彩色低照度环境下的视频车辆检测方法研究

贾小云+周玲羽+任江+张楠

摘要：针对彩色低照度环境下夜间视频车辆检测困难的问题，提出首先利用基于多尺度Retinex的低照度图像增强算法对原始彩色图像进行处理，然后利用帧差法提取运动目标后进行形态学降噪。由于提取出来的运动车辆存在断层，针对该现象给出了有效的解决方法来判断运动目标是否为同一车辆，从而解决了断层的问题。实验数据显示所提出的方法具有较好的性能，不仅满足实时性车辆检测的要求，而且解决了夜间运动车辆检测的问题。

关键词：车辆检测；低照度；帧差法；车流量信息

中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2016）10-0175-03

1 概述

进入交通智能化的21世纪，公路交通智能系统的重要性凸显出来，车辆检测方法是智能交通系统的核心。目前较常用的车辆检测方法有：环形磁感线圈检测、超声波检测、微波雷达检测、红外线检测、气动导管检测、光电式检测、基于视频车辆检测等。视频检测是一种将视频图像和电脑化模式识别结合起来的技术，即通过视频摄像机和电脑模仿人眼功能[1-5]。成为近年来智能交通与计算机视觉研究的热点。

夜间视频图像中车辆本身可辨别信息量少，光照亮度变化大，车辆灯光的梯度信息不明显、有明显光晕，造成目标提取困难，误检率漏检率高[6]。尤其在低照度环境下，所获取的视频图像质量不高，为后续车辆检测加大了难度[7]。为了更好地解决上述问题，本文将针对彩色低照度环境下的夜间视频车辆自动检测提出有效的解决方法。

2 夜间运动目标检测

运动目标的检测和跟踪，到目前为止，国内外对其在低照度环境下的研究还较少，对于一般车辆检测系统在夜间等低照度环境下检测能力急剧下降的问题，在室外摄像头已固定的情况下，针对处于低照度环境下的视频车辆进行检测识别。

2.1 低照度图像增强处理

根据环境照度将夜间交通场景区分为充足照明和低照度两种情况，本文主要针对夜间低照度环境，采用Retinex理论[8]进行低照度图像增强处理。不同于传统的线性、非线性的只能增强图像某一类特征的方法，Retinex可以在动态范围压缩、边缘增强和颜色恒常三个方面达到平衡，因此可以对各种不同类型的图像进行自适应性增强[9]。本文在单尺度SSR（Single Scale Retinex）的基础上利用多尺度MSR（Multi Scale Retinex）进行图像增强处理[10]。MSR是在SSR的基础上发展而来的，其优点是可以同时保持图像高保真度和对图像的动态范围进行压缩，并且在一定情况下，MSR可以实现色彩增强、颜色恒常性、局部动态范围压缩、全局动态范围压缩，也可以用于X光图像增强。公式（1）（2）如下：

[r（x，y）=kKwk{logS（x，y）-log[Fk（x，y）*S（x，y）]}] （1）

[F（x，y）=λe-（x2+y2）c2] （2）

式中，[r（x，y）]为输出图像，*为卷积符号，[F（x，y）]为中心环绕函数，式中的[K]是高斯中心环绕函数的个数，当[K=1]时，MSR退化为SSR。通常来讲，出于保证同时兼有SSR高、中、低三个尺度的优点的考虑，[K]的取值通常为3，此外实验表明，[W1=W2=W3=1/3]，其分别取15，80，120可以得到较好的结果[11]。

对原始彩色视频图像经过低照度图像增强处理后，其效果对比如图1、图2所示：

2.2 帧差法提取运动目标

在低照度图像增强处理后图像效果明显增强，在不存在噪声的理想情况下，运动目标的检测就是检测视频序列相邻帧之间是否有所变化。如果有变化，则说明有物体在改变（运动），反之则认为没有。本文采用帧间差值法来对运动目标进行提取。

帧差法是将拍摄到的前后两帧包含运动目标的图像经过其对应像素点的灰度值进行做差操作，如果得到的灰度差结果值非常小，则判定在此处没有运动目标经过；如果得到的灰度差结果值大于设定阈值，则判定此处有运动目标经过。本文首先采用两相邻视频帧之间的差值提取运动车辆，然后对差值图进行二值化，之后进行开运算操作去除噪声。

帧差法的原理是将拍摄到的前后两帧（或多帧）含运动目标的连续图像所对应的像素做差，从而获取运动目标。下面公式（3）是通过帧差法提取运动目标的方法，计算公式如下：

[Δf=f2（x，y）-f1（x，y）] （3）

式中，是时刻的图像帧，是时刻的图像帧。提取出运动目标后首先对图像二值化，将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果。将256个亮度等级的灰度图像通过适当的阈值选取而获得仍然可以反映图像整体和局部特征的二值化图像[12]。把利用帧差法得到的差值图进行二值化以便更好的有利于图像的进一步处理。其次结合形态学降噪进行开运算处理，降低图像噪声点。由于受到环境噪声的干扰，经过二值化运算得到的目标图像中经常会含有一些孤立的点或小区域、小间隙等影响物，需要将孤立的点、小区域去除。消除图像内部噪声常用方法是数学形态学的膨胀与腐蚀，也称开运算和闭运算，其中开运算操作会使目标对象的边缘轮廓变得柔和，消除狭小的间断和一些细小的突出物。本文采用开运算操作对得到的差值二值图进行膨胀如图3所示。

