CN100359532C - 多目标图像的分层聚类方法 - Google Patents

Abstract

本发明涉及一种多目标图像的分层聚类方法，先对目标点按高度方向进行从大到小的排列，根据目标高度的最大值和最小值对目标进行等值层次分割，获得各层所有的目标点并找出上下两层的目标点对应关系，从上到下依次对各层单独进行目标的聚类和辨识，最后融合所有各层的目标中心点，进行多层的目标信息融合。本发明能够对拥挤条件下的多运动目标进行高精度的分割和辨识，同样适用于目标不拥挤的条件以及对视频图像的多运动目标辨识。

Description

多目标图像的分层聚类方法

技术领域：

本发明涉及一种多目标图像的分层聚类方法，对拥挤条件下的多个被检测目标进行分层聚类和辨识，属于计算机信息图像处理和模式识别技术，可以应用于智能交通领域以及其他相关领域。

背景技术：

目前对图像中的目标进行辨识的方法很多，根据不同的应用背景有不同的方法。这些方法都是根据单一阈值分割图像后进行的辨识方法，因此有很强的针对性和局限性。

图像中目标的识别和辨识方法的复杂性取决于目标的拥挤情况，在图像中目标较稀疏的情况下，利用单一阈值对图像中的目标(在激光图像中，目标高度是物体的实际高度，在一般图像中，则是灰度值)进行分割，采用已经相对成熟的辨识方法对分割的目标点进行聚类识别，可以获得较好的应用效果。但在目标拥挤的情况下，图像中拥挤的多个目标会连接在一起形成目标的连通区域，用单一分层后进行辨识的方法很难将目标点分割成独立的个体并进行成功的辨识，目前的相对成熟的分割技术都是针对稀疏的目标进行的，改变单一阈值的方法也有很多，如区域分割法等，但目前未见到有关对拥挤条件下的目标分割辨识的算法，对拥挤的目标进行准确辨识成为当前的一大难题，这是将辨识技术应用在实际场合时所必须解决的问题。

发明内容：

本发明的目的在于针对现有技术的不足，提供一种多目标图像的分层聚类方法，解决拥挤条件下多目标分割和辨识问题。

为实现这样的目的，本发明的技术方案中考虑了目标的高度信息，对目标区域进行多层阈值分割，在目标高度方向上等值平分各层，每层单独进行聚类和辨识，然后进行多层的目标信息融合。根据实际的应用场合确定具体的阈值，获得目标在此阈值范围内的所有目标点，对目标点按高度方向进行从大到小的排列，获得最大值和最小值，按照最大值和最小值进行等分，由上层至下层依次等份阈值空间，将阈值存于数组中。按照阈值对每层进行分割获得目标的中心点，从上到下依次对各层进行目标的辨识。从最上层开始，判断该层中的目标是否在下一层的目标区域范围内存在对应的目标中心点。若不在，则认为是新的目标；若在，判断与该层目标的中心点的距离，若满足条件则合并该两点为一个目标，否则认为是两个目标。依次类推，从上至下层依次完成对各层的目标辨识。最终获得所有目标的中心位置和目标个数。

本发明的方法具体如下：

1.根据初始设定的阈值对所有的目标点进行从大到小的排列，获得目标高度的最大值H_max和最小值H_min。

2.根据目标高度的最大值和最小值对目标进行等值层次分割，分割区间根据具体的应用场合进行设定，获得各层所有的目标点。

3.判断第n层的目标中心点是否在n+1层的目标区域内，遍历所有的目标中心点。若满足两点之间的最短距离(目标的最大宽度估计值)，则认为是同一个目标。否则认为是不同的目标，将该目标中心点标记为新的目标点，存于相应的数组中。

4.在上述步骤完成上下两层的目标点对应关系后，对相对应的目标进行分割和合并后，若满足最短距离的条件，则进行合并，否则分割。对中心点未匹配的目标点认为是新目标的中心点。

