高速公路視頻圖像典型異?，F象的檢測方法

摘 要：在交通領域，隨著高速公路網監控設備鋪設的日益完善，圖像的數據量顯著增加，僅靠目前的人工識別以獲取圖像內存在的具體信息，不僅對于工作人員而言是較大的負擔，同時也難以精確獲取圖像內的有效信息。針對目前存在的現象，文中提出了一種針對高速公路視頻圖像的檢測算法。該算法基于無參考的評價方法和傳統的圖像處理，對黑屏、亮度異常、模糊等視頻圖像存在的主要問題進行了異常檢測。實驗表明，該算法對圖像模糊異常的識別率達96.4%，對黑屏的識別率達100%，對亮度異常的識別率達95%，且處理速度達到了30張/s，基本實現了對攝像頭獲取圖像進行實時監測的目標。

關鍵詞：高速公路；視頻圖像；無參考評價；圖像處理；異常檢測；質量檢測

中圖分類號：TP312 文獻標識碼：A 文章編號：2095-1302（2024）06-00-05

0 引 言

隨著計算機性能的提高，視頻監控技術日趨成熟，已被應用在很多方面，如智慧城市建設、城市交通以及社區醫院等。大型監控視頻系統需要大量攝像頭，如陜西省高速公路“云上高速”管理平臺，與云端平臺有數據連通的攝像機有

1 083臺，攝像機總數高達20 778臺，且24小時不間斷工作。數量龐大的攝像機產生了大量數據圖像，為了分析圖像中的數據質量，管理人員需要對視頻圖像內容進行辨別和篩選。若對視頻圖像進行處理前視頻圖像質量出現問題，將會影響后續操作。監控視頻圖像出現質量問題時無法得到準確的視頻圖像信息，影響后續管理人員對圖像的分析和處理過程，極大影響監控效果。

隨著攝像機的不斷普及與應用，視頻圖像質量異常檢測方法的研究引起了國內外相關研究人員的極大關注。

20世紀90年代以來，圖像質量的檢測應用研究得到重視。最初，圖像質量的檢測方法是基于人類視覺模型DMOS進行考量，即為差異平均主觀評分的測量[1]。1996年，美國研究機構ITS制定了視頻圖像質量客觀化評估標準ANSITI，801.03[2-4]。2003年3月，日本、德國和美國等國家的一些研究機構共提交了9個關于圖像質量客觀評價模型標準的提

案[5]，VQEG組織對這9個提案分別進行客觀和主觀測試，制定了圖像質量客觀評價模型標準，常用的模型包括基于結構相似度（SSIM）以及基于人類視覺系統（HVS）的評價模型等[6-7]。

在我國，視頻圖像質量檢測領域雖然起步較晚但發展迅速，清華大學、上海交通大學、北京郵電大學等高校均已開始圖像質量檢測相關研究工作?；谌祟愐曈X模型DMOS對圖片、視頻進行質量檢測，由于其視覺模型對于不同場景的圖片準確率有所變化，且往往受觀察者主觀因素的影響，因而該模型逐漸被淘汰；為提出一種更為客觀、能夠針對多場景的圖像質量評價體系，上海交通大學科研團隊已于2006年研究出了無參考圖像質量評估算法[8]。俞勝[9]等通過再模糊理論建立了一種無參考的圖像質量評價算法，并通過提取圖像的局部特征和全局特征進行圖像質量評價；竇思冬等[10]考慮到基于模糊核的評價方法不能區分模糊平滑區域和焦點平滑區域，進而導致模糊圖像不易被檢測的問題，提出了一種將再模糊理論和相關系數相結合的模糊圖像檢測算法，該算法結合了兩種類型的模糊檢測算法特點，改進了模糊圖像的檢測準確率。賈惠珍等[11]為了更加有效地評價模糊圖像的圖像質量，提出一種基于梯度失真測度圖和顯著區域圖的無參考模糊圖像質量評價方法，預測結果與人的主觀判斷具有較好的一致性，且計算復雜度較低。武利秀等[12]提出一種基于相位一致變換和卷積神經網絡的無參考圖像質量評價方法，預測的圖像質量分和主觀質量評分實現了很好的一致性。Liu R[13]、Xu G[14]、lang C[15]等人也基于機器學習、邊緣分析等理論提出了圖像質量分析評價的方法。

