一种基于对称分析的车辆粘连分割方法与流程

本发明涉及图像处理和计算机视觉处理技术领域，尤其涉及一种基于对称分析的车辆粘连分割方法。

背景技术：

在智能交通系统中，基于背景差分技术的车辆目标检测是整个系统的重要环节，也是进行后续车辆目标跟踪和计数的前提。

尽管背景差分方法能够有效提取场景中的运动车辆目标，但是由于交通场景的复杂性、摄像头架设的位置等因素，车辆的实际三维空间信息在交通视频中映射到二维图像上时容易发生车体的相互遮挡，形成目标之间相互粘连的blob块问题。这样针对多目标车辆在视频中的粘连分割是智能交通系统后续分析和处理中必须解决的一个关键问题。

传统的车辆粘连分割方法基本可以分为以下几种类型：基于模型特征的分割方法、基于三维模型的分割方法、基于推理模型的分割方法和基于轮廓形状的分割方法。这些方法往往计算比较复杂或者对应用场景的适应能力比较有限。例如基于模型特征的方法容易受到场景光线和车体车窗玻璃等影响，基于三维模型的方法需要的前期准备大量的模型参数，基于推理模型的方法难以适应复杂的交通状况，传统的基于轮廓形状的分割方法容易受到车型和车辆相对位置的影响，难以锁定准确有效的分割位置。

技术实现要素：

基于背景技术存在的技术问题，本发明提出了一种基于对称分析的车辆粘连分割方法。

本发明提出的一种基于对称分析的车辆粘连分割方法，包括以下步骤：

s1、采用背景差分的方法获取运动目标图像作为前景图像，对获取的前景图像进行内部填充去除空隙后作为目标联通体，然后进行形态学滤波剔除目标联通体边界的毛刺噪声，以获得前景目标；

s2、利用已知的目标联通体结合空间位置信息，从前景图像中提取前景目标区域；然后，对前景目标区域提取轮廓作为前景联通体；

s3、判断提取的前景联通体尺寸是否满足基本车辆目标尺寸条件，在满足条件的基础上进行联通体对称性分析，利用提取的对称轴位置和数量判断是否存在车辆粘连；

s4、对存在粘连的前景联通体进行分割处理。

优选的，步骤s1中，获取前景目标的具体方法为：利用混合高斯背景模型构建视频场景背景模型，采用背景差分方法直接获取运动目标区域作为联通体区域；对获取的联通体区域进行内部填充去除空隙，然后采取形态学滤波算法剔除细小噪声联通体和有效目标联通体的边界噪声以获得前景目标。

优选的，步骤s2中，前景目标区域提取轮廓后对轮廓点进行等间距采样以获得前景联通体。

优选的，步骤s2中获取前景目标区域的具体步骤如下：

利用已知的目标联通体结合空间位置信息，从前景图像中提取前景目标区域。设前景图像为i^f，目标联通体图为i^con，i^obj为提取的前景目标区域，提取公式如下：

i^obj＝i^fsig(i^con)

其中sig(x)为符号函数，具体定义如下：

优选的，步骤s3中判断车辆是否存在粘连的方法具体步骤如下：

步骤s31：首先利用高斯差分降采样滤波对原图进行降采样处理，并将将相邻两个不同尺度的高斯核卷积图像相减获得高斯差值图像d(x,y,δ)作为降采样图：

其中表示对x和y方向上的像素点进行卷积操作，g(x,y,δ)是一个变尺度的高斯函数，k为相邻两个尺度空间倍数常数；

步骤s32：在降采样图d(x,y,δ)中使用横向或者纵向镜像lbp描述子对目标区域图像进行处理，镜像lbp描述子公式如下：

其中(xc,yc)表示3×3邻域模板的中心元素坐标，m(x)表示横向或者纵向的模板镜像计算，pc为中心像素，pi为邻域像素，符号函数s(x)中thr阈值取0，定义如下：

步骤s33：利用互为镜像关系的描述子lbp^s和lbp^t扫描降采样图d(x,y,δ)中提取的目标区域，分别计算得结果图i^s和i^t；然后，利用汉明距离统计i^s和i^t中对应位置的相似程度，获取相似区域分布图is(x,y)：

其中r表示目标区域外接圆的半径长度，d为相似比较时的位移步长，w为最小位移步长；

步骤s34：利用相似区域分布图is(x,y)统计出整个目标区域中的相似分布统计结果：将垂直与车辆行驶路线方向上相似度数值进行累加，投影到一维空间形成相似度曲线，并利用高斯低通滤波器对相似度曲线进行滤波处理；最后，统计出相似度曲线上的波峰数量和位置信息，即对应着车辆目标的对称轴数量和位置；