5.从最上层依次开始，每两层之间进行上述算法的计算和判断，直至将各层目标中心点统一到最后一层，最后将目标中心的位置作为最后的检测结果。

由于目标在拥挤的条件下所检测到的目标点(目标区域)容易形成连通区域，应用单层的阈值分割和辨识算法难以将连通区域内的目标进行准确的分割和辨识，容易将连通区域内的目标漏检和不准确地检测到目标的中心位置。本发明根据目标高度信息对目标区域进行多层阈值分割，检测到目标在高度方向上不同阈值分割层的目标点孤立区域，利用迭代自组织数据分析算法对不同高度层的目标点进行辨识，实现拥挤条件下多运动目标的高精度分割和辨识，能够不漏检和不误检而且准确地检测出多个拥挤目标的中心点和个数。

本发明同样适用于目标不拥挤的条件，对视频图像包括灰度图像和彩色图像以及红外图像的多运动目标辨识也同样有借鉴作用。

附图说明：

图1是本发明多层阈值聚类和辨识示意图。

图1中的平行四边形代表分层数据，其中的椭圆区域代表目标点，椭圆内目标点的平均值代表目标中心，越往下的分层，椭圆区域越大，因为阈值越低，目标点越多。

图2是单层分割和辨识的结果。

图2中虚线方框内实际为五个目标，但只识别出三个目标。

图3为多层分割和辨识的结果。

图3中所标出的标注跟图2相同。图中清楚地显示出辨识的五个目标和其运动轨迹。

图4是拥挤条件下的多层分割和辨识的结果。

具体实施方式：

以下结合具体的试验数据和附图对本发明的技术方案作进一步的说明。

本发明所要求的输入数据是激光扫描数据，包括目标深度L，偏转角α，俯仰角β三个参数，利用坐标转化公式将原始激光扫描数据转换成目标在地面坐标系下的坐标X，Y，Z。对目标的每一个扫描点完成坐标的转换后，可获得目标上的每一个扫描点在地面坐标系下的位置(X，Y)和高度(Z)。

本发明采用多阈值分割和辨识算法的具体实施步骤如下：

1)将激光扫描系统实时扫描到的原始数据转化成目标点在地面坐标系下的坐标值X，Y，Z，根据初始设定的阈值获取目标在此阈值以上的所有目标点，并进行从大到小的排列，获得目标高度的最大值H_max和最小值H_min。

2)根据设定的分割层个数N，也就是阈值的个数。对目标高度从最大值到最小值进行等值分割。获得目标在每一阈值分割层的目标点(目标区域)，如附图1所示。图中的平行四边形代表阈值分割层，其中的小椭圆代表所获得的目标点区域。

3)对各层分割出的目标点进行迭代自组织数据自动聚类，确定各个目标的中心点代表目标，同时保存所有的属于同一个目标的目标点。将各层的分割和辨识结果记录在动态数组中。在图1中用椭圆的中心点示意目标的中心点。

4)根据前面所述算法步骤对各层的目标中心点和目标点进行融合，判断每上下两层之间的目标中心点和目标点区域是否有覆盖或是包含。以及判断是否有新的目标点出现。对各层的目标中心点进行重新的计算和判断。

5)将各层目标中心点统一到最后一层，保证各层的目标中心点不遗漏和不重复。将目标中心的位置作为最后的检测结果输出。如图3所示为多层阈值分割的结果。

附图2和附图3是单层分割和多层分割在同一运动场景下的目标分割和辨识的结果。图4是拥挤条件下的多层分割和辨识的结果，场境中的目标非常拥挤，目标之间的实际距离大约在20cm左右，从附图所示的结果可看出多层分割的算法完全可以准确地检测出拥挤条件下的目标位置和个数。

Claims (1)

1、一种多目标图像的分层聚类方法，其特征在于包括如下步骤：

1)根据初始设定的阈值对所有的目标点进行从大到小的排列，获得目标高度的最大值H_max和最小值H_min；

2)根据目标高度的最大值和最小值对目标进行等值层次分割，分割区间根据具体的应用场合进行设定，获得各层所有的目标点；

3)判断第n层的目标中心点是否在n+1层的目标区域内，遍历所有的目标中心点，若满足两点之间的最短距离即目标的最大宽度估计值，则认为是同一个目标，否则认为是不同的目标，将该目标中心点标记为新的目标点，存于相应的数组中；

4)在完成上下两层的目标点对应关系后，对相对应的目标进行分割和合并，若满足最短距离的条件，则进行合并，否则分割，对中心点未匹配的目标点认为是新目标的中心点；

5)从最上层依次开始，直至将各层目标中心点统一到最后一层，将目标中心的位置作为最后的检测结果。

Images