汽车颜色识别系统的主要目的是准确、实时地识别车身颜色,它可以克服传统汽车管理系统效率低和人为主观因素的影响,并且大幅度提高了汽车管理系统的自动化程度,对打击盗抢车辆犯罪以及准确掌握道路交通情况有重要意义。然而实际的车身颜色常常受到噪声、环境光照等因素的影响,这给汽车颜色识别的准确率造成极大影响。本文正是在这一背景下,对汽车颜色识别系统中的有关问题进行了研究,主要内容和创新点有:采用标量方法对图像中的脉冲噪声进行检测,并根据检测结果利用改进的矢量中值滤波方法去除脉冲噪声,保证了后续图像处理的准确性。颜色识别区域定位是进行颜色特征信息提取的前提。根据识别区域和车头的位置关系,以及车头对称性等先验知识,通过OTSU二值化算法和两次投影定位车头及中轴,进而定位出识别区域。汽车表面常反射出表征光源颜色的高光,高光的颜色严重影响了汽车的真实颜色。因此在识别汽车颜色之前需要将汽车表面的高光像素检测出来,以提高颜色识别的准确率。结合原图像和对应的无高光图像提出了最佳漫反射像素的概念,并以最佳漫反射像素为基础提出了一种检测单张彩色图像中汽车表面高光的算法。该算法简单、容易实现,其理论基础是二分光反射模型。实验结果表明该算法有效、运算速度快,可以满足汽车颜色识别系统准确性和实时性的要求,有效地提高了日照较强时车身颜色识别的正确率。设计了一个用来识别汽车颜色的BP神经网络,通过对网络内各结构参数的改进,克服了传统网络易陷入局部最小点、收敛速度慢等缺陷。将待识别汽车颜色从RGB颜色空间转换到适合模式识别的I₁I₂I₃颜色空间,标准化后作为网络的输入矢量,将训练样本做模糊化预处理,用模糊化后的隶属度值作为网络的期望输出矢量。实验结果表明训练后的网络可以有效地对颜色实现分类,符合人眼视觉特征。