城市交通中,车辆颜色的识别能够为交通的智能化提供一定的帮助。由于车牌的区域较小,在被遮挡或腐蚀等情况下,我们无法通过车牌的识别来定位车辆。然而车辆的颜色对图像的质量敏感性相对较弱,因此车辆的颜色识别在犯罪追踪、事故处理等交通领域具有广泛的应用。在这些应用中,自然环境中光照等因素的影响使得计算机很难对其进行识别,而且现有的识别方法由于网络较深时出现梯度消散现象而很难训练。因此,本文主要针对犯罪检测等应用来对车辆的颜色识别方案进行研究,以克服上述的困难以及提高识别精度。本文主要包含以下工作:1.对直方图均衡化方法、局部对比度增强方法和同态滤波方法做了改进,并将其应用于车辆颜色识别的图像预处理中,以便提高车辆颜色识别的精度。本文首先将图片分成了三个通道,并将直方图均衡化方法、局部对比度增强方法和同态滤波方法改进后对亮度通道进行相应的处理。实验表明我们改进后的方法有助于车辆颜色的识别。2.提出了基于残差网络的车辆颜色识别方法。本文为了提高车辆颜色的识别精度,提出了基于残差网络的车辆颜色识别方法。该方法通过在传统的神经网络上加入一条捷径,使得网络在训练过程中的残差通过这条捷径来传播,这样可以缓减梯度消散,从而提高车辆颜色的识别精度。3.提出了基于信息量聚类的关键帧抽取方法。本文通过实验表明该方法可以提取到监控视频中的几乎所有车辆的视频帧,这一研究为犯罪检测等的应用提供了帮助,节约了大量的时间和精力。