CN101635049A - 图像区域的聚类方法和装置以及轮廓搜索方法和装置 - Google Patents

图像区域的聚类方法和装置以及轮廓搜索方法和装置 Download PDF

Info

Publication number
CN101635049A
CN101635049A CN200910086507A CN200910086507A CN101635049A CN 101635049 A CN101635049 A CN 101635049A CN 200910086507 A CN200910086507 A CN 200910086507A CN 200910086507 A CN200910086507 A CN 200910086507A CN 101635049 A CN101635049 A CN 101635049A
Authority
CN
China
Prior art keywords
edge
candidate
difference
profile
clustering
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN200910086507A
Other languages
English (en)
Other versions
CN101635049B (zh
Inventor
黄英
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
BEIJING ZHONGXINGTIANSHI TECHNOLOGY Co.,Ltd.
Original Assignee
Vimicro Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Vimicro Corp filed Critical Vimicro Corp
Priority to CN2009100865072A priority Critical patent/CN101635049B/zh
Publication of CN101635049A publication Critical patent/CN101635049A/zh
Application granted granted Critical
Publication of CN101635049B publication Critical patent/CN101635049B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Abstract

本发明公开了一种图像区域的聚类方法和装置、以及一种轮廓搜索方法和装置。本发明将当前输入图像与背景图像比较得到差值点图像之后,可先将预先设置的网格模型叠加于差值点图像,并计算叠加于差值点图像的网格模型中的网格各条边缘的能量特征;然后,将能量特征较大的各条边缘确定为候选边缘,再将构成闭合轮廓的部分候选边缘保留、并删除其余候选边缘,即可得到当前输入图像中较之背景差异较大的像素点所构成的特定区域的轮廓,相应地,获得了特定区域的轮廓,也就同时实现了对该特定区域内的像素点的聚类。而且,由于本发明中的聚类方式是通过闭合轮廓来实现的,因而离散的噪声点不会被误检测为特定区域内的点。

