劉硯菊，李紅梅，宋建輝

(沈陽理工大學，自動化與電氣工程學院 沈陽 110159)

基于SURF特征匹配法的高速公路能見度檢測技術研究

劉硯菊，李紅梅，宋建輝

(沈陽理工大學，自動化與電氣工程學院 沈陽 110159)

為解決當前高速公路能見度檢測穩(wěn)定性低、實用性不強的問題，提出一種基于SURF特征匹配法的高速公路能見度檢測方法，將攝像機獲取的待檢測圖像進行圖像預處理，然后應用SURF特征匹配算法進行特征點提取，與標準模板進行特征點匹配并分析匹配程度，進而得出能見度等級。與灰度直方圖法和透射法做對比實驗，結果表明：該算法能很好的模擬人眼的判別效果且處理速度快，更易實現(xiàn)能見度實時性監(jiān)測。

圖像預處理；能見度檢測；特征提??；SURF特征點匹配

道路能見度對于人們的生活出行安全影響很大，由于霧霾、沙塵等惡劣天氣導致的道路能見度過低引起的交通事故時有發(fā)生[1]，使得及時檢測道路能見度進而進行交通管制具有十分重要的意義，國內外許多學者都以此為課題進行了深入的研究。這些研究大部分利用光學原理中的透射法[2]或散射法[3]來進行能見度檢測并應用在實際生活中，但這些光學檢測器械靈敏度要求較高，不能主觀的模擬、體現(xiàn)人的視覺效果，后期維護困難，成本也很高。圖像處理[4]作為發(fā)展迅速的一項技術，具有靈活性高、穩(wěn)定性強、應用簡單易操作等特點；通過對獲取圖像信息預處理、特征檢測[5]、信息識別，能更加接近地模擬人眼視覺的觀察效果。

目前，國內對高速公路能見度的檢測仍處于理論研究與實驗階段，真正能用于實踐的方案很少。市場上現(xiàn)有的儀器較多是基于透射法和散射法的激光檢測儀，這類儀器雖然檢測效果優(yōu)良，但也存在光學收發(fā)儀器分體安裝，占地面積大；現(xiàn)場調試困難，難以實時監(jiān)測；后期維護成本較高，且不能模擬人眼的視覺效果等缺點[6]，應用時還會引入相對誤差。除了光學儀器，用攝像機標定模型[7]來檢測能見度的方法也有很多，基于視覺網絡效應能見度推算法、對比度法、消失點法[8]、雙亮度差法[9]、模板匹配法等都很好地運用了攝像機標定模型來檢測能見度，但這些方法大多基于數(shù)學理論，真正用到實踐中依舊存在測量結果與實際值偏差較大的情況。

本文提出基于SURF特征匹配的高速公能見度檢測方法，通過將攝像機獲取的圖像進行圖像預處理，提取待檢測圖特征點并與模板圖像特征點進行匹配，由匹配程度得出能見度取值范圍。

1 基于SURF特征匹配算法的能見度檢測法分析

SURF圖像處理檢測法大致分為圖像預處理、SURF特征點提取、模板匹配、匹配結果分析四個步驟?；赟URF算法的檢測流程圖如圖1所示。

圖1 SURF算法的能見度檢測流程圖

1.1 圖像預處理

1.1.1 灰度化

將攝像機獲得的圖像進行灰度化處理，圖像中的每個像素都包含R、G、B三個顏色分量?；叶然瘎t令這三個量相等，從而變成一個灰度值，使每個像素只需要一個字節(jié)內存來存儲這個灰度值。通過這種方式將彩色圖像變成灰度圖。

1.1.2 二值化閾值分割

將上述得到的灰度圖進行二值化處理，經過多次實驗后選定全局閾值為100，將圖像灰度變成0或255，將主體目標細節(jié)突出，減少圖像數(shù)據(jù)量。

1.2 SURF特征點提取

特征提取、匹配過程是該處理方法的關鍵技術。首先構造Hessian Matrix矩陣，判斷特征點并進行尺度空間的生成；然后利用非極大抑制精確定位特征最強點；通過遍歷法確定主方向，形成描述子進行匹配分析。

