基于大氣反射?散射模型的復(fù)原圖像中交通視頻車燈檢測

湯春明　曹志升　林祥清　肖文娜　耿磊，2

基于大氣反射?散射模型的復(fù)原圖像中交通視頻車燈檢測

湯春明1曹志升1林祥清1肖文娜1耿磊1，2

針對夜間復(fù)雜照明環(huán)境導(dǎo)致車燈檢測率低的問題，提出了一種基于大氣反射-散射模型的復(fù)原圖像中夜間交通視頻車燈檢測算法.首先根據(jù)漫反射原理抑制路面漫反射光，在對大氣散射模型做了改進(jìn)之后，估計(jì)了大氣散射模型中的大氣光，再根據(jù)暗原色先驗(yàn)理論估計(jì)環(huán)境光，重新定義透射率，從而得到了只含有車燈及反射區(qū)域的復(fù)原圖像.為了進(jìn)一步抑制該復(fù)原圖像中的強(qiáng)光光暈，再次利用暗原色先驗(yàn)理論重新估計(jì)環(huán)境光，得到最終的復(fù)原圖像.最后對復(fù)原圖像中的所有亮斑根據(jù)四類幾何特征逐步篩選，排除視野中的非車燈.實(shí)驗(yàn)結(jié)果表明，該方法在復(fù)雜雨雪天氣、高密度及高速等不同情況下，與同類先進(jìn)算法相比具有較高的檢測率，較低的漏檢率和誤檢率.

車燈檢測，復(fù)原圖像，大氣反射-散射模型，暗原色先驗(yàn)理論

引用格式湯春明，曹志升，林祥清，肖文娜，耿磊.基于大氣反射-散射模型的復(fù)原圖像中交通視頻車燈檢測.自動化學(xué)報，2016，42（4）:605?616

根據(jù)美國國家公路交通安全管理局統(tǒng)計(jì)，48%的意外交通事故發(fā)生在夜間.因此夜間交通視頻的智能監(jiān)控算法研究越來越受到重視，以期有效降低夜間交通事故發(fā)生率，確保車輛及人身安全.由于車前燈在夜間車輛特征信息中最為可靠、穩(wěn)定并且容易獲取，因此目前夜間車輛檢測的主流研究大多以車前燈作為主要特征，其檢測的準(zhǔn)確度直接影響到車輛的有效配對與追蹤.然而，車前燈的提取受夜間環(huán)境及天氣因素影響較大，特別是來自路面的強(qiáng)反射光干擾極難處理，導(dǎo)致了較高的車前燈分割錯誤率，成為夜間交通視頻研究中的難點(diǎn).

夜間交通視頻智能監(jiān)控中的車燈檢測算法研究可分為基于幾何特征的方法、基于物理模型的方法和基于機(jī)器學(xué)習(xí)的方法三大類［1］.基于幾何特征的車燈檢測方法［2?3］，如Hajimolahoseini等［2］先對灰度圖像進(jìn)行閾值分割，將圖像感興趣區(qū)域（Region of interest，ROI）轉(zhuǎn)換到空間二維坐標(biāo)系中，再通過幾何形狀區(qū)分車頭燈與反射區(qū)域，最后設(shè)定合適的閾值逐步分離車燈.這類方法大多需要不斷調(diào)整閾值，應(yīng)用起來受限制較大.基于物理模型的車燈檢測方法［4?6］中，如Zhang等［4］先利用光衰減模型得到車燈的路面反射抑制圖，再用改進(jìn)的LOG算法得到反射增強(qiáng)圖，最后結(jié)合馬爾科夫隨機(jī)場檢測車燈.其檢測結(jié)果中有大量的車身反射光存在，路面白色車道線也很難得到有效抑制.Tang等［5］提出了基于反射光指數(shù)衰減模型的Azimuthally-blur算法，該方法使車燈與強(qiáng)反射區(qū)域正交，從而能夠有效抑制不同天氣情況下的路面反射光及車身反射光以檢測到車燈.但在擋風(fēng)玻璃較暗及前燈照明功率很大時，不能檢測到車燈.湯春明等［6］為了克服該算法的缺點(diǎn)，加入了同態(tài)濾波對車燈進(jìn)行檢測，但是該算法對路面強(qiáng)反射光以及車身反射光較為敏感.基于機(jī)器學(xué)習(xí)的車燈檢測方法［1，7?8］中，如Zou等［1］的算法分離線和在線兩塊，先通過離線訓(xùn)練AdaBoost分類器區(qū)分前燈與非前燈，以及場景模型，再通過在線進(jìn)行實(shí)時檢測、配對和追蹤.這類方法因?qū)δＰ瓦M(jìn)行訓(xùn)練，需要大量的樣本，并且耗時較多，多用于對視頻圖像中重點(diǎn)關(guān)注的區(qū)域內(nèi)的車燈進(jìn)行處理［1?3，8?9］，忽略了遠(yuǎn)處的車燈，丟失了這部分車輛的重要信息.

