融合前照燈信息的夜間迎向車輛檢測?

孫 昊

（上海工程技術大學機械與汽車工程學院 上海 201620）

1 引言

由于近年來機器視覺領域的飛速發展，基于計算機視覺的智能交通將變得越來越實用。交通監控非常重要，尤其是在黑暗環境中，因為會出現許多交通問題，例如違法使用燈光、錯誤使用車道等。在黑暗環境中駕駛時，駕駛員通常會打開車前燈以在道路上獲得清晰的視野，這就導致某些駕駛員不按規定，違法使用遠光燈。為了使用機器視覺對夜間車前方信息進行識別與利用，本文將利用夜間車輛突出的前燈信息對車輛進行檢測，相機拍攝方向定為車的來向，來獲取車前燈圖像。夜間的前車燈會在地面上產生照明區域，盡管實際上該區域應屬于非車體的背景，但在車輛行駛時該區域會被分類為移動物體。地面照明的干擾會大大降低對車輛分割的準確性，并使在黑暗環境中的車體分割變得困難。

文獻［1~3］研究了在夜間條件下完成分割。在文獻［1］和文獻［2］中，使用一些推理規則來區分車前燈和地面照明，然后采用車前燈信息來表示車輛而不是整個車輛區域。在文獻［3］中，采用能夠提供熱輻射水平的紅外圖像來檢測和分類夜視交通場景中的障礙物。通過邊緣檢測，對稱檢測，金字塔鏈接和分類，可以檢測圖像中的汽車和行人。但是，它僅具有空間信息，這些信息不足以實現穩定的夜間車輛檢測。本文中基于時空信息，提出了一種在夜間（黑暗）環境下進行車流分析的方法，以實現根據車前照信息的車輛檢測。

2 方案框架

本文提出的車輛檢測方法的流程圖如圖1 所示。首先，采用變化檢測［4］來獲得初始目標蒙版OMi。然后，地面照明區域檢測模塊檢測到車前地面上的照明，然后將其從OMi移除。車輛前照燈檢測模塊包括用于汽車和非機動車（二輪或三輪車輛）的高亮度區域檢測和分類。然后車前燈信息用于目標補償，陰影區域預測，實現車輛檢測。在補償區域中被檢測為地面照明的像素將被補償為目標蒙版。最終，陰影檢測將檢測陰影像素并將其刪除以獲取最終的目標蒙版。

圖1 車輛檢測方法流程

3 地面反光檢測

為了減少目標分割的誤差區域，本文采用在不同光源條件下的顏色變化率［5］的思想來檢測地面照明的像素。路燈的顏色是黃色或白色，車輛前燈顏色同為黃色或白色。黃色的路燈使地面看起來更接近黃色，而白色的路燈則更接近藍色［6］。

車燈部分則是黃色（鹵素燈）車輛前燈引起的地面照明是偏于黃色的，而白色（LED燈）的車輛前燈從視覺上更偏向藍色［7］，如圖2所示。

圖2 車燈及其邊緣顏色

顯然，車前燈的地面照明區域肯定在車輛前方。此外，它增加了照明區域的亮度。通過估計OMi中背景區域的三個色彩通道平均值Rmean，Gmean和Bmean來將背景大致分為黃色和白色情況，如式（1）所示。式（2）描述了黃色和白色路燈的分類條件。

地面照明屬于前景區域，具有兩種類似于路燈的顏色情況。表1 顯示了四種地面照明情況。前燈比路燈更靠近地面，因此地面照明的顏色從視覺上來說更接近于前燈。

表1 不同顏色路燈與車前燈的情況下，地面光照顏色

在等式（3）中定義三個比率，Rratio，Gratio和Bratio。這些值表示每個顏色通道中的變化程度。在以下部分中，重點介紹表1 中所述的每種情況，以實現地面照明檢測。

其中Rc，Gc和Bc表示三通道當前幀的值。

在表1的情況（a）中，R，G和B分量的大小順序不變。此外，由于照明，飽和度的值減小并且強度值增大，因此B 通道的變化大于R或G通道。式（4-a）顯示了地面照明檢測的情況。

其中Idiff=Ic-Iback，Ic是當前幀的像素強度值，Iback是背景幀的強度值。如果Idiff<0，則將其設置為0。

在表1 的情況（b）中，黃色路燈背景中B通道分量的值小于R通道和G通道，但在地面照明區域中B值較大。因此，B的變化大于其他兩個通道。地面照明檢測的情況如式（4-b）所示。

