基于圖像處理的夜視車輛檢測*

陳柏生

（華僑大學 計算機學院，福建 泉州 362021）

基于計算機視覺和圖像處理的交通監控技術具有成本低、可擴展性好的特點，而且能夠提供比傳統的地埋式感應線圈技術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控國內外都已經做了大量的研究工作，并取得了一些重要的成果[1-3]。然而，作為全天候交通監控的一部分，夜間條件下的車輛監控因其復雜的光照條件一直是一個十分棘手的難題。一些發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]。

目前為數不多的關于夜間交通監控的研究都是在環境照度低、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跟蹤和識別成為可能。本文根據夜間交通的不同環境特點，把夜間交通區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，并導入相應的處理流程（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處理，消除車燈、地面反光和環境光線的影響，然后結合幀間差分技術和級聯形態學濾波提取車輛區域；對于低照度的情況，先檢測車燈對并計算車燈對間距，然后根據車輛的結構知識定位車體。

圖1 系統流程

1 環境照度判別

結合亮度和對比度判別夜間交通場景環境照度情況，由此決定此后將采用的檢測算法和相關系統參數。圖 2（a）、圖 2（c）是兩幅典型的夜間交通圖像，分別對應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別的特點：在充足照明條件下，圖像亮度分布在一個狹窄區間，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，它們分別對應黑暗背景和車燈及路面反射光區域，灰度直方圖呈雙峰造型，如圖2（d）所示。

利用上述夜間交通場景特點，采用直方圖分析技術實現環境照明情況的判別。其步驟如下：

（1）統計圖像亮度平均值 al；

（2）使用 OTSU方法[9]將直方圖劃分成相互區隔的兩部分；

（3）檢測兩部分的峰點對應的亮度值，設高亮度值為 h，低亮度值為l，計算兩者距離d=h-l；

（4）如滿足 al＜Tal且 d＞Td，則判別為低照度，否則判別為充足照明。

2 充足照明車輛檢測

2.1 梯度濾波預處理

梯度濾波后的效果如圖3（d）所示。

2.2 幀間差分

由于車燈和路面反光的影響，交通場景光線變化頻繁，要獲得穩定可靠的夜間背景圖像非常困難，因此本文使用幀間差分方法提取運動前景。幀間差分通過在相鄰幀做差來檢測運動區域，其實現簡單、運算速度快，而且能夠避免由于背景中的車輛運動導致的“鬼影”問題。幀間差分方法的缺點是容易在運動區域產生空洞，本文使用級聯形態學濾波處理進行補償。在實驗中發現，三幀差分方法能夠比其他幀間差分方法獲得更優的全局檢測效果，并且對攝像機抖動引入的噪聲有很強的抵抗性能。效果如圖3（e）所示。設當前幀為In，與相鄰幀差分圖像為 Dn，則

進一步對差分圖像進行二值化處理：

其中，二值化閾值 Tn（i，j）由以該像素點為中心的尺度Nη的滑動窗口 η（x，y）獲得：

2.3 級聯形態學濾波處理

路面反光、環境光線變化以及攝像機抖動引入的圖像噪聲經過梯度濾波預處理后并沒有被完全消除，仍然有一些細小的殘余噪聲被作為前景像素在幀間差分操作中被檢測出來。為了進一步消除這些細小噪聲的影響和填充幀間差分造成的空洞，采用級聯形態學濾波方法進行處理，即交替使用開、閉運算來達到雙邊濾波的目的：

其中，開運算XoS是對腐蝕圖像XΘS用膨脹進行恢復；閉運算X·S可看作是對膨脹圖像X⊕S用腐蝕進行恢復。處理后的效果如圖3（f）所示。最終，充足照明的車輛檢測結果如圖3（g）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。結合車輛結構的相關先驗知識有助于快速、準確地檢測車燈。

2016年9月22日該站主體基坑開始土方開挖，開挖方向由南向北，采用中拉槽開挖方式。2016年9月22日至2016年11月29日土方開挖對應工況見表1。

本文使用的先驗知識如下：

（1）車燈區域是具有一定面積的高亮區域，利用這一特征可以排除大面積的路面反光區域；

（2）車燈區域形狀近似圓或橢圓，利用這一特征可以排除環境光線引入的非似圓噪聲區域；

（3）車燈總是成對出現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

（1）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，它們分別對應黑暗背景和高亮的車燈及路面反光，統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的亮度值，取高亮度峰值作為閾值對圖像進行二值化，結果如圖4（b）所示。

（3）確定車燈對。給定候選車燈區域R1和R2，其面積和緊致度分別為A1、C1和 A2、C2，計算 R1、R2圖像坐標中心的水平和垂直距離分別為dx和dy，如滿足式（6），則認為R1、R2是屬于同一輛車的一對車燈（如圖4（e）所示）：

其中，TA、TC是候選車燈區域面積和圓度相似度閾值，Tdy是車燈中心垂直距離閾值，Tdx1和Tdx2限制車燈對間距大小范圍。

最終低照度車輛檢測的效果如圖4（f）所示。

4 實驗結果與分析

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k=128，幀間差分閾值滑動窗口大小為5×5，形態學濾波器采用形狀保持較好的圓形結構元，4次交替開閉操作使用的結構元半徑依次為 4、6、5、13；（3）低照度下用于車燈檢測的面積閾值 Amax=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幀圖像的檢測結果，全部幀序列中車輛檢測率統計情況如表1所示。

表1 車輛檢測率

由實驗中數據可以看出，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域基本上被梯度濾波預處理消除。誤檢主要發生在兩種情況：（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域未能被梯度濾波預處理消除，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為是一對。在道路車輛較多的狀況下漏檢現象較多。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結成難以區分的整片。

本文提出了一種夜間車輛檢測的新思路，即根據場景光照將夜間交通自動區分為有路燈照明和無路燈照明兩種情況，并分別設計相應的處理流程檢測夜間行駛的車輛。實驗結果表明，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車輛檢測方法提供更豐富的信息用于監控系統后續的車型識別和車輛跟蹤。利用檢測結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。

[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控[J].自動化學報，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， etal.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 reasoningforatraffic 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 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.