盡管目前研究了多種方法對圖像質量進行評價，且取得了較好的理論成果。但實際應用中傳統的監控視頻圖像質量診斷仍以人工方式進行。這種人工方法在大型監控系統中需要耗費大量的人力和物力，且人工評價方法受環境、心理狀態、自身認知等因素的影響，會直接或間接導致評價結果不準確，所以采取客觀方法來評價圖像質量非常重要?？紤]到在高速公路的視頻圖像中，出現圖像異常的情況較為少見且難以捕捉，因而圖片數量難以滿足機器學習所需的數據量，故采取傳統的圖像處理技術對視頻圖像進行處理，以期得到更好的處理效果。

基于圖像處理技術，針對高速公路攝像機可能存在的黑屏、亮度、模糊等異常，通過對圖像的基本特征進行分析，建立一種對高速公路攝像頭圖像客觀高效的檢測算法，能夠實現高速公路監控視頻圖像質量自動檢測，提升高速公路監測、服務水平，降低高速公路管理人力成本的目標。

1 圖像數據來源

本次實驗數據均來源于高速公路實時監控視頻圖像數據，包括陜-G30（連霍高速-寶天段 K1194+970-上行方向）、陜-G3511（荷寶高速-旬鳳段 K813+040-下行方向）、陜-G5（京昆高速-漢寧段、西禹段 K891+650-下行方向）、陜-G85（銀昆高速-寶川段石窯壩隧道 K679+647-上行方向）等高速路段，將得到對應的視頻圖像數據作為檢測數據集。

2 攝像頭獲取圖像質量檢測方法

由于在實時視頻監控系統中，監控場景復雜多變，要得到可參考的圖像信號比較困難，而且視頻質量異常形式多樣，不能使用同一種評價方法。因此研究采用無參考的客觀評價方法，針對不同的質量異常選用不同的評價方法。對每一種質量異常圖像，提取它們與正常圖像的特征差異，這些特征的提取可以通過時域、頻域、變換域完成。對提取的特征進行評價，判斷圖像的質量異常類型及嚴重程度。

一般情況下，視頻監控系統產生質量異常的原因可以分為兩大類：內部因素以及外部因素。內部因素是指攝像元件或顯示設備自身的質量問題以及傳輸線路的質量問題；外部因素是指電磁干擾，如果在攝像元件附近、顯示屏幕附近或者傳輸線路周圍存在比較強的電磁干擾，那么最終顯示的圖像就會出現噪聲，亮度異常等。常見的質量異常狀態包括：色偏、亮度異常、抖動、信號缺失、條紋干擾、噪聲、遮擋等。本研究在假設所有事故可被攝像頭感知的前提下，主要解決外部元素引起的黑屏、亮度異常以及模糊異常等問題。

2.1 黑屏檢測

在視頻監控系統中，無論是前端攝像機還是視頻傳輸線，一旦出現故障，接收端都可能無法接收到視頻信號。在監控顯示器上一般表現為黑屏或者“無視頻信號”屏。其中，黑屏圖像、正常圖像如圖1所示。

當監控系統出現黑屏異常時，屏幕顏色具有單一性?；谶@一特點，可以從圖像像素分布特征檢測黑屏。將彩色圖像轉換成灰度直方圖后，再對其灰度直方圖進行分析。其轉換原理是基于人眼對顏色的敏感度不同來計算圖像的灰度值。

灰度圖像只是一張單通道圖像，其中的每個像素值代表著對應位置的灰度程度。因此，將彩色圖像轉換為灰度圖像需要對每個彩色像素進行轉換。通過下式可以計算上述圖像各像素點的灰度值，并繪制其對應直方圖，如圖2所示。

gray= 0.298 9×R+0.587 0×G+0.114 0×B" " " " " " " "（1）

式中：R、G、B分別代表該像素點的紅、綠、藍通道的值；gray代表轉換后的灰度值。

從單幀圖像的灰度值分析，低灰度值的黑像素率越高，圖像越暗。因此，將灰度值小于閾值的像素定義為黑像素點，并根據圖像的黑像素率來判斷黑屏；考慮到實際圖像中往往出現白色字體用于介紹圖片的具體信息，因而在黑屏處理中，對像素點的灰度值與白色字體的灰度值進行判斷，若確認為白色字體，則該像素點不被記入像素點總數。黑屏檢測算法步驟如圖3所示。

