CN114792415A - 目标图像的信息提取方法及装置、车辆设备、存储介质 - Google Patents
目标图像的信息提取方法及装置、车辆设备、存储介质 Download PDFInfo
- Publication number
- CN114792415A CN114792415A CN202210439678.4A CN202210439678A CN114792415A CN 114792415 A CN114792415 A CN 114792415A CN 202210439678 A CN202210439678 A CN 202210439678A CN 114792415 A CN114792415 A CN 114792415A
- Authority
- CN
- China
- Prior art keywords
- information
- pixel block
- image
- color
- clustering center
- 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.)
- Pending
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
-
- 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
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种目标图像的信息提取方法及装置、车辆设备、存储介质。其中,该方法包括:提取预先采集的目标图像的图像梯度信息和每个像素块的颜色信息;结合图像梯度信息和每个像素块的颜色信息,对相邻像素块进行合并,并将合并后的像素块进行分割处理,得到多个分割像素块;计算每个分割像素块与聚类中心的空间距离信息和非空间距离信息;结合空间距离信息和非空间距离信息,迭代更新每个分割像素块与聚类中心的隶属度,并基于更新后的隶属度,更新聚类中心;在迭代次数达到预设迭代阈值的情况下,输出各个聚类中心所指示的图像分类物体,得到物体掩膜图。
Description
技术领域
本发明涉及车辆信息处理技术领域,具体而言,涉及一种目标图像的信息提取方法及装置、车辆设备、存储介质。
背景技术
目前,随着计算机技术的不断发展,其已逐渐融入到各行业之中,例如,汽车行业,当前,随着“智能驾驶”概念的提出,计算机技术与汽车行业的联系日趋紧密。传统汽车以机械制造和自车总线简单通信为主,为驾驶员提供的辅助信息有限,然而随着大众对汽车智能化的要求逐步提高,各大汽车企业已将多种智能驾驶技术集成到车内,为驾驶员扩充了大量的辅助驾驶信息,涌现出碰撞报警,自动紧急制动、自适应巡航等多种智驾系统。
相关技术中,所采用的智能驾驶系统仍然存在大量缺陷:采用目标检测算法标记车辆不精准,标记框范围超出车辆尺寸,自动紧急制动系统(AEB)以小概率出现目标误识别,导致系统“误报警”或“误制动”现象等;与汽车前置摄像头结合的自适应巡航功能(ACC)则对摄像头视野内检测目标的精准度具有更高要求,并且,现有的目标检测算法通常利用神经网络得到结果,然而其训练难度较大,时间成本以及人力成本过高;另外,其数学可解释性较差;其次,随着驾驶视野内目标数目增加,网络考虑目标之间交互的计算量按指数增加。
因驾驶环境的复杂性,当前的智能驾驶系统在进行目标检测时,并不能识别出物体的精准形状,只能检测物体的大致位置,这将造成AEB的误制动。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种目标图像的信息提取方法及装置、车辆设备、存储介质,以至少解决相关技术中车辆的智能驾驶系统并不能识别准确识别图像中的物体形状,容易造成车辆误制动的技术问题。
根据本发明实施例的一个方面,提供了一种目标图像的信息提取方法,包括:提取预先采集的目标图像的图像梯度信息和每个像素块的颜色信息,其中,所述目标图像被分割为多个像素块;结合所述图像梯度信息和每个像素块的颜色信息,对相邻像素块进行合并,并将合并后的像素块进行分割处理,得到多个分割像素块;计算每个所述分割像素块与聚类中心的空间距离信息和非空间距离信息;结合所述空间距离信息和非空间距离信息,迭代更新每个分割像素块与聚类中心的隶属度,并基于更新后的所述隶属度,更新所述聚类中心;在迭代次数达到预设迭代阈值的情况下,输出各个聚类中心所指示的图像分类物体,得到物体掩膜图。
可选地,提取预先采集的目标图像的图像梯度信息和每个像素块的颜色信息的步骤,包括:获取当前车辆采集的目标图像;提取所述目标图像的颜色分布信息,得到所述图像梯度信息;结合所述图像梯度信息,采用预设分水岭算法对所述目标图像进行分割,得到多个像素块,其中,每个所述像素块内包括多个像素点。
可选地,结合所述图像梯度信息和每个像素块的颜色信息,对相邻像素块进行合并的步骤,包括:遍历每个所述像素块中的各个像素点,得到每个所述像素点的颜色信息;结合每个所述像素点的颜色信息,确定所述像素块的颜色均值;将所述颜色均值赋值给所述像素块中每个像素点;结合每相邻两个像素块之间的RGB颜色通道的变化量,计算相邻两个像素块之间的颜色相似度;在所述颜色相似度大于预设相似度阈值的情况下,合并所述相邻像素块。
可选地,计算每个所述分割像素块与聚类中心的空间距离信息和非空间距离信息的步骤,包括:获取所有所述分割像素块与当前聚类中心的非欧几里得距离误差均值的自适应参数;结合高斯核函数的内积参数,计算每个所述分割像素块与所述聚类中心之间的高斯核距离值;结合所述自适应参数与所述高斯核距离值,计算每个所述分割像素块与所述聚类中心的非空间距离信息。
可选地,结合所述空间距离信息和非空间距离信息,迭代更新每个分割像素块与聚类中心的隶属度的步骤,包括:计算所述空间距离信息和非空间距离信息之间的乘积,得到空间混合参数;将所述空间混合参数和初始隶属度代入至目标函数中;对所述目标函数进行简化处理,以更新每个分割像素块与聚类中心之间的隶属度;在迭代次数未达到所述预设迭代阈值的情况下,迭代更新每个分割像素块与聚类中心的隶属度。
