林大超，胥鈞*，曾德斌

（1.華北科技學(xué)院 建筑工程學(xué)院，河北 065201；2.彌榮(北京)交通科技有限公司，北京 100086）

0 引言

汽車(chē)前照燈作為汽車(chē)安全部件的重要部分，對(duì)駕駛員安全駕駛及減少交通事故起著非常重要的作用。只有在亮度充分、照射方向適合的情況下，前照燈才能達(dá)到最佳的利用效果，從而更好地保證汽車(chē)的安全駕駛[1]。前照燈近光燈的儀器檢測(cè)法已逐漸走向?qū)嶋H汽車(chē)生產(chǎn)中[2]。它通過(guò)明暗截止線及拐點(diǎn)位置對(duì)近光燈照射方向進(jìn)行檢測(cè)[3]。明暗截止線是明區(qū)和暗區(qū)的分界線，由水平和傾斜兩部分組成[4]。明暗截止線拐點(diǎn)為明暗截止線水平部分和傾斜部分的交點(diǎn)，求取拐點(diǎn)位置主要采用的方法是利用水平明暗截止線和傾斜明暗截止線之間的幾何位置關(guān)系計(jì)算拐點(diǎn)坐標(biāo)。因此，明暗截止線的準(zhǔn)確提取是近光燈檢測(cè)的重要基礎(chǔ)。

機(jī)器視覺(jué)技術(shù)是近光燈明暗截止線檢測(cè)的組成部分，將明暗截止線視作圖像邊緣，進(jìn)行邊緣特征檢測(cè)。常采用的技術(shù)路線是先使用濾波算法減少圖像中的噪聲，再通過(guò)圖像增強(qiáng)技術(shù)，強(qiáng)化邊緣，最后利用邊緣檢測(cè)算子或計(jì)算梯度值對(duì)明暗截止線邊緣點(diǎn)進(jìn)行定位，實(shí)現(xiàn)明暗截止線檢測(cè)[5～9]。對(duì)于具有清晰明暗截止線的燈光圖像，使用簡(jiǎn)單的圖像增強(qiáng)算法和邊緣檢測(cè)算法就能夠取得較為理想的效果。但是，實(shí)際燈光圖像的明暗截止線具有一定的模糊特性，僅使用傳統(tǒng)的圖像增強(qiáng)算法和邊緣檢測(cè)算子往往并不能達(dá)到預(yù)期效果。因此，需要使用復(fù)雜的預(yù)處理算法凸顯邊緣特征，如模糊增強(qiáng)算法[9]、形態(tài)學(xué)算法[8]。經(jīng)過(guò)預(yù)處理后獲得的明暗截止線在位置準(zhǔn)確度上有所提升。不過(guò)，預(yù)處理算法的過(guò)多使用，會(huì)對(duì)圖像原本的特征信息產(chǎn)生較大的影響，而且最后檢測(cè)得到的明暗截止線仍然存在著準(zhǔn)確度不高的問(wèn)題。與預(yù)處理算法不同，二維經(jīng)驗(yàn)?zāi)Ｊ椒纸馐菍?duì)圖像原始信號(hào)進(jìn)行分解，從而得到圖像的基本特征，得到的特診具有較高的準(zhǔn)確度。邊緣作為圖像的基本特征，往往位于灰度值急劇變化的位置，通過(guò)計(jì)算、尋找最大梯度點(diǎn)的位置，是一種常用的邊緣判斷方法[10]。然而，由于模糊明暗截止線周?chē)奶荻染哂袧u變特征，基于梯度計(jì)算的方法同樣存在著位置判斷不準(zhǔn)確的問(wèn)題。模糊明暗截止線進(jìn)行準(zhǔn)確定位依然是前照燈檢測(cè)機(jī)器視覺(jué)技術(shù)應(yīng)用中有待突破的難點(diǎn)。

