基于RANSAC的高原地區(qū)交通違章視頻圖像去抖動(dòng)方法

摘要：為了降低由于圖像抖動(dòng)引起的視頻質(zhì)量較低的問題，提出基于RANSAC的高原地區(qū)交通違章視頻圖像去抖動(dòng)方法。利用RANSAC構(gòu)建了圖像模型，以此為基礎(chǔ)，實(shí)現(xiàn)對(duì)圖像中抖動(dòng)點(diǎn)的準(zhǔn)確識(shí)別，將抖動(dòng)點(diǎn)數(shù)據(jù)與模型進(jìn)行匹配，計(jì)算對(duì)應(yīng)點(diǎn)的補(bǔ)償值，以此實(shí)現(xiàn)去抖動(dòng)的目的。實(shí)驗(yàn)結(jié)果表明，其能夠?qū)崿F(xiàn)對(duì)視頻圖像中抖動(dòng)的有效去除。

關(guān)鍵詞：RANSAC;高原地區(qū);交通違章;視頻圖像;去抖動(dòng);補(bǔ)償值;

中圖分類號(hào)：TP391.41

0引言

我國(guó)高原地區(qū)占國(guó)土總面積的約26%，其公路上近些年出現(xiàn)的交通事故呈上升趨勢(shì)，以西藏自治區(qū)2017年數(shù)據(jù)為例，公路上發(fā)生的交通事故據(jù)統(tǒng)計(jì)共有354起，事故死亡人數(shù)總計(jì)176人，死亡率較高，是其他地區(qū)事故率的2倍。

以交通視頻圖像處理技術(shù)作為研究基礎(chǔ)對(duì)車輛交通行為檢測(cè)進(jìn)行相關(guān)研究意義重大。交通運(yùn)輸日益重要，經(jīng)濟(jì)的高速運(yùn)轉(zhuǎn)也幫助人們提升自我的消費(fèi)意識(shí)，大量的購(gòu)車帶來了交通安全，交通堵塞等問題的出現(xiàn)。目前在我國(guó)大力提高基礎(chǔ)交通建設(shè)的大環(huán)境下，高原地區(qū)公路建設(shè)正在廣泛全面的開展，但是這些地區(qū)的基礎(chǔ)交通運(yùn)行狀況卻比較落后。在高原地區(qū)，公路具備特殊情況如光照、氣候、噪音以及溫度等，對(duì)有效進(jìn)行視頻圖像處理帶來一些障礙和挑戰(zhàn)。

受高原地區(qū)環(huán)境特殊性影響，車輛在該區(qū)域的運(yùn)行密度較低，對(duì)于其的監(jiān)管也主要是通過設(shè)備監(jiān)控的方式實(shí)現(xiàn)的[1]。高原地區(qū)的極端惡劣天氣較多，導(dǎo)致監(jiān)控識(shí)別對(duì)道路運(yùn)行車輛的信息進(jìn)行采集時(shí)，會(huì)出現(xiàn)明顯的抖動(dòng)情況，直接影響監(jiān)控視頻的質(zhì)量，對(duì)于后期工作的開展帶來了極大的困難[2]。在此背景下，對(duì)于視頻圖像的去抖動(dòng)處理成為了提高道路交通安全管理的重要手段[3]。視頻圖像抖動(dòng)主要是由于在短時(shí)間內(nèi)監(jiān)控設(shè)備出現(xiàn)較高頻率往返移動(dòng)，導(dǎo)致其采集到的圖像信息出現(xiàn)明顯的局部重疊[4]，這種重疊在抖動(dòng)期間不斷發(fā)生交替現(xiàn)象，最終使視頻圖像中的信息難以識(shí)別[5]。對(duì)于該問題，已有諸多學(xué)者進(jìn)行了相關(guān)研究，其中，文獻(xiàn)[6]提出了一種基于光線傳播原理的圖像去抖動(dòng)的方法，其在一定程度上實(shí)現(xiàn)了對(duì)圖像的有效恢復(fù)，但需要對(duì)每一幀圖像進(jìn)行大量重復(fù)操作，時(shí)間開銷較高;文獻(xiàn)[7]提出一種基于像素配位的圖像去抖動(dòng)方法，具有較高的去抖效果，但主要應(yīng)用靜態(tài)的圖像，對(duì)于視頻圖像的適配性較低。近些年來，隨著各項(xiàng)技術(shù)的不斷發(fā)展，RANSAC（Random Sample Consensus）算法的應(yīng)用領(lǐng)域也逐漸擴(kuò)大，該算法主要根據(jù)包含異常數(shù)據(jù)的樣本數(shù)據(jù)集，得出整體數(shù)據(jù)的數(shù)學(xué)模型，以此對(duì)待處理數(shù)據(jù)進(jìn)行處理，在計(jì)算機(jī)視覺領(lǐng)域的應(yīng)用中表現(xiàn)出了良好的應(yīng)用效果。

