考慮視覺傳達(dá)效果的夜視環(huán)境視覺定位方法研究

摘 要： 夜間環(huán)境下，采集的圖像對比度較低，容易受到周圍光照等因素的干擾，圖像中含有大量的干擾噪聲，沒有考慮視覺表達(dá)的干擾作用。提出一種考慮視覺傳達(dá)效果的夜視環(huán)境視覺定位方法，對圖像進(jìn)行預(yù)操作，過濾夜視環(huán)境中的噪聲?；贚OG濾波獲取目標(biāo)的反射弱光圖，采用高斯濾波器對目標(biāo)圖像進(jìn)行平滑濾波，使用拉普拉斯濾波采集目標(biāo)圖像邊緣信息，提高目標(biāo)的辨識度，通過搜索線注入式填充方法對目標(biāo)亮面區(qū)域進(jìn)行填充，增強目標(biāo)的亮度視覺傳達(dá)效果。采用基于亮度累加直方圖的目標(biāo)定位方法，依據(jù)目標(biāo)亮度、顏色以及形狀等視覺傳達(dá)特征對目標(biāo)進(jìn)行篩選和準(zhǔn)確定位。實驗結(jié)果表明，所提方法對夜視環(huán)境中車輛進(jìn)行定位的各指標(biāo)較優(yōu)，可以適用于不同的環(huán)境中，應(yīng)用范圍廣。

關(guān)鍵詞： 視覺傳達(dá)； 夜視環(huán)境； 視覺定位； 目標(biāo)辨識

中圖分類號： TN919?34； TP751.1 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2016）16?0136?04

Abstract： In night environment， the collected image is easily disturbed by the factor of nearby light due to its low contrast， contains much interference noise， and the interference effect of vision expression isn’t considered， so a vision locating method considering visual communication effect in night vision environment is proposed to preprocess the image， and filter the noise in night vision environment. In the method， the reflection weak light image is acquired based on LOG filtering， the Gaussian filter is used for smoothing filtering of the target image， the Laplace filter is used to acquire the edge information of target image to improve the target identification degree. The target bright surface area is filled with the search line injection filling method， which can enhance the brightness vision communication effect of the target. The target positioning method based on luminance accumulation histogram is adopted to screen the target and determine the accurate location of the target according to the vision communication characteristics of target brightness， color， shape， etc. The experimental results indicate that the proposed method is superior in each index for locating the vehicles in night vision environment， is applied to different environments， and has wide application range.

Keywords： visual communication； night vision environment； vision positioning； target identification

0 引 言

隨著可視化技術(shù)的不斷發(fā)展，對夜視環(huán)境中目標(biāo)進(jìn)行準(zhǔn)確定位，可以廣泛應(yīng)用于交通、救援、探測等領(lǐng)域。夜間能見度較低，采集的圖像較為模糊，嚴(yán)重降低目標(biāo)的定位精度[1?2]。視覺傳達(dá)設(shè)計通過圖形、文字、色彩作用于人的視覺傳達(dá)對用戶產(chǎn)生視覺沖突，吸引定位用戶，提高用戶視覺定位的清晰度，促使定位用戶關(guān)注目標(biāo)的視覺傳達(dá)特征 [3?4]。通過提高夜視環(huán)境中待定位目標(biāo)的視覺傳達(dá)效果，保證其具有視覺沖擊力和辨識度，增強用戶定位目標(biāo)的準(zhǔn)確性，是解決上述問題的根本途徑[5?6]。

當(dāng)前存在的夜視環(huán)境定位方法在取得進(jìn)展的同時還存在較多缺陷，如文獻(xiàn)[7]提出了基于模型的定位方法，采用已知的物體模型定位未知物體，針對已知物體塑造三維模型，對該模型同待檢測圖像中的物體進(jìn)行匹配，該方法過于依靠物體模型、工作量較大，并且受到夜間環(huán)境的限制，存在一定的局限性；文獻(xiàn)[8]提出了基于區(qū)域的夜視環(huán)境定位方法，建立定位目標(biāo)的匹配模型，在定位時匹配圖像中的待定位區(qū)域，如果匹配成功，則將該區(qū)域信息記錄下來，同時將該區(qū)域作為當(dāng)前的定位結(jié)果，再將該定位結(jié)果當(dāng)成后續(xù)幀待定位區(qū)域的信息，該方法靈敏度較高，但需要檢索全部圖像信息，運算量大。

