李姣+++徐向華
摘 要: 針對監(jiān)控場景下夜間車輛的車燈檢測過程中存在地面反光干擾的問題,提出一種基于馬氏距離分類和梯度特征的車燈檢測算法。該方法與通過幾何約束過濾、基于亮度差異過濾等方法相比,具備較好的檢測性能及亮度適應(yīng)性,本算法實(shí)現(xiàn)了夜間車輛檢測所需的較高檢測準(zhǔn)確度以及實(shí)時(shí)性能。
關(guān)鍵詞: 前車燈檢測; 車輛檢測; 反射光; 馬氏距離; 梯度特征
中圖分類號(hào):TP391.4 文獻(xiàn)標(biāo)志碼:A 文章編號(hào):1006-8228(2016)05-70-03
Abstract: For the problem of the interference of reflection in the ground in the detection of headlight in night traffic surveillance, this paper proposes an algorithm based on Mahalanobis distance classification and the gradient features for headlight detection. Compared with the current algorithms such as geometric constraints filtering and luminance filtering, the proposed algorithm has reached a better detection rate and luminance adaptability, and has higher accuracy and real-time performance.
Key words: headlight detection; vehicle detection; reflection; Mahalanobis distance; gradient features
0 引言
智能交通監(jiān)控系統(tǒng)中的車輛檢測系統(tǒng)在白天場景下的研究已比較成熟,但在夜間亮度較暗的場景下,仍需進(jìn)一步研究。夜間車輛檢測中,前車燈檢測是主要檢測方式。在已有方法中,文獻(xiàn)[1]提出基于形態(tài)學(xué)的方法,利用形狀等形態(tài)特征為判斷條件,篩選出車燈,根據(jù)車燈的亮度信息[2-4]檢測的方法,首先進(jìn)行閾值分割,再利用空間聚類法檢測車燈區(qū)域。已有方法中也有基于機(jī)器學(xué)習(xí)算法[5],但現(xiàn)有算法通常不能達(dá)到實(shí)時(shí)檢測效果。同時(shí),檢測過程存在路面上的反射光干擾問題。對于反光問題,Wei Zhang[6]提出通過大氣散射和LOG濾波,提取出可區(qū)分車燈和反射光的特征,再以MRF方法將反光剔除的方法,但該方法采用的MRF方法,計(jì)算量大,適應(yīng)性不強(qiáng)。
本文提出一種基于馬氏距離分類法的夜間路面反射光檢測方法,解決夜間道路車輛檢測中的反射光干擾問題。首先,根據(jù)圖像中車燈區(qū)域與反射光區(qū)域之間的梯度變化不同,利用大氣散射原理和LOG濾波構(gòu)建區(qū)分車燈和反射光的統(tǒng)計(jì)特征;然后,利用馬氏距離實(shí)現(xiàn)車燈與反光的分類,檢測出車燈。
1 特征提取
本文根據(jù)分析提取出一個(gè)能較好描述車燈和反光的三維特征,依據(jù)其特征,進(jìn)一步使用分類方法檢測出車燈區(qū)域。三維特征的每一維度為:灰度圖(I)、反射光(RI)、反射弱光圖(RS)?;叶葓DI特征是使用直方圖雙峰法對原圖的灰度圖進(jìn)行閾值分割得到;反射光RI特征是根據(jù)大氣散射原理處理得到;反射弱光圖RS是通過將圖像進(jìn)行LOG濾波器處理得到。
1.1 夜間車燈與反射光的梯度分布特征
通過觀察實(shí)驗(yàn),灰度化處理后的車燈和反射光區(qū)域均很亮,若僅根據(jù)亮度特征,并不能準(zhǔn)確區(qū)分車燈和反射光。通過數(shù)據(jù)統(tǒng)計(jì)發(fā)現(xiàn),車燈和反射光區(qū)域周邊的亮度梯度有較明顯的差異,該特征可作為區(qū)分車燈和反射光的特征。從選取的亮區(qū)域邊緣外層值為255的像素開始,從亮區(qū)域內(nèi)部往外進(jìn)行擴(kuò)展,以三個(gè)像素為跨度選取出對應(yīng)像素點(diǎn)的值X,通過上述步驟隨機(jī)選取正負(fù)樣本各八百個(gè)來進(jìn)行亮度梯度值計(jì)算。
本文使用LOG函數(shù)處理圖像得到反射弱光圖(RS),來進(jìn)一步區(qū)分車燈和反射光信息。如圖1,利用光源的直徑值描繪對應(yīng)的亮度程度。可知,圖像近似指數(shù)型的形狀。圖像I進(jìn)行高斯濾波處理后,車燈區(qū)域的亮度程度在指數(shù)減少處呈現(xiàn)較高值。而反過來,則較低。
LOG公式如下:
⑴
σ為標(biāo)準(zhǔn)偏差。先對圖像I進(jìn)行反色處理,再與拉普拉斯高斯定理實(shí)行卷積,定義S為上述處理后的結(jié)果,則:
⑵
拉普拉斯高斯濾波的處理結(jié)果圖如圖2,最終得到反射弱光圖如圖2(b)所示,和圖2(a)對比可知車燈區(qū)域幾乎不變,而反射光被處理成了背景。
1.2 車燈和反射光的反射圖
夜間場景中,車燈光會(huì)照射到路面上形成反光,攝像頭再從地面上采集回來反光的信息,從而,車燈與反射光的光是兩種有差異的光源?;贐ouguer衰減指數(shù)定律:
⑶
