CN102194109A - 交通监控场景中车辆分割方法 - Google Patents

Abstract

交通监控场景的车辆分割方法，其融合角点特征、运动纹理特征和颜色特征来分割车辆边缘，其步骤如下：(1)背景提取和背景更新环节，通过自适应背景模型实现自适应监控场景的光线变化；(2)背景差分和前景提取环节，通过背景差分提取运动的前景，得到差分后的运动像素点掩膜模板；(3)颜色空间分析环节，通过颜色空间分析提取运动的场景中颜色特征突出的部分，得到颜色特征掩膜模板；(4)角点提取和角点聚类环节，通过角点提取和角点聚类发掘运动的前景中颜色特征不明显的区域，得到角点掩膜模板；(5)多重掩膜和车辆分割环节，通过对运动像素点掩膜模板、颜色特征掩膜模板、角点掩膜模板进行多重掩膜来完成车辆的边缘分割。

Description

交通监控场景中车辆分割方法

技术领域

本发明涉及一种交通监控场景的车辆分割方法，尤其涉及一种融合颜色和角点信息，通过混合掩模的方法抑制光线变化和阴影干扰的车辆分割方法。

背景技术

智能监控系统得到了广泛应用，自动准确地提取运动目标是一个监控系统必备的功能。要解决该问题，主要面临两个难题，一个是设计一种背景建模方法，可以自适应地模拟光线不断变化的背景，通过差分方法得到运动前景；另一个问题是分离运动物体和运动物体的阴影，进而分割出准确的运动目标。

为了检测运动像素点，通常使用当前帧和自适应背景模型做差分的方法。然而得到的检测区域不但包括了运动的物体，而且包括了运动物体的影子和其他光线变化的区域，且影子是主要的干扰因素。在实际监控场景中，阴影是非常常见的，它广泛存在于监控场景中，阴影的存在导致了物体分割的错误，从而会对后续的目标识别和目标跟踪带来错误。所以，一个鲁棒的运动物体分割方法是很有必要的。只有实现了运动物体的正确分割，才能顺利完成后续的目标识别，目标跟踪，目标分类等问题。

目前，常见的自适应背景建模的方法有基于混合高斯模型法和自适应背景更新方法。混合高斯模型法(Gaussian Mixture Model，GMM)是Stauffer在1999年提出的，该方法是一种基于统计学原理的方法，具有很大的计算量，对于实时性的要求比较高的监控系统，需要高性能的DSP才能完成该 任务，这无形中就提高了产品的成本。所以，在复杂的实时监控场景中应用很少。自适应背景更新方法以其计算量小获得了较广泛的应用，其基本原理可参考TI公司文献(Video Background/Foreground Detection Implementation on TMS320C64/64x+DSP，www.ti.com.cn)。

常见的阴影检测方法有：统计参数模型，统计分参数模型，确定性基于模型方法，确定性非基于模型方法(参见文献Andrea Prati，Ivana Mikic，Mohan M.Trivedi，Rita Cucchiara.Detecting moving shadows：algorithms and evaluation.IEEE Transactions on Pattern Analysis and Machine Intelligence，vol.25，no.7，pp.918-923，2003.)。这些方法主要在RGB，HSV，HSI等颜色空间里进行分析。有着各自的特性，然而实际监控场景是复杂的。且能否准确分割运动目标和运动目标的阴影作为该算法的性能评判标准。Jiandong Tian et al.提出了三色衰减模型Tri-color Attenuation Model(TAM)来描述阴影区域和非阴影区域的衰减关系。该方法采用普朗克黑体辐射理论(Planck′s blackbody irradiance theory)来描述，其参数用相关色温(Correlated Color Temperature，CCT)来初始化，但是每当环境光改变的时候或者多光源的情况下，需要重新估计参数。Sohail et al.提出了一种基于时空反射测试和双色反射模型(spatio-temporal albedo test and dichromatic reflection model)来移除阴影，其前提假设光源主要来源于天空和太阳，所以这种方法对于复杂光源的情况下或者未知光源位置的情况下效果并不好。

发明内容

本发明要解决现有交通监控场景的车辆分割方法在对于复杂光源的情 况下或者未知光源位置的情况下分割效果不好的问题，提供了一种能精确分割车辆的交通监控场景的车辆分割方法。

