基于马尔算法的高速公路视频监控图像能见度研究

， ，

(河北省气象技术装备中心，石家庄 050021)

基于马尔算法的高速公路视频监控图像能见度研究

刘宇，蒋涛，李建明

(河北省气象技术装备中心，石家庄050021)

根据高速公路沿线的监控摄像机，对监控视频画面中的图像进行采集，通过对视频图像特征的分析处理，建立图像与真实场景之间的关系，根据图像特征随着真实场景的变化，运用图像处理的方法如：灰度变换、图像分割和特征提取等对图像进行图像处理，提出运用马尔算法，分别提取出目标物与背景，并将其逐一进行背景差计算，能够准确的监控图像中汽车的位置变化，确定目标物的位置，进而判别出能见度的大小。

能见度；图像分割；马尔算子；背景差

0 引言

目前运动监测与分割的成果大多是基于摄像机处于静止状态，并且镜头焦距是固定的，此时，图像中的背景区域固定不动。在这种情况下，通常采用最简单的背景差方法进行运动检测，即预先选取不含前景运动目标的背景图像，然后将当前帧与该背景图像相减[1]。本文主要是运用背景差方法，将监控视频图像进行图像预处理、图像分割等方法的图像处理方法，将每一秒的图像进行背景差计算，根据处理得到的图像进行能见度分析，表明该方法可准确确定能见度测量值，提高了测量准确度。

1 能见度测量原理

能见度是指能看见周围景物的程度，用目标物的最大能见距离表示。能见距离为正常视力的人在当时天气条件下，白天能从天空背景中能看到和辨认出适当黑色目标物轮廓和形体的距离；夜间能看到和确定出中等强度灯光的距离。影响能见距离的因素，白天为大气透明度、目标物与背景的亮度对比和人眼的对比感阈；夜晚为大气透明度、灯光强度和人的视觉感阈[2]。

能见度测量的基本方程是布格-朗柏(Bouguer-Lambert)定律：

F=F0(e-σR)

其中：F0为初始光通量，F为F0经过路径长度R后的光通量，σ为路径长度上的消光系数。对上式进行求导后，得到消光系数表达式：

需要说明的是布格-朗柏(Bouguer-Lambert)定律仅对单色光有效。

2 测量模型建立

基于高速公路沿线的监控摄像机，对监控视频画面中的图像进行采集，通过对视频图像特征的分析处理，建立图像与真实场景之间的关系，根据图像特征随着真实场景的变化，确定目标物的位置[3]。

首先确立在高速公路上行驶的车辆为目标，捕捉其在监控中行驶路径，分别在54 s、55 s、56 s、57 s处提取其监控图像，其次对图像进行前期的预处理，运用图像处理的方法如：灰度变换、图像分割和特征提取等对图像进行处理，分别提取出目标物与背景，并将其逐一进行背景差计算[4]，提取到的原始图像如图1所示。

图1 54 s、55 s、56 s、57 s处提取的原始图像

2.1 图像预处理

在图像采集过程中，由于成像条件、光照不均匀等因素带来误差，会在图像中引入一定的噪声，它使图像变得模糊，难以辨别图像边缘及捕捉图像特征。因此，必须对采集到的图像进行平滑处理[5]，以降低噪声的影响，消除图像中与景物无关的信息，恢复有用的真实信息。

在图像分析中，对输入图像进行特征提取、分割和匹配前所进行的处理。图像预处理的主要目的是消除图像中无关信息，恢复有用的真实信息，增强有关信息的可检测性和最大限度地简化数据，从而改进特征提取、图像分割、匹配和识别的可靠性。

假设原来图像f(x,y)的灰度范围为[a，b]，变换后图像g(x,y)的灰度范围扩至[c，d]，则线性变换可表示为：

(1)

图2 灰度范围线性变换关系

如果原图中大部分像素的灰度级分布在区域[a，b]之间，小部分灰度值超出了此区域，为了改善图像效果，可以用分段线性变换表示如图3所示，线性变换则可表示为：

(2)

图3 分段性线性变换

当一幅图像在较暗的区间中，灰度也集中在这个区间里致使偏暗，可以将图像低灰度区间进行扩展(斜率gt;1)，将图像高灰度区间进行压缩(斜率lt;1)，这样使图像变亮；当一幅图像在较亮的区间中，灰度也集中在这个区间里致使偏亮，可以将图像低灰度区间进行压缩(斜率lt;1)，将图像高灰度区间进行扩展(斜率gt;1)，这样使图像变暗。

图4 灰度变化图像

2.2 图像分割

在对图像的研究和应用中，人们往往仅对图像中的某些部分感兴趣，这些部一般称为目标或前景。为了辨识和分析目标，需要将有关区域分离提取出来，在此基础上对目标进一步利用，如进行特征提取和测量。图像分割就是指把图像分成各具特性的区域，并提取出感兴趣目标的技术和过程。