可选地,对所述目标函数进行简化处理,以更新每个分割像素块与聚类中心之间的隶属度的步骤,包括:采用拉格朗日乘数法对所述目标函数进行优化调整,得到在预设约束条件下的偏微分方程;利用所述初始隶属度与所述聚类中心的的偏导数计算所述偏微分方程的最小值;结合所述偏微分方程的最小值,更新每个分割像素块与聚类中心之间的隶属度。
可选地,输出各个聚类中心所指示的图像分类物体,得到物体掩膜图的步骤,包括:在迭代次数达到预设迭代阈值的情况下,确定最后一次迭代更新所输出的目标隶属度和目标聚类中心;获取所述目标隶属度和目标聚类中心所述所指示的分割像素块的图像分类物体;结合分割所述像素块时所确定的颜色信息,对所述图像分类物体进行颜色标识,生成所述物体掩膜图。
根据本发明实施例的另一方面,还提供了一种目标图像的信息提取装置,包括:提取单元,用于提取预先采集的目标图像的图像梯度信息和每个像素块的颜色信息,其中,所述目标图像被分割为多个像素块;合并单元,用于结合所述图像梯度信息和每个像素块的颜色信息,对相邻像素块进行合并,并将合并后的像素块进行分割处理,得到多个分割像素块;计算单元,用于计算每个所述分割像素块与聚类中心的空间距离信息和非空间距离信息;更新单元,用于结合所述空间距离信息和非空间距离信息,迭代更新每个分割像素块与聚类中心的隶属度,并基于更新后的所述隶属度,更新所述聚类中心;输出单元,用于在迭代次数达到预设迭代阈值的情况下,输出各个聚类中心所指示的图像分类物体,得到物体掩膜图。
可选地,所述提取单元包括:第一获取模块,用于获取当前车辆采集的目标图像;第一提取模块,用于提取所述目标图像的颜色分布信息,得到所述图像梯度信息;第一分割模块,用于结合所述图像梯度信息,采用预设分水岭算法对所述目标图像进行分割,得到多个像素块,其中,每个所述像素块内包括多个像素点。
可选地,所述合并单元包括:第一遍历模块,用于遍历每个所述像素块中的各个像素点,得到每个所述像素点的颜色信息;第一确定模块,用于结合每个所述像素点的颜色信息,确定所述像素块的颜色均值;第一赋值模块,用于将所述颜色均值赋值给所述像素块中每个像素点;第一计算模块,用于结合每相邻两个像素块之间的RGB颜色通道的变化量,计算相邻两个像素块之间的颜色相似度;第一合并模块,用于在所述颜色相似度大于预设相似度阈值的情况下,合并所述相邻像素块。
可选地,所述计算单元包括:第二获取模块,用于获取所有所述分割像素块与当前聚类中心的非欧几里得距离误差均值的自适应参数;第二计算模块,用于结合高斯核函数的内积参数,计算每个所述分割像素块与所述聚类中心之间的高斯核距离值;第三计算模块,用于结合所述自适应参数与所述高斯核距离值,计算每个所述分割像素块与所述聚类中心的非空间距离信息。
可选地,所述更新的那样包括:第三计算模块,用于计算所述空间距离信息和非空间距离信息之间的乘积,得到空间混合参数;第一代入模块,用于将所述空间混合参数和初始隶属度代入至目标函数中;简化模块,用于对所述目标函数进行简化处理,以更新每个分割像素块与聚类中心之间的隶属度;更新模块,用于在迭代次数未达到所述预设迭代阈值的情况下,迭代更新每个分割像素块与聚类中心的隶属度。
可选地,所述简化模块包括:第一调整子模块,用于采用拉格朗日乘数法对所述目标函数进行优化调整,得到在预设约束条件下的偏微分方程;计算子模块,用于利用所述初始隶属度与所述聚类中心的的偏导数计算所述偏微分方程的最小值;更新子模块,用于结合所述偏微分方程的最小值,更新每个分割像素块与聚类中心之间的隶属度。
可选地,输出单元包括:第二确定模块,用于在迭代次数达到预设迭代阈值的情况下,确定最后一次迭代更新所输出的目标隶属度和目标聚类中心;第三获取模块,用于获取所述目标隶属度和目标聚类中心所述所指示的分割像素块的图像分类物体;生成模块,用于结合分割所述像素块时所确定的颜色信息,对所述图像分类物体进行颜色标识,生成所述物体掩膜图。
根据本发明实施例的另一方面,还提供了一种车辆设备,包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的目标图像的信息提取方法。
根据本发明实施例的另一方面,还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任意一项所述的目标图像的信息提取方法。
本发明中,对传统FCM进行空间混合度量的改进,通过自适应的方式融合空间距离信息和非空间距离信息;并在图像预处理过程中对分水岭算法进行改进,引入了多重邻域信息,以适应原图像颜色的变化。
本发明实施例中,采用提取预先采集的目标图像的图像梯度信息和每个像素块的颜色信息,结合图像梯度信息和每个像素块的颜色信息,对相邻像素块进行合并,并将合并后的像素块进行分割处理,得到多个分割像素块,计算每个分割像素块与聚类中心的空间距离信息和非空间距离信息,结合空间距离信息和非空间距离信息,迭代更新每个分割像素块与聚类中心的隶属度,并基于更新后的隶属度,更新聚类中心,在迭代次数达到预设迭代阈值的情况下,输出各个聚类中心所指示的图像分类物体,得到物体掩膜图。在该实施例中,可以结合多重领域颜色信息对图像进行分割,并融合空间距离信息和非空间距离信息,迭代更新每个分割像素块与聚类中心的隶属度,从而简化驾驶过程中的复杂背景,精准提取各个待检测物体的尺寸信息,识别准确识别图像中的物体形状,以提升驾驶视野内车辆检测精度,从而解决相关技术中车辆的智能驾驶系统并不能识别准确识别图像中的物体形状,容易造成车辆误制动的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种可选的目标图像的信息提取方法的流程图;
图2是根据本发明实施例的一种可选的输出目标图像信息的示意图;
图3是根据本发明实施例的一种可选的基于颜色相似度进行筛选处理的流程图;
图4是根据本发明实施例的一种可选的目标图像的信息提取装置的示意图;
图5是根据本发明实施例的一种目标图像的信息提取方法的电子设备(或移动设备)的硬件结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于本领域技术人员能够理解本发明的内容,下面对各实施例中出现的部分术语或者名称做出解释:
FCM算法,模糊C均值(Fuzzy C-means)算法,简称FCM算法,是一种基于目标函数的模糊聚类算法,主要用于数据的聚类分析。常规的FCM算法的步骤包括:(1)确定分类数值,指数m的值,确定需迭代次数(结束条件);(2)初始化隶属度U;(3)根据U计算聚类中心C;(4)通过聚类中心C计算目标函数J;(5)根据C返回去计算U,回到步骤3,一直循环直到结束(即达到需迭代次数)。
