苗作華，朱良建，趙成誠(chéng)，劉代文，李詒雯，陳澳光

（1. 武漢科技大學(xué)資源與環(huán)境工程學(xué)院，武漢 430081； 2. 冶金礦產(chǎn)資源高效利用與造塊湖北省重點(diǎn)實(shí)驗(yàn)室，武漢 430081；3. 武漢光庭信息技術(shù)股份有限公司，武漢 430000）

前言

當(dāng)汽車到達(dá)停車位附近時(shí)開啟自動(dòng)泊車系統(tǒng)，其過程可以簡(jiǎn)單歸納為車位感知、路徑規(guī)劃和執(zhí)行控制?；谲囕d相機(jī)拍攝圖像進(jìn)行車位識(shí)別有著高識(shí)別率、低成本、使用壽命長(zhǎng)等特點(diǎn)，被廣泛應(yīng)用于自動(dòng)泊車系統(tǒng)［1］。但在如雨霧天氣、地下車庫(kù)等光照不足環(huán)境下，攝入圖像中的車位信息質(zhì)量差，影響車位識(shí)別，導(dǎo)致整個(gè)自動(dòng)泊車功能的癱瘓。在各種環(huán)境影響因素中，低光照環(huán)境較為常見且難以避免，例如陰天、夜晚或者是燈光不足的地下車庫(kù)等場(chǎng)景。低光照環(huán)境導(dǎo)致攝取圖像整體亮度過暗，車位信息不夠清晰，若能采用低光照?qǐng)D像增強(qiáng)算法，凸顯車位線，則可以大幅提高車位線識(shí)別率，降低環(huán)境因素的影響。

姬偉等［2］在研究蘋果采摘機(jī)器人夜間環(huán)境下的檢測(cè)率時(shí)，提出一種基于引導(dǎo)濾波的Retinex 改進(jìn)算法，采用具有邊緣保持功能的引導(dǎo)濾波來(lái)估計(jì)照度分量，但最終算法運(yùn)行時(shí)間需要13 s 左右。Zhou等［3］提出一種低照度圖像的自適應(yīng)增強(qiáng)算法，通過在HSV 顏色模型中增強(qiáng)V 通道，實(shí)現(xiàn)了低照度圖像的全局亮度提升和局部對(duì)比度增強(qiáng)，但算法自適應(yīng)參數(shù)計(jì)算量較大，算法時(shí)間復(fù)雜度較高。江浩斌等［4］將車載魚眼相機(jī)圖片轉(zhuǎn)換為俯視圖，并利用梯度模板識(shí)別車位角，通過車位角還原出車位，但沒考慮魚眼相機(jī)拍攝成圖過程中，遠(yuǎn)端車位角信息易丟失，且當(dāng)光照不足時(shí)圖像過暗導(dǎo)致梯度下降，不易識(shí)別。黃晨等［5］使用去除背景光照的圖像二值化方法得到帶有車位信息的二值化圖像，以此進(jìn)行車位識(shí)別，但在低光照環(huán)境中，圖像車位信息并不明顯，且背景光照嚴(yán)重不均勻，該算法在低光照?qǐng)鼍跋碌倪m用性有待商榷。

如上述方法，常規(guī)低光照增強(qiáng)算法因時(shí)間過長(zhǎng)無(wú)法應(yīng)用于車位識(shí)別系統(tǒng)，而車位識(shí)別算法又極易在低光照環(huán)境下失效。鑒于此，本文中提出一種融合限制對(duì)比度自適應(yīng)直方圖均衡化（CLAHE）和改進(jìn)單尺度Retinex（SSR）的車位線圖像增強(qiáng)算法，滿足車位線增強(qiáng)的同時(shí)極大程度提高算法時(shí)間性能，為低光照環(huán)境下的車位準(zhǔn)確識(shí)別奠定基礎(chǔ)。