Description

图像区域的聚类方法和装置以及轮廓搜索方法和装置
技术领域
本发明涉及图像轮廓检测技术,特别涉及一种图像区域的聚类方法和装 置、以及一种轮廓搜索方法和装置。
背景技术
现有视频监控装置中,通常是利用静止摄像头拍摄到监控场景中的视 频,然后对该视频的连续多帧图^f象进行运动物体4企测和跟踪,以对连续多帧 图像中区别于背景图像的运动物体进行分析。
在运动物体的检测和跟踪中,前景检测是第一个步骤,其准确程度直接
影响到整个装置的性能。现有前景检测的处理过程如下:先将当前输入图像 与背景图像进行比较,得到当前输入图像中各像素点与背景图像中对应像素 的取值之差,得到的取值之差可称之为差值点,每一个差值点分别对应当前 输入图像中的一个像素点;然后将各差值点与预先设定的阈值进行比较,并 将大于或大于等于该阈值的差值点在当前输入图像中所对应的像素点确定 为前景像素点、将小于等于或小于该阔值的差值点在当前输入图像中所对应 的像素点确定为背景像素点。
此后,对所有前景像素点进行前景聚类处理,即可得到由不同前景像素 点所构成的各前景区域。
然而,上述聚类处理虽然能够获得当前输入图像中的各前景区域,但却 无法获取各前景区域所表示的特定区域的轮廓特征。而且,上述聚类处理还 容易将离散的噪声点判定为前景点,从而使得噪声区域易被误检测为前景区 域,以及,容易将与背景颜色相近的前景点判定为背景,进而使得前景检测 的准确度不高。发明内容
有鉴于此,本发明提供了一种图像区域的聚类方法和装置、以及一种轮 廓搜索方法和装置,能够得到图像中特定区域的轮廓。
本发明提供的一种图像区域的聚类方法,将当前输入图像与背景图像比
较得到差值点图像之后,该聚类方法还包括:
al、将预先设置的网格模型叠加于所述差值点图像;
a2 、计算叠加于所述差值点图像的所述网格模型中的网格各条边缘的能 量特征;
a3、将所述能量特征大于预设阈值的各条边缘确定为候选边缘; a4、将构成闭合轮廓的部分候选边缘保留、并删除其余候选边缘; a5 、将每个所述闭合轮廓分别确定为当前输入图像中对应位置的区域轮 廓,并得到当前输入图像中位于区域轮廓内的像素点。
所述步骤al之前,该聚类方法进一步包括:a0、根据各区域中差值点 取值的平均值,将步骤al所使用的所述网格模型中对应大取值差值点密集 处的网格尺寸调小、对应小取值差值点密集处的网格尺寸调大。 所述步骤a2包括: a21、确定各条边缘的邻域;
a22、根据各条边缘的邻域内的差值点取值,计算各条边缘的能量特征。 所述步骤a4包括:
a41、分别在若干候选边缘的每一聚集范围的外围设定一初始轮廓; a42、从每一区域的初始轮廓开始,向内逐格收缩、直至收缩至由部分 候选边缘构成的闭合轮廓为止;
a43、提取收缩停止处的各闭合轮廓。
所述步骤a4之后,该聚类方法进一步对每个所述闭合轮廓进行平滑处 理和/或曲线拟合;
且,所述步骤a5进一步将平滑处理和/或曲线拟合后的每个所述闭合轮廓分别确定为对应位置的区域寿仑廓。
本发明提供的一种图像区域的聚类装置,包括:
模型叠加单元,用于接收当前输入图像与背景图像比较得到差值点图
像,并将预先设置的网格模型叠加于所述差值点图像;
能量计算单元,用于计算叠加于所述差值点图像的所述网格模型中的网 格各条边缘的能量特征;
边缘候选单元,用于将所述能量特征大于预设阈值的各条边缘确定为候 选边缘;
边缘筛选单元,用于将构成闭合轮廓的部分候选边缘保留、并删除其余 候选边缘;
轮廓确定单元,用于将每个所述闭合轮廓分别确定为对应位置的区域轮 廓,并得到当前输入图像中位于区域轮廓内的像素点。
该聚类装置进一步包括:模型调整单元,用于根据各区域中差值点取值 的平均值,将所述网格模型中对应大取值差值点密集处的网格尺寸调小、对 应小取值差值点密集处的网格尺寸调大,并将网格尺寸调整后的网格模型更 新至所述模型叠加单元。
所述能量计算单元包括:
邻域确定子单元,用于确定各条边缘的邻域;
邻域计算子单元,用于根据各条边缘的邻域内的差值点取值,计算各条 边缘的能量特征。
所述边缘筛选单元包括:
外围设定子单元,用于分别在若干候选边缘的每一聚集范围的外围设定 一初始轮廓;
收缩迭代子单元,用于从每一区域的初始轮廓开始,向内逐格收缩、直 至收缩至由部分候选边缘构成的闭合轮廓为止;
轮廓提取子单元,用于提取收缩停止处的各闭合轮廓。 该聚类装置进一步包括:轮廓处理单元,用于对轮廓确定单元所使用的
9每个所述闭合轮廓进行平滑处理和/或曲线拟合。
本发明提供的 一种轮廓搜索方法,将当前输入图像与背景图像比较得到
差值点图像之后,该轮廓搜索方法包括:
al、将预先设置的网格模型叠加于所述差值点图像;
a2、计算叠加于所述差值点图像的所述网格模型中的网格各条边缘的能 量特征;
a3 、将所述能量特征大于预设阈值的各条边缘确定为候选边缘; a4、将构成闭合多边形的部分候选边缘保留、并删除其余候选边缘。 所述步骤al之前,该聚类方法进一步包括:a0、根据各区域中差值点 取值的平均值,将步骤al所使用的所述网格模型中对应大取值差值点密集 处的网格尺寸调小、对应小取值差值点密集处的网格尺寸调大。 所述步骤a2包括: a21、确定各条边缘的邻域;
