基于形狀角與分塊圖像的車輛輪廓分割算法

陳凌宇　李鴻　燕磬

摘 要： 為了減小對車輛進行外形超限測量時其他車輛對圖像的影響，精確地將目標車輛的輪廓信息分割并測量，提出一種基于形狀角、結合分塊圖像與邊緣提取的分割算法。對獲取圖像進行幀差法削弱背景邊緣信息的影響，再用Canny算子邊緣提取，將得到的輪廓信息進行基于形狀角的識別與提取。提出了一種對圖像進行分塊分類的圖像分割法。該算法有效解決了測量中背景對前景的影響。實驗結果表明該算法具有較高的魯棒性與準確性。

關鍵詞： 圖像分割； 圖像分塊； 形狀角； 邊緣提取

中圖分類號： TN919?34； TP391.4 文獻標識碼： A 文章編號： 1004?373X（2014）10?0056?03

Abstract： In order to reduce the influence of other vehicles on image， and segment and measure the outline information of the target vehicle accurately while the vehicle shape ultralimit measurement is executed， a shape angle based segmentation algorithm which is combined with block image and edge extraction is put forward in this paper. The frame differential method is adopted to weaken the influence of image edge information of the background， and then Canny operator edge detection is used to recognize and extract the obtained contour information on the basis of shape angle. An image segmentation method which classifies an image by segmenting the image into blocks is proposed. The algorithm effectively solves the influence of background on foreground during the measurement. Experimental results show that the algorithm has strong robustness and high accuracy.

Keywords： image segmentation； image block； shape angle； edge extraction

0 引 言

圖像分割的技術已經廣泛應用于醫學、軍事、考古修復、工業控制等多個方面。在交通領域中利用圖像測量檢測車輛外形超限更是與圖像分割有著密切的聯系。常用的圖像分割方法主要有閾值分割法，邊緣分割法和區域分割法三種。閾值分割法雖然方法簡單，但是閾值的選取很大程度上影響圖像分割效果，它只考慮像素本身灰度值而不考慮圖像的空間分布使得分割結果對噪聲很敏感。邊緣分割法利用各種邊緣檢測算子檢測邊緣，利用邊緣對圖像進行分割。但圖像中的邊緣信息復雜，背景信息與噪聲對邊緣提取有非常大的影響。區域分割方法有諸多不足之處：

（1） 分割結果受種子點選取影響；

（2） 對噪聲敏感；

（3） 對面積大的區域計算緩慢；

（4） 容易產生過分割現象。

為了較好地處理上述問題，文獻[1]利用遺傳算法結合二維最大熵值的圖像分割法，加快的分割速度與效率。但是在遺傳算法中多使用的評估函數的設計、初始種群的選擇有一定的依賴性。文獻[2]利用均值漂移法去除顯微鏡的灰度背景，該方法能夠在保持圖像基本特征的基礎上將圖像分割成一些子區域，但是在分割小目標和快速移動的目標時效果不佳。文獻[3]利用均值漂移法結合蟻群聚類算法分割圖像，在聚類分析時如何評定樣本之間類似程度和如何根據樣本類似程度將樣本劃分為不同群時存在很多問題。

本文提出一種基于形狀角與分塊圖像的圖像分割算法。首先對于交通視頻采集圖像利用幀差法削弱背景影響，選擇Canny算子邊緣檢測。邊緣化之后的圖像會出現較多的輪廓，確定一個最大ROI區域，在此區域中利用形狀角的幾何不變性識別并檢測車輛邊緣輪廓。利用行列掃描確定該輪廓的最小矩形區域。最后在最小矩形區域中，以子塊中包含輪廓線的像素點占有率作為投票的標準，最終將前景信息分割出來。

1 圖像預處理

1.1 背景削弱

為了減小圖像中背景邊緣的影響，使圖像中無關的背景邊緣信息盡可能的濾除。利用幀差法，將現有前景圖像與背景圖像做減運算。幀差法雖然在背景的去除上存在一系列問題，不能完全地將背景移除，但是能夠減小很大一部分背景邊緣的影響。幀差法背景削弱效果圖如圖1所示。背景信息基本濾除，車輛前景保存較好。

1.2 邊緣提取

經過背景削弱處理的圖像需要對其邊緣提取，而邊緣檢測算子各有其適用方面。Roberts算子對邊緣定位精度高，但不具備抑制噪聲能力；Sobel算子對圖像先加權平滑處理，在邊緣增強效果與抑制噪聲方面都比較好，但邊緣容易出現多像素寬度；Canny算子是基于最優化思想推到出來的邊緣檢測算子，該算子綜合考慮了噪聲，邊緣等因素影響，采用雙閾值檢測和連接邊緣具有較好的效果。其效果如圖2所示。

形狀角的大小僅與輪廓的幾何形狀有關，與其所在位置與方向無關，因此可以通過對車輛輪廓的采集得到車輛形狀角大小的區間，并以此作為后文中識別車輛輪廓的依據。

2.2 基于形狀角的目標定位

由于形狀角的大小能夠確定一種輪廓。反之，一種輪廓也能確定形狀的大小。在實際交通收費口處，攝像頭與道路的角度基本固定，車輛在圖像中呈現的輪廓與位置也基本固定。選取車輛在圖像中出現的最大可能區域作為ROI，并取車輛輪廓的平均形狀角a。對于所有形狀角在[a-e，a+e]區間上的輪廓并同樣處于ROI中，就可以初步認定為是車輛輪廓。隨機背景以及幀差法中可能存在的部分背景輪廓對車輛輪廓有干擾，所以對邊緣算子檢測后的物體輪廓進行濾波，從而提高了檢測的精度。

獲取ROI中形狀角滿足上述要求的輪廓后，用行列掃描的方法將ROI區域中包含車輛輪廓的最小矩形分割出來。其分割過程示意圖如圖4所示。

3 基于圖像分塊投票的前景提取

3.1 圖像子塊的劃分

用形狀角可以將圖像中目標物體的邊緣識別，并可以用最小矩形區域初步分割所需提取的前景圖像。為了更加精確地分割目標物體，本文采用分塊圖像中像素點投票的方式確定邊緣。把一幅圖像分為多個互不重疊的I×J的子塊。子塊劃分大小與目標物體輪廓的大小有關。子塊過大，則會造成分割出的邊緣粗糙，不能達到較好的分割效果；子塊太小，則計算量顯著增加，造成系統運行緩慢。

針對隨機變化的車輛輪廓區域，取最小矩形區域大小作為車輛輪廓的參照，并以此為基礎進行圖像分塊。采用等面積、正方形區域分塊，通常子塊為最小矩形區域的[1300～1200。]

3.2 基于像素點投票的前景提取

圖像分塊之后，將子塊圖像分為背景塊與前景塊。經過預處理的圖像為二值圖像，故采用子塊中邊緣輪廓占子塊像素點百分比大小作為判定標準。當子塊處于目標前景的邊緣位置時，子塊中必定有一部分像素點屬于邊緣點。

如果在子塊中邊緣點所占像素與子塊的總像素百分比超過某一閾值T，則可以認定該子塊投票為前景塊。由于只針對邊緣輪廓檢測，根據確定的邊緣來確定整個目標前景，所以邊緣提取需要非常精確。這就需要在投票分割之前將圖像子塊的合適劃分大小確定。對于初步分塊后的圖像，將含有邊緣的子塊選出。統計邊緣像素在各個子塊中平均占有比例F。如果F小于30%，則將子塊縮小，重新統計。直到找到F大于30%的字塊大小。

實驗發現，在合適的子塊劃分后，當T大于50%時能夠比較精確的滿足分割背景邊緣的要求。由已經確定的邊緣前景子塊向內生長，而確定所有前景子塊。將輪廓圖像中前景子塊在原圖像中對應位置的像素點進行替換，以原圖像的前景圖替代輪廓圖像中的前景，提高分割效果的清晰性。

4 實驗方法及結果

首先用幀差法削弱背景影響、Canny算子提取邊緣，完成圖像預處理。然后，在整張圖像中確定一個最大的ROI，在最大ROI中利用形狀角的幾何不變性識別并確認車輛輪廓。用行列掃描法確定一個包含車輛輪廓的最小矩形區域。在該區域中對圖像進行分塊投票，將前景塊與背景塊分開。最后，將前景塊用其對應的原圖像代替，得到分割圖像。

5 結 論

文章提出一種基于形狀角和分塊圖像的車輛輪廓分割算法。利用形狀角識別并定位車輛，在最小矩形區域中對圖像分塊投票區別前景與背景塊。相比傳統的圖像分割方法，該算法簡單，具有良好的實時性與魯棒性。有針對性地解決車輛的識別與提取中存在的問題，并擁有良好的實驗效果。

參考文獻

[1] 歐萍，賀電.遺傳算法粒在二維最大熵值圖像分割中的應用[J].計算機仿真，2011，28（1）：294?296.

[2] LIU Jin?mei， ZHAO Chun?hui， WANG Hong?min， et al. Background removal of microscopy gray?level images [C]// Proceedings of IEEE 2008 The 2nd International Conference on Bioinformatics and Biomedical Engineering. Shanghai， China： IEEE， 2008： 2639?2642.

[3] 劉玲星.基于均值漂移和改進的蟻群聚類算法的圖像分割[D].長沙：中南大學，2012.

[4] 秦開懷.一種基于Hough變換的圓形和矩形的快速檢測方法[J]中國圖象圖形學報，2010，15（1）：109?115.

[5] 賀助理.基于圖像能見度檢測技術研究[D].長沙：長沙理工大學，2012.

[6] 彭麗.基于邊緣信息的閾值圖像分割[D].長沙：中南大學，2009.

[7] 何俊.圖像分割算法研究綜述[J].計算機工程與科學，2009，31（12）：58?61.

[8] 劉達志.一種基于邊緣檢測及紋理分析的水壩圖像分割算法[J].計算機工程與應用，2005（1）：221?223.

[9] PRATT W K.數字圖像處理[M].北京：機械工業出版社，2005.

[10] 劉衛國. Matlab程序設計[M].北京：高等教育出版社，2006.

[11] 楊利萍.基于形狀先驗的水平集圖像分割研究[D].北京：北京交通大學，2012.

2.2 基于形狀角的目標定位

由于形狀角的大小能夠確定一種輪廓。反之，一種輪廓也能確定形狀的大小。在實際交通收費口處，攝像頭與道路的角度基本固定，車輛在圖像中呈現的輪廓與位置也基本固定。選取車輛在圖像中出現的最大可能區域作為ROI，并取車輛輪廓的平均形狀角a。對于所有形狀角在[a-e，a+e]區間上的輪廓并同樣處于ROI中，就可以初步認定為是車輛輪廓。隨機背景以及幀差法中可能存在的部分背景輪廓對車輛輪廓有干擾，所以對邊緣算子檢測后的物體輪廓進行濾波，從而提高了檢測的精度。

獲取ROI中形狀角滿足上述要求的輪廓后，用行列掃描的方法將ROI區域中包含車輛輪廓的最小矩形分割出來。其分割過程示意圖如圖4所示。

3 基于圖像分塊投票的前景提取

3.1 圖像子塊的劃分

用形狀角可以將圖像中目標物體的邊緣識別，并可以用最小矩形區域初步分割所需提取的前景圖像。為了更加精確地分割目標物體，本文采用分塊圖像中像素點投票的方式確定邊緣。把一幅圖像分為多個互不重疊的I×J的子塊。子塊劃分大小與目標物體輪廓的大小有關。子塊過大，則會造成分割出的邊緣粗糙，不能達到較好的分割效果；子塊太小，則計算量顯著增加，造成系統運行緩慢。

針對隨機變化的車輛輪廓區域，取最小矩形區域大小作為車輛輪廓的參照，并以此為基礎進行圖像分塊。采用等面積、正方形區域分塊，通常子塊為最小矩形區域的[1300～1200。]

3.2 基于像素點投票的前景提取

圖像分塊之后，將子塊圖像分為背景塊與前景塊。經過預處理的圖像為二值圖像，故采用子塊中邊緣輪廓占子塊像素點百分比大小作為判定標準。當子塊處于目標前景的邊緣位置時，子塊中必定有一部分像素點屬于邊緣點。

如果在子塊中邊緣點所占像素與子塊的總像素百分比超過某一閾值T，則可以認定該子塊投票為前景塊。由于只針對邊緣輪廓檢測，根據確定的邊緣來確定整個目標前景，所以邊緣提取需要非常精確。這就需要在投票分割之前將圖像子塊的合適劃分大小確定。對于初步分塊后的圖像，將含有邊緣的子塊選出。統計邊緣像素在各個子塊中平均占有比例F。如果F小于30%，則將子塊縮小，重新統計。直到找到F大于30%的字塊大小。

實驗發現，在合適的子塊劃分后，當T大于50%時能夠比較精確的滿足分割背景邊緣的要求。由已經確定的邊緣前景子塊向內生長，而確定所有前景子塊。將輪廓圖像中前景子塊在原圖像中對應位置的像素點進行替換，以原圖像的前景圖替代輪廓圖像中的前景，提高分割效果的清晰性。

4 實驗方法及結果

首先用幀差法削弱背景影響、Canny算子提取邊緣，完成圖像預處理。然后，在整張圖像中確定一個最大的ROI，在最大ROI中利用形狀角的幾何不變性識別并確認車輛輪廓。用行列掃描法確定一個包含車輛輪廓的最小矩形區域。在該區域中對圖像進行分塊投票，將前景塊與背景塊分開。最后，將前景塊用其對應的原圖像代替，得到分割圖像。

5 結 論

文章提出一種基于形狀角和分塊圖像的車輛輪廓分割算法。利用形狀角識別并定位車輛，在最小矩形區域中對圖像分塊投票區別前景與背景塊。相比傳統的圖像分割方法，該算法簡單，具有良好的實時性與魯棒性。有針對性地解決車輛的識別與提取中存在的問題，并擁有良好的實驗效果。

參考文獻

[1] 歐萍，賀電.遺傳算法粒在二維最大熵值圖像分割中的應用[J].計算機仿真，2011，28（1）：294?296.

[2] LIU Jin?mei， ZHAO Chun?hui， WANG Hong?min， et al. Background removal of microscopy gray?level images [C]// Proceedings of IEEE 2008 The 2nd International Conference on Bioinformatics and Biomedical Engineering. Shanghai， China： IEEE， 2008： 2639?2642.

[3] 劉玲星.基于均值漂移和改進的蟻群聚類算法的圖像分割[D].長沙：中南大學，2012.

[4] 秦開懷.一種基于Hough變換的圓形和矩形的快速檢測方法[J]中國圖象圖形學報，2010，15（1）：109?115.

[5] 賀助理.基于圖像能見度檢測技術研究[D].長沙：長沙理工大學，2012.

[6] 彭麗.基于邊緣信息的閾值圖像分割[D].長沙：中南大學，2009.

[7] 何俊.圖像分割算法研究綜述[J].計算機工程與科學，2009，31（12）：58?61.

[8] 劉達志.一種基于邊緣檢測及紋理分析的水壩圖像分割算法[J].計算機工程與應用，2005（1）：221?223.

[9] PRATT W K.數字圖像處理[M].北京：機械工業出版社，2005.

[10] 劉衛國. Matlab程序設計[M].北京：高等教育出版社，2006.

[11] 楊利萍.基于形狀先驗的水平集圖像分割研究[D].北京：北京交通大學，2012.

2.2 基于形狀角的目標定位

由于形狀角的大小能夠確定一種輪廓。反之，一種輪廓也能確定形狀的大小。在實際交通收費口處，攝像頭與道路的角度基本固定，車輛在圖像中呈現的輪廓與位置也基本固定。選取車輛在圖像中出現的最大可能區域作為ROI，并取車輛輪廓的平均形狀角a。對于所有形狀角在[a-e，a+e]區間上的輪廓并同樣處于ROI中，就可以初步認定為是車輛輪廓。隨機背景以及幀差法中可能存在的部分背景輪廓對車輛輪廓有干擾，所以對邊緣算子檢測后的物體輪廓進行濾波，從而提高了檢測的精度。

獲取ROI中形狀角滿足上述要求的輪廓后，用行列掃描的方法將ROI區域中包含車輛輪廓的最小矩形分割出來。其分割過程示意圖如圖4所示。

3 基于圖像分塊投票的前景提取

3.1 圖像子塊的劃分

用形狀角可以將圖像中目標物體的邊緣識別，并可以用最小矩形區域初步分割所需提取的前景圖像。為了更加精確地分割目標物體，本文采用分塊圖像中像素點投票的方式確定邊緣。把一幅圖像分為多個互不重疊的I×J的子塊。子塊劃分大小與目標物體輪廓的大小有關。子塊過大，則會造成分割出的邊緣粗糙，不能達到較好的分割效果；子塊太小，則計算量顯著增加，造成系統運行緩慢。

針對隨機變化的車輛輪廓區域，取最小矩形區域大小作為車輛輪廓的參照，并以此為基礎進行圖像分塊。采用等面積、正方形區域分塊，通常子塊為最小矩形區域的[1300～1200。]

3.2 基于像素點投票的前景提取

圖像分塊之后，將子塊圖像分為背景塊與前景塊。經過預處理的圖像為二值圖像，故采用子塊中邊緣輪廓占子塊像素點百分比大小作為判定標準。當子塊處于目標前景的邊緣位置時，子塊中必定有一部分像素點屬于邊緣點。

如果在子塊中邊緣點所占像素與子塊的總像素百分比超過某一閾值T，則可以認定該子塊投票為前景塊。由于只針對邊緣輪廓檢測，根據確定的邊緣來確定整個目標前景，所以邊緣提取需要非常精確。這就需要在投票分割之前將圖像子塊的合適劃分大小確定。對于初步分塊后的圖像，將含有邊緣的子塊選出。統計邊緣像素在各個子塊中平均占有比例F。如果F小于30%，則將子塊縮小，重新統計。直到找到F大于30%的字塊大小。

實驗發現，在合適的子塊劃分后，當T大于50%時能夠比較精確的滿足分割背景邊緣的要求。由已經確定的邊緣前景子塊向內生長，而確定所有前景子塊。將輪廓圖像中前景子塊在原圖像中對應位置的像素點進行替換，以原圖像的前景圖替代輪廓圖像中的前景，提高分割效果的清晰性。

4 實驗方法及結果

首先用幀差法削弱背景影響、Canny算子提取邊緣，完成圖像預處理。然后，在整張圖像中確定一個最大的ROI，在最大ROI中利用形狀角的幾何不變性識別并確認車輛輪廓。用行列掃描法確定一個包含車輛輪廓的最小矩形區域。在該區域中對圖像進行分塊投票，將前景塊與背景塊分開。最后，將前景塊用其對應的原圖像代替，得到分割圖像。

5 結 論

文章提出一種基于形狀角和分塊圖像的車輛輪廓分割算法。利用形狀角識別并定位車輛，在最小矩形區域中對圖像分塊投票區別前景與背景塊。相比傳統的圖像分割方法，該算法簡單，具有良好的實時性與魯棒性。有針對性地解決車輛的識別與提取中存在的問題，并擁有良好的實驗效果。

參考文獻

[1] 歐萍，賀電.遺傳算法粒在二維最大熵值圖像分割中的應用[J].計算機仿真，2011，28（1）：294?296.

[2] LIU Jin?mei， ZHAO Chun?hui， WANG Hong?min， et al. Background removal of microscopy gray?level images [C]// Proceedings of IEEE 2008 The 2nd International Conference on Bioinformatics and Biomedical Engineering. Shanghai， China： IEEE， 2008： 2639?2642.

[3] 劉玲星.基于均值漂移和改進的蟻群聚類算法的圖像分割[D].長沙：中南大學，2012.

[4] 秦開懷.一種基于Hough變換的圓形和矩形的快速檢測方法[J]中國圖象圖形學報，2010，15（1）：109?115.

[5] 賀助理.基于圖像能見度檢測技術研究[D].長沙：長沙理工大學，2012.

[6] 彭麗.基于邊緣信息的閾值圖像分割[D].長沙：中南大學，2009.

[7] 何俊.圖像分割算法研究綜述[J].計算機工程與科學，2009，31（12）：58?61.

[8] 劉達志.一種基于邊緣檢測及紋理分析的水壩圖像分割算法[J].計算機工程與應用，2005（1）：221?223.

[9] PRATT W K.數字圖像處理[M].北京：機械工業出版社，2005.

[10] 劉衛國. Matlab程序設計[M].北京：高等教育出版社，2006.

[11] 楊利萍.基于形狀先驗的水平集圖像分割研究[D].北京：北京交通大學，2012.