摘 要： 根據(jù)環(huán)境照度將夜間交通場景區(qū)分為充足照明和低照度兩種情況，分別設(shè)計相應(yīng)的處理流程檢測運動車輛,。針對充足照明的情況,，先使用梯度濾波消除路面反光的干擾，再進行幀間差分檢測運動區(qū)域,，最后使用級聯(lián)形態(tài)學(xué)濾波消除噪聲點和填充幀間差分方法導(dǎo)致的車體區(qū)域空洞,。針對低照度情況，引入先驗知識檢測車前燈,，并利用車燈間距判別車型大小,，最后結(jié)合車輛的造型知識定位車體。對多段典型的夜間交通場景視頻進行了測試，實驗結(jié)果表明,，該方法能夠有效地檢測夜間行駛車輛,。
關(guān)鍵詞： 交通監(jiān)控； 計算機視覺,； 梯度濾波,； 先驗知識
基于計算機視覺和圖像處理的交通監(jiān)控技術(shù)具有成本低、可擴展性好的特點,，而且能夠提供比傳統(tǒng)的地埋式感應(yīng)線圈技術(shù)更為豐富和深層次的交通信息,。目前，對日間條件下的交通監(jiān)控國內(nèi)外都已經(jīng)做了大量的研究工作,，并取得了一些重要的成果[1-3],。然而，作為全天候交通監(jiān)控的一部分,，夜間條件下的車輛監(jiān)控因其復(fù)雜的光照條件一直是一個十分棘手的難題,。一些發(fā)達國家采用安裝紅外攝像機來獲取夜間道路圖像[4-5]，這種方法在檢測夜間行人時非常有效,，但是在檢測夜間行駛的車輛時,，仍然會受到車頭燈的強光、地面反射光和環(huán)境光線的影響,，而且紅外攝像機價格昂貴。因此,，目前較為通用的方法仍然是采用普通CCD攝像機拍攝夜間圖像,，通過檢測圖像中的車頭燈來檢測車輛[6-8]。
目前為數(shù)不多的關(guān)于夜間交通監(jiān)控的研究都是在環(huán)境照度低,、車體少部分可見的情況下進行的,，提取車燈這一顯著特征作為車輛檢測的依據(jù)自然就成為了首選方案。事實上,，目前大中城市的道路夜間光照條件普遍較好,，車體可見度較高，因此提取車燈不再是夜間車輛檢測的唯一方案,，檢測出車體輪廓進而實現(xiàn)跟蹤和識別成為可能,。本文根據(jù)夜間交通的不同環(huán)境特點，把夜間交通區(qū)分為充足照明和低照度兩種情況,，并采用不同策略進行處理,。首先利用亮度分布的顯著差異自動地判別兩種情景，并導(dǎo)入相應(yīng)的處理流程（如圖1所示）,。對于充足照明的情況,，先使用梯度濾波對輸入圖像進行預(yù)處理，消除車燈、地面反光和環(huán)境光線的影響,，然后結(jié)合幀間差分技術(shù)和級聯(lián)形態(tài)學(xué)濾波提取車輛區(qū)域,；對于低照度的情況，先檢測車燈對并計算車燈對間距,，然后根據(jù)車輛的結(jié)構(gòu)知識定位車體,。
1 環(huán)境照度判別
結(jié)合亮度和對比度判別夜間交通場景環(huán)境照度情況，由此決定此后將采用的檢測算法和相關(guān)系統(tǒng)參數(shù),。圖2（a）,、圖2（c）是兩幅典型的夜間交通圖像，分別對應(yīng)充足照明和低照度的情況,。由圖可見,，它們在亮度和對比度上有一些顯著區(qū)別的特點：在充足照明條件下，圖像亮度分布在一個狹窄區(qū)間,，具有較高強度值,，灰度直方圖呈較顯著的單峰造型，如圖2（b）所示,；在低照度條件下,，亮度分布高度集中在一個極高值和極低值附近，它們分別對應(yīng)黑暗背景和車燈及路面反射光區(qū)域,，灰度直方圖呈雙峰造型,，如圖2（d）所示。
3 低照度車輛檢測
3.1 先驗知識
在低照度條件下,，車體大部分被淹沒在背景中而不可見,，如圖4（a）所示，車燈幾乎成為車輛唯一可利用的顯著特征,，因此通過檢測圖像中的車燈來檢測車輛就成為很自然的選擇,。結(jié)合車輛結(jié)構(gòu)的相關(guān)先驗知識有助于快速、準(zhǔn)確地檢測車燈,。
本文使用的先驗知識如下：
?。?）車燈區(qū)域是具有一定面積的高亮區(qū)域，利用這一特征可以排除大面積的路面反光區(qū)域,；
?。?）車燈區(qū)域形狀近似圓或橢圓，利用這一特征可以排除環(huán)境光線引入的非似圓噪聲區(qū)域,；
?。?）車燈總是成對出現(xiàn)且位置大致處于同一水平線上，形狀和面積近似,，利用這一特征可以最終確定車燈對,。
3.2 檢測車燈對
?。?）圖像二值化。低照度條件下,，圖像亮度集中在一個極高值和一個極低值附近,，它們分別對應(yīng)黑暗背景和高亮的車燈及路面反光，統(tǒng)計灰度直方圖呈顯著雙峰型,。因此,，可以很方便地計算出峰值對應(yīng)的亮度值，取高亮度峰值作為閾值對圖像進行二值化,，結(jié)果如圖4（b）所示,。
4 實驗結(jié)果與分析
