[发明专利]一种基于深度学习的车辆颜色识别方法与装置

说明书

本发明公开了一种基于深度学习的车辆颜色识别方法与装置包括：输入车辆图像作为测试样本与训练样本并进行预处理；使用训练样本训练卷积神经网络，提取深层颜色特征；使用深层颜色特征训练分类器识别测试样本的车辆颜色。本发明提高车辆颜色识别的准确率，精简结构参数，消除过拟合。

技术领域

本发明涉及机器学习领域，特别地，涉及一种基于深度学习的车辆颜色识别方法与装置。

背景技术

交通秩序管理是道路交通管理工作的重要组成部分，随着机动车辆与驾驶员数量的急剧增长，且驾驶员的法律安全意识普遍偏低，越来越多影响道路交通安全的风险和不确定因素不断浮现，让交警、公安等多个领域面临着严峻的挑战和形势，增大了道路交通秩序管理的工作难度。车牌长期以来作为智能交通系统领域的核心研究对象之一，面对部分遮挡、视角改变、噪声、模糊等条件下，车牌并非总是完全可见的。想比之下，车身颜色占据了车体的主要部分，并且对于部分遮挡、视角变化、噪声及模糊等诸多干扰因素相对不敏感。同时，颜色作为车辆的显著且稳定的属性，可以作为智能交通系统中各应用中有用且可靠的信息提示。因此，车身颜色识别已被广泛应用于视频监控、犯罪侦查及执法等领域的有价值的提示，这也是自然场景中车身颜色识别成为该领域重要研究课题的原因。

然而，在自然场景中识别车辆颜色仍然是一项具有挑战性的工作。其挑战主要来自于自然场景不可控的因素对车身造成的颜色偏移。其中自然场景不可控的因素主要包括光照条件和天气干扰。光照对车身造成的反光使车身成像颜色失去了固有颜色的表现，雾天同样会造成图像整体偏向灰色，使图像偏离了图像固有颜色，雪天会导致图像背景以白色为主，对后续特征的提取及机器学习造成一定程度的干扰。

虽然自然场景下的车辆颜色识别的正确率逐年提高，但基本都是假定在相对理想化或固定角度条件下进行的研究，缺少对周围环境变化的考虑，而环境变化的因素正是目前面临的重大问题，同样也是解决与提高车身颜色识别正确率关键技术中的难点。虽然已经有研究者提出利用深度学习的方法，自适应地学习车辆颜色特征，但其中对卷积神经网络的层次结构研究并不深 入，在参数冗余及过拟合现象方面的处理方式欠佳。因此在复杂的自然场景中，基于深度学习的方式提高车辆颜色识别的准确率，同时处理卷积神经网络每一层结构中参数冗余及其过拟合现象，成为业内技术人员所关注的课题。

针对现有技术中车辆颜色识别的准确率低、参数冗余与过拟合的问题，目前尚未有有效的解决方案。

发明内容

有鉴于此，本发明的目的在于提出一种基于深度学习的车辆颜色识别方法与装置，能够提高车辆颜色识别的准确率，精简结构参数，消除过拟合。

基于上述目的，本发明提供的技术方案如下：

根据本发明的一个方面，提供了一种基于深度学习的车辆颜色识别方法，包括：

输入车辆图像作为测试样本与训练样本并进行预处理；

使用训练样本训练卷积神经网络，提取深层颜色特征；

使用深层颜色特征训练分类器识别测试样本的车辆颜色。

在一些实施方式中，所述使用训练样本训练卷积神经网络，提取深层颜色特征包括：

使用随机和稀疏连接表在特征维度上构建每个卷积层，并根据多个卷积层构建卷积神经网络对车辆图像反复进行卷积与池化操作；

根据每个叠加层第一层的输入与网络叠加层拟合的底层映射学习卷积神经网络的残差映射；

将不同深度上的特征进行归一化并融合为深层颜色特征。

在一些实施方式中，所述使用随机和稀疏连接表在特征维度上构建每个卷积层，根据多个卷积层构建卷积神经网络对车辆图像反复进行卷积与池化操作包括：