針對上述方法的弊端，提出一種考慮視覺傳達(dá)效果的夜視環(huán)境視覺定位方法，通過LOG濾波的反射弱光圖的高斯濾波器完成目標(biāo)圖像的平滑濾波，采用拉普拉斯濾波采集目標(biāo)圖像邊緣信息，通過搜索線注入式填充方法對目標(biāo)亮面區(qū)域進(jìn)行填充，增強目標(biāo)的亮度視覺傳達(dá)效果，提高目標(biāo)的辨識度。采用基于亮度累加直方圖的目標(biāo)定位方法，對夜視環(huán)境中的目標(biāo)進(jìn)行定位。

1 考慮視覺傳達(dá)效果的夜視環(huán)境目標(biāo)視覺定位

1.1 定位算法的流程分析

夜視環(huán)境視覺目標(biāo)定位前，應(yīng)對目標(biāo)進(jìn)行預(yù)操作；再進(jìn)行反射弱光圖操作，增強目標(biāo)的辨識度，并采用搜索線注入式填充方法對目標(biāo)亮面區(qū)域進(jìn)行填充，改善目標(biāo)物體視覺傳達(dá)效果；最后采用基于亮度累加直方圖的夜視目標(biāo)定位算法對目標(biāo)進(jìn)行精確定位。夜視環(huán)境中目標(biāo)視覺定位的流程圖，如圖1所示。

1.2 定位圖像的預(yù)處理過程設(shè)計

圖像預(yù)操作可過濾夜視環(huán)境中的噪聲，提高目標(biāo)的抗干擾性，改善夜視目標(biāo)的視覺傳達(dá)效果，為后續(xù)目標(biāo)定位提供基礎(chǔ)，增強目標(biāo)的定位精確度。夜視環(huán)境目標(biāo)定位的總體流程如圖2所示。

1.3 采集目標(biāo)的反射弱光圖LOG濾波

夜視環(huán)境中的目標(biāo)辨識度較低，通過LOG濾波對采集目標(biāo)的反射弱光圖進(jìn)行過濾，能夠增強目標(biāo)圖像的辨識度，通過色彩對用戶產(chǎn)生視覺沖突，增加目標(biāo)物體的視覺沖擊力，提升目標(biāo)物體視覺傳達(dá)效果，提高目標(biāo)的定位精度。LOG濾波采集是一種邊緣梯度的檢測方法，通過高斯濾波器對目標(biāo)圖像進(jìn)行平滑操作，過濾圖像中的噪聲，然后通過拉普拉斯濾波采集圖像邊緣信息，最終得到的目標(biāo)反射弱光圖如圖3所示。其中，目標(biāo)光強度用光直徑描述，目標(biāo)光強度呈現(xiàn)指數(shù)增長，目標(biāo)中心的光強度值較低。

設(shè)置目標(biāo)圖像中的位置是[（x，y）]，其像素值是[P（x，y）]，先對目標(biāo)光圖像I進(jìn)行反色操作，用255減去[P（x，y）]，獲取目標(biāo)的反色圖像-I，再利用高斯濾波對圖像進(jìn)行平滑操作，對圖像匯總?cè)肯袼攸c和高斯函數(shù)進(jìn)行卷積處理，獲取的圖像S為：

對卷積后的圖像S進(jìn)行圖像銳化操作，通過拉普拉斯算子檢測圖像S的邊緣，增強目標(biāo)圖像的亮度。由于目標(biāo)圖像邊緣是存在灰度變換的范圍，而拉普拉斯可通過二次微分正峰以及負(fù)峰間的零點進(jìn)行確定，因此采用拉普拉斯方法對目標(biāo)圖像邊緣進(jìn)行平滑操作，可使目標(biāo)物體圖像色彩更分明，視覺傳達(dá)效果更強。

設(shè)置目標(biāo)二維圖像函數(shù)的拉普拉斯變換的二階導(dǎo)數(shù)為：

[?2f（x，y）=?2f?x2+?2f?y2] （3）

式（3）可用于操作數(shù)字圖像，它的離散形式為：

[?2f=[f（x+1，y）+f（x-1，y）+f（x，y-1）]-4f（x，y）] （4）

通過LOG濾波處理后的目標(biāo)圖像邊緣具有較高的像素值，而目標(biāo)中心區(qū)域以及反射用的像素值較低。因此需要通過搜索線注入式填充方法對目標(biāo)亮面區(qū)域進(jìn)行填充，改善目標(biāo)的亮度視覺傳達(dá)效果，提高目標(biāo)的辨識度，具體的步驟如下：