對充足照明和低照度兩種場景進行了實驗，主要參數(shù)配置如下：（1）用于場景照度判別的亮度和對比度閾值Tal=60,，Td=150,；（2）充足照明條件下用于車輛檢測的梯度濾波系數(shù)k=128，幀間差分閾值滑動窗口大小為5×5,，形態(tài)學(xué)濾波器采用形狀保持較好的圓形結(jié)構(gòu)元,，4次交替開閉操作使用的結(jié)構(gòu)元半徑依次為4、6,、5,、13；（3）低照度下用于車燈檢測的面積閾值A(chǔ)max=150,，Amin=50,，緊致度閾值Cmax=50，用于確定車燈對的面積比閾值TA=0.9,，圓度比閾值TC=0.8,，水平中心距閾值Tdx1=10，Tdx2=30,，垂直中心距閾值Tdy=3。圖5（a）,、圖5（b）分別是對充足照明場景下600幀圖像和低照度場景下750幀圖像的檢測結(jié)果,，全部幀序列中車輛檢測率統(tǒng)計情況如表1所示。
由實驗中數(shù)據(jù)可以看出,，對于兩種夜間交通場景,，采用本文方法基本可以達到較好的檢測率，誤檢率都比較低,，主要是因為實驗中最大的干擾因素,，也就是路面的反光區(qū)域基本上被梯度濾波預(yù)處理消除。誤檢主要發(fā)生在兩種情況：（1）在充足照度條件下,，大型車輛投射出強烈的燈光在路面形成的大面積強反光區(qū)域未能被梯度濾波預(yù)處理消除,，而被作為運動前景錯誤檢出,；（2）在低照度條件下，當(dāng)兩車平行行駛且距離較近,，至少有一個車燈漏檢時,，可能會把分別屬于兩輛車的兩個車燈誤認(rèn)為是一對。在道路車輛較多的狀況下漏檢現(xiàn)象較多,。漏檢主要是由于以下幾個原因引起的：（1）車輛相互遮擋,；（2）大型車輛投射的濃重陰影覆蓋其他車輛；（3）多車輛的強烈前照燈光將車輛聯(lián)結(jié)成難以區(qū)分的整片,。
本文提出了一種夜間車輛檢測的新思路,，即根據(jù)場景光照將夜間交通自動區(qū)分為有路燈照明和無路燈照明兩種情況，并分別設(shè)計相應(yīng)的處理流程檢測夜間行駛的車輛,。實驗結(jié)果表明,，本文方法可以較好地檢測有無路燈照明兩種情況下的行駛車輛，能比單純使用車燈特征的傳統(tǒng)車輛檢測方法提供更豐富的信息用于監(jiān)控系統(tǒng)后續(xù)的車型識別和車輛跟蹤,。利用檢測結(jié)果進一步開展車型識別和車輛跟蹤的研究將是今后工作的方向,。
參考文獻
[1] MICHALOPOULOS P G. Vehicle detection video through image processing： the autoscope system[J]. IEEE Transactions on Vehicular Technology， 1991,， 40（1）：21-29.
[2] OH J,， LEONARD J D II. Vehicle detection using video image processing system： evaluation of PEEK videotrak[J]. Journal of Transportation Engineering， 2003,，129（4）：462-465.
[3] 樓建光,，柳崎峰，譚鐵牛,，等.基于三維模型的交通場景視覺監(jiān)控[J].自動化學(xué)報,，2003，29（3）：433-449.
[4] SCHREINER K． Night vision： infrared takes to the road[J].IEEE Computer Graphics and Applications,， 1999,，19（5）：6-10.
[5] TSUJI T， HATTORI H,， WATANABE M,， et al．Development of night-vision system[J]．IEEE Transactions on Intelligent Transportation Systems，2002,，3（3）：203-209.
[6] RITA C,， MASSIMO P， PAOLA M． Image analysis and rule-based reasoning for a traffic monitoring system[J]. IEEE Transactions on Intelligent Transportation Systems,，2000,，1（2）：119-130.
[7] 劉勃，周荷琴,，魏銘旭.基于顏色和運動信息的夜間車輛檢測方法[J].中國圖象圖形學(xué)報,，2005,，10（2）：187-189.
[8] 王鵬，黃凱奇.基于視頻的夜間高速公路車輛事件檢測[J].中國圖象圖形學(xué)報,，2010,，15（2）：301-306.
[9] OTSU N． A threshold selection method from gray-level histognun[J]． IEEE Transactions on Systems， Man and Cybernetics,， 1979,，9（1）：62-66.