基于支持向量機回歸的道路能見度檢測

摘" 要： 道路能見度是影響交通安全的重要因素之一。針對低能見度霧天的道路圖像特點，提出一種基于支持向量機回歸的車載視頻道路能見度檢測方法。首先通過區(qū)域增長算法確定特征提取區(qū)域；然后提取能夠反映能見度大小的大氣透射率特征和圖像熵特征，利用所提取的特征訓練支持向量回歸模型；最后利用訓練好的模型檢測圖像的能見度。實驗結果表明，該方法在400 m以內的能見度檢測中總體準確率可達到90.1%，可滿足交通行業(yè)實際應用的需要。

關鍵詞： 能見度檢測； 支持向量回歸； 暗通道先驗； 區(qū)域增長法； 大氣透射率； 圖像熵

中圖分類號： TN911.73?34； TP391" " " " " " " " " "文獻標識碼： A" " " " " " " " " 文章編號： 1004?373X（2024）23?0154?05

Road visibility detection based on support vector machine regression

ZHOU Jun1， TUERXUN Maimaitijiang2， 3

（1. College of Intelligent Manufacturing and Modern Industry， Xinjiang University， Urumqi 830017， China;

2. Xinjiang Key Laboratory of Green Construction and Intelligent Traffic Control of Transportation Infrastructure， Urumqi 830017， China;

3. School of Traffic and Transportation Engineering， Xinjiang University， Urumqi 830017， China）

Abstract： Road visibility is one of the important factors which affects traffic safety. In this paper， a vehicle?mounted video road visibility detection method based on support vector machine regression is proposed according to the characteristics of road images with low visibility in foggy days. Initially， the feature extraction region is determined by employing a region growth algorithm. Subsequently， the key features including atmospheric transmittance and image entropy are extracted. These features are then utilized to train a support vector regression （SVR） model. Finally， the trained model is employed to detect the visibility of the road image. The experimental results show that the overall accuracy of the proposed method in visibility detection within 400 m can reach 90.1%， so the proposed method can meet the needs of practical application in the transportation industry.

Keywords： visibility detection; SVR; dark channel prior; region growing; atmospheric transmittance; image entropy

0" 引" 言

能見度是指在特定條件下，例如天氣、光照和大氣質量等因素的影響下，人眼能夠清晰地分辨背景中具有一定大小的目標物體的最遠可見距離[1]。在交通安全中，這一概念至關重要。低能見度的天氣條件下，人們容易迷失方向、產生焦慮和不安全感。因此，道路能見度檢測對于交通安全具有重要意義，它能夠幫助駕駛員了解前方路段的能見度情況，從而使駕駛員更準確地評估行車風險，并相應地調整駕駛行為，采取適當的安全措施，以降低事故發(fā)生的可能性。實時監(jiān)測能見度情況并及時向駕駛員提供警示信息，有助于提高駕駛員的警覺性，從而減少因能見度不佳而造成的意外事件。綜上所述，能見度檢測不僅可以提高駕駛員的行車安全水平，還有助于減少交通事故的發(fā)生，從而保障行車安全。

