劉南輝,周海芳,章 杰

(福州大學(xué)物理與信息工程學(xué)院,微納器件與太陽(yáng)能電池研究所,福建 福州 350116)

0 引言

能見(jiàn)度是影響高速公路行車(chē)安全重要因素之一[1]. 器測(cè)法和目測(cè)法是測(cè)量能見(jiàn)度常用的兩種方法,其中基于透射法和散射法的能見(jiàn)度儀器測(cè)法應(yīng)用較為廣泛,但其具有安裝復(fù)雜、 設(shè)備昂貴、 維護(hù)費(fèi)用高、 操作復(fù)雜等不足之處[2]. 近年來(lái),基于視頻處理的能見(jiàn)度檢測(cè)方法因其具有更接近人眼模式、 速度快、 成本低、 自動(dòng)化程度高等優(yōu)點(diǎn)廣受?chē)?guó)內(nèi)外學(xué)者的青睞. Nicolas等[3]采用雙目視覺(jué)來(lái)計(jì)算道路場(chǎng)景的能見(jiàn)度,但此方法需作特殊標(biāo)記物,工作量大、 成本高； 陳啟美等[4]提出采用小波變換提取圖像邊緣特征點(diǎn)方法計(jì)算道路能見(jiàn)度； 項(xiàng)文書(shū)[5]提出平均梯度算法和透射率比率法,但計(jì)算準(zhǔn)確性容易受到噪聲影響,且時(shí)效性差； 吳煒[6]提出一種基于路面視亮度差平方最優(yōu)化的視頻能見(jiàn)度檢測(cè)算法,雖然該算法計(jì)算精度較高,但需對(duì)攝像機(jī)作標(biāo)定,計(jì)算量大.

本研究提出一種數(shù)字圖像與支持向量機(jī)(SVM)結(jié)合的能見(jiàn)度檢測(cè)算法. 無(wú)需攝像頭作標(biāo)定或特殊標(biāo)記物,通過(guò)暗通道先驗(yàn)原理等計(jì)算所拍攝圖像的特征,結(jié)合人眼特性并通過(guò)支持向量機(jī)網(wǎng)絡(luò)訓(xùn)練獲取能見(jiàn)度模型,對(duì)能見(jiàn)度變化情況檢測(cè)出能見(jiàn)度等級(jí),為智能交通和輔助駕駛的智能限速奠定基礎(chǔ).

1 能見(jiàn)度檢測(cè)算法概述

提出一種基于數(shù)字圖像與SVM相結(jié)合的能見(jiàn)度檢測(cè)方法,在能見(jiàn)度變化的情況下,可以通過(guò)數(shù)字?jǐn)z像法檢測(cè)出能見(jiàn)度等級(jí). 基于人眼特性與圖像特征分別建立了白天與夜晚兩個(gè)能見(jiàn)度模型,能見(jiàn)度檢測(cè)算法流程圖如圖1所示,根據(jù)采集環(huán)境的光照度值判斷白天和夜晚. 當(dāng)判斷為白天時(shí),則基于暗通道先驗(yàn)理論計(jì)算得到透射率,并對(duì)其導(dǎo)向?yàn)V波處理后計(jì)算韋伯對(duì)比度與圖像邊緣能量梯度,采用支持向量機(jī)模擬訓(xùn)練確定白天能見(jiàn)度模型； 當(dāng)判斷為夜晚時(shí),先計(jì)算圖像韋伯對(duì)比度,再計(jì)算對(duì)比度與明度的關(guān)系值(POLC值)、 邊緣梯度值和圖像功率特征值,采用支持向量機(jī)模擬訓(xùn)練確定夜晚能見(jiàn)度模型,綜合白天與夜晚的能見(jiàn)度模型,確定能見(jiàn)度分類(lèi)值. 其中白天的能見(jiàn)度模型是基于計(jì)算機(jī)視覺(jué)霧天模型.

