夜間車流量檢測(cè)算法中路面反射光的消除方法

歐陽(yáng)韜,朱明旱

（湖南文理學(xué)院 電氣與信息工程學(xué)院，湖南 常德 415000）

智能交通系統(tǒng)是現(xiàn)代交通管理的有效手段,其中負(fù)責(zé)采集交通流量信息的交通監(jiān)測(cè)系統(tǒng)是它的重要部分。目前國(guó)內(nèi)大多數(shù)城市的交通監(jiān)測(cè)系統(tǒng)是采用地埋式感應(yīng)線圈的方法來(lái)獲取交通信息,由于這種交通流量檢測(cè)設(shè)備要埋在路面以下,因而要損壞原有路面,使得安裝和維護(hù)很不方便,而且存在抗干擾性差、精度欠佳等缺點(diǎn)。近年來(lái)隨著計(jì)算機(jī)和圖像處理技術(shù)的不斷發(fā)展,利用機(jī)器視覺(jué)技術(shù)來(lái)進(jìn)行車輛檢測(cè)成為一種新的替代方法,有望取代傳統(tǒng)檢測(cè)器，成為現(xiàn)代智能交通系統(tǒng)的一個(gè)重要組成部分[1]。

在交通流量的視頻檢測(cè)中，夜間車輛的檢測(cè)一直是一個(gè)難題。這主要是因?yàn)橐归g道路的照明條件較差，車身的可見(jiàn)度很低，無(wú)法像在白天一樣，可以通過(guò)對(duì)相鄰幀的幀間差分[2]、背景差分[3-4]或者光流法[5-6]來(lái)檢測(cè)運(yùn)動(dòng)車輛。即使在照明條件較好的路段，可以采用一種基于梯度濾波和級(jí)聯(lián)形態(tài)學(xué)濾波的夜間車輛檢測(cè)方法，車燈投射光線在路面形成的大面積強(qiáng)反射區(qū)域也會(huì)干擾車輛的檢測(cè)[7]。一些學(xué)者觀察到車前燈是夜間車輛最明顯的特征，通過(guò)提取出車前燈進(jìn)行車流量檢測(cè)，但他們大都沒(méi)有很好地解決路面反射光的問(wèn)題，使得車前燈的提取不是十分準(zhǔn)確。吳海濤等人[8]采用基于形態(tài)學(xué)的方法，把車燈以及車燈在路面清晰規(guī)則的投影一起提取出來(lái)，然后進(jìn)行車燈配對(duì)，但他們考慮的情況比較理想，實(shí)際的夜間環(huán)境下車燈在路面的反射光區(qū)域是無(wú)規(guī)則的，而不是與車燈成鏡像關(guān)系。Wei Zhang,Q.M.J.Wu等人[9]利用馬爾科夫隨機(jī)場(chǎng)的理論，通過(guò)計(jì)算最大后驗(yàn)概率有效地把車燈和反射光區(qū)分為不同的標(biāo)號(hào)場(chǎng)，進(jìn)而實(shí)現(xiàn)車前燈的提取，但是這種方法運(yùn)算量較大，當(dāng)圖像像素比較高時(shí)難以達(dá)到實(shí)時(shí)性的要求。

為了很好地解決路面反射光對(duì)提取車燈的干擾這一問(wèn)題，吳志偉等人[10]用區(qū)域生長(zhǎng)法一并提取出車燈和反射光，然后對(duì)分割出的每個(gè)連通域計(jì)算其圓形度、面積和周長(zhǎng)等特征參數(shù)，根據(jù)經(jīng)驗(yàn)設(shè)定固定的閾值，如果某個(gè)連通域的參數(shù)在閾值范圍內(nèi)，則標(biāo)記為車燈；但是他們沒(méi)有充分考慮小前燈與大前燈粘連的復(fù)雜情況，此時(shí)車燈已不再近似呈圓形，而且車燈互相粘連形成的連通域的面積和周長(zhǎng)也會(huì)超出閾值的范圍。本文在他們研究的基礎(chǔ)上提出了一種通過(guò)計(jì)算各個(gè)連通域邊界點(diǎn)到質(zhì)點(diǎn)的方差來(lái)消除路面反射光的方法。首先將彩色圖像灰度化，然后根據(jù)選定的“種子點(diǎn)”進(jìn)行區(qū)域生長(zhǎng)，這樣有效地提取出了車燈和路面反射光。接著，分別計(jì)算各個(gè)連通域的質(zhì)心坐標(biāo)和邊界點(diǎn)坐標(biāo)，求出每個(gè)邊界點(diǎn)到其質(zhì)點(diǎn)的距離，并計(jì)算出這些距離值的方差。最后刪除方差大于閾值的連通域，這樣就很好地提取出來(lái)了車前燈的圖像信息。實(shí)驗(yàn)結(jié)果證明，該方法能夠有效地消除路面反射光，提高了夜間車輛檢測(cè)的魯棒性及其檢測(cè)精度。