隨著圖像處理技術和深度學習的迅速發(fā)展，基于視頻圖像的能見度檢測技術正逐漸成為能見度檢測領域的主要發(fā)展方向。這種基于視頻圖像的方法不僅可以提高檢測的準確性和可靠性，還可以在更廣泛的環(huán)境條件下進行應用，例如不同天氣和光照條件下的道路情況。因此，基于視頻圖像的能見度檢測技術將在未來的交通安全領域發(fā)揮越來越重要的作用，并成為相關研究和實踐的熱點方向。文獻[2]提出了一種引導濾波的改進方法，用灰度圖代替RGB圖作為引導圖，極大地提高了濾波效率。該算法通過分析霧濃度系數[ω]和圖像的灰度對透射率計算準確性的影響，提出了一種自適應霧濃度系數的新思路，通過構建BP神經網絡，實現(xiàn)了霧濃度系數的自適應修正。該算法97.1%的計算結果相對誤差在20%以內，滿足測量結果。文獻[3]提出了一種改進暗通道先驗的高速公路能見度檢測算法，該方法在求取大氣透光強度時引入了局部熵法，在日間大霧情況下的高速公路具有良好的檢測效果。文獻[4]提出了一種基于可見光?遠紅外圖像的多模態(tài)能見度深度學習算法，融合了可見光圖像與遠紅外圖像特征信息，構建了多模態(tài)的能見度檢測深度學習模型，該模型在小樣本情況下，較單一視頻圖像提高了能見度檢測的準確性與魯棒性。文獻[5]以VGG16為基準模型，提出了一種基于卷積神經網絡的高速公路霧天能見度等級分類算法。文獻[6]提出了一種基于多目標的能見度檢測模型，該方法考慮了不同景深目標物對應圖像質量的衰減程度，有效提升了精度，檢測正確率達到85%以上。文獻[7]提出了一種基于計算機視覺和機器學習的能見度檢測算法，該算法在樣本比較小的情況下也能得到較好的預期結果。文獻[8]提出了一種基于遷移學習和深度卷積神經網絡（DCNN）的可見性檢測方法，該方法有效改善了缺乏數據集而引起的一些問題。文獻[9]提出了一種通過公路視頻監(jiān)控進行能見度檢測的算法，該算法通過對抽取的視頻幀進行灰度處理，并結合自適應引導濾波算法和四叉樹圖像分割算法對能見度進行計算。文獻[10]構建了一個交通可見性回歸網絡（TVRNet）來檢測交通能見度。該網絡采用基于CNN的深度架構，使用適當的濾波器提取霧密度相關特征，并利用并行卷積進行多尺度映射。該網絡采用一種新型的非線性激活函數，即Modified_sigmoid函數。

上述方法大都基于固定攝像機拍攝的固定場景圖像來建立能見度檢測模型，雖然取得了不錯的能見度檢測效果，但場景適用性不強，不能用在車載視頻的能見度檢測中。為此，本文提出了一種基于支持向量機回歸的能見度檢測方法。首先通過區(qū)域增長法對圖像進行分割，分割出特征提取區(qū)域；然后通過計算圖像熵和暗通道先驗法對圖像的透射率進行提取，將圖像熵和透射率作為能見度檢測的圖像特征；最后采用圖像熵和透射率與能見度標注值來訓練支持向量回歸模型得出能見度檢測模型。本文方法的流程圖如圖1所示。

1" 區(qū)域增長算法分割提取ROI

本文方法是基于車載視頻來進行能見度檢測，由于車輛在行駛的過程中場景會不斷變化，為了提高場景適用性以及避免用暗通道先驗算法在求取大氣透射率時受到路邊一些干擾因素的影響，例如，路邊一些白色的反光物體區(qū)域以及燈光等，所以提出了運用區(qū)域增長算法[11]（Region Growing Algorithm）來分割出提取圖像特征的一個興趣區(qū)域（ROI）。

區(qū)域增長算法是一種圖像處理和分割技術，用于將圖像分割成具有相似屬性的區(qū)域。這種算法從一個或多個種子點開始，然后逐步將相鄰像素加入到同一區(qū)域中，直到滿足某個停止條件為止。

本文算法從圖像最底部一行道路圖像中選取若干種子點，選取的種子點數為6個，6個種子點在圖像最底部像素中等間距分布。

閾值（threshold）是區(qū)域增長算法中的關鍵參數，它決定了相鄰像素是否屬于同一區(qū)域的相似性程度。當閾值較小時，算法更嚴格地要求相鄰像素的相似性，這意味著只有那些非常相似的像素才會被歸為同一區(qū)域；當閾值較大時，算法更容忍像素之間的差異，這可能會導致更大的區(qū)域被歸為同一區(qū)域。通過對有霧圖像進行不同閾值下的區(qū)域增長算法實驗，本文方法閾值取為30。不同閾值的區(qū)域增長算法結果如圖2所示。