I0(λ)是對應(yīng)光源輻射強(qiáng)度值;γ(λ)是光源波長λ的總散射系數(shù),d是光源與攝像頭之間的范圍。圖像I中的一個(gè)像素點(diǎn),設(shè)其為(x,y),為該像素點(diǎn)劃定出兩個(gè)區(qū)域,分為內(nèi)區(qū)域和外區(qū)域
⑷
在里進(jìn)行最值的計(jì)算,定義最小值為,最大值為,定義一個(gè)光源為,該光源的散射光是。則散射系數(shù)為:
⑸
為、間的距離。在區(qū)域中找到對應(yīng)的最值和,兩最值間范圍是?;诖髿馍⑸湓?,圖像I通過該原理計(jì)算得出對應(yīng)的反射光圖RI:
⑹
根據(jù)前面公式,車燈周圍區(qū)域的RI結(jié)果圖結(jié)果值會(huì)較低。在像車燈這樣的區(qū)域, RI值會(huì)較小,反射光區(qū)域RI值較大。
按照圖3中的原圖3(a)和反射強(qiáng)光圖3(b)的結(jié)果可知,在RI圖里,原圖處于高亮狀態(tài)的車燈區(qū)域變得較暗,融入了背景,而反射光反而呈現(xiàn)凸顯的效果。
1.3 車燈和反射光的灰度特征
已有算法中常用直方圖雙峰法則來實(shí)行圖像的初步處理,在本場景下我們將要處理的圖像的直方圖展現(xiàn)的是兩個(gè)峰頂一個(gè)谷底的形狀,剛好符合雙峰法則。雙峰法則功能是進(jìn)行前景與背景的分離,主要方式是選取谷底的像素值作為分割閾值。通過統(tǒng)計(jì)夜間車輛圖像,得到對應(yīng)閾值浮動(dòng)在210與245之間。
通過上述方式計(jì)算出閾值T后,對原圖像灰度圖中像素進(jìn)行閾值分割計(jì)算,圖像中那些像素值高于閾值T的,像素值保持,而小于T的,將其值重設(shè)為0。
1.4 車燈和反射光的統(tǒng)計(jì)特征
我們隨機(jī)選取不同場景的1500個(gè)車燈像素和2200個(gè)反光像素的RI、RS、I特征,將像素特征歸一化,形成圖4所示的統(tǒng)計(jì)分布。可以看出,車燈和反光有較明顯的區(qū)分度,故可利用該特征進(jìn)行分類。
2 馬氏距離判別法
馬氏距離,是一種有效計(jì)算兩個(gè)樣本集相似度的方法。本文樣本有兩種:車燈和反光。其定義為G1、G2,其均值分別為μ1,μ2。
判別測試樣本是屬于車燈還是反光,通過計(jì)算測試樣本與兩樣本總體間的距離來決定。一個(gè)樣本X與總體G的馬氏距離為:
⑺
S為樣本協(xié)方差陣,S={(X-E[X])(X-E[X])T}。
本文的特征為(RI、RS、I),事先準(zhǔn)備好訓(xùn)練數(shù)據(jù)(正負(fù)樣本的特征向量和對應(yīng)的標(biāo)簽),輸入一個(gè)測試樣本X,計(jì)算X到G1的距離d1和G2的距離d2。若d1>d2,測試樣本X離G2更近,屬于G2;否則屬于G1。
對原灰度圖I進(jìn)行反射光消除處理流程如下。
3 實(shí)驗(yàn)
本文的馬氏距離與WeiZhang等人提出的馬爾科夫隨機(jī)場(MRF)方法進(jìn)行對比,利用夜間行車視頻作為測試樣本,檢測結(jié)果及時(shí)間復(fù)雜度如表1。
4 結(jié)束語
本文提出的利用梯度特征及馬氏距離判別法的前車燈檢測算法,利用車燈與地面反光在梯度特征上的差異性特點(diǎn),并利用馬氏距離判別法能進(jìn)行快速準(zhǔn)確分類的特性,解決了已有算法對于檢測車燈與消除反光問題在檢測率和實(shí)時(shí)性上存在的問題。實(shí)驗(yàn)表明,在不同的亮度場景下的車燈檢測,本文提出的算法具備更優(yōu)的亮度適應(yīng)性和實(shí)時(shí)性能。
參考文獻(xiàn)(References):
[1] Cucchiara, R. and M. Piccardi. Vehicle Detection under Day and Night Illumination,1999.
[2] Chen, Y.E.A., A Real-Time Vision System for NighttimeVehicle Detection and Traffic Surveillance. IEEE Transactions on Industrial Electronics,2011:2030-2044
[3] Alcantarilla, P.F., et al. Night time vehicle detection fordriving assistance lightbeam controller. in Intelligent Vehicles Symposium,2008 IEEE,2008.
[4] Guo, J., et al., Preceding Vehicle Detection and TrackingAdaptive to Illumination Variation in Night Traffic Scenes Based on Relevance Analysis. Sensors,2014. 14(8):15325-15347
[5] Niknejad, H.T., et al. Vehicle detection and tracking atnighttime for urban autonomous driving.in proceedings of International Conference on Intelligent Robots and Systems(IROS),2011:4442-4447
[6] Zhang, W., et al., Tracking and Pairing Vehicle Headlight in Night Scenes. IEEE Transactions on Intelligent Transportation Systems,2012.13(1):140-153