Hyperlpr专题

Hyperlpr车牌颜色判断

HyperLPR是 智云视图（http://www.zeusee.com）开源的一个使用深度学习针对对中文车牌识别的实现，HyperLPR可以识别多种中文车牌包括白牌，新能源车牌，使馆车牌，教练车牌，武警车牌等。
Github地址：https://github.com/zeusees/HyperLPR

本文主要介绍Hyperlpr的车牌颜色判断部分，车牌颜色判断主要在车牌检测部分完成之后，对车牌颜色进行分类，现在主要的车牌颜色包括：蓝牌，黄牌，绿牌（新能源车牌），黑牌以及白牌。

我们在这里使用的方法大概思路是K-Means聚类之后，提取主成分颜色，判断主成分颜色空间所属的颜色分类，进而实现颜色判别。整体思路非常简单，下面我们一步一步来描述：

K-Means聚类

K-means是一种聚类算法，主要的目的在于将N组数据划分到K个类别，属于无监督学习算法的一种，我们通常将所分类别的中心称为聚类中心。
在这里，我们的输入数据是一副已经定位好的车牌图像，如下图所示：

假设这是一幅128*96的图片，那么这里我们的数据相当于128*96组RGB值，我们将这些RGB值进行K-means聚类划分成两个颜色类别：

image = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
image = image.reshape((image.shape[0] * image.shape[1], 3))
clt = KMeans(n_clusters=2)
clt.fit(image)

颜色划分

接着，如果我们将聚类划分的颜色用可视化的方式展示，就是如下图所示：

从图中我们已经可以很清晰的看到车牌被聚类为以蓝色为主颜色，和另外一种从属的附属色。接下来，我们只需要提取出主成分色彩，进行颜色判别即可。

颜色判别

比如我们聚类出的主成分颜色值为:(39.76983095 108.94668401 214.63849155)，我们需要判别这个颜色所属的颜色空间，这里有人可能会想到用分类器，其实没有那么复杂的必要，只需要通过规则性判别即可。

在RGB颜色空间中，我们按照如下规则划分黄色，蓝色，绿色，白色以及黑色：
我们用g表示绿色颜色值，b表示蓝色颜色值，r表示红色颜色值：

如果：
g-r >= 13并且 g-b>=13，那么这个时候，我们把颜色划归为绿色
b-r >= 13并且b-g>=13，那么这个时候，我们把颜色划归为蓝色
r-b > 70 并且 g-b >70 ,那么这个时候，我们把颜色划归为黄色
如果r,g,b的值均大于200，那么这个时候，我们把颜色划归为黑色
如果r,g,b的值均小于50，那么这个时候，我们把颜色划归为白色
如果上述条件都不满足，那么这个时候我们认为是非法颜色。

那么如果聚类生成的主成分色彩被我们认为是非法颜色的话，我们会将附属色作为判别标准重新判断。聚类生成的两种颜色均被判断为非法色的话，此时，车牌颜色判别输出判别失败。

在Hyperlpr中，我们用这种方法对大量车牌进行了颜色测试，其中不乏

这样的异常数据，在测试中，均表现良好。

欢迎大家批评和指正。