一種自適應(yīng)的粘連車輛分割方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及交通視頻智能分析領(lǐng)域，尤其涉及一種自適應(yīng)的粘連車輛分割方法。
【背景技術(shù)】
[0002] 隨著智慧城市的建設(shè)，智能交通作為其中重要的一部分，受到了政府的關(guān)注。同 時，隨著智能交通監(jiān)控系統(tǒng)基于視頻的車輛跟蹤技術(shù)的發(fā)展，其也被廣泛地運用于城市交 通管理當中。
[0003]目前，在基于視頻的車輛跟蹤技術(shù)中，一方面，由于前景提取的不完整，導(dǎo)致車輛 前景經(jīng)常會和視頻場景中其他事物的前景互相粘連；另一方面，受制于攝像頭的視角單一 性，圖像中的車輛會互相遮擋產(chǎn)生粘連。而這些粘連會對后續(xù)的跟蹤算法產(chǎn)生不利影響，最 終導(dǎo)致車輛跟蹤結(jié)果不準確，甚至跟蹤丟失。同時，高準確性的前景提取方法由于耗時多， 從而無法保證車輛跟蹤算法的實時性。而現(xiàn)有的車輛粘連分割方法，過多依賴于其所固有 的跟蹤方法無法獨立出來去適應(yīng)其他分割方法，工業(yè)應(yīng)用性差。因此，如何準確地分割粘連 車輛，提高車輛跟蹤的準確性和實時性是一個亟待解決的問題。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明為克服上述的不足之處，目的在于提供一種自適應(yīng)的粘連車輛分割方法， 該方法通過基于運動向量層的分割、基于跟蹤數(shù)據(jù)和運動向量混合層的分割、基于顏色對 比度層的分割最終分割出粘連車輛；該方法魯棒性強，可適應(yīng)大部分的跟蹤方法，消除了分 割粘連車輛工業(yè)應(yīng)用的障礙，為實現(xiàn)分割粘連車輛提供了一個新的可靠的方法。
[0005] 本發(fā)明是通過以下技術(shù)方案達到上述目的：一種自適應(yīng)的粘連車輛分割方法，包 括如下步驟：
[0006] (1)讀取視頻序列中存在粘連的圖像中提取出圖像的前景，計算能夠包圍該前景 的前景邊界矩形；
[0007] (2)從前景中提取輪廓像素，計算提取到輪廓像素的運動向量并對運動向量進行 篩選；
[0008] (3)利用篩選出的運動向量估計前景邊界矩形的中心點和大小，獲得初步分割的 粘連車輛圖像；
[0009] (4)分析已跟蹤到車輛的軌跡數(shù)據(jù)并結(jié)合步驟（3)結(jié)果綜合估計前景邊界矩形的 中心點和大小，獲得新的粘連車輛圖像；
[0010] (5)利用線掃描對步驟（4)得到的粘連車輛圖像進行掃描，計算互相粘連區(qū)域的 顏色分布距離；
[0011] (6)根據(jù)掃描線所在位置計算出顏色對比度的權(quán)重；
[0012] (7)根據(jù)顏色分布距離和顏色對比度的權(quán)重計算出前景邊界矩形邊界的位置，分 割出粘連車輛。
[0013] 作為優(yōu)選，所述步驟（1)采用三幀差算法提取圖像的前景。
[0014] 作為優(yōu)選，所述步驟（2)對運動向量進行篩選的方法如下：
[0015]a)舍去向量長度長于標準值或者短于標準的運動向量，標準值為預(yù)設(shè)的；
[0016] b)將360度平均分為9個區(qū)間，計算剩余運動向量的角度并統(tǒng)計落在每個區(qū)間內(nèi) 的運動向量數(shù)量；
[0017] c)在9個區(qū)間內(nèi)篩選出運動向量數(shù)量最多的2個區(qū)間，存留2個區(qū)間內(nèi)的運動向 量；刪除其余7個區(qū)間內(nèi)的運動向量。
[0018] 作為優(yōu)選，所述步驟（3)利用篩選出的運動向量估計前景邊界矩形的中心點和大 小的方法如下：
[0019] 1)計算運動向量的平均運動向量并將其作為前景邊界矩形中心點的運動向量，從 而獲得前景邊界矩形的中心點；
[0020] 2)將前景邊界矩形平均分為9個塊，標記其中具有特殊性的固定位置的4個塊并 該4個塊對應(yīng)的前景邊界矩形的四條邊；
[0021] 3)計算起始點分別在該4個塊中的運動向量的平均運動向量坐標；
[0022] 4)根據(jù)平均運動向量坐標分別對4個塊對應(yīng)的前景邊界矩形的四條邊進行位移， 從而獲得前景邊界矩形的大小，長Wwidth，尚Hh6ight。
