基于视频的雾天驾驶场景及其能见度识别算法-研究

JournalofImageandSignalProcessing图像与信号处理,2015,4,67-77PublishedOnlineJuly2015inHans.://dx.doi.org/10.12677/jisp.2015.4300867ResearchofFogDrivingScenariosandVisibilityRecognitionAlgorithmBasedonVideoWuxueZhu,ChunlinSongCollegeofElectronicsandInformationEngineering,TongjiUniversity,ShanghaiEmail:[e-mail]:Jul.1st,2015;accepted:Jul.14th,2015;published:Jul.20th,2015Copyright©2015byauthorsandHansPublishersInc.ThisworkislicensedundertheCreativeCommonsAttributionInternationalLicense(CCBY).’roadsegmentation.Theweightedaverageofluminancemethodwhichisusedinestimationofin-flectionpointcaneffectivelyremoveinterferenceandensureaccuracy.Thesimulationresultsshowthatthealgorithmcanrealizetherecognitionoffogandvisibilityinmobilescenarioswithhighaccuracy,real-timeperformanceandrobustness.KeywordsFogDetection,Visibility,Koschmieder,RegionSegmentation,HoughTransformation基于视频的雾天驾驶场景及其能见度识别算法研究朱舞雪，宋春林基于视频的雾天驾驶场景及其能见度识别算法研究68同济大学电子与信息工程学院，上海Email:[e-mail]收稿日期：2015年7月1日；录用日期：2015年7月14日；发布日期：2015年7月20日摘要获取实时、全面、准确的道路交通场景信息是预防交通事故的重要前提和基本保障，也是实现城市交通智能化的关键。针对雾天驾驶场景及其能见度的识别，传统算法存在复杂度高、鲁棒性差的问题，且多为固定场景下的识别，很难应用于移动的驾驶场景下。本文提出了一种基于单目视觉的雾天识别和能见度估计算法。该算法以柯什米德定律为基础，通过限定Hough变换的极角、半径，压缩投票空间，减少了计算量和复杂度。自定义的区域增长条件，较好的解决了移动场景下的道路分割准确度差的问题。利用加权平均的图像亮度拐点估计方法，能有效地排除干扰，保证拐点估计的准确度。仿真结果表明，算法能实现移动场景下的雾天及能见度识别，精确度、实时性、鲁棒性较好。关键词雾检测，能见度，柯什米德定律，区域分割，Hough变换1.引言“车祸猛于虎”，当下，汽车正进入千家万户的生活。据统计，我国每年的道路交通伤亡事故高达二十万例，其中恶劣天气——雾天导致的交通事故尤为严重。人们己经越来越认识到交通场景信息采集的重要性，获取实时、全面、准确的道路交通场景信息是预防交通事故的重要前提和基本保障，也是实现城市交通智能化的关键。因此，对雾天驾驶场景及其能见度进行智能识别，是一项必要且急迫的工作，具有很好的现实意义。传统的雾天及能见度的识别主要依靠物理传感装置(湿度、气压、红外传感器，雷达、激光等)，该方法应用较为广泛，但设备的安装和维护成本较高。在图像理解和计算机识别方面，文献[1]利用雾的模糊效应，实现雾天的识别，同时结合道路消失点的检测估计能见度。该算法的优点是同时实现了雾天驾驶场景与能见度的识别，但计算量大，易受环境干扰，鲁棒性较差。文献[2]提出了利用双目视觉技术结合不同对比度估计能见度的方法，但其不能进行雾天场景的检测。文献[3]通过将交通视频的当前背景与晴天背景相减得到差分图像，提取差分图像的纹理特征来识别雾天，实时性较好，但只适用于固定场景下的雾天识别。文献[4]利用图像的退化模型获取与天气现象相关的参量，从而达到识别天气的目的。但是在雨或霾的天气条件下，所测得扩散函数的跨度值与晴天和薄雾天气条件下所得的有重叠，会导致天气现象的误判。文献[5]通过提取图像功率谱斜率、对比度、噪声和饱和度等特征，构造支持向量机，实现雾天的识别。但其识别率较低，复杂度较高，难以满足实时性的要求。针对雾天与能见度识别算法存在的算法复杂度高，且难以对两者同时准确识别的问题。本文提出了一种基于单目视觉的雾天识别和能见度估计算法。该算法以柯什米德定律为基础，建立驾驶场景下的摄像机模型。利用Canny算子进行边缘检测，通过限定Hough变换的极角，降低投票空间数据量，降低了车道线检测的计算量和复杂度。