1 基于區(qū)域生長(zhǎng)法的圖像分割

通過(guò)分析所采集的夜間交通視頻后發(fā)現(xiàn)，車前燈和反射光所在區(qū)域亮度值很高，R、G、B 3個(gè)顏色分量值都很接近255，因此無(wú)需用到顏色值。為了減少計(jì)算量，在圖像分割之前采用下列公式對(duì)彩色圖像進(jìn)行灰度化：

式（1）指灰度圖像的灰度值等于彩色圖像三通道的加權(quán)和，R、G、B為紅、綠、藍(lán)三分量，其中權(quán)值為前人實(shí)驗(yàn)和理論推導(dǎo)證明得出的最合理的值。

在圖像分割中比較普遍的方法是門限處理，但這種方法僅對(duì)灰度直方圖是雙峰的情況比較好處理。而夜間車輛通行圖像的灰度直方圖一般是多峰的，無(wú)法確定合適的閾值，對(duì)于這種圖像，用區(qū)域生長(zhǎng)方法能夠得到很好的解決[11]。

根據(jù)車前燈和路面反射光區(qū)域總有一些像素值接近255的這一特點(diǎn)，可以用一個(gè)較高的閾值分割出部分車燈和反射光區(qū)域，并把它們作為區(qū)域生長(zhǎng)的“種子”點(diǎn)。但由于車輛在行駛過(guò)程中，車燈亮度值會(huì)發(fā)生動(dòng)態(tài)變化，設(shè)定固定閾值可能會(huì)導(dǎo)致沒(méi)有“種子”點(diǎn)的情況。因此文獻(xiàn)[10]提出了一種基于灰度直方圖的自動(dòng)求取閾值的方法——求取圖像灰度直方圖極小值點(diǎn)所對(duì)應(yīng)的最大灰度值Thr1作為分割閾值。

考慮到受噪聲的影響，首先需要對(duì)灰度直方圖進(jìn)行平滑處理，令第i個(gè)灰度值的個(gè)數(shù)等于前后3個(gè)灰度值個(gè)數(shù)的加權(quán)和：

先定義符號(hào)函數(shù)：

極小值點(diǎn)對(duì)應(yīng)的灰度值可以用下列公式求?。?/p>

為了避免灰度直方圖求取的閾值過(guò)小，導(dǎo)致選取的“種子”點(diǎn)過(guò)多，設(shè)置一個(gè)最低值ThrMin，如果基于直方圖的動(dòng)態(tài)閾值Thr1低于 ThrMin，則令 Thr1等于ThrMin。

由于車燈灰度值從車燈中心開(kāi)始衰減，一般都有一個(gè)下限，因此文獻(xiàn)[10]還設(shè)計(jì)了兩個(gè)準(zhǔn)則：1)設(shè)置一個(gè)較低的閾值Thr2，與“種子”像素相鄰且灰度值高于Thr2的像素為相似像素；2)為了提取出較完整的車燈，相鄰像素與“種子”像素必須用8連通的。

2 路面反射光的消除方法

通過(guò)觀察所采集到的圖像，本文總結(jié)出車燈與路面反射光最明顯的特征差異是：路面反射光區(qū)域具有不規(guī)則的形狀且面積一般比車燈區(qū)域大很多。因此，可以對(duì)圖像分割后的像素集進(jìn)行表示和數(shù)學(xué)統(tǒng)計(jì)分析，根據(jù)統(tǒng)計(jì)特性來(lái)區(qū)分車燈連通域與路面反射光連通域。