1 車位圖像增強(qiáng)算法分析

自動(dòng)泊車過程中，汽車低速狀態(tài)下駛過停車位，車載側(cè)面魚眼相機(jī)全程拍攝，車位識(shí)別系統(tǒng)對(duì)視頻幀圖片進(jìn)行檢測(cè)。本文增強(qiáng)算法應(yīng)用于車位檢測(cè)算法之前，可以理解為檢測(cè)算法中對(duì)輸入圖像的預(yù)處理過程。為了滿足泊車過程中車位實(shí)時(shí)感知，保障汽車泊車過程流暢行駛，對(duì)算法時(shí)間性能要求極高。參考30 fps 幀率視頻，想要實(shí)現(xiàn)單幀圖像實(shí)時(shí)處理則須控制算法時(shí)間在33 ms 以內(nèi)，當(dāng)增強(qiáng)算法加檢測(cè)算法總時(shí)間無(wú)法滿足逐幀檢測(cè)時(shí)限要求時(shí)，被迫對(duì)視頻幀采樣處理，而最終算法時(shí)間性能將決定采樣間隔。顯然，采樣間隔越小，泊車過程中檢測(cè)的圖像越多，車位被檢測(cè)概率和識(shí)別精準(zhǔn)度就越高，故而時(shí)間性能是本文算法的核心訴求之一。

對(duì)于數(shù)據(jù)輸入，首先根據(jù)車載魚眼相機(jī)參數(shù)，畸變矯正后進(jìn)行仿射變換，將魚眼圖轉(zhuǎn)換為鳥瞰圖；并提出一種融合限制對(duì)比度自適應(yīng)直方圖均衡化（CLAHE）和優(yōu)化入射分量的單尺度Retinex（SSR）增強(qiáng)算法，高效實(shí)現(xiàn)對(duì)低光照?qǐng)D片中車位線增強(qiáng)；最后基于亮通道將圖像灰度化，凸顯車位，以灰度圖作為增強(qiáng)算法最終結(jié)果輸出。為了驗(yàn)證本文增強(qiáng)算法效果，在實(shí)驗(yàn)中加入車位線檢測(cè)模塊，本文使用自適應(yīng)Canny 算子勾勒車位線，并通過Hough 直線檢測(cè)，檢測(cè)出近端橫向車位線和兩側(cè)豎向車位線，最后使用模板匹配劃定車位框，用檢測(cè)結(jié)果評(píng)定增強(qiáng)效果。文中算法如圖1所示。

圖1 本文算法示意圖

2 低光照車位圖像增強(qiáng)算法

2.1 魚眼圖轉(zhuǎn)鳥瞰圖

在自動(dòng)泊車過程中，車輛緩慢駛過停車區(qū)域，由放置于汽車左右兩側(cè)后視鏡上的魚眼相機(jī)獲取帶有車位信息的魚眼圖像，如圖2所示。

圖2 車位識(shí)別過程

魚眼相機(jī)可以將很大角度范圍內(nèi)的光線壓縮進(jìn)一個(gè)相對(duì)較小的空間，生成的魚眼圖信息豐富，但會(huì)導(dǎo)致圖像產(chǎn)生桶形畸變。如圖3 攝取魚眼圖所示，除中心區(qū)域圖像保持正常，外圈原本水平或垂直的景物都發(fā)生形變。理論上本文增強(qiáng)算法可以應(yīng)用于魚眼原圖，使車位線增強(qiáng)，但實(shí)驗(yàn)中發(fā)現(xiàn)，僅針對(duì)車位檢測(cè)過程，魚眼圖中無(wú)效信息過多，像素量偏大，嚴(yán)重降低增強(qiáng)算法的運(yùn)行效率，且畸變后的車位線沒有原本的平行和垂直關(guān)系，不利于后續(xù)車位檢測(cè)算法進(jìn)行特征識(shí)別。鑒于此，本文對(duì)于不同型號(hào)車輛搭載的魚眼相機(jī)，使用棋盤標(biāo)定法提前獲取相機(jī)參數(shù)［6］，經(jīng)過畸變矯正［7］后進(jìn)行仿射變換［8］，得到鳥瞰圖，限定鳥瞰圖作為本文算法的數(shù)據(jù)輸入。

圖3 魚眼圖轉(zhuǎn)鳥瞰圖

如圖3 所示，在光照充足時(shí)，轉(zhuǎn)換后的鳥瞰圖車位信息清晰，易于檢測(cè)，但在低光照?qǐng)鼍跋拢~眼圖與轉(zhuǎn)換后的鳥瞰圖整體偏暗且車位信息模糊，難以識(shí)別車位。

