[发明专利]一种弱对比度下的车辆目标分割方法

摘要

本发明公开了一种弱对比度下的车辆目标分割方法，步骤1对训练图像采用多示例学习的方法进行显著模型建模；然后利用显著模型对测试图像中的包和示例进行预测，得到测试图像的显著度图；步骤2将测试图像的显著度引入图割框架，依据示例特征矢量与示例包的标记对图割框架进行优化，求解图割优化的次优解，得到目标的精确分割。本发明的借鉴人类的视觉注意机制，结合基于图论的图像分割方法，建立一种基于视觉显著性特征的车辆目标分割模型，不仅能在良好环境条件下准确分割完整车辆，并且具有一定的适应性和鲁棒性，能在夜间环境、阴影遮挡情况下较为准确地分割出交通场景中的弱对比度车辆目标。

主权项

一种弱对比度下的车辆目标分割方法，其特征在于，具体包括如下步骤：步骤1：对训练图像采用多示例学习的方法进行显著模型建模；然后利用显著模型对测试图像中的包和示例进行预测，得到测试图像的显著度图；具体包括：步骤11，对训练图像进行预处理，并提取图像亮度梯度特征、色彩梯度特征与纹理梯度特征；步骤12，将多示例学习引入到图像显著性检测中，得到测试图像的显著性检测结果；步骤2：将测试图像的显著度引入图割框架，依据示例特征矢量与示例包的标记对图割框架进行优化，求解图割优化的次优解，得到目标的精确分割；所述步骤2具体包括如下步骤：步骤21，将步骤1得到的图像的显著性检测结果作为图割算法的输入，依据包的显著性标记与示例特征矢量构建如式(3)所示的权函数；并得到如式(4)所示的优化后的图割代价函数；wij=12[Salien(i)+Salien(j)]exp(-Sim(fi,fj)/δ2)i≠j0i=j---(3)]]>R(U)=Σi>jwij(Ui-Uj)2Σi>jwijUiUj=UT(D-W)U12UTWU---(4)]]>式(3)中，wij表示i示例包与j示例包对应区域的视觉特征相似性，Salien(i)与Salien(j)分别表示区域i与区域j归一化后的显著度值，δ为调节视觉特征差异的敏感参数，取值为10～20；区域i与其自身的相似权值为0；相似度矩阵W＝{wij}是对角线为0的对称矩阵，且wij∈[0,1]；fi,fj分别表示i与j示例包中分别对应的示例特征矢量，即图像的亮度梯度特征、色彩梯度特征与纹理梯度特征向量合成3维的组合向量Mixvectori＝{BrightnessGradienti,ColorGradienti，TextureGradienti}，则Sim(fi，fj)＝||Mixvectori‑Mixvectorj||2；式(4)所表示的图割框架中，D为N维对角矩阵，其对角线上元素U＝{U1,U2,...,Ui,...,Uj,...UN}为分割状态向量，每一个向量分量Ui表示区域i的分割状态；式(4)的分子表示区域i与区域j之间的视觉相似性，分母表示区域i内的视觉相似性；步骤22，采用凝聚层次聚类算法，求解R(U)的最小值特征值所对应的分割状态向量，即得到图像的最优分割结果。