針對上述問題，本文提出了一種基于大氣反射-散射模型的夜間交通視頻車燈檢測算法.實(shí)驗(yàn)結(jié)果表明本文方法與同類算法相比具有較高的檢測率.

1　大氣反射?散射模型

為了從復(fù)雜光照的環(huán)境下提取到車燈，本文在分析復(fù)雜環(huán)境光組成的基礎(chǔ)上，構(gòu)建了大氣反射-散射模型.

1.1建模與分析

夜間交通，除了車前燈、尾燈等有用信息之外，還有路燈、交通信號燈以及廣告牌燈的干擾，以及不同天氣情況下路面的強(qiáng)反射光及車身的鏡面反射，進(jìn)入監(jiān)控攝像機(jī)的光源復(fù)雜，如圖1所示.其中環(huán)境光主要指路燈燈光、交通信號燈光以及廣告牌、街牌裝飾燈光等.大氣光主要是由大氣中的粒子對環(huán)境光的散射形成［10］.路面漫反射是由路面材質(zhì)的顏色及入射光的強(qiáng)度決定［10?11］.

圖1　光源基本組成框架示意圖Fig.1　Basic composition diagram of light sources

本文按照以下規(guī)則建立大氣反射-散射模型：1）夜間環(huán)境光大于大氣光的影響.2）雖然大氣光對光源的散射能力相對很弱，也要考慮在內(nèi).3）無論是光源還是反射區(qū)，在監(jiān)控成像時隨著距離的增加其照度按指數(shù)規(guī)律遞減.4）光源在大氣傳播過程中，無可避免地受到環(huán)境光和大氣光的影響，環(huán)境光增強(qiáng)了其照度，大氣光衰減了其照度.5）晴朗夜間，路面的反射光主要是漫反射；雨天或者雪天，路面反射光主要是漫反射和鏡面反射［11］.

本文的大氣反射-散射模型將光照的影響分為兩部分.第一部分是環(huán)境光照射到路面產(chǎn)生的漫反射光.這部分光是造成路面整體較亮的主要原因.由于路燈、廣告牌燈及街牌裝飾燈的位置是固定不變的，而路面材質(zhì)也不會發(fā)生變化，這樣，路面漫反射光的照度就不會隨著入射角的變化而變化，無論從哪個角度觀察，這部分光照強(qiáng)度是不會發(fā)生變化的.第二部分是光源和類光源的散射光，這部分光在傳播過程中，受到大氣微粒的散射作用，產(chǎn)生了一定的衰減［4］.隨著景深及入射角的變化，監(jiān)控攝像機(jī)最終接收到的光照度也是變化的，變化規(guī)律符合Bouguer衰減［12］.

1.2漫反射抑制

根據(jù)上述大氣反射-散射模型，由環(huán)境光引起的路面漫反射光在監(jiān)控攝像機(jī)成像時占了主導(dǎo)地位，因此首先考慮抑制路面漫反射光.漫反射分量的具體求解過程見文獻(xiàn)［11］，這里只給出最終的輸入彩色圖像I（x）的最大漫反射色度圖D（x），如式（1）：

得到漫反射抑制后的圖像為

1.3大氣散射模型改進(jìn)

計(jì)算機(jī)視覺及計(jì)算機(jī)圖形學(xué)領(lǐng)域廣泛采用的大氣散射模型［11］，如式（2）：

其中，t（x）=e?βd（x）為透射率（β是散射系數(shù)，d（x）是場景點(diǎn)x的深度值），E∞（x）是參與成像的大氣光，R（x）是清晰圖像，E（x）是經(jīng)過漫反射抑制后圖像中點(diǎn)x的亮度.等號右端第1項(xiàng)為衰減項(xiàng)，第2項(xiàng)為天空光.由本文建立的大氣反射-散射模型可知，參與成像的不僅含有大氣光，而且還有環(huán)境光，改進(jìn)后的式（2）如式（3）：

其中，E（x）是監(jiān)控攝像機(jī)拍攝到的圖像，R（x）是復(fù)原后的圖像，A（x）是參與成像的環(huán)境光，t（x）是透射率，E∞（x）是參與成像的大氣光.