本发明的技术方案：

交通监控场景的车辆分割方法，其特征在于：其融合角点特征、运动纹理特征和颜色特征来分割车辆边缘，其步骤如下：

(1)背景提取和背景更新环节，通过自适应背景模型实现自适应监控场景的光线变化，所述自适应背景模型是自适应地调整参数值来改变背景更新的速度；

(2)背景差分和前景提取环节，通过背景差分提取运动的前景，得到差分后的运动像素点掩膜模板；

(3)颜色空间分析环节，通过颜色空间分析提取运动的场景中颜色特征突出的部分，得到颜色特征掩膜模板；

(4)角点提取和角点聚类环节，通过角点提取和角点聚类发掘运动的前景中颜色特征不明显的区域，得到角点掩膜模板；

(5)多重掩膜和车辆分割环节，通过对运动像素点掩膜模板、颜色特征掩膜模板、角点掩膜模板进行多重掩膜来得到最终的车辆像素，完成车辆的边缘分割。

进一步，步骤(1)的背景提取和背景更新环节的自适应背景模型如下：

$\left\{\begin{array}{c}{B}_i^{\mathrm{RGB}}(x,y)=\left\{\begin{array}{cc}\mathrm{\α}\·B_{i-1}^{\mathrm{RGB}}(x,y)+(1-\mathrm{\α})\·I_{i-1}^{\mathrm{RGB}}(x,y)& D_{i-1}^B(x,y)=1\\ B_{i-1}^{\mathrm{RGB}}(x,y)& D_{i-1}^B(x,y)=0\end{array}\right.\\ T_i(x,y)=\left\{\begin{array}{cc}\mathrm{\α}{T}_{i-1}(x,y)+(1-\mathrm{\α})(5*|I_{i-1}^{\mathrm{gray}}(x,y)-B_{i-1}^{\mathrm{gray}}(x,y)\left|\right)& D_{i-1}^B(x,y)=0\\ T_{i-1}(x,y)& D_{i-1}^B(x,y)=1\end{array}\right.\end{array}\right.---\left(2\right)$

其中 

是位于位置(x，y)处的像素点的运动掩模，当其值为1时表示该像素点是运动的，当其值为0时表示该点的像素值和参考背景相比没有变化或者认为是没有变化；α是常量表示背景更新的速度，数值越小，跟新的速度越快，反之则相反，该数值的确定可以由式(3)得到；

$\mathrm{\α}=1-\frac{1}{\mathrm{card}\left(S\right)}\underset{(i,j)\∈S}{\mathrm{\Σ}}\frac{|I_n^{\mathrm{gray}}(i,j)-B_n^{\mathrm{gray}}(i,j)|}{I_n^{\mathrm{gray}}(i,j)}---\left(3\right)$

其中 

表示运动模板中所有非运动的像素点，card(S)表示点集合中元素的个数。

进一步，步骤(2)中的背景差分和前景提取环节，首先是通过式(4)得到差分图像，然后，通过式(5)获得差分后的运动掩模模板；

$D_n(x,y)=\frac{1}{\sqrt{3}}\left|\right|I_n^{\mathrm{RGB}}(x,y)-B_n^{\mathrm{RGB}}(x,y)\left|\right|---\left(4\right)$

其中，式(5)得到的结果即是(1)式所描述内容。

进一步，步骤(3)中颜色空间分析环节是基于RGB颜色空间的，首先定义α_n(x，y)是公式(6)取最小值时候的数值；其次，定义CD_n(x，y)作为在颜色空间分析的颜色距离量，如式(7)；

$\mathrm{\ψ}\left({\mathrm{\α}}_n(x,y)\right)={(I_n^{\mathrm{RGB}}(x,y)-{\mathrm{\α}}_n(x,y)\·B_n^{\mathrm{RGB}}(x,y))}^2---\left(6\right)$

${\mathrm{CD}}_n(x,y)=\left|\right|I_n^{\mathrm{RGB}}(x,y)-{\mathrm{\α}}_n(x,y)\·B_n^{\mathrm{RGB}}(x,y)\left|\right|---\left(7\right)$

据此，得到颜色特征掩膜掩模 

颜色特征掩膜模板如式(8)所示；

$C_n^B(x,y)=\left\{\begin{array}{ccc}1& \mathrm{if}& {\mathrm{\α}}_n(x,y)>\max (T^{\mathrm{\α}},1)\\ & \mathrm{or}& {\mathrm{CD}}_n(x,y)>T^{\mathrm{CD}}\\ 0& & \mathrm{otherwise}\end{array}\right.---\left(8\right)$

