勻光線下的車牌辨識方法及系統 | |
CN112784675B (zh) | 目标检测方法及装置、存储介质、终端 | |
CN103065145A (zh) | 一种车辆运动阴影消除方法 | |
CN112862841A (zh) | 基于形态学重构和自适应阈值的棉花图像分割方法及*** | |
CN116310889A (zh) | 无人机环境感知数据的处理方法、控制终端以及存储介质 | |
CN111695374A (zh) | 监控视角中斑马线区域的分割方法、***、介质及设备 | |
CN111209922B (zh) | 基于svm和opencv的图像色系风格标记方法、装置、设备及介质 |
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 |