， ，

(河北省氣象技術(shù)裝備中心，石家莊 050021)

基于馬爾算法的高速公路視頻監(jiān)控圖像能見(jiàn)度研究

劉宇，蔣濤，李建明

(河北省氣象技術(shù)裝備中心，石家莊050021)

根據(jù)高速公路沿線的監(jiān)控?cái)z像機(jī)，對(duì)監(jiān)控視頻畫(huà)面中的圖像進(jìn)行采集，通過(guò)對(duì)視頻圖像特征的分析處理，建立圖像與真實(shí)場(chǎng)景之間的關(guān)系，根據(jù)圖像特征隨著真實(shí)場(chǎng)景的變化，運(yùn)用圖像處理的方法如：灰度變換、圖像分割和特征提取等對(duì)圖像進(jìn)行圖像處理，提出運(yùn)用馬爾算法，分別提取出目標(biāo)物與背景，并將其逐一進(jìn)行背景差計(jì)算，能夠準(zhǔn)確的監(jiān)控圖像中汽車的位置變化，確定目標(biāo)物的位置，進(jìn)而判別出能見(jiàn)度的大小。

能見(jiàn)度；圖像分割；馬爾算子；背景差

0 引言

目前運(yùn)動(dòng)監(jiān)測(cè)與分割的成果大多是基于攝像機(jī)處于靜止?fàn)顟B(tài)，并且鏡頭焦距是固定的，此時(shí)，圖像中的背景區(qū)域固定不動(dòng)。在這種情況下，通常采用最簡(jiǎn)單的背景差方法進(jìn)行運(yùn)動(dòng)檢測(cè)，即預(yù)先選取不含前景運(yùn)動(dòng)目標(biāo)的背景圖像，然后將當(dāng)前幀與該背景圖像相減[1]。本文主要是運(yùn)用背景差方法，將監(jiān)控視頻圖像進(jìn)行圖像預(yù)處理、圖像分割等方法的圖像處理方法，將每一秒的圖像進(jìn)行背景差計(jì)算，根據(jù)處理得到的圖像進(jìn)行能見(jiàn)度分析，表明該方法可準(zhǔn)確確定能見(jiàn)度測(cè)量值，提高了測(cè)量準(zhǔn)確度。

1 能見(jiàn)度測(cè)量原理

能見(jiàn)度是指能看見(jiàn)周圍景物的程度，用目標(biāo)物的最大能見(jiàn)距離表示。能見(jiàn)距離為正常視力的人在當(dāng)時(shí)天氣條件下，白天能從天空背景中能看到和辨認(rèn)出適當(dāng)黑色目標(biāo)物輪廓和形體的距離；夜間能看到和確定出中等強(qiáng)度燈光的距離。影響能見(jiàn)距離的因素，白天為大氣透明度、目標(biāo)物與背景的亮度對(duì)比和人眼的對(duì)比感閾；夜晚為大氣透明度、燈光強(qiáng)度和人的視覺(jué)感閾[2]。

能見(jiàn)度測(cè)量的基本方程是布格-朗柏(Bouguer-Lambert)定律：

F=F0(e-σR)

其中：F0為初始光通量，F(xiàn)為F0經(jīng)過(guò)路徑長(zhǎng)度R后的光通量，σ為路徑長(zhǎng)度上的消光系數(shù)。對(duì)上式進(jìn)行求導(dǎo)后，得到消光系數(shù)表達(dá)式：

需要說(shuō)明的是布格-朗柏(Bouguer-Lambert)定律僅對(duì)單色光有效。

2 測(cè)量模型建立

基于高速公路沿線的監(jiān)控?cái)z像機(jī)，對(duì)監(jiān)控視頻畫(huà)面中的圖像進(jìn)行采集，通過(guò)對(duì)視頻圖像特征的分析處理，建立圖像與真實(shí)場(chǎng)景之間的關(guān)系，根據(jù)圖像特征隨著真實(shí)場(chǎng)景的變化，確定目標(biāo)物的位置[3]。

首先確立在高速公路上行駛的車輛為目標(biāo)，捕捉其在監(jiān)控中行駛路徑，分別在54 s、55 s、56 s、57 s處提取其監(jiān)控圖像，其次對(duì)圖像進(jìn)行前期的預(yù)處理，運(yùn)用圖像處理的方法如：灰度變換、圖像分割和特征提取等對(duì)圖像進(jìn)行處理，分別提取出目標(biāo)物與背景，并將其逐一進(jìn)行背景差計(jì)算[4]，提取到的原始圖像如圖1所示。

