[发明专利]一种基于超像素分割的车辆轮廓提取方法

摘要

本发明公开了一种基于超像素分割的车辆轮廓检测方法，实现少量处理器性能开销下的车辆轮廓提取方法，提高车辆具体信息提取的准确性；针对车辆轮廓提取问题，通过超像素背景差分，结合区域亲和度分类的方法，实现快速车辆轮廓提取，具有准确率高、速度快的特点，避免了轮廓提取消耗大量处理能力的问题，解决了快速车辆轮廓提取的问题。

主权项

1.一种基于超像素分割的车辆轮廓检测方法，包括如下步骤：步骤1：提取当前场景的背景图像，记为FBG；步骤2：通过相机采集当前交通场景的图像，记为F；步骤3：利用基于HOG+SVM的车辆检测方法获得车辆区域R；步骤4：从图像F中复制区域R中的子图像，记为F1；从图像FBG中复制R中的子图像，记为Fbg；步骤5：通过SLIC方法对图像F1进行超像素分割，得到超像素区域集合S＝{Ri|i＝1,2,3,…,n}，其中Ri表示集合S中第i个超像素区域，n表示集合S中的超像素个数；步骤6：根据式(1)～(3)计算区域Ri的超像素差分均值diffi，得超像素差分均值集合Dsal＝{diffi|i＝1,2,3,…,n}，具体如下：dpq＝F1.fLab(xp,yq)‑FbgfLab(xp,yq)     (2)fLab(xp,yq)＝L(xp,yq)+a(xp,yq)+b(xp,yq)      (3)其中，Ni表示Ri中的像素数量，dpq表示Ri中像素(xp,yq)在图像F1和图像Fbg间的差分值，xp和yq分别表示Ri中像素点的横坐标和纵坐标，fLab(xp,yq)表示坐标为(xp,yq)的像素在Lab颜色空间中各通道值的和，L(xp,yq),a(xp,yq)和b(xp,yq)分别表示点(xp,yq)在Lab各个通道上的值；步骤7：根据式(4)计算前景差分值集合Sfroe＝{si|i＝1,2,3,…,n}；其中，si表示区域Ri的前景差分值，λ表示事先给定的前景判断阈值；步骤8：计算图像F1中超像素的邻接矩阵Madj，并计算图像F1中区域Ri与之相邻的超像素数量，记为超像素相邻数量集合Nadj＝{adji|i＝1,2,3,…,n}，其中adji表示Ri的相邻超像素数量；计算Ri邻接超像素中前景差分值大于si的数量numi，得邻接显著数量集合Nsal＝{numi|i＝1,2,3,…,n}；步骤9：根据式(5)和(6)计算区域Ri的显著值ti，得显著值集合Ssal＝{ti|i＝1,2,3,…,n}；其中，savg表示图像F1的差分均值；步骤10：计算F1图像边缘上的超像素集合Sbd＝{Rj|j＝1,2,3,…,nbd}，nbd表示F1边缘上的超像素数量；步骤11：根据式(7)～(9)计算图像F1中的超像素背景邻接矩阵Mbd‑adj：Mbd‑adj＝Madj+Mbd     (7)Mbd＝[aij]n×n      (8)其中Mbd表示F1中的超像素背景相关性矩阵，aij表示区域Ri和Rj间的相关性；步骤12：根据式(10)～(13)计算超像素之间的亲和度矩阵Maffi：Maffi＝[vij]n×n      (10)dispq＝fLab(xp,yq)        (13)其中，vij表示区域Ri和Rj之间的亲和度，f(Ri)和f(Rj)分别表示Ri和区域Rj在Lab空间上的颜色均值；Ni表示Ri中的像素数量，dispq表示坐标为(xp,yq)的像素在Lab颜色空间中各通道值的和，f(xp,yq)可由式(3)求得；步骤13：根据亲和度矩阵Maffi，利用Mainfold Rank方法对其进行排序分类，得到车辆显著图Fsal；步骤14：对图像Fsal进行OTSU二值化处理，并进行膨胀腐蚀的形态学操作，得到车辆轮廓图Fcar。