基于面积匹配优化K-均值聚类算法的图像分割处理方法技术

本发明专利技术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。

【技术实现步骤摘要】

本专利技术涉及视频检测
，特别涉及视频图像目标跟踪
，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。
技术介绍
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。
技术实现思路
本专利技术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，本专利技术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；(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。采用了本专利技术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为本专利技术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为本专利技术所采用的面积匹配优化K-均值聚类算法的流程图。图3为本专利技术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为本专利技术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。具体实施例方式为了能够更清楚地理解本专利技术的
技术实现思路
，特举以下实施例详细说明。请参阅图1所示，为本专利技术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⑶，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⑷；(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。在本专利技术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。在本专利技术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。在本专利技术的实际应用中，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，则进本文档来自技高网...

【技术保护点】

【技术特征摘要】

【专利技术属性】
技术研发人员：张慧，
申请(专利权)人：上海宝康电子控制工程有限公司，
类型：发明
国别省市：