基于RANSAC的高原地區交通違章視頻圖像去抖動方法

摘要：為了降低由于圖像抖動引起的視頻質量較低的問題，提出基于RANSAC的高原地區交通違章視頻圖像去抖動方法。利用RANSAC構建了圖像模型，以此為基礎，實現對圖像中抖動點的準確識別，將抖動點數據與模型進行匹配，計算對應點的補償值，以此實現去抖動的目的。實驗結果表明，其能夠實現對視頻圖像中抖動的有效去除。

關鍵詞：RANSAC;高原地區;交通違章;視頻圖像;去抖動;補償值;

中圖分類號：TP391.41

0引言

我國高原地區占國土總面積的約26%，其公路上近些年出現的交通事故呈上升趨勢，以西藏自治區2017年數據為例，公路上發生的交通事故據統計共有354起，事故死亡人數總計176人，死亡率較高，是其他地區事故率的2倍。

以交通視頻圖像處理技術作為研究基礎對車輛交通行為檢測進行相關研究意義重大。交通運輸日益重要，經濟的高速運轉也幫助人們提升自我的消費意識，大量的購車帶來了交通安全，交通堵塞等問題的出現。目前在我國大力提高基礎交通建設的大環境下，高原地區公路建設正在廣泛全面的開展，但是這些地區的基礎交通運行狀況卻比較落后。在高原地區，公路具備特殊情況如光照、氣候、噪音以及溫度等，對有效進行視頻圖像處理帶來一些障礙和挑戰。

受高原地區環境特殊性影響，車輛在該區域的運行密度較低，對于其的監管也主要是通過設備監控的方式實現的[1]。高原地區的極端惡劣天氣較多，導致監控識別對道路運行車輛的信息進行采集時，會出現明顯的抖動情況，直接影響監控視頻的質量，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監控設備出現較高頻率往返移動，導致其采集到的圖像信息出現明顯的局部重疊[4]，這種重疊在抖動期間不斷發生交替現象，最終使視頻圖像中的信息難以識別[5]。對于該問題，已有諸多學者進行了相關研究，其中，文獻[6]提出了一種基于光線傳播原理的圖像去抖動的方法，其在一定程度上實現了對圖像的有效恢復，但需要對每一幀圖像進行大量重復操作，時間開銷較高;文獻[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，但主要應用靜態的圖像，對于視頻圖像的適配性較低。近些年來，隨著各項技術的不斷發展，RANSAC（Random Sample Consensus）算法的應用領域也逐漸擴大，該算法主要根據包含異常數據的樣本數據集，得出整體數據的數學模型，以此對待處理數據進行處理，在計算機視覺領域的應用中表現出了良好的應用效果。

基于此，本文提出一種基于RANSAC的高原地區交通違章視頻圖像去抖動方法，利用RANSAC建立視頻數據模型，以此實現對異常抖動數據的恢復，實現圖像去抖動的目的，并通過實驗驗證了所提方法的實際應用效果。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的圖像模型構建

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

首先，利用RANSAC算法對異常數據點統計時的魯棒性，對視頻圖像中的數據進行多次隨機取樣，每次隨機取出盡可能少但充分的若干個數據來確定模型參數，再根據已確定的數據特征對其進行劃分，其可表示為：

（1）

公式（1）中，λ表示數據的分類結果，p和q分別表示不同取樣結果，lcm（*）表示數據特征提取。通過這樣的方式，將視頻圖像中的數據以分組的形式呈現。在分組過程中，一部分數據會存在一定誤差。因為異常點的分布不具有規律性，因此，本文將少數誤差所在的范圍作為模型調整的參數，那么調整參數可以表示為：

（2）

公式（2）中，c表示模型調整參數，d表示誤差總體分布范圍。

那么，視頻圖像的數據模型為：

（3）

通過公式（3）模型，對抖動視頻圖像中的錯位數據信息進行識別，并做出相應的復位和修復，實現去抖動的目的。

2圖像去抖動

因為采集的車輛圖形是不同視角的，不變矩值差異易受視角變化影響，圖像易產生抖動[8]。相比較其他普通地區的道路情況，高原地段公路的環境往往都非常惡劣，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抖動的情況，在高原地區抖動現象往往比較劇烈，從而會比較嚴重的干擾到對運動目標檢測的效果，影響視頻圖像采集的質量，這些具體情況會導致后續的工作無法高效的進行。