1.2.1 Hessian Matrix矩陣構造

在拍攝圖像檢測、特征點匹配過程中，常會遇到圖像尺度不同的問題。不同圖像中特征點的距離不同，修正特征點的大小會造成圖像強度不匹配[10]。為解決這一問題，本文采用尺度不變的SURF特征匹配算法[11]，在計算特征點的同時將尺度因素加入其中。先運用Hessian Matrix矩陣確定候選點，然后進行非極大抑制。相比于SIFT算法，SURF算法運算更加簡單，效率更高，運算時間更短，在多幅圖片下具有更好的魯棒性。

SURF算法運用Hessian Matrix矩陣進行特征提?。?/p>

(1)

本文用I(x,y)代替f(x,y)，其中I(x,y)為圖像像素。由于特征點需要尺度無關性，所以在構造Hessian Matrix矩陣之前要先進行高斯濾波。在尺度σ下有：

L(x,σ)=G(σ)·I(x,σ)

(2)

式中：

(3)

g(σ)為高斯函數(shù)：

(4)

得到Lxx、Lxy、Lyy，從而計算出Hessian矩陣：

(5)

每個像素點都可以求出一個Hessian Matrix矩陣，Hessian Matrix矩陣的判別式為：

(6)

判別式(6)的值即為Hessian Matrix矩陣的特征值，可利用判定結果的符號將所有點進行分類，根據(jù)判別式結果的正負來判斷該點是否為極值點。

1.2.2 尺度空間的生成

SURF算法通過改變高斯模板的大小，使不同的octave層中的圖片大小相同。相較于SIFT算法，簡化了降采樣過程，處理速度更快。

1.2.3 利用非極大值抑制初步確定特征點和精確定位特征點

將經過Hessian Matrix矩陣處理的每個像素點與其三維領域的26個點進行大小比較，若計算得出其為26個值中的最大值或最小值，則將這個點保存下來作為初步的檢測值。在檢測過程中使用與該尺度層圖像解析度大小相對應的濾波器進行檢測。采用三維線性插值法得到亞像素級的特征點，同時去掉那些小于一定閾值的點，本文設定的閾值為500。最終將幾個特征最強的點檢測出來。

如圖2中標記x像素點的特征值大于周圍像素的特征值，則可確定該點為該區(qū)域的特征點。

圖2 三維領域確定特征點示意圖

1.2.4 主方向確定

遍歷整個以特征點為圓心、6s(s為特征點所在的尺度值)為半徑的圓形區(qū)域，選取最長矢量方向作為主方向。

1.2.5 描述子形成

其步驟如下：

(1) 選定以特征點為中心的正方形區(qū)域，旋轉該區(qū)域使其與主方向同向。

(2) 將正方形區(qū)域劃分成4×4共16個子區(qū)域，對每個區(qū)域進行Haar小波變換，得到4個系數(shù)：水平方向之和、水平方向絕對值之和、垂直方向之和、垂直方向絕對值之和。這樣每個特征點有4×16共64維的向量。

(3) 由上述步驟得到64維向量，即描述子，可用其進行匹配工作。

1.3 匹配分析

圖3 OpenCV操作界面

通過向當?shù)貧庀缶肢@取每天早、中、晚三個特定時段的能見度數(shù)據(jù)統(tǒng)計，與當天檢測圖像匹配程度進行統(tǒng)計對照，得到匹配程度與大氣能見度的一個區(qū)間對應關系。

2 實驗結果分析

2.1 SURF特征匹配法檢測能見度結果分析

實驗選取部分濃霧天氣下高速公路目標物圖片，對其進行能見度檢測。圖4為選取的部分不同程度霧霾天氣下的實驗圖像，霧霾嚴重程度依次升高。

圖4 選取部分實驗圖像

對圖4的每張圖進行圖像預處理，SURF特征提取、匹配，匹配效果如圖5所示。

圖5 SURF特征提取、匹配結果

由圖5可以明顯看出，該方案成功檢測出拍攝目標與標準模板各自的特征點并進行匹配，匹配效果符合實際環(huán)境情況。由運算結果可知，該算法用時在4.3秒到5.8秒之間，用時較短。以上的實驗優(yōu)點，驗證了方案的可行性。

