彩色低照度環(huán)境下的視頻車輛檢測方法研究

賈小云+周玲羽+任江+張楠

摘要：針對彩色低照度環(huán)境下夜間視頻車輛檢測困難的問題，提出首先利用基于多尺度Retinex的低照度圖像增強算法對原始彩色圖像進行處理，然后利用幀差法提取運動目標后進行形態(tài)學(xué)降噪。由于提取出來的運動車輛存在斷層，針對該現(xiàn)象給出了有效的解決方法來判斷運動目標是否為同一車輛，從而解決了斷層的問題。實驗數(shù)據(jù)顯示所提出的方法具有較好的性能，不僅滿足實時性車輛檢測的要求，而且解決了夜間運動車輛檢測的問題。

關(guān)鍵詞：車輛檢測；低照度；幀差法；車流量信息

中圖分類號：TP391 文獻標識碼：A 文章編號：1009-3044（2016）10-0175-03

1 概述

進入交通智能化的21世紀，公路交通智能系統(tǒng)的重要性凸顯出來，車輛檢測方法是智能交通系統(tǒng)的核心。目前較常用的車輛檢測方法有：環(huán)形磁感線圈檢測、超聲波檢測、微波雷達檢測、紅外線檢測、氣動導(dǎo)管檢測、光電式檢測、基于視頻車輛檢測等。視頻檢測是一種將視頻圖像和電腦化模式識別結(jié)合起來的技術(shù)，即通過視頻攝像機和電腦模仿人眼功能[1-5]。成為近年來智能交通與計算機視覺研究的熱點。

夜間視頻圖像中車輛本身可辨別信息量少，光照亮度變化大，車輛燈光的梯度信息不明顯、有明顯光暈，造成目標提取困難，誤檢率漏檢率高[6]。尤其在低照度環(huán)境下，所獲取的視頻圖像質(zhì)量不高，為后續(xù)車輛檢測加大了難度[7]。為了更好地解決上述問題，本文將針對彩色低照度環(huán)境下的夜間視頻車輛自動檢測提出有效的解決方法。

2 夜間運動目標檢測

運動目標的檢測和跟蹤，到目前為止，國內(nèi)外對其在低照度環(huán)境下的研究還較少，對于一般車輛檢測系統(tǒng)在夜間等低照度環(huán)境下檢測能力急劇下降的問題，在室外攝像頭已固定的情況下，針對處于低照度環(huán)境下的視頻車輛進行檢測識別。

2.1 低照度圖像增強處理

根據(jù)環(huán)境照度將夜間交通場景區(qū)分為充足照明和低照度兩種情況，本文主要針對夜間低照度環(huán)境，采用Retinex理論[8]進行低照度圖像增強處理。不同于傳統(tǒng)的線性、非線性的只能增強圖像某一類特征的方法，Retinex可以在動態(tài)范圍壓縮、邊緣增強和顏色恒常三個方面達到平衡，因此可以對各種不同類型的圖像進行自適應(yīng)性增強[9]。本文在單尺度SSR（Single Scale Retinex）的基礎(chǔ)上利用多尺度MSR（Multi Scale Retinex）進行圖像增強處理[10]。MSR是在SSR的基礎(chǔ)上發(fā)展而來的，其優(yōu)點是可以同時保持圖像高保真度和對圖像的動態(tài)范圍進行壓縮，并且在一定情況下，MSR可以實現(xiàn)色彩增強、顏色恒常性、局部動態(tài)范圍壓縮、全局動態(tài)范圍壓縮，也可以用于X光圖像增強。公式（1）（2）如下：

[r（x，y）=kKwk{logS（x，y）-log[Fk（x，y）*S（x，y）]}] （1）

[F（x，y）=λe-（x2+y2）c2] （2）

式中，[r（x，y）]為輸出圖像，*為卷積符號，[F（x，y）]為中心環(huán)繞函數(shù)，式中的[K]是高斯中心環(huán)繞函數(shù)的個數(shù)，當(dāng)[K=1]時，MSR退化為SSR。通常來講，出于保證同時兼有SSR高、中、低三個尺度的優(yōu)點的考慮，[K]的取值通常為3，此外實驗表明，[W1=W2=W3=1/3]，其分別取15，80，120可以得到較好的結(jié)果[11]。

對原始彩色視頻圖像經(jīng)過低照度圖像增強處理后，其效果對比如圖1、圖2所示：

2.2 幀差法提取運動目標

在低照度圖像增強處理后圖像效果明顯增強，在不存在噪聲的理想情況下，運動目標的檢測就是檢測視頻序列相鄰幀之間是否有所變化。如果有變化，則說明有物體在改變（運動），反之則認為沒有。本文采用幀間差值法來對運動目標進行提取。

