彩色低照度环境下的视频车辆检测方法研究.docVIP

彩色低照度环境下的视频车辆检测方法研究 　　摘要：针对彩色低照度环境下夜间视频车辆检测困难的问题，提出首先利用基于多尺度Retinex的低照度图像增强算法对原始彩色图像进行处理，然后利用帧差法提取运动目标后进行形态学降噪。由于提取出来的运动车辆存在断层，针对该现象给出了有效的解决方法来判断运动目标是否为同一车辆，从而解决了断层的问题。实验数据显示所提出的方法具有较好的性能，不仅满足实时性车辆检测的要求，而且解决了夜间运动车辆检测的问题。 　　关键词：车辆检测；低照度；帧差法；车流量信息 　　中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2016）10-0175-03 　　1 概述 　　进入交通智能化的21世纪，公路交通智能系统的重要性凸显出来，车辆检测方法是智能交通系统的核心。目前较常用的车辆检测方法有：环形磁感线圈检测、超声波检测、微波雷达检测、红外线检测、气动导管检测、光电式检测、基于视频车辆检测等。视频检测是一种将视频图像和电脑化模式识别结合起来的技术，即通过视频摄像机和电脑模仿人眼功能[1-5]。成为近年来智能交通与计算机视觉研究的热点。 　　夜间视频图像中车辆本身可辨别信息量少，光照亮度变化大，车辆灯光的梯度信息不明显、有明显光晕，造成目标提取困难，误检率漏检率高[6]。尤其在低照度环境下，所获取的视频图像质量不高，为后续车辆检测加大了难度[7]。为了更好地解决上述问题，本文将针对彩色低照度环境下的夜间视频车辆自动检测提出有效的解决方法。 　　2 夜间运动目标检测 　　运动目标的检测和跟踪，到目前为止，国内外对其在低照度环境下的研究还较少，对于一般车辆检测系统在夜间等低照度环境下检测能力急剧下降的问题，在室外摄像头已固定的情况下，针对处于低照度环境下的视频车辆进行检测识别。 　　2.1 低照度图像增强处理 　　根据环境照度将夜间交通场景区分为充足照明和低照度两种情况，本文主要针对夜间低照度环境，采用Retinex理论[8]进行低照度图像增强处理。不同于传统的线性、非线性的只能增强图像某一类特征的方法，Retinex可以在动态范围压缩、边缘增强和颜色恒常三个方面达到平衡，因此可以对各种不同类型的图像进行自适应性增强[9]。本文在单尺度SSR（Single Scale Retinex）的基础上利用多尺度MSR（Multi Scale Retinex）进行图像增强处理[10]。MSR是在SSR的基础上发展而来的，其优点是可以同时保持图像高保真度和对图像的动态范围进行压缩，并且在一定情况下，MSR可以实现色彩增强、颜色恒常性、局部动态范围压缩、全局动态范围压缩，也可以用于X光图像增强。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）]为输出图像，*为卷积符号，[F（x，y）]为中心环绕函数，式中的[K]是高斯中心环绕函数的个数，当[K=1]时，MSR退化为SSR。通常来讲，出于保证同时兼有SSR高、中、低三个尺度的优点的考虑，[K]的取值通常为3，此外实验表明，[W1=W2=W3=1/3]，其分别取15，80，120可以得到较好的结果[11]。 　　对原始彩色视频图像经过低照度图像增强处理后，其效果对比如图1、图2所示： 　　2.2 帧差法提取运动目标 　　在低照度图像增强处理后图像效果明显增强，在不存在噪声的理想情况下，运动目标的检测就是检测视频序列相邻帧之间是否有所变化。如果有变化，则说明有物体在改变（运动），反之则认为没有。本文采用帧间差值法来对运动目标进行提取。 　　帧差法是将拍摄到的前后两帧包含运动目标的图像经过其对应像素点的灰度值进行做差操作，如果得到的灰度差结果值非常小，则判定在此处没有运动目标经过；如果得到的灰度差结果值大于设定阈值，则判定此处有运动目标经过。本文首先采用两相邻视频帧之间的差值提取运动车辆，然后对差值图进行二值化，之后进行开运算操作去除噪声。 　　帧差法的原理是将拍摄到的前后两帧（或多帧）含运动目标的连续图像所对应的像素做差，从而获取运动目标。下面公式（3）是通过帧差法提取运动目标的方法，计算公式如下： 　　[Δf=f2（x，y）-f1（x，y）] （3） 　　式中，是时刻的图像帧，是时刻的图像帧。提取出运动目标后首先对图像二值化，将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果。将256个亮度等级的灰度图像通过适当的阈值选取而获得仍然可以反映图像整体和局部特征的二值化图像[12]。把利用帧差法得到的差值图进行二值化以便更好的有利于图像的