其中T^α和T^CD是根据实际监控场景得到的自适应阈值；当 

为1时表示该像素点位置根据颜色信息被判定为运动点，即为运动车辆像素点，否则被判断为背景点。

进一步，步骤(4)中的角点提取和角点聚类环节的角点提取采用16邻域判定的方法提取角点，角点聚类方法采用距离测度如(9)式所示；

通过角点提取和角点聚类算法，可以获得通过角点特征得到的车辆位置检测结果，角点掩膜模板如(10)式所示：

$E_n^B(x,y)=\left\{\begin{array}{ccc}0& \mathrm{if}& (x,y)\∈{\left\{{\mathrm{\ω}}_n\right\}}_N\\ 1& & \mathrm{otherwise}\end{array}\right.---\left(10\right)$

其中，(x，y)∈{ω_n}_N表示该点属于聚类空间集。

进一步，步骤(5)中多重掩膜和车辆分割环节中的多重掩膜公式如(11)所示：

$O_n^B=H\left(C_n^{B}U{E}_n^B\right)I{D}_n^B---\left(11\right)$

其中， 由式(5)得到， 

由式(8)得到， 

由式(10)得到； H(B^B)指的是进行凸包运算， 

是得到的最终车辆像素。

本发明的技术构思，本发明所述的方法当监控场景中有车辆通过时，或监控摄像头所监控区域有车辆通过时，能自动分割出较精确的车辆区域。本发明所述的方法包括以下5个环节：背景提取和背景更新环节、背景差分和前景提取环节、颜色空间分析环节、角点提取和角点聚类环节、多重掩模和车辆分割环节，有效地融合了监控视频帧的包括颜色特征，纹理特征，角点等特征来实现车辆的精确分割，进而可以实现车辆信息的准确提取。通过这5个环节的协调，形成紧凑的车辆分割系统，可以准确地从视频帧中分割出车辆轮廓。并且，该方法可有效抑制监控场景中的光线变化和运动车辆阴影的干扰。

背景提取和背景更新环节中背景更新过程中采用的运动前景掩模，该掩模包括通过背景差分环节得到的，包括该运动掩模的作用在于提供背景更新的依据；背景更新过程中采用的更新强度参数，该参数是包括统计亮度信息得到的更新速度的强度信息，该参数可根据监控场景中的光线变化而自适应变化。

背景差分和前景提取环节提取的到的运动前景，该前景用于进一步分割；该环节所使用的参考背景，包括背景提取和背景更新环节得到的参考背景。

颜色空间分析环节，该环节挖掘了监控场景中运动前景的颜色信息，采用的颜色信息包括运动前景区域中的检测区域，包括运动前景掩模所覆盖的区域；分析的颜色空间包括通过RGB颜色空间获得的亮度信息，还包括直接使用其他颜色空间中有关亮度信息或者颜色掩模模板；颜色掩模模板包括用于多重掩模和车辆分割环节的掩模。

角点提取和角点聚类环节中角点提取的作用包括：获得车辆本影中的车辆区域，和分离本影或半影中的道路中的投射阴影和车辆区域；角点聚 类方法包括采用相似性度量的分类方法，和采用相异性度量的分类方法；角点分析环节，包括通过角点的带状特征或团状特征进行分类的方法。

多重掩模和车辆分割环节中多重掩模模版的融合方法，包括通过颜色模板和角点特征模板相或的融合方法，和包括将颜色模板和角点特征模板相与的结果和运动前景模版相与的方法，和包括将上述结果进行凸包分析的方法。

本发明与现有技术相比优点在于：本方法综合利用了监控场景中的颜色信息，运动目标纹理信息，并进一步挖掘亮度信息，剔除了运动前景中非运动目标的区域；并且该方法对于光线变化频繁，运动物体阴影较大的情况具有较好的效果。