2　復(fù)原圖像的獲取

夜間交通視頻圖像中，各類光源眾多且相互干擾.對于晴朗的夜間，空氣顆粒對光源的散射作用主要表現(xiàn)為單次散射［10］，因此本文主要考慮點(diǎn)光源的單次散射.根據(jù)式（3）計(jì)算，需要對未知參量t（x），E∞（x）和A（x）進(jìn)行估計(jì)：首先根據(jù)暗原色先驗(yàn)理論估計(jì)環(huán)境光A（x），然后根據(jù)大氣反射-散射模型重新定義透射率t（x）并估計(jì)大氣光E∞（x）.

2.1大氣光、環(huán)境光及透射率估計(jì)

暗原色先驗(yàn)理論是基于戶外無霧圖像數(shù)據(jù)庫的統(tǒng)計(jì)規(guī)律得到的，即絕大多數(shù)的戶外無霧圖像的每個局部區(qū)域都存在著至少一個顏色通道強(qiáng)度很低的像素.該理論最初針對圖像去霧，可直接估計(jì)霧的濃度并且得到高質(zhì)量的去霧圖像.本文基于大氣反射-散射模型，應(yīng)用暗原色先驗(yàn)理論，認(rèn)為在漫反射抑制圖中，每個局部區(qū)域都存在著至少一個顏色通道的強(qiáng)度很低的像素.夜間交通視頻中各種環(huán)境光及薄霧的影響是造成視頻遠(yuǎn)景中車燈難以檢測的主要因素，這些影響因素可以利用去霧原理加以最大限度的抑制，從而得到復(fù)原圖像.參考文獻(xiàn)［13］中圖像E的暗通道Edark定義如式（4）：

其中，?（x）是以x為中心的鄰域，Ec代表E的某個顏色通道.

環(huán)境光A（x）可以借助暗通道圖估計(jì)，求解過程如下：圖2（a）經(jīng)式（1）處理得到圖2（b），即漫反射抑制圖，對其取暗通道得圖2（c），對圖2（c）中像素點(diǎn)的亮度值按從大到小順序排列，取前0.5%最亮的像素點(diǎn)，對應(yīng)于圖2（a）中最大亮度值的矩形框標(biāo)注區(qū)域，用來估計(jì)環(huán)境光A（x）.

圖2　車燈提取Fig.2　Headlights extraction

夜間大氣光強(qiáng)度已經(jīng)降的很低，大氣光E∞（x）接近于0.

本模型中的透射指點(diǎn)x的反射光經(jīng)過傳輸、衰減，最終到達(dá)監(jiān)控攝像機(jī)的反射光［10］.透射率為環(huán)境光占所有成像光源的比例，如式（5）所示.

其中，ω是調(diào)節(jié)系數(shù)，防止得到的復(fù)原圖像遠(yuǎn)景區(qū)域變模糊.通過不同條件下大量的實(shí)驗(yàn)調(diào)試驗(yàn)證，當(dāng)ω取0.95時，得到的復(fù)原圖像最理想.透射率成像結(jié)果如圖2（d）所示，圖中有明顯的塊狀效應(yīng)，用導(dǎo)向?yàn)V波器平滑處理得到圖2（e），保留了邊緣信息，消除了塊狀效應(yīng).

2.2復(fù)原圖像

有了大氣光E∞（x）、環(huán)境光A（x）以及透射率t（x）之后，由式（3）可以得到復(fù)原后的圖像R（x）如式（6）所示：

其中，t0為防止分母為零而設(shè)，本文取0.01.

復(fù)原圖像獲取步驟：原圖像先通過漫反射抑制處理，消除由環(huán)境光造成的路面漫反射光的影響，在漫反射抑制圖中遍歷取15×15的暗通道估計(jì)環(huán)境光A（x），由式（5）計(jì)算得到透射率t（x），再經(jīng)過導(dǎo)向?yàn)V波平滑處理后，由式（6）得到了復(fù)原圖R（x）（圖2（f）），為了抑制R（x）圖中產(chǎn)生的強(qiáng)光光暈，利用式（4），對R（x）遍歷取15×15的暗通道，重新估計(jì)環(huán)境光A（x），并假定同一場景中的透射率t（x）不變，用式（6）去掉光暈，得到最終的復(fù)原圖R'（x）如圖2（g）所示.復(fù)原圖流程如圖3所示.

圖3　本文車燈檢測算法流程Fig.3　Flow chart of headlights extraction algorithm

3　車燈篩選

復(fù)原圖R'（x）中不僅存在車頭燈和路面強(qiáng)反射區(qū)，還有車身反射光.為了篩選車頭燈，需要結(jié)合幾何特征進(jìn)一步去除干擾亮斑.根據(jù)所拍攝的視頻，車頭燈的形狀大致分為以下四類：

1）圓形車燈，如圖4（a）.這類車燈最為普遍，較易區(qū)分，面積一般在70個像素左右，長寬比接近于1，周長在20個像素左右，大于每一幀視頻中亮斑的平均周長，圓度M近似為1.