图像分割有3种不同的途径：其一是将各像素划归到相应物体或区域的像素聚类方法，即区域法；其二是通过直接确定区域间的边界来实现分割的边界方法；其三是首先检测边缘像素，再将边缘像素连接起来构成边界形成分割。在图像分割技术中，最常用的是利用于阈值化处理进行的图像分割。

阈值分割方法是把图像灰度分成不同的等级，然后用设置灰度门限(阈值)的方法确定有意义的区域或分割物体的边界。

灰度阈值变换可以将一副灰度图像转换成黑白二值图像，它的操作过程是先指定一个阈值，如果图像中某像素的灰度值小于该阈值，则该像素的灰度值为0，否则灰度值为255。其变换函数表达式为：

(3)

其中:T为指定的阈值。

灰度窗口变换有两种：一种是消除背景，一种是保留背景。前者把不在灰度窗口范围内的像素都赋值为0，在灰度窗口范围内的像素都赋值为255。后者是把不在灰度窗口内的像素保留原值，在灰度窗口内的像素赋值255。它的操作和阈值变换相类似，限定一个窗口范围，该窗口的灰度值保持不变。

基于灰度值的两个基本特性：1) 不连续性——不连续性是基于特性(如灰度)的不连续变化分割图像，如边缘检测。2) 相似性——根据制定的准则将图像分割为相似的区域，如阈值处理、区域生长。

不连续性(间断)分割中边缘检测则是图像中灰度发生突变或不连续的微小区域(一组相连的像素集合)，即是两个具有相对不同灰度值特性的区域的边界线。在一幅图像中，边缘有方向和幅度两个特性。一般认为沿边缘走向的灰度变化较为平缓，而垂直于边缘走向的灰度变化剧烈，即灰度梯度指向边缘的垂直方向[6]。

在普通图像中简单的边缘算子是可以检测的，但是由于噪声的影响，传统的边缘检测方法很容易把噪声当边缘点检测出来，而真正的边缘又没有检测出来。由于拉普拉斯算子对噪声比较敏感，为减少噪声影响，可先对待检测图进行平滑然后再用拉普拉斯算子边缘检测。由于成像时，一个给定像素所对应场景点，它的周围点对该点的光强贡献呈正态分布，所以平滑函数应反映不同远近的周围点对给定像素具有不同的平滑作用，呈正态分布的平滑函数定义如下：

(4)

其中:σ是高斯分布的均方差。

实际中，可将图像与如下2-D高斯函数的拉普拉斯作卷积，以消除噪声。具体步骤为：

(1) 用一个2-D的高斯平滑模板与源图像卷积；

(2) 计算卷积后图像的拉普拉斯值；

(3) 检测拉普拉斯图像中的过零点作为边缘点。

用h(x,y)对图像f(x,y)的平滑可表示为：

g(x,y)=h(x,y)*f(x,y)

(5)

*代表卷积。如果令r是离原点的径向距离，即r2=x2+y2，则将公式(4)带入公式(5)，然后对图像g(x,y)采用拉普拉斯算子进行边缘检测，可得到：

▽2g=▽2[h(x,y)*f(x,y)]=

▽2h*f(x,y)

(6)

▽2h称为高斯-拉普拉斯滤波算子，它是一个轴对称函数，各向同性。这样利用二阶导数算子过零点的性质，可确定图像中阶跃状边缘的位置。

图5 马尔算子变换关系

由图5可见函数在r=±σ处有过零点，在|r|lt;σ时为证，在|r|lt;σ时为负。另外可以证明这个算子定义区域内的平均值为零，因此将它与图像卷积并不会改变图像的整体运动范围。但由于它相当平滑，因此将它与图像卷积会模糊图像，并且其模糊程度是正比于σ的。正因为▽2h的平滑性质能减少噪声的影响，所以当边缘模糊或噪声较大时，利用▽2h检测过零点能提供较可靠的边缘位置。在该算子中，σ的选择很重要，σ小时位置精度高但边缘细节变化多。应注意马尔算子用于噪声较大的区域产生高密度的过零点。

马尔算子用到的卷积模板一般较大(典型半径为8-32个像素)，不过这些模板可以分解为一维卷积来快速计算。数学上已经证明，马尔算子是按零交叉检测阶跃边缘的最佳算子。

马尔算子是在拉普拉斯算子的基础上实现的，它得益于对人的视觉机理的研究，有一定的生物学和生理学意义。利用马尔算子进行边缘检测的优点在于零交叉点图像中的边缘比梯度边缘细，而且具有抑制噪声的能力和反干扰性能。

图6 利用马尔算子的分割图像

2.3 图像特征提取

图像特征提取是在图像的预处理和分割之后进行并基于预处理和分割的，这样更容易提取出较好的特征，使特征更具有区别性和独立性。图像特征是用于区分一个图像内部最基本属性或特征的。图像特征可以使人的视觉能够识别的自然特征，也可以使通过对图像进行测量和处理，人为定义的某些特征。特征提取的目的是将图像分割的区域特征提取出来，用于图像识别和理解。根据对所提取特征内容的不同，特征提取主要分为1)灰度的统计特征；2)纹理、边缘特征；3)代数特征；4)变换系数特征或滤波器系数特征等[7]。

