盛雨婷

摘要：為解決霧天環(huán)境下道路上車輛與前車車距測量問題，構(gòu)造車載霧天圖像快速處理以及前車車距測量實驗平臺。以暗通道算法為基礎，基于能見度圖像分割算法估算大氣光值，利用雙邊濾波細化折射率圖，在分割區(qū)域上進行不同程度去霧，有效解決暗通道算法應用在道路圖像上產(chǎn)生的色彩失真、對比度過低等問題。利用邊緣檢測算法、霍夫變換算法完成對車輛邊框的檢測，搭建測距模型測量出前方車輛的距離。結(jié)果表明，構(gòu)造的平臺能夠在能見度小于100 m的濃霧環(huán)境下測量出前方車輛車距，并能及時告警。

關(guān)鍵詞：圖像去霧；能見度分割；暗通道算法；雙邊濾波；邊緣檢測算法；車距測量

中圖分類號：TP751?? 文獻標志碼：A?? 文章編號：1002-4026（2024）01-0088-07

Study on the distance measurement of approaching vehicles in fog

Abstract∶To address the challenges related to distance measurement of an approaching vehicle in fog，we developed an experimental platform to rapid image processing and real-time distance measurement.Firstly，we down-sampled the images through the dark channel algorithm to estimate atmospheric light values. Then， we introduced a tolerance mechanism to deal with the bright regions that do not satisfy the dark channel prior. This tolerance mechanism corrected the estimate with incorrect refractive index of such regions and effectively mitigated the issues of color distortion and low contrast. Secondly， we detected the vertical edges of an approaching vehicle using the edge detection and the improved Hough transform algorithms. Finally， we measured the safe distance from the approaching vehicle using the model. The results shows that the platform developed in this study can effectively measure the distance of the approaching vehiclein fog with a visibility <100 m， and can alert drivers in a timely and effective manner.

Key words∶haze removal; image down-sampling; dark channel algorithm; bilateral filtering; edge detection algorithm; vehicle distance measurement

在行車過程中，霧天天氣是影響駕駛員視線的主要因素，因霧天造成的重大交通事故時有發(fā)生。相關(guān)統(tǒng)計數(shù)據(jù)表明，霧天環(huán)境交通事故發(fā)生概率是正常環(huán)境下的10倍，85%的連環(huán)車輛追尾事故發(fā)生在大霧天[1]。霧、霾或沙塵等能見度低的惡劣天氣嚴重影響汽車的攝像鏡頭，成像觀感效果差，圖像信息嚴重缺失。因此，霧天環(huán)境下，對車載攝像機圖像進行清晰復原化操作對司機的安全駕駛意義重大。

本文基于霧天環(huán)境下的行車狀況，以車載攝像機為載體，采用能見度分割方法對采集的圖像進行去霧處理[2-3]，同時對去霧后的圖像進行邊緣處理，通過模型計算得到前方行駛車輛車距。圖1為整體框架流程圖。

1 交通圖像去霧預處理

1.1 圖像分割

1.1.1 能見度的計算

依據(jù)交通道路平緩的假設，可將真實世界的距離與圖像中的像素相聯(lián)系。根據(jù)圖2所示的模型[4]計算能見度。

對于攝像設備拍攝出的圖像，創(chuàng)建圖像坐標與路面坐標對應關(guān)系算式，得到圖像坐標中的像素點在實際坐標系中的實際距離d為：

霧天環(huán)境下，行駛車輛駕駛員注意的是道路前方的區(qū)域。交通圖像車道線左右對稱分布，車道和車道線寬度固定，車道線亮度高于路面，可依據(jù)邊緣檢測[5-6]和霍夫變換對車道線邊緣檢測計算得出vh。再根據(jù)線性倒立擺（the linear inverted pendulum，LIP）模型中對人眼視覺特性的分析，采用科勒的圖像分割方法[7]計算得到對比度圖，對比度圖中的白色像素點視為人眼可識別的像素，可根據(jù)對比度圖計算得出v。根據(jù)式（1）求出能見度距離d。圖3為能見度過程計算仿真結(jié)果。