（1） 尋找搜索線與待填充的連通范圍的交點；

（2） 將交點依據(jù)x值大小進(jìn)行升序排列；

（3） 將排列后的交點每兩個產(chǎn)生一個水平線段，采用畫線段的方法對目標(biāo)圖像進(jìn)行填充，并且將其中的填充像素設(shè)置為255；

（4） 判斷搜索是否結(jié)束，若結(jié)束則算法終止，并返回步驟（1）繼續(xù)進(jìn)行分析。

填充算法可以增強目標(biāo)定位的準(zhǔn)確率，通過填充后產(chǎn)生反射抑制圖進(jìn)行目標(biāo)定位，定位結(jié)果如圖4所示。

2 夜視目標(biāo)定位算法設(shè)計

夜視環(huán)境中，傳統(tǒng)方法無法準(zhǔn)確獲取目標(biāo)物體的陰影以及邊緣等特征，并且獲取的分割閾值單一，無法適應(yīng)夜視環(huán)境的光照波動。因此，采用多幀圖像的亮度分量直方圖的動態(tài)閾值分割算法，按照目標(biāo)亮度、顏色以及形狀等視覺傳達(dá)特征對目標(biāo)進(jìn)行篩選，完成目標(biāo)的準(zhǔn)確定位。

2.1 基于統(tǒng)計的固定分割閾值選取方法

圖像的亮度視覺傳達(dá)效果，能反映夜視環(huán)境中不同光照狀態(tài)的波動情況，進(jìn)而在亮度區(qū)域?qū)δ繕?biāo)進(jìn)行分割。通過統(tǒng)計方法計算目標(biāo)的分割閾值，將該分割閾值當(dāng)成優(yōu)化Otsu法的元素分割閾值。在計算目標(biāo)的分割閾值前，先利用亮度累加直方圖對連續(xù)多幀圖像中亮度分量直方圖進(jìn)行集合，前t幀目標(biāo)圖像的亮度累加直方圖為：

[L（t，k）=t=0t-1Hi（k）， k=0，1，2，…，l-1] （5）

式中，[Hi（k）]表示圖像序列中第i幀圖像亮度分量的直方圖，截取某段視頻中的某20幀的亮度累加直方圖如圖5所示。通過式（5）獲取該累加直方圖中目標(biāo)亮面像素范圍的直方圖中不存在顯著的雙峰，使之滿足Otsu法的應(yīng)用規(guī)范。最后采用優(yōu)化的Otsu法計算目標(biāo)亮面區(qū)域的分割閾值。

2.2 采用優(yōu)化的Otsu法分割目標(biāo)光亮圖像

Otsu法以目標(biāo)圖像的灰度直方圖為依據(jù)，以目標(biāo)和背景的方差為分析標(biāo)準(zhǔn)，獲取目標(biāo)圖像的分割閾值。通過動態(tài)閾值圖像分割算法，對目標(biāo)亮面區(qū)域在累加直方圖中存在的雙峰進(jìn)行分割，獲取最佳分割閾值。目標(biāo)區(qū)域是累加直方圖中某一原始閾值[TI]到255的灰度值區(qū)域，[TI]可通過匯總閾值獲取，則有：

獲取分割閾值[TI]后，對目標(biāo)圖像中的全部像素進(jìn)行處理，低于閾值[TI]的像素將其設(shè)置為0，高于[TI]的不做處理。則獲取的目標(biāo)亮面區(qū)域圖像分割效果圖見圖6。

2.3 目標(biāo)定位

夜視環(huán)境目標(biāo)定位過程中，受到環(huán)境的干擾，目標(biāo)物體視覺傳達(dá)效果低。因此通過提升目標(biāo)物體的亮度、形狀以及顏色等視覺傳達(dá)效果，可增強目標(biāo)物體的辨識度和傳達(dá)效果，最終提高目標(biāo)定位的精度。

可依據(jù)優(yōu)化的Otsu法采集的目標(biāo)亮面區(qū)域完成目標(biāo)的定位，具體過程如下：

（1） 目標(biāo)分割。采用攝像機獲取待定位目標(biāo)圖像，圖像為680×460像素的24 b真彩色圖像序列。通過式（8）采集各幀圖像的亮度分量并進(jìn)行量化操作，獲取[0，255]的整型值。

式中，[I（x，y）]是RGB圖像變換到HIS空間的亮度分量；[R（x，y）]，[G（x，y）]，[B（x，y）]分別表示輸入目標(biāo)圖像的R，G，B三個通道分量。

