陳柏生

（華僑大學(xué) 計算機學(xué)院，福建 泉州 362021）

基于計算機視覺和圖像處理的交通監(jiān)控技術(shù)具有成本低、可擴展性好的特點，而且能夠提供比傳統(tǒng)的地埋式感應(yīng)線圈技術(shù)更為豐富和深層次的交通信息。目前，對日間條件下的交通監(jiān)控國內(nèi)外都已經(jīng)做了大量的研究工作，并取得了一些重要的成果[1-3]。然而，作為全天候交通監(jiān)控的一部分，夜間條件下的車輛監(jiān)控因其復(fù)雜的光照條件一直是一個十分棘手的難題。一些發(fā)達國家采用安裝紅外攝像機來獲取夜間道路圖像[4-5]，這種方法在檢測夜間行人時非常有效，但是在檢測夜間行駛的車輛時，仍然會受到車頭燈的強光、地面反射光和環(huán)境光線的影響，而且紅外攝像機價格昂貴。因此，目前較為通用的方法仍然是采用普通CCD攝像機拍攝夜間圖像，通過檢測圖像中的車頭燈來檢測車輛[6-8]。

目前為數(shù)不多的關(guān)于夜間交通監(jiān)控的研究都是在環(huán)境照度低、車體少部分可見的情況下進行的，提取車燈這一顯著特征作為車輛檢測的依據(jù)自然就成為了首選方案。事實上，目前大中城市的道路夜間光照條件普遍較好，車體可見度較高，因此提取車燈不再是夜間車輛檢測的唯一方案，檢測出車體輪廓進而實現(xiàn)跟蹤和識別成為可能。本文根據(jù)夜間交通的不同環(huán)境特點，把夜間交通區(qū)分為充足照明和低照度兩種情況，并采用不同策略進行處理。首先利用亮度分布的顯著差異自動地判別兩種情景，并導(dǎo)入相應(yīng)的處理流程（如圖1所示）。對于充足照明的情況，先使用梯度濾波對輸入圖像進行預(yù)處理，消除車燈、地面反光和環(huán)境光線的影響，然后結(jié)合幀間差分技術(shù)和級聯(lián)形態(tài)學(xué)濾波提取車輛區(qū)域；對于低照度的情況，先檢測車燈對并計算車燈對間距，然后根據(jù)車輛的結(jié)構(gòu)知識定位車體。

圖1 系統(tǒng)流程

1 環(huán)境照度判別

結(jié)合亮度和對比度判別夜間交通場景環(huán)境照度情況，由此決定此后將采用的檢測算法和相關(guān)系統(tǒng)參數(shù)。圖 2（a）、圖 2（c）是兩幅典型的夜間交通圖像，分別對應(yīng)充足照明和低照度的情況。由圖可見，它們在亮度和對比度上有一些顯著區(qū)別的特點：在充足照明條件下，圖像亮度分布在一個狹窄區(qū)間，具有較高強度值，灰度直方圖呈較顯著的單峰造型，如圖2（b）所示；在低照度條件下，亮度分布高度集中在一個極高值和極低值附近，它們分別對應(yīng)黑暗背景和車燈及路面反射光區(qū)域，灰度直方圖呈雙峰造型，如圖2（d）所示。

