基于改進(jìn)Sobel算法的車輛檢測(cè)技術(shù)

趙 勇，李懷宇

(長(zhǎng)安大學(xué) 信息工程學(xué)院，陜西 西安 710064)

基于改進(jìn)Sobel算法的車輛檢測(cè)技術(shù)

趙 勇，李懷宇

(長(zhǎng)安大學(xué) 信息工程學(xué)院，陜西 西安 710064)

智能交通系統(tǒng)中車輛檢測(cè)技術(shù)是后續(xù)工作的基礎(chǔ)，利用交通視頻采用邊緣檢測(cè)法來檢出車輛具有較高的有效性和魯棒性。傳統(tǒng)基于Sobel算法的邊緣檢測(cè)法由于閾值設(shè)定的問題不能滿足交通復(fù)雜多變的光照條件，因此采用一種自適應(yīng)閾值的Sobel算法。最后用Matlab進(jìn)行仿真，仿真結(jié)果表明在光照不足的情況下采用自適應(yīng)閾值的Sobel算法效果要優(yōu)于傳統(tǒng)的Sobel算法，且檢測(cè)速度比較快基本滿足實(shí)時(shí)性的要求。

邊緣檢測(cè)；Sobel算子；車輛檢測(cè)；智能交通

車輛檢測(cè)技術(shù)是實(shí)現(xiàn)智能交通系統(tǒng)的基礎(chǔ)，有效、可靠的檢測(cè)出車輛便于車流量、車速等關(guān)鍵參數(shù)的統(tǒng)計(jì)，為交管部門制定緩堵保暢措施提供技術(shù)支持。

常用車輛檢測(cè)方法有環(huán)形線圈檢測(cè)法、雷達(dá)檢測(cè)法、回波檢測(cè)法和視頻檢測(cè)法等。視頻檢測(cè)法在硬件的安裝、維護(hù)及所包含的信息等幾方面均具有其他方法不可比擬的優(yōu)勢(shì)[1]。檢測(cè)出車輛的存在即場(chǎng)景中運(yùn)動(dòng)目標(biāo)的提取是視頻檢測(cè)法的關(guān)鍵步驟。常用的方法有背景去除法、幀間差分法和邊緣檢測(cè)法。邊緣檢測(cè)法由于具有良好的有效性和魯棒性而獲得廣泛應(yīng)用。

1 邊緣檢測(cè)算法

邊緣是圖像的基本特征，邊緣檢測(cè)是圖像處理、圖像分析、模式識(shí)別等的基本步驟。邊緣檢測(cè)結(jié)果直接影響機(jī)器視覺對(duì)客觀世界的認(rèn)知。經(jīng)典算法中主要用梯度算子，比較常用的算子有：

(1)Robert算子[2]。是一種利用局部差分算子尋找邊緣的算子，邊緣定位精度較低，檢測(cè)的邊緣圖像還需做細(xì)化處理，并對(duì)噪聲敏感；

(2)Sobel算子[3]。距離當(dāng)前像素不同距離的領(lǐng)域像素具有不同的權(quán)值，有一定的抑制噪聲能力，具有較好的邊緣檢測(cè)能力但同時(shí)也檢測(cè)出一些偽邊緣，降低了檢測(cè)定位精度；

(3)Prewitt算子[4]。通過像素平均達(dá)到對(duì)噪聲的抑制，由于其是通過8個(gè)方向模板對(duì)圖像進(jìn)行卷積，因此計(jì)算量較大；

(4)Laplacian of Gaussian(LoG)算子[5]。沿不同方向檢測(cè)邊緣時(shí)梯度幅度一致，具有各向同性。提取的邊緣最為完整，連續(xù)性好，定位精確。但對(duì)圖像中的噪聲相當(dāng)敏感，且常產(chǎn)生雙像素寬的邊緣，無法提供邊緣方向的信息；

(5)Canny算子[6]。提取的邊緣最為完整，且邊緣的連續(xù)性好，定位較為精確。但計(jì)算量大，尤其是在使用大的高斯濾波器的情況下，根本無法滿足對(duì)實(shí)時(shí)性的要求。

2 Sobel邊緣檢測(cè)原理

Sobel算子[7]有兩個(gè)卷積因子，分別如下式所示

(1)

(2)

式(1)為垂直梯度方向，檢測(cè)水平邊緣，式(2)為水平梯度方向，檢測(cè)垂直邊緣。其利用像素鄰近區(qū)域的梯度值來計(jì)算圖像中每個(gè)像素的梯度，然后根據(jù)閾值取舍。

在進(jìn)行圖像處理的過程中，分別使用上述兩個(gè)模板與將要處理的圖像數(shù)據(jù)進(jìn)行卷積來做近似計(jì)算。具體計(jì)算如公式如下

