CN108229315B - 一种基于标记分水岭和图像聚类的车辆定位方法 - Google Patents
一种基于标记分水岭和图像聚类的车辆定位方法 Download PDFInfo
- Publication number
- CN108229315B CN108229315B CN201711219890.5A CN201711219890A CN108229315B CN 108229315 B CN108229315 B CN 108229315B CN 201711219890 A CN201711219890 A CN 201711219890A CN 108229315 B CN108229315 B CN 108229315B
- Authority
- CN
- China
- Prior art keywords
- image
- vehicle
- watershed
- region
- height
- 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
Links
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种通过标记分水岭和图像聚类进行车辆检测和定位的彩色图像分割方法。通过使用本发明的方法对车辆进行定位操作,可以有效避免地面图像特别是黄线等与车辆边缘部位的连接,避免干扰图像对车辆定位的影响,并且该车辆定位方法不受光照的影响,且在车辆本身颜色与地面接近的情况下也能很好的进行定位,可以在复杂环境下得到良好的车辆定位效果。
Description
技术领域
本发明涉及计算机视觉及智能交通领域,具体是一种通过比较车辆区域与马路区域的特征信息差别来进行车辆粗定位的方法。
背景技术
随着我国经济的发展,车辆急剧增加。车型识别作为智能交通系统研究的关键技术之一对于道路交通管理和高速公路收费都具有重要的实用价值,并且这些应用场景对车型识别的准确率要求也越来越高,车辆定位是车型识别的前提,因此提高车辆定位准确率是提高车型识别准确率是提高车型识别准确率的关键。
当前有许多学者提出了不同的车辆定位方法,主要可以分为基于视频帧差法的车辆定位方法、基于车辆及其学习的车辆定位方法以及基于车辆边缘信息的车辆定位方法等。
其中与本发明较为接近的技术方案为:文献(张明恒,王华莹,郭烈.基于改进K-Means算法的车辆识别方法[J].计算机技术与发展,2012,22(5):53-56.)提出采用K-Means算法进行三次随机选择初始聚类中心和聚类数,最后选择对图像的L分量进行聚类,对图像进行聚类之后采用大津法(OSTU)进行分割,图像进行分割以后被分为目标和背景两部分,再次利用区域生长法将一些孔洞进行填充,再利用阈值面积消去法将较小的噪声区域去除,最终得到车辆的粗定位。文献(余旺盛,侯志强,宋建军.基于标记分水岭和区域合并的彩色图像分割[J].电子学报,2011,39(5):1007-1012.)针对分水岭算法的过分割问题,提出了一种结合分水岭和区域合并的彩色图像分割算法,首先根据梯度图像局部极小值的综合信息自适应提取标记,在标记的基础上进行分水岭变换获得初始分割结果,然后结合人眼对区域相似性的实际感知定义了融合颜色距离、方差和边缘新的综合距离度量,通过综合距离度量控制区域进行快速合并得到分割结果。文献(刘强,薛国新,薛培.多分辨率下自适应阈值判定的分水岭车辆图像分割算法[J].常州大学学报(自然科学版),2011,23(1):23-26.)提出首先使用多分辨率小波对图像进行分解,在分解的分辨率下应用Prewitt边缘检测算子计算该分辨率下的梯度灰度图像,再采用自适应阈值判定方法去除伪灰度值,最后应用分水岭变换取得比较好的结果。文献(张瑜慧,郑步芹,沈洋.基于图像融合与分水岭技术的车辆检测[J].计算机与数字工程,2016(2):237-239.)提出一种有效的运动车辆检测方法。首先采用连续帧差法进行背景建模,之后采用像素级的图像融合技术,将视频帧和背景帧在RGB通道进行融合处理。随后在模板匹配的基础上进行分水岭分割,获得最佳匹配信息,最终实现车辆的检测和定位。
综上所述,当前的车牌定位方法存在着如下不足:(1)复杂背景下干扰边缘多,容易造成分水岭的过分割;(2)车辆附近区域的信息会干扰车辆的精确定位;(3)没有充分利用车辆的自身的信息。
发明内容
针对现有的车辆定位方法中存在的上述问题,本发明提出了一种通过标记分水岭和图像聚类进行车辆检测和定位的彩色图像分割方法。
所述的一种基于标记分水岭和图像聚类的车辆定位方法,其特征在于包括如下步骤:
步骤1:读入一张需要检测车辆的图像,记为I1,其中图像的高度为height,宽度为width;
