基于格式塔视觉原理的运动目标区域整合优化方法

摘要

本发明提供一种基于格式塔视觉原理的运动目标区域整合优化方法，包括规则抽象阶段和整合优化阶段。本发明的基于格式塔视觉原理的运动目标区域整合优化方法，根据格式塔视觉原理的两个原则，抽象出将两个目标车辆区域整合的规则，当两个目标满足所有整合条件的时候，将两个目标整合为一个目标，回归这两个目标本身该有的整体特性。

说明书

技术领域

本发明涉及一种运动目标整合优化方法，尤其涉及一种基于格式 塔视觉原理的运动目标区域整合优化方法。

背景技术

智能交通管理系统(ITS：Intelligent Traffic System)是目 前世界各国交通运输领域竞相研究和开发的热点。其主要目标是获取 道路信息以及车辆行为信息，包括车流量、车速、道路占有率、交通 事故检测等。在图像中进行运动车辆区域的检测的是智能交通系统的 重要技术之一，是实现ITS目标的核心方法，也是ITS实现自动化、 智能化和实时应用的关键。

在基于背景减除的传统目标检测方法中，由于光照以及车身颜色 等干扰，常常会出现“过度分割”的现象，表现为在检测的结果上出 现将一个车辆分割为几个不连通的区域。然而，使用连通区域分析来 区别不同车辆目标的方法，最终会将这些不连通的区域(本来属于一 个运动车辆，由于“过度分割”而被分为几个部分)标识为不同的车 辆目标，严重影响了检测的正确性，对后续对车辆目标的跟踪及更高 级的视频分析行为非常不利。因此采用一定的方法解决“过度分割” 的问题显得十分重要。

发明内容

本发明目的在于提供一种基于格式塔视觉原理的运动目标区域 整合优化方法，以提高运动目标检测的正确性。

为达成上述目的，本发明的基于格式塔视觉原理的运动目标区域 整合优化方法包括如下步骤：

1)规则抽象阶段：

a、将格式塔视觉原理所遵循的接近性原则和闭合性原则抽象为 目标整合所需满足的整合优化规则，即选定特征参数，并为特征参数 设定阈值，当特征参数与阈值满足设定条件时，整合两个目标；

b、结束。

2)整合优化阶段

a、收集目标提取得到的所有目标车辆区域到待整合队列Q中；

b、计算Q中两个目标t₁和t₂的整合特征参数，若该两个目标的所 有整合参数都能满足整合优化规则，则将两个目标合并成一个目标 t_new，在Q中删除t₁和t₂并加入t_new；否则，继续寻找可以和t₁整合的目 标；

c、循环执行步骤2)-b，直到任意两个目标的整合特征参数都不 能满足整合条件；

d、结束。

进一步，本发明中，步骤1)-a中所述的特征参数值包括宽距和 高距、宽相似比和高相似比、面积覆盖系数，将两个目标t₁和t₂的高 距阀值设定为图片高度的十分之一和宽距阀值设定为图片宽度的十 分之一，高相似比Ratio_H和宽相似比Ratio_W均设置为0.7，面积覆盖系 数设置为0.5，当宽距和高距分别小于高距阀值和宽距阀值、高相似 比Ratio_H和宽相似比Ratio_W均大于0.7且面积覆盖系数大于0.5时，整 合两个目标t₁和t₂。

本发明中，步骤2)-a中Q中每个目标车辆区域包括车辆区域的 外接矩形、在图像中的具体位置等信息。

进一步，本发明中，步骤2)-b的具体过程如下：

对Q中两个目标t₁和t₂，分别计算这两个目标的整合特征参数值， 包括宽距和高距(以像素为单位)、宽相似比和高相似比、面积覆盖 系数。

判断t₁和t₂的所有整合特征参数是否都符合整合条件。若是，则 将t₁和t₂合并为t_new，将t₁和t₂在队列Q中删除，同时添加t_new为新目标 区域；否则，循环判断t₁和余下目标的是否可以整合；