基于此，本文提出一種基于RANSAC的高原地區(qū)交通違章視頻圖像去抖動(dòng)方法，利用RANSAC建立視頻數(shù)據(jù)模型，以此實(shí)現(xiàn)對(duì)異常抖動(dòng)數(shù)據(jù)的恢復(fù)，實(shí)現(xiàn)圖像去抖動(dòng)的目的，并通過實(shí)驗(yàn)驗(yàn)證了所提方法的實(shí)際應(yīng)用效果。通過該研究，以期為視頻圖像的去抖動(dòng)工作提供有價(jià)值的參考，為道路安全提供保障。

1基于RANSAC的圖像模型構(gòu)建

由于本文是對(duì)視頻圖像進(jìn)行去抖動(dòng)處理，因此，圖像中大部分點(diǎn)都是具有運(yùn)動(dòng)趨勢(shì)的，由于其運(yùn)動(dòng)規(guī)律的一致性，圖像中的點(diǎn)所表現(xiàn)出的運(yùn)動(dòng)趨勢(shì)也都相同，但在其中，會(huì)存在部分運(yùn)動(dòng)向量異常的點(diǎn)，本文將其作為RANSAC算法的異常數(shù)據(jù)，對(duì)整體圖像信息構(gòu)建模型。

首先，利用RANSAC算法對(duì)異常數(shù)據(jù)點(diǎn)統(tǒng)計(jì)時(shí)的魯棒性，對(duì)視頻圖像中的數(shù)據(jù)進(jìn)行多次隨機(jī)取樣，每次隨機(jī)取出盡可能少但充分的若干個(gè)數(shù)據(jù)來確定模型參數(shù)，再根據(jù)已確定的數(shù)據(jù)特征對(duì)其進(jìn)行劃分，其可表示為：

（1）

公式（1）中，λ表示數(shù)據(jù)的分類結(jié)果，p和q分別表示不同取樣結(jié)果，lcm（*）表示數(shù)據(jù)特征提取。通過這樣的方式，將視頻圖像中的數(shù)據(jù)以分組的形式呈現(xiàn)。在分組過程中，一部分?jǐn)?shù)據(jù)會(huì)存在一定誤差。因?yàn)楫惓｜c(diǎn)的分布不具有規(guī)律性，因此，本文將少數(shù)誤差所在的范圍作為模型調(diào)整的參數(shù)，那么調(diào)整參數(shù)可以表示為：

（2）

公式（2）中，c表示模型調(diào)整參數(shù)，d表示誤差總體分布范圍。

那么，視頻圖像的數(shù)據(jù)模型為：

（3）

通過公式（3）模型，對(duì)抖動(dòng)視頻圖像中的錯(cuò)位數(shù)據(jù)信息進(jìn)行識(shí)別，并做出相應(yīng)的復(fù)位和修復(fù)，實(shí)現(xiàn)去抖動(dòng)的目的。

2圖像去抖動(dòng)

因?yàn)椴杉能囕v圖形是不同視角的，不變矩值差異易受視角變化影響，圖像易產(chǎn)生抖動(dòng)[8]。相比較其他普通地區(qū)的道路情況，高原地段公路的環(huán)境往往都非常惡劣，主要影響因素就是自然天氣條件等客觀因素的影響，攝像頭拍到的交通行為可能出現(xiàn)抖動(dòng)的情況，在高原地區(qū)抖動(dòng)現(xiàn)象往往比較劇烈，從而會(huì)比較嚴(yán)重的干擾到對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)的效果，影響視頻圖像采集的質(zhì)量，這些具體情況會(huì)導(dǎo)致后續(xù)的工作無法高效的進(jìn)行。

2.1抖動(dòng)數(shù)據(jù)識(shí)別

首先，利用上述視頻圖像中的抖動(dòng)數(shù)據(jù)進(jìn)行識(shí)別。假設(shè)圖像的小大為k，對(duì)應(yīng)的某一點(diǎn)（x，y）的數(shù)據(jù)信息為h，那么將其帶入到對(duì)應(yīng)的模型中，對(duì)該點(diǎn)數(shù)據(jù)的異常情況進(jìn)行判斷，其可表示為：