選取的部分實驗匹配數(shù)據(jù)如表1所示。檢測圖為霧霾天氣下攝像機拍攝的圖像，模板圖為標準對比圖(如圖5所示)。

SURF算法將待檢測圖像的所有特征點提取出來進行特征點描述，最后和模板圖特征點進行匹配。最大、最小距離是指兩個特征向量間的歐式距離，表明兩個特征的差異，值越小表明兩個特征點越接近。GoodMatch個數(shù)為匹配優(yōu)秀點數(shù)，其占模板圖特征點數(shù)的比例為匹配程度，匹配程度越高，說明天氣對檢測圖像的特征點提取影響越小，能見度越高。

表1 實驗匹配數(shù)據(jù)

本文選取兩個月之內的不同程度霧霾天氣下的圖片進行檢測，共計138個檢測樣本；分別對這138個檢測樣本進行圖像處理，將處理后的圖片與模板進行特征點匹配，能見度的高低依據(jù)特征匹配結果中的匹配程度大致分為以下八個等級：

(1) 當特征匹配程度在區(qū)間(0，4.86%]內時，能見度等級為1，此時高速公路上的景物都置于霧霾當中，分辨率極低，汽車行進困難，能見度在10米之內。

(2) 當特征匹配程度在區(qū)間(4.86%，6.85%]內時，能見度等級為2，此時高速公路環(huán)境分辨率很低，很難看清前方景物，能見度在10米到25米之間。

(3) 當特征匹配程度在區(qū)間(6.85%，10%]內時，能見度等級為3，此時高速公路上分辨率依然很低，能見度在25米到50米之間。

(4) 當特征匹配程度在區(qū)間(10%，20%]內時，能見度等級為4，此時大氣能見度偏差，分辨率較低，能見度在50米到100米之間。

(5) 當特征匹配程度在區(qū)間(20%，30%]內時，能見度等級為5，此時能見度稍有提升，分辨率有所提高，司機可以看清前方車輛及道路情況，能見度在100米到200米之間。

(6) 當特征匹配程度在區(qū)間(30%，50%]內時，能見度等級為6，此時大氣能見度量良好，分辨率很高，能見度在200米到300米之間。

(7) 當特征匹配程度在區(qū)間(50%～60%]內時，能見度等級為7，此時空氣質量良好，能較清看清前方事物，能見度在300米到400米之間。

(8) 當特征匹配程度在區(qū)間(60%，100%]內時，能見度等級為8，此時空氣質量很好，分辨率極佳，能見度大于400米。

2.2 對比實驗結果分析

在所有的實驗樣本數(shù)據(jù)中，選取一周的實驗數(shù)據(jù)與傳統(tǒng)透射法、灰度直方圖統(tǒng)計法進行比較。

2.2.1 SURF特征匹配法與透射法比較

對比實驗分別采用SURF特征匹配法和透射法對七天內的能見度進行檢測，檢測結果如圖6所示。

圖6 SURF特征匹配法與透射法結果比較圖

圖中橫坐標為日期，縱坐標為大氣能見度值。

氣象局使用的傳統(tǒng)透射法可以精確到米，但檢測時間在1分鐘左右，相對本文算法耗時較長。通過對比兩種方法的結果可知，SURF匹配法雖然沒有透射法精確度高，但在一定的區(qū)間內具有正確性，滿足人眼的視覺要求。同時，SURF匹配法運算時間短，相比于透射法更加簡便、快速，更容易達到實時監(jiān)測大氣能見度的效果。