分水岭算法,是一种图像区域分割法,在分割的过程中,将临近像素块间的相似性作为重要的参考依据,从而将在空间位置上相近并且灰度值相近(求梯度)的像素点互相连接起来构成一个封闭的轮廓。分水岭算法常用的操作步骤:彩色图像灰度化,然后再求梯度图,最后在梯度图的基础上进行分水岭算法,求得分段图像的边缘线。
拉格朗日乘数法,是一种寻找变量受一个或多个条件所限制的多元函数的极值的方法,将一个有n个变量与k个约束条件的最优化问题转换为一个有n+k个变量的方程组的极值问题,其变量不受任何约束。
欧几里得度量,euclidean metric,是一个通常采用的距离定义,指在m维空间中两个点之间的真实距离。
需要说明的是,本公开所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本发明可以应用于各种图像处理系统、软件、应用中,尤其是针对车辆智能驾驶系统,可以使用本发明下述各实施例的方案。以车辆智能驾驶系统为例,本发明中所提供的车辆类型包括但不限于:新能源车、燃油车、卡车、跑车、道路清洁车、洒水车等。
相对于现有技术中,受光照强度影响,同一物体不同角度的颜色不同,无法精准提取所拍摄的车辆外部物体的尺寸、颜色等信息,影响驾驶视野内车辆检测精度,本发明在模糊C均值(FCM)聚类算法基础上进行改进,提出一种可用于车辆汽车智能驾驶图像分割的改进FCM方案,能够提升物体检测的精准度,减少智能驾驶“误操作”。
需要说明的是,相对于现有技术中,在进行图像物体检测时,由于未引入空间信息,所以对颜色变化敏感度高,导致分割效果不理想,为解决这一问题,本发明改进了分水岭变换和原始FCM隶属度度量方式,降低了算法对颜色变化敏感度,同时提高了算法的分割精度。
需要说明的是,本发明中主要流程可分为两部分:1、改进的分水岭变换用来对图像进行优化分割:结合多重邻域颜色信息与梯度信息对分水岭算法进行改进,将本发明提升至超像素级,更好地适应图像的不规则边界,提高对颜色变化的适应性;2.为提高算法对驾驶图像的分割能力,本发明提出了空间混合度量方法,有机融合空间距离信息(即非欧几里得信息)与空间距离信息(即欧几里得信息),提高算法的精准度。
下面结合各个实施例来详细说明本发明。
实施例一
根据本发明实施例,提供了一种目标图像的信息提取方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种可选的目标图像的信息提取方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,提取预先采集的目标图像的图像梯度信息和每个像素块的颜色信息,其中,目标图像被分割为多个像素块;
步骤S104,结合图像梯度信息和每个像素块的颜色信息,对相邻像素块进行合并,并将合并后的像素块进行分割处理,得到多个分割像素块;
步骤S106,计算每个分割像素块与聚类中心的空间距离信息和非空间距离信息;
步骤S108,结合空间距离信息和非空间距离信息,迭代更新每个分割像素块与聚类中心的隶属度,并基于更新后的隶属度,更新聚类中心;
步骤S110,在迭代次数达到预设迭代阈值的情况下,输出各个聚类中心所指示的图像分类物体,得到物体掩膜图。
通过上述步骤,可以提取预先采集的目标图像的图像梯度信息和每个像素块的颜色信息,结合图像梯度信息和每个像素块的颜色信息,对相邻像素块进行合并,并将合并后的像素块进行分割处理,得到多个分割像素块,计算每个分割像素块与聚类中心的空间距离信息和非空间距离信息,结合空间距离信息和非空间距离信息,迭代更新每个分割像素块与聚类中心的隶属度,并基于更新后的隶属度,更新聚类中心,在迭代次数达到预设迭代阈值的情况下,输出各个聚类中心所指示的图像分类物体,得到物体掩膜图。在该实施例中,可以结合多重领域颜色信息对图像进行分割,并融合空间距离信息和非空间距离信息,迭代更新每个分割像素块与聚类中心的隶属度,从而简化驾驶过程中的复杂背景,精准提取各个待检测物体的尺寸信息,识别准确识别图像中的物体形状,以提升驾驶视野内车辆检测精度,从而解决相关技术中车辆的智能驾驶系统并不能识别准确识别图像中的物体形状,容易造成车辆误制动的技术问题。
下面结合上述各实施步骤来详细说明本发明实施例。
本发明实施例,可以在提供数据集或者图像集的设备(例如,汽车)上设置至少一个摄像头和传感器,通过摄像头采集车辆周围的物体,例如,分别设置车辆前置摄像头、后尾摄像头、左侧车门位感知器、右侧车门位感知器,车辆启动、倒退、转弯、直线行驶等过程中,可通过摄像头拍摄周围图像,并采用本发明实施例分析、提取出所拍摄图像中的物体掩膜图,以辅助智能驾驶系统进行道路路况判断。
步骤S102,提取预先采集的目标图像的图像梯度信息和每个像素块的颜色信息,其中,目标图像被分割为多个像素块。
可选的,提取预先采集的目标图像的图像梯度信息和每个像素块的颜色信息的步骤,包括:获取当前车辆采集的目标图像;提取目标图像的颜色分布信息,得到图像梯度信息;结合图像梯度信息,采用预设分水岭算法对目标图像进行分割,得到多个像素块,其中,每个像素块内包括多个像素点。
本实施例中,当前车辆的车辆内部可以安装由智能驾驶系统,该智能驾驶系统可以与摄像头、传感器、控制器等连接,在摄像头采集到图像数据集后,可以先对采集的数据集进行干扰过滤、降噪等预处理,得到待分析的目标图像。
在本实施例中,改进了分水岭算法和模糊C均值,现有的分水岭算法过分依赖于原始图像的梯度变化,然而色彩的变化将对原始分水岭算法的结果产生恶劣影响,因此,本发明在分类过程中利用引入多重邻域信息以降低算法对色彩的敏感度。在改进后,本实施例中采用的可以适应驾驶过程图像的颜色变化性和边界复杂性,准确分离出图像中的物体框架(例如,分离出道路上行驶的其它车辆的框架)、物体颜色等信息,对传统FCM的两步改进过程。
在提取目标图像的颜色分布信息时,可以采用多种算法进行提取,例如,采用sobel算子得到图像梯度信息,进一步地,本发明实施例提出了颜色均值标记方案,结合像素块的领域颜色信息对目标图像进行分水岭操作,得到多个像素块。
步骤S104,结合图像梯度信息和每个像素块的颜色信息,对相邻像素块进行合并,并将合并后的像素块进行分割处理,得到多个分割像素块。