步骤s35：统计对称轴个数，如果称轴个数大于1，则判定目标联通体中出现了多车粘连的情况。

优选的，步骤s31中，采样倍率k为1.5。

优选的，步骤s4中，对存在粘连的前景联通体进行分割处理的方法为：从已知边界一侧的对称轴位置出发，结合相邻对称轴位置和轮廓凹陷区域特征找出最佳粘连车辆分割线，完成粘连车辆目标的分割；依此策略，不断的由联通体外侧向内部分割，直至判断当前联通体图像不再存在粘连车辆为止。

优选的，步骤s4中在判断存在车辆目标粘连的联通体中进行粘连分割，具体步骤如下：

步骤s41：利用graham算法提取目标联通体轮廓中所有凸点进行标记，反向筛选出连续凹陷点组成的轮廓凹陷区域，对每块连续的凹陷区域进行单独计算，得到凹陷区域外接三角形的高和面积；

步骤s42：选择相邻对称轴，依次划分相邻两轴所夹区段，依顺序标注为secⁱ，其中i∈[2,n-1]，n为对称轴个数。

步骤s43：在任意一个secⁱ区域内找出所有凹陷区域，将所有凹陷区域深度和面积值各自归一化，然后将凹陷深度和面积归一化之后的数值累加起来作为分割点评价值f^k，并根据以下公式计算f^k：

其中和表示第k个凹陷区域深度和外接三角形的面积；

每次取数值最大的分割点评价值f^k所对应的区域凹陷顶点作为有效分割起点，沿着分割起点的凹陷方向找出相对的凹陷区域，两者连线作为分割线；

步骤s44：从目标联通体的一侧出发，依次利用分割线和对称轴分割出单个车体目标，并依此策略，不断的由联通体外侧向内部分割，直至判断当前联通体图像不再存在粘连车辆为止。

本发明提出的一种基于对称分析的车辆粘连分割方法是一套高效且鲁棒性强的车辆粘连目标分割方法，其灵活的适应性和较高的准确度已达到了实际应用的要求。

本发明有效避免了现有基于轮廓分析的多车粘连分割方法在受到环境或者车辆自身形态位置影响而难以取得良好的目标分割结果的问题。同时，本发明易于与现有的大量基于轮廓分析的方法结合，可以扩展出各类具有不同特性的粘连车辆目标分割方法，对于智能交通系统中车辆目标跟踪，车流量统计等核心功能的准确度的提升有着显著的意义。

附图说明

图1为基于对称分析的车辆粘连分割方法流程图。

图2为横向对称lbp描述子构建示意图。

图3为对称度分布统计图。

图4为目标联通体中凹陷区域深度和面积的计算示意图。

图5为目标车辆前景提取图。

图6为基于对称分析的多车辆目标粘连分割图。

具体实施方式

参照图1，本发明提出的一种基于对称分析的车辆粘连分割方法，包括以下步骤。

s1、采用背景差分的方法获取运动目标图像作为前景图像，对获取的前景图像进行内部填充去除空隙后作为目标联通体，然后进行形态学滤波剔除目标联通体边界的毛刺噪声，以获得前景目标。

s2、利用已知的目标联通体结合空间位置信息，从前景图像中提取前景目标区域；然后，对前景目标区域提取轮廓作为前景联通体。本步骤中，进一步的，前景目标区域提取轮廓后对轮廓点进行等间距采样以获得前景联通体，如此，可减少轮廓点数，方便计算。

s3、判断提取的前景联通体尺寸是否满足基本车辆目标尺寸条件，在满足条件的基础上进行联通体对称性分析，利用提取的对称轴位置和数量判断是否存在车辆粘连。具体的，本步骤中，通过尺寸对比对前景联通体进行有效筛选，不满足最小尺寸要求的前景联通体直接被删除，不进入后续检测处理，以减少工作量，提高工作效率。

s4、对存在粘连的前景联通体进行分割处理。

具体的，本实施方式的步骤s4中，对存在粘连的前景联通体进行分割处理的方法为：从已知边界一侧的对称轴位置出发，结合相邻对称轴位置和轮廓凹陷区域特征找出最佳粘连车辆分割线，完成粘连车辆目标的分割；依此策略，不断的由联通体外侧向内部分割，直至判断当前联通体图像不再存在粘连车辆为止。