圖1 能見(jiàn)度檢測(cè)算法流程圖Fig.1 Flow chart of visibility detection algorithm

2 計(jì)算機(jī)視覺(jué)霧天模型

對(duì)于攝像頭采集到的數(shù)字圖像,其光學(xué)模型主要由景物目標(biāo)發(fā)射光線與大氣光照兩部分構(gòu)成[7-8]. 在計(jì)算機(jī)圖像處理中,常采用的數(shù)字成霧模型[9-10]為：

I(x)=J(x)t(x)+A(1-t(x))

(1)

其中：I(x)是待去霧圖像的光強(qiáng)；J(x)是要恢復(fù)的無(wú)霧的圖像的光強(qiáng)；A是全球大氣光成分；t(x)為透射率. 下面針對(duì)透射率的計(jì)算作一闡述.

2.1 透射率的計(jì)算

暗通道是指該區(qū)域光強(qiáng)度的最小值,是個(gè)很小的數(shù)[11],通常趨于0 . 假設(shè)透射率t(x)在一個(gè)窗口內(nèi)為常數(shù),則對(duì)式(1)兩邊同時(shí)除以A(大氣光值),并進(jìn)行兩次最小值運(yùn)算,由暗通道先驗(yàn)理論可得到透射率：

(2)

上述推論中都是假設(shè)全球大氣光A值是已知的,在實(shí)際計(jì)算時(shí),可以借助暗通道圖從有霧圖像中獲取該值. 從暗通道圖中提取亮度大于0.1%的像素的I值,將其最大值作為全球大氣光值.

為得到更精確的透射率,采用快速導(dǎo)向?yàn)V波對(duì)式(2)作進(jìn)一步優(yōu)化,其濾波模型[12]如下:

qi=akIi+bk(?∈ωk)

(3)

其中：I是一個(gè)引導(dǎo)圖,即將原圖像的灰度圖作為一個(gè)引導(dǎo)圖；q為導(dǎo)向?yàn)V波輸出；a、b為待定系數(shù),其是濾波前與透射率圖相關(guān)的一個(gè)函數(shù)核；ωk是局部窗口,窗口半徑取50像素×50像素； 為保持輸入圖像p與輸出圖像q之間的最小化差,快速導(dǎo)向?yàn)V波的a、b系數(shù)采用如下函數(shù)核：

(4)

其中：μk是導(dǎo)向圖I窗口中的圖像均值；δ是相應(yīng)的圖像方差；ε是一個(gè)平滑度正則參數(shù)調(diào)控因子； |ω|是窗口中像素點(diǎn)總個(gè)數(shù). 至此,則可精確計(jì)算出一副圖像的透射率,計(jì)算效果如圖2所示. 從圖2中可看出透射率與圖像場(chǎng)景中霧的濃度有很大的相關(guān)性,其影響了道路能見(jiàn)度的高低.

圖2 透射率計(jì)算效果圖Fig.2 Transmittance calculation

2.2 韋伯定律對(duì)比度

影響能見(jiàn)度的圖像特征除了透射率以外,還需要結(jié)合其它圖像特征值,如圖像對(duì)比度、 邊緣特征等.Jourlin和Pinoli等[3]提出對(duì)數(shù)對(duì)比度定義,該定義滿足了韋伯定律的心理物理學(xué)上對(duì)比度定義的一致性,即在一幅圖像中計(jì)算兩個(gè)像素點(diǎn)的對(duì)比度. 本研究分別計(jì)算了行向和列向的對(duì)比度,即:

(5)

其中：Cx, x1為行向?qū)?yīng)像素點(diǎn)x的對(duì)比度值；f(x)與f(x1)為對(duì)應(yīng)像素點(diǎn)的灰度值；f(x1)為x像素點(diǎn)相鄰位置的右邊像素值；M為圖像f最大灰度值； min取相鄰像素最小值. 同理可以計(jì)算出列向?qū)Ρ榷?

2.3 梯度特征(邊緣特征)

梯度特征(邊緣特征)也是常用的圖像特征之一. 通過(guò)考察圖像的每個(gè)像素點(diǎn)在某個(gè)領(lǐng)域內(nèi)的灰度變化可以進(jìn)行梯度值計(jì)算,利用邊緣臨近一階或二階方向?qū)?shù)變化規(guī)律,使用邊緣檢測(cè)算子計(jì)算出局部梯度值. 采用一階導(dǎo)數(shù)邊緣檢測(cè)算子(3px× 3px的Sobel算子)[13], 其計(jì)算出來(lái)的局部梯度值是一矢量,因此需計(jì)算其絕對(duì)值作為梯度幅值.