一种可选的实施方式,结合图像梯度信息和每个像素块的颜色信息,对相邻像素块进行合并的步骤,包括:遍历每个像素块中的各个像素点,得到每个像素点的颜色信息;结合每个像素点的颜色信息,确定像素块的颜色均值;将颜色均值赋值给像素块中每个像素点;结合每相邻两个像素块之间的RGB颜色通道的变化量,计算相邻两个像素块之间的颜色相似度;在颜色相似度大于预设相似度阈值的情况下,合并相邻像素块。
本实施例中,引入了颜色均值标记法和多重邻域合并方法,通过颜色均值标记法,统一各个像素块内的颜色信息,即对各个像素块进行颜色取均值操作,并将该均值赋值给像素块中的所有像素点,由于同一物体颜色的变化程度较小,采用颜色均值标记法将中和每个区域内的颜色变化情况,减小像素块之间的颜色差异。
本实施例中,采用的多重邻域合并方法,是指对颜色相似度指示较为相近的相邻像素块进行合并处理,即提出颜色相似性筛选法,通过分析像素块间的邻域颜色信息,通过判断相邻像素块之间的颜色相似性,合并颜色相近的像素块,引入超像素间的邻域颜色信息,提高算法对颜色变化的适应性,完成预分割。
步骤S106,计算每个分割像素块与聚类中心的空间距离信息和非空间距离信息。
在计算分割像素块与聚类中心之间的隶属度时,本发明提出空间距离信息和非空间距离信息的自适应融合,做新的度量方式。
一种可选的实施方式,计算每个分割像素块与聚类中心的空间距离信息和非空间距离信息的步骤,包括:获取所有分割像素块与当前聚类中心的非欧几里得距离误差均值的自适应参数;结合高斯核函数的内积参数,计算每个分割像素块与聚类中心之间的高斯核距离值;结合自适应参数与高斯核距离值,计算每个分割像素块与聚类中心的非空间距离信息。
本实施例中,在更新聚类中心的隶属度时,考虑到隶属度是以考虑的形式呈现,每个隶属度中关于聚类中心所述隶属度的空间距离和非空间距离信息所占比重不一样,因此,需要分别计算空间距离信息和非空间距离信息。
本实施例中,融合了空间距离信息和非空间距离信息,所计算的空间距离信息,可以是指通过欧几里得度量方式度量得到的结果,也可以理解为欧几里得距离、欧式距离、欧式信息。而非空间距离信息,是指非欧几里路度量方式所计算的结果,例如,采用高斯核来计算的结果,基于高斯核的模糊聚类算法引入非欧几里得信息以实现精准分割,因此非空间距离信息也可以理解为高斯核函数、非欧式信息。
为提高原始FCM的分割能力,本发明实施例提出了空间混合度量方法来计算像素点与聚类中心之间的隶属关系,该方法结合了欧氏信息和非欧氏信息。原始的FCM仅使用欧几里得距离,在分割颜色变化图像时,并不能展现优越性能。本发明实施例,引入更多的局部空间信息不仅可以提高算法的精度,而且可以提高本方法对颜色变化的鲁棒性。改进后的分水岭算法虽然引入了梯度信息和邻域颜色信息,但在聚类过程中仍缺乏局部空间信息,基于高斯核的模糊聚类算法可以引入非欧几里得信息以实现精准分割,所以,在聚类过程中,本发明考虑了高斯核函数和欧氏距离来更新隶属度。
本发明实施例,融合了空间距离信息和非空间距离信息:第一部分设置为Dki,是原始的空间距离信息;第二部分设置为Gki,表示非空间距离信息(或者可理解为非欧几里得信息)。由于误差均值能够反映数据的分布情况,所以本发明实施例需要引入一种自适应参数设置方法,需要设置基于所有分割像素块与当前聚类中心的非欧几里得距离误差均值的自适应参数。
本实施例中,考虑到分割像素块与聚类中心的三种情况,像素块是否属于最终集群成员的判断也越来越清晰:
第一种情况,分割像素块与聚类中心之间空间距离在减小,空间距离信息的影响会增大,即靠近聚类中心的分割像素块权重更大;同时,如果分割像素块不仅靠近聚类中心,而且非空间距离信息的距离也较小,此时,该分割像素块将被视为集群的成员。
第二种情况,分割像素块与聚类中心之间空间距离在减小,空间距离信息的影响会增大,即靠近聚类中心的分割像素块权重更大;但是,此时分割像素块与聚类中心的非空间距离信息的距离变大,此时,表现为该分割像素块虽然在空间距离上靠近聚类中心,但是在非空间距离信息上并不靠近聚类中心,需要进一步的分析该分割像素块是否属于集群成员。
第三种情况,分割像素块与聚类中心之间空间距离在变大,空间距离信息的影响会减小,即靠近聚类中心的分割像素块权重变小;但是,此时分割像素块与聚类中心的非空间距离信息的距离在变小,此时,表现为该分割像素块虽然在空间距离上距离聚类中心原来越远,但是在非空间距离信息上却靠近聚类中心,此时可能该分割像素块有可能也是属于集群成员的。
步骤S108,结合空间距离信息和非空间距离信息,迭代更新每个分割像素块与聚类中心的隶属度,并基于更新后的隶属度,更新聚类中心。
在计算得到空间距离信息和非空间距离信息后,可以进行聚类分析,本发明实施例改进了FCM的度量方式,一种可选的,结合空间距离信息和非空间距离信息,迭代更新每个分割像素块与聚类中心的隶属度的步骤,包括:计算空间距离信息和非空间距离信息之间的乘积,得到空间混合参数;将空间混合参数和初始隶属度代入至目标函数中;对目标函数进行简化处理,以更新每个分割像素块与聚类中心之间的隶属度;在迭代次数未达到预设迭代阈值的情况下,迭代更新每个分割像素块与聚类中心的隶属度。
作为本实施例一种可选的实施方式,对目标函数进行简化处理,以更新每个分割像素块与聚类中心之间的隶属度的步骤,包括:采用拉格朗日乘数法对目标函数进行优化调整,得到在预设约束条件下的偏微分方程;利用初始隶属度与聚类中心的的偏导数计算偏微分方程的最小值;结合偏微分方程的最小值,更新每个分割像素块与聚类中心之间的隶属度。
本实施例在更新隶属度后,可以通过隶属度来更新聚类中心,聚类中心可包括目标图像里有的几种物体的类别数,有几个聚类中心,最后的结果就是几类。
步骤S110,在迭代次数达到预设迭代阈值的情况下,输出各个聚类中心所指示的图像分类物体,得到物体掩膜图。
一种可选的实施方式,输出各个聚类中心所指示的图像分类物体,得到物体掩膜图的步骤,包括:在迭代次数达到预设迭代阈值的情况下,确定最后一次迭代更新所输出的目标隶属度和目标聚类中心;获取目标隶属度和目标聚类中心所指示的分割像素块的图像分类物体;结合分割像素块时所确定的颜色信息,对图像分类物体进行颜色标识,生成物体掩膜图。
