1.一种基于BP神经网络的车辆颜色识别方法，具体步骤如下：步骤1：定义车身颜色集合为C＝{c1,c2,c3,c4,c5,c6,c7,c8,c9,c10}＝{黑,灰,白,粉,棕,红,黄,绿,蓝,紫}，并建立相应的颜色数据集；

步骤2：构建用于颜色分类的BP神经网络并用步骤1中的颜色数据集进行训练；

步骤3：利用交叉路口的监控摄像头采集RGB图像并对采集到的图像使用中值滤波处理，利用车辆检测跟踪算法提取得到车辆区域并将其转到HSV颜色空间下，得到图像I；

步骤4：利用车牌识别算法提取图像I中的车牌矩形区域R＝(x，y，w，h)，其中图像I的左上角为像素坐标原点，(x,y)为车牌矩形区域左上角的坐标，h与w分别为车牌矩形区域的高和宽，单位为像素；

步骤5：确定I为车尾图像还是车头图像，具体为：

步骤5.1：根据公式(4)确定矩形特征区域D：

其中，ρ1，ρ2为比例系数，(xd,yd)为矩形区域D左上角的坐标，hd与wd分别为矩形区域D的高和宽；

步骤5.2：将D划分为大小相等的Nrow*Ncol个矩形超像素块，Nrow与Ncol分别为超像素块的行总数与列总数，每个超像素块的大小为N＝width*height,并根据公式(5)，(6)，(7)，(8)筛选出有效超像素块集合D*：其中，λ为标准差阈值，Dij为第i行第j列的超像素块， 为Dij的像素标准差， 与 分别为Dij在k通道上的标准差与灰度平均值，k＝1,2,3， 为第k个通道的权重系数， 表示Dij的第k通道图像， 表示 中在坐标点(x,y)处的像素灰度值；

步骤5.3：将D*中每个超像素块Dij的 传入步骤2训练所得的神经网络模型，输出为 令 则超像素块Dij的颜色为Cij＝cq，其中，表示超像素块Dij为颜色cr的概率，cr∈C,cq∈C；

步骤5.4：根据式(9)统计D*中每一行中识别出的每种颜色的数量 并根据式(10)和(11)计算每一行是否有效：若Fi为1，则表示第i行为有效行，否则，为无效行；将所有的无效行从D*中剔除：其中，μ1为比例系数，NCimax为第i行中最多的颜色数量；

步骤5.5：根据式(12)计算有效行数num，并判断图像I为车头或是车尾：若num＜μ2*Nrow，则I为车头图像；否则，I为车尾图像，其中，μ2为比例系数：步骤6：若I为车尾图像，转步骤7；若I为车头图像，则根据式(13)对矩形区域D重定位并重新执行步骤5.2至5.4，之后转步骤7：其中，ρ3,ρ4为比例系数；

步骤7：根据公式(14)统计D*中每种颜色识别结果出现的次数，得到颜色分类集合L＝{Lr|r＝1,2,…,10}：其中，Lr表示颜色cr被识别到的数量；

步骤8：从集合L中从大到小挑选出排在前两位的数值，令Lm表示排在第一位的值且m为该值对应的下标，Lp表示排在第二位的值且p为该值对应的下标；

步骤9：识别车辆颜色，具体为：若Lm*η＞Lp，则车辆颜色为cm；否则，以概率 给出车辆颜色为cm，同时以概率 给出车辆颜色为cp。

2.如权利要求1所述的基于BP神经网络的车辆颜色识别方法，其特征在于：步骤2具体为：步骤2.1：采用具有一个隐层的三层BP神经网络，输入层神经元数为3，分别为输入颜色的H、S、V通道归一化后的值，输出层神经元数为10，分别为10类颜色所对应的概率，根据式(1)确定隐层的节点个数，其中，N2为隐层神经元个数，N1为输入层神经元个数，N3为输出层神经元个数；

步骤2.2：设计神经网络的隐层与输出层间的激活函数f(x)与各层之间的数据传输，如式(2)、(3)所示；

其中，Oij为第i层第j个神经元的输出，Wijk表示第i层第j个神经元到第i+1层第k个神经元的连接权值，b为偏置，Ni为第i层神经元总数；

步骤2.3：随机初始化网络模型并使用BP神经网络训练方法对模型进行训练。