基于馬爾算法的高速公路視頻監(jiān)控圖像能見度研究

， ，

(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)控攝像機，對監(jiān)控視頻畫面中的圖像進行采集，通過對視頻圖像特征的分析處理，建立圖像與真實場景之間的關(guān)系，根據(jù)圖像特征隨著真實場景的變化，運用圖像處理的方法如：灰度變換、圖像分割和特征提取等對圖像進行圖像處理，提出運用馬爾算法，分別提取出目標物與背景，并將其逐一進行背景差計算，能夠準確的監(jiān)控圖像中汽車的位置變化，確定目標物的位置，進而判別出能見度的大小。

能見度；圖像分割；馬爾算子；背景差

0 引言

目前運動監(jiān)測與分割的成果大多是基于攝像機處于靜止狀態(tài)，并且鏡頭焦距是固定的，此時，圖像中的背景區(qū)域固定不動。在這種情況下，通常采用最簡單的背景差方法進行運動檢測，即預先選取不含前景運動目標的背景圖像，然后將當前幀與該背景圖像相減[1]。本文主要是運用背景差方法，將監(jiān)控視頻圖像進行圖像預處理、圖像分割等方法的圖像處理方法，將每一秒的圖像進行背景差計算，根據(jù)處理得到的圖像進行能見度分析，表明該方法可準確確定能見度測量值，提高了測量準確度。

1 能見度測量原理

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

能見度測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)過路徑長度R后的光通量，σ為路徑長度上的消光系數(shù)。對上式進行求導后，得到消光系數(shù)表達式：

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

2 測量模型建立

基于高速公路沿線的監(jiān)控攝像機，對監(jiān)控視頻畫面中的圖像進行采集，通過對視頻圖像特征的分析處理，建立圖像與真實場景之間的關(guān)系，根據(jù)圖像特征隨著真實場景的變化，確定目標物的位置[3]。

首先確立在高速公路上行駛的車輛為目標，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，其次對圖像進行前期的預處理，運用圖像處理的方法如：灰度變換、圖像分割和特征提取等對圖像進行處理，分別提取出目標物與背景，并將其逐一進行背景差計算[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 圖像預處理

在圖像采集過程中，由于成像條件、光照不均勻等因素帶來誤差，會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，必須對采集到的圖像進行平滑處理[5]，以降低噪聲的影響，消除圖像中與景物無關(guān)的信息，恢復有用的真實信息。

在圖像分析中，對輸入圖像進行特征提取、分割和匹配前所進行的處理。圖像預處理的主要目的是消除圖像中無關(guān)信息，恢復有用的真實信息，增強有關(guān)信息的可檢測性和最大限度地簡化數(shù)據(jù)，從而改進特征提取、圖像分割、匹配和識別的可靠性。

假設(shè)原來圖像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

當一幅圖像在較暗的區(qū)間中，灰度也集中在這個區(qū)間里致使偏暗，可以將圖像低灰度區(qū)間進行擴展(斜率gt;1)，將圖像高灰度區(qū)間進行壓縮(斜率lt;1)，這樣使圖像變亮；當一幅圖像在較亮的區(qū)間中，灰度也集中在這個區(qū)間里致使偏亮，可以將圖像低灰度區(qū)間進行壓縮(斜率lt;1)，將圖像高灰度區(qū)間進行擴展(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

在對圖像的研究和應用中，人們往往僅對圖像中的某些部分感興趣，這些部一般稱為目標或前景。為了辨識和分析目標，需要將有關(guān)區(qū)域分離提取出來，在此基礎(chǔ)上對目標進一步利用，如進行特征提取和測量。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的技術(shù)和過程。

圖像分割有3種不同的途徑：其一是將各像素劃歸到相應物體或區(qū)域的像素聚類方法，即區(qū)域法；其二是通過直接確定區(qū)域間的邊界來實現(xiàn)分割的邊界方法；其三是首先檢測邊緣像素，再將邊緣像素連接起來構(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，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，它的操作過程是先指定一個閾值，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，限定一個窗口范圍，該窗口的灰度值保持不變。

基于灰度值的兩個基本特性：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。2) 相似性——根據(jù)制定的準則將圖像分割為相似的區(qū)域，如閾值處理、區(qū)域生長。

不連續(xù)性(間斷)分割中邊緣檢測則是圖像中灰度發(fā)生突變或不連續(xù)的微小區(qū)域(一組相連的像素集合)，即是兩個具有相對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特性。一般認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]。

在普通圖像中簡單的邊緣算子是可以檢測的，但是由于噪聲的影響，傳統(tǒng)的邊緣檢測方法很容易把噪聲當邊緣點檢測出來，而真正的邊緣又沒有檢測出來。由于拉普拉斯算子對噪聲比較敏感，為減少噪聲影響，可先對待檢測圖進行平滑然后再用拉普拉斯算子邊緣檢測。由于成像時，一個給定像素所對應場景點，它的周圍點對該點的光強貢獻呈正態(tài)分布，所以平滑函數(shù)應反映不同遠近的周圍點對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2-D的高斯平滑模板與源圖像卷積；