在迭代次数达到预设迭代阈值后,指示当前更新迭代结束,可以确定最优的隶属度和聚类中心,此时,目标图像中每一个像素块儿的隶属度已经确定,在确定每个像素块的隶属度后,可采用之前分析的赋值颜色给像素块进行颜色加深,生成掩膜图。
通过上述实施例,可以在车辆智能驾驶系统引入改进后的FCM算法,并对图像的各像素块的颜色进行调整,采用颜色均值标记法和多重邻域合并方法,统一各个像素块内的颜色信息,中和每个区域内的颜色变化,减小像素块之间的颜色差异。然后结合空间混合度量(融合空间距离信息和非空间距离信息)以及改进后的分水岭算法,在聚类过程中引入非欧几里得空间信息计算像素的隶属度,能够提升采集物体掩膜信息的精准度。
下面结合另一种可选的实施例来说明本发明。
实施例二
本实施例中,结合车辆的智能驾驶系统,对目标图像进行分析。
本发明实施例中,改进了分水岭变换和原始FCM隶属度度量方式,降低了算法对颜色变化敏感度的同时提高了算法的分割精度。本实施例主要流程可分为三部分:第一部分,采用改进的分水岭算法来对图像进行优化分割:第二部分,结合多重邻域颜色信息与梯度信息对分水岭算法进行改进,将本方法提升至超像素级,提高对颜色变化的适应性;第三部分,为提高算法对驾驶图像的分割能力,本实施例提出了空间混合度量方法,有机结合非空间距离信息(或者理解为非欧几里得信息)与空间距离信息(或者理解为欧几里得信息)。
图2是根据本发明实施例的一种可选的输出目标图像信息的示意图,如图2所示,包括:对原图像提取梯度信息;然后进行颜色均值标记和颜色相似性筛选合并;之后根据迭代条件的判断,进行空间混合度量,然后在进行不断聚类迭代后,输出物体掩膜图。
下面结合上述图2示意的内容,对聚类迭代过程进行说明。
第一部分,改进的分水岭算法
原始的分水岭算法过分依赖于原始图像的梯度变化,然而色彩的变化将对原始分水岭算法的结果产生恶劣影响。因此,本发明在分类过程中利用引入多重邻域信息以降低算法对色彩的敏感度。
在利用传统sobel算子得到图像梯度的基础上,本发明实施例提出颜色均值标记法,结合像素的邻域颜色信息进行分水岭操作,具体引入了如下公式(1)和公式(2):
Fw(ξ1,ξ2,…ξn)=watershed(FG) (1);
Color(ξi)={mean[Color(a1),Color(a2),…Color(am)]|aj∈ξi,j∈[1,m]} (2);
公式(1)中,FG是通过sobel算子得到的梯度图,Fw是分水岭操作后得到的超像素图像,{ξ1,ξ2,…ξn}代表n个超像素块。公式中,Color(ξi)代表每个超像素块的颜色,{a1,a2,…am}代表超像素块内的所有像素点,mean操作将像素块{a1,a2,…am}的颜色取均值,最后将该值赋给超像素块中所有像素点。由于同一物体颜色的变化程度较小,mean操作将中和每个区域内的颜色变化情况,减小超像素块之间的颜色差异。
第二部分,多重邻域颜色筛选
在合并过程中,同一物体的相邻超像素块之间颜色差异依然存在。针对此问题,本发明实施例提出颜色相似性筛选法,引入超像素间的邻域颜色信息,通过判断相邻块之间的颜色相似性,合并颜色相近的超像素块,完成预分割,具体采用如下公式(3)实现:
s=Simu(Color(ζi),Color(ζi-1)) (3);
其中,Simu操作计算Color(ξi)与Color(ξi-1)之间的颜色相似度,当相似度s满足相似条件后,将把Color(ξi-1)值赋给Color(ξi)以引入超像素间的邻域颜色信息,提高算法对颜色变化的适应性。Simu操作具体公式为:
ΔR=Ri-Ri-1 (5);
ΔG=Gi-Gi-1 (6);
ΔB=Bi-Bi-1 (7);
其中,Ri代表当前超像素块的red通道值,R代表相邻超像素块red通道平均值,ΔR,ΔG,ΔB分别代表相邻超像素块red、green、blue三个通道的变化量。
图3是根据本发明实施例的一种可选的基于颜色相似度进行筛选处理的流程图,如图3所示,在输入超像素图像(即实施例一中的目标图像)后,遍历所有超像素块,然后提取相邻两个超像素块的R,G,B值,之后,计算两个超像素块的相似度s,然后判断该s是否大于阈值,若是,则合并该相邻两个超像素块,若否,则不合并;然后继续遍历超像素块,直至所有超像素块遍历结果。
第三部分,空间混合度量
为提高原始FCM的分割能力,本发明实施例提出了空间混合度量方法来计算像素点与聚类中心之间的隶属关系,该方法结合了欧氏信息和非欧氏信息。原始的FCM仅使用欧几里得距离,在分割颜色变化图像时,并不能展现优越性能。由上两部分论述可知,引入更多的局部空间信息不仅可以提高算法的精度,而且可以提高本方法对颜色变化的鲁棒性。改进后的分水岭算法虽然引入了梯度信息和邻域颜色信息,但在聚类过程中仍缺乏局部空间信息,因此,本实施例中引入了非空间距离信息,基于高斯核的模糊聚类算法可以引入非欧几里得信息以实现精准分割,在聚类过程中,本发明考虑了高斯核函数和欧氏距离来更新隶属度(以概率的形式呈现,每一个概率中欧几里得和非欧几里得的所占比重不一样)。
本发明实施例提出的空间混合度量方法定义为如下公式(9):
由公式(9)可知,本发明实施例提出的测量方法由空间距离信息与非空间距离信息(或者可理解为非欧几里得信息)自适应融合而成:第一部分为Dki,是原始的空间距离信息,其中σ>0。第二部分中,Gki表示非空间距离信息(在本实施例中,可以是指非欧几里得信息)。由于误差均值能够反映数据的分布情况,所以本发明实施例提供了一种新的自适应参数设置方法,在公式(11)中,H被设置为基于所有超像素与当前聚类中心的非欧几里得距离误差均值的自适应参数,该H具体计算公式(12)如下:
其中gki为ξk与vi之间的非欧几里得信息,vi是指当前聚类中心,gki的具体计算方法如下述公式(13)所示:
随着超像素与聚类中心之间距离的减小,Dki的影响会增大,即靠近聚类中心的超像素块权重更大。同时,如果超像素不仅靠近聚类中心,而且非欧几里得距离较小(gki较大),则值也会较大,此时,该超像素块将被视为集群的成员。
第四部分,聚类分析
本发明实施例改进了传统FCM的度量方式,并对目标图像或者是指超像素图Fw(ξ1,ξ2,…ξn)进行聚类,每个超像素块的质心被直接输入到迭代过程中。以传统FCM为基础,本发明的目标函数可表示为如下公式(14):
其中,uik为超像素xk对聚类中心vi的隶属度值。将公式(13)带入到公式(14)中可得出本发明的最终目标函数:
