基于骨架角点检测的粘连车辆分割

李 娜， 陈俊艳， 刘 颖， 林庆帆

(西安邮电大学 通信与信息工程学院， 陕西 西安 710121)

基于骨架角点检测的粘连车辆分割

李 娜， 陈俊艳， 刘 颖， 林庆帆

(西安邮电大学 通信与信息工程学院， 陕西 西安 710121)

给出一种基于骨架角点检测的方法以实现视频监控中粘连车辆的分割。首先利用“火烧法”提取粘连车辆区域的骨架，并对骨架进行角点检测，然后用K均值聚类方法对角点聚类，由聚类结果得出粘连车辆的分割线。利用50幅从实际监控视频中截取的图片进行实验,结果表明,所给方法可缓解过分割问题,并能在保证分割质量的情况下,缩短分割时间。

车辆分割；骨架；角点

视频监控中运动目标检测和跟踪技术是计算机视觉和数字图像处理中的一个重要的研究方向[1]。在单目摄像头采集的条件下,道路的3D场景被转换成2D图像,造成车辆空间信息损失,容易产生车辆前景粘连,如果不能很好地将其分割,将直接影响跟踪和统计的准确性。

利用车辆的角点作为特征点建立特征模型[2]，可以解决粘连问题，但此算法在进行模型匹配时往往需要很大的计算量，而且对于场景的要求也比较高，特别容易受到复杂场景中不相关物体的影响。统计模型也是一种解决粘连的途径[3]，但所需参数值往往未知或不能被完全确定，在实际应用中有一定难度。推理模型根据场景中车辆的位置轨迹等信息的先验知识来解决粘连问题[4]，但对于复杂交通场景，此算法尚不够完备。采用分水岭分割算法，可先用腐蚀方法标记所有区域，再用条件膨胀标记生长出分离区域[5]，但其处理过程复杂,还易造成过分割的现象。

一个图像的骨架是指图像中央的骨骼部分，是描述图像集合及拓扑性质的重要特征之一[6]。角点是指图像中边界曲线上具有曲率极大值的点，在该点附近的灰度值会发生剧烈变化，它反映着一幅图像的显著特征[7]。骨架和角点都能以较少数据表示出图像的重要特征。

本文拟针对已有方法计算量大或容易造成过分割等问题，利用骨架和角点，提出一种基于车辆骨架角点检测的分割方法，简称骨架角点法，即先用“火烧法”提取车辆粘连区域的骨架，并用Shi-Tomasi角点检测得到骨架角点，再用K均值聚类方法把角点分类，进而确定分割线。

1 概念与方法

1.1 检测车辆区域

混合高斯背景是基于像素样本统计信息的背景表示方法[8]。利用像素在较长时间内大量样本值的概率密度等统计信息(如模式数量、每个模式的均值和标准差)表示背景，然后使用统计差分原则进行像素判断。

1.2 粘连车辆区域判断

非粘连车辆的形状在多数情况下表现为凸形，与外接矩形之间的空隙小，并且外接矩形的长宽比在一定的范围内，如图1(a)所示。粘连车辆与其外接矩形之间有较大间隙，并且其外接矩形的长宽比出现过大或过小的情况，如图1(b)所示。骨架角点法利用车辆区域的占空比和外接矩形的长宽比来判断是否存在车辆粘连。

(a) 粘连车辆 (b) 非粘连车辆

以Ac表示车辆区域的面积，Ar表示车辆区域外接矩形的面积，Ah表示是车辆区域外接矩形的高，Aw表示车辆区域外接矩形的宽，定义车辆区域的占空比为

外接矩形的长宽比为

对于非粘连车辆，Aa很大，而对于粘连车辆则较小。非粘连车辆图像的Ab大小在一定的范围内，而粘连车辆图像的Ab要么偏大，要么偏小。

由经验设定一个面积比阈值At，和一大一小两个长宽比阈值A1、A2。当Aa>At且A1A1,则其为前后粘连，若Ab

(a) 前后粘连 (b) 左右粘连

1.3 骨架提取

以“火烧法”[6]提取二值图像的骨架，即将目标边界各处同时点燃，火的前沿以匀速向目标内部蔓延，当前沿相交时火焰熄灭，以火焰熄灭点的集合构成中轴，由此得出目标图像的骨架。依据内部点不能删除、孤立点不能删除、直线端点不能删除以及去掉连通分量增加的点不能删除4条原则，建立索引表。

对图像任一边界点P，将其8个邻点对应的二进制序列P0～P7(图3)转化成十进制数N。当索引表中第N个数为1时删除该边界点P，为0则不删除。对所有边界点进行此操作，直到没有可删除的边界点为止。

图3 边界点及其邻域分布

1.4 骨架的角点检测

Shi-Tomasi角点检测算法[7]是Harris算法[9]的改进，可用于检测骨架角点。

对于图像I(u,v),记

构造局部结构矩阵

用高斯滤波器HG进行平滑，得到

1.5 角点的聚类

利用K均值聚类算法[10]进行角点聚类：任意选择两个初始聚类中心；计算每个角点与两个聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心；利用聚类对象与聚类中心距离差分最小的原则重新调整聚类中心；经前两步迭代更新后，若各聚类中心保持不变，则迭代结束，否则继续迭代。

该算法的关键在于距离公式的选择，骨架角点法选择欧式距离。

2 算法流程

用高斯背景建模得到运动车辆前景，按图4所示流程，确定车辆区域。

图4 前景处理流程

判断车辆区域是否存在粘连，如果存在，用“火烧法”提取骨架。所得骨架是单像素的，为了突出非关键点处的平滑性，先对其进行开运算，再进行角点检测与提取。

对提取出来的骨架进行Shi-Tomasi角点检测，并用K均值聚类方法把检测出的角点聚类。

骨架角点法的整个算法流程如图5所示。

图5 骨架角点法算法流程

对粘连车辆区域判断时，根据外接矩形长宽比可以判断粘连区域属于前后车辆粘连还是左右车辆粘连。针对这两种粘连形式，分别用不同的方法确定分割线。

(1) 前后粘连分割

对于前后粘连的车辆，两类角点上下分离，而在垂直方向上没有交集，用一条水平线就能把两类角点分开。寻找位于上面的一类的位置最低的角点和下面一类位置最高的角点，在两点中间处找一条水平线，即可作为分割线。

(2) 左右粘连分割

对于左右粘连车辆，两车分割线并不是单纯的垂直线段，而斜线居多。对于此类情况，可先找到两类角点的聚类中心，用两类聚类中心连线的垂直平分线作为分割线。

3 实验结果及分析

从西安邮电大学刑侦图像处理中心数据库[11]提供的视频中，随机截取50帧车辆前景图像，基于VS2008平台，结合OpenCV2.4.4库进行实验。

3.1 可行性

按照骨架角点法的算法流程，对其进行可行性实验，所得部分结果如图6所示。

(a) 车辆区域

(b) 车辆骨架

(c) 骨架角点

(d) 角点聚类

最终所得分割线如图7所示，由此知利用骨架角点法能够进行车辆粘连区域分割。

(a) 前后粘连 (b) 左右粘连

3.2 精确性

用骨架角点法与骨架节点法[12]对随机截取的车辆图像进行分割实验，对比结果如图8所示。

(a) 车辆粘连区域

(b) 骨架节点法分割效果

(c) 骨架角点法分割结果

骨架节点法把骨架节点简单定义为骨架结构上其8邻域内有3个非零像素点的点，利用节点水平和竖直方向的距离进行分组，进而确定分割线，但在单像素的骨架上寻找节点时，容易受噪声干扰，从而影响分割效果。由图8(b)可见，利用骨架节点法存在过分割的问题,左图的两辆车中,前车的部分轮廓被分到了后车,而右图的两辆车中右侧的部分轮廓被分到了左车。骨架角点法对骨架进行了开运算处理，是对平滑骨架上的角点进行K均值聚类，之后确定分割线，故可抑制噪声干扰。由图8(c)可见,骨架角点法得到的分割效果可提高分割精确性,缓解过分割问题。

3.3 实时性

用骨架角点法与基于车辆边缘的分割方法[13]对随机截取的车辆图像进行分割实验，对比结果如图9所示。

(a) 原始截图

(b) 车辆边缘法分割效果

(c) 骨架角点法分割效果

由图9可见，在对原图像进行分割方面，两种算法都能达到一致的分割结果，但在时间方面，基于车辆边缘分割的平均分割时间是23.76 ms,而基于骨架角点的平均分割时间为10.45 ms，前者的平均分割时间是后者的两倍多。基于车辆边缘分割首先检测出遮挡区域，并在遮挡区域搜索车辆边缘，最后把遮挡区域的车辆边缘作为分割线，但搜索遮挡区域和遮挡区域中的车辆边缘相当费时，所以骨架角点法在实时性方面更具有优势。

4 结语

针对监控视频中出现的车辆粘连问题，提出一种结合骨架和角点检测的分割方法。实验结果表明，该算法不仅能有效缓解过分割问题，还能在保证分割质量的前提下，降低分割时间。

[1] 李娜，李大湘，刘颖. 基于多示例学习的目标跟踪算法[J].西安邮电大学学报,2014,19(2):43-48.

[2] Coifman B，Beymer D，Mclauchlan P, et al. A real-time computer vision system for vehicle tracking and traffic surveillance[J].Transportation Research Part C: Emerging Technologies, 1998, 6(8):217-288.

[3] Huang chunglin, Liao wenchi. A Vision Based Vehicle Identification System[J]. IEEE Pattern Recognition, 2004,4(8):364-367.

[4] Jung Y K, Lee K W, Ho Y S. Content based event retrieval using semantic scene interpretation for automated traffic surveillance[J]. IEEE Transactions on Intelligent Transportantion Systems, 2001,2(3):151-163.

[5] Cloppet F, Boucher A. Segmentation of overlapping aggregating nuclei cells in bioimages[C] //Processings of the 19th International Conference on Pattern Recognition.[S.I.]:IEEE Press,2008:1-4.

[6] 布达拉斯基,克勒. 学习OpenCV[M].于仕琪, 刘瑞帧,译.北京:清华大学出版社，2012: 351-354.

[7] 冈萨雷斯.数字图像处理[M].2版.阮秋琦,阮宇智,译.北京:电子工业出版社,2007:438-440.

[8] 詹群峰.基于OpenCV的视频道路车辆检测与跟踪[D].厦门:厦门大学，2009:20-40.

[9] Laganiere R. OpenCV2计算机视觉编程手册[M].张静,译.北京：科学出版社,2013:267-176.

[10] 乔蔫, 姜慧霖, 贾世杰. 基于改进 K-means 聚类的案例检索策略[J]. 计算机工程, 2011, 37(5): 193-195.

[11] 刘颖，范九伦，李宗，等.现勘图像数据库检索技术实例探讨[J].西安邮电大学学报，2015,20(3):1-20.

[12] 刘诗慧.视频中粘连车辆的分割与跟踪技术研究[D].哈尔滨：哈尔滨工程大学, 2013:16-26.

[13] 张海涛,姚雪,刘万军.利用车辆边缘的遮挡车辆曲线分割算法[J].计算机应用研究,2014,31(7):191-196.

[责任编辑:瑞金]

Separation of merged vehicles based on detection of vehicles skeleton corner

LI Na, CHEN Junyan, LIU Ying, LIN Qingfan

(School of Communication and Information Engineering, Xi’an University of Posts and Telecommunications, Xi’an 710121, China)

A separation method based on skeleton corner detection is proposed to solve the problem of merged vehicles in video surveillance. Firstly, the skeleton of the merged area is extracted by “fire method”, and the corners of the skeleton are obtained through corner detection. Secondly, the corners are clustered byK-means clustering method to get the splitting line of the merged-vehicles from the clustering results. Fifty images from surveillance video are used for the experiment as test data. Experimental results show that the proposed algorithm can not only effectively relieve the over-segmentation problem in merged-vehicle separation, but also reduce separation time needed.

separation of vehicles, skeleton, corner

2014-12-31

国家自然科学基金资助项目(61202183)；公安部科技强警基础专项(2015GABJC51)；陕西省国际科技合作计划资助项目(2013KW04-05,2015KW-014)；陕西省教育厅专项科研计划资助项目(15JK1661)；西安市碑林区应用技术研发项目(GX1502)；西安邮电大学研究生创新基金资助项目(CXL2014-16)

李娜(1981-)，女，硕士，讲师，从事目标跟踪和行为检测研究。E-mail：13873589@qq.com 陈俊艳(1989-)，女，硕士研究生，研究方向为图像视频信号处理。E-mail:cjy_study@126.com

10.13682/j.issn.2095-6533.2015.06.004

TP391

A

2095-6533(2015)06-0014-05