通過區(qū)域增長算法分割出來的特征提取區(qū)域[R]中，首先選取距離圖像底部垂直最遠的一個像素點作為初始點，為了保證具有足夠的檢測帶寬，然后在垂直向下的方向上，選取距離初始點50個像素距離的一個點作為初始測量帶寬點。通過選取帶寬點所在行的像素中距離最遠的兩個像素點之間的距離作為測量帶寬，這兩點為帶寬點。將兩個帶寬點橫坐標中間的區(qū)域作為檢測區(qū)域，檢測區(qū)域如圖3所示。

2" 圖像特征提取

不同的能見度在圖像上反映為圖像的退化程度不同。通過提取能反映這種圖像退化程度的圖像特征并找到與能見度之間的映射關系，就可以通過圖像來進行能見度的檢測。因此，提取有效的視覺特征對能見度檢測至關重要。圖像的透射率與能見度之間存在密切的關系，透射率和能見度之間的關系可以總結為：透射率高，則能見度好；透射率低，則能見度差。熵是用來衡量隨機變量的不確定度的一個重要概念，而圖像熵則是將熵的概念應用到圖像數據中。通過分析可知，熵在一定程度上體現(xiàn)了圖像的退化程度，所以本文選取圖像的透射率和圖像熵作為能見度檢測的圖像特征。

2.1" 透射率計算

透射率可根據式（1）得出：

[t（x）=1-ωJdark（x）A] （1）

式中：[t（x）]為所求的透射率；[ω]為霧霾保留系數，取0.95；[Jdark（x）]為圖像的暗通道；[A]為大氣透光強度。

由式（1）可以看出，圖像的透射率為一個矩陣。為了將圖像透射率與圖像熵值輸入到支持向量回歸（SVR）模型中進行擬合，采取了以下步驟。首先，將圖像的特征提取區(qū)域分割成多個20×20像素的小區(qū)域；然后，針對每個小區(qū)域計算其透射率矩陣的平均值，作為該小區(qū)域的透射率；最后，對所有小區(qū)域的透射率值求平均，得到輸入到SVR模型的透射率值。

為得到透射率，首先需要計算大氣透光強度和圖像的暗通道。大氣透光強度和圖像的暗通道可根據文獻[12]的暗通道先驗算法得出，暗通道先驗算法是通過總結大量的室外無霧圖像提出的。無霧圖像中絕大多數非天空的局部區(qū)域里，在RGB三通道上總會有—個通道的像素值趨于0，可用式（2）進行描述：

[Jdark（x）=minC∈{R，G，B}miny∈Ω（x）（JC（y））] （2）

式中：[JC（y）]為圖像R、G、B三個顏色通道中的某一個；[Ω（x）]為圖像中以[x]為中心的一個區(qū)域。

通過選取暗通道圖像素點中灰度值前1‰的像素點，取上述像素點對應的原圖區(qū)域，最后選取該區(qū)域最亮點的像素值[xmax]作為大氣透光強度[A]。

2.2" 圖像熵

圖像熵（Image entropy）是圖像處理中常用的一種概念，用于描述圖像中的信息量或者說信息的不確定性。對于大小為[N×N]的圖像，圖像熵定義為：

[H=-l=0255Pllog2Pl] （3）

式中[Pl]是灰度值為[l]的像素的概率。

設圖像區(qū)域內灰度值[l]的像素個數為[M]，則[Pl]定義為：

[Pl=nlm×n] （4）

2.3" 支持向量機回歸分析

由于能見度數據集樣本量小且樣本分布不均勻，所以本文采用支持向量回歸機建立回歸模型[13]來映射透射率、圖像熵與能見度之間的關系。支持向量回歸機通過非線性變換將原始特征映射到高維空間，通過構建線性分類函數既確保了模型在高維空間中具有良好的泛化能力，又解決了維度災難問題，可有效解決小樣本下的非線性回歸問題[14]。