圖1和圖2分別為分割后的某圖像中車燈連通域和反射光連通域邊界點(diǎn)到質(zhì)點(diǎn)的距離統(tǒng)計(jì)圖。其中，橫坐標(biāo)表示邊界點(diǎn)的序號(hào)，縱坐標(biāo)表示連通域邊界點(diǎn)坐標(biāo)到質(zhì)點(diǎn)坐標(biāo)的歐幾里得距離。可以明顯看出，圖1中的曲線比較平緩，近似于一根直線；而圖2中的曲線波動(dòng)比較大。

圖1 車燈連通域邊界點(diǎn)到質(zhì)點(diǎn)的距離統(tǒng)計(jì)圖Fig.1 The statistical chart of the distance which is from connected domain boundary point of the vehicle headlight to its particle

圖7 反射光連通域邊界點(diǎn)到質(zhì)點(diǎn)的距離統(tǒng)計(jì)圖Fig.7 The statistical chart of the distance which is from connected domain boundary point of the reflected light to its particle

進(jìn)一步分別計(jì)算圖1和圖2中所有距離值的方差，可以得到圖1的方差 σ21=5.296，圖2的方差 σ22=460.090，可見(jiàn) σ22遠(yuǎn)遠(yuǎn)大于σ21。通過(guò)對(duì)更多其他圖像的分析和計(jì)算，同樣具有上述現(xiàn)象和結(jié)果。因此，可以利用方差σ2的大小來(lái)描述連通域的形狀規(guī)則程度：σ2越大說(shuō)明該連通域的形狀越不規(guī)則，反之，σ2越小說(shuō)明該連通域的形狀越規(guī)則。

同時(shí)，σ2的大小隱含了連通域的面積信息。面積大的連通域，其邊界點(diǎn)的數(shù)目也越多，邊界點(diǎn)到質(zhì)點(diǎn)的平均距離也越大，所以比起面積小的連通域，σ2對(duì)面積大的連通域的形狀規(guī)則程度更加敏感。綜上所述，σ2越大，該連通域是路面反射光的可能性就越大，所以可以根據(jù)σ2的大小來(lái)區(qū)分出反射光區(qū)域，并進(jìn)一步消除該區(qū)域。

路面反射光消除算法的具體步驟如下：

1)遍歷所有連通域，并給各個(gè)連通域編上序號(hào)。

2)求出第一個(gè)連通域邊界點(diǎn)的坐標(biāo)和質(zhì)點(diǎn)的坐標(biāo)，先計(jì)算出它們之間的距離大小，再計(jì)算出這一組距離值的方差。

3)重復(fù)第二步操作，直至計(jì)算出最后一個(gè)連通域的方差值。

3 實(shí)驗(yàn)結(jié)果與分析

圖3、圖4分別為視頻甲和視頻乙中獲取的一幀圖像；圖5、圖8分別為視頻甲和視頻乙ROI(Region of Interest)區(qū)域的灰度圖像；圖6、圖9分別為圖5和圖8區(qū)域生長(zhǎng)后形成的圖像，可以看出車燈和路面反射光都很好地提取出來(lái)了；圖7、圖10為使用本文提出的算法處理后的圖像，可見(jiàn)，路面反射光得到了很好的消除，圖像甲和圖像乙中的車前燈都有效地分別提取成功。

圖3 圖像甲Fig.3 Picture A

圖4 圖像乙Fig.4 Picture B

圖5 圖像甲R(shí)OI區(qū)域的灰度圖像Fig.5 The grayscale image of ROI of the picture A

圖6 圖像甲區(qū)域生長(zhǎng)后的圖像Fig.6 The picture A that is used region growing method

圖7 本文算法處理后的圖像甲Fig.7 The picture A that is used the algorithm of this paper

圖8 圖像乙ROI區(qū)域的灰度圖像Fig.8 The grayscale image of ROI of the picture B

圖9 圖像乙區(qū)域生長(zhǎng)后的圖像Fig.9 The picture B that is used region growing method

圖10 本文算法處理后的圖像乙Fig.10 The picture B that is used the algorithm of this paper

特別地，圖10的結(jié)果表明，即使小前燈與大前燈粘在一起，而且反射光區(qū)域面積接近車燈區(qū)域面積，本文所提出的算法依然能夠消除路面反射光，提取出車前燈。而傳統(tǒng)的計(jì)算連通域圓形度、面積和周長(zhǎng)的方法均不能有效地處理這種復(fù)雜的情況。從圖10的結(jié)果還可以看出來(lái)，如果車輛為摩托車或者汽車的某一邊車燈損壞，只有一個(gè)車前燈，本文提出的算法依然有效，而不像某些傳統(tǒng)的算法那樣會(huì)遺漏這種情況下的車輛。