2）橢圓形車燈，如圖4（b）.橢圓形車燈出現(xiàn)在視野的近景處，面積一般在90個像素左右，長寬比一般在1.17或者0.85左右，本文取值范圍設(shè)定在0.8～1.2之間，周長在30個像素左右，大于每一幀視頻中亮斑的平均周長，圓度M 在0.8左右.

3）近似圓形車燈，如圖4（c）.這類車燈出現(xiàn)在視野的遠(yuǎn)景處，車燈功率較大，本文模型能夠保留其亮度最大的中心區(qū)域，面積一般在120個像素左右，長寬比近似為1，周長在80個像素以上，大于每一幀視頻中亮斑的平均周長，圓度在0.9左右，近似為1.

4）方形車燈，如圖4（d）.這類車燈來自Zhang等［4］所給視頻，面積值小于200個像素，長寬比達(dá)到了極限值1.2，周長在70個像素左右，大于每一幀視頻中亮斑的平均周長，圓度值在0.7左右.

針對上述四類車燈的幾何特征，對每幀圖像的所有亮斑進(jìn)行篩選：

首先根據(jù)面積大小和長寬比例，去除面積較大且形狀不規(guī)則的反射光區(qū)域.將面積小于閾值Th的亮斑保留，這里Th取300個像素.一般車燈近似圓形，這里取長寬比的范圍在（0.8，1.2）.

然后根據(jù)亮斑周長去除明顯小亮斑.去除大面積反射區(qū)域以后，取每一幀視頻中亮斑周長P的平均值Pmean，如果P＜0.5Pmean，這類亮斑將被抑制掉.

最后根據(jù)亮斑圓度M作進(jìn)一步細(xì)化處理.由于車頭燈的M 大多近似為1，通過式（7）定義圓度偏心率temp，如果|1?M|＜temp，說明亮斑近似圓形，將被保留.

其中，N是當(dāng)前圖像中總車燈數(shù)，mean（|1?Mi|）表示取|1?Mi|的均值.車頭燈篩選結(jié)果如圖2（h）所示.

4　車燈檢測結(jié)果及對比分析

本文共測試了9段視頻序列，包括高密度、雪后、雨后和高速四種特殊情況，序列1～9的視頻分別為：1244，1187，812，915，2049，6615，1152，4993，1852幀.所用視頻均由索尼HDR-550d攝像機(jī)在夜模式下拍攝，相機(jī)架設(shè)于天津市過街天橋上，拍攝角度與水平方向呈45～60度，幀率為25幀每秒，每幀圖像大小為240像素×320像素.本文采用Jaccard系數(shù)［14］評估算法性能，其中檢測率E=TP/（FP+TP+FN），誤檢率FPR=FP/（FP+ TP+FN），漏檢率FNR=FN/（FP+TP+FN），這里TP表示正確檢測數(shù)，F(xiàn)P表示錯誤檢測數(shù)，F(xiàn)N表示漏檢數(shù).

圖4　車燈形狀分類Fig.4　Headlight shapes classification

由于文獻(xiàn)［1］需要大量統(tǒng)計(jì)數(shù)據(jù)訓(xùn)練模型，因此本文車燈檢測結(jié)果沒有與文獻(xiàn)［1］的結(jié)果做對比.圖5是文獻(xiàn)［4］中的彩色視頻（第1行）及所提供檢測結(jié)果（第2行）與本文算法的檢測結(jié)果（第3行）的對比，圖5（a）是第1幀，圖5（b）～5（d）分別是間隔50幀截取的視頻圖像.其中，圖5（a）是對細(xì)條狀的車道線干擾的處理結(jié)果，圖5（b）是對車身反射光干擾的處理結(jié)果，圖5（c）和圖5（d）是對車身輪廓線及路面長條狀強(qiáng)反射區(qū)域干擾的處理結(jié)果.通過圖中矩形框標(biāo)記部分的處理結(jié)果對比看出，本文算法對車身反射光以及路面長條狀強(qiáng)反射光抑制能力更強(qiáng).由于文獻(xiàn)［4］中只有這一段彩色視頻能夠較好地應(yīng)用暗原色先驗(yàn)理論估計(jì)環(huán)境光，因此本文只與這段視頻的檢測結(jié)果進(jìn)行了對比.表1是兩種算法用于車燈檢測的數(shù)據(jù)統(tǒng)計(jì)結(jié)果.可以看出，本文算法的車燈檢測率較高，誤檢數(shù)要比文獻(xiàn)［4］低.