設有[l]個訓練樣本，[xi（xi∈R2）]是第[i]個訓練樣本的輸入列向量，[xi=[x1i，x2i]T]，本文方法中[xi]為透射率和熵值所組成的列向量。[yi]∈[R]為對應的輸出值，也就是能見度標注值。建立高維特征空間中的線性回歸模型：

[yi=f（x）=ωΦ（x）+b] （5）

式中：[ω]為權向量；[b]為偏置項。類似于SVM的分類情況，引入松弛變量[ξi]和[ξ*i]。回歸模型權重[ω]與偏差[b]可通過最小化目標函數得到，具體如下：

[min12ω2+Ci=1l（ξi+ξ*i）s.t." " yi-ωΦ（xi）-b≤ε+ξi-yi+ωΦ（xi）+b≤ε+ξ*i，" " " i=1，2，…，lξi≥0，" " ξ*i≥0] （6）

式中：[C]為懲罰因子，[C]越大表示對訓練誤差大于[ε]的樣本懲罰越大，[ε]規(guī)定了回歸函數的誤差要求，[ε]越小表示回歸函數的誤差越小。

通過求解上述約束問題可得SVR模型為：

[f（x）=ω*Φ（x）+b*=i=1l（αi-α*i）Φ（xi）Φ（x）+b*=i=1l（αi-α*i）K（xi，x）+b*] （7）

式中：[K（xi，x）]為核函數，[x]為輸入的區(qū)域圖像特征；[f（x）]為其能見度估計值。

常用的核函數有：線性核函數、多項式核函數、徑向基核函數、Sigmoid核函數等，本文采用徑向基核函數。

3" 實驗結果與分析

3.1" 實驗數據與設備

由于目前沒有公開的能見度數據，所以通過車載攝像頭采集了不同能見度下的視頻圖像，采集時間為2023年10月—2024年2月，并通過視頻轉換軟件從視頻中提取出了2 231幅圖像，建立實驗圖像集，圖像分辨率為1 920 Pixel×1 080 Pixel，能見度范圍為20～400 m，圖像樣本的能見度標注值為風途FT?SN10手持式能見度檢測儀觀測值，其中訓練集1 900幅，驗證集331幅。將圖像樣本進行能見度檢測區(qū)域分割后提取圖像特征，將圖像特征和對應的能見度值存儲為.xlsx文件作為支持向量回歸模型的輸入。為了驗證本文所提算法在道路圖像中能見度估計的效果，在CPU為Intel i7?13700HX、內存為16 GB的計算機上基于Matlab進行驗證，Matlab版本為2021a。

3.2" 測試結果與分析

使用2.3節(jié)中經過訓練的支持向量回歸模型對測試樣本進行了實驗。通過比較檢測值和樣本標注值，生成了一份分布折線圖，如圖4所示。從圖中分析可知，大多數測試樣本的檢測值與標注值之間存在較小的誤差。按照能見度檢測規(guī)范，誤差在10%以內被認為是允許范圍內的，除了一些極值點外，大部分檢測值與標注值的誤差均在這一范圍內。綜合來看，整體的正確率達到了90.1%。

為評估本文方法的性能，將本文方法與傳統(tǒng)暗通道先驗算法、二元二次回歸模型、隨機森林算法三種方法進行對比，對比結果如表1所示。

由表1可知，本文方法在每個能見度區(qū)間以及整體能見度檢測上均優(yōu)于其余三種方法。可以看到在能見度區(qū)間為50 m內時，基于暗通道先驗的物理模型要優(yōu)于二元二次回歸模型與隨機森林模型，這主要是由于該區(qū)間段的樣本量比較少，二元二次回歸模型與隨機森林模型訓練不充分而產生了過擬合現(xiàn)象，而基于物理模型的能見度檢測不受訓練樣本數量的影響，所以效果要優(yōu)于上述兩種模型。而本文采用的支持向量機進行回歸分析則有效改善了小樣本下過擬合這一問題，結合在50～400 m能見度范圍時以及整體的正確率進行分析，基于暗通道先驗的物理模型準確率最差，這主要是因為利用暗通道在計算透射率時容易造成干擾導致檢測結果不準確。而且在這個范圍內的訓練樣本比較多一點，其余三種回歸模型的過擬合現(xiàn)象有所改觀，所以基于暗通道先驗的物理模型的整體準確率最差。綜上，本文所提出的能見度檢測方法可以應用到實際的道路能見度檢測中。