（4）

公式（4）中，當(dāng)?shù)玫降腇（x，y）輸出結(jié)果為1時(shí)，則表明該位置的數(shù)據(jù)信息未出現(xiàn)由抖動(dòng)造成的異常，當(dāng)F（x，y）的輸出結(jié)果在0-1之間時(shí)，表明該點(diǎn)數(shù)據(jù)有抖動(dòng)現(xiàn)象，將作為補(bǔ)償位置，對(duì)其進(jìn)行去抖動(dòng)處理，當(dāng)F（x，y）的輸出結(jié)果為0時(shí)，表明該位置為空白，抖動(dòng)不會(huì)對(duì)圖像產(chǎn)生直接影響，不做參考。通常情況下，當(dāng)點(diǎn)（x，y）具備抖動(dòng)特征時(shí)，對(duì)圖像產(chǎn)生的影響為信息模糊，而空白位置的模糊不會(huì)對(duì)其所包含的信息產(chǎn)生干擾，因此，本文對(duì)圖像進(jìn)行去抖動(dòng)處理時(shí)，未對(duì)該類情況進(jìn)行深入分析。

通過這樣的方式，將k內(nèi)的所有位置的圖像信息進(jìn)行計(jì)算，得到需要進(jìn)行補(bǔ)償?shù)臄?shù)據(jù)結(jié)果。

2.2抖動(dòng)數(shù)據(jù)補(bǔ)償

對(duì)于出現(xiàn)抖動(dòng)的視頻圖像，利用模型計(jì)算得到的輸出結(jié)果對(duì)補(bǔ)償量進(jìn)行統(tǒng)計(jì)。

前文已經(jīng)得出結(jié)果，當(dāng)F（x，y）的輸出值為（0，1）范圍內(nèi)時(shí)，判斷為抖動(dòng)，那么補(bǔ)償量的計(jì)算方式可以表示為公式（5）：

（5）

由此得到不同位置的抖動(dòng)補(bǔ)償值，將其帶入到原始圖像中，對(duì)補(bǔ)償結(jié)果進(jìn)行計(jì)算，這時(shí)異常點(diǎn)的數(shù)據(jù)結(jié)果可以表示為公式（6）：

（6）

將補(bǔ)償后的數(shù)據(jù)結(jié)果重新帶入到模型中，對(duì)補(bǔ)償效果進(jìn)行檢驗(yàn)，當(dāng)輸出結(jié)果為1時(shí)，表明補(bǔ)償能夠?qū)崿F(xiàn)對(duì)抖動(dòng)的有效去除;當(dāng)輸出結(jié)果為0-1之間時(shí)，表明補(bǔ)償值仍需進(jìn)一步優(yōu)化，那么則循環(huán)上述過程，直至滿足去抖動(dòng)目標(biāo)為止。

通過這樣的方式，實(shí)現(xiàn)對(duì)視頻圖像中抖動(dòng)的有效去除，提高圖像的清晰度。

3實(shí)驗(yàn)測(cè)試

在得到上述去抖動(dòng)方法之后，本文進(jìn)行了實(shí)驗(yàn)測(cè)試，為了有效驗(yàn)證本算法的性能，將文獻(xiàn)[6]以及文獻(xiàn)[7]提出的方法作為對(duì)照組，測(cè)試本文提出方法的實(shí)際應(yīng)用效果。

3.1測(cè)試環(huán)境

測(cè)試數(shù)據(jù)來源于某高原地區(qū)的道路檢測(cè)設(shè)備，視頻圖像大小為256×120，視頻幀率為25fps。硬件設(shè)備為Intel P41.4GHz CPU，其對(duì)于圖像的處理速率可達(dá)到40ms/frame。以此為基礎(chǔ)，分別采用三種方法對(duì)其進(jìn)行去抖動(dòng)處理，通過對(duì)比去抖動(dòng)后圖像的均方誤差（MSE，Mean Squared Error）、均方根誤差（RMSE，RootMean Square Error）和峰值信噪比（PSNR，Peak Signal To Noise Ratio）這對(duì)三種方法的性能進(jìn)行評(píng)價(jià)。其中，MSE值的大小表示了原始圖像與去抖動(dòng)模糊圖像兩者之間的差距程度，其可表示為：

（7）

公式（7）中，f（i，j）和 分別代表原始模糊圖像和去抖動(dòng)后圖像在點(diǎn)（i，j）處的灰度值。M為圖像的高度，n為圖像的寬度。

RMSE主要用于計(jì)算去抖動(dòng)模糊圖像與原始圖像的數(shù)據(jù)之間的差異性，其表示為公式（8）：

（8）

是以圖像的統(tǒng)計(jì)特征為基礎(chǔ)的，總體上可以較直觀地反映兩幅圖像的差別，其表示為公式（9）：

（9）

其中，n表示為每個(gè)像素采樣值的比特?cái)?shù)。

3.2測(cè)試結(jié)果與分析

利用三種方法對(duì)圖1（a）處理后，得到的圖像分別如圖1（b），圖1（c）和圖1（d）所示。

從圖1可以看出，通過直觀的觀察對(duì)三種方法的去抖動(dòng)方法進(jìn)行判斷時(shí)，本文方法處理后的圖像效果明顯優(yōu)于另外兩種方法，通過對(duì)比圖中標(biāo)記出的位置，本文方法基本實(shí)現(xiàn)了抖動(dòng)的完全消除，文獻(xiàn)[6]和文獻(xiàn)[7]方法仍可看到明顯的抖動(dòng)痕跡。