2.2 亮度異常檢測

當監控視頻出現亮度異常現象時，一般表現為圖像過暗或者過亮，如圖4所示。造成該現象的原因有多種，如攝像頭故障、增益控制紊亂或照片條件異常等。但不論是哪種異常，都會使人的主觀感知受到影響，導致監控人員觀察疲勞。不僅如此，亮度異常還會模糊圖像內前景的邊界，減少圖片所包含的信息，降低了圖片的信息熵。

一般情況下，對彩色圖像的亮度檢測需要將圖像從RGB色彩空間轉換為HSV色彩空間，其中H代表圖像色彩，S代表圖像色彩的深淺，V代表圖像的亮度。其轉換步驟如下：

（1）分別對圖像的R、G、B三通道進行歸一化處理；

（2）找出三通道中的最大值與最小值Cmax，Cmin，計算其差值delta；

（3）對H（色彩通道）的轉換遵循式（2）：

（2）

對S（飽和度通道）的轉換遵循式（3）：

（3）

對V（亮度通道）的轉換遵循式（4）：

（4）

基于上述步驟，在圖像HSV色彩空間V通道的基礎上，通過滑動窗口遍歷整幅圖像，并將每個窗口內的平均亮度與高、低曝光閾值進行比較，根據曝光率判斷圖像是否存在亮度異常。亮度異常檢測算法實現步驟如圖5所示。

2.3 模糊檢測

在數字視頻監控系統中，攝像機參數、鏡頭焦距、編解碼器匹配程度、顯示器分辨率、線路老化等多方面原因會造成視頻圖像清晰度異常。當視頻出現清晰度異?，F象時，圖像中的邊緣特征表現弱化，物體之間無明顯界限，十分模糊，如圖6所示。

一般而言，圖像越清晰，其前景邊緣越明顯，邊緣梯度值越大；相反，圖像越模糊，其前景邊緣也越模糊，邊緣梯度值越小。圖像梯度是一個二維向量，表示圖像中每個像素的變化方向和程度。梯度值的計算可以幫助我們分析圖像的紋理和邊緣信息，在計算機視覺、圖像處理和模式識別等領域有廣泛應用。

一般來說，圖像梯度的計算有兩種方法：一種是使用領梯微積分法，即求解圖像的偏導數；另一種是使用圖像卷積，即使用Sobel、Scharr或其他卷積核對圖像進行卷積操作。

對于領梯微積分法，梯度值可以通過以下兩個公式計算：

（5）

（6）

式中：Gx表示圖像x方向的梯度值；Gy表示圖像y方向的梯度值；l為圖像強度函數；x和y分別表示圖像的兩個維度。

本研究利用拉普拉斯算子（卷積核）求解圖像梯度值，其原理如下：

拉普拉斯算子是一個線性卷積核，它利用圖像的二階導數來計算圖像的梯度并獲取圖像的邊緣信息。拉普拉斯算子的卷積核通常是一個二維的Laplacian算子，以如下二維矩陣表示：

（7）

圖像梯度值的計算過程如下：

（1）將圖像與卷積核進行卷積；

（2）計算每個像素的卷積值；

（3）根據卷積值計算圖像的梯度。

在此基礎上，利用Python中的CV庫對圖像進行拉普拉斯梯度計算。當圖像梯度值處于邊界閾值附近時，可以對原圖像進行銳化操作，若原圖像為清晰度正常的圖像，則其梯度值越大；若原圖像為清晰度異常的圖像，雖然梯度值會較原圖像有所增加，但兩者之間差值遠小于正常圖像與其銳化圖像梯度之差。因此，通過分析圖像的梯度信息來實現圖像的清晰度異常檢測。清晰度異常檢測算法實現步驟如圖7所示。

3 圖像視頻質量檢測實驗結果

基于上述算法理論搭建對應的算法模型，并對該數據集進行檢測，部分結果如圖8所示，得到對應異常檢測的閾值見表1所列。

通過分析上述檢測結果可以得知，視頻異常檢測算法模型基本達到要求，但是在一些細節檢測上有些許誤差，比如在曝光度過低時會檢測為黑屏圖像以及在攝像頭周圍因客觀原因導致缺少光源時，夜間的視頻圖像往往會被誤認為黑屏；當客觀認為存在局部曝光過高時，系統檢測結果卻為曝光度正常。針對該現象，需要大量的圖像數據，統計其閾值分布規律，最終確定符合高速公路監控視頻質量檢測的閾值。在時效性上，針對數據集中所需處理的視頻圖像，可以達到實時處理（即達到每秒處理30張，與視頻截取頻率30幀/s吻合），能夠滿足實際應用需求。

