CN105447448B - 一种基于高斯颜色距离的卡口车辆定位方法 - Google Patents

一种基于高斯颜色距离的卡口车辆定位方法 Download PDF

Info

Publication number
CN105447448B
CN105447448B CN201510770266.9A CN201510770266A CN105447448B CN 105447448 B CN105447448 B CN 105447448B CN 201510770266 A CN201510770266 A CN 201510770266A CN 105447448 B CN105447448 B CN 105447448B
Authority
CN
China
Prior art keywords
image
subgraph
gauss
road area
feature vector
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.)
Active
Application number
CN201510770266.9A
Other languages
English (en)
Other versions
CN105447448A (zh
Inventor
陈莹
化春键
姚健
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.)
Changshu Zijin Intellectual Property Service Co ltd
Original Assignee
Jiangnan University
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 Jiangnan University filed Critical Jiangnan University
Priority to CN201510770266.9A priority Critical patent/CN105447448B/zh
Publication of CN105447448A publication Critical patent/CN105447448A/zh
Application granted granted Critical
Publication of CN105447448B publication Critical patent/CN105447448B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种基于高斯颜色距离的卡口车辆定位方法，该方法首先将图像分为4*4共16幅的子图像，计算每一幅子图像的灰度标准偏差，取标准偏差最小的三幅图像，基于灰度二值化对其进行进一步分割并计算分割后每部分像素的灰度标准偏差，将其中灰度标准偏差较小的部分的所有像素放入道路区域像素集合中，并从中提取出道路区域特征向量；然后对每一幅子图像进行k‑means聚类，提取每个聚类像素的特征向量，并计算该特征向量与道路区域特征向量的高斯距离，得到高斯距离图。对该图进行二值化并加以数学形态学处理，得到车辆目标区域。该方法准确率较高，定位精准高，运行时间少，可满足实际应用要求。