本文從分析現(xiàn)有明暗截止線算法存在的不足出發(fā)，提出使用在機(jī)器視覺(jué)領(lǐng)域還未得到充分使用的二維經(jīng)驗(yàn)?zāi)Ｊ椒纸馑惴ǎ瑢?duì)原始近光燈圖像進(jìn)行特征分解，得到圖像中明暗截止線的基本特征。文章分別從理論、特征檢測(cè)實(shí)驗(yàn)和實(shí)際檢測(cè)三個(gè)方面進(jìn)行研究，結(jié)果表明二維經(jīng)驗(yàn)?zāi)Ｊ椒纸饽軌驅(qū)崿F(xiàn)對(duì)圖像特征的檢測(cè)，并且檢測(cè)得到的邊緣特征在準(zhǔn)確度和視覺(jué)效果上更具有優(yōu)勢(shì)，為模糊明暗截止線檢測(cè)提供了新的理論方法。

1 明暗截止線特征提取

明暗截止線檢測(cè)算法，根據(jù)算法基理可以分為以下三類(lèi)：基于閥值分割的自適應(yīng)閥值算法、基于圖像梯度的最大梯度法和基于邊緣檢測(cè)的邊緣特征提取算法。其中，自適應(yīng)閥值算法和最大梯度法由于算法效率低、檢測(cè)邊緣準(zhǔn)確性不高和魯棒性差等原因，已無(wú)法很好地滿足實(shí)際需求。使用邊緣檢測(cè)算子對(duì)明暗截止線進(jìn)行檢測(cè)是當(dāng)前受到廣泛認(rèn)可的方法。在傳統(tǒng)邊緣檢測(cè)算子中，Canny邊緣檢測(cè)算子和LoG邊緣檢測(cè)算子的使用頻率較高且取得的效果較為理想。

圖1為文獻(xiàn)[6]中近光燈灰度(a)及使用Canny算子檢測(cè)出的明暗截止線結(jié)果(b)。圖像中顯示，當(dāng)車(chē)燈圖像中明暗截止線清晰時(shí)，該方法檢測(cè)得到的明暗截止線結(jié)果較為理想。但是，經(jīng)過(guò)實(shí)驗(yàn)發(fā)現(xiàn)，當(dāng)燈光圖像模糊時(shí)，該方法檢測(cè)出的明暗截止線趨于不穩(wěn)定，同時(shí)，明暗截止線水平部分和傾斜部分的分界點(diǎn)也無(wú)法進(jìn)行很好的判斷。

圖1 文獻(xiàn)[6]近光燈圖及明暗截止線檢測(cè)結(jié)果圖

圖2為文獻(xiàn)[8]使用LoG算子對(duì)不同近光燈圖像進(jìn)行明暗截止線檢測(cè)得到的結(jié)果。該算法利用LoG算子實(shí)現(xiàn)對(duì)明暗截止線檢測(cè)。雖然結(jié)果顯示該算法對(duì)明暗截止線拐點(diǎn)檢測(cè)的穩(wěn)定性較好，但是在檢測(cè)結(jié)果的準(zhǔn)確性上仍有待提升。主要原因在于LoG算子檢測(cè)出的明暗截止線邊緣是一個(gè)“閉合回路”，存在著上下兩條邊緣，如何從上、下兩條邊緣中得到實(shí)際的明暗截止線則需要進(jìn)一步的篩選和判斷。

圖2 文獻(xiàn)[8]明暗截止線檢測(cè)結(jié)果

鑒于模糊增強(qiáng)算法在醫(yī)學(xué)圖像模糊邊緣檢測(cè)中取得的良好效果，文獻(xiàn)[10]將模糊增強(qiáng)算法應(yīng)用到明暗截止線的提取，致力于解決由于燈光圖像邊緣模糊引起的邊緣檢測(cè)結(jié)果準(zhǔn)確度不高的問(wèn)題。圖3為增加模糊增強(qiáng)算法后得到的明暗截止線，與其他算法檢測(cè)得到的明暗截止線的對(duì)比圖。從對(duì)比圖中可以看出，使用模糊增強(qiáng)算法后，明暗截止線的檢測(cè)結(jié)果在準(zhǔn)確性上有了一定的提升。該算法主要存在的問(wèn)題是，由于模糊增強(qiáng)算法中模糊因子的選取是一個(gè)經(jīng)驗(yàn)值，受個(gè)人的主觀因素影響較大，導(dǎo)致算法自適應(yīng)性不高。