(2) 計算卷積后圖像的拉普拉斯值；

(3) 檢測拉普拉斯圖像中的過零點作為邊緣點。

用h(x,y)對圖像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是離原點的徑向距離，即r2=x2+y2，則將公式(4)帶入公式(5)，然后對圖像g(x,y)采用拉普拉斯算子進行邊緣檢測，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，它是一個軸對稱函數(shù)，各向同性。這樣利用二階導數(shù)算子過零點的性質(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可見函數(shù)在r=±σ處有過零點，在|r|lt;σ時為證，在|r|lt;σ時為負。另外可以證明這個算子定義區(qū)域內(nèi)的平均值為零，因此將它與圖像卷積并不會改變圖像的整體運動范圍。但由于它相當平滑，因此將它與圖像卷積會模糊圖像，并且其模糊程度是正比于σ的。正因為▽2h的平滑性質(zhì)能減少噪聲的影響，所以當邊緣模糊或噪聲較大時，利用▽2h檢測過零點能提供較可靠的邊緣位置。在該算子中，σ的選擇很重要，σ小時位置精度高但邊緣細節(jié)變化多。應注意馬爾算子用于噪聲較大的區(qū)域產(chǎn)生高密度的過零點。

馬爾算子用到的卷積模板一般較大(典型半徑為8-32個像素)，不過這些模板可以分解為一維卷積來快速計算。數(shù)學上已經(jīng)證明，馬爾算子是按零交叉檢測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)上實現(xiàn)的，它得益于對人的視覺機理的研究，有一定的生物學和生理學意義。利用馬爾算子進行邊緣檢測的優(yōu)點在于零交叉點圖像中的邊緣比梯度邊緣細，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處理和分割之后進行并基于預處理和分割的，這樣更容易提取出較好的特征，使特征更具有區(qū)別性和獨立性。圖像特征是用于區(qū)分一個圖像內(nèi)部最基本屬性或特征的。圖像特征可以使人的視覺能夠識別的自然特征，也可以使通過對圖像進行測量和處理，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，用于圖像識別和理解。根據(jù)對所提取特征內(nèi)容的不同，特征提取主要分為1)灰度的統(tǒng)計特征；2)紋理、邊緣特征；3)代數(shù)特征；4)變換系數(shù)特征或濾波器系數(shù)特征等[7]。

(7)

3 目標物與背景

3.1 物理特性

目標物能否看得見與它的大小、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。亮度因素影響目標物是否能看到，在于表征目標和背景間亮度差的亮度對比C[8]。

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

C=(L-L')/L'

(8)

從上式可知：當L=L’時，C=0，目標物融合在背景中無法辨認出來；當Cgt;0時，目標物比背景亮，反之，當Clt;0時，背景比目標物亮；L=0時，C=-1，能清楚的辨認出目標物。

3.2 背景差的計算

背景差實際就是圖像的相減運算，是指把同一景物在不同時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，能用以指導動態(tài)監(jiān)測、運動目標檢測和跟蹤、圖像背景消除及目標識別等。圖像相減運算又稱為圖像差分運算。差分方法可以分為控制環(huán)境下的簡單差分方法和基于背景模型的差分方法。在控制環(huán)境下，或者在很短的時間間隔內(nèi)，可以認為背景是固定不變的，可以直接使用差分運算檢測變化及運動的方法。

圖像在做背景差運算時必須使兩相減圖像的對應像點位于空間同一目標點上，其計算是通過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)過處理后的四張圖像逐一運用背景差的方法進行運算，即55 s的圖像與上一張54 s的圖像進行比較，56 s的圖像與55 s的圖像進行比較，57 s的圖像與56 s的圖像進行比較，最終得到了的三張比較的結(jié)果圖像分別為：

圖7 背景差對比圖像結(jié)果

4 結(jié)束語

高速公路沿線的監(jiān)控攝像頭實時監(jiān)控行駛中的車輛，確定其中一輛車輛為監(jiān)控對象，將畫面中該車輛存在的每一秒的圖像保存，運用圖像處理的方法如：灰度變換、圖像分割和特征提取等對圖像進行圖像處理，提出運用馬爾算法進行圖像分割，分別提取出目標物與背景，并將其逐一進行背景差計算，能夠準確的監(jiān)控圖像中汽車的位置變化，進而判別出能見度的大小。

[1] 關(guān) 可,亓淑敏,梁 佳.基于數(shù)字圖像處理技術(shù)的高速公路能見度檢測[J]. 長安大學學報( 自然科學版),2010,9,30(5):89-92.

[2] 李 浩,孫學金,單陳華,等.關(guān)于氣象能見度理論與觀測的討論[J].解放軍理工大學學報(自然科學版),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度檢測方法與系統(tǒng)設(shè)計[J].儀器儀表學報,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度檢測系統(tǒng)的設(shè)計與實現(xiàn)[J].電子測量技術(shù),2009,32(6):72-76.

[5] 田 捷,沙 飛,張新生.實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].河北大學學報(自然科學版),2009,29(1):106-112.

[8] 李 佳,葛嘉琦,陳啟美.路況視頻能見度檢測算法[J]計算機工程，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，主要從事測試計量技術(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