附图说明

图1是本发明的总体流程图。

图2是颜色空间分析环节各个颜色分量之间的关系。

具体实施方式

参照图1、图2，交通监控场景的车辆分割方法，其融合角点特征、运动纹理特征和颜色特征来分割车辆边缘，其步骤如下：

(1)背景提取和背景更新环节，通过自适应背景模型实现自适应监控场景的光线变化，所述自适应背景模型是自适应地调整参数值来改变背景更新的速度；

(2)背景差分和前景提取环节，通过背景差分提取运动的前景，得到差分后的运动像素点掩膜模板；

(3)颜色空间分析环节，通过颜色空间分析提取运动的场景中颜色特征突出的部分，得到颜色特征掩膜模板；

(4)角点提取和角点聚类环节，通过角点提取和角点聚类发掘运动的前景中颜色特征不明显的区域，得到角点掩膜模板；

(5)多重掩膜和车辆分割环节，通过对运动像素点掩膜模板、颜色特征掩膜模板、角点掩膜模板进行多重掩膜来得到最终的车辆像素，完成车辆的边缘分割。

步骤(1)的背景提取和背景更新环节的自适应背景模型如下：

$\left\{\begin{array}{c}{B}_i^{\mathrm{RGB}}(x,y)=\left\{\begin{array}{cc}\mathrm{\α}\·B_{i-1}^{\mathrm{RGB}}(x,y)+(1-\mathrm{\α})\·I_{i-1}^{\mathrm{RGB}}(x,y)& D_{i-1}^B(x,y)=1\\ B_{i-1}^{\mathrm{RGB}}(x,y)& D_{i-1}^B(x,y)=0\end{array}\right.\\ T_i(x,y)=\left\{\begin{array}{cc}\mathrm{\α}{T}_{i-1}(x,y)+(1-\mathrm{\α})(5*|I_{i-1}^{\mathrm{gray}}(x,y)-B_{i-1}^{\mathrm{gray}}(x,y)\left|\right)& D_{i-1}^B(x,y)=0\\ T_{i-1}(x,y)& D_{i-1}^B(x,y)=1\end{array}\right.\end{array}\right.---\left(2\right)$

其中 是位于位置(x，y)处的像素点的运动掩模，当其值为1时表示该像素点是运动的，当其值为0时表示该点的像素值和参考背景相比没有变化或者认为是没有变化；α是常量表示背景更新的速度，数值越小，跟新的速度越快，反之则相反，该数值的确定可以由式(3)得到；

$\mathrm{\α}=1-\frac{1}{\mathrm{card}\left(S\right)}\underset{(i,j)\∈S}{\mathrm{\Σ}}\frac{|I_n^{\mathrm{gray}}(i,j)-B_n^{\mathrm{gray}}(i,j)|}{I_n^{\mathrm{gray}}(i,j)}---\left(3\right)$

其中 

表示运动模板中所有非运动的像素点，card(S)表示点集合中元素的个数。

步骤(2)中的背景差分和前景提取环节，首先是通过式(4)得到差分图像，然后，通过式(5)获得差分后的运动掩模模板；

$D_n(x,y)=\frac{1}{\sqrt{3}}\left|\right|I_n^{\mathrm{RGB}}(x,y)-B_n^{\mathrm{RGB}}(x,y)\left|\right|---\left(4\right)$

其中，式(5)得到的结果即是(1)式所描述内容。

步骤(3)中颜色空间分析环节是基于RGB颜色空间的，首先定义α_n(x，y)是公式(6)取最小值时候的数值；其次，定义CD_n(x，y)作为在颜色空间分析的颜色距离量，如式(7)；

$\mathrm{\ψ}\left({\mathrm{\α}}_n(x,y)\right)={(I_n^{\mathrm{RGB}}(x,y)-{\mathrm{\α}}_n(x,y)\·B_n^{\mathrm{RGB}}(x,y))}^2---\left(6\right)$

${\mathrm{CD}}_n(x,y)=\left|\right|I_n^{\mathrm{RGB}}(x,y)-{\mathrm{\α}}_n(x,y)\·B_n^{\mathrm{RGB}}(x,y)\left|\right|---\left(7\right)$

据此，得到颜色特征掩膜掩模 

颜色特征掩膜模板如式(8)所示；

$C_n^B(x,y)=\left\{\begin{array}{ccc}1& \mathrm{if}& {\mathrm{\α}}_n(x,y)>\max (T^{\mathrm{\α}},1)\\ & \mathrm{or}& {\mathrm{CD}}_n(x,y)>T^{\mathrm{CD}}\\ 0& & \mathrm{otherwise}\end{array}\right.---\left(8\right)$

其中T^α和T^CD是根据实际监控场景得到的自适应阈值；当 

为1时表示该像素点位置根据颜色信息被判定为运动点，即为运动车辆像素点，否则被判断为背景点。

步骤(4)中的角点提取和角点聚类环节的角点提取采用16邻域判定的方法提取角点，角点聚类方法采用距离测度如(9)式所示；算法流程如表1所示；

表1

通过角点提取和角点聚类算法，可以获得通过角点特征得到的车辆位置检测结果，角点掩膜模板如(10)式所示：

$E_n^B(x,y)=\left\{\begin{array}{ccc}0& \mathrm{if}& (x,y)\∈{\left\{{\mathrm{\ω}}_n\right\}}_N\\ 1& & \mathrm{otherwise}\end{array}\right.---\left(10\right)$

