1.交通监控场景的车辆分割方法，其特征在于：其融合角点特征、运动纹理特征和颜色特征来分割车辆边缘，其步骤如下：(1)背景提取和背景更新环节，通过自适应背景模型实现自适应监控场景的光线变化，所述自适应背景模型是自适应地调整参数值来改变背景更新的速度；

(2)背景差分和前景提取环节，通过背景差分提取运动的前景，得到差分后的运动像素点掩膜模板；

(3)颜色空间分析环节，通过颜色空间分析提取运动的场景中颜色特征突出的部分，得到颜色特征掩膜模板；

(4)角点提取和角点聚类环节，通过角点提取和角点聚类发掘运动的前景中颜色特征不明显的区域，得到角点掩膜模板；

(5)多重掩膜和车辆分割环节，通过对运动像素点掩膜模板、颜色特征掩膜模板、角点掩膜模板进行多重掩膜来得到最终的车辆像素，完成车辆的边缘分割。

2.根据权利要求1所述的交通监控场景的车辆分割方法，其特征在于：步骤(1)的背景提取和背景更新环节的自适应背景模型如下：其中 是位于位置(x，y)处的像素点的运动掩模，当其值为1时表示该像素点是运动的，当其值为0时表示该点的像素值和参考背景相比没有变化或者认为是没有变化；α是常量表示背景更新的速度，数值越小，跟新的速度越快，反之则相反，该数值的确定可以由式(3)得到；

其中 表示运动模板中所有非运动的像素点，card(S)表示点集合中元素的个数。

3.根据权利要求1或2所述的交通监控场景的车辆分割方法，其特征在于：步骤(2)中的背景差分和前景提取环节，首先是通过式(4)得到差分图像，然后，通过式(5)获得差分后的运动掩模模板；

其中，式(5)得到的结果即是(1)式所描述内容。

4.根据权利要求3所述的交通监控场景的车辆分割方法，其特征在于：步骤(3)中颜色空间分析环节是基于RGB颜色空间的，首先定义αn(x，y)是公式(6)取最小值时候的数值；其次，定义CDn(x，y)作为在颜色空间分析的颜色距离量，如式(7)；

据此，得到颜色特征掩膜掩模 颜色特征掩膜模板如式(8)所示；

α CD

其中T 和T 是根据实际监控场景得到的自适应阈值；当 为1时表示该像素点位置根据颜色信息被判定为运动点，即为运动车辆像素点，否则被判断为背景点。

5.根据权利要求4所述的交通监控场景的车辆分割方法，其特征在于：步骤(4)中的角点提取和角点聚类环节的角点提取采用16邻域判定的方法提取角点，角点聚类方法采用距离测度如(9)式所示；

通过角点提取和角点聚类算法，可以获得通过角点特征得到的车辆位置检测结果，角点掩膜模板如(10)式所示：其中，(x，y)∈{ωn}N表示该点属于聚类空间集。

6.根据权利要求5所述的交通监控场景的车辆分割方法，其特征在于：步骤(5)中多重掩膜和车辆分割环节中的多重掩膜公式如(11)所示：B

其中， 由式(5)得到， 由式(8)得到， 由式(10)得到；H(B)指的是进行凸包运算， 是得到的最终车辆像素。