圖3 文獻(xiàn)[10]明暗截止線檢測(cè)結(jié)果圖

2 圖像特征的分解分析

圖像特征作為圖像表述中最為重要的部分，體現(xiàn)著圖像本身最基本的屬性，包含了用于圖像識(shí)別的重要信息[11]。經(jīng)驗(yàn)?zāi)Ｊ椒纸庾鳛橐唤陙?lái)發(fā)展起來(lái)的新方法，它的應(yīng)用得到了近期研究的工作的廣泛重視，如圖像去噪[12,13]、圖像融合[14,15]。在當(dāng)前使用廣泛的機(jī)器視覺(jué)領(lǐng)域，對(duì)于二維經(jīng)驗(yàn)?zāi)Ｊ椒纸獾氖褂醚芯窟€不是很多。

經(jīng)驗(yàn)?zāi)Ｊ椒纸飧鶕?jù)信號(hào)本身的特性，將信號(hào)從頻域上由高到低分解為多個(gè)固有模態(tài)函數(shù)（IMF，Intrinsic Mode Function）[16]。二維經(jīng)驗(yàn)?zāi)Ｊ椒纸馐菍⒔?jīng)驗(yàn)?zāi)Ｊ降姆纸鈱?duì)象從一維推廣到二維得來(lái)的。算法的本質(zhì)是從圖像信號(hào)本身出發(fā)，通過(guò)提取圖像信息的局部極值點(diǎn)來(lái)篩選出具有特征意義的二維固有模態(tài)函數(shù)的過(guò)程。同一類(lèi)極值點(diǎn)構(gòu)成的集合即為極值譜[13]，如所有局部極大值點(diǎn)構(gòu)成了極大值譜，極小值點(diǎn)構(gòu)成極小值譜。

二維圖像f(x,y)經(jīng)分解后可以用以下形式表達(dá)：

《形形色色的植物》這一篇課文，學(xué)生們只是通過(guò)課文的介紹，知道植物世界是一個(gè)龐大的、復(fù)雜的世界。但是只是通過(guò)簡(jiǎn)單的文字介紹還遠(yuǎn)遠(yuǎn)不夠，可以通過(guò)讓學(xué)生親自去植物園中去觀察各種各樣的植物，讓學(xué)生切實(shí)的感受到植物世界的紛繁。讓學(xué)生通過(guò)觀察，去感受這個(gè)世界，進(jìn)而進(jìn)一步的理解課文上所講解的內(nèi)容。

其中，f(x,y)表示圖像二維矩陣。(x,y)表示點(diǎn)的位置坐標(biāo)。ei(x,y)為分解得到的第i個(gè)二維固有模態(tài)函數(shù)（Bi-dimensional Intrinsic Mode Function,BIMF），rn(x,y)經(jīng)過(guò)n次分解后無(wú)法再進(jìn)行分解的殘差項(xiàng)，M、N分別為圖像的行數(shù)和列數(shù)。

二維空間中，往往使用鄰域窗口法提取圖像信號(hào)中的極值譜。使用w×h大小的窗口，w、h均為奇數(shù)，通過(guò)鄰域法判斷得到極大值譜，判斷依據(jù)如下：

式(2)中：

其中，aij表示圖像矩陣中第i行、第j列的數(shù)據(jù)值。同理，可以得到圖像矩陣的極小值譜。得到的極大值譜和極小值譜可視作為圖像的部分特征。

一般情況下，使用3×3大小的窗口來(lái)尋找二維圖像數(shù)據(jù)的極值譜是一個(gè)比較理想的方法。如圖4所示的8×8矩陣，根據(jù)鄰域窗口發(fā)，使用3×3大小的窗口來(lái)搜尋極大值譜和極小值譜，圖5為得到的極大致譜，圖6為極小值矩陣，圖7為殘差項(xiàng)。由此，圖4的復(fù)雜矩陣可以看作是由圖5～圖7矩陣疊加得來(lái)，而圖5～圖7矩陣可表示圖像中的部分特征。

圖4 8×8矩陣

圖5 圖1的極大值譜

圖6 圖1的極小值譜

圖7 圖1殘差項(xiàng)