圖1 54 s、55 s、56 s、57 s處提取的原始圖像

2.1 圖像預(yù)處理

在圖像采集過(guò)程中，由于成像條件、光照不均勻等因素帶來(lái)誤差，會(huì)在圖像中引入一定的噪聲，它使圖像變得模糊，難以辨別圖像邊緣及捕捉圖像特征。因此，必須對(duì)采集到的圖像進(jìn)行平滑處理[5]，以降低噪聲的影響，消除圖像中與景物無(wú)關(guān)的信息，恢復(fù)有用的真實(shí)信息。

在圖像分析中，對(duì)輸入圖像進(jìn)行特征提取、分割和匹配前所進(jìn)行的處理。圖像預(yù)處理的主要目的是消除圖像中無(wú)關(guān)信息，恢復(fù)有用的真實(shí)信息，增強(qiáng)有關(guān)信息的可檢測(cè)性和最大限度地簡(jiǎn)化數(shù)據(jù)，從而改進(jìn)特征提取、圖像分割、匹配和識(shí)別的可靠性。

假設(shè)原來(lái)圖像f(x,y)的灰度范圍為[a，b]，變換后圖像g(x,y)的灰度范圍擴(kuò)至[c，d]，則線性變換可表示為：

(1)

圖2 灰度范圍線性變換關(guān)系

如果原圖中大部分像素的灰度級(jí)分布在區(qū)域[a，b]之間，小部分灰度值超出了此區(qū)域，為了改善圖像效果，可以用分段線性變換表示如圖3所示，線性變換則可表示為：

(2)

圖3 分段性線性變換

當(dāng)一幅圖像在較暗的區(qū)間中，灰度也集中在這個(gè)區(qū)間里致使偏暗，可以將圖像低灰度區(qū)間進(jìn)行擴(kuò)展(斜率gt;1)，將圖像高灰度區(qū)間進(jìn)行壓縮(斜率lt;1)，這樣使圖像變亮；當(dāng)一幅圖像在較亮的區(qū)間中，灰度也集中在這個(gè)區(qū)間里致使偏亮，可以將圖像低灰度區(qū)間進(jìn)行壓縮(斜率lt;1)，將圖像高灰度區(qū)間進(jìn)行擴(kuò)展(斜率gt;1)，這樣使圖像變暗。

圖4 灰度變化圖像

2.2 圖像分割

在對(duì)圖像的研究和應(yīng)用中，人們往往僅對(duì)圖像中的某些部分感興趣，這些部一般稱為目標(biāo)或前景。為了辨識(shí)和分析目標(biāo)，需要將有關(guān)區(qū)域分離提取出來(lái)，在此基礎(chǔ)上對(duì)目標(biāo)進(jìn)一步利用，如進(jìn)行特征提取和測(cè)量。圖像分割就是指把圖像分成各具特性的區(qū)域，并提取出感興趣目標(biāo)的技術(shù)和過(guò)程。

圖像分割有3種不同的途徑：其一是將各像素劃歸到相應(yīng)物體或區(qū)域的像素聚類方法，即區(qū)域法；其二是通過(guò)直接確定區(qū)域間的邊界來(lái)實(shí)現(xiàn)分割的邊界方法；其三是首先檢測(cè)邊緣像素，再將邊緣像素連接起來(lái)構(gòu)成邊界形成分割。在圖像分割技術(shù)中，最常用的是利用于閾值化處理進(jìn)行的圖像分割。

閾值分割方法是把圖像灰度分成不同的等級(jí)，然后用設(shè)置灰度門限(閾值)的方法確定有意義的區(qū)域或分割物體的邊界。

灰度閾值變換可以將一副灰度圖像轉(zhuǎn)換成黑白二值圖像，它的操作過(guò)程是先指定一個(gè)閾值，如果圖像中某像素的灰度值小于該閾值，則該像素的灰度值為0，否則灰度值為255。其變換函數(shù)表達(dá)式為：

(3)