在表1 情況（c）中，滿足Bback>Gback>Rback的關系。由于黃色車前照明，R分量的值變得比其他兩個通道大，因此R的變化更強。式（4-c）顯示了這種照明的情況。

表1 情況（d）與情況（a）相似。順序不變，飽和度值減小，因此Rratio大于Gratio或Bratio。情況如式（4-d）所示。

檢測之后，將屬于地面照明的像素從初始目標蒙版中刪除，以獲得更正確的分割結果。但是，某些被路燈照亮的車輛可能具有與地面照亮相似的特征，并被錯誤地檢測到。因此，本文提出了一種將屬于目標的像素補償回目標蒙版的方法。

4 最終蒙版獲取

4.1 車前燈檢測

為了實施車輛補償，首先檢測車輛前燈［8］。車輛前車是一種光源，因此與背景相比顯得相當明亮。為了不檢測背景中的其他明亮物體，只處理OMi的區域。

白色前車燈的強度值基本上為255［9］，但是對于黃色前照燈的強度值相對較低［10］。因此，對于兩種前照燈，都將R分量取為極大值［11。首先，估計前景區域中強度的動態范圍，并獲得最大和最小值Maxgray和Mingray。然后，通過等式（5）獲得灰度范圍Gr，然后確定光源的灰度間隔。最后，如式（6）所示，可以獲得檢測結果。

其中c是常數，在此方法中可預設置為10。

檢測后，可以獲取初始的前車燈信息，但是在某些情況下，例如太亮的地面照明可能會導致錯誤檢測［12］。因此，本文添加了一些規則以區分出前燈的誤檢，并進一步對汽車和非機動車燈進行分類。

每輛汽車都有一對前車燈，而每輛非機動車只有一個［13］。為了方便起見，燈光的中心點代表整體。首先，對于汽車，兩個大燈點的斜率必須較小［14］，在本文的方法中，將斜率閾值設置為0.2。此外，汽車前燈兩點之間的線段上的像素都應該屬于前景目標。但是，兩輛非機動車前燈兩點之間的線段上的一部分像素屬于背景，如圖3 所示。對于這輛非機動車，它的燈亮度較小，所以比較水平方向上的目標像素數量與垂直的光點。如果滿足稀薄條件，它將被分類為非機動車前燈。

圖3 二輛非機動車與汽車前燈對比

4.2 目標補償

在對大燈進行分類之后，使用汽車的兩個亮點之間的距離來確定目標區域［15］，并且該區域中的全部像素屬于目標車輛，劃分為目標蒙版，其余像素值較高的區域定為地面反光區域，劃分到補償區域。此外，對于非機動車，利用前燈像素的寬度確定非機動車的補償區域。將兩大類補償區域中像素點補償到目標蒙版，以提高分割的準確性。

4.3 陰影區域預測和檢測

根據物體的陰影會降低強度值，而不會改變地面信息的特征［16］。本文使用前燈信息來預測光下的區域并完成陰影檢測。利用文獻［17］中的概念，陰影使投射點的每個顏色分量變暗。此外，顏色成分不會更改其色階，并且描述顏色配置的光度不變特征也不會更改。在先前預測的區域中，采用如上所述方法來檢測可能的陰影像素，然后最后消除這些像素。最終獲取車輛檢測所需的最終蒙版，通過此蒙版進行目標圖像的車輛檢測。

5 實驗結果分析

為了獲得前照燈信息，本文只關注來向交通情況。車輛從圖像的頂部出現并在穿過底部后消失［18］。使用三個序列的車輛分割結果如圖4 所示。使用式（7）估算初始和最終目標蒙版的準確性，然后使用式（8）計算誤差改善率。

圖4 帶有原始幀，初始目標蒙版和最終目標蒙版的車輛分割結果

其中OMref（x，y）是理想的alpha 地圖，OMseg（x，y）是根據所提出的算法獲得的目標蒙版。

其中：

由實驗圖像結果及實驗數據結果可知分割的平均準確度分別從初始目標蒙版的56.78%，47.16%和47.44%提高到最終目標蒙版的94.39%，97.99%和97.22%，從而較為可靠地檢測出夜間行駛車輛。

6 結語

在本文中，提出了一種利用顏色變化和前燈信息的特征在夜間交通場景中對車輛分割從而實現車輛檢測的方法。可以從初始目標蒙版中大致消除地面照明，以獲得更可接受的結果，然后對初始蒙版進行改進，獲取最終目標檢測蒙版。實驗結果表明，當駕駛員在黑暗的環境中以中等流量行駛時正常打開車前時，可以較為可信地檢測到行駛車輛。