夜间车流量检测算法中路面反射光的消除方法

欧阳韬,朱明旱

（湖南文理学院 电气与信息工程学院，湖南 常德 415000）

智能交通系统是现代交通管理的有效手段,其中负责采集交通流量信息的交通监测系统是它的重要部分。目前国内大多数城市的交通监测系统是采用地埋式感应线圈的方法来获取交通信息,由于这种交通流量检测设备要埋在路面以下,因而要损坏原有路面,使得安装和维护很不方便,而且存在抗干扰性差、精度欠佳等缺点。近年来随着计算机和图像处理技术的不断发展,利用机器视觉技术来进行车辆检测成为一种新的替代方法,有望取代传统检测器，成为现代智能交通系统的一个重要组成部分[1]。

在交通流量的视频检测中，夜间车辆的检测一直是一个难题。这主要是因为夜间道路的照明条件较差，车身的可见度很低，无法像在白天一样，可以通过对相邻帧的帧间差分[2]、背景差分[3-4]或者光流法[5-6]来检测运动车辆。即使在照明条件较好的路段，可以采用一种基于梯度滤波和级联形态学滤波的夜间车辆检测方法，车灯投射光线在路面形成的大面积强反射区域也会干扰车辆的检测[7]。一些学者观察到车前灯是夜间车辆最明显的特征，通过提取出车前灯进行车流量检测，但他们大都没有很好地解决路面反射光的问题，使得车前灯的提取不是十分准确。吴海涛等人[8]采用基于形态学的方法，把车灯以及车灯在路面清晰规则的投影一起提取出来，然后进行车灯配对，但他们考虑的情况比较理想，实际的夜间环境下车灯在路面的反射光区域是无规则的，而不是与车灯成镜像关系。Wei Zhang,Q.M.J.Wu等人[9]利用马尔科夫随机场的理论，通过计算最大后验概率有效地把车灯和反射光区分为不同的标号场，进而实现车前灯的提取，但是这种方法运算量较大，当图像像素比较高时难以达到实时性的要求。

为了很好地解决路面反射光对提取车灯的干扰这一问题，吴志伟等人[10]用区域生长法一并提取出车灯和反射光，然后对分割出的每个连通域计算其圆形度、面积和周长等特征参数，根据经验设定固定的阈值，如果某个连通域的参数在阈值范围内，则标记为车灯；但是他们没有充分考虑小前灯与大前灯粘连的复杂情况，此时车灯已不再近似呈圆形，而且车灯互相粘连形成的连通域的面积和周长也会超出阈值的范围。本文在他们研究的基础上提出了一种通过计算各个连通域边界点到质点的方差来消除路面反射光的方法。首先将彩色图像灰度化，然后根据选定的“种子点”进行区域生长，这样有效地提取出了车灯和路面反射光。接着，分别计算各个连通域的质心坐标和边界点坐标，求出每个边界点到其质点的距离，并计算出这些距离值的方差。最后删除方差大于阈值的连通域，这样就很好地提取出来了车前灯的图像信息。实验结果证明，该方法能够有效地消除路面反射光，提高了夜间车辆检测的鲁棒性及其检测精度。

1 基于区域生长法的图像分割

通过分析所采集的夜间交通视频后发现，车前灯和反射光所在区域亮度值很高，R、G、B 3个颜色分量值都很接近255，因此无需用到颜色值。为了减少计算量，在图像分割之前采用下列公式对彩色图像进行灰度化：

式（1）指灰度图像的灰度值等于彩色图像三通道的加权和，R、G、B为红、绿、蓝三分量，其中权值为前人实验和理论推导证明得出的最合理的值。

在图像分割中比较普遍的方法是门限处理，但这种方法仅对灰度直方图是双峰的情况比较好处理。而夜间车辆通行图像的灰度直方图一般是多峰的，无法确定合适的阈值，对于这种图像，用区域生长方法能够得到很好的解决[11]。