利用ui′k和vi的偏导数可计算偏微分方程的最小值,得到最优解:
之后,令
解出公式(18)可得到uik:
将公式(20)带入公式(18)可得:
所以,本发明隶属度更新公式为如下(22):
根据FCM算法,本发明实施例中涉及聚类中心的更新公式为如下(23):
通过上述实施例,为了提升图像中物体掩膜的准确信息,对分水岭算法、FCM算法进行改进,在预处理过程中对分水岭算法的改进,引入了颜色均值算法和多重邻域信息,以适应原图像颜色的变化,通过传统模糊聚类技术分离出目标,可以减少目标监测难度与时间,并对传统FCM进行空间混合度量的改进,通过自适应的方式融合空间距离信息和非空间距离信息,能够准确分离出图像中的各个物体信息,对传统FCM的两步改进过程可以适应驾驶过程图像的颜色变化性和边界复杂性。
下面结合另一种可选的实施例来说明本发明。
实施例三
本实施例提供了一种目标图像的信息提取装置,该信息提取装置涉及的多个实施单元对应于上述实施例一中的各个实施步骤。
图4是根据本发明实施例的一种可选的目标图像的信息提取装置的示意图,如图4所示,该信息提取装置可以包括:提取单元41、合并单元42、计算单元43、更新单元44、输出单元45,其中,
提取单元41,用于提取预先采集的目标图像的图像梯度信息和每个像素块的颜色信息,其中,目标图像被分割为多个像素块;
合并单元42,用于结合图像梯度信息和每个像素块的颜色信息,对相邻像素块进行合并,并将合并后的像素块进行分割处理,得到多个分割像素块;
计算单元43,用于计算每个分割像素块与聚类中心的空间距离信息和非空间距离信息;
更新单元44,用于结合空间距离信息和非空间距离信息,迭代更新每个分割像素块与聚类中心的隶属度,并基于更新后的隶属度,更新聚类中心;
输出单元45,用于在迭代次数达到预设迭代阈值的情况下,输出各个聚类中心所指示的图像分类物体,得到物体掩膜图。
上述目标图像的信息提取装置,可以通过提取单元41提取预先采集的目标图像的图像梯度信息和每个像素块的颜色信息,通过合并单元42结合图像梯度信息和每个像素块的颜色信息,对相邻像素块进行合并,并将合并后的像素块进行分割处理,得到多个分割像素块,通过计算单元43计算每个分割像素块与聚类中心的空间距离信息和非空间距离信息,通过更新单元44结合空间距离信息和非空间距离信息,迭代更新每个分割像素块与聚类中心的隶属度,并基于更新后的隶属度,更新聚类中心,通过输出单元45在迭代次数达到预设迭代阈值的情况下,输出各个聚类中心所指示的图像分类物体,得到物体掩膜图。在该实施例中,可以结合多重领域颜色信息对图像进行分割,并融合空间距离信息和非空间距离信息,迭代更新每个分割像素块与聚类中心的隶属度,从而简化驾驶过程中的复杂背景,精准提取各个待检测物体的尺寸信息,识别准确识别图像中的物体形状,以提升驾驶视野内车辆检测精度,从而解决相关技术中车辆的智能驾驶系统并不能识别准确识别图像中的物体形状,容易造成车辆误制动的技术问题。
可选地,提取单元包括:第一获取模块,用于获取当前车辆采集的目标图像;第一提取模块,用于提取目标图像的颜色分布信息,得到图像梯度信息;第一分割模块,用于结合图像梯度信息,采用预设分水岭算法对目标图像进行分割,得到多个像素块,其中,每个像素块内包括多个像素点。
可选地,合并单元包括:第一遍历模块,用于遍历每个像素块中的各个像素点,得到每个像素点的颜色信息;第一确定模块,用于结合每个像素点的颜色信息,确定像素块的颜色均值;第一赋值模块,用于将颜色均值赋值给像素块中每个像素点;第一计算模块,用于结合每相邻两个像素块之间的RGB颜色通道的变化量,计算相邻两个像素块之间的颜色相似度;第一合并模块,用于在颜色相似度大于预设相似度阈值的情况下,合并相邻像素块。
可选地,计算单元包括:第二获取模块,用于获取所有分割像素块与当前聚类中心的非欧几里得距离误差均值的自适应参数;第二计算模块,用于结合高斯核函数的内积参数,计算每个分割像素块与聚类中心之间的高斯核距离值;第三计算模块,用于结合自适应参数与高斯核距离值,计算每个分割像素块与聚类中心的非空间距离信息。
可选地,更新的那样包括:第三计算模块,用于计算空间距离信息和非空间距离信息之间的乘积,得到空间混合参数;第一代入模块,用于将空间混合参数和初始隶属度代入至目标函数中;简化模块,用于对目标函数进行简化处理,以更新每个分割像素块与聚类中心之间的隶属度;更新模块,用于在迭代次数未达到预设迭代阈值的情况下,迭代更新每个分割像素块与聚类中心的隶属度。
可选地,简化模块包括:第一调整子模块,用于采用拉格朗日乘数法对目标函数进行优化调整,得到在预设约束条件下的偏微分方程;计算子模块,用于利用初始隶属度与聚类中心的的偏导数计算偏微分方程的最小值;更新子模块,用于结合偏微分方程的最小值,更新每个分割像素块与聚类中心之间的隶属度。
可选地,输出单元包括:第二确定模块,用于在迭代次数达到预设迭代阈值的情况下,确定最后一次迭代更新所输出的目标隶属度和目标聚类中心;第三获取模块,用于获取目标隶属度和目标聚类中心所指示的分割像素块的图像分类物体;生成模块,用于结合分割像素块时所确定的颜色信息,对图像分类物体进行颜色标识,生成物体掩膜图。
上述的目标图像的信息提取装置还可以包括处理器和存储器,上述提取单元41、合并单元42、计算单元43、更新单元44、输出单元45等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
上述处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来在迭代次数达到预设迭代阈值的情况下,输出各个聚类中心所指示的图像分类物体,得到物体掩膜图。
上述存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
根据本发明实施例的另一方面,还提供了一种车辆设备,包括:处理器;以及存储器,用于存储处理器的可执行指令;其中,处理器配置为经由执行可执行指令来执行上述任意一项的目标图像的信息提取方法。