[0023] 作為優(yōu)選，所述步驟2)的標記方法為設(shè)置塊所在的行為i,列為j，塊為Bi,』， top是前景邊界矩形的上邊，left是前景邊界矩形的左邊，right是前景邊界矩形的右邊， bottom是前景邊界矩形的下邊。
[0024] 作為優(yōu)選，所述步驟（4)利用Kalman濾波算法分析已跟蹤到車輛的軌跡數(shù)據(jù)。
[0025] 作為優(yōu)選，所述步驟（4)中結(jié)合步驟（3)結(jié)果綜合估計前景邊界矩形的中心點和 大小的方法如下：
[0026] i)將篩選后運動向量的平均運動向量作為一個運動向量，該運動向量的起點為車 輛Cm上一幀圖像前景邊界矩形的中心點，終點設(shè)置為H
[0027] ii)將車輛Cm的位置作為P ，得到車輛Cm在上一幀圖像的前景邊界矩形的大 'J、，^ Pwidth，冋Pheight;
[0028] iii)綜合分析Pa，Ha,其中，a= {center，width，height}，獲得最終的前景邊界矩 形的中心點和大小Fa。
[0029] 作為優(yōu)選，所述步驟iii)的綜合分析方法公式SFa= 〇Pa+yHa，（〇、y為常 數(shù)）。
[0030] 作為優(yōu)選，所述步驟（5)掃描粘連車輛圖像的掃描方向由粘連位置的關(guān)系決定， 如下所示：
[0031] A)如果是上下粘連位置關(guān)系，則從上至下掃描；
[0032] B)如果是左右粘連位置關(guān)系，則從左至右掃描；
[0033] C)如果是對角線粘連位置關(guān)系，則需先從上至下掃描，再從左至右進行掃描。
[0034] 作為優(yōu)選，所述步驟（5)計算互相粘連區(qū)域的顏色分布距離的公式如下：
[0035] s(c，i) =f(c，iIa)2_f(c，iIb)2
[0036] 其中，s(c，i)為最終的距離，a，b為互相粘連的區(qū)域，i為掃描線的坐標，c為在 RGB顏色空間顏色的值。
[0037] 作為優(yōu)選，所述步驟（6)計算顏色對比度的權(quán)重的公式如下：
【主權(quán)項】
1. 一種自適應(yīng)的粘連車輛分割方法，其特征在于，包括如下步驟： (1) 讀取視頻序列中存在粘連的圖像中提取出圖像的前景，計算能夠包圍該前景的前 景邊界矩形； (2) 從前景中提取輪廓像素，計算提取到輪廓像素的運動向量并對運動向量進行篩 選； (3) 利用篩選出的運動向量估計前景邊界矩形的中心點和大小，獲得初步分割的粘連 車輛圖像； (4) 分析已跟蹤到車輛的軌跡數(shù)據(jù)并結(jié)合步驟（3)結(jié)果綜合估計前景邊界矩形的中心 點和大小，獲得新的粘連車輛圖像； (5) 利用線掃描對步驟（4)得到的粘連車輛圖像進行掃描，計算互相粘連區(qū)域的顏色 分布距離； (6) 根據(jù)掃描線所在位置計算出顏色對比度的權(quán)重； (7) 根據(jù)顏色分布距離和顏色對比度的權(quán)重計算出前景邊界矩形邊界的位置，分割出 粘連車輛。
2. 根據(jù)權(quán)利要求1所述的一種自適應(yīng)的粘連車輛分割方法，其特征在于，所述步驟（1) 采用三幀差算法提取圖像的前景。
3. 根據(jù)權(quán)利要求1所述的一種自適應(yīng)的粘連車輛分割方法，其特征在于，所述步驟（2) 對運動向量進行篩選的方法如下： a) 舍去向量長度長于標準值或者短于標準的運動向量，標準值為預(yù)設(shè)的； b) 將360度平均分為9個區(qū)間，計算剩余運動向量的角度并統(tǒng)計落在每個區(qū)間內(nèi)的運 動向量數(shù)量； c) 在9個區(qū)間內(nèi)篩選出運動向量數(shù)量最多的2個區(qū)間，存留2個區(qū)間內(nèi)的運動向量； 刪除其余7個區(qū)間內(nèi)的運動向量。