2.1抖動數據識別

首先，利用上述視頻圖像中的抖動數據進行識別。假設圖像的小大為k，對應的某一點（x，y）的數據信息為h，那么將其帶入到對應的模型中，對該點數據的異常情況進行判斷，其可表示為：

（4）

公式（4）中，當得到的F（x，y）輸出結果為1時，則表明該位置的數據信息未出現由抖動造成的異常，當F（x，y）的輸出結果在0-1之間時，表明該點數據有抖動現象，將作為補償位置，對其進行去抖動處理，當F（x，y）的輸出結果為0時，表明該位置為空白，抖動不會對圖像產生直接影響，不做參考。通常情況下，當點（x，y）具備抖動特征時，對圖像產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生干擾，因此，本文對圖像進行去抖動處理時，未對該類情況進行深入分析。

通過這樣的方式，將k內的所有位置的圖像信息進行計算，得到需要進行補償的數據結果。

2.2抖動數據補償

對于出現抖動的視頻圖像，利用模型計算得到的輸出結果對補償量進行統計。

前文已經得出結果，當F（x，y）的輸出值為（0，1）范圍內時，判斷為抖動，那么補償量的計算方式可以表示為公式（5）：

（5）

由此得到不同位置的抖動補償值，將其帶入到原始圖像中，對補償結果進行計算，這時異常點的數據結果可以表示為公式（6）：

（6）

將補償后的數據結果重新帶入到模型中，對補償效果進行檢驗，當輸出結果為1時，表明補償能夠實現對抖動的有效去除;當輸出結果為0-1之間時，表明補償值仍需進一步優化，那么則循環上述過程，直至滿足去抖動目標為止。

通過這樣的方式，實現對視頻圖像中抖動的有效去除，提高圖像的清晰度。

3實驗測試

在得到上述去抖動方法之后，本文進行了實驗測試，為了有效驗證本算法的性能，將文獻[6]以及文獻[7]提出的方法作為對照組，測試本文提出方法的實際應用效果。

3.1測試環境

測試數據來源于某高原地區的道路檢測設備，視頻圖像大小為256×120，視頻幀率為25fps。硬件設備為Intel P41.4GHz CPU，其對于圖像的處理速率可達到40ms/frame。以此為基礎，分別采用三種方法對其進行去抖動處理，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（i，j）處的灰度值。M為圖像的高度，n為圖像的寬度。

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

（8）

是以圖像的統計特征為基礎的，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數。

3.2測試結果與分析

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行判斷時，本文方法處理后的圖像效果明顯優于另外兩種方法，通過對比圖中標記出的位置，本文方法基本實現了抖動的完全消除，文獻[6]和文獻[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確評價，在上述基礎上，三種方法處理后的圖像指標進行對比，其結果如表1所示。

從表1中可以看出，在三種方法中，文獻[6]方法處理后的圖像的MSE、RMSE、PSNR均高于另外兩種方法，文獻[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。通過上述結果可以看出，本文方法具有良好的去抖動效果。這主要是因為本文采用RANSAC構建了圖像信息模型，以此為基礎實現對抖動像素的有效識別和處理。

4結束語

準確并及時的道路監控視頻信息是確保道路安全運行的重要基礎，為此，降低視頻圖像中的干擾信息，提高圖像質量是十分必要的。本文提出基于RANSAC的高原地區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際應用價值。在之后的研究中，可以針對視頻圖像中像素塊之間的聯系，加強對圖像的高清修復，實現更高質量的圖像處理，滿足更加精細化的信息需求。

近年來我國大力倡導區域均衡發展，西部大開發日新月異，高原地區公路作為交通運輸大動脈交通量不斷增大。深入研究高原地區公路的交通問題，針對其交通行為制定有效的策略，根據現有交通檢測技術，進行算法優化，提高其通行能力意義重大。性能優良的交通檢測技術還可以加強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行產生的負面影響。

參考文獻

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

[2]顧揚，曾凡意，應昊然，等.一種提取抖動視頻中前景目標的新方法[J].計算機技術與發展，2021， 31（01）：67-72.

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

[4]曾光輝，何波.RANSAC算法在網頁關鍵信息智能篩選中的應用研究[J].科學技術創新，2021（12）：114-115.

[5]趙傳，郭海濤，盧俊，等.結合區域增長與RANSAC的機載LiDAR點云屋頂面分割[J].測繪學報，2021，50（05）：621-633.

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

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

[8]胡永.基于多視點空間目標的高原公路交通行為檢測[J].計算機仿真，2021，38（07）：376-380.