圖5　文獻(xiàn)［4］檢測結(jié)果與本文檢測結(jié)果對比Fig.5　Comparison of headlights extraction by our and Zhang et al.［4］algorithms

表1　檢測結(jié)果與本文檢測結(jié)果對比Table 1　Comparative results of headlights detection by our and Zhang et al.［4］algorithm

圖6和圖7是在車燈檢測結(jié)果未做膨脹運(yùn)算、靜止路燈未被抑制的條件下，本文算法與文獻(xiàn)［5］算法在幾種特殊情況下車燈檢測結(jié)果的對比圖.圖6是在同一視頻中的車燈檢測結(jié)果對比，第1行為原視頻圖像，第2行為文獻(xiàn)［5］算法的檢測結(jié)果，第3行為本文算法的檢測結(jié)果.由于本文大氣反射-散射模型能夠有效抑制各類環(huán)境光及薄霧霾對車燈檢測的影響，在復(fù)原圖像中得到亮度值最大的區(qū)域，而車燈的亮度值最大且最穩(wěn)定，因此在圖6（a）中，當(dāng)車身整體較暗時（如右下方車輛），本文算法明顯優(yōu)于文獻(xiàn)［5］算法.圖6（b）～6（d）中，當(dāng)車燈功率比較大、車身整體較暗以及前擋風(fēng)玻璃比較暗時，本文算法不受鄰域像素點(diǎn)亮度值的影響，其檢測結(jié)果比文獻(xiàn)［5］有很大的提高，能夠克服其算法的不足.

圖6　相同條件下，同一視頻特殊情況檢測結(jié)果對比Fig.6　Comparison of some special cases in the same video and conditions

圖7是不同視頻上述幾種特殊情況下的車燈檢測結(jié)果對比，第1行為原視頻圖像，第2行為文獻(xiàn)［5］車燈檢測結(jié)果，第3行為本文檢測結(jié)果.圖7（a）～7（c）是車燈功率較大、車身整體較暗的情況，圖7（d）是存在單車燈照明功率很大及車身整體較暗的情況.由圖中矩形框標(biāo)記部分的處理結(jié)果對比可以看出，大氣反射-散射模型表現(xiàn)出很好的檢測性能.

圖8～11例舉了高密度（1244幀）、雪后（915幀）、雨后（2049幀）、高速（1152幀）四種特殊視頻圖像的檢測結(jié)果，并與文獻(xiàn)［5］檢測結(jié)果對比.圖8～11各圖中的子圖（a）是第1幀，子圖（b）～（d）是視頻序列中取相同幀間隔截取的圖像，根據(jù)視頻長短，4段視頻序列的間隔幀數(shù)分別為150，50，300，100.圖8～11的第1行均為原視頻幀圖像，第2行為文獻(xiàn)［5］的檢測結(jié)果，第3行為本文的檢測結(jié)果.基于本文模型，不僅能夠穩(wěn)定檢測近景處的車燈并保持其幾何特征不變，而且對于遠(yuǎn)景處的車燈能夠準(zhǔn)確定位，較文獻(xiàn)［1?3，8?9］方法檢測效果更好.如在圖8高密度車流情況下，盡管有些車燈功率較大以及車身整體較暗，本文算法依然能夠穩(wěn)定檢測車燈；在圖9的雪后情況，漫反射抑制算法有效抑制了冰雪路面對車燈的強(qiáng)反射光；在圖10的雨后情況，除有效抑制積水路面的強(qiáng)反射光之外，還利用暗原色先驗(yàn)理論抑制了雨后空氣中的水霧；在圖11的高速情況（右側(cè)車道）下，車輛在快速行進(jìn)的過程中，雖然車燈信息較為穩(wěn)定，但是路面強(qiáng)反射區(qū)域快速變化，對車燈檢測造成強(qiáng)烈的干擾，本文算法對這種情況也有較好的檢測效果.

圖7　相同條件下，不同視頻特殊情況檢測結(jié)果對比Fig.7　Comparison of special cases in different videos and same conditions

圖8　高密度情況下，文獻(xiàn)［5］檢測結(jié)果與本文檢測結(jié)果對比Fig.8　Comparison of headlight extraction by our algorithm and Azimuthally-blur technique［5］in high intensity

圖9　雪后情況下，文獻(xiàn)［5］檢測結(jié)果與本文檢測結(jié)果對比Fig.9　Comparison of headlight extraction by our algorithm and Azimuthally-blur technique［5］after snow

圖10　雨后情況下，文獻(xiàn)［5］檢測結(jié)果與本文檢測結(jié)果對比Fig.10　Comparison of headlight extraction by our algorithm and Azimuthally-blur technique［5］after rain

