[发明专利]基于图像凹点的车辆分割方法

说明书

技术领域

本发明属于图像处理领域和计算机视觉领域的技术，涉及一种车辆图像分割的方法。

背景技术

车辆检测是智能交通系统中的一个重要环节，也是进行后面的车辆跟踪的前提。目前，在针对车辆检测而提出的方法中，有很大一部分是基于背景差分方法提取出监控视频流图像中的前景目标而检测出车辆的。背景差分法能够有效地提取出简单场景中单个的车辆，但是车辆在三维空间的空间信息映射到二维图像上时很容易发生车体的相互遮挡，形成粘连的Blob块，这时，背景差分方法就无法正确提取出粘连Blob块中的单个车辆信息了。

传统的车辆分割的方法基本上可以分为以下几类：基于特征、三维立体（3-D）、基于概率统计以及基于推理模型的。但是这些方法，在运算上都非常复杂，使用场景也很有限，例如基于特征的方法，需要有效的提取车辆的各种特征，例如灰度方差、梯度以及特征值等信息，基于三维的，需要多摄像机标定等。

发明内容

本发明的目的在于提供一种针对相互遮挡而粘连在一起的车辆进行分割的方法，为实现上述目的，本发明采用的技术方案是：基于图像凹点的车辆分割方法，其特征在于，该方法基于图像凹点的特点进行分割，具体分为如下几个步骤：

1、前景检测

采用背景差分法获取前景图像，对获取的前景图像采用泛洪法进行填充，然后使用开运算和闭运算进行噪声消除；

2、Blob块提取

前景图像的每一个连通区域用Blob块标示， 提取前景图像Blob块；

3、判断提取的Blob块中是否有车辆粘连

提取的Blob块与Blob块的凸闭包的致密度比值接近于设定值时，判定Blob块中没有车辆粘连，如果比值远小于设定值，则判定Blob块中存在车辆粘连；

4、对粘连车辆进行分割

找出Blob块的所有凹点，选择距离最近的两个凹点，将图像沿着两个凹点之间的连线分割开来，分割获得的前景图像重复上述步骤，直至分割获得的图像不再存在粘连车辆为止。

进一步地，所述步骤3中判断车辆是否粘连，采用以下公式：

其中，T代表连通区域的致密度，BL表示此连通区域轮廓的周长，AO表示此区域的面积。记表示原Blob块的致密度，表示此Blob的凸闭包的致密度， 

上式中和大小接近时，即接近于1时，判定为没有车辆粘连，而当远小于1时，判断有车辆粘连现象；设定一个经验阈值T，在判定Blob块图像是否需要分割时可对图像的进行求值，并将与阈值T比较，判断Blob块中是否有车辆粘连。

进一步地，所述步骤4中凹点的计算公式为：，其中，为图像Blob的中心点坐标，为凹区轮廓上的坐标，p为凹区轮廓上像素点的个数，其中0<i<p，当Di为最小值时，即为凹点的坐标。

本发明的有益效果：在车辆相互遮挡而连成一个连通区域时，能够正确分割出一个个单独的车辆。而且本发明能够适应任意方向的车辆遮挡，以及两个或者多个车辆连接的分割。

附图说明

图1是本发明车辆图像分割的整个流程图；

图2是本发明图像前景检测的结果；

图3a-图3e是本发明图像分割效果图；

图4是本发明三辆粘连车辆分割示意图；

图5是本发明粘连车辆分割的流程图。

具体实施例

实施例1：

智能交通跟踪系统中，公路上车辆较多，在前景图像中很可能出现几辆车粘连在一起，从而不能判断车辆动态变化。这需要对前景图像中粘连的车辆进行分割，车辆分割整体流程如图1所示，整个流程包含几个步骤，详细介绍如下：

1、前景检测

这里一般使用背景差分的方法获取前景图像，不同的环境，可以选用合适的背景差分的方法。

由于车辆分割的方法对前景检测的效果要求较高，这就要求对前景检测的效果进行后期处理，改善背景差分效果。背景差分的结果中一般会包含噪点和空洞，首先对其进行泛洪法进行填充，然后使用开运算和闭运算进行噪声消除。图2（a）是车辆图像的原图，图2（b）是经过背景差分的结果，可见，这里进行背景差分后，不可避免的有很多的噪点，然后使用泛洪法进行填充，然后使用开运算和闭运算进行噪声消除，得到的效果如图2（c）所示。

2、Blob块提取

步骤1得到正确的前景后。每个连通区域用一个Blob块表示，Blob提取的方法如下：

a. 首先创建一个区域计数器rc，初值为1；