1.1.2 基于能見度的圖像分割

實際情況下在觀測者距離較近的地方霧氣較少，對于道路圖像而言，如果遠處霧氣濃度較大的區(qū)域被適度增強，就很有可能造成原圖像底部的路面區(qū)域過增強。因此，圖像底部區(qū)域的增強能力應有所限制，以防止近處道路區(qū)域過增強，同時保證駕駛員的遠處區(qū)域得到適度的增強。

為達到這一目的，本文將圖像分割成3個部分：天空部分、遠處場景和近處道路。分割圖的估計過程可如下定義：

式中，參數(shù)λ為相機的參數(shù)；dmax為被測點與觀察者之間距離最大值，當被測點與觀察者之間的間隔小于該值時，位于該間隔范圍內(nèi)的霧氣較小。根據(jù)實際生活經(jīng)驗，對于一幅像素大小為600×400的圖像，將dmax值設置為140 m對于大多數(shù)情況都成立。根據(jù)國際照明委員會定義，對比度大于0.05的像素點人眼能夠區(qū)分出來，因此針對天空可觀測到的目標物，本文設定亮度對比度值為0.05。

1.2 交通圖像去霧算法

1.2.1 大氣光值的計算

大氣光值A是基于暗通道去霧算法的一個重要的參數(shù)，交通圖像的整體去霧視覺效果取決于該值的準確性。如果通過整幅圖像計算出大氣光值，可能會導致估錯的情況，為了避免這類情況，對分割后圖像的天空區(qū)域計算大氣光值，以確保該值的準確性。

1.2.2 濾波細化折射率圖

基于暗原通道算法得到的去霧圖像容易產(chǎn)生白色光暈，即稱之為Halo現(xiàn)象。產(chǎn)生Halo現(xiàn)象的圖像不僅不利于人眼視覺的感官，而且會出現(xiàn)更多的邊緣細節(jié)，不利于后續(xù)的車輛檢測，因此本文采用了雙邊濾波快速細化折射率圖[8-9]。

DR為復原圖像R的暗通道圖，可表示為：

式中，Ωx，y表示以x，y為中心的N×N大小的局部圖像塊。雙邊濾波的權(quán)值是由高斯和值域高斯函數(shù)的乘積組成的，對于暗通道圖像的最小值濾波的窗口Ω，在處理圖像時使用的是大小相同的窗口，首先對DR兩邊先除以大氣光值A，然后再對這兩邊進行最小值濾波，得到公式為：

其中，Rcx′，y′表示復原圖像顏色通道圖，Icx′，y′表示霧天圖像的顏色通道，為了使處理后的圖像看起來更加舒適，引入常量ω使得圖像遠處部分留有小部分的霧氣，該值一般設置為0.95，最后得出的折射率圖為：

1.2.3 基于圖像復原的圖像去霧

對于大氣散射模型而言，當折射率圖tx，y趨近于0時，入射光衰減項Rx，y，tx，y也會趨近于0。因此，引入?yún)?shù)t0以保證在原霧氣較濃的部分留有小部分的霧氣，一般設置為0.1。本文使用分割圖，計算出去霧圖像R為：

其中I（x，y）表示霧天圖像，由上式可知，利用區(qū)域分割圖，可預先判別3個不同區(qū)域的增強程度。因此，原霧天圖像的“天空”“遠處場景”和“近處路面”這3個區(qū)域分別會產(chǎn)生不同的增強效果，以確保駕駛員所關(guān)心的中遠方區(qū)域得到重點增強。