利用上述夜間交通場景特點，采用直方圖分析技術(shù)實現(xiàn)環(huán)境照明情況的判別。其步驟如下：

（1）統(tǒng)計圖像亮度平均值 al；

（2）使用 OTSU方法[9]將直方圖劃分成相互區(qū)隔的兩部分；

（3）檢測兩部分的峰點對應(yīng)的亮度值，設(shè)高亮度值為 h，低亮度值為l，計算兩者距離d=h-l；

（4）如滿足 al＜Tal且 d＞Td，則判別為低照度，否則判別為充足照明。

2 充足照明車輛檢測

2.1 梯度濾波預(yù)處理

梯度濾波后的效果如圖3（d）所示。

2.2 幀間差分

由于車燈和路面反光的影響，交通場景光線變化頻繁，要獲得穩(wěn)定可靠的夜間背景圖像非常困難，因此本文使用幀間差分方法提取運動前景。幀間差分通過在相鄰幀做差來檢測運動區(qū)域，其實現(xiàn)簡單、運算速度快，而且能夠避免由于背景中的車輛運動導(dǎo)致的“鬼影”問題。幀間差分方法的缺點是容易在運動區(qū)域產(chǎn)生空洞，本文使用級聯(lián)形態(tài)學(xué)濾波處理進行補償。在實驗中發(fā)現(xiàn)，三幀差分方法能夠比其他幀間差分方法獲得更優(yōu)的全局檢測效果，并且對攝像機抖動引入的噪聲有很強的抵抗性能。效果如圖3（e）所示。設(shè)當(dāng)前幀為In，與相鄰幀差分圖像為 Dn，則

進一步對差分圖像進行二值化處理：

其中，二值化閾值 Tn（i，j）由以該像素點為中心的尺度Nη的滑動窗口 η（x，y）獲得：

2.3 級聯(lián)形態(tài)學(xué)濾波處理

路面反光、環(huán)境光線變化以及攝像機抖動引入的圖像噪聲經(jīng)過梯度濾波預(yù)處理后并沒有被完全消除，仍然有一些細(xì)小的殘余噪聲被作為前景像素在幀間差分操作中被檢測出來。為了進一步消除這些細(xì)小噪聲的影響和填充幀間差分造成的空洞，采用級聯(lián)形態(tài)學(xué)濾波方法進行處理，即交替使用開、閉運算來達到雙邊濾波的目的：

其中，開運算XoS是對腐蝕圖像XΘS用膨脹進行恢復(fù)；閉運算X·S可看作是對膨脹圖像X⊕S用腐蝕進行恢復(fù)。處理后的效果如圖3（f）所示。最終，充足照明的車輛檢測結(jié)果如圖3（g）所示。

3 低照度車輛檢測

3.1 先驗知識

在低照度條件下，車體大部分被淹沒在背景中而不可見，如圖4（a）所示，車燈幾乎成為車輛唯一可利用的顯著特征，因此通過檢測圖像中的車燈來檢測車輛就成為很自然的選擇。結(jié)合車輛結(jié)構(gòu)的相關(guān)先驗知識有助于快速、準(zhǔn)確地檢測車燈。

2016年9月22日該站主體基坑開始土方開挖，開挖方向由南向北，采用中拉槽開挖方式。2016年9月22日至2016年11月29日土方開挖對應(yīng)工況見表1。

本文使用的先驗知識如下：

（1）車燈區(qū)域是具有一定面積的高亮區(qū)域，利用這一特征可以排除大面積的路面反光區(qū)域；

（2）車燈區(qū)域形狀近似圓或橢圓，利用這一特征可以排除環(huán)境光線引入的非似圓噪聲區(qū)域；

（3）車燈總是成對出現(xiàn)且位置大致處于同一水平線上，形狀和面積近似，利用這一特征可以最終確定車燈對。

3.2 檢測車燈對

（1）圖像二值化。低照度條件下，圖像亮度集中在一個極高值和一個極低值附近，它們分別對應(yīng)黑暗背景和高亮的車燈及路面反光，統(tǒng)計灰度直方圖呈顯著雙峰型。因此，可以很方便地計算出峰值對應(yīng)的亮度值，取高亮度峰值作為閾值對圖像進行二值化，結(jié)果如圖4（b）所示。

（3）確定車燈對。給定候選車燈區(qū)域R1和R2，其面積和緊致度分別為A1、C1和 A2、C2，計算 R1、R2圖像坐標(biāo)中心的水平和垂直距離分別為dx和dy，如滿足式（6），則認(rèn)為R1、R2是屬于同一輛車的一對車燈（如圖4（e）所示）：

其中，TA、TC是候選車燈區(qū)域面積和圓度相似度閾值，Tdy是車燈中心垂直距離閾值，Tdx1和Tdx2限制車燈對間距大小范圍。

最終低照度車輛檢測的效果如圖4（f）所示。

4 實驗結(jié)果與分析

對充足照明和低照度兩種場景進行了實驗，主要參數(shù)配置如下：（1）用于場景照度判別的亮度和對比度閾值Tal=60，Td=150；（2）充足照明條件下用于車輛檢測的梯度濾波系數(shù)k=128，幀間差分閾值滑動窗口大小為5×5，形態(tài)學(xué)濾波器采用形狀保持較好的圓形結(jié)構(gòu)元，4次交替開閉操作使用的結(jié)構(gòu)元半徑依次為 4、6、5、13；（3）低照度下用于車燈檢測的面積閾值 Amax=150，Amin=50，緊致度閾值Cmax=50，用于確定車燈對的面積比閾值TA=0.9，圓度比閾值TC=0.8，水平中心距閾值 Tdx1=10，Tdx2=30，垂直中心距閾值 Tdy=3。 圖 5（a）、圖 5（b）分別是對充足照明場景下600幀圖像和低照度場景下750幀圖像的檢測結(jié)果，全部幀序列中車輛檢測率統(tǒng)計情況如表1所示。

表1 車輛檢測率

由實驗中數(shù)據(jù)可以看出，對于兩種夜間交通場景，采用本文方法基本可以達到較好的檢測率，誤檢率都比較低，主要是因為實驗中最大的干擾因素，也就是路面的反光區(qū)域基本上被梯度濾波預(yù)處理消除。誤檢主要發(fā)生在兩種情況：（1）在充足照度條件下，大型車輛投射出強烈的燈光在路面形成的大面積強反光區(qū)域未能被梯度濾波預(yù)處理消除，而被作為運動前景錯誤檢出；（2）在低照度條件下，當(dāng)兩車平行行駛且距離較近，至少有一個車燈漏檢時，可能會把分別屬于兩輛車的兩個車燈誤認(rèn)為是一對。在道路車輛較多的狀況下漏檢現(xiàn)象較多。漏檢主要是由于以下幾個原因引起的：（1）車輛相互遮擋；（2）大型車輛投射的濃重陰影覆蓋其他車輛；（3）多車輛的強烈前照燈光將車輛聯(lián)結(jié)成難以區(qū)分的整片。

本文提出了一種夜間車輛檢測的新思路，即根據(jù)場景光照將夜間交通自動區(qū)分為有路燈照明和無路燈照明兩種情況，并分別設(shè)計相應(yīng)的處理流程檢測夜間行駛的車輛。實驗結(jié)果表明，本文方法可以較好地檢測有無路燈照明兩種情況下的行駛車輛，能比單純使用車燈特征的傳統(tǒng)車輛檢測方法提供更豐富的信息用于監(jiān)控系統(tǒng)后續(xù)的車型識別和車輛跟蹤。利用檢測結(jié)果進一步開展車型識別和車輛跟蹤的研究將是今后工作的方向。

[1]MICHALOPOULOS P G.Vehicle detection video through image processing：the autoscope system[J].IEEE Transactions on Vehicular Technology， 1991， 40（1）：21-29.

[2]OH J，LEONARD J D II.Vehicle detection using video image processing system：evaluation of PEEK videotrak[J].Journal of Transportation Engineering， 2003，129（4）：462-465.

[3]樓建光，柳崎峰，譚鐵牛，等.基于三維模型的交通場景視覺監(jiān)控[J].自動化學(xué)報，2003，29（3）：433-449.

[4]SCHREINER K.Night vision： infrared takes to the road[J].IEEE Computer Graphics and Applications， 1999，19（5）：6-10.

[5]TSUJI T， HATTORI H， WATANABE M， etal.Development of night-vision system[J].IEEE Transactions on Intelligent Transportation Systems，2002，3（3）：203-209.

[6]RITA C， MASSIMO P， PAOLA M.Image analysis and rule-based reasoningforatraffic monitoring system[J].IEEE Transactions on Intelligent Transportation Systems，2000，1（2）：119-130.

[7]劉勃，周荷琴，魏銘旭.基于顏色和運動信息的夜間車輛檢測方法[J].中國圖象圖形 學(xué) 報 ，2005，10（2）：187-189.

[8]王鵬，黃凱奇.基于視頻的夜間高速公路車輛事件檢測[J].中國圖象圖形學(xué)報，2010，15（2）：301-306.

[9]OTSU N.A threshold selection method from gray-level histognun [J].IEEE Transactions on Systems， Man and Cybernetics， 1979，9（1）：62-66.