采用第2.2節(jié)分析的動態(tài)閾值分割方法，采集圖6描述的目標(biāo)亮面區(qū)域當(dāng)成目標(biāo)定位候選區(qū)域。

（2） 篩選亮塊。對分割獲取的目標(biāo)亮面區(qū)域進(jìn)行標(biāo)志，剔除亮塊中與目標(biāo)物體特征不符的路燈和廣告牌反光燈干擾光斑，依據(jù)亮塊的顏色、大小以及形狀等視覺傳達(dá)特征采集到滿足目標(biāo)物體視覺傳達(dá)特征的亮塊，該亮塊對應(yīng)的物體則為待定位的目標(biāo)物體，獲取目標(biāo)定位結(jié)果。

3 實驗分析

實驗針對某城市公路夜間環(huán)境下的車輛定位過程，對本文方法的性能進(jìn)行驗證。通過一千兆網(wǎng)攝像頭獲取夜間車輛運行視頻圖像，圖像大小均為620×380，實驗平臺配置為本文方法的某幀視頻車輛的定位效果如圖7所示。分析圖7可以看出本文方法的定位效果理想。

實驗挑選表1中的弱光照和強光照視頻，分別用本文方法和基于特征的定位方法進(jìn)行測試，結(jié)果如圖8和表2所示。分析圖8能夠看出兩種光照環(huán)境下，本文方法的車輛定位效果明顯優(yōu)于特征定位方法，主要是因為本文方法考慮了目標(biāo)的視覺傳達(dá)效果，通過高斯濾波器對目標(biāo)圖像進(jìn)行平滑濾波，并采用拉普拉斯濾波采集目標(biāo)圖像邊緣，增強車輛的光感視覺傳達(dá)效果，并采用搜索線注入式填充方法填充車輛的亮面區(qū)域，提高車輛辨識度，增強車輛定位精度。

從表2能夠看出本文方法在不同環(huán)境中具有較高的定位率和環(huán)境適應(yīng)能力。并且可以看出不同環(huán)境下的本文方法的定位率浮動都比較小，說明本文車輛定位方法魯棒性較高。而特征定位方法在強光照環(huán)境下的車輛定位準(zhǔn)確率較低，而在弱光照下的定位率一般，說明該方法對夜間環(huán)境的適應(yīng)能力較弱。

4 結(jié) 論

本文提出一種考慮視覺傳達(dá)效果的夜視環(huán)境視覺定位方法，通過基于LOG濾波的反射弱光圖和高斯濾波器完成目標(biāo)圖像的平滑濾波，采用拉普拉斯濾波采集目標(biāo)圖像邊緣，通過搜索線注入式填充方法對目標(biāo)亮面區(qū)域進(jìn)行填充，增強目標(biāo)的亮度視覺傳達(dá)效果，提高目標(biāo)的辨識度。采用基于亮度累加直方圖的目標(biāo)定位方法，依據(jù)目標(biāo)亮度、顏色以及形狀等視覺傳達(dá)特征對目標(biāo)進(jìn)行篩選準(zhǔn)確定位。實驗結(jié)果表明，所提方法對夜視環(huán)境中目標(biāo)進(jìn)行定位各指標(biāo)較優(yōu)，環(huán)境適應(yīng)能力強。

參考文獻(xiàn)

[1] SALVI G. An automated nighttime vehicle counting and detection system for traffic surveillance [C]// Proceedings of 2014 IEEE Conference on Computational Science and Computational Intelligence. Las Vegas： IEEE， 2014： 131?136.

[2] 呂金坤，王明泉，蔡文濤.結(jié)合數(shù)學(xué)形態(tài)學(xué)和圖像融合的邊緣檢測算法[J].電視技術(shù)，2013，37（3）：26?28.

[3] 王洪亞.基于HSV的夜間車牌識別算法[J].智能計算機與應(yīng)用，2013，3（2）：86?88.

[4] 應(yīng)文豪，王士同，鄧趙紅，等.基于類分布的領(lǐng)域自適應(yīng)支持向量機[J].自動化學(xué)報，2013，39（8）：1273?1288.

[5] 何楚，尹莎，許連玉，等.基于局部重要性采樣的SAR 圖像紋理特征提取方法[J].自動化學(xué)報，2014，40（2）：316?326.

[6] 趙軍偉，侯清濤，李金屏，等.基于數(shù)學(xué)形態(tài)學(xué)和HSI顏色空間的人頭檢測[J].山東大學(xué)學(xué)報（工學(xué)版），2013，43（2）：6?10.

[7] WANG J， SUN X， GUO J. A region tracking?based vehicle detection algorithm in nighttime traffic scenes [J]. Sensors， 2013， 13（12）： 6474?6493.

[8] EUM S， JUNG H G. Enhancing light blob detection for intelligent headlight control using lane detection [J]. IEEE transactions on intelligent transportation systems， 2013， 14（2）： 1003?1011.