(6)

其中：F(Gmean)作為圖像的全局平均梯度值；M與N表示圖像大??；Gs(i,j)為對(duì)應(yīng)像素(i,j)位置的Sobel梯度值. 能見(jiàn)度對(duì)圖像邊緣有著較大影響, 能見(jiàn)度高時(shí),數(shù)字圖像的邊緣響應(yīng)很強(qiáng)烈； 反之則很弱. 當(dāng)然邊緣響應(yīng)的強(qiáng)弱與能見(jiàn)度的直接關(guān)系還需要結(jié)合其它特征向量并通過(guò)相應(yīng)的機(jī)器學(xué)習(xí)才可以建立起模型.

3 夜間能見(jiàn)度模型

由于夜間缺少太陽(yáng)光的照射,顯然暗通道先驗(yàn)在夜間是不滿足的,透射率不適用于夜間圖像的特征值. 夜間能見(jiàn)度的高低除了霧霾以外主要受道路燈光影響,因此對(duì)夜間特征量提取還需要考慮到路燈對(duì)數(shù)字圖像的亮度影響. 可以采用對(duì)比度與明度的關(guān)系(POLC)值、 梯度值、 圖像功率譜等特征量作為模型的輸入.

3.1 POLC計(jì)算

計(jì)算POLC值時(shí),采用滿足韋伯定律的對(duì)數(shù)對(duì)比度,明度采用Lab色彩模式[13]中的L通道作為圖像明度. 因夜間路燈有著不同的顏色,在Lab顏色空間中明度和顏色是分開(kāi)的,而設(shè)備一般獲得的是RGB圖像,因此需要將其轉(zhuǎn)換到Lab空間. 在轉(zhuǎn)換前還需要先將RGB轉(zhuǎn)換到XYZ空間,轉(zhuǎn)換公式如下：

(7)

進(jìn)一步再將XYZ轉(zhuǎn)換到Lab空間上：

L*=116×f(Y/Yn)-16

(8)

其中, f函數(shù)為：

(9)

其中： Yn是參考點(diǎn), 其取值為100.0. 通過(guò)以上公式就可以獲得Lab的L通道值.POLC值計(jì)算公式如下式所示,先將圖像分成50像素×50像素的區(qū)域,然后計(jì)算出每一個(gè)區(qū)域的韋伯對(duì)比度C(y)和明度值L(y),接著將每個(gè)區(qū)域取均值再作商運(yùn)算.

(10)

其中： 窗口大小Ω(x)為50； M×N是窗口總數(shù). 對(duì)比度與明度商值作為能見(jiàn)度相關(guān)的特征量,當(dāng)夜晚有霧時(shí)會(huì)將路燈的光散射在空氣中,實(shí)際上是增大了L值,同時(shí)降低了對(duì)比度C值.

3.2 功率特征量

對(duì)圖像進(jìn)行二維傅立葉變換得到頻譜圖,即圖像梯度分布圖. 傅里葉變換后的圖像頻譜圖由每個(gè)亮度不一的點(diǎn)組成,頻譜圖的點(diǎn)越亮表明該點(diǎn)對(duì)應(yīng)的空間域上的點(diǎn)梯度值越大. 離散傅里葉變換DFT實(shí)現(xiàn)了信號(hào)在頻域表示的離散化,使頻域也能夠用計(jì)算機(jī)進(jìn)行處理,傅里葉變換的頻譜圖也稱為功率圖. 當(dāng)能見(jiàn)度高時(shí),場(chǎng)景輪廓都比較清晰,因此在頻譜圖中反應(yīng)出來(lái)的就是比較亮的點(diǎn)數(shù)量多. 當(dāng)大霧出現(xiàn)時(shí)候,對(duì)應(yīng)頻域內(nèi)頻率值比較低,即暗的點(diǎn)數(shù)多了. 因此將計(jì)算圖像傅里葉變換的幅值作為一個(gè)功率特征量,作為支持向量機(jī)網(wǎng)絡(luò)學(xué)習(xí)的一個(gè)輸入特征量.