a22、根据各条边缘的邻域内的差值点取值,计算各条边缘的能量特征。 所述步骤a4包括:
a41、分别在若干候选边缘的每一聚集范围的外围设定一初始轮廓; a42、从每一区域的初始轮廓开始,向内逐格收缩、直至收缩至由部分 候选边缘构成的闭合轮廓为止;
a43、提取收缩停止处的各闭合轮廓
所述步骤a4之后,该轮廓搜索方法进一步对每个所述闭合轮廓进行平 滑处理和/或曲线拟合。
本发明提供的一种轮廓搜索装置,包括:
模型叠加单元,用于接收当前输入图像与背景图像比较得到差值点图 像,并将预先设置的网格模型叠加于所述差值点图像;
能量计算单元,用于计算叠加于所述差值点图像的所述网格模型中的网 格各条边缘的能量特征;
边缘候选单元,用于将所述能量特征大于预设阈值的各条边缘确定为候选边缘;.
边缘筛选单元,用于将构成闭合轮廓的部分候选边缘保留、并删除其余 候选边缘。
该轮廓搜索装置进一步包括:模型调整单元,用于根据各区域中差值点 取值的平均值,将所述网格模型中对应大取值差值点密集处的网格尺寸调 小、对应小取值差值点密集处的网格尺寸调大,并将网格尺寸调整后的网格 模型更新至所述模型叠加单元。
所述能量计算单元包括:
邻域确定子单元,用于确定各条边缘的邻域;
邻域计算子单元,用于根据各条边缘的邻域内的差值点取值,计算各条 边缘的能量特征。
所述边缘筛选单元包括:
外围设定子单元,用于分别在若干候选边缘的每一聚集范围的外围设定 一初始轮廓;
收缩迭代子单元,用于从每一区域的初始轮廓开始,向内逐格收缩、直 至收缩至由部分候选边缘构成的闭合轮廓为止;
轮廓提取子单元,用于提取收缩停止处的各闭合轮廓。
该聚类装置进一步包括:轮廓处理单元,用于对轮廓确定单元所使用的 每个所述闭合轮廓进行平滑处理和/或曲线拟合。
由上述技术方案可见,本发明将当前输入图像与背景图像比较得到差值 点图像之后,可先将预先设置的网格模型叠加于差值点图像,并计算叠加于 差值点图像的网格模型中的网格各条边缘的能量特征;然后,将能量特征较 大的各条边缘确定为候选边缘,再将构成闭合轮廓的部分候选边缘保留、并 删除其余候选边缘,即可得到当前输入图像中较之背景差异较大的像素点所 构成的特定区域的轮廓,例如前景区域、或图像分割目标的轮廓,相应地, 获得了特定区域的轮廓,也就同时实现了对该特定区域内的像素点的聚类。
而且,由于本发明中的聚类方式是通过闭合轮廓来实现的,因而离散的噪声点不会被误检测为特定区域内的点,从而可提高聚类处理的准确性。
进一步地,为了避免与非特定区域颜色相近的特定区域内的点被划归在 特定区域的轮廓之外,本发明还可对得到的特定区域的轮廓进行平滑处理或 曲线拟合,以使得特定区域轮廓经修复后能够包含应位于该轮廓内的所有 点,从而可再进一步地提高聚类处理的准确性。
附图说明
图1为本发明实施例中图像区域的聚类方法的流程示意图;
图2a和图2b为如图1所示流程中所使用的网格模型示意图;
图3为如图1所示流程中计算能量特征时所确定的边缘邻域示意图;
图4a和图4b为如图1所示流程中一种确定闭合轮廓方式的示意图;
图5a和图5b为如图1所示流程中另一种确定闭合轮廓方式的示意图;
图6为如图1所示流程中所使用的阈值调节过程的流程示意图;
图7为如图6所示流程中阈值选定过程的流程示意图;
图8为如图7所示阈值选定过程中建立的百分比曲线示意图;
图9为如图7所示阈值选定过程中建立的斜率曲线示意图;
图10为本发明实施例中图像区域的聚类装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下参照附图并举 实施例,对本发明进一步详细说明。
图l为本发明实施例中图像区域的聚类方法的流程示意图。如图l所示, 以本实施例中图像区域的聚类方法应用于前景检测为例,该方法包括:
步骤IOO,将当前输入图像与背景图像比较得到差值点图像。
本步骤中所使用的背景图像可以是长期背景、和/或短期背景。其中, 对于以长期背景和短期背景作为背景图像的情况,假设A点的差值点具有 对应长期背景的一个值^,。ng(yt)、以及对应短期背景的另一个值5^hM(W,则min[h_,。llgW-/,(/c)l机—細W乂("I],,是A点在输入图像中的像素值。 需要说明的是,本文后续所提及的背景图像也可以是长期背景、和/或 短期背景。
步骤101,将预先设置的网格模型叠加于差值点图像。 本步骤所述的叠加,可以看作是将网格模型平铺于差值点图像,以使得 整幅差值点图像被网格模型所覆盖。且,本步骤中所使用的网格模型中的网 格,可以是如图2a所示的正方形网格、或如图2b所示的三角形网格,还可 以是六边形网格、长宽不等的矩形网格等。
此外,由于当前输入图像中的前景点较之背景差异较大、即前景点对应 的差值点取值较大,那么取值较大的差值点就较有可能对应前景点,因而本 实施例中可采用密度不一致的网格模型,即对于取值较大的差值点处,对应 的网格尺寸较小、密度较大,以提高前景检测的准确度,而对于取值较小的 差值点处,对应的网格尺寸较大、密度较小,以节省对背景检测所无谓耗费 的时间和资源。
