基于視頻分析的公路能見度監測方法

代東林

（招商局重慶公路工程檢測中心有限公司）

1 引言

能見度作為氣象觀測的一項重要參數，不僅是大氣光學狀態分析的宏觀依據，還是嚴重影響交通運輸、工業生產和軍事活動的環境因素。在公路運輸領域，高速公路上由濃霧天氣引發的交通事故約占事故總數的25%，低能見度條件下高速公路的事故發生率則為平常的10倍。因此，實時監測高速公路沿線的能見度取值變化，對交通運輸安全有著十分重大的現實意義[1]。

顯然，能見度的取值與大氣的透明程度、燈光的照射強度以及人眼的視覺感閾有著密切關系。當大氣中混合著霧氣、雨雪或塵煙時，大氣透明程度降低，能見度必然變差[2]?；谠撍枷耄疚奶岢鲆环N公路能見度的視頻監測新方法，闡述該方法的系統結構和新型靶標設計，對關鍵技術加以詳細分析和建模描述，并通過實驗測試驗證了該方法對于能見度全天候監測的有效性。

2 系統結構與靶標設計

2.1 系統結構

能見度視頻監測的系統結構如圖1 所示，其工作原理為：在監測現場安裝特制的有源靶標，通過攝像機實時采集包含靶標的原始視頻圖像，傳輸到工業計算機經靶標位置識別、角度校正、視覺特征提取等圖像處理后，依據視覺特征信息到能見度距離間的映射模型，求解當前能見度取值并輸出顯示。

圖1 能見度視頻監測的系統結構

2.2 新型有源靶標設計

目前，視頻能見度監測方法普遍采用無源靶標，且靶標圖案僅由純白區塊和純黑區塊組成。因此，在攝像機采集的原始圖像中，靶標區域最多包含較高（白色）和較低（黑色）兩種亮度取值，不利于靶標區域視覺特征的提取與表達。

本文設計了一種新型的有源靶標，表面亮度為均勻的恒定值，圖案則為純黑到純白灰度漸變的等間距橫向條紋，如圖2 所示，其優勢在于：①無論是白天還是夜晚，攝像機都可以采集到穩定的包含靶標的原始圖像，為能見度的全天候監測奠定了基礎；②在不同的能見度環境下，原始圖像中靶標區域均包含多種亮度取值，有助于視覺特征提取和特征信息描述。

圖2 新型有源靶標圖案

3 視頻圖像分析與能見度建模

3.1 靶標位置識別

在攝像機采集的圖像中，靶標只占據其中的部分區域，靶標位置識別的任務就是從圖像中定位靶標區域，具體步驟如下：

第一步：灰度化

將彩色的原始圖像Im0轉換成灰度圖像Im1：

式（1）中：R（i,j）、G（i,j）、B（i,j）分別是Im0中像素點（i,j）的R、G、B分量。

第二步：豎直方向梯度計算

由圖2可知，靶標圖案具有較多的橫向紋理，因此計算灰度圖像Im1在豎直方向上的一階差分，即豎直方向梯度圖像Im2：

第三步：二值化

二值化將圖像的像素灰度設置為0或255，使圖像呈現出強烈的黑白視覺效果。將Im2分成p×q大小的局部塊，且M表示局部灰度均值，則局部方差σ和局部閾值thed為：

Im2中灰度大于thed的像素賦值為255，反之賦值為0，得到二值化輸出圖像Im3。

第四步：形態學濾波

采用形態學濾波方法，對二值圖像Im3作腐蝕運算，以消除細小噪聲干擾。腐蝕運算的輸出為：

式（4）中：B、Θ分別是結構元素和腐蝕運算符。

再對Im4作形態學閉運算，即選用結構元素C作膨脹運算并接著由C作腐蝕運算，以平滑物體邊界和填充細小空洞。閉運算的輸出為：

式（5）中：⊕是膨脹運算符。形態學濾波的最終輸出Im5仍然為二值圖像。

第五步：靶標區域確定

由Im5確定靶標區域范圍的過程中，縱向位置計算是對Im5進行逐列掃描，通過函數f統計每行中連續灰度值為255 的像素點數目，進而根據統計結果和選定閾值τ計算靶標的縱向坐標范圍Y：