基于現有數據集，綜合準確率可以達到約97%，分析其實驗圖像，發現異常圖像不僅包括黑屏、亮度異常以及模糊異常，還包括噪聲干擾、攝像機遮擋、灰屏以及圖像顯示尺寸異常等問題。由于算法模型僅針對圖像目標異常進行檢測，當出現其他異常時會導致檢測誤差，表現為算法模型魯棒性欠佳。針對其余非常見視頻圖像質量問題，其算法可靠性較為有限。后續需要針對常見的視頻異常進行總結歸納，并融合其檢測算法模型構建完整的視頻質量異常檢測系統。

4 結 語

本研究基于圖像處理技術，通過對圖像質量異常的分類以及檢測方法進行分析，實現了高速公路監控視頻圖像的異常檢測，包括黑屏、亮度異常以及模糊異常的檢測。由實驗結果可知，研究還存在些許不足，表現為高速公路監控視頻圖像質量檢測需要根據實際場景人為確定閾值范圍，導致識別結果產生誤差。通常來說，針對圖像問題，采用機器學習是行之有效的處理方法，但采用該方法需要大量的圖像數據集，而高速公路監控攝像頭故障為小概率事件，異常視頻圖像難以獲取?？梢酝ㄟ^利用該研究的成果，對高速公路監控視頻進行實時檢測獲取所需圖像質量異常數據集，為后續利用機器學習算法實現高速公路監控視頻質量自動檢測提供數據支持。

參考文獻

[1] YOU J Y，KORHONEN J，PERKIS A. Attention modeling for video quality assessment： Balancing global quality and local quality.Multimedia and Expo （ICME） [C]// 2010 IEEE International Conference on Publication Year：2010：914-919.

[2] STAELENS N，DE MEULENAERE J，CLAEYS M，et al. Subjective quality assessment of longer duration videosequences delivered over HTTP adaptive streaming to tablet devices broadcasting [J]. IEEE transactions，2014，60：707-714.

[3] CHEN G H，YANG C L，SHENG L X. Gradient-based structural similarity for image quality assessment [C]// IEEE International Conference on Image Processing，Oct. 2012：2929-2932.

[4] ITU-T Study Group9 Contribution COM 9-80-E，Final report from the Video Quality Experts Group on tire validation of objective models of video quality assessment [Z]. 2010.

[5] ITU-T J.144，Objective perceptual video quality measurement techniques for digital cable television in the presence of a full reference t [Z]. 2009.

[6] SAKIC K，DUMIC E，GRGIC S. Crowdsourced subjective video quality assessment systems，signals and image processing（IWSSIP）" [C]// 2014 International Conference on Publication Year：2014：223-226.

[7] YOU J Y，KORHONEN J，PERKIS A，et al. Balancing attended and global stimuli in perceived video quality assessment multimedia [J]. IEEE transactions，2011，13（6）：1269-1285.

[8]余燕飛，鄭烇，王嵩，等.基于空間域的圖像噪聲檢測技術[J].計算機應用，2012，32（6）：1552-1556.

[9]俞勝，張懷亮，彭玲，等.應用再模糊理論的無參考圖像質量評價算法[J].傳感器與微系統，2021，40（8）：140-143.

[10]竇思冬，朱玉全，林慶，等.基于模糊核和梯度分布的部分模糊圖像檢測[J]. 信息技術，2018，42（9）：147-151.

[11]賈惠珍，雷初聰，王同罕，等.基于梯度和顯著性的無參考模糊圖像質量評價方法[J]. Journal of southeast university（english edition），2021，37（2）：184-191.

[12]武利秀，桑慶兵.基于卷積神經網絡的無參考混合失真圖像質量評價[J].光學技術，2018，44（5）：555-561.

[13] LIU R，LI Z，JIA J. Image partial blur detection and classification [C]// 2008 IEEE Conference on Computer Vision and Pattern Recognition. IEEE，2008：1-8.

[14] XU G，QUAN Y，JI H. Estimating defocus blur via rank of local patches [C]// Proceedings of the IEEE International Conference on Computer Vision. 2017：5371-5379.

[15] LANG C，HOU C，SONG Z. Depth recovery and refinement from a single image using defocus cues [J]. Journal of modem optics，2015，62（6）：204-211.