幀差法是將拍攝到的前后兩幀包含運動目標的圖像經(jīng)過其對應(yīng)像素點的灰度值進行做差操作，如果得到的灰度差結(jié)果值非常小，則判定在此處沒有運動目標經(jīng)過；如果得到的灰度差結(jié)果值大于設(shè)定閾值，則判定此處有運動目標經(jīng)過。本文首先采用兩相鄰視頻幀之間的差值提取運動車輛，然后對差值圖進行二值化，之后進行開運算操作去除噪聲。

幀差法的原理是將拍攝到的前后兩幀（或多幀）含運動目標的連續(xù)圖像所對應(yīng)的像素做差，從而獲取運動目標。下面公式（3）是通過幀差法提取運動目標的方法，計算公式如下：

[Δf=f2（x，y）-f1（x，y）] （3）

式中，是時刻的圖像幀，是時刻的圖像幀。提取出運動目標后首先對圖像二值化，將圖像上的像素點的灰度值設(shè)置為0或255，也就是將整個圖像呈現(xiàn)出明顯的黑白效果。將256個亮度等級的灰度圖像通過適當(dāng)?shù)拈撝颠x取而獲得仍然可以反映圖像整體和局部特征的二值化圖像[12]。把利用幀差法得到的差值圖進行二值化以便更好的有利于圖像的進一步處理。其次結(jié)合形態(tài)學(xué)降噪進行開運算處理，降低圖像噪聲點。由于受到環(huán)境噪聲的干擾，經(jīng)過二值化運算得到的目標圖像中經(jīng)常會含有一些孤立的點或小區(qū)域、小間隙等影響物，需要將孤立的點、小區(qū)域去除。消除圖像內(nèi)部噪聲常用方法是數(shù)學(xué)形態(tài)學(xué)的膨脹與腐蝕，也稱開運算和閉運算，其中開運算操作會使目標對象的邊緣輪廓變得柔和，消除狹小的間斷和一些細小的突出物。本文采用開運算操作對得到的差值二值圖進行膨脹如圖3所示。

3 夜間車流量檢測

在對原始彩色視頻圖像進行低照度圖像增強處理后再利用幀差法提取出運動目標[13]，就要進行下一步判斷，提取出的運動目標是否為一輛車，本文將提出一種有效的車流量檢測方法。

3.1 設(shè)置感興趣區(qū)域為虛擬線圈區(qū)域

為了能準確采集到車流量信息，模擬設(shè)置虛擬線圈區(qū)域作為目標檢測的感興趣區(qū)域。因為不需要對采集到的整幅圖像進行處理，因此該區(qū)域不需要太大，且對視頻車輛進行檢測必須要有實時性，在此將感興趣區(qū)域設(shè)置一定合適的寬度和高度即可。在攝像頭固定安裝的情況下，選取虛擬線圈的位置應(yīng)充分與攝像頭的位置和其景深協(xié)調(diào)。設(shè)置虛擬線圈的應(yīng)用效果圖如圖4。對虛擬線圈的大小要求如下：如果虛擬線圈設(shè)置太大，將會把該車輛的前后車輛信息誤檢到；如果虛擬線圈設(shè)置太小，則可能包含該車輛的信息不完整。通常情況下，對于768×576 像素大小的圖像將其高度設(shè)置為20行。在上述條件下，設(shè)定兩個虛擬線圈大小分別為20×160和20×140。

3.2 視頻中車流量檢測

由于提取出來的車輛存在斷層，以車輛斷層和車間距離的特征即車輛斷層間距小而車間間距大為依據(jù)，判斷經(jīng)過虛擬線圈的運動物體是否為一輛車。當(dāng)虛擬線圈內(nèi)檢測到的白色點大于3時，假設(shè)有一輛車進入則開始進行統(tǒng)計；當(dāng)白色點消失，虛擬線圈內(nèi)變?yōu)楹谏珪r開始統(tǒng)計幀數(shù)，直到虛擬線圈內(nèi)再次出現(xiàn)白色點為止。經(jīng)過反復(fù)試驗和以往經(jīng)驗所得，當(dāng)檢測到出現(xiàn)兩次白色點之間的黑色區(qū)域的幀數(shù)小于35幀時則判定黑色區(qū)域為車輛內(nèi)部斷層；而當(dāng)檢測到的幀數(shù)大于35幀時則判定黑色區(qū)域為兩輛車間間距；當(dāng)確定為一輛車經(jīng)過時虛擬線圈內(nèi)會變?yōu)榘咨?，表示統(tǒng)計到一輛車，反之則虛擬線圈內(nèi)無變化[14]。檢測結(jié)果如圖5所示，檢測方法如圖6所示，夜間場景下測試。