实施例1

本实施例的步骤s1中，获取前景目标的具体方法为：利用混合高斯背景模型构建视频场景背景模型，采用背景差分方法直接获取运动目标区域作为联通体区域；对获取的联通体区域进行内部填充去除空隙，然后采取形态学滤波算法剔除细小噪声联通体和有效目标联通体的边界噪声以获得前景目标。

实施例2

本实施例中，步骤s2中获取前景目标区域的具体步骤如下：

利用已知的目标联通体结合空间位置信息，从前景图像中提取前景目标区域。设前景图像为i^f，目标联通体图为i^con，i^obj为提取的前景目标区域，提取公式如下：

i^obj＝i^fsig(i^con)

其中sig(x)为符号函数，具体定义如下：

实施例3

本实施例的步骤s3中判断车辆是否存在粘连的方法具体步骤如下：

步骤s31：首先利用高斯差分降采样滤波对原图进行降采样处理，并将将相邻两个不同尺度的高斯核卷积图像相减获得高斯差值图像d(x,y,δ)作为降采样图：

其中表示对x和y方向上的像素点进行卷积操作，g(x,y,δ)是一个变尺度的高斯函数，k为相邻两个尺度空间倍数常数，k＝1.5。

步骤s32：在降采样图d(x,y,δ)中使用横向或者纵向镜像lbp描述子对目标区域图像进行处理，镜像lbp描述子公式如下：

其中(xc,yc)表示3×3邻域模板的中心元素坐标，m(x)表示横向或者纵向的模板镜像计算，pc为中心像素，pi为邻域像素，符号函数s(x)中thr阈值取0，定义如下：

步骤s33：利用互为镜像关系的描述子lbp^s和lbp^t扫描降采样图d(x,y,δ)中提取的目标区域，分别计算得结果图i^s和i^t；然后，利用汉明距离统计i^s和i^t中对应位置的相似程度，获取相似区域分布图is(x,y)如图4(a)所示：

其中r表示目标区域外接圆的半径长度，d为相似比较时的位移步长，w为最小位移步长。

步骤s34：利用相似区域分布图is(x,y)统计出整个目标区域中的相似分布统计结果：将垂直与车辆行驶路线方向上相似度数值进行累加，投影到一维空间形成相似度曲线如图4(b)所示，并利用高斯低通滤波器对相似度曲线进行滤波处理，剔除噪声波峰，以得到如图4(c)所示的更平滑的相似度曲线；最后，统计出相似度曲线上的波峰数量和位置信息，波峰数量和位置信息分别对应着车辆目标的对称轴数量和位置。

步骤s35：统计对称轴个数即相似度曲线上的波峰数量，如果称轴个数大于1，则判定目标联通体中出现了多车粘连的情况。

实施例4

本实施例的步骤s4中在判断存在车辆目标粘连的联通体中进行粘连分割，具体步骤如下：

步骤s41：利用graham算法提取目标联通体轮廓中所有凸点进行标记，如图5中空心点所示；反向筛选出如图5中黑色点所示的连续凹陷点组成轮廓凹陷区域，对每块连续的凹陷区域进行单独计算，得到凹陷区域外接三角形的高和面积。本步骤中，凹陷区域外接三角形的高即为凹陷深度。

步骤s42：选择相邻对称轴，依次划分相邻两轴所夹区段，依顺序标注为secⁱ，其中i∈[2,n-1]，n为对称轴个数。图6所示实施例中对称轴个数为2，且本实施例中，形成的独立计算区域sec²如图6(b)所示。

步骤s43：在任意一个secⁱ区域内找出所有凹陷区域，将所有凹陷区域深度和面积值各自归一化，然后将凹陷深度和面积归一化之后的数值累加起来作为分割点评价值f^k，并根据以下公式计算f^k：

其中和表示第k个凹陷区域深度和外接三角形的面积；

每次取数值最大的分割点评价值f^k所对应的区域凹陷顶点作为有效分割起点，沿着分割起点的凹陷方向找出相对的凹陷区域，两者连线作为分割线。

本实施例中，在sec²区域内标记所有凹陷区域如图6(a)所示，分别计算两个凹陷区域的分割点评价值f¹和f²，取出评价值较大的凹陷区域位置s¹的顶点作为有效分割起点，以此为基础找出相对方向上的分割点s²，即形成分了sec²中的分割线。

步骤s44：从目标联通体的一侧出发，依次利用分割线和对称轴分割出单个车体目标，并依此策略，不断的由联通体外侧向内部分割，直至判断当前联通体图像不再存在粘连车辆为止。本实施例中，粘连目标分割结果标注如图6(c)所示。

以上所述，仅为本发明涉及的较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。