2.2 限制對(duì)比度自適應(yīng)直方圖均衡化

低光照?qǐng)鼍跋碌能囄粓D像整體亮度偏低，且光照不均導(dǎo)致局部車位線模糊。為了改善圖像質(zhì)量，本文選擇限制對(duì)比度自適應(yīng)直方圖均衡化（CLAHE）對(duì)原圖做預(yù)處理。CLAHE 不同于傳統(tǒng)直方圖均衡化，在全局亮度均衡化的同時(shí)，能進(jìn)行局部對(duì)比度增強(qiáng)且圖像細(xì)節(jié)保留程度高［9］。

本文改進(jìn)局部直方圖均衡化過程，選擇使用64×64窗口大小將圖像分塊，然后選擇每塊中心32×32 大小的像素計(jì)算映射函數(shù)，將此映射函數(shù)作用于該分塊內(nèi)的限制對(duì)比度直方圖均衡化，此過程能降低映射函數(shù)統(tǒng)計(jì)像素點(diǎn)分布的運(yùn)算量，加快局部直方圖過程。

限制對(duì)比度即使用閾值限制直方圖分布，如圖4 所示，用閾值裁剪直方圖中的峰值，被裁剪的像素均勻分布到每個(gè)灰度級(jí)，使直方圖的分布趨于平緩，實(shí)現(xiàn)直方圖均衡化的目的，且閾值設(shè)定越高，對(duì)比度增強(qiáng)越大。

圖4 直方圖閾值分割

閾值β設(shè)定計(jì)算公式為

式中：M是每個(gè)塊中的像素?cái)?shù)量；N是該塊的動(dòng)態(tài)范圍；Smax是最大斜率；α是裁剪因子，用來(lái)控制對(duì)比度強(qiáng)度，當(dāng)α接近0時(shí)，裁剪點(diǎn)為M/N，當(dāng)α接近100時(shí)，對(duì)比度逐漸增強(qiáng)。通過直方圖的累計(jì)分布函數(shù)（cdf），獲得像素點(diǎn)的映射函數(shù)：

式中：T（l）是重映射函數(shù)；l是像素灰度級(jí)；pdf（l）是對(duì)應(yīng)像素級(jí)的直方圖值，即每個(gè)像素級(jí)內(nèi)所包含像素點(diǎn)總數(shù)；lmax是塊內(nèi)最大像素值。最終基于每個(gè)塊中裁剪后的cdf得到映射函數(shù)。

分塊處理能很好增強(qiáng)局部對(duì)比度，但對(duì)于整幅圖片也會(huì)產(chǎn)生塊效應(yīng)，如圖5 所示，干擾直線檢測(cè)。故而對(duì)像素點(diǎn)采用雙線性插值的方法，修正映射函數(shù)，消除產(chǎn)生的塊偽影［10］。對(duì)于每個(gè)像素點(diǎn)，圖5 中點(diǎn)a、b、c、d 是4 個(gè)塊的中心像素，像素k是圖片上任意像素，通過雙線性插值獲得重新映射的像素K：

圖5 雙線性插值消除塊效應(yīng)

式中：T（k（i））表示重映射函數(shù)；k（i）是具有坐標(biāo)（x，y）的任意像素k的值；Ta、Tb、Tc、Td即對(duì)應(yīng)4 個(gè)塊中心像素的映射值；xa、xb、xk、ya、yc、yk為對(duì)應(yīng)像素點(diǎn)的坐標(biāo)值。

經(jīng)過雙線性插值后消除塊效應(yīng)，圖像整體亮度有提升且不突兀，局部對(duì)比度增強(qiáng)，低光照區(qū)域車位線信息得到改善，CLAHE結(jié)果如圖5所示。

2.3 優(yōu)化入射分量的單尺度Retinex增強(qiáng)