表2是圖8～11中本文方法與文獻(xiàn)［5］方法在四種情況下車燈檢測結(jié)果的數(shù)據(jù)統(tǒng)計(jì)結(jié)果.高密度情況下，最高檢測率達(dá)95.65%，比文獻(xiàn)［5］最高檢測率高出9.29%.雨后情況下，最高檢測率可達(dá)100%，由于存在前燈照明功率較大、車身整體較暗的情況，導(dǎo)致文獻(xiàn)［5］的檢測率相對較低.復(fù)雜高速情況下，本文檢測率仍然高于文獻(xiàn)［5］，平均高出5.44%.雪后情況下，路面反射主要是鏡面反射和漫反射［11］，其反射光強(qiáng)度明顯高于其他路面情況，致使遠(yuǎn)處車燈與路面強(qiáng)反射光連成一片，極難區(qū)分，因此這種情況下的檢測率較低.

圖11　高速情況下，文獻(xiàn)［5］檢測結(jié)果與本文檢測結(jié)果對比Fig.11　Comparison of headlight extraction by our algorithm and Azimuthally-blur technique［5］in high speed

應(yīng)用本文算法對9段視頻序列中共449輛車進(jìn)行檢測的數(shù)據(jù)統(tǒng)計(jì)及與文獻(xiàn)［5］的對比結(jié)果如表3所示.可以看出，本文算法最高檢測率達(dá)94.87%，比文獻(xiàn)［5］的結(jié)果高出1.47%，最高漏檢率低1.37%，最高誤檢率低4.2%.

圖12是在本文車燈檢測結(jié)果的基礎(chǔ)上，應(yīng)用作者之前開發(fā)系統(tǒng)［6］的配對與追蹤算法得到的效果示意圖，用最小匹配代價算法對每一幀內(nèi)所有車燈配對，根據(jù)配對情況提取車輛軌跡實(shí)現(xiàn)追蹤，并引入反饋修正機(jī)制對車輛軌跡進(jìn)行修正，達(dá)到系統(tǒng)實(shí)現(xiàn)夜間車輛自動識別、追蹤的最終目的.

圖12　車燈配對及車輛軌跡Fig.12　Headlights pairing and vehicles tracking

5　結(jié)論與展望

本文基于大氣反射-散射模型的車燈檢測方法，根據(jù)漫反射原理抑制路面的漫反射光，應(yīng)用暗原色先驗(yàn)理論估計(jì)環(huán)境光和透射率，得到只含有車燈與路面強(qiáng)反射光的復(fù)原圖像，對復(fù)原圖像再利用暗原色先驗(yàn)理論重新估計(jì)環(huán)境光，進(jìn)一步抑制其中的強(qiáng)光光暈，最后根據(jù)車燈的幾何特征篩選出復(fù)原圖像中的車燈，有效檢測車燈.驗(yàn)證實(shí)驗(yàn)結(jié)果表明，本文算法能夠適應(yīng)多種復(fù)雜光照下的車燈檢測，能夠用于擋風(fēng)玻璃較暗且前燈照明功率過大這類特殊情況下的車燈提取，能夠有效降低路面強(qiáng)反射光區(qū)域以及車身鏡面反射對車燈檢測造成的影響.與文獻(xiàn)［4］相比，檢測率提高了5.85%，與文獻(xiàn)［5］相比，平均檢測率提高了2.70%，平均誤檢率降低了2.16%，平均漏檢率降低了0.26%，尤其在高密度情況下，比文獻(xiàn)［5］的最高檢測率高出7.80%.本文算法在車燈篩選時有較多的閾值限制，未來的工作將會對車燈特征做進(jìn)一步的分析、分類，用于車燈篩選.

表2　四種特殊情況下車燈檢測結(jié)果Table 2　Headlight detection under four special cases

表3　車燈檢測結(jié)果Table 3　Headlight detection results

致謝

感謝Zhang教授［4］提供的視頻及車燈檢測結(jié)果.

References

1 Zou Q，Ling H B，Luo S W，Huang Y P，Mei T.Robust nighttime vehicle detection by tracking and grouping headlights. IEEE Transactions on Intelligent Transportation Systems，2015，16（5）:2838?2849

2 Hajimolahoseini H，Soltanian-Zadeh H，Amirfattahi R.Robust vehicle tracking algorithm for nighttime videos captured by fixed cameras in highly reflective environments. IET Computer Vision，2014，8（6）:535?544

3 Chen Y L，Wu B F，Huang H Y，F(xiàn)an C J.A real-time vision system for nighttime vehicle detection and traffic surveillance.IEEE Transactions on Industrial Electronics，2011，58（5）:2030?2044

4 Zhang W，Wu Q M J，Wang G H，You X G.Tracking and pairing vehicle headlight in night scenes.IEEE Transactions on Intelligent Transportation Systems，2012，13（1）:140?153

