车辆颜色是车辆的重要特征之一,为稽查黑车、追查套牌、打击逃费的重要手段,而车色往往易受外界环境影响。为此,论文依托省级交通运输科技项目,围绕车辆颜色视频识别算法展开了研究,其具有重要的理论意义和应用价值。论文描述了国内外车辆颜色识别的现状,分析了传统简单的方法所存在的主要问题:近色车难以区分;因光照太强/不足、大雾,造成的偏色等。为解决车辆颜色特征难以准确提取识别的问题,论文提出了将预处理与深度学习技术两者综合的车辆颜色识别算法:由预处理技术恢复车身原本颜色,再由深度学习网络提取车辆颜色特征,实现了分类识别。针对车辆颜色偏色,论文采用了预处理技术校正偏色,恢复车身颜色,提高图像检测精度。采用基于暗通道先验原理的去雾法,以消除车辆雾化现象;同时采用基于Retinex理论校正因光照影响所造成的车辆偏色问题;此外还采用了YUV空间与Criminisi算法综合的高光检测修复算法,以校正车辆高光区域颜色。针对车辆颜色特征的准确选取,论文采用深度学习提取特征:以AlexNet网络训练预处理后的数据集,来实现分类。这比传统车辆颜色识别方法精度提高很多;通过残差网络ResNet-18改善网络的“退化”,这与AlexNet网络相比,识别效果好。分类精度高。经大量对比实验验证:预处理方法与深度学习网络的两者综合采用,满足了车辆颜色识别的准确性和实时性,体现了所提出的车辆颜色识别算法的优越性。论文创新点和特点在于:●针对大雾、光线不足、反光等造成的偏色问题,提出了融合多种图像预处理的深度学习车辆颜色识别算法,识别精度提高了 5.78%;●结合现实场景,优化了深度学习的识别网络,增加了网络的深度,识别精度进一步提升了 1.84%。