(7)

3 目标物与背景

3.1 物理特性

目标物能否看得见与它的大小、形状、亮度、色彩等物理特性有很大的关系，而其中亮度因素又起着重要作用。亮度因素影响目标物是否能看到，在于表征目标和背景间亮度差的亮度对比C[8]。

两个物理的亮度对比C定义为两者亮度差与天空亮度之比。设目标物亮度为L，背景亮度为L’，则亮度对比为：

C=(L-L')/L'

(8)

从上式可知：当L=L’时，C=0，目标物融合在背景中无法辨认出来；当Cgt;0时，目标物比背景亮，反之，当Clt;0时，背景比目标物亮；L=0时，C=-1，能清楚的辨认出目标物。

3.2 背景差的计算

背景差实际就是图像的相减运算，是指把同一景物在不同时间拍摄的图像或同一景物在不同波段的图像相减。差值图像提供了图像间的差异信息，能用以指导动态监测、运动目标检测和跟踪、图像背景消除及目标识别等。图像相减运算又称为图像差分运算。差分方法可以分为控制环境下的简单差分方法和基于背景模型的差分方法。在控制环境下，或者在很短的时间间隔内，可以认为背景是固定不变的，可以直接使用差分运算检测变化及运动的方法。

图像在做背景差运算时必须使两相减图像的对应像点位于空间同一目标点上，其计算是通过逐象素比较可直接求取前后两帧图像之间的差别。如果背景图像为b(x,y)，目标背景混合图像为f(x,y)，g(x,y)为去除了背景图像即为目标图像，则图像相减即为背景差：

g(x,y)=f(x,y)-b(x,y)

将经过处理后的四张图像逐一运用背景差的方法进行运算，即55 s的图像与上一张54 s的图像进行比较，56 s的图像与55 s的图像进行比较，57 s的图像与56 s的图像进行比较，最终得到了的三张比较的结果图像分别为：

图7 背景差对比图像结果

4 结束语

高速公路沿线的监控摄像头实时监控行驶中的车辆，确定其中一辆车辆为监控对象，将画面中该车辆存在的每一秒的图像保存，运用图像处理的方法如：灰度变换、图像分割和特征提取等对图像进行图像处理，提出运用马尔算法进行图像分割，分别提取出目标物与背景，并将其逐一进行背景差计算，能够准确的监控图像中汽车的位置变化，进而判别出能见度的大小。

[1] 关 可,亓淑敏,梁 佳.基于数字图像处理技术的高速公路能见度检测[J]. 长安大学学报( 自然科学版),2010,9,30(5):89-92.

[2] 李 浩,孙学金,单陈华,等.关于气象能见度理论与观测的讨论[J].解放军理工大学学报(自然科学版),2013,6,14(3):297-302.

[3] 安明伟,陈启美,郭宗良.基于路况视频的气象能见度检测方法与系统设计[J].仪器仪表学报,2010,5,31(5):1148-1153.

[4] 周庆逵,陈钊正,陈启美.基于视频的路况能见度检测系统的设计与实现[J].电子测量技术,2009,32(6):72-76.

[5] 田 捷,沙 飞,张新生.实用图像分析与处理技术[M].北京:电子工业出版社,1995.

[6] 张兆礼，等.现代图像处理技术及Matlab实现[M].北京:人民邮电出版社,2001.

[7] 翟俊海,赵文秀,王熙照.图像特征提取研究[J].河北大学学报(自然科学版),2009,29(1):106-112.

[8] 李 佳,葛嘉琦,陈启美.路况视频能见度检测算法[J]计算机工程，2009, 35(16):175-177.

StudyonHighwayVideoSurveillanceImageAlgorithmBasedonMarkovAlgorithm

Liu Yu, Jiang Tao, Li Jianming

(Meteorological Technology and Equipment Center in Hebei Province, Shijiazhuang 050021, China)

According to the monitoring camera along the highway, to collect the image of the video image monitoring. Through the analysis and processing of video image features, to establish the relationship between the image and the real scene, According to the characteristics of the image changes with the real scene, by the method of image processing, such as gray-scale transformation, image segmentation and feature extraction for image processing of the image, using the proposed algorithm Maldives, the target and background are extracted, and the background difference is calculated one by one, Can the car position change monitoring image exactly, and determine the target location, and then determine the size of visibility.

visibility; image segmentation; Markov operator; background subtraction

2017-01-03；

2017-04-13。

刘 宇(1985-)，女，河北保定人，硕士，工程师，主要从事测试计量技术方向的研究。

1671-4598(2017)09-0060-04

10.16526/j.cnki.11-4762/tp.2017.09.016

TN957.52

A