对人类而言,颜色是一种敏感的物体信息。对于某些未知的物体,人眼首先能发现的是其颜色种类。甚至在某些情况下,人眼可以直接通过颜色信息对物体种类进行区分。车辆颜色是城市交通中的一种重要信息。虽然通过车牌的识别,智能交通系统能够直接从交管局的数据库查询得到车辆登记的其他信息。但是由于车牌区域小,因此只有在采集图像分辨率比较高的情况下,车牌信息才能被正确的识别。而车辆颜色是一种对图像质量敏感性不强的信息,即便是图像质量比较低的时候,人眼依然能够判断车辆颜色的种类。由于车辆颜色信息该特点,车辆颜色识别在犯罪追踪、事故分析等城市交通的领域中有广泛的应用。尽管人眼能够比较轻易的分辨车辆颜色,但是通过计算机视觉的方法识别车辆颜色会遇到以下困难。首先是图像的光照,容易对车辆的颜色造成影响。同样一种颜色的车辆,在不同的光照条件下,会出现不同的颜色偏移。这种色偏的现象会对计算机识别颜色造成障碍。另外,车辆本身存在一定的结构信息,能够用于判断颜色的区域只占图像的一部分。车辆的颜色指的是喷漆部位的颜色,一般不包括车窗、车灯、轮胎等部分。在从正面拍摄到的车辆图像中,车顶、引擎盖等部分是判断颜色的主要区域。如何从图像中选择出这类感兴趣的区域,是车辆颜色识别中的一个难点。本文主要研究在自然场景下的车辆颜色识别问题,重点在于颜色信息的表达,车辆感兴趣区域的选择和颜色特征的学习:(1)自然场景中的车辆图像颜色识别方法一方面需要克服不同自然条件对颜色的影响。另外一方面需要选择引擎盖和车顶等关键区域进行识别。传统方法一般都是首先对图像进行预处理,将图像调整到标准光源下,去掉色偏或者是光照的影响。然而在实际的应用中,这种预处理的方法难以克服自然场景下的复杂条件。本文提出一种更高层的颜色特征,不仅仅能描述局部区域的颜色信息,同样还能显示颜色特征集合的分布信息。更高层语义的颜色特征在色偏等情况下具有更好的鲁棒性。同时还对车辆图像进行空间划分,学习不同区域特征的权重,代表不同区域在颜色识别过程中的重要性。由于在车辆颜色识别的领域,还没有一个公共的数据集供各种方法进行测试。本文还发布了一个包含15601张正面拍摄车辆图像的数据集。数据集分为8种颜色,包含有轿车、巴士、卡车等不同车辆类型和雾霾、强光等不同天气条件下的图像。(2)选择车辆的颜色区域是车辆颜色识别的关键问题,精确的选择出能够具有区分性的区域是车辆颜色识别中一个需要解决的问题。本文提出一种基于边缘和多示例学习的区域选择算法,由于边缘区域的颜色特性和非边缘区域的颜色分布不同,本文采用边缘限制的采样方法,将图像分为边缘区域和非边缘区域。通过分别对边缘和非边缘的区域组合,能够比较精确的描述车辆上的区分性区域,从而提高颜色识别的准确率。(3)颜色特征是车辆颜色识别的基础。具有更强的描述能力的颜色特征,对颜色识别能够起到更大的作用。本文提出一种颜色特征学习的算法,该算法能够对图像进行不同层次的抽象,从像素级别学习到高语义层次的特征。同时将空间信息融入到颜色特征中,使得这种特征具备更好的区分性。