进一步，本发明中，步骤2)-c中当发现当前队列中所有目标均 不能满足整合条件，则结束扫描队列；返回整合结果；结束整合。

本发明的有益效果如下：本发明的基于格式塔视觉原理的运动目 标区域整合优化方法，根据格式塔视觉原理的接近性原则和闭合性原 则，抽象出将两个目标车辆区域整合的规则，当两个目标满足所有整 合条件的时候，将两个目标整合为一个目标，回归这两个目标本身该 有的整体特性。

附图说明

图1为智能交通管理系统工作流程图。

图2为本发明的基于格式塔视觉原理的运动目标区域整合优化 方法的流程图。

图3为基于格式塔视觉原理的运动目标区域整合优化方法的详 细流程图。

具体实施方式

为了更了解本发明的技术内容，特举具体实施例并配合所附图式 说明如下。

如图1所示，智能交通管理系统通过视频图像采集设备获取视频 图像数据，经图像预处理，运动车辆检测、目标整合，然后进行运动 车辆跟踪及后续高级处理。运动目标整合优化对后整个系统影响重大。

车辆检测是智能交通管理系统的核心步骤，通过背景减除的方法 进行车辆检测时“过度分割”现象的出现是难以避免的，本发明的思 路就是通过对检测后被过度分割的车辆恢复其整体现象，从而提高整 个智能交通管理系统的性能。车辆目标整合过程即本发明的基于格式 塔视觉原理的运动目标区域整合优化方法的流程图，如图2所示。

步骤0起始；

在规则抽象阶段(步骤1)，将格式塔视觉原理的两个重要原则， 即接近性原则和闭合性原则抽象抽象为目标整合所需满足的整合优 化规则，即选择特征参数，并为这些特征参数设定阈值，用以整合两 个目标的依据，整合特征参数包括宽距和高距、宽相似比和高相似比、 面积覆盖系数；本实施例中，将两个目标t₁和t₂的高距阀值设定为70 像素大小(图片高度的十分之一)和宽距阀值设定为50像素大小(图 片宽度的十分之一)，高相似比Ratio_H和宽相似比Ratio_W均设置为0.7， 面积覆盖系数设置为0.5，当宽距和高距分别小于高距阀值和宽距阀 值、高相似比Ratio_H和宽相似比Ratio_W均大于0.7且面积覆盖系数大于 0.5时，整合两个目标t₁和t₂。

在整合优化阶段(步骤2-4)，步骤2收集当前图像帧中所有运 动车辆的信息，并将这些运动车辆信息保存在队列中；

步骤3针对队列中的目标，依次计算两个目标的整合特征参数值。

步骤4判断两个目标的整合特征参数是否满足规定的条件，若符 合则将目标进行整合；

步骤5结束。

图3为基于格式塔视觉原理的运动目标区域整合优化方法的详 细流程图。

步骤30起始步骤；

步骤31收集当前帧中所有车辆区域到待整合队列Q中，设置第1 轮扫描的结束位置P，并将初始状态设置为第0轮整合结果；

步骤32选择队列Q中的对头目标记为t₁，然后依次扫描计算t₁与 当前扫描到的目标的整合参数值；

步骤33判断计算是否已达到该轮扫描位置P，若没有，则转到 34，否则转到38；

步骤34计算t₁与扫描到的目标的整合参数值；

步骤35判断步骤34计算的整合参数值是否满足整合条件，若是， 则转向步骤36，否则转向37；

步骤36将t₁和当前扫描到的目标进行整合为t_new，并加入队列队 尾；同时，从Q删除t₁和当前扫描到的目标；

步骤37当不符合整合条件时，将t₁移植队尾，当前扫描的对象转 到队列Q下一运动目标；

步骤38当扫描到的目标已经到了该轮结束位置，收集该轮整合 之后的结果，更新P的值；

步骤39判断连续两轮扫描结果是否相同(即第i轮扫描结果和第 i-1轮对比，i之1)。若两轮结果不同，则继续下一轮整合；否则，转 向3a；

步骤3a结束。

本发明的基于格式塔视觉原理的运动目标区域整合优化方法，根 据格式塔视觉原理的接近性原则和闭合性原则，抽象出将两个目标车 辆区域整合的规则，当两个目标满足所有整合条件的时候，将两个目 标整合为一个目标，回归这两个目标本身该有的整体特性。

虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。 本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范 围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利 要求书所界定者为准。