霧霾天氣下車前障礙物識別

貴州師范大學(xué)物理與電子科學(xué)學(xué)院 李 浩 劉志超 楊 梅 張良玉

霧霾天氣下車前障礙物識別

貴州師范大學(xué)物理與電子科學(xué)學(xué)院 李 浩 劉志超 楊 梅 張良玉

針對霧霾環(huán)境下駕駛員對前方環(huán)境辨別能力差、處理圖像時干擾因素過多等問題,提出了一種基于引導(dǎo)圖像濾波和Prewitt算子相結(jié)合的方法.本方法通過含有包濾波器的引導(dǎo)圖像濾波去除霧霾影響,然后借助霍夫(Hough)變換對道路邊緣進(jìn)行檢測以尋找到感興趣區(qū)域(Regions of Interest,ROI),最后對這一區(qū)域的圖像使用Prewitt算子的邊緣檢測進(jìn)行處理以識別出車輛前方的障礙物.該方法不僅能有效避免駕駛員因視線差而導(dǎo)致的事故,而且提高了障礙物的識別效果.

霧霾;引導(dǎo)圖像濾波;霍夫變換;障礙物;Prewitt算子

0 引言

霧霾是由于空氣中二氧化硫(SO2)、氮氧化物以及可吸入顆粒物(PM2.5)達(dá)到了一定的程度所形成的,對人類的身體狀況以及生活環(huán)境造成極大的影響,尤其在交通安全方面.

由于空氣質(zhì)量差,能見度低,霧霾天氣很容易發(fā)生交通堵塞甚至發(fā)生交通事故.因此,在對車輛前方障礙物的識別過程中,如何消除霧霾天氣對圖像識別的影響就顯得尤為重要.

目前對霧霾的處理方法主要有兩種方向:一種是對圖像進(jìn)行增強(qiáng)的處理辦法,另一種是對圖像進(jìn)行修復(fù)[1].而前者主要包括直方圖均衡化法、Retinex圖像增強(qiáng)算法、小波變換算法等,后者主要包括基于深度信息的圖像復(fù)原算法、基于暗原色先驗(yàn)理論圖像復(fù)原算法等.本文所使用的是引導(dǎo)圖像濾波的方法.

1 圖像去霧霾處理

對圖像進(jìn)行霧霾去除所使用的方法--引導(dǎo)圖像濾波,也被稱為邊緣平滑濾波器.它主要是通過一幅引導(dǎo)圖像對輸入的圖像進(jìn)行濾波,使得輸出的圖像一方面可以保留輸入圖像的特征,另一方面也可以獲得引導(dǎo)圖像的變化細(xì)節(jié)[2].設(shè)輸入圖像為p,引導(dǎo)圖像為I,輸出圖像為q,而q與p的關(guān)系為:

其中n為圖像中的噪聲或紋理,將輸入的圖像去除掉噪聲得出所需圖像.引導(dǎo)圖像濾波過程主要通過公式(2)~(4)實(shí)現(xiàn).

式中ε為正則化參數(shù),cov(I,p)代表I與p之間的協(xié)方差,var(I)是求I的方差.(2)式是要求濾波后的圖像中的紋理需要和引導(dǎo)圖像的紋理相似,(3)和(4)式是表示濾波后的圖像盡可能與輸出圖像相似,這也是滿足引導(dǎo)圖像濾波的兩個條件.

圖像中取每個像素的和、平方和、協(xié)方差、方差等特征時,需要復(fù)雜、繁瑣的算法,為了對其優(yōu)化,本文對圖像引導(dǎo)濾波時引入了包濾波器(boxfilter),主要功能:在確定了的滑動窗口下,對每一行、列的像素值相加求和.本文在仿真時所使用的引導(dǎo)圖像為原始輸入圖像,即I=p[3].如圖1為引導(dǎo)圖像濾波后的圖像與輸出圖像的對比.通過對比圖,引導(dǎo)濾波后的圖像可以有效地去除圖中霧霾的影響,細(xì)節(jié)增強(qiáng),對下一步道路圖像的處理提高準(zhǔn)確性.