3 夜间车流量检测

在对原始彩色视频图像进行低照度图像增强处理后再利用帧差法提取出运动目标[13]，就要进行下一步判断，提取出的运动目标是否为一辆车，本文将提出一种有效的车流量检测方法。

3.1 设置感兴趣区域为虚拟线圈区域

为了能准确采集到车流量信息，模拟设置虚拟线圈区域作为目标检测的感兴趣区域。因为不需要对采集到的整幅图像进行处理，因此该区域不需要太大，且对视频车辆进行检测必须要有实时性，在此将感兴趣区域设置一定合适的宽度和高度即可。在摄像头固定安装的情况下，选取虚拟线圈的位置应充分与摄像头的位置和其景深协调。设置虚拟线圈的应用效果图如图4。对虚拟线圈的大小要求如下：如果虚拟线圈设置太大，将会把该车辆的前后车辆信息误检到；如果虚拟线圈设置太小，则可能包含该车辆的信息不完整。通常情况下，对于768×576 像素大小的图像将其高度设置为20行。在上述条件下，设定两个虚拟线圈大小分别为20×160和20×140。

3.2 视频中车流量检测

由于提取出来的车辆存在断层，以车辆断层和车间距离的特征即车辆断层间距小而车间间距大为依据，判断经过虚拟线圈的运动物体是否为一辆车。当虚拟线圈内检测到的白色点大于3时，假设有一辆车进入则开始进行统计；当白色点消失，虚拟线圈内变为黑色时开始统计帧数，直到虚拟线圈内再次出现白色点为止。经过反复试验和以往经验所得，当检测到出现两次白色点之间的黑色区域的帧数小于35帧时则判定黑色区域为车辆内部断层；而当检测到的帧数大于35帧时则判定黑色区域为两辆车间间距；当确定为一辆车经过时虚拟线圈内会变为白色，表示统计到一辆车，反之则虚拟线圈内无变化[14]。检测结果如图5所示，检测方法如图6所示，夜间场景下测试。

原视频中光照较暗，拍摄距离比较近，场景比较小，低照度环境及车灯产生的光晕增加了车辆检测的难度。首先在彩色低照度环境下采用多尺度MSR理论完成图像增强预处理，为后续车辆检测打下基础，然后用帧差法提取运动目标后进行开运算降噪处理。再利用本文提出的车辆检测方法，能抑制车灯光晕，并且能较准确地消除由于车辆断层和环境噪声引起的漏检、误检或多检等各种检测错误现象，整体检测准确率较高。

4 结束语

本文通过实验得出在夜间低照度环境下，由于光照不足的干扰，给车流检测和交通信息提取带来了困难。而在检测运动目标前对彩色视频图像先进行图像增强预处理，可以大大改善图像的质量和检测效果，提高检测准确率。结合帧间差值法来对运动目标进行提取，这样能够在夜间实时地抑制车灯的光晕，同时能够比较完整地保留提取出的车辆边缘轮廓信息，在此基础上再利用所提出的车辆检测方法，使最后的检测效果较好，能满足实时性处理的要求，提高夜间场景下违章车辆检测的准确度。

参考文献：

[1] Yan Xinping， Zhang Hui， Wu Chaozhong. Research and Development of Intelligent Transportation Systems[C]// Distributed Computing and Applications to Business， Engineering & Science （DCABES）， 2012 11th International Symposium on. IEEE， 2012：321-327.

[2] Rajiv Kumar Nath， Dr. Swapan Kumar Deb. ON ROAD VEHICLE/OBJECT DETECTION AND TRACKING USING TEMPLATE[J]. Indian Journal of Computer Science and Engineering， 2010， 1（2）：98-107.

[3] 张文溥. 视频车辆检测技术及发展趋势[J]. 中国人民公安大学学报：自然科学版， 2014， 36（12）： 91-94.

[4] 张晖， 董育宁. 基于视频的车辆检测算法综述[J]. 南京邮电大学学报：自然科学版， 2007（3）： 88-94.

[5] 梁晓爱， 侯德文， 丁德志. 基于视频的车辆检测中检测与去除阴影的一种有效方法[J]. 信息技术与信息化， 2009（2）： 69-71.

[6] 唐佳林， 李熙莹， 罗东华， 等. 一种基于帧差法的夜间车辆检测方法[J]. 计算机测量与控制， 2008（12）： 1811-1813.

[7] 陈柏生. 基于图像处理的夜间车辆检测[J]. 微型机与应用， 2012， 31（5）： 36-41.

[8] 刘松， 孙东， 卢一相. 基于单尺度Retinex雾天降质图像增强算法[J]. 微电子学与计算机， 2013， 30（11）： 44-46.

[9] 沈文文. 视频图像增强技术 让视觉更完美[J]. 中国公共安全， 2013（18）： 162-164.

[10] 许金元. 改进MSR图像增强算法的分析与研究[J]. 科技通报， 2013， 29（9）： 164-165.

[11] 王书新. 基于Retinex理论的图像增强算法研究[D].昆明： 昆明理工大学， 2011.

[12] 李从生， 柏军， 周广禄. 基于帧差法的夜间城市道路车辆检测[J]. 制造业自动化， 2011， 33（2）： 213.

[13] Changhong Chen， Jimin Liang， Heng Zhao， Haihong Hu，Jie Tian. Frame difference energy image for giat recognition with incomplete silhouettes[J]. Pattern Recognition Letters， 2009， 30（11）： 977-984

[14] 顾洋. 自适应背景更新的视频车辆检测[J]. 南京工程学院学报：自然科学版， 2012（2）： 59-62.