基于形状角与分块图像的车辆轮廓分割算法

陈凌宇　李鸿　燕磬

摘 要： 为了减小对车辆进行外形超限测量时其他车辆对图像的影响，精确地将目标车辆的轮廓信息分割并测量，提出一种基于形状角、结合分块图像与边缘提取的分割算法。对获取图像进行帧差法削弱背景边缘信息的影响，再用Canny算子边缘提取，将得到的轮廓信息进行基于形状角的识别与提取。提出了一种对图像进行分块分类的图像分割法。该算法有效解决了测量中背景对前景的影响。实验结果表明该算法具有较高的鲁棒性与准确性。

关键词： 图像分割； 图像分块； 形状角； 边缘提取

中图分类号： TN919?34； TP391.4 文献标识码： A 文章编号： 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

图像分割的技术已经广泛应用于医学、军事、考古修复、工业控制等多个方面。在交通领域中利用图像测量检测车辆外形超限更是与图像分割有着密切的联系。常用的图像分割方法主要有阈值分割法，边缘分割法和区域分割法三种。阈值分割法虽然方法简单，但是阈值的选取很大程度上影响图像分割效果，它只考虑像素本身灰度值而不考虑图像的空间分布使得分割结果对噪声很敏感。边缘分割法利用各种边缘检测算子检测边缘，利用边缘对图像进行分割。但图像中的边缘信息复杂，背景信息与噪声对边缘提取有非常大的影响。区域分割方法有诸多不足之处：

（1） 分割结果受种子点选取影响；

（2） 对噪声敏感；

（3） 对面积大的区域计算缓慢；

（4） 容易产生过分割现象。

为了较好地处理上述问题，文献[1]利用遗传算法结合二维最大熵值的图像分割法，加快的分割速度与效率。但是在遗传算法中多使用的评估函数的设计、初始种群的选择有一定的依赖性。文献[2]利用均值漂移法去除显微镜的灰度背景，该方法能够在保持图像基本特征的基础上将图像分割成一些子区域，但是在分割小目标和快速移动的目标时效果不佳。文献[3]利用均值漂移法结合蚁群聚类算法分割图像，在聚类分析时如何评定样本之间类似程度和如何根据样本类似程度将样本划分为不同群时存在很多问题。

本文提出一种基于形状角与分块图像的图像分割算法。首先对于交通视频采集图像利用帧差法削弱背景影响，选择Canny算子边缘检测。边缘化之后的图像会出现较多的轮廓，确定一个最大ROI区域，在此区域中利用形状角的几何不变性识别并检测车辆边缘轮廓。利用行列扫描确定该轮廓的最小矩形区域。最后在最小矩形区域中，以子块中包含轮廓线的像素点占有率作为投票的标准，最终将前景信息分割出来。

1 图像预处理

1.1 背景削弱

为了减小图像中背景边缘的影响，使图像中无关的背景边缘信息尽可能的滤除。利用帧差法，将现有前景图像与背景图像做减运算。帧差法虽然在背景的去除上存在一系列问题，不能完全地将背景移除，但是能够减小很大一部分背景边缘的影响。帧差法背景削弱效果图如图1所示。背景信息基本滤除，车辆前景保存较好。

1.2 边缘提取

经过背景削弱处理的图像需要对其边缘提取，而边缘检测算子各有其适用方面。Roberts算子对边缘定位精度高，但不具备抑制噪声能力；Sobel算子对图像先加权平滑处理，在边缘增强效果与抑制噪声方面都比较好，但边缘容易出现多像素宽度；Canny算子是基于最优化思想推到出来的边缘检测算子，该算子综合考虑了噪声，边缘等因素影响，采用双阈值检测和连接边缘具有较好的效果。其效果如图2所示。

形状角的大小仅与轮廓的几何形状有关，与其所在位置与方向无关，因此可以通过对车辆轮廓的采集得到车辆形状角大小的区间，并以此作为后文中识别车辆轮廓的依据。

2.2 基于形状角的目标定位

由于形状角的大小能够确定一种轮廓。反之，一种轮廓也能确定形状的大小。在实际交通收费口处，摄像头与道路的角度基本固定，车辆在图像中呈现的轮廓与位置也基本固定。选取车辆在图像中出现的最大可能区域作为ROI，并取车辆轮廓的平均形状角a。对于所有形状角在[a-e，a+e]区间上的轮廓并同样处于ROI中，就可以初步认定为是车辆轮廓。随机背景以及帧差法中可能存在的部分背景轮廓对车辆轮廓有干扰，所以对边缘算子检测后的物体轮廓进行滤波，从而提高了检测的精度。

获取ROI中形状角满足上述要求的轮廓后，用行列扫描的方法将ROI区域中包含车辆轮廓的最小矩形分割出来。其分割过程示意图如图4所示。

3 基于图像分块投票的前景提取

3.1 图像子块的划分

用形状角可以将图像中目标物体的边缘识别，并可以用最小矩形区域初步分割所需提取的前景图像。为了更加精确地分割目标物体，本文采用分块图像中像素点投票的方式确定边缘。把一幅图像分为多个互不重叠的I×J的子块。子块划分大小与目标物体轮廓的大小有关。子块过大，则会造成分割出的边缘粗糙，不能达到较好的分割效果；子块太小，则计算量显著增加，造成系统运行缓慢。

针对随机变化的车辆轮廓区域，取最小矩形区域大小作为车辆轮廓的参照，并以此为基础进行图像分块。采用等面积、正方形区域分块，通常子块为最小矩形区域的[1300～1200。]

3.2 基于像素点投票的前景提取

图像分块之后，将子块图像分为背景块与前景块。经过预处理的图像为二值图像，故采用子块中边缘轮廓占子块像素点百分比大小作为判定标准。当子块处于目标前景的边缘位置时，子块中必定有一部分像素点属于边缘点。

如果在子块中边缘点所占像素与子块的总像素百分比超过某一阈值T，则可以认定该子块投票为前景块。由于只针对边缘轮廓检测，根据确定的边缘来确定整个目标前景，所以边缘提取需要非常精确。这就需要在投票分割之前将图像子块的合适划分大小确定。对于初步分块后的图像，将含有边缘的子块选出。统计边缘像素在各个子块中平均占有比例F。如果F小于30%，则将子块缩小，重新统计。直到找到F大于30%的字块大小。

实验发现，在合适的子块划分后，当T大于50%时能够比较精确的满足分割背景边缘的要求。由已经确定的边缘前景子块向内生长，而确定所有前景子块。将轮廓图像中前景子块在原图像中对应位置的像素点进行替换，以原图像的前景图替代轮廓图像中的前景，提高分割效果的清晰性。

4 实验方法及结果

首先用帧差法削弱背景影响、Canny算子提取边缘，完成图像预处理。然后，在整张图像中确定一个最大的ROI，在最大ROI中利用形状角的几何不变性识别并确认车辆轮廓。用行列扫描法确定一个包含车辆轮廓的最小矩形区域。在该区域中对图像进行分块投票，将前景块与背景块分开。最后，将前景块用其对应的原图像代替，得到分割图像。

5 结 论

文章提出一种基于形状角和分块图像的车辆轮廓分割算法。利用形状角识别并定位车辆，在最小矩形区域中对图像分块投票区别前景与背景块。相比传统的图像分割方法，该算法简单，具有良好的实时性与鲁棒性。有针对性地解决车辆的识别与提取中存在的问题，并拥有良好的实验效果。

参考文献

[1] 欧萍，贺电.遗传算法粒在二维最大熵值图像分割中的应用[J].计算机仿真，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] 刘玲星.基于均值漂移和改进的蚁群聚类算法的图像分割[D].长沙：中南大学，2012.

[4] 秦开怀.一种基于Hough变换的圆形和矩形的快速检测方法[J]中国图象图形学报，2010，15（1）：109?115.

[5] 贺助理.基于图像能见度检测技术研究[D].长沙：长沙理工大学，2012.

[6] 彭丽.基于边缘信息的阈值图像分割[D].长沙：中南大学，2009.

[7] 何俊.图像分割算法研究综述[J].计算机工程与科学，2009，31（12）：58?61.

[8] 刘达志.一种基于边缘检测及纹理分析的水坝图像分割算法[J].计算机工程与应用，2005（1）：221?223.

[9] PRATT W K.数字图像处理[M].北京：机械工业出版社，2005.

[10] 刘卫国. Matlab程序设计[M].北京：高等教育出版社，2006.

[11] 杨利萍.基于形状先验的水平集图像分割研究[D].北京：北京交通大学，2012.

2.2 基于形状角的目标定位

由于形状角的大小能够确定一种轮廓。反之，一种轮廓也能确定形状的大小。在实际交通收费口处，摄像头与道路的角度基本固定，车辆在图像中呈现的轮廓与位置也基本固定。选取车辆在图像中出现的最大可能区域作为ROI，并取车辆轮廓的平均形状角a。对于所有形状角在[a-e，a+e]区间上的轮廓并同样处于ROI中，就可以初步认定为是车辆轮廓。随机背景以及帧差法中可能存在的部分背景轮廓对车辆轮廓有干扰，所以对边缘算子检测后的物体轮廓进行滤波，从而提高了检测的精度。

获取ROI中形状角满足上述要求的轮廓后，用行列扫描的方法将ROI区域中包含车辆轮廓的最小矩形分割出来。其分割过程示意图如图4所示。

3 基于图像分块投票的前景提取

3.1 图像子块的划分

用形状角可以将图像中目标物体的边缘识别，并可以用最小矩形区域初步分割所需提取的前景图像。为了更加精确地分割目标物体，本文采用分块图像中像素点投票的方式确定边缘。把一幅图像分为多个互不重叠的I×J的子块。子块划分大小与目标物体轮廓的大小有关。子块过大，则会造成分割出的边缘粗糙，不能达到较好的分割效果；子块太小，则计算量显著增加，造成系统运行缓慢。

针对随机变化的车辆轮廓区域，取最小矩形区域大小作为车辆轮廓的参照，并以此为基础进行图像分块。采用等面积、正方形区域分块，通常子块为最小矩形区域的[1300～1200。]

3.2 基于像素点投票的前景提取

图像分块之后，将子块图像分为背景块与前景块。经过预处理的图像为二值图像，故采用子块中边缘轮廓占子块像素点百分比大小作为判定标准。当子块处于目标前景的边缘位置时，子块中必定有一部分像素点属于边缘点。

如果在子块中边缘点所占像素与子块的总像素百分比超过某一阈值T，则可以认定该子块投票为前景块。由于只针对边缘轮廓检测，根据确定的边缘来确定整个目标前景，所以边缘提取需要非常精确。这就需要在投票分割之前将图像子块的合适划分大小确定。对于初步分块后的图像，将含有边缘的子块选出。统计边缘像素在各个子块中平均占有比例F。如果F小于30%，则将子块缩小，重新统计。直到找到F大于30%的字块大小。

实验发现，在合适的子块划分后，当T大于50%时能够比较精确的满足分割背景边缘的要求。由已经确定的边缘前景子块向内生长，而确定所有前景子块。将轮廓图像中前景子块在原图像中对应位置的像素点进行替换，以原图像的前景图替代轮廓图像中的前景，提高分割效果的清晰性。

4 实验方法及结果

首先用帧差法削弱背景影响、Canny算子提取边缘，完成图像预处理。然后，在整张图像中确定一个最大的ROI，在最大ROI中利用形状角的几何不变性识别并确认车辆轮廓。用行列扫描法确定一个包含车辆轮廓的最小矩形区域。在该区域中对图像进行分块投票，将前景块与背景块分开。最后，将前景块用其对应的原图像代替，得到分割图像。

5 结 论

文章提出一种基于形状角和分块图像的车辆轮廓分割算法。利用形状角识别并定位车辆，在最小矩形区域中对图像分块投票区别前景与背景块。相比传统的图像分割方法，该算法简单，具有良好的实时性与鲁棒性。有针对性地解决车辆的识别与提取中存在的问题，并拥有良好的实验效果。

参考文献

[1] 欧萍，贺电.遗传算法粒在二维最大熵值图像分割中的应用[J].计算机仿真，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] 刘玲星.基于均值漂移和改进的蚁群聚类算法的图像分割[D].长沙：中南大学，2012.

[4] 秦开怀.一种基于Hough变换的圆形和矩形的快速检测方法[J]中国图象图形学报，2010，15（1）：109?115.

[5] 贺助理.基于图像能见度检测技术研究[D].长沙：长沙理工大学，2012.

[6] 彭丽.基于边缘信息的阈值图像分割[D].长沙：中南大学，2009.

[7] 何俊.图像分割算法研究综述[J].计算机工程与科学，2009，31（12）：58?61.

[8] 刘达志.一种基于边缘检测及纹理分析的水坝图像分割算法[J].计算机工程与应用，2005（1）：221?223.

[9] PRATT W K.数字图像处理[M].北京：机械工业出版社，2005.

[10] 刘卫国. Matlab程序设计[M].北京：高等教育出版社，2006.

[11] 杨利萍.基于形状先验的水平集图像分割研究[D].北京：北京交通大学，2012.

2.2 基于形状角的目标定位

由于形状角的大小能够确定一种轮廓。反之，一种轮廓也能确定形状的大小。在实际交通收费口处，摄像头与道路的角度基本固定，车辆在图像中呈现的轮廓与位置也基本固定。选取车辆在图像中出现的最大可能区域作为ROI，并取车辆轮廓的平均形状角a。对于所有形状角在[a-e，a+e]区间上的轮廓并同样处于ROI中，就可以初步认定为是车辆轮廓。随机背景以及帧差法中可能存在的部分背景轮廓对车辆轮廓有干扰，所以对边缘算子检测后的物体轮廓进行滤波，从而提高了检测的精度。

获取ROI中形状角满足上述要求的轮廓后，用行列扫描的方法将ROI区域中包含车辆轮廓的最小矩形分割出来。其分割过程示意图如图4所示。

3 基于图像分块投票的前景提取

3.1 图像子块的划分

用形状角可以将图像中目标物体的边缘识别，并可以用最小矩形区域初步分割所需提取的前景图像。为了更加精确地分割目标物体，本文采用分块图像中像素点投票的方式确定边缘。把一幅图像分为多个互不重叠的I×J的子块。子块划分大小与目标物体轮廓的大小有关。子块过大，则会造成分割出的边缘粗糙，不能达到较好的分割效果；子块太小，则计算量显著增加，造成系统运行缓慢。

针对随机变化的车辆轮廓区域，取最小矩形区域大小作为车辆轮廓的参照，并以此为基础进行图像分块。采用等面积、正方形区域分块，通常子块为最小矩形区域的[1300～1200。]

3.2 基于像素点投票的前景提取

图像分块之后，将子块图像分为背景块与前景块。经过预处理的图像为二值图像，故采用子块中边缘轮廓占子块像素点百分比大小作为判定标准。当子块处于目标前景的边缘位置时，子块中必定有一部分像素点属于边缘点。

如果在子块中边缘点所占像素与子块的总像素百分比超过某一阈值T，则可以认定该子块投票为前景块。由于只针对边缘轮廓检测，根据确定的边缘来确定整个目标前景，所以边缘提取需要非常精确。这就需要在投票分割之前将图像子块的合适划分大小确定。对于初步分块后的图像，将含有边缘的子块选出。统计边缘像素在各个子块中平均占有比例F。如果F小于30%，则将子块缩小，重新统计。直到找到F大于30%的字块大小。

实验发现，在合适的子块划分后，当T大于50%时能够比较精确的满足分割背景边缘的要求。由已经确定的边缘前景子块向内生长，而确定所有前景子块。将轮廓图像中前景子块在原图像中对应位置的像素点进行替换，以原图像的前景图替代轮廓图像中的前景，提高分割效果的清晰性。

4 实验方法及结果

首先用帧差法削弱背景影响、Canny算子提取边缘，完成图像预处理。然后，在整张图像中确定一个最大的ROI，在最大ROI中利用形状角的几何不变性识别并确认车辆轮廓。用行列扫描法确定一个包含车辆轮廓的最小矩形区域。在该区域中对图像进行分块投票，将前景块与背景块分开。最后，将前景块用其对应的原图像代替，得到分割图像。

5 结 论

文章提出一种基于形状角和分块图像的车辆轮廓分割算法。利用形状角识别并定位车辆，在最小矩形区域中对图像分块投票区别前景与背景块。相比传统的图像分割方法，该算法简单，具有良好的实时性与鲁棒性。有针对性地解决车辆的识别与提取中存在的问题，并拥有良好的实验效果。

参考文献

[1] 欧萍，贺电.遗传算法粒在二维最大熵值图像分割中的应用[J].计算机仿真，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] 刘玲星.基于均值漂移和改进的蚁群聚类算法的图像分割[D].长沙：中南大学，2012.

[4] 秦开怀.一种基于Hough变换的圆形和矩形的快速检测方法[J]中国图象图形学报，2010，15（1）：109?115.

[5] 贺助理.基于图像能见度检测技术研究[D].长沙：长沙理工大学，2012.

[6] 彭丽.基于边缘信息的阈值图像分割[D].长沙：中南大学，2009.

[7] 何俊.图像分割算法研究综述[J].计算机工程与科学，2009，31（12）：58?61.

[8] 刘达志.一种基于边缘检测及纹理分析的水坝图像分割算法[J].计算机工程与应用，2005（1）：221?223.

[9] PRATT W K.数字图像处理[M].北京：机械工业出版社，2005.

[10] 刘卫国. Matlab程序设计[M].北京：高等教育出版社，2006.

[11] 杨利萍.基于形状先验的水平集图像分割研究[D].北京：北京交通大学，2012.