然而,每一帧当前输入图像中的前景点位置可能互不相同,即便预先设 置密度不一致的网格模型,也难以对每一帧当前输入图像均保证取值较大的 差值点处的网格密度较大。
因此,预先设置的网格模型中的网格密度仍平均分布,但在步骤100之 后、本步骤之前,可针对每一帧当前输入图像按照如下方式动态调整:
根据各区域中差值点取值的平均值,将本步骤所使用的网格模型中对应 大取值差值点密集处的网格尺寸调小、对应小取值差值点密集处的网格尺寸 调大。而对于大取值差值点密集处、以及小取值差值点密集处的辨别,可以 按照预定单位区域内的差值点取值的平均值来实现。即,对于差值点取值的 平均值大于某一预定值的预定单位区域,将网格模型中覆盖该预定单位区域 的网格尺寸调小;对于差值点取值的平均值小于某一预定值的预定单位区域,将网格模型中覆盖该预定单位区域的网格尺寸调大。
步骤102,计算叠加于差值点图像的网格模型中的网格各条边缘的能量 特征。
本步骤中,计算得到的各条边缘的能量特征可以是各条边缘所穿过、或 者说各条边缘所覆盖的差值点的取值之和、或平均值。
当然,本步骤也可先确定各条边缘的邻域,如图3所示,以正方形网格 为例,边缘OA两侧的灰色区域为该边缘的邻域;然后根据各条边皇彖的邻域 内的差值点取值,计算各条边缘的能量特征,例如将各条边缘的邻域内的差 值点取值之和、或平均值确定为各条边缘的能量特征。
步骤103,由于覆盖取值较大差值点的网格边缘的能量特征会较大,而 当前输入图像中的前景点较之背景差异较大、即取值较大的差值点通常表示 前景点,因而在本步骤中,将能量特征大于预设阈值的各条边缘确定为表示 前景区域轮廓的候选边缘。
步骤104,由于前景区域轮廓必定是闭合曲线或闭合多边形、而非离散 的线段,因而将构成闭合轮廓的部分候选边缘保留,而对于未构成闭合轮廓 的其余候选边缘,则可作为噪声删除。
本步骤中,删除未构成闭合轮廓的其余候选边缘可通过从外至内的迭代 收敛过程来实现:首先,分别在若干候选边缘的每一聚集范围的外围设定一 初始轮廓;然后,从每一区域的初始轮廓开始,向内逐格收缩、直至收缩至 由部分候选边缘构成的闭合轮廓为止。这样,从外至内的迭代收敛过程结束 后,即可提取收缩停止处的表示前景区域外轮廓的各闭合轮廓,而未被提取 的其他候选边缘即被删除或丟弃。假设前景区域为如图4a和图4b中灰色区 域所示的三角形,则步骤103得到的候选边缘如图4a中的黑色线条所示, 而经从外至内的迭代收敛过程后,提取得到的闭合轮廓如图4b中的黑色线 条所示。
此外,在按照上述方式提取的各闭合轮廓中,如若存在至少一个闭合轮 廓内嵌于其他闭合轮廓内,则表明该至少一个闭合轮廓不是前景区域的外轮
14廓并可进一步将其删除。
当然,本步骤中,删除未构成闭合轮廓的其余候选边缘还可通过从内至
外的迭代收敛过程来实现:从若干候选边缘的每一 聚集范围的中心位置开 始,向外逐格扩张、直至扩张至由部分候选边缘构成的闭合轮廓为止。这样, 从内至外的迭代收敛过程结束后,即可提取扩张停止处的表示前景区域内轮 廓的各闭合轮廓,而未被提取的其他候选边缘即被删除或丢弃。假设前景区 域为如图5a和图5b中灰色区域所示的圆环,则步骤103得到的候选边缘如 图5a中的黑色线条所示,而经从内至外的迭代收敛过程后,提取得到的闭 合轮廓如图5b中的黑色线条所示。
此外,在按照上述方式提取的各闭合轮廓中,如若存在至少一个闭合轮 廓包围于其他闭合轮廓外,则表明该至少 一个闭合轮廓不是前景区域的内轮 廓并可进一步将其删除。
步骤105,将每个闭合轮廓分别确定为当前输入图像中对应位置的前景 区域轮廓。相应地,当前输入图像中位于前景区域轮廓内的各像素点,即可 确定为该前景区域内的前景点,从而实现了聚类。
可选地,考虑到步骤104得到的闭合轮廓的形状受网格限制、无法体现 出准确的前景区域4仑廓形状,因而在本步骤之前、步骤104之后,可进一步 先对每个闭合轮廓进行平滑处理和/或曲线拟合。这样,除了提高轮廓形状 的准确性之外,当与背景颜色相近的前景点被划归在前景区域的轮廓之外 时,对每个闭合轮廓进行平滑处理和/或曲线拟合,还有可能使得前景区域 的轮廓经修复后能够包围与背景颜色相近的前景点,进而提高聚类处理的准 确度。
至此,本流程结束。
上述流程仅仅是以应用于前景检测为例,而上述流程中步骤100~步骤 104的轮廓搜索过程还可应用于例如图像分割等其他领域中,相应地,前景 区域也就被替换为例如图像分割目标区域等其他特定区域。
另外,对于上述流程中的步骤103,其使用的阈值可以是根据各帧当前
15输入图像所对应的监控场景的噪声水平统一设定的。
但考虑到监控场景所在环境发生气候变化时,会导致监控场景中噪声的 高低变化,而对于噪声较大的监控场景应当设定较大的阈值、对于噪声较小 的监控场景应当设定较小的阈值。因而,如果针对各帧当前输入图像均使用 统 一设置且固定不变的阈值,则有可能降低所提取的闭合轮廓的准确度。
基于此,本实施例还提出了一种能够调整步骤103所使用的阈值的方 法。该阈值调节方法预先设定多个取值不同的候选阈值,然后对每一帧当前 输入图像来说,将当前输入图像与背景图像进行比较,此后,再分别针对上 述预先设定多个取值不同的候选阈值,统计大于每一候选阈值的差值点数量 占当前输入图像中像素点总数的百分比,然后依据差值点百分比的大小随着 候选阈值取值增加的变化趋势,选取适合于当前输入图像的 一个候选阈值用 于前景纟企测。
具体来说,本实施例预先设置取值递增的候选阈值1〜候选阈值n, i大 于等于l且小于n, j大于i且小于等于n。且在执行如图1所示的步骤100 之后,针对每一帧当前输入图像调节阈值的过程如图6所示:
步骤601,将步骤IOO得到的差值点图像中的所有差值点依次与取值递 增的候选阈值1〜候选阈值n进行比较,分别得到取值大于候选阈值1~候选 阈值n中每一个的差值点数量的百分比,n为大于1的正整数。
步骤602,在候选阈值i〜候选阈值j的阈值区间内,任意选定一个候选 阈值;其中,步骤601得到的百分比的取值在候选阈值l-候选阈值i-l的阈 值区间内突降、且在候选阈值i〜候选阈值j的阈值区间内突降减緩,i大于 等于l且小于n, j大于i且小于等于n。
本步骤中选定的候选阈值所在候选阈值i〜候选阈值j的阈值区间,是基 于经验规律来选定的,具体说明如下:
候选阈值l的取值最小,因而在当前输入图像对应的所有差值点中,取 值大于候选阈值1的差值点基本上包含了当前输入图像中所有的噪声点和 所有的前景点。而随着候选阈值取值的递增,大于该与候选阈值差值点数量中的噪声点数量会随之递减、而前景点数量则基本不会发生变化。由此,当 百分比的取值在候选阈值1〜候选阈值i-l的阈值区间内突降、且在候选阈值
i〜候选阈值j的阈值区间内突降减缓,即意味着大于候选阈值i〜候选阈值n 中每一个的差值点中基本不包括噪声点,但大于候选阈值j+l〜候选阈值n 中每一个的差值点中则有可能只包含部分前景点,因而为了使得大于选定候 选阈值的差值点中既不包括噪声点、又能够包括所有前景点,就应当在候选 阈值i〜候选阈值j的阈值区间内任意选定一个候选阈值。
此后,即可在如图1所示的步骤103利用步骤602选定的候选阈值判断 出候选边缘。
至此,本流程结束。
在上述流程中,步骤602选定候选阈值的过程,可以基于建立百分比曲 线、以及该百分比曲线的斜率曲线实现。如图7所示,上述流程中步骤602 选定候选阈值的过程可具体包括:
步骤6021,以候选阈值1~候选阈值n递增的取值为横坐标、步骤601 得到的分别大于候选阈值1〜候选阈值n的百分比取值为纵坐标,建立百分 比曲线。
本步骤中建立的百分比曲线可参见图8。在图8中,T表示候选阈值l-候选阈值n递增的取值,假设T取1〜100; K^r)表示步骤601得到的分别 大于候选阈值l-候选阈值n的百分比取值、ls;^w。
步骤6022,获取步骤6021所建立的百分比曲线的斜率,并仍以候选阈 值1-候选阈值n递增的取值为横坐标,构建所获取斜率的斜率曲线
婦,70
歌r)〜r,雖7>
本步骤中建立的斜率曲线可参见图9。在图9中,T表示候选阈值l〜候 选阈值n递增的取值、假设T取1〜100; D(&,:r)表示步骤202得到的分别大 于候选阈值1〜候选阔值n的百分比取值、BA《《。
步骤6023、在所述斜率曲线中,选定与取值趋近于0的斜率所对应的候选阈值i〜候选阈值j的阈值区间,且满足候选阈值1〜候选阈值i-l的阈值 区间对应的斜率取值远远大于0。
步骤6024,计算选定的候选阈值1〜候选阈值i-l的阈值区间内的斜率
取值的均值D,和方差(T。
步骤6025,依据步骤6024所得到的均值Z)^和方差cr,计算方差cr与一
常数〖之积再与均值D^的和、即计算"^+^的结果,《为表示高斯分布取 值区间的常数。
步骤6026,在所述斜率曲线中,从对应的斜率取值小于步骤2305所得 计算结果的所有候选阈值中,选定取值最接近候选阈值i的一个。 在图9中选定的候选阈值取值为21。 至此,本流程结束。
实际应用中,为了确保针对每一帧当前输入图像选定的候选阈值取值变 化不会过于剧烈,本实施例中可在步骤602之后,进一步利用为前一帧或多 帧输入图像所选定的候选阈值,对步骤602所选定的候选阈值进行平滑处 理。具体的阈值平滑处理方式可以表示为如下/^式:
Tk,= ( 1國P ) Tk—r^Tk;
其中,Tk,为平滑处理后的候选阈值、P任意设定的权重、Tw是为前一 帧输入图像所选定的候选阈值、Tk为步骤602所选定的候选阈值、k为大于 1的正整数。
以上,是对本实施例中图像区域的聚类方法的说明。下面,再对本实施 例中图像区域的聚类装置进行详细说明。
图IO为本发明实施例中图像区域的聚类装置的结构示意图。如图10所 示,本实施例中图像区域的聚类装置包括:
模型叠加单元1001,用于接收当前输入图像与背景图像比较得到差值 点图像,并将预先设置的网格模型叠加于差值点图像。
能量计算单元1002,用于计算叠加于差值点图像的网格模型中的网格各条边缘的能量特征。可选的一种实现方式,能量计算单元1002可包括(图
10中未示出)邻域确定子单元,用于确定各条边缘的邻域;以及,邻域计
算子单元,用于根据各条边缘的邻域内的差值点取值,计算各条边缘的能量 特征。
边缘候选单元1003,用于将所述能量特征大于预设阈值的各条边缘确 定为候选边缘。
边缘筛选单元1004,用于将构成闭合轮廓的部分候选边缘保留、并删 除其余候选边缘。可选的一种实现方式,边缘筛选单元1004可包括(图10 中未示出)外围设定子单元,用于分别在若干候选边缘的每一聚集范围的外 围设定一初始轮廓;收缩迭代子单元,用于从每一区域的初始轮廓开始,向 内逐格收缩、直至收缩至由部分候选边缘构成的闭合轮廓为止;以及,4仑廓 提取子单元,用于提取收缩停止处的各闭合轮廓。
轮廓确定单元1005,用于将每个所述闭合4仑廓分别确定为对应位置的 区域轮廓,并得到当前输入图像中位于区域轮廓内的像素点。
实际应用中,轮廓确定单元1005确定得到的区域轮廓、以及区域轮廓 内的像素点,可以分别为前景区域4仑廓、以及前景点,还可以分别为图像分 割轮廓、以及分割目标区域内的像素点,再或者分别为其他特定区域、以及 其他特定区域内的像素点。
进一步地,为了能够针对每一帧当前输入图像,对网格模型的网格分布 密度进行动态调整,如图10所示的装置还可以进一步包括模型调整单元 1006,用于根据各区域中差值点取值的平均值,将所述网格模型中对应大取 值差值点密集处的网格尺寸调小、对应小取值差值点密集处的网格尺寸调 大,并将网格尺寸调整后的网格模型更新至模型叠加单元1001。
再进一步地,为了修正边缘筛选单元1004得到的闭合轮廓形状,以使 得轮廓确定单元1005能够确定得到更加准确的区域轮廓形状,如图10所示 的装置还可以进一步包括轮廓处理单元1007,用于对轮廓确定单元1005所 使用的每个所述闭合轮廓进行平滑处理和/或曲线拟合。在如图IO所示的装置中,模型叠加单元1001、能量计算单元1002、边 缘候选单元1003、边缘筛选单元1004,以及可进一步包括的模型调整单元 1006和轮廓处理单元1007,还可独立构成一轮廓搜索装置,并应用于各种 领域中。
另外,对于如图IO所示的边缘候选单元1003,其使用的阈值可以是根 据各帧当前输入图像所对应的监控场景的噪声水平统一设定的。当然,本实 施例也可针对每一帧当前输入图像对边缘候选单元1003所使用的阈值进行 动态调整。
这种情况下,如图10所示的装置可进一步包括如虚线框所示的如下功 能单元:百分比获耳又单元1011、阈值选定单元1012。
百分比获取单元1011,用于接收当前输入图像与背景图像比较得到差 值点图像,并将差值点图像中的各差值点依次与取值递增的候选阈值1〜候 选阈值n进行比较,分别得到取值大于候选阈值1〜候选阈值n中每一个的 差值点数量的百分比,n为大于l的正整数。
阚值选定单元1012,用于在候选阈值i〜候选阈值j的阈值区间内,任意 选定一个候选阔值;其中,百分比获取单元1011得到的百分比的取值在候 选阈值1〜候选阈值i-l的阈值区间内突降、且在候选阈值i〜候选阈值j的阈 值区间内突降减緩,i大于等于l且小于n, j大于i且小于等于n。
且,阈值选定单元1012所选定的候选阈值即可更新至边缘候选单元 1003供其使用。
较佳地,阈值选定单元1012可具体包括如下子单元(图IO中未示出): 曲线建立子单元,用于以候选阈值1〜候选阈值n递增的取值为横坐标、
百分比获取单元得到的百分比取值为纵坐标,建立百分比获取单元得到的百
分比曲线;
斜率获取子单元,用于获取所述百分比曲线的斜率,并仍以候选阈值 1〜候选阈值n递增的取值为横坐标,构建所获取斜率的取值的斜率曲线; 区间选定子单元,用于在所述斜率曲线中,选定与取值趋近于O的斜率
20所对应的候选阈值i〜候选阈值j的阈值区间,且候选阈值1〜候选阈值i-l的
阈值区间对应的斜率取值远远大于0;
第 一 计算子单元,用于计算选定的阈值区间内的斜率取值的均值d,和
方差cr;
第二计算子单元,依据第一计算子单元得到的均值Z^和方差^T,计算
D。vg + fci的结果,《为表示高斯分布取值区间的常数;
比较选取子单元,用于在所述斜率曲线中,从对应的斜率取值小于第二 计算子单元所得结果的所有候选阈值中,选定取值最接近候选阈值i的 一个。 此外,为了确保针对每一帧当前输入图像选定的候选阈值取值变化不会
过于剧烈,在阈值选定单元1012与边缘候选单元1003之间,还可进一步包 括如图10中虚线框所示的阈值平滑单元1013,用于利用为前一帧或多帧所 选定的候选阈值,对阈值选定单元1012所选定的候选阈值进行平滑处理。 具体来说,阈值平滑单元1013可具体包括(图10中未示出): 候选阈值存储子单元,用于存储为前 一 帧所选定的候选阈值; 平滑执行子单元,用于按照如下公式,利用为前一帧所选定的候选阈值 对阈值选定单元所选定的候选阈值进行平滑处理: Tk,= ( l-P ) Tw+PTk;
其中,Tk,为平滑处理后的候选阈值、P任意设定的权重、Tk.i是阈值选 定单元1012为前一帧所选定的候选阈值、Tk为阈值选定单元1012为当前帧 所选定的候选阈值、k为大于l的正整数。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范 围。凡在本发明的精神和原则之内,所作的任何修改、等同替换以及改进等, 均应包含在本发明的保护范围之内。
21