原視頻中光照較暗，拍攝距離比較近，場景比較小，低照度環(huán)境及車燈產(chǎn)生的光暈增加了車輛檢測的難度。首先在彩色低照度環(huán)境下采用多尺度MSR理論完成圖像增強預(yù)處理，為后續(xù)車輛檢測打下基礎(chǔ)，然后用幀差法提取運動目標后進行開運算降噪處理。再利用本文提出的車輛檢測方法，能抑制車燈光暈，并且能較準確地消除由于車輛斷層和環(huán)境噪聲引起的漏檢、誤檢或多檢等各種檢測錯誤現(xiàn)象，整體檢測準確率較高。

4 結(jié)束語

本文通過實驗得出在夜間低照度環(huán)境下，由于光照不足的干擾，給車流檢測和交通信息提取帶來了困難。而在檢測運動目標前對彩色視頻圖像先進行圖像增強預(yù)處理，可以大大改善圖像的質(zhì)量和檢測效果，提高檢測準確率。結(jié)合幀間差值法來對運動目標進行提取，這樣能夠在夜間實時地抑制車燈的光暈，同時能夠比較完整地保留提取出的車輛邊緣輪廓信息，在此基礎(chǔ)上再利用所提出的車輛檢測方法，使最后的檢測效果較好，能滿足實時性處理的要求，提高夜間場景下違章車輛檢測的準確度。

參考文獻：

[1] Yan Xinping， Zhang Hui， Wu Chaozhong. Research and Development of Intelligent Transportation Systems[C]// Distributed Computing and Applications to Business， Engineering & Science （DCABES）， 2012 11th International Symposium on. IEEE， 2012：321-327.

[2] Rajiv Kumar Nath， Dr. Swapan Kumar Deb. ON ROAD VEHICLE/OBJECT DETECTION AND TRACKING USING TEMPLATE[J]. Indian Journal of Computer Science and Engineering， 2010， 1（2）：98-107.

[3] 張文溥. 視頻車輛檢測技術(shù)及發(fā)展趨勢[J]. 中國人民公安大學(xué)學(xué)報：自然科學(xué)版， 2014， 36（12）： 91-94.

[4] 張暉， 董育寧. 基于視頻的車輛檢測算法綜述[J]. 南京郵電大學(xué)學(xué)報：自然科學(xué)版， 2007（3）： 88-94.

[5] 梁曉愛， 侯德文， 丁德志. 基于視頻的車輛檢測中檢測與去除陰影的一種有效方法[J]. 信息技術(shù)與信息化， 2009（2）： 69-71.

[6] 唐佳林， 李熙瑩， 羅東華， 等. 一種基于幀差法的夜間車輛檢測方法[J]. 計算機測量與控制， 2008（12）： 1811-1813.

[7] 陳柏生. 基于圖像處理的夜間車輛檢測[J]. 微型機與應(yīng)用， 2012， 31（5）： 36-41.

[8] 劉松， 孫東， 盧一相. 基于單尺度Retinex霧天降質(zhì)圖像增強算法[J]. 微電子學(xué)與計算機， 2013， 30（11）： 44-46.

[9] 沈文文. 視頻圖像增強技術(shù) 讓視覺更完美[J]. 中國公共安全， 2013（18）： 162-164.

[10] 許金元. 改進MSR圖像增強算法的分析與研究[J]. 科技通報， 2013， 29（9）： 164-165.

[11] 王書新. 基于Retinex理論的圖像增強算法研究[D].昆明： 昆明理工大學(xué)， 2011.

[12] 李從生， 柏軍， 周廣祿. 基于幀差法的夜間城市道路車輛檢測[J]. 制造業(yè)自動化， 2011， 33（2）： 213.

[13] Changhong Chen， Jimin Liang， Heng Zhao， Haihong Hu，Jie Tian. Frame difference energy image for giat recognition with incomplete silhouettes[J]. Pattern Recognition Letters， 2009， 30（11）： 977-984

[14] 顧洋. 自適應(yīng)背景更新的視頻車輛檢測[J]. 南京工程學(xué)院學(xué)報：自然科學(xué)版， 2012（2）： 59-62.