5 Tang C M，Hussain A.Robust vehicle surveillance in night traffic videos using an Azimuthally blur technique.IEEE Transactions on Vehicular Technology，2015，64（10）:4432?4440

6 Tang Chun-Ming，Nie Mei-Ling，Ding Teng-Fei，Hao Huan-Fei，Han Xu.Nighttime vehicle detection and tracking based on minimum feature matching cost.Computer Applications and Software，2015，32（4）:292?296（湯春明，聶美玲，丁騰飛，浩歡飛，韓旭.基于最小特征匹配代價的夜間車輛檢測和追蹤.計(jì)算機(jī)應(yīng)用與軟件，2015，32（4）:292?296）

7 Rubio J C，Serrat J，Lopez A M，Ponsa D.Multiple-target tracking for intelligent headlights control.IEEE Transactions on Intelligent Transportation Systems，2012，13（2）: 594?605

8 Jazayeri A，Cai H Y，Zheng J Y，Tuceryan M.Vehicle detection and tracking in car video based on motion model. IEEE Transactions on Intelligent Transportation Systems，2011，12（2）:583?595

9 O'Malley R，Jones E，Glavin M.Rear-lamp vehicle detection and tracking in low-exposure color video for night conditions.IEEE Transactions on Intelligent Transportation Systems，2010，11（2）:453?462

10 Qi Bao-Jun.The Application of Atmospheric Scattering Model in Image Contrast Enhancement and Surface of the Small Target Detection［Ph.D.dissertation］，National University of Defense Technology，China，2013.（齊保軍.大氣散射模型在霧天圖像增強(qiáng)和海面小目標(biāo)檢測中的應(yīng)用［博士學(xué)位論文］，國防科學(xué)技術(shù)大學(xué)，中國，2013.）

11 Tan R T，Ikeuchi K.Separating reflection components of textured surfaces using a single image.IEEE Transactions on Pattern Analysis and Machine Intelligence，2005，27（2）: 178?193

12 Bouguer P.Trait′e d'Optique Sur La Gradation De La Lumi`ere，1729.93?115

13 He K M，Sun J，Tang X O.Single image haze removal using dark channel prior.IEEE Transactions on Pattern Analysis and Machine Intelligence，2011，33（12）:2341?2353

14 Sneath P H A.Numerical Taxonomy:The Principles and Practice of Numerical Classification.New York，USA:W H Freeman Co，1973.53?85

15 Kosaka N，Ohashi G.Vision-based nighttime vehicle detection using CenSurE and SVM.IEEE Transactions on Intelligent Transportation Systems，2015，16（5）:2599?2608

16 Wu Di，Zhu Qing-Song.The latest research progress of image dehazing.Acta Automatica Sinica，2015，41（2）:221?239（吳迪，朱青松.圖像去霧的最新研究進(jìn)展.自動化學(xué)報，2015，41（2）:221?239）

17 Liu Hai-Bo，Yang Jie，Wu Zheng-Ping，Zhang Qing-Nian，Deng Yong.A fast single image dehazing method based on dark channel prior and Retinex theory.Acta Automatica Sinica，2015，41（7）:1264?1273（劉海波，楊杰，吳正平，張慶年，鄧勇.基于暗通道先驗(yàn)和Retinex理論的快速單幅圖像去霧方法.自動化學(xué)報，2015，41（7）:1264?1273）

湯春明天津工業(yè)大學(xué)電子與信息工程學(xué)院教授.2006年獲哈爾濱工程大學(xué)信息與通信工程學(xué)院博士學(xué)位.2009年于哈爾濱工業(yè)大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院博士后流動站出站.主要研究方向?yàn)橐曨l中多目標(biāo)識別與追蹤，圖像處理與模式識別，數(shù)據(jù)處理與信息挖掘，材料無損檢測技術(shù)與系統(tǒng).本文通信作者.E-mail:tangchunminga@hotmail.com

（TANG Chun-MingProfessor at the School of Electronics and Information Engineering，Tianjin Polytechnic University.She received her Ph.D.degree from the School of Information and Communication Engineering，Harbin Engineering University in 2006.She has been out of the postdoctoral research station of Harbin Institute of Technology in 2009.Her research interest covers multi-objects identification and tracking in video，image processing andpattern recognition，data processing and information mining，techniques and system of material's nondestructive testing.Corresponding author of this paper.）

曹志升天津工業(yè)大學(xué)電子與信息工程學(xué)院碩士研究生.2013年獲得天津工業(yè)大學(xué)電子與信息工程學(xué)院電子信息工程學(xué)士學(xué)位.主要研究方向?yàn)閳D像處理與模式識別，視頻中目標(biāo)識別與追蹤.E-mail:zhishengcao1999@163.com