圖1 引導(dǎo)濾波前后圖像

2 道路邊界檢測

道路邊界線主要是為了區(qū)分道路與非路面而設(shè)定的一條界線.在城市道路建設(shè)中,道路邊界線的設(shè)定也是在給行車的司機(jī)一種約束,以防其行駛到非機(jī)動車道.一般的道路邊界線是兩條白色的實(shí)線,分別位于道路的兩邊.為了檢測出道路的邊界線,本文使用的是Hough變換的方法[4].而由于Hough變換主要思想是從黑白圖像中檢測直線,因此對圖像進(jìn)行Hough變換時需要先將彩色圖像灰度化.在整個過程中,實(shí)現(xiàn)Hough變換需要三個步驟[5]:第一,從圖像中隨機(jī)選取前景點(diǎn),然后將其映射到極坐標(biāo)系中;第二,在極坐標(biāo)系中,如果出現(xiàn)有交點(diǎn)并且達(dá)到了最小投票數(shù),就把此點(diǎn)對應(yīng)到x-y坐標(biāo)中的直線L上;第三,尋找邊緣圖像中的前景點(diǎn),把直線L上的點(diǎn)連成線段,然后將這些點(diǎn)刪除掉,并記錄該線段的數(shù)據(jù).在仿真中使用了Hough函數(shù):一個是求極值點(diǎn):Peaks=houghpeaks(H,1);另一個是為了得到線段的信息:lines=houghlines(Iedge,T,R,Peaks),從而得到了道路邊界線,如圖2所示.

圖2 利用Hough變換檢測道路邊界線

3 障礙物識別

對圖像進(jìn)行霧霾去除與道路邊界線識別后,就可以對車前障礙物識別.本文選取第一張圖像進(jìn)行處理.

3.1 ROI區(qū)域確定

圖像處理過程中,為了簡化處理過程我們需要提取出有用的信息,也就是ROI區(qū)域[6].為了更加準(zhǔn)確地,實(shí)用地得到此區(qū)域,只需從道路邊界線中選取即可.在道路邊界線的仿真中,通過兩條代碼:

xy=[lines(k).point1;lines(k).point2];

xy1=[lines1(k).point1;lines1(k).point2];

可以得出兩條線段直的范圍xy=[272,146;458,79]、xy1=[380,208;470,237],然后將兩條線段完整的融合出來,如圖3所示.從圖中可以找出兩條線段的焦點(diǎn)(232.1429,160.3571),從而確定出所需ROI區(qū)域的范圍,即圖3所示的陰影部分.

圖3 融合道路邊緣線

由于汽車在行駛過程中,當(dāng)遇到緊急情況時會選擇剎車,而由于慣性會出現(xiàn)一段剎車距離,所以根據(jù)《中華人民共和國道路交通安全法》中的條例并結(jié)合陰影的范圍,得出了ROI區(qū)域的坐標(biāo),即x=[0,164,307,501]、y=[242,183,183,242].如圖4為所得到的ROI區(qū)域.

圖4 圖像RIO區(qū)域

3.2 圖像預(yù)處理

對目標(biāo)確認(rèn)之前,首先對圖像進(jìn)行預(yù)處理,以下為預(yù)處理過程的流程圖.

圖5 圖像預(yù)處理流程圖

為了能更準(zhǔn)確的檢測到前方障礙物,在對處理霧霾后的基礎(chǔ)上加入了直方圖均勻化與中值濾波,進(jìn)一步消除圖像中的噪聲,并且保持了圖像中的細(xì)節(jié)部分[7].在濾波窗口的選擇上,本文使用的是3X3的濾波窗口.而為了讓圖像更加清晰以及特征更加明顯,本文在濾波后的基礎(chǔ)上加入了灰度變換[8],采用的是imadjust函數(shù).對圖像邊緣檢測中,參照文獻(xiàn)[7]與[9]并且借助仿真結(jié)果的比較,選用了Prewitt算子.Prewitt算子是一種3X3模板的算子,通過一幅圖像中某個像素點(diǎn)的上下、左右的灰度差,并且在檢測邊緣處時達(dá)到極值,如圖6所示.借助一條代碼:

R_edge=edge (R_imad,'prewitt');

得出邊緣檢測后的圖像,如圖7所示.從中可以看出Prewitt算子的邊緣檢測方法對圖像不僅可以檢測出邊緣點(diǎn),而且可以抑制噪聲的影響.