Claims (20)

1、一种图像区域的聚类方法,其特征在于,将当前输入图像与背景图像比较得到差值点图像之后,该聚类方法还包括: a1、将预先设置的网格模型叠加于所述差值点图像; a2、计算叠加于所述差值点图像的所述网格模型中的网格各条边缘的能量特征; a3、将所述能量特征大于预设阈值的各条边缘确定为候选边缘; a4、将构成闭合轮廓的部分候选边缘保留、并删除其余候选边缘; a5、将每个所述闭合轮廓分别确定为当前输入图像中对应位置的区域轮廓,并得到当前输入图像中位于区域轮廓内的像素点。
2、 如权利要求1所述的聚类方法,其特征在于,所述步骤al之前,该 聚类方法进一步包括:a0、根据各区域中差值点取值的平均值,将步骤al 所使用的所述网格模型中对应大取值差值点密集处的网格尺寸调小、对应小 取值差值点密集处的网格尺寸调大。
3、 如权利要求1或2所述的聚类方法,其特征在于,所述步骤a2包括: a21、确定各条边缘的邻域;a22、根据各条边缘的邻域内的差值点取值,计算各条边缘的能量特征。
4、 如权利要求1或2所述的聚类方法,其特征在于,所述步骤a4包括-. a41、分别在若千候选边缘的每一聚集范围的外围设定一初始轮廓; a42、从每一区域的初始轮廓开始,向内逐格收缩、直至收缩至由部分候选边缘构成的闭合轮廓为止;a43、提取收缩停止处的各闭合轮廓。
5、 如权利要求l或2所述的聚类方法,其特征在于,所述步骤a4之后, 该聚类方法进一步对每个所述闭合轮廓进行平滑处理和/或曲线拟合;且,所述步骤a5进一步将平滑处理和/或曲线拟合后的每个所述闭合轮 廓分别确定为对应位置的区域轮廓。
6、 一种图像区域的聚类装置,其特征在于,该聚类装置还包括:模型叠加单元,用于接收当前输入图像与背景图像比较得到差值点图像,并将预先设置的网格模型叠加于所述差值点图像;能量计算单元,用于计算叠加于所述差值点图像的所述网格模型中的网格各条边缘的能量特征;边缘候选单元,用于将所述能量特征大于预设阈值的各条边缘确定为候 选边缘;边缘筛选单元,用于将构成闭合轮廓的部分候选边缘保留、并删除其余 候选边缘;轮廓确定单元,用于将每个所述闭合轮廓分别确定为对应位置的区域轮 廓,并得到当前输入图像中位于区域轮廓内的像素点。
7、 如权利要求6所述的聚类装置,其特征在于,该聚类装置进一步包 括:模型调整单元,用于根据各区域中差值点取值的平均值,将所述网格模 型中对应大取值差值点密集处的网格尺寸调小、对应小取值差值点密集处的 网格尺寸调大,并将网格尺寸调整后的网格模型更新至所述模型叠加单元。
8、 如权利要求6或7所述的聚类装置,其特征在于,所述能量计算单 元包括:邻域确定子单元,用于确定各条边缘的邻域;邻域计算子单元,用于根据各条边缘的邻域内的差值点取值,计算各条 边缘的能量特征。
9、 如权利要求6或7所述的聚类装置,其特征在于,所述边缘筛选单 元包括:外围设定子单元,用于分别在若干候选边缘的每一聚集范围的外围设定 ——4刀士台專企/#;收缩迭代子单元,用于从每一区域的初始轮廓开始,向内逐格收缩、直 至收缩至由部分候选边缘构成的闭合轮廓为止;轮廓提取子单元,用于提取收缩停止处的各闭合轮廓。
10、 如权利要求6或7所述的聚类装置,其特征在于,该聚类装置进一 步包括:轮廓处理单元,用于对轮廓确定单元所使用的每个所述闭合轮廓进 行平滑处理和/或曲线拟合。
11、 一种轮廓搜索方法,其特征在于,将当前输入图像与背景图像比较 得到差值点图像之后,该轮廓搜索方法包括:al、将预先设置的网格模型叠加于所述差值点图像; a 2 、计算叠加于所述差值点图像的所述网格模型中的网格各条边缘的能 量特征;a3 、将所述能量特征大于预设阈值的各条边缘确定为候选边缘; a4、将构成闭合多边形的部分候选边缘保留、并删除其余候选边缘。
12、 如权利要求11所述的轮廓搜索方法,其特征在于,所述步骤al之 前,该聚类方法进一步包括:a0、根据各区域中差值点取值的平均值,将步 骤al所使用的所述网格模型中对应大取值差值点密集处的网格尺寸调小、 对应小取值差值点密集处的网格尺寸调大。
13、 如权利要求11或12所述的轮廓搜索方法,其特征在于,所述步骤 a2包括:a21、确定各条边缘的邻域;a22、根据各条边缘的邻域内的差值点取值,计算各条边缘的能量特征。
14、 如权利要求11或12所述的轮廓搜索方法,其特征在于,所述步骤 a4包括:a41、分别在若干候选边缘的每一聚集范围的外围设定一初始轮廓; a42、从每一区域的初始轮廓开始,向内逐才各收缩、直至收缩至由部分 候选边缘构成的闭合轮廓为止;a43、提取收缩停止处的各闭合轮廓。
15、 如权利要求11或12所述的轮廓搜索方法,其特征在于,所述步骤 a4之后,该轮廓搜索方法进一步对每个所述闭合轮廓进行平滑处理和/或曲 线拟合。
16、 一种图像区域的轮廓搜索装置,其特征在于,该轮廓搜索装置包括: 模型叠加单元,用于接收当前输入图像与背景图像比较得到差值点图像,并将预先设置的网格模型叠加于所述差值点图像;能量计算单元,用于计算叠加于所述差值点图像的所述网格模型中的网 格各条边缘的能量特征;边缘候选单元,用于将所述能量特征大于预设阈值的各条边缘确定为候 选边缘;边缘筛选单元,用于将构成闭合轮廓的部分候选边缘保留、并删除其余 候选边缘。
17、 如权利要求16所述的轮廓搜索装置,其特征在于,该轮廓搜索装 置进一步包括:模型调整单元,用于根据各区域中差值点取值的平均值,将 所述网格模型中对应大取值差值点密集处的网格尺寸调小、对应小取值差值 点密集处的网格尺寸调大,并将网格尺寸调整后的网格模型更新至所述模型 叠力口单元。
18、 如权利要求16或17所述的轮廓搜索装置,其特征在于,所述能量 计算单元包括:邻域确定子单元,用于确定各条边缘的邻域;邻域计算子单元,用于根据各条边缘的邻域内的差值点取值,计算各条 边缘的能量特征。
19、 如权利要求16或17所述的轮廓搜索装置,其特征在于,所述边缘 筛选单元包括:外围设定子单元,用于分别在若干候选边缘的每一聚集范围的外围设定 一初始轮廓;收缩迭代子单元,用于从每一区域的初始轮廓开始,向内逐格收缩、直 至收缩至由部分候选边缘构成的闭合轮廓为止;轮廓提取子单元,用于提取收缩停止处的各闭合轮廓。
20、 如权利要求16或17所述的轮廓搜索装置,其特征在于,该聚类装置进一步包括:轮廓处理单元,用于对轮廓确定单元所使用的每个所述闭合 轮廓进行平滑处理和/或曲线拟合。
CN2009100865072A 2009-06-04 2009-06-04 图像区域的聚类方法和装置以及轮廓搜索方法和装置 Active CN101635049B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2009100865072A CN101635049B (zh) 2009-06-04 2009-06-04 图像区域的聚类方法和装置以及轮廓搜索方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2009100865072A CN101635049B (zh) 2009-06-04 2009-06-04 图像区域的聚类方法和装置以及轮廓搜索方法和装置