根据本发明实施例的另一方面,还提供了一种计算机可读存储介质,计算机可读存储介质包括存储的计算机程序,其中,在计算机程序运行时控制计算机可读存储介质所在设备执行上述任意一项的目标图像的信息提取方法。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:提取预先采集的目标图像的图像梯度信息和每个像素块的颜色信息,其中,目标图像被分割为多个像素块;结合图像梯度信息和每个像素块的颜色信息,对相邻像素块进行合并,并将合并后的像素块进行分割处理,得到多个分割像素块;计算每个分割像素块与聚类中心的空间距离信息和非空间距离信息;结合空间距离信息和非空间距离信息,迭代更新每个分割像素块与聚类中心的隶属度,并基于更新后的隶属度,更新聚类中心;在迭代次数达到预设迭代阈值的情况下,输出各个聚类中心所指示的图像分类物体,得到物体掩膜图。
图5是根据本发明实施例的一种目标图像的信息提取方法的电子设备(或移动设备)的硬件结构框图。如图5所示,电子设备可以包括一个或多个(图中采用102a、102b,……,102n来示出)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104。除此以外,还可以包括:显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、键盘、电源和/或相机。本领域普通技术人员可以理解,图5所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,电子设备还可包括比图5中所示更多或者更少的组件,或者具有与图5所示不同的配置。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种目标图像的信息提取方法,其特征在于,包括:
提取预先采集的目标图像的图像梯度信息和每个像素块的颜色信息,其中,所述目标图像被分割为多个像素块;
结合所述图像梯度信息和每个像素块的颜色信息,对相邻像素块进行合并,并将合并后的像素块进行分割处理,得到多个分割像素块;
计算每个所述分割像素块与聚类中心的空间距离信息和非空间距离信息;
结合所述空间距离信息和非空间距离信息,迭代更新每个分割像素块与聚类中心的隶属度,并基于更新后的所述隶属度,更新所述聚类中心;
在迭代次数达到预设迭代阈值的情况下,输出各个聚类中心所指示的图像分类物体,得到物体掩膜图。
2.根据权利要求1所述的信息提取方法,其特征在于,提取预先采集的目标图像的图像梯度信息和每个像素块的颜色信息的步骤,包括:
获取当前车辆采集的目标图像;
提取所述目标图像的颜色分布信息,得到所述图像梯度信息;
结合所述图像梯度信息,采用预设分水岭算法对所述目标图像进行分割,得到多个像素块,其中,每个所述像素块内包括多个像素点。
3.根据权利要求2所述的信息提取方法,其特征在于,结合所述图像梯度信息和每个像素块的颜色信息,对相邻像素块进行合并的步骤,包括:
遍历每个所述像素块中的各个像素点,得到每个所述像素点的颜色信息;
结合每个所述像素点的颜色信息,确定所述像素块的颜色均值;
将所述颜色均值赋值给所述像素块中每个像素点;
结合每相邻两个像素块之间的RGB颜色通道的变化量,计算相邻两个像素块之间的颜色相似度;
在所述颜色相似度大于预设相似度阈值的情况下,合并所述相邻像素块。
4.根据权利要求1所述的信息提取方法,其特征在于,计算每个所述分割像素块与聚类中心的空间距离信息和非空间距离信息的步骤,包括:
获取所有所述分割像素块与当前聚类中心的非欧几里得距离误差均值的自适应参数;
结合高斯核函数的内积参数,计算每个所述分割像素块与所述聚类中心之间的高斯核距离值;
结合所述自适应参数与所述高斯核距离值,计算每个所述分割像素块与所述聚类中心的非空间距离信息。
5.根据权利要求1所述的信息提取方法,其特征在于,结合所述空间距离信息和非空间距离信息,迭代更新每个分割像素块与聚类中心的隶属度的步骤,包括:
计算所述空间距离信息和非空间距离信息之间的乘积,得到空间混合参数;
将所述空间混合参数和初始隶属度代入至目标函数中;
对所述目标函数进行简化处理,以更新每个分割像素块与聚类中心之间的隶属度;
在迭代次数未达到所述预设迭代阈值的情况下,迭代更新每个分割像素块与聚类中心的隶属度。
6.根据权利要求5所述的信息提取方法,其特征在于,对所述目标函数进行简化处理,以更新每个分割像素块与聚类中心之间的隶属度的步骤,包括:
采用拉格朗日乘数法对所述目标函数进行优化调整,得到在预设约束条件下的偏微分方程;
利用所述初始隶属度与所述聚类中心的的偏导数计算所述偏微分方程的最小值;
结合所述偏微分方程的最小值,更新每个分割像素块与聚类中心之间的隶属度。
7.根据权利要求1所述的信息提取方法,其特征在于,输出各个聚类中心所指示的图像分类物体,得到物体掩膜图的步骤,包括:
在迭代次数达到预设迭代阈值的情况下,确定最后一次迭代更新所输出的目标隶属度和目标聚类中心;
获取所述目标隶属度和目标聚类中心所述所指示的分割像素块的图像分类物体;
结合分割所述像素块时所确定的颜色信息,对所述图像分类物体进行颜色标识,生成所述物体掩膜图。
8.一种目标图像的信息提取装置,其特征在于,包括:
提取单元,用于提取预先采集的目标图像的图像梯度信息和每个像素块的颜色信息,其中,所述目标图像被分割为多个像素块;
合并单元,用于结合所述图像梯度信息和每个像素块的颜色信息,对相邻像素块进行合并,并将合并后的像素块进行分割处理,得到多个分割像素块;
计算单元,用于计算每个所述分割像素块与聚类中心的空间距离信息和非空间距离信息;
更新单元,用于结合所述空间距离信息和非空间距离信息,迭代更新每个分割像素块与聚类中心的隶属度,并基于更新后的所述隶属度,更新所述聚类中心;
输出单元,用于在迭代次数达到预设迭代阈值的情况下,输出各个聚类中心所指示的图像分类物体,得到物体掩膜图。
9.一种车辆设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1至7中任意一项所述的目标图像的信息提取方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至7中任意一项所述的目标图像的信息提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210439678.4A CN114792415A (zh) | 2022-04-25 | 2022-04-25 | 目标图像的信息提取方法及装置、车辆设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210439678.4A CN114792415A (zh) | 2022-04-25 | 2022-04-25 | 目标图像的信息提取方法及装置、车辆设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114792415A true CN114792415A (zh) | 2022-07-26 |