3 二維經(jīng)驗(yàn)?zāi)B(tài)分解算法構(gòu)造和實(shí)現(xiàn)

二維經(jīng)驗(yàn)?zāi)Ｊ椒纸饩唧w算法步驟如下[17]：

1）待分解圖像f(x,y)初始化，r0(x,y)=f(x,y)，x∈[0,M-1]，y∈[0,N-1]，其中M、N分別代表圖像的行數(shù)和列數(shù)。

2）初始化待分解數(shù)據(jù)hi,j(x,y)=r0(x,y)，i∈[1,n]，j∈[1,n]。其中，hi,j表示第i個(gè)二維固有模態(tài)分量第j次分解的待分解數(shù)據(jù)。

3）利用鄰域窗口法，求取hi,j(x,y)的極大值譜和極小值譜，分別記為P(x,y,value)和Q(x,y,value)。其中，x、y表示點(diǎn)的位置坐標(biāo)，value為點(diǎn)的灰度值。

4）根據(jù)極值譜，使用插值算法進(jìn)行插值，得到上包絡(luò)面emaxi,j(x,y)和下包絡(luò)面emini,j(x,y)。

5）根據(jù)得到的上、下包絡(luò)面，計(jì)算均值包絡(luò)面，計(jì)算公式如式(4)所示：

6）對(duì)分解信號(hào)進(jìn)行更新，得到剩余待分解圖像信號(hào)，更新公式如式(5)所示：

7）計(jì)算標(biāo)準(zhǔn)偏差SD（Standard Deviation），判斷剩余信號(hào)是否滿足繼續(xù)分解的條件，計(jì)算公式如式(6)所示：

8）當(dāng)SD∈[0.2,0.3]時(shí)，即為滿足停止條件，固有模態(tài)函數(shù)ci(x,y)=hi,j(x,y)，新待分解信號(hào)ri+1(x,y)=ri(x,y)-hi,j(x,y)，i=i+1，j=0；否則，即判斷為不滿足停止條件，返回至步驟3，令j=j+1，繼續(xù)進(jìn)行分解，直至滿足條件。

4 明暗截止線特征

4.1 BEMD圖像邊緣特征分解

使用BEMD算法，對(duì)三張不同的圖片進(jìn)行特征分解。第1張為構(gòu)造簡(jiǎn)單、線條清晰的蝶與葉圖像。第2張為圖像處理中常用的Lena圖像。第3張為線條構(gòu)造復(fù)雜的幾何圖像。圖8～圖10給出了使用BEMD方法分別對(duì)三張圖片進(jìn)行特征分解的檢測(cè)結(jié)果。從視覺(jué)角度上看，BEMD的檢測(cè)結(jié)果能夠很好地反應(yīng)出圖像邊緣特征及變化趨勢(shì)。從得到的邊緣特征圖像中可以看出，得到的第一個(gè)固有模態(tài)分量BIMF1效果最為突出，不僅能夠較好地反應(yīng)出邊緣特征，而且保留了較多的細(xì)節(jié)信息，如蝶與葉圖中的紋理、Lena圖中人物的五官信息以及幾何圖中的一些不明顯的邊緣信息。分解結(jié)果顯示，隨著分解程度的不斷加深，圖像的失真程度也在增加，但仍保留著一些明顯的邊緣信息，即使在趨勢(shì)圖像中也能有較少的體現(xiàn)。

