专利名称：交通监控场景中车辆分割方法
技术领域：
本发明涉及一种交通监控场景的车辆分割方法，尤其涉及一种融合颜色和角点信息，通过混合掩模的方法抑制光线变化和阴影干扰的车辆分割方法。
背景技术：
智能监控系统得到了广泛应用，自动准确地提取运动目标是一个监控系统必备的功能。要解决该问题，主要面临两个难题，一个是设计一种背景建模方法，可以自适应地模拟光线不断变化的背景，通过差分方法得到运动前景；另一个问题是分离运动物体和运动物体的阴影，进而分割出准确的运动目标。为了检测运动像素点，通常使用当前帧和自适应背景模型做差分的方法。然而得到的检测区域不但包括了运动的物体，而且包括了运动物体的影子和其他光线变化的区域，且影子是主要的干扰因素。在实际监控场景中，阴影是非常常见的，它广泛存在于监控场景中，阴影的存在导致了物体分割的错误，从而会对后续的目标识别和目标跟踪带来错误。所以，一个鲁棒的运动物体分割方法是很有必要的。只有实现了运动物体的正确分割， 才能顺利完成后续的目标识别，目标跟踪，目标分类等问题。目前，常见的自适应背景建模的方法有基于混合高斯模型法和自适应背景更新方法。混合高斯模型法(Gaussian Mixture Model,GMM)是Mauffer在1999年提出的，该方法是一种基于统计学原理的方法，具有很大的计算量，对于实时性的要求比较高的监控系统，需要高性能的DSP才能完成该任务，这无形中就提高了产品的成本。所以，在复杂的实时监控场景中应用很少。自适应背景更新方法以其计算量小获得了较广泛的应用，其基本原理可参考 TI 公司文献(Video Background/Foreground Detection Implementation on TMS320C64/64x+DSP，www. ti. com. cn)。常见的阴影检测方法有统计参数模型，统计分参数模型，确定性基于模型方法， 确定性非基于模型方法(参见文献 Andrea Prati，Ivana Mikic，Mohan Μ. Trivedi, Rita Cucchiara. Detecting moving shadows !algorithms and evaluation. IEEE Transactions on Pattern Analysis and Machine Intelligence， vol.25, no.7, pp.918—923， 2003.)。这些方法主要在RGB，HSV，HSI等颜色空间里进行分析。有着各自的特性，然而实际监控场景是复杂的。且能否准确分割运动目标和运动目标的阴影作为该算法的性能评判标准。Jiandong Tian et al.提出了三色衰减模型！"ri-color Attenuation Model (ΤΑΜ)来描述阴影区域和非阴影区域的衰减关系。该方法采用普朗克黑体辐射理
(Planck' s blackbody irradiance theory) 5( ,(Correlated Color Temperature, CCT)来初始化，但是每当环境光改变的时候或者多光源的情况下，需要重新估计参数。Sohail et al.提出了一种基于时空反射测试和双色反射模型 (spatio-temporal albedo test and dichromatic reflection model)来移除阴影，其前提假设光源主要来源于天空和太阳，所以这种方法对于复杂光源的情况下或者未知光源位置的情况下效果并不好。
发明内容
本发明要解决现有交通监控场景的车辆分割方法在对于复杂光源的情况下或者未知光源位置的情况下分割效果不好的问题，提供了一种能精确分割车辆的交通监控场景的车辆分割方法。本发明的技术方案交通监控场景的车辆分割方法，其特征在于其融合角点特征、运动纹理特征和颜色特征来分割车辆边缘，其步骤如下(1)背景提取和背景更新环节，通过自适应背景模型实现自适应监控场景的光线变化，所述自适应背景模型是自适应地调整参数值来改变背景更新的速度；(2)背景差分和前景提取环节，通过背景差分提取运动的前景，得到差分后的运动像素点掩膜模板；(3)颜色空间分析环节，通过颜色空间分析提取运动的场景中颜色特征突出的部分，得到颜色特征掩膜模板；(4)角点提取和角点聚类环节，通过角点提取和角点聚类发掘运动的前景中颜色特征不明显的区域，得到角点掩膜模板；(5)多重掩膜和车辆分割环节，通过对运动像素点掩膜模板、颜色特征掩膜模板、 角点掩膜模板进行多重掩膜来得到最终的车辆像素，完成车辆的边缘分割。进一步，步骤(1)的背景提取和背景更新环节的自适应背景模型如下
权利要求
1.交通监控场景的车辆分割方法，其特征在于其融合角点特征、运动纹理特征和颜色特征来分割车辆边缘，其步骤如下(1)背景提取和背景更新环节，通过自适应背景模型实现自适应监控场景的光线变化， 所述自适应背景模型是自适应地调整参数值来改变背景更新的速度；(2)背景差分和前景提取环节，通过背景差分提取运动的前景，得到差分后的运动像素点掩膜模板；(3)颜色空间分析环节，通过颜色空间分析提取运动的场景中颜色特征突出的部分，得到颜色特征掩膜模板；(4)角点提取和角点聚类环节，通过角点提取和角点聚类发掘运动的前景中颜色特征不明显的区域，得到角点掩膜模板；(5)多重掩膜和车辆分割环节，通过对运动像素点掩膜模板、颜色特征掩膜模板、角点掩膜模板进行多重掩膜来得到最终的车辆像素，完成车辆的边缘分割。
2.根据权利要求1所述的交通监控场景的车辆分割方法，其特征在于步骤(1)的背景提取和背景更新环节的自适应背景模型如下
3.根据权利要求1或2所述的交通监控场景的车辆分割方法，其特征在于步骤(2)中的背景差分和前景提取环节，首先是通过式(4)得到差分图像，然后，通过式( 获得差分后的运动掩模模板；
4.根据权利要求3所述的交通监控场景的车辆分割方法，其特征在于步骤(3)中颜色空间分析环节是基于RGB颜色空间的，首先定义an(x，y)是公式(6)取最小值时候的数值；其次，定义CDn(x，y)作为在颜色空间分析的颜色距离量，如式(7)；
5.根据权利要求4所述的交通监控场景的车辆分割方法，其特征在于步骤(4)中的角点提取和角点聚类环节的角点提取采用16邻域判定的方法提取角点，角点聚类方法采用距离测度如(9)式所示；
6.根据权利要求5所述的交通监控场景的车辆分割方法，其特征在于步骤(5)中多重掩膜和车辆分割环节中的多重掩膜公式如(11)所示
全文摘要
交通监控场景的车辆分割方法，其融合角点特征、运动纹理特征和颜色特征来分割车辆边缘，其步骤如下(1)背景提取和背景更新环节，通过自适应背景模型实现自适应监控场景的光线变化；(2)背景差分和前景提取环节，通过背景差分提取运动的前景，得到差分后的运动像素点掩膜模板；(3)颜色空间分析环节，通过颜色空间分析提取运动的场景中颜色特征突出的部分，得到颜色特征掩膜模板；(4)角点提取和角点聚类环节，通过角点提取和角点聚类发掘运动的前景中颜色特征不明显的区域，得到角点掩膜模板；(5)多重掩膜和车辆分割环节，通过对运动像素点掩膜模板、颜色特征掩膜模板、角点掩膜模板进行多重掩膜来完成车辆的边缘分割。
文档编号G06K9/00GK102194109SQ201110136960
公开日2011年9月21日 申请日期2011年5月25日 优先权日2011年5月25日
发明者乐浩成, 冯远静, 张明, 牛延棚, 王彬 申请人:浙江工业大学