Retinex 理論是由Land 基于人類視覺系統(tǒng)提出的關(guān)于如何調(diào)整感知對(duì)象顏色和亮度模型的理論［10］。其中顏色恒常性理論指出，顏色恒常并不取決于外部光照環(huán)境的變化，而是取決于保持物體顏色感知恒定的心理傾向，即在光照變化時(shí)，人眼感知物體表面顏色趨于穩(wěn)定的心理傾向。簡(jiǎn)單概括，同一個(gè)物體表面在不同的光照條件下會(huì)有不同的反色光譜，體色系統(tǒng)能夠區(qū)分照明變化引起物體表面反射光譜變化的情況，但觀察物體表面顏色的人認(rèn)為，只要物體表面顏色在一定范圍內(nèi)，它是恒定的，并感覺物體表面顏色沒有變化。所以根據(jù)Retinex 理論可以認(rèn)為低光照?qǐng)鼍跋?，被光照影響的原?chǎng)景顏色是恒定的、可被恢復(fù)的。

基于Retinex 理論，一幅圖像可以分解為反射分量和入射分量，反射分量代表了圖像的本質(zhì)屬性，包含圖像的所有邊緣細(xì)節(jié)和顏色等；入射分量包含了圖像中景物的大致輪廓和亮度的分布。通過降低入射分量對(duì)原始場(chǎng)景的影響程度，盡量保持代表圖像本質(zhì)的反射分量，使得低光照?qǐng)鼍跋碌能囄痪€顏色的恢復(fù)和邊緣細(xì)節(jié)的增強(qiáng)。圖像形成可以概括為入射光和反射光的乘積：

式中：I（x，y）是原圖；L（x，y）是入射分量；R（x，y）是反射分量。將相乘關(guān)系的入射分量和反射分量取對(duì)數(shù)處理，使得原圖在對(duì)數(shù)域表現(xiàn)為加性圖像，通過圖層加減即可獲得所需反射分量圖層。對(duì)數(shù)變換可以拉伸范圍較窄的低灰度值且壓縮范圍較寬的高灰度值，達(dá)到增強(qiáng)暗區(qū)域且抑制過亮區(qū)域的目的。Retinex算法流程如圖6所示。

圖6 Retinex流程圖

單尺度Retinex（single scale Retinex，SSR）是由Jobson 和Rahman 在1997 年提出的中心環(huán)繞算法發(fā)展而來(lái)的一種算法［12］，使用高斯環(huán)繞函數(shù)模擬入射分量。

首先對(duì)式（5）取對(duì)數(shù)處理：

其中入射分量L（x，y）由環(huán)繞函數(shù)F（x，y）和原圖的卷積獲得：

環(huán)繞函數(shù)F（x，y）為

式中：c為高斯環(huán)繞空間常數(shù)；K是一個(gè)尺度。K滿足：

從公式上理解SSR 算法，入射分量的計(jì)算是原圖與高斯函數(shù)的卷積過程，是對(duì)圖像中的像素點(diǎn)進(jìn)行高斯加權(quán)所得。但是在實(shí)際應(yīng)用中，二維高斯函數(shù)的時(shí)間復(fù)雜度高，其性能問題廣受困擾［13］，在本文算法對(duì)時(shí)間性能要求極高的條件下難以應(yīng)用。

本文首先考慮二維高斯函數(shù)的可分離特性進(jìn)行優(yōu)化，使用一維高斯濾波在橫向和縱向兩個(gè)方向上分別平滑圖像，得到和二維高斯濾波一樣的擬合效果，如圖7所示，最終時(shí)間性能提升了4倍，但對(duì)單幅圖像處理，單步高斯過程仍需要70 ms 左右，仍不夠理想。鑒于此，在不影響車位線的增強(qiáng)效果前提下，本文提出對(duì)原圖進(jìn)行遞歸方框?yàn)V波，高效實(shí)現(xiàn)對(duì)入射分量的擬合。