本文的去霧算法流程如圖4所示。

暗通道算法由HE[10]提出，該算法通過對無霧圖像特征統(tǒng)計，發(fā)現(xiàn)在大多數(shù)戶外無霧圖像的任意局部小塊中，總存在至少一個像素，該像素某一個或幾個顏色通道的強度值很低，且接近于零。本文在暗通道算法的基礎上，根據(jù)能見度知識對霧天圖像進行分割，對天空區(qū)域估算大氣光值，對分割后的圖像分區(qū)域進行不同程度的去霧處理，保留原圖像的邊緣色彩細節(jié)。本文改進的算法采用復原后的新增可見之比、可見邊的規(guī)范化梯度均值、方差和運算時間對去霧結(jié)果進行定量估計[11]，評估結(jié)果見表1。

由表1可以看出本文算法相較于暗通道算法，去霧視覺感官更佳，且其快速的運算時間適用于車載視頻實時性的要求。

2 車輛識別

2.1 邊緣檢測算法

邊緣檢測算法是通過計算一組錨點來模擬點到點邊界補全問題，這些點在給定圖像的劇烈強度變化上呈現(xiàn)穩(wěn)定的地標，然后使用智能路由算法連接連續(xù)的錨點。

邊緣算法主要流程如圖5所示。

2.2 前方車輛識別

由大量交通圖像可知，行駛車輛駕駛員看到前方車輛的尾部，都是呈有規(guī)律的矩形結(jié)構(gòu)。為了識別車輛垂直邊緣，本文利用能夠檢測直線端點的霍夫變換，提取圖像中感興趣區(qū)域內(nèi)具有車輛垂直邊緣特征的峰值直線段[12]。

為了排除公路上路標、廣告牌等因素影響，增加識別精度，本文在初次識別時，首先確定一個車輛可能存在區(qū)域，然后在此區(qū)域內(nèi)使用霍夫變換提取垂直邊緣。圖6中T是兩條車道線的交點，影響后方駕駛的車輛必定在（T±σ）區(qū)域內(nèi)，其中σ為常量，根據(jù)車道線提取，一般取10～30。

3 車輛陰影寬度測距模型

陰影寬度測距法[13]的測距原理如圖7所示。

L是前方車輛尾部實際寬度，通常為1.5～1.7 m，具有通用性；D是前方車輛尾部與攝像設備車輛的間距，f是攝像設備的焦距，用像素表示；m是前方車輛尾部在圖像中陰影寬度的大??；S表示前方車輛在攝像設備的成像滿屏時，前方車輛尾部與攝像設備的距離。

本文采用的攝像設備分辨率是600×400，假定社會中的車輛的尾部寬度一致。最后得到最終測距公式為：

4 實驗結(jié)果

本文選取3段不同程度霧天的車載視頻進行實驗分析。3段分別為薄霧、中霧和濃霧的天氣情況，實驗結(jié)果如圖8所示，對于上述3段視頻的測距結(jié)果見表2。

由圖8可知，本文改進的去霧算法可以提高霧天圖像的清晰度，在交通圖像上，不僅使駕駛員關(guān)心的前方車輛區(qū)域得到了重點增強，而且對圖像過度增強的部分進行了有效的抑制，并且去霧后的圖像能夠更加清晰和準確地識別出前方行駛車輛。表2分別記錄了3段實驗中原圖和去霧后試驗車輛與前方行駛車輛的距離。由圖8和表2可知，薄霧環(huán)境下，去霧前后都能夠有效地辨別出行駛車輛，并且去霧前后測量前方車輛距離的數(shù)據(jù)相差不大，兩者的誤差不到1%；中霧環(huán)境下，去霧前能夠檢測出前方車輛尾部的垂直邊緣，但是存在較大的誤差，從而導致測距不夠精確，去霧后的圖像能更加精準地識別出車輛，去霧前后測量前方行駛車輛距離的數(shù)據(jù)存在較大的差異；濃霧環(huán)境下，原圖不能夠準確地識別出前方車輛，去霧后可以準確地識別出前方車輛，從而檢測出與前方行駛車輛的距離。