圖6 Prewitt算子

圖7 利用Prewitt算子檢測圖像邊緣

3.3 目標(biāo)區(qū)域確定

圖像邊緣檢測后,要對圖像進(jìn)行形態(tài)學(xué)處理,主要有三個步驟:第一圖像腐蝕運(yùn)算,使用imerode函數(shù);第二圖像閉運(yùn)算,填充圖像,使用imclose函數(shù);第三去除聚團(tuán)灰度值小于300的部分,使用bwareaopen函數(shù).最后將處理過的圖像轉(zhuǎn)移到原圖像中就得到了目標(biāo)區(qū)域,如圖8所示.

圖8 目標(biāo)區(qū)域圖像

4 總結(jié)

針對霧霾環(huán)境下,車輛前方障礙物難以識別,提出了一種用于解決該問題的圖像多層次處理方法.分別使用了引導(dǎo)圖像濾波、Hough變換、中值濾波等算法,進(jìn)一步提高識別成功率,對以后的障礙物避讓方法的研究打下基礎(chǔ).

[1]李滾,吳劼夫,雷志勇.圖像霧霾等級評價及去霧技術(shù)研究進(jìn)展[J].激光雜志,2014(09):1-6.

[2]Tsai C L,Tu W C,Chien S Y.Efficient natural color image denoising based on guided filter.IEEE International Conference on Image Processing,2015:43-47.

[3]Liu Y,heng C,Zheng Q.Removing Monte Carlo noise using a Sobel operator and a guided image filter[J].Visual Computer,2017:1-13.

[4]王燕清,辛柯俊,陳德運(yùn),等.基于啟發(fā)式概率Hough變換的道路邊緣檢測方法[J].計算機(jī)科學(xué),2013(09):279-283.

[5]Mukhopadhyay P,Chaudhuri B B.A survey of Hough Transform[J].Pattern Recognition,2014,48(3):993-1010.

[6]許剛,閆欣.圖像感興趣區(qū)域多源顏色信息融合算法[J].計算機(jī)工程與設(shè)計,2016(10):2728-2732.

[7]張巖.MATLAB圖像處理超級學(xué)習(xí)手冊[M].北京:人民郵電出版社,2014:186-188.

[8]陳建美,宋余慶,朱峰.數(shù)字圖像處理與分析[M].江蘇:江蘇大學(xué)出版社,2015:66-68.

[9]Ni S,Mehra R,Sharma L.Comparative Analysis of Canny and Prewitt Edge Detection Techniques used in Image Processing.International Journal of Engineering Trends andTechnology(IJETT),2015:48-53.

Identification of Obstructions in front of Vehicles under Smog

LI Hao,LIU Zhichao,YANG Mei,ZHANG Langyu
(School of Physics and Electronic Science,Guizhou Normal University,Guiyang,Guizhou 550001,China)

For poor discriminating ability of the driver in smog environment and excessive interference factors in image processing,an approach is proposed based on the combination of guided image filtering and Prewitt operator.In this approach,the smog factor is removed by guided image filtering with box filter,and then the road edge is detected by Hough transform to find the region of interest(ROI).At last,the image of the area is processed by edge detection method of the Prewitt operator to identify the obstacles in front of vehicle. This approach not only can effectively avoid the accident caused by driver's sight,but improve the identification of obstacles.

Key worlds:Smog;Guided image filter;Hough transform;Obstacle;Prewitt operator

貴州師范大學(xué)研究生創(chuàng)新基金(研創(chuàng)(2016)17).

李浩(1992-),男,碩士研究生,研究方向:智能網(wǎng)絡(luò)控制與應(yīng)用.