一种弱对比度下的车辆目标分割方法
【技术领域】
[0001] 本发明属于图像处理领域，涉及一种图像分割方法，具体是一种弱对比度下的车 辆目标分割方法。
【背景技术】
[0002] 随着科学技术的进步，智能交通系统（ITS)已成为人类提高交通智能化程度和交 通管理水平的重要手段。特别是随着计算机技术和传感器技术的快速发展，基于机器视觉 的车辆检测与监控成为了 ITS中一个重要组成部分，对于完善ITS中的交通管理、交通信息 采集、紧急事件管理及救援等都具有重要的作用。从交通监控图像中对感兴趣的车辆目标 进行分割提取是基于机器视觉的车辆检测与车辆监控系统中的关键技术，其分割结果的精 度直接影响车辆检测的准确性，以及为后续车型分类、车辆识别与跟踪等处理。目前许多关 于图像分割的传统方法用于车辆目标的分割，如基于区域信息的图像分割方法、基于边缘 信息的图像分割方法、基于特征空间的图像分割方法、基于阈值的图像分割方法等，这些方 法都存在不同的阈值设置会导致分割结果与分割质量差异很大，鲁棒性差的缺点；近年来 基于图论的图像分割技术在近30年引起了学者们的广泛关注，成为图像分割领域的一个 较新的研究热点。基于图论的图像分割技术成功的将图像元素映射到图中进行图像分割 以获取感兴趣区域，例如基于多尺度图分解的谱分割方法、直接采用亮度和色彩特征的图 割方法（即申请号为201210257591. 1的专利中方法）等，这些方法用于车辆目标分割，在 白天有日光阴影的情况下能够较好地对车辆目标进行分割，但仍存在环境适应性较差等缺 点，尤其是对于复杂交通场景、夜间场景或恶劣天气（如大雾、雨雪等）下的弱对比度目标 分割难以获得令人满意的分割效果。
【发明内容】
[0003] 针对上述现有技术存在的不足，本发明的目的在于，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。
[0004] 一种弱对比度下的车辆目标分割方法，具体包括如下步骤：
[0005] 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：
[0006] 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；
[0007] 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；
[0008] 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。
[0009] 进一步的，所述步骤11中对训练图像进行预处理，并提取亮度梯度特征、色彩梯 度特征与纹理梯度特征，具体包括步骤111~步骤113 :
[0010] 步骤111，对训练图像进行色彩空间的转换及其各分量的量化预处理，得到归一化 后的亮度分量L和色彩分量a、b ;
[0011] 步骤112,计算亮度分量L的矩阵对应的每一个像素点的亮度梯度；
[0012] 步骤113,分别计算色彩分量a和色彩分量b的矩阵中每一个像素点的色彩梯度；
[0013] 步骤114,计算每一个像素点的纹理梯度。
[0014] 进一步的，所述步骤111具体如下：
[0015] 首先，将训练图像进行伽马校正，以实现对图像色彩分量的非线性调整，将训练图 像由RGB色彩空间转换至Lab色彩空间；再对训练图像在Lab色彩空间下的亮度分量L和 两个色彩分量a、b进行归一化处理，得到归一化后的亮度分量L和色彩分量a、b。
[0016] 进一步的，所述步骤113具体包括步骤A-D :
[0017] A、构建3个尺度的权值矩阵Wights <> ;
[0018] B、构建3个尺度的索引地图矩阵Slice_map <> ;每个尺度的索引地图矩阵 Slice_map <>对应尺度的权值矩阵Wights <>具有相同的维度，即每个索引地图Slice_ map<>矩阵也是行数和列数都为2r+l的方阵；选取8个方向（0°、22.5°、45°、67.5°、 90°、112. 5°、135°、157. 5° )将矩阵分为16个区域，每个区域中元素的取值与该区域的 编号0~15相同；