圖7 模擬入射分量

Retinex及其改進(jìn)算法［3，14-16］基于顏色恒常性，其重點(diǎn)都在于更有效地估計(jì)入射分量的權(quán)重，針對(duì)不同場(chǎng)景，不同模擬函數(shù)產(chǎn)生不同的增強(qiáng)效果。在SSR 算法中，高斯函數(shù)作為中心環(huán)繞函數(shù)模擬入射分量，使用大濾波窗口對(duì)圖像濾波，使得圖像模糊，契合入射分量特征。而高斯函數(shù)本質(zhì)可以理解為高斯加權(quán)后的均值濾波，相較于均值濾波，會(huì)使圖像濾波過程更加平滑［17］，卻也極大增加計(jì)算量。本文對(duì)原圖進(jìn)行遞歸方框?yàn)V波作為對(duì)入射分量的模擬，圖像濾波后的模糊效果近似高斯模糊效果。經(jīng)過實(shí)驗(yàn)，在50×50 的濾波窗口下，對(duì)原圖兩次遞歸方框?yàn)V波即可模擬入射分量，達(dá)到車位線增強(qiáng)目的，且算法單步運(yùn)行時(shí)間在28 ms左右。

對(duì)比3 種入射分量模擬情況，使用高斯函數(shù)模擬的入射分量在原圖輪廓和亮度分布情況上更清晰，但最終SSR 算法增強(qiáng)后，方框?yàn)V波模擬的入射分量并未影響整體車位線增強(qiáng)效果，且后續(xù)車位檢測(cè)算法也證明此種入射分量的模擬過程是可行的。

2.4 圖像濾波與灰度化

傳統(tǒng)的低光照?qǐng)D像增強(qiáng)算法往往伴隨顏色失真、噪聲放大等一系列問題，導(dǎo)致增強(qiáng)后圖像視覺效果差，需要花費(fèi)很長(zhǎng)時(shí)間進(jìn)行降噪和色彩平衡的恢復(fù)。而車位檢測(cè)過程運(yùn)行于車載處理器后端，無(wú)可視化要求，故本文算法對(duì)噪聲與色彩失真問題遵循高效實(shí)用原則進(jìn)行處理。本文使用對(duì)邊緣保持效果更好的中值濾波平滑噪聲，并使用形態(tài)學(xué)算法減小車位線中間的黑色空洞，且增強(qiáng)車位線邊緣。對(duì)于色彩失真現(xiàn)象，本文發(fā)現(xiàn)增強(qiáng)圖像中車位線與地面背景色的對(duì)比度大，且車位線一般為白色，少量為黃色，其像素值遠(yuǎn)遠(yuǎn)大于地面背景像素值，故本文基于亮通道先驗(yàn)理論［18］，將增強(qiáng)結(jié)果灰度化，既實(shí)現(xiàn)了最大程度將車位凸顯于圖像中，又直接避免了圖像顏色失真的發(fā)生，同時(shí)以灰度圖作為后續(xù)直線檢測(cè)輸入也比RGB 圖像數(shù)據(jù)量更小，檢測(cè)算法運(yùn)行更快。

2.5 增強(qiáng)結(jié)果檢測(cè)

根據(jù)上述原理，本文增強(qiáng)算法流程如圖8 所示，得到的最終增強(qiáng)結(jié)果如圖9所示。

圖8 增強(qiáng)算法流程

圖9 灰度化圖像與檢測(cè)結(jié)果

為了驗(yàn)證本文提出的增強(qiáng)算法的增強(qiáng)效果，本文使用最基礎(chǔ)的車位檢測(cè)算法對(duì)增強(qiáng)結(jié)果進(jìn)行檢測(cè)。檢測(cè)算法首先使用自適應(yīng)Canny 邊緣檢測(cè)算法［19］在結(jié)果圖上勾勒車位線邊緣，然后使用Hough直線檢測(cè)算法［20］標(biāo)記邊緣中的直線，最后對(duì)標(biāo)記出直線的圖像使用矩形模板特征匹配算法［21］，在鳥瞰圖原圖上劃定最終的車位框，如圖9所示。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)硬件環(huán)境：Intel（R） Core（TM） i7-10700F，2.90 GHz，RAM 16 GB，顯卡：GTX 1660 SUPER。

本文采集多組低光照?qǐng)鼍跋碌膶?shí)際泊車視頻，并且設(shè)定攝取的泊車過程視頻幀率為30 fps，其中單幀魚眼圖分辨率為1080×1920，轉(zhuǎn)換后的鳥瞰圖分辨率為800×900。