2.2.2 SURF特征匹配法與灰度直方圖法比較

分別用灰度直方圖法[13]和SURF特征匹配法處理相同的待測圖像，取7組數(shù)據(jù)，檢測結果如表2所示。

表2中第二、三行分別表示灰度直方圖法和SURF特征匹配法測得的大氣能見度值的所在區(qū)間；第四行為通過透射法測量相同數(shù)據(jù)得到的準確大氣能見度值，用來判定前兩種方法測得的能見度區(qū)間的正確性。由表2數(shù)據(jù)可知，由透射法得到的大氣能見度準確值均在灰度直方圖法和SURF特征匹配法測得的能見度區(qū)間范圍內。但相比于直方圖法，SURF特征匹配法能見度所在區(qū)間范圍更??；將實驗的138個樣本與第三方透射法比對，統(tǒng)計結果表明：區(qū)間匹配正確率在93%左右，高于直方圖法的85%的正確率，檢測結果更加精確。

表2 SURF與灰度直方圖法能見度比較 m

3 結論

對基于SURF特征匹配法的高速公路能見度檢測方法進行了設計，實現(xiàn)了利用高速公路攝像頭采集的照片進行圖像處理進而得出能見度值。實驗結果表明，該方法能夠實時、準確地提取目標圖像的特征點并進行匹配，建立圖像信息與大氣能見度之間的關系，具有很好的實際應用價值。

[1] 李屹,朱文婷.基于數(shù)字攝像技術的能見度檢測[J].現(xiàn)代電子技術,2012,35(20):95-97.

[2] 李佳,葛嘉琦,陳啟美.路況視頻能見度檢測算法[J].計算機工程,2009,35(16):175-177.

[3] 趙麗.道路交通氣象環(huán)境能見度檢測器檢測方法研究[J].交通標準化,2014,42(6):1-4.

[4] 苗苗.視頻能見度檢測算法綜述[J].現(xiàn)代電子技術,2012,35(15):72-73.

[5] 葉青.道路能見度監(jiān)測方法的比較和研究[J].傳感器技術,2004,23(5):74-76.

[6] 陳小丹,杜宇人,高秀斌.一種基于SURF的圖像特征點快速匹配算法[J].揚州大學學報,2012,15(4):64-67.

[7] 王亞迪,李秀華.改進SURF快速圖像匹配[J].長春工業(yè)大學學報,2016,37(2):142-143.

[8] Yu He,Kim-Hui Yap,Li Chen,et al.Joint Image Registration and Super-Resolution using Nonlinear Least Squares Method[C]∥2007 IEEE International Conference on Acoustics,Speech and Signal Processing,Hawaii,USA,2007,1:561-564.

[9] 劉金龍,薛名芷.機器視覺技術在交通路標識別中的實現(xiàn)方法[J].硅谷,2014(5):45-46.

[10]周慶奎,陳釗正,陳啟美.基于視頻的路況能見度檢測系統(tǒng)的設計與實現(xiàn)[J].電子測量技術,2009,32(6):72-76.

[11]陰法名.基于OpenCV的圖像處理[J].科技信息,2009 (32):220.

[12]熊和金,段曉秀.公路交通能見度識別的直方圖算法[C] ∥智能交通與人工智能學術研討會，廣州.2007:14-18.

ResearchofHighwayVisibilityDetectionBasedonSURFFeaturePointMatching

LIU Yanju,LI Hongmei,SONG Jianhui

(Shenyang Ligong University,Shenyang 110159,China)

In order to solve the problem of low stability and practicability of the highway visibility detection,a detection method based on SURF feature point matching is proposed.Firstly,the image is pre-processed and obtained by camera.Then,image feature points are extracted and image feature points are matched with standard template.Visibility values can be obtained by the matching degree.Experimental results show that the proposed method not only simulates human eyes visual effect very well but also processes quickly，which can be used to implement visibility real-time monitoring.

image processing;visibility detection;feature extraction;SURF feature point matching

2017-05-15

劉硯菊(1965—)，女，教授，研究方向：智能檢測與信息處理。

1003-1251(2017)06-0072-06

TP391.9

A

趙麗琴)