其中，(x，y)∈{ω_n}_N表示该点属于聚类空间集。

步骤(5)中多重掩膜和车辆分割环节中的多重掩膜公式如(11)所示：

$O_n^B=H\left(C_n^{B}U{E}_n^B\right)I{D}_n^B---\left(11\right)$

其中， 由式(5)得到， 

由式(8)得到， 

由式(10)得到；H(B^B)指的是进行凸包运算， 

是得到的最终车辆像素。

本发明的技术构思，本发明所述的方法当监控场景中有车辆通过时，或监控摄像头所监控区域有车辆通过时，能自动分割出较精确的车辆区域。 本发明所述的方法包括以下5个环节：背景提取和背景更新环节、背景差分和前景提取环节、颜色空间分析环节、角点提取和角点聚类环节、多重掩模和车辆分割环节，有效地融合了监控视频帧的包括颜色特征，纹理特征，角点等特征来实现车辆的精确分割，进而可以实现车辆信息的准确提取。通过这5个环节的协调，形成紧凑的车辆分割系统，可以准确地从视频帧中分割出车辆轮廓。并且，该方法可有效抑制监控场景中的光线变化和运动车辆阴影的干扰。

背景提取和背景更新环节中背景更新过程中采用的运动前景掩模，该掩模包括通过背景差分环节得到的，包括该运动掩模的作用在于提供背景更新的依据；背景更新过程中采用的更新强度参数，该参数是包括统计亮度信息得到的更新速度的强度信息，该参数可根据监控场景中的光线变化而自适应变化。

背景差分和前景提取环节提取的到的运动前景，该前景用于进一步分割；该环节所使用的参考背景，包括背景提取和背景更新环节得到的参考背景。

颜色空间分析环节，该环节挖掘了监控场景中运动前景的颜色信息，采用的颜色信息包括运动前景区域中的检测区域，包括运动前景掩模所覆盖的区域；分析的颜色空间包括通过RGB颜色空间获得的亮度信息，还包括直接使用其他颜色空间中有关亮度信息或者颜色掩模模板；颜色掩模模板包括用于多重掩模和车辆分割环节的掩模。

角点提取和角点聚类环节中角点提取的作用包括：获得车辆本影中的车辆区域，和分离本影或半影中的道路中的投射阴影和车辆区域；角点聚类方法包括采用相似性度量的分类方法，和采用相异性度量的分类方法；角点分析环节，包括通过角点的带状特征或团状特征进行分类的方法。

多重掩模和车辆分割环节中多重掩模模版的融合方法，包括通过颜色 模板和角点特征模板相或的融合方法，和包括将颜色模板和角点特征模板相与的结果和运动前景模版相与的方法，和包括将上述结果进行凸包分析的方法。

本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围的不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (6)

1.交通监控场景的车辆分割方法，其特征在于：其融合角点特征、运动纹理特征和颜色特征来分割车辆边缘，其步骤如下：

(1)背景提取和背景更新环节，通过自适应背景模型实现自适应监控场景的光线变化，所述自适应背景模型是自适应地调整参数值来改变背景更新的速度；

(2)背景差分和前景提取环节，通过背景差分提取运动的前景，得到差分后的运动像素点掩膜模板；

(3)颜色空间分析环节，通过颜色空间分析提取运动的场景中颜色特征突出的部分，得到颜色特征掩膜模板；

(4)角点提取和角点聚类环节，通过角点提取和角点聚类发掘运动的前景中颜色特征不明显的区域，得到角点掩膜模板；

(5)多重掩膜和车辆分割环节，通过对运动像素点掩膜模板、颜色特征掩膜模板、角点掩膜模板进行多重掩膜来得到最终的车辆像素，完成车辆的边缘分割。

2.根据权利要求1所述的交通监控场景的车辆分割方法，其特征在于：步骤(1)的背景提取和背景更新环节的自适应背景模型如下：

$\left\{\begin{array}{c}{B}_i^{\mathrm{RGB}}(x,y)=\left\{\begin{array}{cc}\mathrm{\α}\·B_{i-1}^{\mathrm{RGB}}(x,y)+(1-\mathrm{\α})\·I_{i-1}^{\mathrm{RGB}}(x,y)& D_{i-1}^B(x,y)=1\\ B_{i-1}^{\mathrm{RGB}}(x,y)& D_{i-1}^B(x,y)=0\end{array}\right.\\ T_i(x,y)=\left\{\begin{array}{cc}\mathrm{\α}{T}_{i-1}(x,y)+(1-\mathrm{\α})(5*|I_{i-1}^{\mathrm{gray}}(x,y)-B_{i-1}^{\mathrm{gray}}(x,y)\left|\right)& D_{i-1}^B(x,y)=0\\ T_{i-1}(x,y)& D_{i-1}^B(x,y)=1\end{array}\right.\end{array}\right.---\left(2\right)$