Description

一种基于高斯颜色距离的卡口车辆定位方法
技术领域
本发明涉及一种基于高斯颜色距离的卡口车辆定位方法，属于图像处理与分析在智能视频监控上的应用。
背景技术
车辆定位技术可以通过基于视频或图像序列的运动目标检测进行，也可以通过单幅图像进行。目前较为流行的方法是从大量样本中提取特征进行机器学习训练，比如harr特征+adaboost分类器，以及HOG特征+SVM分类器的方法，然后在测试图像中提取同类特征，并送入分类器识别。由于大部分交通卡口采用的是线圈感应拍照的形式，只能获取单幅图像，因此基于视频或图像序列的运动目标检测方法并不适用；而基于机器学习的车辆定位方法需要事先搜集大量的样本并进行人工标定，耗费大量的时间和人力。因此，本发明致力于只利用单幅卡口图像本身的灰度和颜色信息，提取车辆目标，为后续的车型识别、嫌疑车检测等工作提供精确的车辆定位信息。
发明内容
本发明所要解决的技术问题是提供一种基于高斯颜色距离的卡口车辆定位方法，本发明定位精准，无需训练，且耗时较少，能够满足现实使用中对实时性的要求。
为解决上述技术问题，本发明所采用的技术方案是：一种基于高斯颜色距离的卡口车辆定位方法，其特征在于，包括以下部分：
S01、读入图像并划分网格：读入卡口车辆图像I，并将其划分为4*4的网格，每一个网格内的子图像记为Ii,i＝1,2,...,16；
S02、提取道路区域信息：根据各子图像的灰度分布特征，对图像进行道路区域估计，并提取由灰度标准差分布信息与LAB通道颜色信息组成的道路区域特征向量Cbk＝[stdbk Lbk Abk Bbk]；
S03、建立高斯距离图：计算子图像中各个聚类子块与道路区域特征向量的高斯距离，形成高斯距离图D；
S04、获取定位中心：基于高斯距离图D得到卡口车辆图像I的车辆定位中心。
作为本发明的进一步改进，所述步骤S02具体为：
(1)对每一幅子图像，提取各像素点灰度，形成灰度向量vi,i＝1,2,...16；
(2)计算灰度向量vi的标准偏差stdi；
(3)根据stdi，i＝1,2,...16的大小进行由小到大的排序，获得排在前三位的序号，记为i1,i2和i3；
(4)获取序号i1,i2和i3对应的子图像和对子图像j＝1,2,3进行二值化，即根据灰度信息将分成2部分和
(5)计算和的灰度标准差，分别记为和若取中的所有像素放入道路区域像素集合V中，否则，取中的所有像素放入道路区域像素集合V中；
(6)对道路区域像素集合V中的元素提取其灰度标准差和LAB三通道的像素灰度平均值Cv＝[stdv Lv Av Bv]作为道路区域特征向量Cbk＝[stdbk Lbk Abk Bbk]；
作为本发明的进一步改进，所述步骤S03具体为：
(1)对每一幅子图像Ii,i＝1,2...,16，利用k-means算法进行K＝3的图像聚类分割，每个分割块记为k＝1，2，3；
(2)计算每一个分割块由灰度标准差分布信息与LAB三通道颜色信息组成的分割 块特征向量与道路区域特征向量Cbk＝[stdbk Lbk Abk Bbk]之间的高斯距离其中σ＝0.2，β＝0.5；
(3)综合各子图像的各分割块k＝1,2,3，i＝1,2,...,16的高斯距离，形成高斯距离图D，其中D(ii,jj)表示图像I中第ii行第jj列的像素与Cbk之间的高斯距离；
作为本发明的进一步改进，所述步骤S04具体为：
(1)对高斯距离图D进行二值化，得到二值图像bw；
(2)对二值图像bw进行数学形态学操作，连接目标断裂区域，并消除形状和大小不可能为车辆的二值连通区域，得到二值图像bw'；
(3)二值图像bw'中的连通域中心即为卡口车辆图像I的车辆定位中心。
本发明的有益效果是，只利用单幅图像的灰度和颜色信息准确提取图像中的车辆目标，无需训练，耗时短，完全满足卡口图像的实时处理要求。
附图说明
图1为本发明所提供的一种基于高斯颜色距离的卡口车辆定位方法流程图。
具体实施方式
下面结合附图所示的各实施方式对本发明进行详细说明，但应当说明的是，这些实施方式并非对本发明的限制，本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代，均属于本发明的保护范围之内。
针对当前基于视频或图像的卡口车辆检测方法存在着训练周期长、定位不准确、受外界环境干扰较为严重的问题，本发明提出了一种基于高斯颜色距离的卡口车辆定位方法，下面结合附图进行详细说明：
如图1所示,为本发明所提供的一种基于高斯颜色距离的卡口车辆定位方法具体实施方式中的流程示意图。在本实施方式中，一种基于高斯颜色距离的卡口车辆定位方法，其包括以下部分：
S01、读入图像并划分网格：读入卡口车辆图像I，并将其划分为4*4的网格，每一个网格内的子图像记为Ii,i＝1,2,...,16；
S02、提取道路区域信息：根据各子图像的灰度分布特征，对图像进行道路区域估计，并提取由灰度标准差分布信息与LAB通道颜色信息组成的道路区域特征向量Cbk＝[stdbk Lbk Abk Bbk]；
所述步骤S02具体为：
(1)对每一幅子图像，提取各像素点灰度，形成灰度向量vi,i＝1,2,...16；
(2)计算灰度向量vi的标准偏差stdi；
(3)根据stdi，i＝1,2,...16的大小进行由小到大的排序，获得排在前三位的序号，记为i1,i2和i3；
(4)获取序号i1,i2和i3对应的子图像和对子图像j＝1,2,3进行二值化，即根据灰度信息将分成2部分和
(5)计算和的灰度标准差，分别记为和若取中的所有像素放入道路区域像素集合V中，否则，取中的所有像素放入道路区域像素集合V中；
(6)对道路区域像素集合V中的元素提取其灰度标准差和LAB三通道的像素灰度平均值Cv＝[stdv Lv Av Bv]作为道路区域特征向量Cbk＝[stdbk Lbk Abk Bbk]；
S03、建立高斯距离图：计算子图像中各个聚类子块与道路区域特征向量的高斯距离，形成高斯距离图D；
所述步骤S03具体为：
(1)对每一幅子图像Ii,i＝1,2...,16，利用k-means算法进行K＝3的图像聚类分割，每个分割块记为k＝1,2,3；
(2)计算每一个分割块由灰度标准差分布信息与LAB三通道颜色信息组成的分割 块特征向量与道路区域特征向量Cbk＝[stdbk Lbk Abk Bbk]之间的高斯距离其中σ＝0.2，β＝0.5；
(3)综合各子图像的各分割块k＝1,2,3，i＝1,2,...,16的高斯距离，形成高斯距离图D，其中D(ii,jj)表示图像I中第ii行第jj列的像素与Cbk之间的高斯距离；
S04、获取定位中心：基于高斯距离图D得到卡口车辆图像I的车辆定位中心。
所述步骤S04具体为：
(1)对高斯距离图D进行二值化，得到二值图像bw；
(2)对二值图像bw进行数学形态学操作，连接目标断裂区域，并消除形状和大小不可能为车辆的二值连通区域，得到二值图像bw'；
(3)二值图像bw'中的连通域中心即为卡口车辆图像I的车辆定位中心。
以上已以较佳实施例公开了本发明，然其并非用以限制本发明，凡采用等同替换或者等效变换方式所获得的技术方案，均落在本发明的保护范围之内。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (1)