[0019] C、将每个索引地图矩阵Slice_map <>与其对应尺度的权值矩阵Wights <>中 的元素一一对应相乘得到对应尺度的矩阵，即邻域梯度算子；
[0020] D、利用邻域梯度算子，计算亮度分量L的矩阵中一个待求像素点的亮度梯度。
[0021] 进一步的，所述步骤A具体如下：
[0022] 分别构建3个尺度的权值矩阵Wights <>;所述的权值矩阵Wights <>是行数 和列数均等于2r+l的方阵；权值矩阵Wights <>中的元素非0即1，等于1的元素分布在 以方阵中心元素（r+l，r+l)为圆心、以r为半径的圆盘范围内，形成方阵的内切圆，方阵中 其余元素均为0 ;3个尺度分别为r = 3、r = 5和r = 10。
[0023] 进一步的，所述步骤D具体如下：
[0024] ①对于某一个尺度，以步骤111得到的亮度分量L的矩阵中一待求像素点为中心， 通过某一尺度的邻域梯度算子与待求像素点邻域范围内的每个亮度分量进行点乘，得到待 求像素点邻域范围内的矩阵Neibor <>;选取竖直方向（90° )的直线作为分界线，将邻 域梯度算子中的圆盘划分成左半圆和右半圆，左半圆包括第〇扇区到第7扇区，右半圆包括 第8扇区到第15扇区；每个半圆对应的矩阵Neibor <>的元素构成一个直方图并对其进 行归一化，分别记为SliceJiist1O和Slice_hist 2<> ;H i代表左边半圆区域所对应的 直方图，氏代表右边半圆区域所对应的直方图，i为直方图的bin的取值，定义为[0,24]， 即亮度范围。
[0025] ②通过式（1)所示的卡方距离计算两个归一化直方图之间的差异，即得到某一尺 度下一个待求像素点的竖直方向上的亮度梯度；
[0026]
[0027] 仕订昇元呆一尺皮竖且力N上的焭皮秭皮乙/5,分别选取其他方向所在直线作为 分界线，得到该待求像素点某一尺度所有其他方向上的亮度梯度；再根据步骤D同样的方 式计算得到该待求像素点其他尺度上的所有方向的亮度梯度。当完成该待求像素点所有尺 度所有方向上的亮度梯度计算后，由公式（2)计算该待求像素点的最终亮度梯度：
[0028] f (x, y, r, n_ori ；r = 3, 5, 10 ；n_ori = I, 2,......8)- > Brightness Gradient (x,y) (2)
[0029] 式中，f为一映射函数，（x，y)为任一待求像素点，r表示选取的尺度，n_ori表示 选取的方向；Brightness Gradient (x，y)为像素点（x，y)的最终亮度梯度；f的对应法则为 选择每个方向在3个尺度中的最大亮度梯度值作为该方向上的亮度梯度值，将8个方向上 的亮度梯度求和得到像素点（x，y)的最终亮度梯度。
[0030] 进一步的，所述步骤114具体如下：
[0031] A、构建多尺度纹理滤波器组集合Filters(x,y) (nf, filter, r, Θ )，nf表示滤波器的 个数，filter表示滤波器种类的集合，r表示尺度，Θ表示选取的方向；
[0032] Β、计算训练图像中每一个像素点相应的纹理滤波响应向量，即Tex(x, y) = (fih ,fil2, fil3. · · , filnf)，具体如下：
[0033] 将灰度图像IgMy(x, y)与构建的多尺度纹理滤波器集合Filtersfcy) [nf, filter, r, Θ]在像素点（x，y)为中心的相应尺度邻域内进行卷积，得到像素点（x，y) 的纹理滤波响应向量。如尺度r = 5时，在以某一像素为中心的11*11邻域内进行卷积，即 Igray (X，y)*FiIters (nf，filter, r, θ )，其中 nf= 17，filter = (fil cs，fil!，fil2)，r = 5， Θ =0°、22.5°、45°、67.5°、90°、112.5°、135°、157.5° ;得到像素点（x，y)的纹理 滤波响应向量 Tex(x，y) =
[0034] 以上述方法分别计算r = 5、r = 10、r = 20时以某一像素点（x, y)