其中

是位于位置(x，y)处的像素点的运动掩模，当其值为1时表示该像素点是运动的，当其值为0时表示该点的像素值和参考背景相比没有变化或者认为是没有变化；α是常量表示背景更新的速度，数值越小，跟新的速度越快，反之则相反，该数值的确定可以由式(3)得到；

$\mathrm{\α}=1-\frac{1}{\mathrm{card}\left(S\right)}\underset{(i,j)\∈S}{\mathrm{\Σ}}\frac{|I_n^{\mathrm{gray}}(i,j)-B_n^{\mathrm{gray}}(i,j)|}{I_n^{\mathrm{gray}}(i,j)}---\left(3\right)$

其中

表示运动模板中所有非运动的像素点，card(S)表示点集合中元素的个数。

3.根据权利要求1或2所述的交通监控场景的车辆分割方法，其特征在于：步骤(2)中的背景差分和前景提取环节，首先是通过式(4)得到差分图像，然后，通过式(5)获得差分后的运动掩模模板；

$D_n(x,y)=\frac{1}{\sqrt{3}}\left|\right|I_n^{\mathrm{RGB}}(x,y)-B_n^{\mathrm{RGB}}(x,y)\left|\right|---\left(4\right)$

其中，式(5)得到的结果即是(1)式所描述内容。

4.根据权利要求3所述的交通监控场景的车辆分割方法，其特征在于：步骤(3)中颜色空间分析环节是基于RGB颜色空间的，首先定义α_n(x，y)是公式(6)取最小值时候的数值；其次，定义CD_n(x，y)作为在颜色空间分析的颜色距离量，如式(7)；

$\mathrm{\ψ}\left({\mathrm{\α}}_n(x,y)\right)={(I_n^{\mathrm{RGB}}(x,y)-{\mathrm{\α}}_n(x,y)\·B_n^{\mathrm{RGB}}(x,y))}^2---\left(6\right)$

${\mathrm{CD}}_n(x,y)=\left|\right|I_n^{\mathrm{RGB}}(x,y)-{\mathrm{\α}}_n(x,y)\·B_n^{\mathrm{RGB}}(x,y)\left|\right|---\left(7\right)$

据此，得到颜色特征掩膜掩模

颜色特征掩膜模板如式(8)所示；

$C_n^B(x,y)=\left\{\begin{array}{ccc}1& \mathrm{if}& {\mathrm{\α}}_n(x,y)>\max (T^{\mathrm{\α}},1)\\ & \mathrm{or}& {\mathrm{CD}}_n(x,y)>T^{\mathrm{CD}}\\ 0& & \mathrm{otherwise}\end{array}\right.---\left(8\right)$

其中T^α和T^CD是根据实际监控场景得到的自适应阈值；当

为1时表示该像素点位置根据颜色信息被判定为运动点，即为运动车辆像素点，否则被判断为背景点。

5.根据权利要求4所述的交通监控场景的车辆分割方法，其特征在于：步骤(4)中的角点提取和角点聚类环节的角点提取采用16邻域判定的方法提取角点，角点聚类方法采用距离测度如(9)式所示；

通过角点提取和角点聚类算法，可以获得通过角点特征得到的车辆位置检测结果，角点掩膜模板如(10)式所示：

$E_n^B(x,y)=\left\{\begin{array}{ccc}0& \mathrm{if}& (x,y)\∈{\left\{{\mathrm{\ω}}_n\right\}}_N\\ 1& & \mathrm{otherwise}\end{array}\right.---\left(10\right)$

其中，(x，y)∈{ω_n}_N表示该点属于聚类空间集。

6.根据权利要求5所述的交通监控场景的车辆分割方法，其特征在于：

步骤(5)中多重掩膜和车辆分割环节中的多重掩膜公式如(11)所示：

$O_n^B=H\left(C_n^{B}U{E}_n^B\right)I{D}_n^B---\left(11\right)$

其中，由式(5)得到，由式(8)得到，

由式(10)得到；H(B^B)指的是进行凸包运算，是得到的最终车辆像素。

Images