Gx=(-1)*f(x-1,y-1)+0*f(x,y-1)+
1*f(x+1,y-1)+(-2)*f(x-1,y)+0*f(x,y)+
2×f(x+1,y)+(-1)*f(x-1,y+1)+
0*f(x,y+1)+1*f(x+1,y+1)

(3)

Gy=1*f(x-1,y-1)+2*f(x,y-1)+
1*f(x+1,y-1)+0*f(x-1,y)+0*f(x,y)+
0×f(x+1,y)+(-1)*f(x-1,y+1)+
(-2)*f(x,y+1)+(-1)*f(x+1,y+1)

(4)

上式中f(x，y)為圖像中某點(diǎn)的灰度值。各個(gè)像素灰度值的梯度大小通過式(5)進(jìn)行計(jì)算，在實(shí)際應(yīng)用中為提高運(yùn)算速度一般使用式(6)來近似

(5)

|G|=|Gx|+|Gy|

(6)

計(jì)算出圖像中每一像素點(diǎn)灰度值的梯度后，根據(jù)具體情況來設(shè)定一個(gè)合適的閾值。當(dāng)|G|小于該閾值時(shí)則認(rèn)為該像素點(diǎn)不是圖像中的邊緣點(diǎn)，當(dāng)|G|大于該閾值時(shí)則認(rèn)為該像素點(diǎn)為圖像的邊緣點(diǎn)。

在交通領(lǐng)域中由于采集視頻圖像的環(huán)境復(fù)雜，在同一地點(diǎn)不同時(shí)間的光照、氣候等條件的變化明顯，采集到的圖像明暗程度相差較大。在使用Sobel算法進(jìn)行車輛邊緣檢測(cè)時(shí)采用固定閾值的方法，不能滿足光線時(shí)刻變換的具體情況。因此，本文采用一種自適應(yīng)閾值的Sobel算法進(jìn)行車輛檢測(cè)。

3 自適應(yīng)閾值的Sobel算法

在車輛檢測(cè)的過程中，需要一個(gè)合適的閾值來完成灰度圖像向二進(jìn)制邊緣圖像的轉(zhuǎn)換。這一閾值可通過用戶自定義或通過閾值選擇算法來設(shè)定。用戶自定閾值的方法不夠靈活，由于一個(gè)閾值不能滿足所有的光照條件，因此無法滿足車輛檢測(cè)的需要。同時(shí)，當(dāng)用戶希望根據(jù)不同的光照條件來改變閾值時(shí)也極為困難，因?yàn)楣庹諚l件是隨時(shí)間而不斷變換的。因此，本文采用一種自適應(yīng)閾值的Sobel算法進(jìn)行車輛的檢測(cè)[8]，以滿足在不同光照條件下對(duì)車輛的邊緣進(jìn)行檢測(cè)。

3.1 閾值的選擇

通常一幅圖像在光線適中時(shí)圖像是最清晰的，相反在昏暗或強(qiáng)光的條件下圖像模糊不清。根據(jù)經(jīng)驗(yàn)，模糊圖像的梯度值要高于清晰圖像的梯度值。因此需要為模糊圖像選擇一個(gè)較低的閾值，而為清晰的圖像選擇一個(gè)較高的閾值[9]。

3.2 閾值的計(jì)算

常用的圖像二值化閾值選取方法有雙峰法、P參數(shù)法[10]、最大類間方差法(Ostu、大津法)[11]、最大熵閾值法[12-13]以及迭代法(最佳閾值法)[14]。這些方法均對(duì)圖像有一定的要求，且計(jì)算量較大無法滿足交通中對(duì)車輛檢測(cè)的要求。本文所提出的自適應(yīng)閾值法通過使用Sobel邊緣檢測(cè)法中的[Gx,Gy]來設(shè)定合適的閾值，這些閾值根據(jù)[Gx,Gy]不斷更新，以滿足一天中不同時(shí)刻的光照等外部條件的變換。該計(jì)算方法可用數(shù)學(xué)表達(dá)式表述為[15]

(7)

其中，Gx和Gy分別表示水平與垂直梯度值。

采用該種方法可達(dá)到某些場(chǎng)景下人工設(shè)定閾值的效果，且這種方法僅需要先前已計(jì)算好的梯度值，因此還可有效降低計(jì)算時(shí)間。

4 實(shí)驗(yàn)結(jié)果

為了檢驗(yàn)本文采用的自適應(yīng)閾值Sobel算法，在Matlab中進(jìn)行了仿真對(duì)照，其中一部分仿真結(jié)果如下。

圖1 不同光照條件下的檢測(cè)結(jié)果

圖1(a)為原始圖像，圖1(b)為使用傳統(tǒng)的固定閾值Sobel檢測(cè)法得到的圖形，圖1(c)為使用自適應(yīng)閾值Sobel算法檢測(cè)得到的邊緣圖像。從圖中可以看出，在光線昏暗的條件下采用自適應(yīng)閾值的Sobel算法效果要優(yōu)于傳統(tǒng)的Sobel算法，在其他條件下兩者的檢測(cè)效果基本相同。