為了提高對(duì)三種處理方法有效性的準(zhǔn)確評(píng)價(jià)，在上述基礎(chǔ)上，三種方法處理后的圖像指標(biāo)進(jìn)行對(duì)比，其結(jié)果如表1所示。

從表1中可以看出，在三種方法中，文獻(xiàn)[6]方法處理后的圖像的MSE、RMSE、PSNR均高于另外兩種方法，文獻(xiàn)[7]方法雖然有所提升，但與本文方法相比仍有明顯不足。本文方法的MSE、RMSE分別為0.0186和0.1357，表明去抖動(dòng)后的圖像與原始圖像具有較高的擬合度，能夠高質(zhì)量地還原圖像中的信息，PSNR值為21.4624，明顯高于另外兩種方法，同樣證明了原圖像和去抖動(dòng)圖像之間的差距較小。通過上述結(jié)果可以看出，本文方法具有良好的去抖動(dòng)效果。這主要是因?yàn)楸疚牟捎肦ANSAC構(gòu)建了圖像信息模型，以此為基礎(chǔ)實(shí)現(xiàn)對(duì)抖動(dòng)像素的有效識(shí)別和處理。

4結(jié)束語(yǔ)

準(zhǔn)確并及時(shí)的道路監(jiān)控視頻信息是確保道路安全運(yùn)行的重要基礎(chǔ)，為此，降低視頻圖像中的干擾信息，提高圖像質(zhì)量是十分必要的。本文提出基于RANSAC的高原地區(qū)交通違章視頻圖像去抖動(dòng)方法，能夠有效降低由于抖動(dòng)引起的視頻圖像清晰度較低的問題，提高了視頻圖像的信息提取價(jià)值，對(duì)于道路交通管理具有較高的實(shí)際應(yīng)用價(jià)值。在之后的研究中，可以針對(duì)視頻圖像中像素塊之間的聯(lián)系，加強(qiáng)對(duì)圖像的高清修復(fù)，實(shí)現(xiàn)更高質(zhì)量的圖像處理，滿足更加精細(xì)化的信息需求。

近年來我國(guó)大力倡導(dǎo)區(qū)域均衡發(fā)展，西部大開發(fā)日新月異，高原地區(qū)公路作為交通運(yùn)輸大動(dòng)脈交通量不斷增大。深入研究高原地區(qū)公路的交通問題，針對(duì)其交通行為制定有效的策略，根據(jù)現(xiàn)有交通檢測(cè)技術(shù)，進(jìn)行算法優(yōu)化，提高其通行能力意義重大。性能優(yōu)良的交通檢測(cè)技術(shù)還可以加強(qiáng)交通管理者對(duì)道路的可視化管理，最大程度降低交通事件對(duì)道路運(yùn)行產(chǎn)生的負(fù)面影響。

參考文獻(xiàn)

[1]吳祿慎，陳小杜.一種改進(jìn)AKAZE特征和RANSAC的圖像拼接算法[J].計(jì)算機(jī)工程，2021， 47（01）：246-254.

[2]顧揚(yáng)，曾凡意，應(yīng)昊然，等.一種提取抖動(dòng)視頻中前景目標(biāo)的新方法[J].計(jì)算機(jī)技術(shù)與發(fā)展，2021， 31（01）：67-72.

[3]方林波，石昊蘇，路雅寧，等.基于RANSAC的道路影像控制點(diǎn)選取方法研究[J].電子設(shè)計(jì)工程，2021，29（06）：142-147.

[4]曾光輝，何波.RANSAC算法在網(wǎng)頁(yè)關(guān)鍵信息智能篩選中的應(yīng)用研究[J].科學(xué)技術(shù)創(chuàng)新，2021（12）：114-115.

[5]趙傳，郭海濤，盧俊，等.結(jié)合區(qū)域增長(zhǎng)與RANSAC的機(jī)載LiDAR點(diǎn)云屋頂面分割[J].測(cè)繪學(xué)報(bào)，2021，50（05）：621-633.

[6]汪權(quán)，朋漢林，汪平河，等.光學(xué)相干層析成像眼底視網(wǎng)膜三維圖像去抖動(dòng)方法[J].光學(xué)學(xué)報(bào)，2019，39（03）：308-313.

[7]張雷洪，熊銳.基于抖動(dòng)補(bǔ)償技術(shù)的印刷品圖像配準(zhǔn)方法研究[J].光學(xué)儀器，2019，41（03）：67-74.

[8]胡永.基于多視點(diǎn)空間目標(biāo)的高原公路交通行為檢測(cè)[J].計(jì)算機(jī)仿真，2021，38（07）：376-380.