1.一种基于高斯颜色距离的卡口车辆定位方法，其特征在于，包括以下步骤：
S01、读入图像并划分网格：读入卡口车辆图像I，并将其划分为4*4的网格，每一个网格内的子图像记为Ii,i＝1,2,...,16；
S02、提取道路区域信息：根据各子图像的灰度分布特征，对图像进行道路区域估计，并提取由灰度标准差分布信息与LAB通道颜色信息组成的道路区域特征向量Cbk＝[stdbk LbkAbk Bbk]；
S03、建立高斯距离图：计算子图像中各个聚类子块与道路区域特征向量的高斯距离，形成高斯距离图D；
S04、获取定位中心：基于高斯距离图D得到卡口车辆图像I的车辆定位中心；
所述步骤S02包括：
(1)对每一幅子图像，提取各像素点灰度，形成灰度向量vi,i＝1,2,...16；
(2)计算灰度向量vi的标准偏差stdi；
(3)根据stdi，i＝1,2,...16的大小进行由小到大的排序，获得排在前三位的序号，记为i1,i2和i3；
(4)获取序号i1,i2和i3对应的子图像 对子图像j＝1,2,3进行二值化，即根据灰度信息将分成2部分和
(5)计算和的灰度标准差，分别记为和若取中的所有像素放入道路区域像素集合V中，否则，取中的所有像素放入道路区域像素集合V中；
(6)对道路区域像素集合V中的元素提取其灰度标准差和LAB三通道的像素灰度平均值Cv＝[stdv Lv Av Bv]作为道路区域特征向量Cbk＝[stdbk Lbk Abk Bbk]；
所述步骤S03包括：
(1)对每一幅子图像Ii，i＝1,2...,16，利用k-means算法进行K＝3的图像聚类分割，每个分割块记为
(2)计算每一个分割块由灰度标准差分布信息与LAB三通道颜色信息组成的分割块特征向量与道路区域特征向量Cbk＝[stdbk Lbk Abk Bbk]之间的高斯距离其中σ＝0.2，β＝0.5；
(3)综合各子图像的各分割块的高斯距离，形成高斯距离图D，其中D(ii，jj)表示图像I中第ii行第jj列的像素与Cbk之间的高斯距离；
所述步骤S04包括：
(1)对高斯距离图D进行二值化，得到二值图像bw；
(2)对二值图像bw进行数学形态学操作，连接目标断裂区域，并消除形状和大小不可能为车辆的二值连通区域，得到二值图像bw’；
(3)二值图像bw’中的连通域中心即为卡口车辆图像I的车辆定位中心。
CN201510770266.9A 2015-11-12 2015-11-12 一种基于高斯颜色距离的卡口车辆定位方法 Active CN105447448B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510770266.9A CN105447448B (zh) 2015-11-12 2015-11-12 一种基于高斯颜色距离的卡口车辆定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510770266.9A CN105447448B (zh) 2015-11-12 2015-11-12 一种基于高斯颜色距离的卡口车辆定位方法

Publications (2)

Publication Number Publication Date
CN105447448A CN105447448A (zh) 2016-03-30
CN105447448B true CN105447448B (zh) 2019-01-11

Family

ID=55557608

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510770266.9A Active CN105447448B (zh) 2015-11-12 2015-11-12 一种基于高斯颜色距离的卡口车辆定位方法

Country Status (1)