步骤2:对图像I1进行canny边缘检测并对得到的轮廓进行查找,然后使用分水岭算法进行轮廓的分割,得到分水岭的分布图I2;
步骤3:对图像I2中的分水岭区域进行统计,得到分水岭的区域集合F={Mi|i=1,2,3,…,n},其中n表示集合F中的分水岭区域个数;
步骤4:计算F中每个区域Mi的通道像素值,具体为:
步骤4.1:根据颜色空间映射公式将RGB图像I1转换成HSV通道的图像I3;
步骤4.2:计算I3图像中Mi区域的H,S,V通道的像素平均值,分别记为hi,si,vi;
步骤4.3:计算I1图像中Mi区域的R,G,B通道的像素平均值,分别记为ri,gi,bi;;
步骤4.4:将Mi区域对应的通道平均像素值组合成六维向量Ri=(hi,si,vi,ri,gi,bi);
步骤5:对六维向量集合{Ri=(hi,si,vi,ri,gi,bi)|i=1,2,…,n}进行K-means聚类分析得到聚类图像,并对该图像进行膨胀腐蚀操作,得到二值图像C;
步骤6:根据图像C定位车辆,得到车辆的最小包络矩形Rmin=(x,y,w,h),具体为:
步骤6.1:根据式(1)计算图像C中每一行的白色像素点的数量,得到集合T={ti|i=0,1,2,…,height-1},其中ti表示第i行的白色像素点的数量;根据式(2)计算图像C中每一列的白色像素点的数量,得到集合Q={qj|j=0,1,2,…,width-1},其中qj表示第j列的白色像素点的数量;
其中,C(i,j)表示图像C第i行第j列的像素的灰度值;
步骤6.2:根据式(3)计算得到车辆的最小包络矩形Rmin=(x,y,w,h),其中max表示集合中的最大值,(x,y)表示Rmin左上角的坐标,w和h分别表示Rmin的宽度和高度。
通过使用本发明的方法对车辆进行定位操作,可以有效避免地面图像特别是黄线等与车辆边缘部位的连接,避免干扰图像对车辆定位的影响,并且该车辆定位方法不受光照的影响,且在车辆本身颜色与地面接近的情况下也能很好的进行定位,可以在复杂环境下得到良好的车辆定位效果。
附图说明
图1为本发明实施样例选取的车辆图像;
图2为本发明的经过步骤2进行分水岭算法处理后得到的分水岭标记图;
图3为本发明实施例中经过步骤3的通道转换得到的HSV图像;
图4为本发明实施例中经过步骤5的k-means聚类分析得到的二值图像;
图5为本发明实施例中经过步骤6得到的车辆定位图像。
具体实施方式
下面结合实施例来详细阐述本发明的基于标记分水岭和图像聚类的车辆定位方法。应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
本发明的一种基于标记分水岭和图像聚类的车辆定位方法,包括如下步骤:步骤1:读入一张需要检测车辆的图像如图1所示,其中图像的高度为height,宽度为width;
步骤2:对原图进行canny边缘检测并对得到的轮廓进行查找,然后使用分水岭算法进行轮廓的分割,得到分水岭的分布图如图2所示;
步骤3:对图2中的分水岭区域进行统计,得到分水岭的区域集合F={Mi|i=1,2,3,…,n},其中n表示集合F中的分水岭区域个数;
步骤4:计算F中每个区域Mi的通道像素值,具体为:
步骤4.1:根据颜色空间映射公式将RGB通道的原图转换成HSV通道的图像,如图3所示;
步骤4.2:计算图3中Mi区域的H,S,V通道的像素平均值,分别记为hi,si,vi;
步骤4.3:计算原图中Mi区域的R,G,B通道的像素平均值,分别记为ri,gi,bi;;
步骤4.4:将Mi区域对应的通道平均像素值组合成六维向量Ri=(hi,si,vi,ri,gi,bi);
步骤5:对六维向量集合{Ri=(hi,si,vi,ri,gi,bi)|i=1,2,…,n}进行K-means聚类分析得到聚类图像,并对该图像进行膨胀腐蚀操作,得到二值图像如图4所示;
步骤6:根据上述步骤得到的图4定位车辆,得到车辆的最小包络矩形Rmin=(x,y,w,h),具体为:
步骤6.1:根据式(1)计算图4中每一行的白色像素点的数量,得到集合T={ti|i=0,1,2,…,height-1},其中ti表示第i行的白色像素点的数量;根据式(2)计算图4中每一列的白色像素点的数量,得到集合Q={qj|j=0,1,2,…,width-1},其中qj表示第j列的白色像素点的数量;
其中,C(i,j)表示图4第i行第j列的像素的灰度值;
步骤6.2:根据式(3)计算得到车辆的最小包络矩形Rmin=(x,y,w,h),其中max表示集合中的最大值,(x,y)表示Rmin左上角的坐标,w和h分别表示Rmin的宽度和高度。
在本实施例中,通过以上处理,可以看到图5中的车辆被精确定位出来。