4" 結" 語

本文提出了一種基于支持向量機回歸的道路能見度檢測方法。首先利用區(qū)域增長法確定反映能見度的特征提取區(qū)域；然后對特征提取區(qū)域提取透射率和圖像熵兩種特征；將兩種圖像特征與能見度標注值利用支持向量機進行回歸分析得到能見度的檢測模型。該方法不需要定義精確的物理模型，根據實驗結果，這種方法表現(xiàn)出了較高的檢測準確率和穩(wěn)定性，有效避免了運用單一物理模型檢測能見度時，路邊干擾物對整體檢測效果的影響。該方法對于小樣本下的數據集同樣具有良好的效果。

注：本文通訊作者為買買提江·吐爾遜。

參考文獻

[1] 趙瑞，胡遼林，趙江濤.基于暗原色先驗理論的大氣能見度測量[J].激光與光電子學進展，2016，53（6）：78?85.

[2] 陳鐘榮，張炎，張瑤.基于自適應霧濃度系數的暗通道先驗法能見度測量[J].現(xiàn)代電子技術，2019，42（9）：39?45.

[3] 楊天麟，王衛(wèi)杰，康楠，等.采用改進暗通道先驗算法的高速公路能見度檢測[J].哈爾濱工業(yè)大學學報，2023，55（3）：100?108.

[4] 沈克成，施佺，王晗.可見光?遠紅外圖像的多模態(tài)能見度深度學習模型[J].計算機輔助設計與圖形學學報，2021，33（6）：939?946.

[5] 黃亮，張振東，肖鵬飛，等.基于深度學習的公路能見度分類及應用[J].大氣科學學報，2022，45（2）：203?211.

[6] 唐榕，李騫，唐紹恩.基于多目標的能見度檢測方法[J].計算機工程，2023，49（2）：314?320.

[7] 沈岳峰，殷海濤，史得道，等.基于機器學習的白天能見度檢測方法[J].自動化與儀表，2022，37（8）：74?77.

[8] LI Q， TANG S E， PENG X， et al. A method of visibility detection based on the transfer learning [J]. Journal of atmospheric and oceanic technology， 2019， 36（10）： 1945?1956.

[9] MENG Y， WU H. Highway visibility detection method based on surveillance video [C]// 2019 IEEE 4th International Conference on Image， Vision and Computing （ICIVC）. New York： IEEE， 2019： 197?202.

[10] QIN H S， QIN H B. An end?to?end traffic visibility regression algorithm [J]. IEEE access， 2022， 10： 25448?25454.

[11] HAUTIèRE H， TAREL J P， LAVENANT J， et al. Automatic fog detection and estimation of visibility distance through use of an onboard camera [J]. Machine vision and applications， 2006， 17（1）： 8?20.

[12] HE K M， SUN J， TANG X O. Single image haze removal using dark channel prior [J]. IEEE transactions on pattern analysis and machine intelligence， 2011， 33（12）： 2341?2353.

[13] SHMILOVICI A. Support vector machines [M]// ROKACH L， MAIMON O， SHMUELI E. Machine learning for data science handbook. Heidelberg： Springer， 2023： 93?110.

[14] AWAD M， KHANNA R. Support vector regression [C]// Efficient Learning Machines. New York： Apress， 2015： 67?80.

作者簡介：周" 俊（1997—），男，山西晉城人，碩士研究生，主要研究方向為圖像處理。

買買提江·吐爾遜（1975—），男，維吾爾族，新疆喀什人，副教授，碩士生導師，研究方向為交通系統(tǒng)仿真、交通工效學、模式識別與智慧交通。