自定义的区域增长条件，对道路区域分割的适用性更强，能满足实时性、有效性的要求。利用加权平均的图像亮度拐点估计，进一步保证了拐点估计的准确度。仿真结果表明，算法能实现移动场景下的雾天及能见度识别，精确度、实时性、鲁棒性较好。基于视频的雾天驾驶场景及其能见度识别算法研究692.驾驶场景模型在单目摄像机系统，道路被近似假设为平面[6]，以估计图像中的像素所对应的实际距离。本文的研究基于车载单目摄像机捕获的视频信息，图1给出了车载单目摄像机在交通场景下的模型。图1中，(),uv坐标系表示图像中的像素坐标系，其中,uv分别代表像素的行数和列数。()00,uv为光轴在图像平面上的投影，H为摄像机的相对高度，θ为摄像机光轴于地平线之间的夹角。f表示摄像机的焦距，put、pvt为单位像素的水平、垂直尺寸，本文中假设pupvtt=。由于光在大气中传播时会发生衰减，Koschmieder[7]于1924年提出了一个物体本身光强度与在一定距离处观测到的光强度的关系模型，此模型被广泛应用于计算机视觉领域。其关系如下：()0e1ekdkdLLL−−∞=+−(1)其中为物体本身亮度，为大气亮度，为在距离d处观测到的亮度，表示消光系数。该公式表明在雾天物体的亮度以指数因子递减。将公式(1)左右两边同除以得到下列公式：00eekdkdLLCCL−−∞∞−==(2)其中0C表示物体相对于背景的对比度，C表示在距离d处物体的对比度。为了保证物体的可见度，对比度C必须大于某一阈值，国际照明委员会将对比度阈值设为0.05。通过求解公式(2)可以推导出能见度距离。()13ln0.05visdkk=−≈(3)3.雾天与能见度识别算法雾天与能见度识别的算法包括基于Canny算子的边缘检测、基于Hough变换的车道线检测、消失点估计、区域增长、拐点估计、雾天和能见度识别等模块，算法流程图如图2所示。3.1.边缘检测常用的边缘检测算子有Sobel、Canny、Prewitt等。本文采用Canny算子，它是于1986年由JohnF.Canny提出，具有低误码率、高定位精度和抑制虚假边缘等优点[8][9]。原始彩色图像信息量大，处理速度慢，所以首先进行灰度化。对灰度图进行边缘检测，能够提取图像中的灰度级突变、纹理结构变化、色彩变换等信息。Figure1.Modelingofthecameraindrivingscenarios图1.交通场景下的摄像机模型基于视频的雾天驾驶场景及其能见度识别算法研究70Figure2.Algorithmflowchart图2.算法流程图对灰度图进行公式(4)的高斯滤波，去除噪声，得到平滑后的图像；(4)然后用一阶偏导的有限差分来计算梯度的幅值和方向。梯度矢量的模和方向分别如式(5)(6)所示，反映了图像的边缘强度，反映了边缘的方向。图像的边缘点则为方向上使取得局部最大值的点；(5)(6)仅仅得到全局的梯度并不足以确定边缘，因为确定边缘，必须保留梯度最大的点。所以需要进行非极大值抑制。将梯度角离散为圆周的四个扇区之一，以便用3*3的窗口作抑制运算。四个扇区的标号为0到3，对应3*3邻域的四种可能。在每个点上，邻域的中心像素与沿着梯度线的两个像素相比。如果的梯度值不比沿梯度线的两个相邻像素梯度值大，则令。最后用双阈值算法检测和连接边缘。对非极大值抑制图像作用两个阈值和，其中。由于的阈值较高，去除大部分噪音，但同时也损失了有用的边缘信息。而的阈值较低，保留了较多的信息。所以结合两个阈值作用的图像，连接边缘。基于视频的雾天驾驶场景及其能见度识别算法研究71连接边缘的具体步骤如下：对2θ作用的图像进行扫描，当遇到一个非零灰度的像素(),Pij时，跟踪以(),Pij为开始点的轮廓线，直到轮廓线的终点(),Qij。考察1θ作用的图像中与2θ作用的图像中(),Qij点位置对应的点(),Mij的8邻近区域。如果在(),Mij点的8邻近区域中有非零像素(),Mij存在，则将其包括到2θ作用的图像中，作为(),Eij点。从(),Eij开始，重复第一步，直到无法继续为止。当完成对包含(),Pij的轮廓线的连结之后，将这条轮廓线标记为已经访问。回到第一步，寻找下一条轮廓线。重复第一步、第二步、第三步，直到2θ作用的图像中找不到新轮廓线为止。3.2.车道线与消失点估计Hough变换是图像处理中从图像中识别几何形状的基本方法之一[10]。其基本原理在于利用点与线的对偶性，将原始图像空间给定的曲线通过曲线表达形式变为参数空间的一个点。这样就把原始图像中给定曲线的检测问题转化为寻找参数空间的峰值问题。Hough变换的参数方程为：cossinxyρθθ=+(7)其中ρ为图像空间中直线到坐标原点的距离，范围为()0,rρ∈，r为图像对角线长度；θ为直线与x轴之间的夹角，范围为()0,180θ∈。由于车道线信息主要位于图像的下半部分，而上半部分多为天空、树木、路标等无效信息。所以在进行Hough变换时，只选取部分图像进行处理。不仅减少了信息的处理量，提高运