其中:T為指定的閾值。

灰度窗口變換有兩種：一種是消除背景，一種是保留背景。前者把不在灰度窗口范圍內(nèi)的像素都賦值為0，在灰度窗口范圍內(nèi)的像素都賦值為255。后者是把不在灰度窗口內(nèi)的像素保留原值，在灰度窗口內(nèi)的像素賦值255。它的操作和閾值變換相類似，限定一個(gè)窗口范圍，該窗口的灰度值保持不變。

基于灰度值的兩個(gè)基本特性：1) 不連續(xù)性——不連續(xù)性是基于特性(如灰度)的不連續(xù)變化分割圖像，如邊緣檢測(cè)。2) 相似性——根據(jù)制定的準(zhǔn)則將圖像分割為相似的區(qū)域，如閾值處理、區(qū)域生長(zhǎng)。

不連續(xù)性(間斷)分割中邊緣檢測(cè)則是圖像中灰度發(fā)生突變或不連續(xù)的微小區(qū)域(一組相連的像素集合)，即是兩個(gè)具有相對(duì)不同灰度值特性的區(qū)域的邊界線。在一幅圖像中，邊緣有方向和幅度兩個(gè)特性。一般認(rèn)為沿邊緣走向的灰度變化較為平緩，而垂直于邊緣走向的灰度變化劇烈，即灰度梯度指向邊緣的垂直方向[6]。

在普通圖像中簡(jiǎn)單的邊緣算子是可以檢測(cè)的，但是由于噪聲的影響，傳統(tǒng)的邊緣檢測(cè)方法很容易把噪聲當(dāng)邊緣點(diǎn)檢測(cè)出來(lái)，而真正的邊緣又沒(méi)有檢測(cè)出來(lái)。由于拉普拉斯算子對(duì)噪聲比較敏感，為減少噪聲影響，可先對(duì)待檢測(cè)圖進(jìn)行平滑然后再用拉普拉斯算子邊緣檢測(cè)。由于成像時(shí)，一個(gè)給定像素所對(duì)應(yīng)場(chǎng)景點(diǎn)，它的周圍點(diǎn)對(duì)該點(diǎn)的光強(qiáng)貢獻(xiàn)呈正態(tài)分布，所以平滑函數(shù)應(yīng)反映不同遠(yuǎn)近的周圍點(diǎn)對(duì)給定像素具有不同的平滑作用，呈正態(tài)分布的平滑函數(shù)定義如下：

(4)

其中:σ是高斯分布的均方差。

實(shí)際中，可將圖像與如下2-D高斯函數(shù)的拉普拉斯作卷積，以消除噪聲。具體步驟為：

(1) 用一個(gè)2-D的高斯平滑模板與源圖像卷積；

(2) 計(jì)算卷積后圖像的拉普拉斯值；

(3) 檢測(cè)拉普拉斯圖像中的過(guò)零點(diǎn)作為邊緣點(diǎn)。

用h(x,y)對(duì)圖像f(x,y)的平滑可表示為：

g(x,y)=h(x,y)*f(x,y)

(5)

*代表卷積。如果令r是離原點(diǎn)的徑向距離，即r2=x2+y2，則將公式(4)帶入公式(5)，然后對(duì)圖像g(x,y)采用拉普拉斯算子進(jìn)行邊緣檢測(cè)，可得到：

▽2g=▽2[h(x,y)*f(x,y)]=

▽2h*f(x,y)

(6)

▽2h稱為高斯-拉普拉斯濾波算子，它是一個(gè)軸對(duì)稱函數(shù)，各向同性。這樣利用二階導(dǎo)數(shù)算子過(guò)零點(diǎn)的性質(zhì)，可確定圖像中階躍狀邊緣的位置。

圖5 馬爾算子變換關(guān)系

由圖5可見(jiàn)函數(shù)在r=±σ處有過(guò)零點(diǎn)，在|r|lt;σ時(shí)為證，在|r|lt;σ時(shí)為負(fù)。另外可以證明這個(gè)算子定義區(qū)域內(nèi)的平均值為零，因此將它與圖像卷積并不會(huì)改變圖像的整體運(yùn)動(dòng)范圍。但由于它相當(dāng)平滑，因此將它與圖像卷積會(huì)模糊圖像，并且其模糊程度是正比于σ的。正因?yàn)楱?h的平滑性質(zhì)能減少噪聲的影響，所以當(dāng)邊緣模糊或噪聲較大時(shí)，利用▽2h檢測(cè)過(guò)零點(diǎn)能提供較可靠的邊緣位置。在該算子中，σ的選擇很重要，σ小時(shí)位置精度高但邊緣細(xì)節(jié)變化多。應(yīng)注意馬爾算子用于噪聲較大的區(qū)域產(chǎn)生高密度的過(guò)零點(diǎn)。

馬爾算子用到的卷積模板一般較大(典型半徑為8-32個(gè)像素)，不過(guò)這些模板可以分解為一維卷積來(lái)快速計(jì)算。數(shù)學(xué)上已經(jīng)證明，馬爾算子是按零交叉檢測(cè)階躍邊緣的最佳算子。

馬爾算子是在拉普拉斯算子的基礎(chǔ)上實(shí)現(xiàn)的，它得益于對(duì)人的視覺(jué)機(jī)理的研究，有一定的生物學(xué)和生理學(xué)意義。利用馬爾算子進(jìn)行邊緣檢測(cè)的優(yōu)點(diǎn)在于零交叉點(diǎn)圖像中的邊緣比梯度邊緣細(xì)，而且具有抑制噪聲的能力和反干擾性能。

圖6 利用馬爾算子的分割圖像

2.3 圖像特征提取

圖像特征提取是在圖像的預(yù)處理和分割之后進(jìn)行并基于預(yù)處理和分割的，這樣更容易提取出較好的特征，使特征更具有區(qū)別性和獨(dú)立性。圖像特征是用于區(qū)分一個(gè)圖像內(nèi)部最基本屬性或特征的。圖像特征可以使人的視覺(jué)能夠識(shí)別的自然特征，也可以使通過(guò)對(duì)圖像進(jìn)行測(cè)量和處理，人為定義的某些特征。特征提取的目的是將圖像分割的區(qū)域特征提取出來(lái)，用于圖像識(shí)別和理解。根據(jù)對(duì)所提取特征內(nèi)容的不同，特征提取主要分為1)灰度的統(tǒng)計(jì)特征；2)紋理、邊緣特征；3)代數(shù)特征；4)變換系數(shù)特征或?yàn)V波器系數(shù)特征等[7]。

(7)

3 目標(biāo)物與背景

3.1 物理特性

目標(biāo)物能否看得見(jiàn)與它的大小、形狀、亮度、色彩等物理特性有很大的關(guān)系，而其中亮度因素又起著重要作用。亮度因素影響目標(biāo)物是否能看到，在于表征目標(biāo)和背景間亮度差的亮度對(duì)比C[8]。

兩個(gè)物理的亮度對(duì)比C定義為兩者亮度差與天空亮度之比。設(shè)目標(biāo)物亮度為L(zhǎng)，背景亮度為L(zhǎng)’，則亮度對(duì)比為：

C=(L-L')/L'

(8)

從上式可知：當(dāng)L=L’時(shí)，C=0，目標(biāo)物融合在背景中無(wú)法辨認(rèn)出來(lái)；當(dāng)Cgt;0時(shí)，目標(biāo)物比背景亮，反之，當(dāng)Clt;0時(shí)，背景比目標(biāo)物亮；L=0時(shí)，C=-1，能清楚的辨認(rèn)出目標(biāo)物。

3.2 背景差的計(jì)算

背景差實(shí)際就是圖像的相減運(yùn)算，是指把同一景物在不同時(shí)間拍攝的圖像或同一景物在不同波段的圖像相減。差值圖像提供了圖像間的差異信息，能用以指導(dǎo)動(dòng)態(tài)監(jiān)測(cè)、運(yùn)動(dòng)目標(biāo)檢測(cè)和跟蹤、圖像背景消除及目標(biāo)識(shí)別等。圖像相減運(yùn)算又稱為圖像差分運(yùn)算。差分方法可以分為控制環(huán)境下的簡(jiǎn)單差分方法和基于背景模型的差分方法。在控制環(huán)境下，或者在很短的時(shí)間間隔內(nèi)，可以認(rèn)為背景是固定不變的，可以直接使用差分運(yùn)算檢測(cè)變化及運(yùn)動(dòng)的方法。

圖像在做背景差運(yùn)算時(shí)必須使兩相減圖像的對(duì)應(yīng)像點(diǎn)位于空間同一目標(biāo)點(diǎn)上，其計(jì)算是通過(guò)逐象素比較可直接求取前后兩幀圖像之間的差別。如果背景圖像為b(x,y)，目標(biāo)背景混合圖像為f(x,y)，g(x,y)為去除了背景圖像即為目標(biāo)圖像，則圖像相減即為背景差：

g(x,y)=f(x,y)-b(x,y)

將經(jīng)過(guò)處理后的四張圖像逐一運(yùn)用背景差的方法進(jìn)行運(yùn)算，即55 s的圖像與上一張54 s的圖像進(jìn)行比較，56 s的圖像與55 s的圖像進(jìn)行比較，57 s的圖像與56 s的圖像進(jìn)行比較，最終得到了的三張比較的結(jié)果圖像分別為：

圖7 背景差對(duì)比圖像結(jié)果

4 結(jié)束語(yǔ)

高速公路沿線的監(jiān)控?cái)z像頭實(shí)時(shí)監(jiān)控行駛中的車輛，確定其中一輛車輛為監(jiān)控對(duì)象，將畫(huà)面中該車輛存在的每一秒的圖像保存，運(yùn)用圖像處理的方法如：灰度變換、圖像分割和特征提取等對(duì)圖像進(jìn)行圖像處理，提出運(yùn)用馬爾算法進(jìn)行圖像分割，分別提取出目標(biāo)物與背景，并將其逐一進(jìn)行背景差計(jì)算，能夠準(zhǔn)確的監(jiān)控圖像中汽車的位置變化，進(jìn)而判別出能見(jiàn)度的大小。

[1] 關(guān) 可,亓淑敏,梁 佳.基于數(shù)字圖像處理技術(shù)的高速公路能見(jiàn)度檢測(cè)[J]. 長(zhǎng)安大學(xué)學(xué)報(bào)( 自然科學(xué)版),2010,9,30(5):89-92.

[2] 李 浩,孫學(xué)金,單陳華,等.關(guān)于氣象能見(jiàn)度理論與觀測(cè)的討論[J].解放軍理工大學(xué)學(xué)報(bào)(自然科學(xué)版),2013,6,14(3):297-302.

[3] 安明偉,陳啟美,郭宗良.基于路況視頻的氣象能見(jiàn)度檢測(cè)方法與系統(tǒng)設(shè)計(jì)[J].儀器儀表學(xué)報(bào),2010,5,31(5):1148-1153.

[4] 周慶逵,陳釗正,陳啟美.基于視頻的路況能見(jiàn)度檢測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].電子測(cè)量技術(shù),2009,32(6):72-76.

[5] 田 捷,沙 飛,張新生.實(shí)用圖像分析與處理技術(shù)[M].北京:電子工業(yè)出版社,1995.

[6] 張兆禮，等.現(xiàn)代圖像處理技術(shù)及Matlab實(shí)現(xiàn)[M].北京:人民郵電出版社,2001.

[7] 翟俊海,趙文秀,王熙照.圖像特征提取研究[J].河北大學(xué)學(xué)報(bào)(自然科學(xué)版),2009,29(1):106-112.

[8] 李 佳,葛嘉琦,陳啟美.路況視頻能見(jiàn)度檢測(cè)算法[J]計(jì)算機(jī)工程，2009, 35(16):175-177.

StudyonHighwayVideoSurveillanceImageAlgorithmBasedonMarkovAlgorithm

Liu Yu, Jiang Tao, Li Jianming

(Meteorological Technology and Equipment Center in Hebei Province, Shijiazhuang 050021, China)

According to the monitoring camera along the highway, to collect the image of the video image monitoring. Through the analysis and processing of video image features, to establish the relationship between the image and the real scene, According to the characteristics of the image changes with the real scene, by the method of image processing, such as gray-scale transformation, image segmentation and feature extraction for image processing of the image, using the proposed algorithm Maldives, the target and background are extracted, and the background difference is calculated one by one, Can the car position change monitoring image exactly, and determine the target location, and then determine the size of visibility.

visibility; image segmentation; Markov operator; background subtraction

2017-01-03；

2017-04-13。

劉 宇(1985-)，女，河北保定人，碩士，工程師，主要從事測(cè)試計(jì)量技術(shù)方向的研究。

1671-4598(2017)09-0060-04

10.16526/j.cnki.11-4762/tp.2017.09.016

TN957.52

A