5 結(jié)束語

本文針對(duì)交通場(chǎng)景中復(fù)雜多變的光照條件下，對(duì)傳統(tǒng)的邊緣檢測(cè)Sobel算法進(jìn)行了改進(jìn)，提出一種自適應(yīng)閾值的Sobel算法以提高邊緣檢測(cè)的有效性和魯棒性。實(shí)驗(yàn)表明，該自適應(yīng)閾值Sobel算法效果優(yōu)于傳統(tǒng)的Sobel算法，且檢測(cè)速度也基本滿足了實(shí)時(shí)性的要求。

[1] 黃海靜.基于視頻技術(shù)的交通事件檢測(cè)及其應(yīng)用研究[D].西安:西安科技大學(xué),2014.

[2] 王方超,張旻,宮麗美.改進(jìn)的Roberts圖像邊緣檢測(cè)算法[J].探測(cè)與控制學(xué)報(bào),2016,38(2):88-92.

[3] 梁娟.一種基于 Sobel圖像邊緣檢測(cè)的改進(jìn)算法[J].軟件導(dǎo)刊,2014(12):79-81.

[4] 鄭英娟.基于八方向Sobel算子的邊緣檢測(cè)算法研究[D].石家莊:河北師范大學(xué),2014.

[5] 董雪,林志賢,郭太良.基于LoG算子改進(jìn)的自適應(yīng)閾值小波去噪算法[J].液晶與顯示,2014,29(2):275-280.

[6] 趙同剛,陳迅.基于監(jiān)督學(xué)習(xí)的Canny圖像邊緣檢測(cè)改進(jìn)算法研究[J].半導(dǎo)體光電,2016,37(5):731-741.

[7] 王月新,劉明君.Sobel算子與Prewitt算子分析與研究[J].計(jì)算機(jī)與數(shù)字工程,2016(10):2029-2031.

[8] 祁佳,劉紫燕,馮亮.實(shí)時(shí)圖像自適應(yīng)閾值邊緣檢測(cè)FPGA實(shí)現(xiàn)[J]儀表技術(shù)與傳感器,2014(9):81-83.

[9] 湯依婷,韓彥芳.一種改進(jìn)的圖割目標(biāo)分割算法[J].電子科技,2016,29(10):43-46.

[10] 拜穎乾.圖像分割閾值選取方法的研究[J].信息系統(tǒng)工程,2014(2):146-147.

[11] Otsu N.A threshold selection method from gray-level his-tograms[J].IEEE Transactions on System Man and Cybernetic,1979,9(1):62-66.

[12] Pun T.A new method for gray-leveI picture thresholding using the entropy of the histogram[J] .Signal Processing,1980,2(2):223-237.

[13] Pun T.Entropic thresholding:A new approach[J].Computer Vision Graphics and Image Processing,1981,16(2):210-239.

[14] 楊新華,呂意飛.差分算子和改進(jìn)Otsu算法結(jié)合的灰度圖像閾值分割研究與實(shí)現(xiàn)[J].儀表技術(shù)與傳感器,2015(3):104-106.

[15] R.Cucchiara,M.Piccardi and P.Mello. Image Analysis and Rule-Based Reasoning for a traffic Monitoring System[J].IEEE Transactions on Intelligent Transportation systems,2000(1):119-130.

Vehicle Detection Technology Based on Improved Sobel Algorithm

ZHAO Yong，LI Huaiyu

(School of Information Engineering,Chang’an University,Xi’an 710064,China)

Vehicle detection technology in intelligent transportation system is the foundation of the follow-up work. It has a high efficiency and robustness by using the edge detection method to detect the vehicle. The traditional Sobel algorithm based on edge detection method is unable to meet the complex and changeable illumination conditions because of the threshold setting. An adaptive threshold Sobel algorithm is adopted and then Matlab simulation is used. The simulation results show that the Sobel algorithm in a low light condition with adaptive threshold is superior to the traditional Sobel method. The detection speed is relatively faster,which basically meets the real-time requirements.

edge detection; sobel operator; vehicle detection; intelligent traffic

TP391.41

A

1007-7820(2017)11-078-04

2016- 12- 23

趙 勇(1978-)，男，碩士，工程師。研究方向：計(jì)算機(jī)視覺等。李懷宇(1973-)，男，博士研究生，工程師。研究方向：計(jì)算機(jī)視覺等。

10.16180/j.cnki.issn1007-7820.2017.11.021