复杂环境下的卷积神经网络车辆颜色识别研究

• 作 者: 利齐律
• 出 处: 广东工业大学
• 发表日期: 2019年01期
• 关键词: 车辆颜色识别 区域分割 多颜色空间 卷积神经网络

车辆颜色作为车辆的一个比较关键的特征,可以在识别车辆车牌和车型、车标的同时作为辅助信息,能大大地提高车辆身份识别的可靠性,也能在车辆卡口安检系统、非法改装车识别方面发挥比较重要的作用,对于公安部分打击违法犯罪活动提供一定的帮助。而针对复杂环境,如光照影响、粉尘或雨雾天气等环境下的车辆颜色识别方法,更是一项关键技术。现存的车辆颜色识别研究中,主要有几点问题,一方面是车身主要颜色区域分割方面不够精细,诸如图像背景、车身非主要颜色区域等因素而影响定位和分割的精确度,从而影响识别率;而另一方面,不同车辆生产厂家采用不同的喷涂和调色而导致配色越来越复杂、车身常年累月的灰尘堆积或涂层氧化导致的色彩蜕变以及不同光照下的颜色变化等等情况导致的多种颜色类别的区分度难度增大,从而分类识别算法不能很好地发挥作用。因此,本文针对复杂环境下的卷积神经网络车辆颜色识别研究,主要的内容有如下两个方面:(1)车辆颜色感兴趣区域分割,提出了基于区域显著性的抗干扰车辆区域分割算法,在对经过检测网络检测定位后的车辆图像使用多通道局部敏感直方图变换与多通道显著性检测进行区域分割,排除干扰区域,从而获取车辆主体颜色区域,即车辆颜色感兴趣区域;(2)基于卷积神经网络的颜色分类方法,提出了基于多颜色空间的卷积神经网络模型,在三个不同的颜色空间,即RGB、LAB以及HSV颜色空间同时搭建基于VGGNet的卷积神经网络,在数据输入处理、模型输出选择方面展开研究,做颜色图像的特征提取和预测,然后经过一个模型输出选择判断器来融合不同颜色空间的预测结果并输出最终的预测类别。实验结果表明,本文提出的颜色感兴趣区域分割算法基本上能验证其效果并与能达到先进水平;卷积神经网络颜色分类算法相比于前人的研究中更注重对样本数据的处理,部分指标先进水平,在公开以及非公开数据集上表现的还不错,有着比较好的性能。