如何高效检测汽车颜色？

Question

我正在尝试以有效的方式检测汽车的颜色。假设我运行 YOLO 模型并根据给定的边界框裁剪汽车区域。给定裁剪后的汽车图像，那么检测汽车颜色最有效、最准确的方法是什么？

之前，我训练了一个 YOLO 模型来检测颜色（10 类颜色），但是运行 2 个深度学习模型对于我的实时要求来说太慢了。我需要颜色检测/分类部分非常快，最好不使用深度学习。也许是纯 Python 或 OpenCV 之类的。

以下是一些示例图像（其中一些被检测为公共汽车或卡车。让我们忽略标签！）。我们可以将它们定义为灰色/银色、白色、黄色和红色。

Answer 1

我建议通过实施以下解决方案的方式来实现您想要实现的目标：

• 定义要在图像中检测的所有汽车颜色的精确 rgb() 值。例如，正如您在评论中建议的，12种颜色的 rgb() 值：红色、白色、黑色、银色、灰色、黄色、橙色、蓝色、粉色、棕色、米色和绿色。
• 定义一个函数，可用于确定颜色是否与给定颜色相似
• 确保您使用的颜色列表中没有一对在使用颜色相似度函数时被视为相似的颜色。例如，在上述设置的情况下，可以清楚地区分对（灰色，银色）和（白色，米色）。
• 确定图像中需要与列表中给定颜色相似的像素量阈值，以便将其视为汽车颜色
• 运行一次缩小图像的像素，并收集与列表中颜色相似的像素数量，直到该数量超过汽车颜色的阈值
• 调整缩小系数、颜色列表中的 rgb() 值、颜色相似度函数以及具有相似颜色的像素数量阈值，以获得满足您直观颜色感知的解决方案。