Country Link
CN (1) CN105447448B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7330565B1 (en) * 2002-02-26 2008-02-12 The United States Of America As Represented By The Secretary Of The Army Scale insensitive vehicle detection algorithm for flir imagery
CN104050477A (zh) * 2014-06-27 2014-09-17 西北工业大学 基于道路辅助信息和显著性检测的红外图像车辆检测方法
CN104166841A (zh) * 2014-07-24 2014-11-26 浙江大学 一种视频监控网络中指定行人或车辆的快速检测识别方法
US20150254531A1 (en) * 2014-03-07 2015-09-10 Tata Consultancy Services Limited Multi range object detection device and method

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7330565B1 (en) * 2002-02-26 2008-02-12 The United States Of America As Represented By The Secretary Of The Army Scale insensitive vehicle detection algorithm for flir imagery
US20150254531A1 (en) * 2014-03-07 2015-09-10 Tata Consultancy Services Limited Multi range object detection device and method
CN104050477A (zh) * 2014-06-27 2014-09-17 西北工业大学 基于道路辅助信息和显著性检测的红外图像车辆检测方法
CN104166841A (zh) * 2014-07-24 2014-11-26 浙江大学 一种视频监控网络中指定行人或车辆的快速检测识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘昕.一种基于颜色识别的卡口车辆检测方法.《计算机与数字工程》.2014,第42卷(第1期),142-144.
吴火桥.城市卡口可疑车辆监控系统设计与实现.《中国优秀硕士学位论文全文数据库 信息科技辑》.2010,(第04期),I140-325.

Also Published As

Publication number Publication date
CN105447448A (zh) 2016-03-30

Similar Documents

Publication Publication Date Title
CN105760886B (zh) 一种基于目标识别与显著性检测的图像场景多对象分割方法
CN108052880B (zh) 交通监控场景虚实车道线检测方法
CN105913041B (zh) 一种基于预先标定的信号灯识别方法
CN104599275B (zh) 基于概率图模型的非参数化的rgb-d场景理解方法
EP2811423B1 (en) Method and apparatus for detecting target
CN109657632B (zh) 一种车道线检测识别方法
CN103150559B (zh) 基于Kinect三维深度图像的头部识别与跟踪方法
WO2015010451A1 (zh) 一种从单幅图像检测道路的方法
CN109919002B (zh) 黄色禁停线识别方法、装置、计算机设备及存储介质
CN102722891A (zh) 一种图像显著度检测的方法
CN102332157B (zh) 一种消除阴影的方法
CN104050481B (zh) 多模板轮廓特征和灰度相结合的红外图像实时行人检测
CN102880863B (zh) 一种基于可变形部件模型的车牌及驾驶员人脸定位方法
CN108985170A (zh) 基于三帧差分法及深度学习的输电线路悬挂物识别方法
CN108052904B (zh) 车道线的获取方法及装置
US20230041943A1 (en) Method for automatically producing map data, and related apparatus
CN106203237A (zh) 集装箱拖车编号的识别方法和装置
CN103544502A (zh) 基于svm的高分辨率遥感影像船只提取方法
CN103065126B (zh) 不同场景对人体图像再识别的方法
CN104217442B (zh) 基于多模型估计的航拍视频运动目标检测方法
CN107480603A (zh) 基于slam和深度摄像头的同步建图与物体分割方法
CN107808524A (zh) 一种基于无人机的道路交叉口车辆检测方法
CN104899559B (zh) 一种基于视频监控的快速行人检测方法
CN105184317A (zh) 一种基于svm分类的车牌字符分割方法
CN106845458A (zh) 一种基于核超限学习机的快速交通标识检测方法

Legal Events

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

Effective date of registration: 20221227

Address after: Room 401, Building 3, No. 88, Xianshi Road, Changshu High tech Industrial Development Zone, Suzhou, Jiangsu Province, 215500

Patentee after: Suzhou Feimu Huoneng Robot Technology Co.,Ltd.

Address before: No. 1800 road 214122 Jiangsu Lihu Binhu District City of Wuxi Province

Patentee before: Jiangnan University

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230519

Address after: Building 3, Building 3310, No. 88 Xianshi Road, Changshu High tech Industrial Development Zone, Suzhou City, Jiangsu Province, 215500

Patentee after: Changshu Zijin Intellectual Property Service Co.,Ltd.

Address before: Room 401, Building 3, No. 88, Xianshi Road, Changshu High tech Industrial Development Zone, Suzhou, Jiangsu Province, 215500

Patentee before: Suzhou Feimu Huoneng Robot Technology Co.,Ltd.