4 能見(jiàn)度檢測(cè)模型

提取不同圖像特征后通過(guò)支持向量機(jī)訓(xùn)練建立能見(jiàn)度檢測(cè)模型.Vapnik提出來(lái)的支持向量機(jī)(SVM)可用于模式分類(lèi)和非線性分類(lèi). 基于統(tǒng)計(jì)學(xué)習(xí)理論,建立一個(gè)分類(lèi)超平面作為決策曲面,使正例和反例之間的隔離邊緣被最大化. 選擇合適的輸入層可以提高能見(jiàn)度分類(lèi)識(shí)別的準(zhǔn)確率. 白天與夜晚的能見(jiàn)度輸入變量如表1和表2所示.

表1 白天能見(jiàn)度檢測(cè)變量Tab.1 Variables of visibility detection in daytime

表2 夜晚能見(jiàn)度檢測(cè)變量Tab.2 Variables of visibility detection in night

為加快訓(xùn)練速度,需對(duì)訓(xùn)練集和測(cè)試集數(shù)據(jù)進(jìn)行歸一化處理,將數(shù)據(jù)歸一化到[0, 1]之間. SVM通過(guò)引入核函數(shù)K(xi,xj)可以較好地解決線性不可分問(wèn)題,采用徑向基核(RBF)為：

(11)

其中： xi是函數(shù)中心; γ是核函數(shù)寬度,其限制了函數(shù)的徑向作用范圍[14].

采用網(wǎng)格搜索法選取分類(lèi)器的較佳參數(shù),并通過(guò)交叉驗(yàn)證 (CV)來(lái)驗(yàn)證分類(lèi)器性能. 本研究采用K-CV方法,該方法是將數(shù)據(jù)集分成k個(gè)子集,每個(gè)子集均做一次測(cè)試集,其余的作為訓(xùn)練集,交叉驗(yàn)證重復(fù)k次,并將k次的平均交叉驗(yàn)證識(shí)別率作為結(jié)果.

5 實(shí)驗(yàn)結(jié)果

為分析該能見(jiàn)度檢測(cè)算法的可行性,建立了不同能見(jiàn)度測(cè)試數(shù)據(jù)集,其中白天能見(jiàn)度測(cè)試集包含了306幅圖片,夜間測(cè)試集包含了205幅圖片. 部分測(cè)試圖庫(kù)如圖3所示.

圖3 能見(jiàn)度訓(xùn)練圖像庫(kù)Fig.3 Imagelibrary of visibility training

通過(guò)實(shí)驗(yàn)數(shù)據(jù)分析得出,在白天能見(jiàn)度輸入特征向量中,透射率可以作為能見(jiàn)度檢測(cè)的先決條件,較好反映出霧的濃厚程度,再結(jié)合其它的特征量可以進(jìn)一步構(gòu)成支持向量機(jī)的訓(xùn)練網(wǎng)絡(luò). 白天能見(jiàn)度模型使用176組數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練,夜間模型使用105組數(shù)據(jù)進(jìn)行訓(xùn)練,分別訓(xùn)練得到最優(yōu)參數(shù),參數(shù)選擇結(jié)果和訓(xùn)練預(yù)測(cè)結(jié)果如圖4所示.

圖4 實(shí)驗(yàn)結(jié)果圖Fig.4 Diagrams of the experimental results

圖4(a)和圖4(c)是網(wǎng)格法參數(shù)尋優(yōu)的結(jié)果圖,x軸表示懲罰參數(shù)的選擇,y軸表示核參數(shù)的選擇,z軸表示取相應(yīng)懲罰參數(shù)和核參數(shù)對(duì)應(yīng)的K-CV準(zhǔn)確率； 圖4(b)和圖(d)是測(cè)試集分類(lèi)結(jié)果. 對(duì)于白天能見(jiàn)度模型使用了130組數(shù)據(jù)對(duì)訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)分析,實(shí)驗(yàn)準(zhǔn)確率為93.84%. 對(duì)于夜晚模型使用了100組數(shù)據(jù)進(jìn)行預(yù)測(cè),實(shí)驗(yàn)準(zhǔn)確率為89%,準(zhǔn)確率高于平局梯度法和透射率比率法[5]. 實(shí)驗(yàn)結(jié)果精度滿足了人眼能見(jiàn)度檢測(cè)的要求. 同時(shí)算法運(yùn)算性能為： 在硬件平臺(tái)IntelCorei3-2310M@2.10GHz雙核CPU,6GB內(nèi)存,處理一幅640px× 480px大小圖像,白天能見(jiàn)度算法耗時(shí)353.82ms,夜晚能見(jiàn)度耗時(shí)190.89ms,在實(shí)際中能見(jiàn)度通常變化緩慢,因此間隔若干幀計(jì)算一次可以降低計(jì)算量.