Claims (1)
1.一种基于标记分水岭和图像聚类的车辆定位方法,包括如下步骤:
步骤1:读入一张需要检测车辆的图像,其中图像的高度为height,宽度为width;
步骤2:对原图进行canny边缘检测并对得到的轮廓进行查找,然后使用分水岭算法进行轮廓的分割,得到分水岭的分布图;
步骤3:对分水岭区域进行统计,得到分水岭的区域集合F={Mi|i=1,2,3,…,n},其中n表示集合F中的分水岭区域个数;
步骤4:计算F中每个区域Mi的通道像素值;
步骤4具体为:
步骤4.1:根据颜色空间映射公式将RGB图像I1转换成HSV通道的图像I3;
步骤4.2:计算I3图像中Mi区域的H,S,V通道的像素平均值,分别记为hi,si,vi;
步骤4.3:计算I1图像中Mi区域的R,G,B通道的像素平均值,分别记为ri,gi,bi;
步骤4.4:将Mi区域对应的通道平均像素值组合成六维向量Ri=(hi,si,vi,ri,gi,bi);
步骤5:对六维向量集合{Ri=(hi,si,vi,ri,gi,bi)|i=1,2,…,n}进行K-means聚类分析得到聚类图像,并对该图像进行膨胀腐蚀操作,得到二值图像C;
步骤6:根据图像C定位车辆,得到车辆的最小包络矩形Rmin=(x,y,w,h);
步骤6具体为:
步骤6.1:根据式(1)计算每一行的白色像素点的数量,得到集合T={ti|i=0,1,2,…,height-1},其中ti表示第i行的白色像素点的数量;根据式(2)计算每一列的白色像素点的数量,得到集合Q={qj|j=0,1,2,…,width-1},其中qj表示第j列的白色像素点的数量;
其中,C(i,j)表示第i行第j列的像素的灰度值;
步骤6.2:根据式(3)计算得到车辆的最小包络矩形Rmin=(x,y,w,h),其中max表示集合中的最大值,(x,y)表示Rmin左上角的坐标,w和h分别表示Rmin的宽度和高度;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711219890.5A CN108229315B (zh) | 2017-11-28 | 2017-11-28 | 一种基于标记分水岭和图像聚类的车辆定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711219890.5A CN108229315B (zh) | 2017-11-28 | 2017-11-28 | 一种基于标记分水岭和图像聚类的车辆定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108229315A CN108229315A (zh) | 2018-06-29 |
CN108229315B true CN108229315B (zh) | 2021-09-28 |
Family
ID=62653017
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711219890.5A Active CN108229315B (zh) | 2017-11-28 | 2017-11-28 | 一种基于标记分水岭和图像聚类的车辆定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108229315B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509270A (zh) * | 2011-11-14 | 2012-06-20 | 西安电子科技大学 | 基于标记分水岭算法和核进化聚类的图像分割方法 |
EP2500864A1 (en) * | 2011-03-15 | 2012-09-19 | Agfa Healthcare | Irradiation field recognition |
CN103870842A (zh) * | 2014-03-20 | 2014-06-18 | 西安电子科技大学 | 结合极化特征和分水岭的极化sar图像分类方法 |
-
2017
- 2017-11-28 CN CN201711219890.5A patent/CN108229315B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2500864A1 (en) * | 2011-03-15 | 2012-09-19 | Agfa Healthcare | Irradiation field recognition |
