[发明专利]基于格式塔视觉原理的运动目标区域整合优化方法

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。