6 結(jié)語(yǔ)

提出一種基于數(shù)字圖像處理與支持向量機(jī)相結(jié)合的方法來(lái)對(duì)道路場(chǎng)景能見(jiàn)度進(jìn)行分類(lèi)檢測(cè). 針對(duì)白天和黑夜的不同場(chǎng)景,提取不同特征量并訓(xùn)練出不同的能見(jiàn)度模型,可有效對(duì)白天和黑夜的能見(jiàn)度等級(jí)進(jìn)行分類(lèi). 在道路安全中,就可以根據(jù)能見(jiàn)度的分類(lèi)值對(duì)道路進(jìn)行智能限速,對(duì)來(lái)往車(chē)輛進(jìn)行預(yù)警提示,可以提高道路安全出行. 本算法成本低、 處理速度快,可用于實(shí)時(shí)監(jiān)測(cè)霧天情況下的道路能見(jiàn)度,在智能交通控制和輔助駕駛系統(tǒng)中具有重要的參考意義.

[1] 趙麗. 道路交通氣象環(huán)境能見(jiàn)度檢測(cè)器檢測(cè)方法研究[J]. 交通標(biāo)準(zhǔn)化, 2014, 42(6): 1-4； 8.

[2] 郭豪, 邱琪, 馬娜, 等. 不同能見(jiàn)度下激光測(cè)距儀最大測(cè)程的數(shù)值算法[J]. 紅外與激光工程, 2013, 42(12): 3330-3334.

[3]HAUTIEREN,LABAYARDER,AUBERTD.Real-timedisparitycontrastcombinationforonboardestimationofthevisibilitydistance[J].IEEETransactionsonIntelligentTransportationSystems, 2006, 7(2): 201-212.

[4] 陳釗正, 周慶逵, 陳啟美. 基于小波變換的視頻能見(jiàn)度檢測(cè)算法研究與實(shí)現(xiàn)[J]. 儀器儀表學(xué)報(bào), 2010, 31(1)： 92-98.

[5] 項(xiàng)文書(shū). 基于交通視頻的能見(jiàn)度估計(jì)研究[D]. 上海: 上海交通大學(xué), 2014.

[6] 吳煒, 李勃, 楊嫻, 等. 基于路面視亮度差平方最優(yōu)化的視頻能見(jiàn)度檢測(cè)算法[J]. 電子與信息學(xué)報(bào), 2014, 36(10): 2412-2418.

[7]CHENXQ,YANXP,CHUXM.Visibilityestimatedinfoggyroadtrafficbasedonatmosphericscatteringmodel[C]//ComputationalIntelligenceandNaturalComputingProceedings(CINC).Wuhan: [s.n.], 2010: 325-328.

[8]TANRT.Visibilityinbadweatherfromasingleimage[C]//IEEEConferenceonComputerVisionandPatternRecognition.Alaska:[s,n.], 2008: 287-294.

[9]NARASIMHANSG,NAYARSK.Visionandtheatmosphere[J].InternationalJournalofComputerVision, 2002, 48(3): 233-254.

[10]NARASIMHANSG,NAYARSK.Chromaticframeworkforvisioninbadweather[C]//IEEEConferenceonComputerVisionandPatternRecognition.HiltonHeadIsland:[s.n.], 2000: 598-605.

[11]HEKM,SUNJ,TANGXO.Singleimagehazeremovalusingdarkchannelprior[C]//IEEEConferenceonComputerVisionandPatternRecognition.Florida:[s.n.], 2009: 162-174.

[12]HEK,SUNJ,TANGX.Guidedimagefiltering[J].IEEETransPatternAnalMachIntell, 2013, 35(6): 1397-1409.

[13]NIXONMS,AGUADOAS. 計(jì)算機(jī)視覺(jué)特征提取與圖像處理[M]. 楊高波, 譯. 3版. 北京: 電子工業(yè)出版社, 2014.

[14] 奉國(guó)和.SVM分類(lèi)核函數(shù)及參數(shù)選擇比較[J]. 計(jì)算機(jī)工程與應(yīng)用, 2011, 47(3): 123-128.