Publications (2)

Publication Number Publication Date
CN101635049A true CN101635049A (zh) 2010-01-27
CN101635049B CN101635049B (zh) 2013-10-16

Family

ID=41594231

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2009100865072A Active CN101635049B (zh) 2009-06-04 2009-06-04 图像区域的聚类方法和装置以及轮廓搜索方法和装置

Country Status (1)

Country Link
CN (1) CN101635049B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103837135A (zh) * 2012-11-27 2014-06-04 国际商业机器公司 工件检测方法及其系统
CN104503662A (zh) * 2014-12-30 2015-04-08 北京元心科技有限公司 一种桌面元素的几何轮廓的生成方法及装置
CN105303588A (zh) * 2015-09-18 2016-02-03 中国航空工业集团公司沈阳发动机设计研究所 一种二维图形轮廓绘制方法
CN105894546A (zh) * 2016-04-27 2016-08-24 梧州市自动化技术研究开发院 一种在皮带机上的运动物体的视频图像模型化处理方法
CN107578053A (zh) * 2017-09-25 2018-01-12 重庆虚拟实境科技有限公司 轮廓提取方法及装置、计算机装置及可读存储介质
CN110443256A (zh) * 2019-07-03 2019-11-12 大连理工大学 一种图像多目标区域的提取方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050175089A1 (en) * 2002-04-30 2005-08-11 Koninklijke Philips Electronics N.V. Method of processing digital images for low-rate applications
CN1695166A (zh) * 2002-09-12 2005-11-09 恩莱因公司 用于获取和处理复合图像的系统及方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050175089A1 (en) * 2002-04-30 2005-08-11 Koninklijke Philips Electronics N.V. Method of processing digital images for low-rate applications
CN1695166A (zh) * 2002-09-12 2005-11-09 恩莱因公司 用于获取和处理复合图像的系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
PLUEMPITIWIRIYAWEJ ET AL.: "STACS: new active contour scheme for cardiac MR image segmentation", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 *
陈波 等: "用于图像分割的活动轮廓模型综述", 《中国图象图形学报》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103837135A (zh) * 2012-11-27 2014-06-04 国际商业机器公司 工件检测方法及其系统
CN103837135B (zh) * 2012-11-27 2016-03-02 国际商业机器公司 工件检测方法及其系统
CN104503662A (zh) * 2014-12-30 2015-04-08 北京元心科技有限公司 一种桌面元素的几何轮廓的生成方法及装置
CN104503662B (zh) * 2014-12-30 2017-11-10 北京元心科技有限公司 一种桌面元素的几何轮廓的生成方法及装置
CN105303588A (zh) * 2015-09-18 2016-02-03 中国航空工业集团公司沈阳发动机设计研究所 一种二维图形轮廓绘制方法
CN105303588B (zh) * 2015-09-18 2018-11-13 中国航空工业集团公司沈阳发动机设计研究所 一种二维图形轮廓绘制方法
CN105894546A (zh) * 2016-04-27 2016-08-24 梧州市自动化技术研究开发院 一种在皮带机上的运动物体的视频图像模型化处理方法
CN107578053A (zh) * 2017-09-25 2018-01-12 重庆虚拟实境科技有限公司 轮廓提取方法及装置、计算机装置及可读存储介质
CN107578053B (zh) * 2017-09-25 2020-03-24 重庆虚拟实境科技有限公司 轮廓提取方法及装置、计算机装置及可读存储介质
CN110443256A (zh) * 2019-07-03 2019-11-12 大连理工大学 一种图像多目标区域的提取方法
CN110443256B (zh) * 2019-07-03 2022-04-12 大连理工大学 一种图像多目标区域的提取方法

Also Published As

Publication number Publication date
CN101635049B (zh) 2013-10-16

Similar Documents

Publication Publication Date Title
CN101635049B (zh) 图像区域的聚类方法和装置以及轮廓搜索方法和装置
KR100818289B1 (ko) 비디오 영상 트레킹 방법 및 장치
CN104778481A (zh) 一种大规模人脸模式分析样本库的构建方法和装置
CN104463117A (zh) 一种基于视频方式的人脸识别样本采集方法及系统
CN104408429A (zh) 一种视频代表帧提取方法及装置
JP5939056B2 (ja) 画像におけるテキスト領域を位置決めする方法及び装置
CN105631418A (zh) 一种人数统计的方法和装置
EP3624007A1 (en) Method and apparatus for training object detection model, and device
CN105913082A (zh) 一种对图像中目标进行分类的方法及系统
CN106598289A (zh) 书写页面的扩充方法和系统
CN101872415A (zh) 适用于iptv的视频拷贝检测方法
CN109145756A (zh) 基于机器视觉和深度学习的目标检测方法
CN110084299B (zh) 基于多头融合注意力的目标检测方法和装置
KR102328731B1 (ko) 다중 카메라 혹은 서라운드 뷰 모니터링에 이용되기 위해, 타겟 객체 통합 네트워크 및 타겟 영역 예측 네트워크를 이용하여 핵심성과지표와 같은 사용자 요구 사항에 적응 가능한 cnn 기반 객체 검출기를 학습하는 방법 및 학습 장치, 그리고 이를 이용한 테스팅 방법 및 테스팅 장치
CN103353881A (zh) 一种应用程序搜索方法及装置
CN110807385A (zh) 目标检测方法、装置、电子设备及存储介质
CN107330027A (zh) 一种弱监督的深度台标检测方法
KR20170126300A (ko) 이미지 상호간의 매칭을 판단하는 방법, 장치 및 컴퓨터 프로그램
CN102831244B (zh) 一种房产文档图像的分类检索方法
CN105824862A (zh) 一种基于电子设备的图片分类方法及电子设备
CN108446707B (zh) 基于关键点筛选及dpm确认的遥感图像飞机检测方法
CN105631404A (zh) 对照片进行聚类的方法及装置
CN109544561A (zh) 细胞标注方法、系统和装置
CN111814905A (zh) 目标检测方法、装置、计算机设备和存储介质
CN103995864B (zh) 一种图像检索方法和装置

Legal Events

Date Code Title Description
PB01 Publication
C06 Publication
SE01 Entry into force of request for substantive examination
C10 Entry into substantive examination
GR01 Patent grant
C14 Grant of patent or utility model
TR01 Transfer of patent right

Effective date of registration: 20210129

Address after: No. 602, 6th floor, shining building, 35 Xueyuan Road, Haidian District, Beijing 100083

Patentee after: BEIJING ZHONGXINGTIANSHI TECHNOLOGY Co.,Ltd.

Address before: 100083, Haidian District, Xueyuan Road, Beijing No. 35, Nanjing Ning building, 15 Floor

Patentee before: Vimicro Corp.

TR01 Transfer of patent right