3.2 算法增強(qiáng)效果

本文算法增強(qiáng)結(jié)果如圖10 所示。由圖可見：原圖整體亮度過低，車位線僅隱約可見；經(jīng)過本文算法增強(qiáng)后，圖中車位線很明顯的凸現(xiàn)，輪廓清晰，且與地面對(duì)比度高。經(jīng)過檢測(cè)，可以標(biāo)記出兩側(cè)和車位入口直線，最終成功匹配出矩形車位。

圖10 單幅圖像增強(qiáng)結(jié)果

同時(shí)統(tǒng)計(jì)單幀圖像算法運(yùn)行時(shí)間，分模塊記錄單幅圖片的增強(qiáng)算法運(yùn)行時(shí)間、檢測(cè)算法運(yùn)行時(shí)間和總時(shí)間。本文統(tǒng)計(jì)算法3 次運(yùn)行時(shí)間，計(jì)算平均值和標(biāo)準(zhǔn)差σ，最終算法運(yùn)行時(shí)間在均值加減3倍標(biāo)準(zhǔn)差區(qū)間內(nèi)，如表1所示。

表1 單幅圖像算法運(yùn)行時(shí)間

3.3 圖像增強(qiáng)對(duì)比實(shí)驗(yàn)

隨機(jī)從采集的泊車視頻中選取一張汽車駛過停車位時(shí)的單幀圖像，利用本方法進(jìn)行圖像增強(qiáng)，并與直方圖均衡化方法［9］、HSV 空間亮度自適應(yīng)增強(qiáng)方法［3］和傳統(tǒng)SSR 方法［12］進(jìn)行增強(qiáng)效果對(duì)比。4 種方法的車位線增強(qiáng)效果通過直線檢測(cè)效果比較得出，如圖11 所示。由圖可見：原圖未經(jīng)處理情況下，無(wú)法檢測(cè)出車位線；直方圖算法進(jìn)行全局灰度值均衡化，有明顯亮度提升，但全局亮度提升突兀，且車位線與地面對(duì)比度一般，最終車位線檢測(cè)情況只比原圖稍有提升；HSV 空間亮度自適應(yīng)增強(qiáng)方法亮度提升更均勻，且車位線與地面有一定對(duì)比度，但右側(cè)區(qū)域邊緣細(xì)節(jié)差；傳統(tǒng)SSR 算法使用高斯函數(shù)擬合反射分量，整體增強(qiáng)效果達(dá)到車位增強(qiáng)需求，但與本文改進(jìn)算法對(duì)比存在左側(cè)高光區(qū)域抑制程度低，且左側(cè)車位線邊緣細(xì)節(jié)保留程度差，不夠平滑。

圖11 4種圖像增強(qiáng)結(jié)果對(duì)比

算法運(yùn)行時(shí)間如表2 所示，直方圖方法有著最佳的時(shí)間性能，HSV 空間亮度自適應(yīng)增強(qiáng)方法和傳統(tǒng)SSR方法都難以滿足算法實(shí)時(shí)性要求。

表2 各方法運(yùn)行時(shí)間

通過對(duì)比，4 種方法都對(duì)低光照?qǐng)D像有一定增強(qiáng)效果，但本文算法比其他3 種方法增強(qiáng)程度更好，且時(shí)間性能雖不及直方圖均衡化法，卻遠(yuǎn)超過HSV空間亮度增強(qiáng)和傳統(tǒng)SSR 方法，滿足了隔幀采樣處理的實(shí)際需求。

3.4 多組數(shù)據(jù)測(cè)試結(jié)果

為進(jìn)一步測(cè)試本文增強(qiáng)算法性能，本文貼合實(shí)際低光照車位檢測(cè)過程，采集了不同光照程度的泊車視頻，從泊車視頻中截取駛過停車位過程的2 s視頻共60 張視頻幀進(jìn)行實(shí)驗(yàn)。通過本文增強(qiáng)算法增強(qiáng)2 s視頻內(nèi)的所有視頻幀，再使用本文提出的檢測(cè)算法進(jìn)行檢測(cè)，統(tǒng)計(jì)2 s視頻中經(jīng)過增強(qiáng)后可被劃定車位的視頻幀數(shù)量，實(shí)驗(yàn)結(jié)果如圖12所示。

