[发明专利]一种基于聚类算法的车辆检测方法

说明书

本发明属于目标识别领域，公开了基于聚类算法的车辆检测方法，步骤包括：对图像进行预处理；通过对图像进行颜色量化处理，减少像素点的颜色种类；将图像从RGB色彩空间转换为LAB色彩空间，提取LAB颜色空间的图像像素点的颜色特征向量，并颜色特征向量组成特征量值矩阵；计算每个像素点的局部密度和距较高密度点的距离，筛选出局部密度大于阈值以及距较高密度点的距离大于阈值的像素点作为簇中心，将其它像素点规置到该簇中心，进行像素点的聚类；根据聚类结果生成车辆分割图像。本发明大幅降低了计算量；量化的颜色通过算法的不断迭代使得其量化值更加准确，提高后续检测的效果；不需要指定预先定义的簇数，计算效率较高。

技术领域

本发明属于目标识别技术领域，尤其涉及一种基于聚类算法的车辆检测方法。

背景技术

随着人们生活水平的提高，车辆的数量越来越多，车辆的种类、型号、框架结构等都具有不同的特征，因此应用虚拟现实技术和图像处理技术的目标检测和识别技术，例如人脸识别、行人特征检测、车辆检测等，在智能交通和传感技术发展的过程中，也越来越多地被应用到交通领域，例如车辆碰撞预测预警、车辆偏离车道等突发情况；在智能交通中通过视频捕捉利用视觉技术进行分析和跟踪，检测人流拥挤和车辆通行状况，可便捷高效地进行交通管理，减少交通事故。

在车辆检测技术中，通过背景图像、纹理和颜色等对运动目标进行检测，提高检测精度，在检测过程中，通过利用高速混合建模、分类器、决策树等算法进行多目标检测、跟踪、识别等。在车辆检测中通过视频和图像分离背景图像，常用的技术有基于背景差分、先验知识、光流法、机器学习等，其中，机器学习的研究应用已成为目前的前沿领域，目标检测的方法和技术越来越多。

聚类算法主要是对生成的簇中的数据进行相异和相似性判别，尽最大程度地实现对象中的相似度度量。现有的聚类算法检测精度不高，计算量大，效率低下。

发明内容

有鉴于此，本发明提出了一种基于聚类算法的车辆检测方法，在颜色量化算法方面通过算法的不断迭代使得其量化值更加准确，从而提高后续检测的效果。在车辆检测不需要指定预先定义的簇数，只需要一个灵敏度较低的参数，进而达到单变量控制的效果降低的算法的复杂度。此外通过多种方式降低了整个算法的运算量，从而提高了整个算法效率。

具体的，本发明公开的一种基于聚类算法的车辆检测方法，包括以下步骤：

对图像进行预处理，包括对图像的滤波降噪以及图像的尺寸调整；

通过对图像进行颜色量化处理，减少像素点的颜色种类；

将图像从RGB色彩空间转换为LAB色彩空间，提取LAB颜色空间的图像像素点的颜色特征向量，并所述颜色特征向量组成特征量值矩阵；

计算每个像素点的局部密度和距较高密度点的距离，筛选出局部密度大于阈值以及距较高密度点的距离大于阈值的像素点作为簇中心，将其它像素点规置到该簇中心，进行像素点的聚类；

根据聚类结果生成车辆分割图像。

进一步的，所述图像的滤波降噪方法为中值滤波方法，用于去除脉冲噪声与椒盐噪声，同时保留图像的边缘细节；图像尺寸的调整用于降低相似性度量值的运算数量提高运行速度。

进一步的，所述颜色量化处理的步骤包括：

S1：从图像中随机选取K个RGB分量，M_k＝[R′_k,G′_k,B′_k]，其中k为K的计数，R′_k,G′_k,B′_k分别为选取的K个点所对应的R、G、B分量；

S2：计算各个像素点与所述选取K个RGB分量的色彩距离