根据车前灯和路面反射光区域总有一些像素值接近255的这一特点，可以用一个较高的阈值分割出部分车灯和反射光区域，并把它们作为区域生长的“种子”点。但由于车辆在行驶过程中，车灯亮度值会发生动态变化，设定固定阈值可能会导致没有“种子”点的情况。因此文献[10]提出了一种基于灰度直方图的自动求取阈值的方法——求取图像灰度直方图极小值点所对应的最大灰度值Thr1作为分割阈值。

考虑到受噪声的影响，首先需要对灰度直方图进行平滑处理，令第i个灰度值的个数等于前后3个灰度值个数的加权和：

先定义符号函数：

极小值点对应的灰度值可以用下列公式求取：

为了避免灰度直方图求取的阈值过小，导致选取的“种子”点过多，设置一个最低值ThrMin，如果基于直方图的动态阈值Thr1低于 ThrMin，则令 Thr1等于ThrMin。

由于车灯灰度值从车灯中心开始衰减，一般都有一个下限，因此文献[10]还设计了两个准则：1)设置一个较低的阈值Thr2，与“种子”像素相邻且灰度值高于Thr2的像素为相似像素；2)为了提取出较完整的车灯，相邻像素与“种子”像素必须用8连通的。

2 路面反射光的消除方法

通过观察所采集到的图像，本文总结出车灯与路面反射光最明显的特征差异是：路面反射光区域具有不规则的形状且面积一般比车灯区域大很多。因此，可以对图像分割后的像素集进行表示和数学统计分析，根据统计特性来区分车灯连通域与路面反射光连通域。

图1和图2分别为分割后的某图像中车灯连通域和反射光连通域边界点到质点的距离统计图。其中，横坐标表示边界点的序号，纵坐标表示连通域边界点坐标到质点坐标的欧几里得距离。可以明显看出，图1中的曲线比较平缓，近似于一根直线；而图2中的曲线波动比较大。

图1 车灯连通域边界点到质点的距离统计图Fig.1 The statistical chart of the distance which is from connected domain boundary point of the vehicle headlight to its particle

图7 反射光连通域边界点到质点的距离统计图Fig.7 The statistical chart of the distance which is from connected domain boundary point of the reflected light to its particle

进一步分别计算图1和图2中所有距离值的方差，可以得到图1的方差 σ21=5.296，图2的方差 σ22=460.090，可见 σ22远远大于σ21。通过对更多其他图像的分析和计算，同样具有上述现象和结果。因此，可以利用方差σ2的大小来描述连通域的形状规则程度：σ2越大说明该连通域的形状越不规则，反之，σ2越小说明该连通域的形状越规则。

同时，σ2的大小隐含了连通域的面积信息。面积大的连通域，其边界点的数目也越多，边界点到质点的平均距离也越大，所以比起面积小的连通域，σ2对面积大的连通域的形状规则程度更加敏感。综上所述，σ2越大，该连通域是路面反射光的可能性就越大，所以可以根据σ2的大小来区分出反射光区域，并进一步消除该区域。

路面反射光消除算法的具体步骤如下：

1)遍历所有连通域，并给各个连通域编上序号。

2)求出第一个连通域边界点的坐标和质点的坐标，先计算出它们之间的距离大小，再计算出这一组距离值的方差。

3)重复第二步操作，直至计算出最后一个连通域的方差值。

3 实验结果与分析

图3、图4分别为视频甲和视频乙中获取的一帧图像；图5、图8分别为视频甲和视频乙ROI(Region of Interest)区域的灰度图像；图6、图9分别为图5和图8区域生长后形成的图像，可以看出车灯和路面反射光都很好地提取出来了；图7、图10为使用本文提出的算法处理后的图像，可见，路面反射光得到了很好的消除，图像甲和图像乙中的车前灯都有效地分别提取成功。