圖12 多組數(shù)據(jù)增強(qiáng)結(jié)果車位檢測(cè)

其中數(shù)據(jù)1和數(shù)據(jù)2是停車位有部分光源射入，停車位局部過暗的情況；數(shù)據(jù)3和數(shù)據(jù)4是無(wú)其他光源，僅車載燈光漫反射在停車位時(shí)的情況；數(shù)據(jù)5 是白天光照充足，但停車位在車庫(kù)深處，光照相對(duì)較弱時(shí)的情況。增強(qiáng)結(jié)果顯示，本文增強(qiáng)算法對(duì)不同程度的低光照?qǐng)鼍岸加凶銐虻脑鰪?qiáng)效果，有較好的算法魯棒性。

60 張連續(xù)視頻幀增強(qiáng)后的檢測(cè)結(jié)果統(tǒng)計(jì)如表3所示，表中車位增強(qiáng)率表示單組數(shù)據(jù)輸入的視頻幀中，經(jīng)過增強(qiáng)后可被檢出車位的數(shù)量。統(tǒng)計(jì)結(jié)果顯示，在低光照?qǐng)鼍跋拢疚乃惴ǖ能囄辉鰪?qiáng)率達(dá)到90%以上，保障了對(duì)視頻幀進(jìn)行采樣檢測(cè)時(shí)的車位檢出率。

表3 車位識(shí)別情況

4 結(jié)論

（1）本文針對(duì)車位檢測(cè)算法受低光照環(huán)境影響，車位識(shí)別率低的問題，提出了一種融合限制對(duì)比度自適應(yīng)直方圖均衡化（CLAHE）和優(yōu)化入射分量的單尺度Retinex（SSR）增強(qiáng)算法，極大程度上增強(qiáng)低光照?qǐng)D像中的車位信息，利于后續(xù)車位檢測(cè)，減小了低光照環(huán)境對(duì)車位識(shí)別系統(tǒng)的影響。

（2）算法應(yīng)用于自動(dòng)泊車過程中車輛側(cè)面魚眼相機(jī)拍攝的車位視頻，針對(duì)常規(guī)低光照?qǐng)D像增強(qiáng)算法運(yùn)行時(shí)間過長(zhǎng)問題，減小CLAHE 中映射函數(shù)的計(jì)算窗口，使用遞歸方框?yàn)V波模擬入射分量，最后將增強(qiáng)結(jié)果基于亮通道灰度化，以灰度圖作為增強(qiáng)結(jié)果輸出。

（3）對(duì)比結(jié)果顯示，本文實(shí)現(xiàn)了對(duì)低光照?qǐng)鼍跋碌能囄粓D像增強(qiáng)，增強(qiáng)效果遠(yuǎn)超時(shí)間性能最佳的直方圖均衡化方法，滿足車位線檢測(cè)要求；運(yùn)行時(shí)間又相較常規(guī)增強(qiáng)算法有極佳性能，單幅圖片增強(qiáng)處理僅38 ms，滿足了泊車視頻隔幀檢測(cè)時(shí)限要求。

（4）貼合實(shí)際泊車場(chǎng)景，采集多組低光照環(huán)境下的泊車過程視頻，使用最基礎(chǔ)的車位檢測(cè)算法對(duì)增強(qiáng)結(jié)果進(jìn)行檢測(cè)。實(shí)驗(yàn)結(jié)果表明本增強(qiáng)算法在低光照?qǐng)鼍跋碌能囄辉鰪?qiáng)率達(dá)到90%以上，保障了采樣檢測(cè)時(shí)的車位檢出率。

實(shí)驗(yàn)中發(fā)現(xiàn)，當(dāng)車位線與地面對(duì)比度較低時(shí)，會(huì)導(dǎo)致本算法增強(qiáng)結(jié)果車位邊緣梯度較低，影響直線檢測(cè)，因此后續(xù)將就低光照環(huán)境下的低對(duì)比度車位圖像增強(qiáng)進(jìn)行進(jìn)一步研究。