4. 根據(jù)權(quán)利要求1所述的一種自適應(yīng)的粘連車輛分割方法，其特征在于，所述步驟（3) 利用篩選出的運動向量估計前景邊界矩形的中心點和大小的方法如下： 1) 計算運動向量的平均運動向量并將其作為前景邊界矩形中心點的運動向量，從而獲 得前景邊界矩形的中心點； 2) 將前景邊界矩形平均分為9個塊，標記其中具有特殊性的固定位置的4個塊并該4 個塊對應(yīng)的前景邊界矩形的四條邊； 3) 計算起始點分別在該4個塊中的運動向量的平均運動向量坐標； 4) 根據(jù)平均運動向量坐標分別對4個塊對應(yīng)的前景邊界矩形的四條邊進行位移，從而 獲得前景邊界矩形的大小，長Wwidth，高Hteight。
5. 根據(jù)權(quán)利要求4所述的一種自適應(yīng)的粘連車輛分割方法，其特征在于，所述步驟2) 的標記方法為設(shè)置塊所在的行為i，列為j，塊為By，top是前景邊界矩形的上邊，left是 前景邊界矩形的左邊，right是前景邊界矩形的右邊，bottom是前景邊界矩形的下邊。
6. 根據(jù)權(quán)利要求1所述的一種自適應(yīng)的粘連車輛分割方法，其特征在于，所述步驟（4) 利用Kalman濾波算法分析已跟蹤到車輛的軌跡數(shù)據(jù)。
7. 根據(jù)權(quán)利要求1所述的一種自適應(yīng)的粘連車輛分割方法，其特征在于，所述步驟（4) 中結(jié)合步驟（3)結(jié)果綜合估計前景邊界矩形的中心點和大小的方法如下： i) 將篩選后運動向量的平均運動向量作為一個運動向量，該運動向量的起點為車輛Cm 上一幀圖像前景邊界矩形的中心點，終點設(shè)置為H_tOT; ii) 將車輛Cm的位置作為P ，得到車輛Cm在上一幀圖像的前景邊界矩形的大小，長 Pwidth，問Pheight^ iii) 綜合分析？3，札，其中，a= {center，width，height,獲得最終的前景邊界矩形的 中心點和大小Fa。
8. 根據(jù)權(quán)利要求7所述的一種自適應(yīng)的粘連車輛分割方法，其特征在于，所述步驟 iii)的綜合分析方法公式為Fa= 〇Pa+yHa，（ 〇、y為常數(shù)）。
9. 根據(jù)權(quán)利要求1所述的一種自適應(yīng)的粘連車輛分割方法，其特征在于，所述步驟（5) 掃描粘連車輛圖像的掃描方向由粘連位置的關(guān)系決定，如下所示： A) 如果是上下粘連位置關(guān)系，則從上至下掃描； B) 如果是左右粘連位置關(guān)系，則從左至右掃描； C) 如果是對角線粘連位置關(guān)系，則需先從上至下掃描，再從左至右進行掃描。
10. 根據(jù)權(quán)利要求1所述的一種自適應(yīng)的粘連車輛分割方法，其特征在于，所述步驟 (5) 計算互相粘連區(qū)域的顏色分布距離的公式如下： s(c，i) =f(c，i|a)2_f(c，i|b)2 其中，s(c，i)為最終的距離，a,b為互相粘連的區(qū)域，i為掃描線的坐標，c為在RGB顏 色空間顏色的值。
11. 根據(jù)權(quán)利要求1所述的一種自適應(yīng)的粘連車輛分割方法，其特征在于，所述步驟 (6) 計算顏色對比度的權(quán)重的公式如下：
其中，w⑴為掃描前坐標為i的權(quán)重值，apa2,b，hi和h2為參數(shù)。
12. 根據(jù)權(quán)利要求1所述的一種自適應(yīng)的粘連車輛分割方法，其特征在于，所述步驟 (7) 計算前景邊界矩形邊界的位置的公式如下：
其中，d(i)為前景邊界矩形i邊界的位置，w(i)為掃描前坐標為i的權(quán)重值，s(c，i) 為最終的距離。
【專利摘要】本發(fā)明涉及一種自適應(yīng)的粘連車輛分割方法，該方法主要步驟包括：(1)利用粘連車輛的輪廓運動向量層，初步分割出粘連車輛的候選區(qū)域；(2)根據(jù)跟蹤所得的歷史數(shù)據(jù)和預(yù)測的粘連車輛的位置，進一步分割粘連車輛的候選區(qū)域；(3)利用分析所得的互相粘連車輛們的顏色的對比度，最終獲得粘連車輛的位置，從而分割出粘連車輛。本發(fā)明方法魯棒性強，可適應(yīng)大部分的跟蹤方法，消除了分割粘連車輛工業(yè)應(yīng)用的障礙，為實現(xiàn)分割粘連車輛提供了一個新的可靠的方法。
【IPC分類】G06T7-20
【公開號】CN104700432
【申請?zhí)枴緾N201510129155
【發(fā)明人】趙娜, 夏瑩杰, 王輝, 谷虹嫻
【申請人】銀江股份有限公司, 杭州師范大學(xué)
【公開日】2015年6月10日
【申請日】2015年3月24日