图3 图像甲Fig.3 Picture A

图4 图像乙Fig.4 Picture B

图5 图像甲ROI区域的灰度图像Fig.5 The grayscale image of ROI of the picture A

图6 图像甲区域生长后的图像Fig.6 The picture A that is used region growing method

图7 本文算法处理后的图像甲Fig.7 The picture A that is used the algorithm of this paper

图8 图像乙ROI区域的灰度图像Fig.8 The grayscale image of ROI of the picture B

图9 图像乙区域生长后的图像Fig.9 The picture B that is used region growing method

图10 本文算法处理后的图像乙Fig.10 The picture B that is used the algorithm of this paper

特别地，图10的结果表明，即使小前灯与大前灯粘在一起，而且反射光区域面积接近车灯区域面积，本文所提出的算法依然能够消除路面反射光，提取出车前灯。而传统的计算连通域圆形度、面积和周长的方法均不能有效地处理这种复杂的情况。从图10的结果还可以看出来，如果车辆为摩托车或者汽车的某一边车灯损坏，只有一个车前灯，本文提出的算法依然有效，而不像某些传统的算法那样会遗漏这种情况下的车辆。

总之，实验结果表明，该方法能够有效地消除路面反射光，而且具有较强的鲁棒性，为清晰地提取出车前灯提供了一种新的思路。

4 结论

对于基于车前灯的夜间车流量检测系统而言，能否有效地减少路面反射光对车灯提取的干扰是检测精度能否提高的关键。本文分析了现有算法的优缺点，对之前提取车前灯的方式作了改进，提出了一种通过计算方差大小来消除路面反射光的方法，该方法降低了算法的复杂度，减小了运算量，实现了快速、准确地提取出车前灯。实验结果表明：该算法适应性强，易实现，计算量小，满足系统实时性的需要。

[1]王圣男，郁梅，蒋刚毅.智能交通系统中基于视频图像处理的车辆检测与跟踪方法综述[J].计算机应用研究，2005(9)：9-14.WANG Sheng-nan,YU Mei,JIANG Gang-yi.Review on vehicle detection and tracking techniques based on video processing in intelligent transportation systems[J].Application Research of Computers,2005(9):9-14.

[2]Lipton A J,Fujiyoshi H,Patil R S.Moving target classification and tracking from real-time video[C]//Applications of Computer Vision,1998.WACV'98.Proceedings.,Fourth IEEE Workshop on.IEEE,1998:8-14.

[3]于成忠,朱骏,袁晓辉.基于背景差法的运动目标检测[J].东南大学学报:自然科学版,2005,35(A02):159-161.YU Cheng-zhong,ZHU Jun,YUAN Xiao-hui.Video object detection based on background subtraction [J].Journal of Southeast University:Natural Science Edition,2005,35(A02):159-161.

[4]钱晋.基于背景差法的视频车辆检测算法研究 [D].上海:上海交通大学,2007

[5]Barron J L,Fleet D J,Beauchemin S S.Performance of optical flow techniques[J].International journal of computer vision,1994,12(1):43-77.

[6]Bruhn A,Weickert J,Feddern C,et al.Variational optical flow computation in real time[J].IEEE Transactions on Image Processing,2005,14(5):608-615.

[7]陈柏生，陈锻生.采用梯度滤波方法的夜间车辆检测[J].华侨大学学报:自然科学版，2009，30：42-44.CHEN Bai-sheng,CHEN Duan-sheng.Nighttime vehicle detection based on Grad-Filtering[J].Journal of Huaqiao University:Natural Science,2009，30：42-44.

[8]吴海涛.复杂环境下的夜间车辆检测与交通视频昼夜亮度变化模型研究[D].上海：上海交通大学，2007.

[9]Zhang W,Wu Q M J,Wang G,et al.Tracking and pairing vehicle headlight in night scenes[J].IEEE Transactions on Intelligent Transportation Systems,2012,13(1):140-153.

[10]吴志伟.基于视频的车流量检测技术研究[D].广州：华南理工大学，2012.

[11]冈萨雷斯.数字图像处理[M].阮秋琦、阮宇智译.2版.北京:电子工业出版社，2007.