一种基于高斯颜色距离的卡口车辆定位方法
技术领域
本发明涉及一种基于高斯颜色距离的卡口车辆定位方法,属于图像处理与分析在智能视频监控上的应用。
背景技术
车辆定位技术可以通过基于视频或图像序列的运动目标检测进行,也可以通过单幅图像进行。目前较为流行的方法是从大量样本中提取特征进行机器学习训练,比如harr特征+adaboost分类器,以及HOG特征+SVM分类器的方法,然后在测试图像中提取同类特征,并送入分类器识别。由于大部分交通卡口采用的是线圈感应拍照的形式,只能获取单幅图像,因此基于视频或图像序列的运动目标检测方法并不适用;而基于机器学习的车辆定位方法需要事先搜集大量的样本并进行人工标定,耗费大量的时间和人力。因此,本发明致力于只利用单幅卡口图像本身的灰度和颜色信息,提取车辆目标,为后续的车型识别、嫌疑车检测等工作提供精确的车辆定位信息。
发明内容
本发明所要解决的技术问题是提供一种基于高斯颜色距离的卡口车辆定位方法,本发明定位精准,无需训练,且耗时较少,能够满足现实使用中对实时性的要求。
为解决上述技术问题,本发明所采用的技术方案是:一种基于高斯颜色距离的卡口车辆定位方法,其特征在于,包括以下部分:
S01、读入图像并划分网格:读入卡口车辆图像I,并将其划分为4*4的网格,每一个网格内的子图像记为Ii,i=1,2,...,16;
S02、提取道路区域信息:根据各子图像的灰度分布特征,对图像进行道路区域估计,并提取由灰度标准差分布信息与LAB通道颜色信息组成的道路区域特征向量Cbk=[stdbk Lbk Abk Bbk];
S03、建立高斯距离图:计算子图像中各个聚类子块与道路区域特征向量的高斯距离,形成高斯距离图D;
S04、获取定位中心:基于高斯距离图D得到卡口车辆图像I的车辆定位中心。
作为本发明的进一步改进,所述步骤S02具体为:
(1)对每一幅子图像,提取各像素点灰度,形成灰度向量vi,i=1,2,...16;
(2)计算灰度向量vi的标准偏差stdi;
(3)根据stdi,i=1,2,...16的大小进行由小到大的排序,获得排在前三位的序号,记为i1,i2和i3;
(4)获取序号i1,i2和i3对应的子图像和对子图像j=1,2,3进行二值化,即根据灰度信息将分成2部分和
(5)计算和的灰度标准差,分别记为和若取中的所有像素放入道路区域像素集合V中,否则,取中的所有像素放入道路区域像素集合V中;
(6)对道路区域像素集合V中的元素提取其灰度标准差和LAB三通道的像素灰度平均值Cv=[stdv Lv Av Bv]作为道路区域特征向量Cbk=[stdbk Lbk Abk Bbk];
作为本发明的进一步改进,所述步骤S03具体为:
(1)对每一幅子图像Ii,i=1,2...,16,利用k-means算法进行K=3的图像聚类分割,每个分割块记为k=1,2,3;
(2)计算每一个分割块由灰度标准差分布信息与LAB三通道颜色信息组成的分割
块特征向量与道路区域特征向量Cbk=[stdbk Lbk Abk
Bbk]之间的高斯距离其中σ=0.2,β=0.5;
(3)综合各子图像的各分割块k=1,2,3,i=1,2,...,16的高斯距离,形成高斯距离图D,其中D(ii,jj)表示图像I中第ii行第jj列的像素与Cbk之间的高斯距离;
作为本发明的进一步改进,所述步骤S04具体为:
(1)对高斯距离图D进行二值化,得到二值图像bw;
(2)对二值图像bw进行数学形态学操作,连接目标断裂区域,并消除形状和大小不可能为车辆的二值连通区域,得到二值图像bw';
(3)二值图像bw'中的连通域中心即为卡口车辆图像I的车辆定位中心。
本发明的有益效果是,只利用单幅图像的灰度和颜色信息准确提取图像中的车辆目标,无需训练,耗时短,完全满足卡口图像的实时处理要求。
附图说明
图1为本发明所提供的一种基于高斯颜色距离的卡口车辆定位方法流程图。
具体实施方式
下面结合附图所示的各实施方式对本发明进行详细说明,但应当说明的是,这些实施方式并非对本发明的限制,本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代,均属于本发明的保护范围之内。
针对当前基于视频或图像的卡口车辆检测方法存在着训练周期长、定位不准确、受外界环境干扰较为严重的问题,本发明提出了一种基于高斯颜色距离的卡口车辆定位方法,下面结合附图进行详细说明:
如图1所示,为本发明所提供的一种基于高斯颜色距离的卡口车辆定位方法具体实施方式中的流程示意图。在本实施方式中,一种基于高斯颜色距离的卡口车辆定位方法,其包括以下部分:
S01、读入图像并划分网格:读入卡口车辆图像I,并将其划分为4*4的网格,每一个网格内的子图像记为Ii,i=1,2,...,16;
S02、提取道路区域信息:根据各子图像的灰度分布特征,对图像进行道路区域估计,并提取由灰度标准差分布信息与LAB通道颜色信息组成的道路区域特征向量Cbk=[stdbk Lbk Abk Bbk];
所述步骤S02具体为:
(1)对每一幅子图像,提取各像素点灰度,形成灰度向量vi,i=1,2,...16;
(2)计算灰度向量vi的标准偏差stdi;
(3)根据stdi,i=1,2,...16的大小进行由小到大的排序,获得排在前三位的序号,记为i1,i2和i3;
(4)获取序号i1,i2和i3对应的子图像和对子图像j=1,2,3进行二值化,即根据灰度信息将分成2部分和
(5)计算和的灰度标准差,分别记为和若取中的所有像素放入道路区域像素集合V中,否则,取中的所有像素放入道路区域像素集合V中;
(6)对道路区域像素集合V中的元素提取其灰度标准差和LAB三通道的像素灰度平均值Cv=[stdv Lv Av Bv]作为道路区域特征向量Cbk=[stdbk Lbk Abk Bbk];
S03、建立高斯距离图:计算子图像中各个聚类子块与道路区域特征向量的高斯距离,形成高斯距离图D;
所述步骤S03具体为:
(1)对每一幅子图像Ii,i=1,2...,16,利用k-means算法进行K=3的图像聚类分割,每个分割块记为k=1,2,3;
(2)计算每一个分割块由灰度标准差分布信息与LAB三通道颜色信息组成的分割
块特征向量与道路区域特征向量Cbk=[stdbk Lbk Abk
Bbk]之间的高斯距离其中σ=0.2,β=0.5;
(3)综合各子图像的各分割块k=1,2,3,i=1,2,...,16的高斯距离,形成高斯距离图D,其中D(ii,jj)表示图像I中第ii行第jj列的像素与Cbk之间的高斯距离;
S04、获取定位中心:基于高斯距离图D得到卡口车辆图像I的车辆定位中心。
所述步骤S04具体为:
(1)对高斯距离图D进行二值化,得到二值图像bw;
(2)对二值图像bw进行数学形态学操作,连接目标断裂区域,并消除形状和大小不可能为车辆的二值连通区域,得到二值图像bw';
(3)二值图像bw'中的连通域中心即为卡口车辆图像I的车辆定位中心。
以上已以较佳实施例公开了本发明,然其并非用以限制本发明,凡采用等同替换或者等效变换方式所获得的技术方案,均落在本发明的保护范围之内。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。