车辆颜色分类技术对于车辆识别以及智能交通系统的发展具有重要意义,但技术中现存的一些问题,例如数据集中数据规模小、颜色类别单一以及环境中存在的光照和极端天气等影响,都导致了传统方法的识别精度过低且在实际应用场景中受限。为了解决上述问题,本文提出了一种高效且能广泛应用的细粒度车辆颜色分类算法。首先,我们构建了一组全新的面向监控场景的车辆颜色数据集,以进行细粒度的车辆颜色分类研究。利用车型的先验信息,本文提出了无监督机器学习与人工相结合的标注方法对数据集进行细粒度标注,该标注算法可以消除光照影响并为每张图片确定准确的颜色标签。其次,本文提出了一种基于混合结构的车身颜色细粒度分类算法。具体地,利用可学习的深度卷积神经网络从车辆图像中提取特征图并进一步转化为像素序列编码,从而增强整体网络的局部特征表达能力;利用Transformer编码器中的自注意力机制学习像素块间的依赖关系并捕捉体现车辆颜色的关键区域特征;通过结合Transformer编码器不同层的标志位输出以融合不同粒度的特征信息;根据所提出的车辆颜色数据集的特点,设计了一个面向多粒度颜色分类的层级损失函数。通过与传统卷积神经网络、细粒度分类网络以及颜色分类网络进行比较,表明本文所提出的算法在车辆颜色分类任务上具有更优的性能。最后,基于上述算法,搭建了车身颜色细粒度分类原型系统,以满足车辆细粒度分类的实际应用需求。