圖8 蝶與葉圖二維經(jīng)驗(yàn)?zāi)Ｊ椒纸饨Y(jié)果

圖9 Lena圖二維經(jīng)驗(yàn)?zāi)Ｊ椒纸饨Y(jié)果

圖10 幾何圖二維經(jīng)驗(yàn)?zāi)Ｊ椒纸饨Y(jié)果

4.2 BIMF1與LoG算子、Canny算子檢測(cè)結(jié)果對(duì)比

將通過(guò)使用BEMD方法得到的圖像邊緣特征，與LoG算子得到的邊緣特征圖像，以及Canny算子檢測(cè)出的圖像邊緣特征圖像進(jìn)行對(duì)比。圖11～圖13給出了同一幅圖像分別使用BEMD方法、LoG邊緣檢測(cè)算法、Canny邊緣檢測(cè)算法得到的結(jié)果圖，其中只給出了BEMD分解方法得到的BIMF1分量。與LoG邊緣檢測(cè)結(jié)果相比，BEMD算法不僅能夠?qū)吘夁M(jìn)行準(zhǔn)確定位，而且在邊緣細(xì)節(jié)上也有較好體現(xiàn)。與Canny邊緣檢測(cè)結(jié)果相比，BEMD方法檢測(cè)出的邊緣細(xì)節(jié)更為豐富、細(xì)致，比如蝴蝶圖像中的紋理、Lena圖像中人物的五官特征、幾何圖像中一些較弱的邊緣細(xì)節(jié)。而且，通過(guò)對(duì)三種方法的檢測(cè)結(jié)果對(duì)比發(fā)現(xiàn)，BEMD算法得到的特征圖像具有一定的層次感，檢測(cè)結(jié)果更優(yōu)于其他兩種方法。

圖11 蝶與葉圖片邊緣檢測(cè)結(jié)果對(duì)比

圖12 Lena圖邊緣檢測(cè)結(jié)果對(duì)比

圖13 幾何圖邊緣檢測(cè)效果對(duì)比

5 近光燈圖像分析及明暗截止線檢測(cè)

圖14為分別使用二維經(jīng)驗(yàn)?zāi)Ｊ椒纸馑惴?、LoG邊緣檢測(cè)算法、Canny邊緣檢測(cè)算法獲取近光燈圖像的明暗截止線特征。BIMF1為使用二維經(jīng)驗(yàn)?zāi)Ｊ椒纸獾玫降奶卣鲌D像，在圖像中存在一條明顯的邊緣線，能夠清晰地反應(yīng)出近光圖像的明暗截止線特征。LoG邊緣檢測(cè)得到的近光燈明暗截止線特征為“閉合回路”，存在著上下兩條邊緣，對(duì)于實(shí)際的明暗截止線位置需要進(jìn)行下一步判斷。Canny邊緣檢測(cè)算子得到的明暗截止線特征圖像中，雖然存在著一條較長(zhǎng)且清晰的邊緣線，但同時(shí)存在著較多光源區(qū)域內(nèi)的偽邊緣信息，無(wú)法進(jìn)行很好地識(shí)別和定位。

圖14 近光燈及其三種不同方法的檢測(cè)結(jié)果

6 結(jié)語(yǔ)

邊緣作為圖像的基本特征，能夠很好地反應(yīng)出圖像內(nèi)容及結(jié)構(gòu)。本文從理論和算法構(gòu)造上詳細(xì)介紹了二維經(jīng)驗(yàn)?zāi)Ｊ椒纸?，將二維經(jīng)驗(yàn)?zāi)Ｊ椒纸鈶?yīng)用到實(shí)際的近光燈檢測(cè)研究中，使用該算法對(duì)近光燈圖像進(jìn)行分解，得到圖像的明暗截止線特征分量。

通過(guò)對(duì)不同圖像進(jìn)行特征分解，二維經(jīng)驗(yàn)?zāi)Ｊ椒纸饽軌蚝芎玫貞?yīng)用到圖像特征檢測(cè)。與LoG邊緣檢測(cè)算子、Canny邊緣檢測(cè)算子得到的邊緣特征相比，二維經(jīng)驗(yàn)?zāi)Ｊ椒纸饨Y(jié)果能夠更有層次感地反應(yīng)出圖像特征。

對(duì)前照近光燈明暗截止線進(jìn)行特征提取，二維經(jīng)驗(yàn)?zāi)Ｊ椒纸獾玫降拿靼到刂咕€邊緣特征，在清晰度和準(zhǔn)確度上要更優(yōu)于Canny邊緣檢測(cè)算子和LoG邊緣檢測(cè)算子的檢測(cè)結(jié)果。同時(shí)，表明二維經(jīng)驗(yàn)?zāi)Ｊ椒纸夥椒ㄝ^好的實(shí)用推廣價(jià)值。