類似地，計算獲得靶標的橫向位置。至此，可以參照上述坐標范圍從原始灰度圖像Im1中分離出靶標區域的灰度圖像Im6。＞

3.2 角度校正

對于灰度圖像Im6，為了消除微小視角變化即圖像旋轉所帶來的監測誤差，應將其校正為靶標區域底部水平的圖像，主要包括傾斜角度求解和圖像旋轉變換兩個過程。

從提高抗干擾性能方面考慮，采用Hough 變換求解圖像傾斜角度[3]。首先根據ρ、θ的變化范圍及其步長，分配零初始化的二維累加數組A[ρ][θ]。然后對圖像Im6的每個像素(i,j)，以式(7)計算出的ρ、θ為索引將像素灰度值累加到A[ρ][θ]中。最后，抓住靶標底部邊界是圖像中最長直線這一規律，檢驗A[ρ][θ]數組以查找取值最大的元素，并將該元素對應的θ值作為Im6的傾斜角度α。

求解出α之后，可按下面的坐標變換公式對Im6進行角度校正以獲得灰度圖像Im7：

3.3 視覺特征提取

本文采用邊緣總長度作為靶標區域視覺特征，為能見度計算提供基本的定量依據。在邊緣監測方法中，Canny算法具有良好的抗噪聲性能，且能獲得單像素邊緣，因而得到了廣泛應用。Canny 算法提取靶標區域邊緣特征的步驟如下：

第一步：平滑濾波

由指定標準偏差的高斯濾波器H對灰度圖像Im7進行平滑濾波：

式（9）中：*為卷積符號，Im8是平滑后的圖像。

第二步：梯度幅值與方向計算

參照3.3節中第二步，計算Im8在橫、豎方向上的一階差分ψx和ψy，并進一步計算梯度幅值ψ和梯度方向θψ：

第三步：非極大值抑制

對圖像Im8中每個像素(i,j)，將其與沿著梯度方向的兩個相鄰像素進行比較，如果梯度幅值小于兩個相鄰像素中的任一個，則令(i,j)的灰度值為零，否則(i,j)的灰度值保持不變，極大值抑制后輸出圖像Im9。

第四步：雙閾值法監測和連接邊緣

選取兩個閾值τ1和τ2，滿足τ1＞τ2，分別對Im9進行二值化處理得到強邊緣T1和弱邊緣T2，并將T2集成到T1形成最終的靶標圖像邊緣Im10。

最后，在二值圖像Im10中統計邊緣像素數目，求得靶標區域邊緣總長度特征b。

3.4 能見度映射模型構建

靶標區域視覺特征到能見度距離的映射關系，應由某種數學模型加以量化描述。考慮到能見度距離V與邊緣特征總長度b正相關，本文采用多項式函數構建這一單輸入單輸出模型，即：

式（11）中：n、ak分別是多項式的次數和系數。

能見度模型中的參數，將通過最小二乘法來進行估計[4]，主要思路為：先通過m個標準樣本的散點圖確定多項式系數n；再列表計算分別表示第i個標準樣本中邊緣總長度和能見度距離的取值且j=0,1,…,2n；最后根據式(12)給出的正規方程組計算各系數ak。

能見度映射模型一旦建立，即可由實時的靶標區域邊緣總長度特征求解相應的能見度距離。此外，因能見度的測量周期為毫秒級常量，本文進一步對映射模型輸出的能見度距離進行平滑濾波，以提高能見度監測的抗干擾性能并使其動態輸出曲線更加平滑。因此，t時刻能見度最終監測結果將按照下式求解：

式（13）中：Vt-1、V分別是t-1 時刻的能見度最終監測結果和t時刻映射模型輸出的能見度距離，λ為加權系數。

4 結語

本文介紹了能見度監測的基本原理，在分析現有監測方法的基礎上提出了基于視頻分析的公路能見度監測方法，其主要貢獻在于：①設計了一種視覺特征信息豐富的有源靶標，使基于攝像法的能見度距離的全天候監測成為可能；②給出了一種能見度監測新方法的總體思路，并對其中的圖像預處理、視覺特征提取以及能見度映射建模等關鍵技術進行了詳細闡述。采用其他建模方法獲得能見度距離映射模型，以提高能見度監測精度，將是下一步研究工作的重點。