CN102509270A (zh) * | 2011-11-14 | 2012-06-20 | 西安电子科技大学 | 基于标记分水岭算法和核进化聚类的图像分割方法 |
CN103870842A (zh) * | 2014-03-20 | 2014-06-18 | 西安电子科技大学 | 结合极化特征和分水岭的极化sar图像分类方法 |
Non-Patent Citations (3)
Title |
---|
《Segmentation of White Blood Cells From Microscopic Images Using a Novel Combination of K-Means Clustering and Modified Watershed Algorithm》;Narjes Ghane;et al;《Journal of medical signals and sensors》;20170630;第7卷(第2期);第92-101页 * |
《结合分水岭和区域合并的彩色图像分割》;李小红;《电子测量与仪器学报》;20130331;第27卷(第3期);第247-252页 * |
《自然环境下重叠果实图像识别算法与试验》;苗中华,等;《农业机械学报》;20160630;第47卷(第6期);第21-27页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108229315A (zh) | 2018-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109657632B (zh) | 一种车道线检测识别方法 | |
CN103824066B (zh) | 一种基于视频流的车牌识别方法 | |
CN111563412B (zh) | 一种基于参数空间投票和贝塞尔拟合的快速车道线检测方法 | |
CN105160691A (zh) | 基于颜色直方图的车身颜色识别方法 | |
CN113370977B (zh) | 一种基于视觉的智能车辆前向碰撞预警方法及系统 | |
CN108052904B (zh) | 车道线的获取方法及装置 | |
CN108647664B (zh) | 一种基于环视图像的车道线检测方法 | |
CN103310194A (zh) | 视频中基于头顶像素点梯度方向的行人头肩部检测方法 | |
CN103106409A (zh) | 一种针对头肩检测的混合特征提取方法 | |
CN102542244A (zh) | 人脸检测方法与系统及计算机程序产品 | |
CN109784216B (zh) | 基于概率图的车载热成像行人检测RoIs提取方法 | |
Liu et al. | ROI perspective transform based road marking detection and recognition | |
CN106056078B (zh) | 一种基于多特征回归式集成学习的人群密度估计方法 | |
Poggenhans et al. | A universal approach to detect and classify road surface markings | |
CN106845458A (zh) | 一种基于核超限学习机的快速交通标识检测方法 | |
Schreiber et al. | Detecting symbols on road surface for mapping and localization using OCR | |
CN110516666B (zh) | 基于mser和isodata相结合的车牌定位方法 | |
Bao et al. | Unpaved road detection based on spatial fuzzy clustering algorithm | |
CN104766321B (zh) | 一种利用环形最短路径的红外行人图像精确分割方法 | |
CN113221739B (zh) | 基于单目视觉的车距测量方法 | |
CN111476157A (zh) | 一种路口监控环境下的车道导向箭头识别方法 | |
CN114693716A (zh) | 一种面向复杂交通条件下的驾驶环境综合识别信息提取方法 | |
CN110633635A (zh) | 一种基于roi的交通标志牌实时检测方法及系统 | |
CN110853000B (zh) | 一种车辙的检测方法 | |
CN108229315B (zh) | 一种基于标记分水岭和图像聚类的车辆定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |