CN102375983A - 基于面积匹配优化k-均值聚类算法的图像分割处理方法 - Google Patents
基于面积匹配优化k-均值聚类算法的图像分割处理方法 Download PDFInfo
- Publication number
- CN102375983A CN102375983A CN2010102547467A CN201010254746A CN102375983A CN 102375983 A CN102375983 A CN 102375983A CN 2010102547467 A CN2010102547467 A CN 2010102547467A CN 201010254746 A CN201010254746 A CN 201010254746A CN 102375983 A CN102375983 A CN 102375983A
- Authority
- CN
- China
- Prior art keywords
- area
- image
- result
- clustering algorithm
- means 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
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 30
- 238000003064 k means clustering Methods 0.000 title claims abstract description 29
- 238000003709 image segmentation Methods 0.000 title claims abstract description 24
- 238000003672 processing method Methods 0.000 title abstract 2
- 238000000034 method Methods 0.000 claims abstract description 17
- 230000011218 segmentation Effects 0.000 claims abstract description 15
- 238000001514 detection method Methods 0.000 claims description 15
- 239000000284 extract Substances 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 230000000295 complement effect Effects 0.000 claims description 4
- 230000008878 coupling Effects 0.000 claims description 4
- 238000010168 coupling process Methods 0.000 claims description 4
- 238000005859 coupling reaction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种视频检测中基于面积匹配优化K-均值聚类算法的图像分割处理方法，其首先提取前后帧图像的车辆特征点，然后对比前后两帧车辆的面积重叠情况，提取面积重叠区域内特征点位置和剩余特征点位置，分别求取两组特征点均值作为待分割的两类初始聚类中心点，然后进行K-均值分割，根据输出的聚类结果修正面积重叠区域内特征点的分类情况，同时判断聚类后的车辆是否合理，如不合理，则对聚类结果重新聚类并重新统计聚类中心，直到找到合理的车辆后结束聚类分割，返回跟踪结果。该方法基于面积匹配优化，并且采用固定聚类个数进行分割，经过K-均值分割后得到的车辆目标不再需要进入下一轮的匹配处理，使得处理速度更快，节约了时间。
Description
技术领域
本发明涉及视频检测技术领域，特别涉及视频图像目标跟踪技术领域，具体是指基于面积匹配优化K-均值聚类算法的图像分割处理方法。
背景技术
视频车辆跟踪识别技术首先要在视频图像中分割出运动目标，然后才能跟踪目标。在交通非常拥挤的情况下，目标车辆可能与其它车辆重叠在一起，此时，传统的分割算法很难分割出包含单个车辆的连通区域。为了克服这一问题，目前越来越多地采用跟踪车辆特征点的方法跟踪目标车辆，此时就需要对粘连的多车辆特征点进行分割，以提高跟踪效率。
传统的K-均值聚类算法未用随机法选取初始聚类中心，选取点的不同，聚类结果可能就不同，这样的依赖性就导致聚类结果的不稳定性，且容易陷入局部最优而非全局最优聚类结果；而且该聚类算法对噪声点和孤立点很敏感；聚类结果依赖于初始值的设定，但是k值(聚类个数)的选定往往要经过很多次实验才能找到最佳值。虽然目前有很多的改进算法，但是如何正确确定初始聚类中心与聚类个数仍然是亟需克服的技术问题。
发明内容
本发明的目的是克服了上述现有技术中的缺点，提供一种引入面积匹配算法，固定聚类个数，处理速度较快的视频检测中基于面积匹配优化K-均值聚类算法的图像分割处理方法。
为了实现上述的目的，本发明的视频检测中基于面积匹配优化K-均值聚类算法的图像分割处理方法包括以下步骤：
(0)提取当前帧运动目标图像后，通过匹配找到前一帧中与所述的运动目标图像相匹配的目标图像；
(1)分别提取当前帧和前一帧运动的特征点；
(2)对当前帧和前一帧进行面积匹配，得到当前帧运动目标图像与前一帧运动目标图像重叠的重叠面积区域；
(3)分别计算当前帧的重叠面积区域和非重叠面积区域的特征点均值，作为K-均值初始聚类中心；
(4)进行K-均值聚类分割，并修正分割结果；
(5)判断分割是否成功，如果成功，则进入步骤(8)，如果不成功，则进入步骤(6)；
(6)比较本次分割结果是否与前一次分割结果一致，若一致，则进入步骤(8)，若不一致，则进入步骤(7)；
(7)根据分割后的结果调整初始聚类中心，并返回步骤(4)；
(8)输出结果，结束本方法。
该基于面积匹配优化K-均值聚类算法的图像分割处理方法中，所述的K-均值聚类分割为2-均值聚类分割。
该基于面积匹配优化K-均值聚类算法的图像分割处理方法中，所述的特征点包括面积特征点、位置特征点和形状特征点。
该基于面积匹配优化K-均值聚类算法的图像分割处理方法中，所述的步骤(4)具体为：进行K-均值聚类分割，并根据聚类结果，修正重叠面积区域内特征值的分类情况。
该基于面积匹配优化K-均值聚类算法的图像分割处理方法中，所述的步骤(5)中的判断分割是否成功，具体为：根据上一帧目标图像的面积判断聚类后的目标图像的面积是否合理。
该基于面积匹配优化K-均值聚类算法的图像分割处理方法中，所述的根据分割后的结果调整初始聚类中心，具体为：(7)根据分割的结果，以存在目标图像的聚类特征点为限，重新调整初始聚类中心。
该基于面积匹配优化K-均值聚类算法的图像分割处理方法中，所述的运动目标图像为车辆图像。
采用了本发明的视频检测中基于面积匹配优化K-均值聚类算法的图像分割处理方法，其首先提取前后帧图像的车辆特征点(包括面积，位置，形状)，由于照相机快门速度足够快，所以前后两帧车辆面积肯定存在重叠。对比前后两帧车辆的面积重叠情况，可以初步得到跟踪车辆车头或者车尾的位置。如果后一帧车辆与其它车辆存在粘连，提取面积重叠区域内特征点位置，求取这些特征点均值，同时提取剩余特征点位置并求取其均值。此时得到的两个均值分别作为待分割的两类初始聚类中心点。然后进行K-均值分割，根据输出的聚类结果修正上述面积重叠区域内特征点的分类情况，同时根据上一帧车辆面积判断此时聚类后的车辆是否合理，如果不合理，再对聚类结果重新聚类。此时只分割存在待跟踪车辆的那块聚类特征群，同时根据以上的方法重新统计聚类中心。直到找到合理的车辆后结束聚类分割，返回跟踪结果。如果反复分割后聚类结果没有差别，而且没有找到合适的聚类结果，则进入下一步匹配处理。该方法基于面积匹配优化，并且采用固定聚类个数进行分割，经过K-均值分割后得到的车辆目标不再需要进入下一轮的匹配处理，使得处理速度更快，节约了整体的视频图像目标跟踪的处理时间。
附图说明
图1为本发明的视频检测中基于面积匹配优化K-均值聚类算法的图像分割处理方法的流程图。
图2为本发明所采用的面积匹配优化K-均值聚类算法的流程图。
图3为本发明所采用的面积匹配优化K-均值聚类算法中特征提取的示意图。
图4为本发明所采用的面积匹配优化K-均值聚类算法中中聚类中心提取示意图。
具体实施方式
为了能够更清楚地理解本发明的技术内容，特举以下实施例详细说明。
请参阅图1所示，为本发明的视频检测中基于面积匹配优化K-均值聚类算法的图像分割处理方法的一种实施方式的流程图。
该实施方式中，所述的方法包括以下步骤：
(0)提取当前帧运动目标图像后，通过匹配找到前一帧中与所述的运动目标图像相匹配的目标图像；
(1)分别提取当前帧和前一帧运动的特征点；
(2)对当前帧和前一帧进行面积匹配，得到当前帧运动目标图像与前一帧运动目标图像重叠的重叠面积区域；
(3)分别计算当前帧的重叠面积区域和非重叠面积区域的特征点均值，作为K-均值初始聚类中心；
(4)进行K-均值聚类分割，并修正分割结果；
(5)判断分割是否成功，如果成功，则进入步骤(8)，如果不成功，则进入步骤(6)；
(6)比较本次分割结果是否与前一次分割结果一致，若一致，则进入步骤(8)，若不一致，则进入步骤(7)；
(7)根据分割后的结果调整初始聚类中心，并返回步骤(4)；
(8)输出结果，结束本方法。
在该实施方式中，所述的运动目标图像为车辆图像，所述的K-均值聚类分割为2-均值聚类分割，所述的特征点包括面积特征点、位置特征点和形状特征点。
在本发明的一种优选的实施方式中，所述的视频检测中基于面积匹配优化K-均值聚类算法的图像分割处理方法的步骤(4)具体为：
进行K-均值聚类分割，并根据聚类结果，修正重叠面积区域内特征值的分类情况。
在本发明的另一种优选的实施方式中，所述的视频检测中基于面积匹配优化K-均值聚类算法的图像分割处理方法的步骤(5)中的判断分割是否成功，具体为：
根据上一帧目标图像的面积判断聚类后的目标图像的面积是否合理。
所述的根据分割后的结果调整初始聚类中心，具体为：
(7)根据分割的结果，以存在目标图像的聚类特征点为限，重新调整初始聚类中心。
在本发明的实际应用中，所采用的改进的K-均值聚类算法的流程如图2所示，包括以下步骤：
(1)提取当前帧运动目标后，通过匹配找到与之相匹配的前一帧车辆；
(2)如图3所示，分别提取当前帧和前一帧运动的特征点；
(3)如图4所示，对两个车辆进行面积匹配，得到重叠面积区域；
(4)如图4所示，分别计算重叠面积区域和非重叠面积区域的当前帧的特征点均值，作为K-均值初始聚类中心；
(5)进行2-均值聚类分割，修正分割结果，判断分割是否成功；如果不成功，根据分割后的结果调整初始聚类中心，
(6)重复步骤5)，直到分割成功或者分割收敛；
(7)输出结果。
一般情况下，需要跟踪的区域内多车辆发生粘连现象相对较少，而且车辆特征点不多，所以该算法的运算量并不大，处理速度更快；如果反复分割后聚类结果没有差别，而且没有找到合适的聚类结果，则进入下一步匹配处理，在此情况下，虽然存在重复分割过程，但即也可以保证实时跟踪。
改进后的K-均值分割方法，其基于面积匹配优化，并且采用固定聚类个数进行分割，经过K-均值分割后得到的车辆目标不再需要进入下一轮的匹配处理，使得处理速度更快，节约了整体的视频图像目标跟踪的处理时间。
在此说明书中，本发明已参照其特定的实施例作了描述。但是，很显然仍可以作出各种修改和变换而不背离本发明的精神和范围。因此，说明书和附图应被认为是说明性的而非限制性的。
Claims (7)
1.一种视频检测中基于面积匹配优化K-均值聚类算法的图像分割处理方法，其特征在于，所述的方法包括以下步骤：
(0)提取当前帧运动目标图像后，通过匹配找到前一帧中与所述的运动目标图像相匹配的目标图像；
(1)分别提取当前帧和前一帧运动的特征点；
(2)对当前帧和前一帧进行面积匹配，得到当前帧运动目标图像与前一帧运动目标图像重叠的重叠面积区域；
(3)分别计算当前帧的重叠面积区域和非重叠面积区域的特征点均值，作为K-均值初始聚类中心；
(4)进行K-均值聚类分割，并修正分割结果；
(5)判断分割是否成功，如果成功，则进入步骤(8)，如果不成功，则进入步骤(6)；
(6)比较本次分割结果是否与前一次分割结果一致，若一致，则进入步骤(8)，若不一致，则进入步骤(7)；
(7)根据分割后的结果调整初始聚类中心，并返回步骤(4)；
(8)输出结果，结束本方法。
2.根据权利要求1所述的视频检测中基于面积匹配优化K-均值聚类算法的图像分割处理方法，其特征在于，所述的K-均值聚类分割为2-均值聚类分割。
3.根据权利要求1所述的视频检测中基于面积匹配优化K-均值聚类算法的图像分割处理方法，其特征在于，所述的特征点包括面积特征点、位置特征点和形状特征点。
4.根据权利要求1所述的视频检测中基于面积匹配优化K-均值聚类算法的图像分割处理方法，其特征在于，所述的步骤(4)具体为：
进行K-均值聚类分割，并根据聚类结果，修正重叠面积区域内特征值的分类情况。
5.根据权利要求1所述的视频检测中基于面积匹配优化K-均值聚类算法的图像分割处理方法，其特征在于，所述的步骤(5)中的判断分割是否成功，具体为：
根据上一帧目标图像的面积判断聚类后的目标图像的面积是否合理。
6.根据权利要求1所述的视频检测中基于面积匹配优化K-均值聚类算法的图像分割处理方法，其特征在于，所述的根据分割后的结果调整初始聚类中心，具体为：
(7)根据分割的结果，以存在目标图像的聚类特征点为限，重新调整初始聚类中心。
7.根据权利要求1至6中任一项所述的视频检测中基于面积匹配优化K-均值聚类算法的图像分割处理方法，其特征在于，所述的运动目标图像为车辆图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201010254746.7A CN102375983B (zh) | 2010-08-17 | 2010-08-17 | 基于面积匹配优化k-均值聚类算法的图像分割处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201010254746.7A CN102375983B (zh) | 2010-08-17 | 2010-08-17 | 基于面积匹配优化k-均值聚类算法的图像分割处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102375983A true CN102375983A (zh) | 2012-03-14 |
| CN102375983B CN102375983B (zh) | 2015-11-25 |
Family
ID=45794563
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201010254746.7A Active CN102375983B (zh) | 2010-08-17 | 2010-08-17 | 基于面积匹配优化k-均值聚类算法的图像分割处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102375983B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105930833A (zh) * | 2016-05-19 | 2016-09-07 | 重庆邮电大学 | 一种基于视频监控的车辆跟踪与分割方法 |
| CN106570877A (zh) * | 2016-10-27 | 2017-04-19 | 西安科技大学 | 基于采煤机虚拟样机与真实图像配准的采煤机位姿定位系统及方法 |
| CN109800684A (zh) * | 2018-12-29 | 2019-05-24 | 上海依图网络科技有限公司 | 一种视频中对象的确定方法及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1575014A2 (en) * | 2001-06-21 | 2005-09-14 | Fujitsu Limited | Method and apparatus for processing pictures of vehicles |
| CN101159855A (zh) * | 2007-11-14 | 2008-04-09 | 南京优科漫科技有限公司 | 基于特征点分析的多目标分离预测方法 |
-
2010
- 2010-08-17 CN CN201010254746.7A patent/CN102375983B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1575014A2 (en) * | 2001-06-21 | 2005-09-14 | Fujitsu Limited | Method and apparatus for processing pictures of vehicles |
| CN101159855A (zh) * | 2007-11-14 | 2008-04-09 | 南京优科漫科技有限公司 | 基于特征点分析的多目标分离预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 陈功，杨奎元，周荷琴，严捷丰: "鲁棒的实时多车辆检测与跟踪系统设计", 《信号处理》, vol. 25, no. 4, 30 April 2009 (2009-04-30) * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105930833A (zh) * | 2016-05-19 | 2016-09-07 | 重庆邮电大学 | 一种基于视频监控的车辆跟踪与分割方法 |
| CN105930833B (zh) * | 2016-05-19 | 2019-01-22 | 重庆邮电大学 | 一种基于视频监控的车辆跟踪与分割方法 |
| CN106570877A (zh) * | 2016-10-27 | 2017-04-19 | 西安科技大学 | 基于采煤机虚拟样机与真实图像配准的采煤机位姿定位系统及方法 |
| CN109800684A (zh) * | 2018-12-29 | 2019-05-24 | 上海依图网络科技有限公司 | 一种视频中对象的确定方法及装置 |
| CN109800684B (zh) * | 2018-12-29 | 2022-06-21 | 上海依图网络科技有限公司 | 一种视频中对象的确定方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN102375983B (zh) | 2015-11-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108304808B (zh) | 一种基于时空信息与深度网络的监控视频对象检测方法 | |
| Cao et al. | Multi-view frustum pointnet for object detection in autonomous driving | |
| CN105046196B (zh) | 基于级联卷积神经网络的前车车辆信息结构化输出方法 | |
| US20150206018A1 (en) | System and method for recognizing speed limit sign using front camera | |
| CN104299008A (zh) | 基于多特征融合的车型分类方法 | |
| JP5598694B2 (ja) | 物標検出装置および物標検出方法 | |
| CN102682453A (zh) | 基于多特征融合的运动车辆跟踪方法 | |
| US20170371033A1 (en) | Radar device and method for determining targets to be followed | |
| CN104318258A (zh) | 一种基于时域模糊和卡尔曼滤波器的车道线检测方法 | |
| CN102903122A (zh) | 基于特征光流与在线集成学习的视频目标跟踪方法 | |
| WO2015114654A1 (en) | Vehicle detection system and method thereof | |
| Pan et al. | Vehicle logo recognition based on deep learning architecture in video surveillance for intelligent traffic system | |
| CN105117724B (zh) | 一种车牌定位方法及装置 | |
| CN102375983A (zh) | 基于面积匹配优化k-均值聚类算法的图像分割处理方法 | |
| WO2021013227A1 (zh) | 用于目标检测的图像处理方法及装置 | |
| CN104268898A (zh) | 基于图像分析的公交车内乘客密集程度检测方法 | |
| CN103425764A (zh) | 一种基于视频的车辆匹配方法 | |
| JP2019070566A (ja) | レーダ信号処理装置およびレーダ信号処理プログラム | |
| CN117152715A (zh) | 一种基于改进yolop的全景驾驶感知系统及方法 | |
| CN107133600A (zh) | 一种基于帧间关联的实时车道线检测方法 | |
| CN103886609A (zh) | 基于粒子滤波和lbp特征的车辆跟踪方法 | |
| CN103295003A (zh) | 一种基于多特征融合的车辆检测方法 | |
| CN102521841A (zh) | 多目标物体跟踪方法 | |
| CN103955673A (zh) | 一种基于头肩模型的人体识别方法 | |
| Sato et al. | Crossing obstacle detection with a vehicle-mounted camera |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant |