摘要：為了降低由于圖像抖動引起的視頻質(zhì)量較低的問題，提出基于RANSAC的高原地區(qū)交通違章視頻圖像去抖動方法。利用RANSAC構(gòu)建了圖像模型，以此為基礎(chǔ)，實(shí)現(xiàn)對圖像中抖動點(diǎn)的準(zhǔn)確識別，將抖動點(diǎn)數(shù)據(jù)與模型進(jìn)行匹配，計(jì)算對應(yīng)點(diǎn)的補(bǔ)償值，以此實(shí)現(xiàn)去抖動的目的。實(shí)驗(yàn)結(jié)果表明，其能夠?qū)崿F(xiàn)對視頻圖像中抖動的有效去除。

關(guān)鍵詞：RANSAC;高原地區(qū);交通違章;視頻圖像;去抖動;補(bǔ)償值;

中圖分類號：TP391.41

0引言

我國高原地區(qū)占國土總面積的約26%，其公路上近些年出現(xiàn)的交通事故呈上升趨勢，以西藏自治區(qū)2017年數(shù)據(jù)為例，公路上發(fā)生的交通事故據(jù)統(tǒng)計(jì)共有354起，事故死亡人數(shù)總計(jì)176人，死亡率較高，是其他地區(qū)事故率的2倍。

以交通視頻圖像處理技術(shù)作為研究基礎(chǔ)對車輛交通行為檢測進(jìn)行相關(guān)研究意義重大。交通運(yùn)輸日益重要，經(jīng)濟(jì)的高速運(yùn)轉(zhuǎn)也幫助人們提升自我的消費(fèi)意識，大量的購車帶來了交通安全，交通堵塞等問題的出現(xiàn)。目前在我國大力提高基礎(chǔ)交通建設(shè)的大環(huán)境下，高原地區(qū)公路建設(shè)正在廣泛全面的開展，但是這些地區(qū)的基礎(chǔ)交通運(yùn)行狀況卻比較落后。在高原地區(qū)，公路具備特殊情況如光照、氣候、噪音以及溫度等，對有效進(jìn)行視頻圖像處理帶來一些障礙和挑戰(zhàn)。

受高原地區(qū)環(huán)境特殊性影響，車輛在該區(qū)域的運(yùn)行密度較低，對于其的監(jiān)管也主要是通過設(shè)備監(jiān)控的方式實(shí)現(xiàn)的[1]。高原地區(qū)的極端惡劣天氣較多，導(dǎo)致監(jiān)控識別對道路運(yùn)行車輛的信息進(jìn)行采集時，會出現(xiàn)明顯的抖動情況，直接影響監(jiān)控視頻的質(zhì)量，對于后期工作的開展帶來了極大的困難[2]。在此背景下，對于視頻圖像的去抖動處理成為了提高道路交通安全管理的重要手段[3]。視頻圖像抖動主要是由于在短時間內(nèi)監(jiān)控設(shè)備出現(xiàn)較高頻率往返移動，導(dǎo)致其采集到的圖像信息出現(xiàn)明顯的局部重疊[4]，這種重疊在抖動期間不斷發(fā)生交替現(xiàn)象，最終使視頻圖像中的信息難以識別[5]。對于該問題，已有諸多學(xué)者進(jìn)行了相關(guān)研究，其中，文獻(xiàn)[6]提出了一種基于光線傳播原理的圖像去抖動的方法，其在一定程度上實(shí)現(xiàn)了對圖像的有效恢復(fù)，但需要對每一幀圖像進(jìn)行大量重復(fù)操作，時間開銷較高;文獻(xiàn)[7]提出一種基于像素配位的圖像去抖動方法，具有較高的去抖效果，但主要應(yīng)用靜態(tài)的圖像，對于視頻圖像的適配性較低。近些年來，隨著各項(xiàng)技術(shù)的不斷發(fā)展，RANSAC（Random Sample Consensus）算法的應(yīng)用領(lǐng)域也逐漸擴(kuò)大，該算法主要根據(jù)包含異常數(shù)據(jù)的樣本數(shù)據(jù)集，得出整體數(shù)據(jù)的數(shù)學(xué)模型，以此對待處理數(shù)據(jù)進(jìn)行處理，在計(jì)算機(jī)視覺領(lǐng)域的應(yīng)用中表現(xiàn)出了良好的應(yīng)用效果。

基于此，本文提出一種基于RANSAC的高原地區(qū)交通違章視頻圖像去抖動方法，利用RANSAC建立視頻數(shù)據(jù)模型，以此實(shí)現(xiàn)對異常抖動數(shù)據(jù)的恢復(fù)，實(shí)現(xiàn)圖像去抖動的目的，并通過實(shí)驗(yàn)驗(yàn)證了所提方法的實(shí)際應(yīng)用效果。通過該研究，以期為視頻圖像的去抖動工作提供有價值的參考，為道路安全提供保障。

1基于RANSAC的圖像模型構(gòu)建

由于本文是對視頻圖像進(jìn)行去抖動處理，因此，圖像中大部分點(diǎn)都是具有運(yùn)動趨勢的，由于其運(yùn)動規(guī)律的一致性，圖像中的點(diǎn)所表現(xiàn)出的運(yùn)動趨勢也都相同，但在其中，會存在部分運(yùn)動向量異常的點(diǎn)，本文將其作為RANSAC算法的異常數(shù)據(jù)，對整體圖像信息構(gòu)建模型。

首先，利用RANSAC算法對異常數(shù)據(jù)點(diǎn)統(tǒng)計(jì)時的魯棒性，對視頻圖像中的數(shù)據(jù)進(jìn)行多次隨機(jī)取樣，每次隨機(jī)取出盡可能少但充分的若干個數(shù)據(jù)來確定模型參數(shù)，再根據(jù)已確定的數(shù)據(jù)特征對其進(jìn)行劃分，其可表示為：

（1）

公式（1）中，λ表示數(shù)據(jù)的分類結(jié)果，p和q分別表示不同取樣結(jié)果，lcm（*）表示數(shù)據(jù)特征提取。通過這樣的方式，將視頻圖像中的數(shù)據(jù)以分組的形式呈現(xiàn)。在分組過程中，一部分?jǐn)?shù)據(jù)會存在一定誤差。因?yàn)楫惓｜c(diǎn)的分布不具有規(guī)律性，因此，本文將少數(shù)誤差所在的范圍作為模型調(diào)整的參數(shù)，那么調(diào)整參數(shù)可以表示為：

（2）

公式（2）中，c表示模型調(diào)整參數(shù)，d表示誤差總體分布范圍。

那么，視頻圖像的數(shù)據(jù)模型為：

（3）

通過公式（3）模型，對抖動視頻圖像中的錯位數(shù)據(jù)信息進(jìn)行識別，并做出相應(yīng)的復(fù)位和修復(fù)，實(shí)現(xiàn)去抖動的目的。

2圖像去抖動

因?yàn)椴杉能囕v圖形是不同視角的，不變矩值差異易受視角變化影響，圖像易產(chǎn)生抖動[8]。相比較其他普通地區(qū)的道路情況，高原地段公路的環(huán)境往往都非常惡劣，主要影響因素就是自然天氣條件等客觀因素的影響，攝像頭拍到的交通行為可能出現(xiàn)抖動的情況，在高原地區(qū)抖動現(xiàn)象往往比較劇烈，從而會比較嚴(yán)重的干擾到對運(yùn)動目標(biāo)檢測的效果，影響視頻圖像采集的質(zhì)量，這些具體情況會導(dǎo)致后續(xù)的工作無法高效的進(jìn)行。

2.1抖動數(shù)據(jù)識別

首先，利用上述視頻圖像中的抖動數(shù)據(jù)進(jìn)行識別。假設(shè)圖像的小大為k，對應(yīng)的某一點(diǎn)（x，y）的數(shù)據(jù)信息為h，那么將其帶入到對應(yīng)的模型中，對該點(diǎn)數(shù)據(jù)的異常情況進(jìn)行判斷，其可表示為：

（4）

公式（4）中，當(dāng)?shù)玫降腇（x，y）輸出結(jié)果為1時，則表明該位置的數(shù)據(jù)信息未出現(xiàn)由抖動造成的異常，當(dāng)F（x，y）的輸出結(jié)果在0-1之間時，表明該點(diǎn)數(shù)據(jù)有抖動現(xiàn)象，將作為補(bǔ)償位置，對其進(jìn)行去抖動處理，當(dāng)F（x，y）的輸出結(jié)果為0時，表明該位置為空白，抖動不會對圖像產(chǎn)生直接影響，不做參考。通常情況下，當(dāng)點(diǎn)（x，y）具備抖動特征時，對圖像產(chǎn)生的影響為信息模糊，而空白位置的模糊不會對其所包含的信息產(chǎn)生干擾，因此，本文對圖像進(jìn)行去抖動處理時，未對該類情況進(jìn)行深入分析。

通過這樣的方式，將k內(nèi)的所有位置的圖像信息進(jìn)行計(jì)算，得到需要進(jìn)行補(bǔ)償?shù)臄?shù)據(jù)結(jié)果。

2.2抖動數(shù)據(jù)補(bǔ)償

對于出現(xiàn)抖動的視頻圖像，利用模型計(jì)算得到的輸出結(jié)果對補(bǔ)償量進(jìn)行統(tǒng)計(jì)。

前文已經(jīng)得出結(jié)果，當(dāng)F（x，y）的輸出值為（0，1）范圍內(nèi)時，判斷為抖動，那么補(bǔ)償量的計(jì)算方式可以表示為公式（5）：

（5）

由此得到不同位置的抖動補(bǔ)償值，將其帶入到原始圖像中，對補(bǔ)償結(jié)果進(jìn)行計(jì)算，這時異常點(diǎn)的數(shù)據(jù)結(jié)果可以表示為公式（6）：

（6）

將補(bǔ)償后的數(shù)據(jù)結(jié)果重新帶入到模型中，對補(bǔ)償效果進(jìn)行檢驗(yàn)，當(dāng)輸出結(jié)果為1時，表明補(bǔ)償能夠?qū)崿F(xiàn)對抖動的有效去除;當(dāng)輸出結(jié)果為0-1之間時，表明補(bǔ)償值仍需進(jìn)一步優(yōu)化，那么則循環(huán)上述過程，直至滿足去抖動目標(biāo)為止。

通過這樣的方式，實(shí)現(xiàn)對視頻圖像中抖動的有效去除，提高圖像的清晰度。

3實(shí)驗(yàn)測試

在得到上述去抖動方法之后，本文進(jìn)行了實(shí)驗(yàn)測試，為了有效驗(yàn)證本算法的性能，將文獻(xiàn)[6]以及文獻(xiàn)[7]提出的方法作為對照組，測試本文提出方法的實(shí)際應(yīng)用效果。

3.1測試環(huán)境

測試數(shù)據(jù)來源于某高原地區(qū)的道路檢測設(shè)備，視頻圖像大小為256×120，視頻幀率為25fps。硬件設(shè)備為Intel P41.4GHz CPU，其對于圖像的處理速率可達(dá)到40ms/frame。以此為基礎(chǔ)，分別采用三種方法對其進(jìn)行去抖動處理，通過對比去抖動后圖像的均方誤差（MSE，Mean Squared Error）、均方根誤差（RMSE，RootMean Square Error）和峰值信噪比（PSNR，Peak Signal To Noise Ratio）這對三種方法的性能進(jìn)行評價。其中，MSE值的大小表示了原始圖像與去抖動模糊圖像兩者之間的差距程度，其可表示為：

（7）

公式（7）中，f（i，j）和 分別代表原始模糊圖像和去抖動后圖像在點(diǎn)（i，j）處的灰度值。M為圖像的高度，n為圖像的寬度。

RMSE主要用于計(jì)算去抖動模糊圖像與原始圖像的數(shù)據(jù)之間的差異性，其表示為公式（8）：

（8）

是以圖像的統(tǒng)計(jì)特征為基礎(chǔ)的，總體上可以較直觀地反映兩幅圖像的差別，其表示為公式（9）：

（9）

其中，n表示為每個像素采樣值的比特?cái)?shù)。

3.2測試結(jié)果與分析

利用三種方法對圖1（a）處理后，得到的圖像分別如圖1（b），圖1（c）和圖1（d）所示。

從圖1可以看出，通過直觀的觀察對三種方法的去抖動方法進(jìn)行判斷時，本文方法處理后的圖像效果明顯優(yōu)于另外兩種方法，通過對比圖中標(biāo)記出的位置，本文方法基本實(shí)現(xiàn)了抖動的完全消除，文獻(xiàn)[6]和文獻(xiàn)[7]方法仍可看到明顯的抖動痕跡。

為了提高對三種處理方法有效性的準(zhǔn)確評價，在上述基礎(chǔ)上，三種方法處理后的圖像指標(biāo)進(jìn)行對比，其結(jié)果如表1所示。

從表1中可以看出，在三種方法中，文獻(xiàn)[6]方法處理后的圖像的MSE、RMSE、PSNR均高于另外兩種方法，文獻(xiàn)[7]方法雖然有所提升，但與本文方法相比仍有明顯不足。本文方法的MSE、RMSE分別為0.0186和0.1357，表明去抖動后的圖像與原始圖像具有較高的擬合度，能夠高質(zhì)量地還原圖像中的信息，PSNR值為21.4624，明顯高于另外兩種方法，同樣證明了原圖像和去抖動圖像之間的差距較小。通過上述結(jié)果可以看出，本文方法具有良好的去抖動效果。這主要是因?yàn)楸疚牟捎肦ANSAC構(gòu)建了圖像信息模型，以此為基礎(chǔ)實(shí)現(xiàn)對抖動像素的有效識別和處理。

4結(jié)束語

準(zhǔn)確并及時的道路監(jiān)控視頻信息是確保道路安全運(yùn)行的重要基礎(chǔ)，為此，降低視頻圖像中的干擾信息，提高圖像質(zhì)量是十分必要的。本文提出基于RANSAC的高原地區(qū)交通違章視頻圖像去抖動方法，能夠有效降低由于抖動引起的視頻圖像清晰度較低的問題，提高了視頻圖像的信息提取價值，對于道路交通管理具有較高的實(shí)際應(yīng)用價值。在之后的研究中，可以針對視頻圖像中像素塊之間的聯(lián)系，加強(qiáng)對圖像的高清修復(fù)，實(shí)現(xiàn)更高質(zhì)量的圖像處理，滿足更加精細(xì)化的信息需求。

近年來我國大力倡導(dǎo)區(qū)域均衡發(fā)展，西部大開發(fā)日新月異，高原地區(qū)公路作為交通運(yùn)輸大動脈交通量不斷增大。深入研究高原地區(qū)公路的交通問題，針對其交通行為制定有效的策略，根據(jù)現(xiàn)有交通檢測技術(shù)，進(jìn)行算法優(yōu)化，提高其通行能力意義重大。性能優(yōu)良的交通檢測技術(shù)還可以加強(qiáng)交通管理者對道路的可視化管理，最大程度降低交通事件對道路運(yùn)行產(chǎn)生的負(fù)面影響。

參考文獻(xiàn)

[1]吳祿慎，陳小杜.一種改進(jìn)AKAZE特征和RANSAC的圖像拼接算法[J].計(jì)算機(jī)工程，2021， 47（01）：246-254.

[2]顧揚(yáng)，曾凡意，應(yīng)昊然，等.一種提取抖動視頻中前景目標(biāo)的新方法[J].計(jì)算機(jī)技術(shù)與發(fā)展，2021， 31（01）：67-72.

[3]方林波，石昊蘇，路雅寧，等.基于RANSAC的道路影像控制點(diǎn)選取方法研究[J].電子設(shè)計(jì)工程，2021，29（06）：142-147.

[4]曾光輝，何波.RANSAC算法在網(wǎng)頁關(guān)鍵信息智能篩選中的應(yīng)用研究[J].科學(xué)技術(shù)創(chuàng)新，2021（12）：114-115.

[5]趙傳，郭海濤，盧俊，等.結(jié)合區(qū)域增長與RANSAC的機(jī)載LiDAR點(diǎn)云屋頂面分割[J].測繪學(xué)報(bào)，2021，50（05）：621-633.

[6]汪權(quán)，朋漢林，汪平河，等.光學(xué)相干層析成像眼底視網(wǎng)膜三維圖像去抖動方法[J].光學(xué)學(xué)報(bào)，2019，39（03）：308-313.

[7]張雷洪，熊銳.基于抖動補(bǔ)償技術(shù)的印刷品圖像配準(zhǔn)方法研究[J].光學(xué)儀器，2019，41（03）：67-74.

[8]胡永.基于多視點(diǎn)空間目標(biāo)的高原公路交通行為檢測[J].計(jì)算機(jī)仿真，2021，38（07）：376-380.