5 結(jié)束語

基于圖像處理技術(shù)，首先對霧天環(huán)境下交通圖像進行快速去霧，再通過邊緣檢測和霍夫變換獲得前方車輛的邊緣特征，最后通過測距模型測量出霧天環(huán)境下前車的車距。該方法圖像去霧不僅能更加準確地識別出前方車輛、提高前方車輛測距的準確性，而且能夠有效地測量出霧天環(huán)境下前車行駛車輛的車距。在能見度極差的濃霧環(huán)境下，原圖沒有有效車距輸出，去霧后測量車距9.49 m，在能見度小于100 m的情況下，能夠準確測量車距，能夠及時有效地向駕駛員示警，有效減少追尾事故的發(fā)生率，具有實際應用價值。但本文僅考慮了前方單個車道的車輛測距，對其他車道上的車輛沒有檢測，這具有一定的局限性?？梢栽诤罄m(xù)的研究中，針對惡劣天氣情況下，對前方行駛車輛完成測距測速等一系列的檢測，可以保障惡劣氣候下駕駛的安全性。

參考文獻：

［1］潘曉東，蔣宏，高昂.霧天高速公路交通事故成因分析及安全對策[J]．交通標準化，2006（10）：200-203．DOI：10.3869/j.issn.1002-4786.2006.10.060.

[2]胡平. 基于圖像分割的交通圖像快速去霧算法[J]. 計算機系統(tǒng)應用，2014， 23（9）： 134-138. DOI： 10.3969/j.issn.1003-3254.2014.09.025.

[3]毛祥宇，李為相，丁雪梅. 基于天空分割的單幅圖像去霧算法[J]. 計算機應用，2017，37（10）：2916-2920. DOI： 10.11772/j.issn.1001-9081.2017.10.2916.

[4]宋洪軍，陳陽舟，郜園園. 基于車道線檢測與圖像拐點的道路能見度估計[J]. 計算機應用，2012，32（12）：3397-3403. DOI： 10.3724/SP.J.1087.2012.03397.

[5]TOPAL C， AKINLAR C. Edge Drawing： A combined real-time edge and segment detector[J]. Journal of Visual Communication and Image Representation， 2012， 23（6）：862-872. DOI： 10.1016/j.jvcir.2012.05.004.

[6]AKINLARC， TOPAL C. EDLines： a real-time line segment detector with a false detection control[J]. Pattern Recognition Letters， 2011，32（13）：1633-1642. DOI： 10.1016/j.patrec.2011.06.001.

[7]KOHLER R. A segmentation system based on thresholding[J].Computer Graphics and Image Processing， 1981，15（2）：319-338.DOI：10.1016/S0146-664X（81）80015-9.

[8]李炎炎，龍偉，覃宏超，等. 基于車行視程與大氣光快速估值的車載視頻去霧算法[J]. 工程科學與技術(shù)，2017，49（3）：217-222. DOI： 10.15961/j.jsuese.201601407.

[9]陸士猛，劉昌錦. 無人機偵察圖像快速去霧算法[J]. 紅外技術(shù)，2015，37（10）：847-851.DOI： 10.11846/j.issn.1001_8891.201510008.

[10]HE K， SUN J， TANG X. Single image haze removal using dark channel prior[J]. Pattern Analysis and Machine Intelligence， IEEE Transactions on， 2011， 33（12）： 2341-2353.DOI：10.1109/TPAMI.2010.168.

[11]郭璠，蔡自興. 圖像去霧算法清晰化效果客觀評價方法[J]. 自動化學報，2012， 38（9）：1410-1419.DOI： 10.3724/SP.J.1004.2012.01410.

[12]CHENR B， ZHAO D， WANG Q L. Research on the algorithm of the front vehicle speed based on vehicle video[C]//29th Chinese Control and Decision Conference （CCDC）. Chongqing， China： IEEE， 2017：7719-7724. DOI： 10.1109/CCDC.2017.7978591.

[13]佟卓遠. 基于機器視覺的前方車輛檢測與測距系統(tǒng)設計[D]. 哈爾濱：哈爾濱工業(yè)大學，2015.