Family
ID=82461669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210439678.4A Pending CN114792415A (zh) | 2022-04-25 | 2022-04-25 | 目标图像的信息提取方法及装置、车辆设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114792415A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116307300A (zh) * | 2023-05-23 | 2023-06-23 | 四川都得利管业有限公司 | 一种塑胶管道的生产工艺优化方法及系统 |
CN116563326A (zh) * | 2023-04-28 | 2023-08-08 | 江西绿萌科技控股有限公司 | 一种面向果蔬分选设备的多目标图像分割方法 |
CN118135506A (zh) * | 2024-04-30 | 2024-06-04 | 东莞市杰瑞智能科技有限公司 | 基于视觉单元结构的电子路牌及其路况目标自识别方法 |
-
2022
- 2022-04-25 CN CN202210439678.4A patent/CN114792415A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116563326A (zh) * | 2023-04-28 | 2023-08-08 | 江西绿萌科技控股有限公司 | 一种面向果蔬分选设备的多目标图像分割方法 |
CN116307300A (zh) * | 2023-05-23 | 2023-06-23 | 四川都得利管业有限公司 | 一种塑胶管道的生产工艺优化方法及系统 |
CN116307300B (zh) * | 2023-05-23 | 2023-08-08 | 四川都得利管业有限公司 | 一种塑胶管道的生产工艺优化方法及系统 |
CN118135506A (zh) * | 2024-04-30 | 2024-06-04 | 东莞市杰瑞智能科技有限公司 | 基于视觉单元结构的电子路牌及其路况目标自识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114792415A (zh) | 目标图像的信息提取方法及装置、车辆设备、存储介质 | |
CN110533684B (zh) | 一种染色体核型图像切割方法 | |
CN107330376B (zh) | 一种车道线识别方法及系统 | |
CN107798335B (zh) | 一种融合滑动窗口与Faster R-CNN卷积神经网络的车标识别方法 | |
CN109657632B (zh) | 一种车道线检测识别方法 | |
EP2811423B1 (en) | Method and apparatus for detecting target | |
EP2575077B1 (en) | Road sign detecting method and road sign detecting apparatus | |
CN115861135A (zh) | 一种应用于箱体全景探测的图像增强及识别方法 | |
CN108830131B (zh) | 基于深度学习的交通目标检测与测距方法 | |
CN104778444A (zh) | 道路场景下车辆图像的表观特征分析方法 | |
CN110263635B (zh) | 基于结构森林和PCANet的标志物检测与识别方法 | |
CN112488046B (zh) | 一种基于无人机高分辨率影像的车道线提取方法 | |
Wang et al. | Detection and classification of moving vehicle from video using multiple spatio-temporal features | |
CN108647664B (zh) | 一种基于环视图像的车道线检测方法 | |
CN111723625A (zh) | 交通灯图像识别处理方法、装置、辅助通行系统及存储介质 | |
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 | |
CN111274964B (zh) | 一种基于无人机视觉显著性分析水面污染物的检测方法 | |
CN115512145A (zh) | 一种图像分割方法、装置、车辆及存储介质 | |
Chen et al. | Vehicle detection based on visual attention mechanism and adaboost cascade classifier in intelligent transportation systems | |
CN113221739B (zh) | 基于单目视觉的车距测量方法 | |
CN107832732B (zh) | 基于三叉树遍历的车道线检测方法 | |
CN114581658A (zh) | 一种基于计算机视觉的目标检测方法及装置 | |
CN105760876A (zh) | 一种基于散热器栅格背景消融的车标定位方法 | |
CN112052768A (zh) | 基于无人机的城市违章停车检测方法、装置及存储介质 | |
Sridevi et al. | Vehicle identification based on the model |
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 |