随着家用车普及率越来越高,人们如今经常使用汽车外出旅行。到达目的地后为了解决停车问题,许多车主会通过手机或车载导航找到附近停车场的位置。但是这样的系统只能显示停车场的位置,不能为车主提供停车场空余车位信息,车主进入停车场后依旧需要为寻找车位花费大量时间。人们迫切需求停车场能够提供诸如已有停车数量、空余车位数量等更详细的信息,而这就需要对已在停车位上的汽车进行目标检测。本文将聚类算法与图像处理结合,对停车场鸟瞰图进行图像分割并进一步处理得出停车场中车辆的目标检测图像,为后续研发一个停车场车辆信息管理系统提供基础信息,具体研究内容如下:(1)首先介绍几类常见的聚类算法:K-means、Mean Shift、FCM和DBSCAN算法的各自理论,讨论了各自算法的优缺点。并针对K-means算法、FCM算法的改进算法进行了探讨。将两个算法及其各自的改进算法ISODATA及ENFCM算法应用至图像分割中,经过高斯滤波、灰度变换、自适应二值化等处理后得到停车场车辆目标检测图像。通过对各算法的目标检测图像进行对比,证明改进算法优于各自原算法。(2)本文首先对密度峰值聚类算法(DPC)进行了理论介绍,讨论了其相比于其他算法的优越性,其次提出将DPC算法应用至图像分割中,在Lab颜色空间下对图像像素点的颜色特征向量进行提取,计算各像素点之间的相似性度量值,使用DPC算法进行聚类并得出停车场车辆目标检测图像。最终经过与ISODATA与FCM算法得出的目标检测图像进行对比,证明DPC目标检测图像不仅对图像噪声具有更强的鲁棒性,车辆轮廓相比于前两个算法的目标检测图像也更为完整。(3)DPC算法有许多优点,但也存在缺陷:因图像的像素点数目一般较大,DPC算法对像素点数量比较敏感导致运行时间较长。为了解决这一问题本文第一种改进方法是首先对停车场车辆彩色图像进行颜色量化处理,减少图像中各像素点的颜色数量,接着对经过颜色量化后的图像进行DPC聚类并处理得出车辆目标检测图像,实验证明经过颜色量化处理后的DPC聚类过程时长相比原DPC聚类过程普遍缩短40%左右。第二种改进方法是引入超像素分割算法(SLIC),与原DPC算法结合为一个新算法SLIC-DPC算法。本文首先对SLIC算法中颜色与空间距离值进行了研究,改进后的距离函数在处理边界和保留超像素块形状规则性上更优异。其次使用SLIC算法将图像分割成预先设定的k个小块,计算每个小块中像素点特征向量的平均值作为每块的代表向量,最终对代表向量进行DPC聚类并返回至图像中,实验证明使用SLIC-DPC算法得到的车辆目标检测图像相比于改进前算法所得到的车辆目标检测图像在车辆形状的保留度、噪声的处理上效果更好,并且运行时长大大缩短。