總之，實(shí)驗(yàn)結(jié)果表明，該方法能夠有效地消除路面反射光，而且具有較強(qiáng)的魯棒性，為清晰地提取出車前燈提供了一種新的思路。

4 結(jié)論

對(duì)于基于車前燈的夜間車流量檢測(cè)系統(tǒng)而言，能否有效地減少路面反射光對(duì)車燈提取的干擾是檢測(cè)精度能否提高的關(guān)鍵。本文分析了現(xiàn)有算法的優(yōu)缺點(diǎn)，對(duì)之前提取車前燈的方式作了改進(jìn)，提出了一種通過(guò)計(jì)算方差大小來(lái)消除路面反射光的方法，該方法降低了算法的復(fù)雜度，減小了運(yùn)算量，實(shí)現(xiàn)了快速、準(zhǔn)確地提取出車前燈。實(shí)驗(yàn)結(jié)果表明：該算法適應(yīng)性強(qiáng)，易實(shí)現(xiàn)，計(jì)算量小，滿足系統(tǒng)實(shí)時(shí)性的需要。

[1]王圣男，郁梅，蔣剛毅.智能交通系統(tǒng)中基于視頻圖像處理的車輛檢測(cè)與跟蹤方法綜述[J].計(jì)算機(jī)應(yīng)用研究，2005(9)：9-14.WANG Sheng-nan,YU Mei,JIANG Gang-yi.Review on vehicle detection and tracking techniques based on video processing in intelligent transportation systems[J].Application Research of Computers,2005(9):9-14.

[2]Lipton A J,Fujiyoshi H,Patil R S.Moving target classification and tracking from real-time video[C]//Applications of Computer Vision,1998.WACV'98.Proceedings.,Fourth IEEE Workshop on.IEEE,1998:8-14.

[3]于成忠,朱駿,袁曉輝.基于背景差法的運(yùn)動(dòng)目標(biāo)檢測(cè)[J].東南大學(xué)學(xué)報(bào):自然科學(xué)版,2005,35(A02):159-161.YU Cheng-zhong,ZHU Jun,YUAN Xiao-hui.Video object detection based on background subtraction [J].Journal of Southeast University:Natural Science Edition,2005,35(A02):159-161.

[4]錢晉.基于背景差法的視頻車輛檢測(cè)算法研究 [D].上海:上海交通大學(xué),2007

[5]Barron J L,Fleet D J,Beauchemin S S.Performance of optical flow techniques[J].International journal of computer vision,1994,12(1):43-77.

[6]Bruhn A,Weickert J,Feddern C,et al.Variational optical flow computation in real time[J].IEEE Transactions on Image Processing,2005,14(5):608-615.

[7]陳柏生，陳鍛生.采用梯度濾波方法的夜間車輛檢測(cè)[J].華僑大學(xué)學(xué)報(bào):自然科學(xué)版，2009，30：42-44.CHEN Bai-sheng,CHEN Duan-sheng.Nighttime vehicle detection based on Grad-Filtering[J].Journal of Huaqiao University:Natural Science,2009，30：42-44.

[8]吳海濤.復(fù)雜環(huán)境下的夜間車輛檢測(cè)與交通視頻晝夜亮度變化模型研究[D].上海：上海交通大學(xué)，2007.

[9]Zhang W,Wu Q M J,Wang G,et al.Tracking and pairing vehicle headlight in night scenes[J].IEEE Transactions on Intelligent Transportation Systems,2012,13(1):140-153.

[10]吳志偉.基于視頻的車流量檢測(cè)技術(shù)研究[D].廣州：華南理工大學(xué)，2012.

[11]岡薩雷斯.數(shù)字圖像處理[M].阮秋琦、阮宇智譯.2版.北京:電子工業(yè)出版社，2007.