（CAO Zhi-ShengMaster student at the College of Electronic and Information Engineering，Tianjin Polytechnic University.He received his bachelor degree from Tianjin Polytechnic University in 2013.His research interest covers image processing and pattern recognition，objects identification and tracking in video.）

林祥清天津工業(yè)大學(xué)電子與信息工程學(xué)院碩士研究生.2014年獲得天津工業(yè)大學(xué)電子與信息工程學(xué)院電子信息科學(xué)與技術(shù)學(xué)士學(xué)位.主要研究方向?yàn)閳D像處理，目標(biāo)識別與追蹤.E-mail:lxiangqing0311@163.com

（LIN Xiang-QingMaster student at the School of Electronic and Information Engineering，Tianjin Polytechnic University.He received his bachelor degree from Tianjin Polytechnic University in 2014.His research interest covers image and processing，objective recognition and tracking.）

肖文娜天津工業(yè)大學(xué)電子與信息工程學(xué)院碩士研究生.2014年獲得大連民族大學(xué)信息與通信工程學(xué)院電子信息工程學(xué)士學(xué)位.主要研究方向?yàn)槟繕?biāo)識別與追蹤.E-mail:xwna829@sina.cn

（XIAO Wen-NaMaster student at the School of Electronic and Information Engineering，Tianjin Polytechnic University.She received her bachelor degree from Dalian Nationality University in 2014.Her research interest covers objects'recognition and tracking.）

耿 磊天津工業(yè)大學(xué)電子與信息工程學(xué)院副教授.2012年獲天津大學(xué)博士學(xué)位.主要研究方向?yàn)闄C(jī)器視覺，圖像處理.E-mail:genglei@tjpu.edu.cn

（GENG LeiAssociate professor at the School of Electronic and Information Engineering，Tianjin Polytechnic University.He received his Ph.D.degree from Tianjin University in 2012.His research interest covers computer vision and image processing.）

Headlights Detection in Traffic Videos Based on Atmospheric Reflection-scattering Model via Reconstructing Restoration Images

TANG Chun-Ming1CAO Zhi-Sheng1LIN Xiang-Qing1XIAO Wen-Na1GENG Lei1，2

As the detection rate of headlights under complex lighting scenes in nighttime is relatively low，a novel algorithm of headlights detection based on atmospheric reflection-scattering model has been presented.The diffuse reflection light from road surface is firstly suppressed using the diffuse reflection principle.After improving the atmosphere scattering model，the airglow is estimated.The ambient light is then estimated with the dark-channel prior theory and the transmittance is defined again.A restoration image is obtained in which only headlights and reflection regions are contained. In order to suppress the halo produced by the highlights in the restoration image，the ambient light is estimated again with the dark-channel prior theory.All spots are then checked according to their four types of geometric characteristics step by step，non-headlights are finally filtered out.Experimental results show that under complicated weather，such as rain or snow，or under high population，or high-speed，the proposed algorithm has a higher detection rate，lower miss rate and false detection rate，compared with other similar advanced algorithms.

Headlights detection，restoration images，atmospheric reflection-scattering model，dark-channel prior theory

Manuscript July 28，2015；accepted October 19，2015

10.16383/j.aas.2016.c150485

Tang Chun-Ming，Cao Zhi-Sheng，Lin Xiang-Qing，Xiao Wen-Na，Geng Lei.Headlights detection in traffic videos based on atmospheric reflection-scattering model via reconstructing restoration images.Acta Automatica Sinica，2016，42（4）:605?616

2015-07-28錄用日期2015-10-19

天津市第三批三年千人計(jì)劃項(xiàng)目（62014511），天津市科技支撐計(jì)劃重點(diǎn)項(xiàng)目（14ZCZDGX00033），天津工業(yè)大學(xué)引進(jìn)教師科研啟動項(xiàng)目（03 0367）資助

Supported by the Third Thousand Talents Plan of Tianjin over Three Years（62014511），Science and Technology Supporting Key Project of Tianjin（14ZCZDGX00033），and Scientific Research Starting Project for Introduce Teachers of Tianjin Polytechnic University（030367）

本文責(zé)任編委侯忠生

Recommended by Associate Editor HOU Zhong-Sheng

1.天津工業(yè)大學(xué)電子與信息工程學(xué)院 天津3003872.天津工業(yè)大學(xué)智能信息處理技術(shù)與系統(tǒng)實(shí)驗(yàn)室天津300387

1.School of Electronic and Information Engineering，Tianjin Polytechnic University，Tianjin 3003872.Intelligent Information Processing Technology and Systems Laboratory，Tianjin Polytechnic University，Tianjin 300387