弱光濃霧背景行人探測(cè)方法研究

李 靜,韓 笑

(西安工業(yè)大學(xué),陜西 西安 710021)

1 引言

圖像是信息的重要載體,弱光濃霧背景以及戰(zhàn)場(chǎng)環(huán)境主被動(dòng)干擾會(huì)造成行人信息丟失,成像模糊等問題。紅外圖像具有全天候全時(shí)段工作能力,適用于溫差明顯的目標(biāo)和背景區(qū)域。可見光圖像在色彩信息、成像景深、圖像質(zhì)量上有著極其優(yōu)秀的表現(xiàn),但是易受亮度影響,難以在惡劣環(huán)境中提前發(fā)現(xiàn)行人[1]。

近年來,國內(nèi)外針對(duì)弱光濃霧環(huán)境下的目標(biāo)識(shí)別進(jìn)行過許多研究。Sun等人提出改進(jìn)多尺度Retinex低照度去霧算法[2],該算法運(yùn)算速度快,但可移植性差,且易造成顏色失真。韓志亮提出改進(jìn)暗通道先驗(yàn)算法[3],去霧效果優(yōu)秀,但是對(duì)于白色區(qū)域較多的弱光霧天圖像,該算法易出現(xiàn)局部失真。

針對(duì)上述問題和弱光濃霧背景探測(cè)行人的必要性和迫切性,本文采用Cobra寬光譜紅外面陣相機(jī)獲取弱光濃霧背景下行人的同光軸紅外與可見光圖像,提出了優(yōu)爆炸理論,引入了三個(gè)初始閾值和爆炸停止半徑加快了蟻群算法的迭代,改進(jìn)了信息素濃度增加方式便于尋找最優(yōu)閾值,通過改進(jìn)蟻群算法對(duì)紅外圖像進(jìn)行閾值尋優(yōu),完成自適應(yīng)閾值分割,標(biāo)定目標(biāo)位置。為了解決處理后圖像顏色失真問題,將尺寸不一的多個(gè)伽馬濾波器引入Retinex模型,在YUV色彩空間下Y通道對(duì)可見光圖像采用改進(jìn)算法進(jìn)行圖像去霧增強(qiáng)操作,將得到的圖像在U和V顏色通道進(jìn)行RGB逆變換,通過對(duì)應(yīng)紅外圖像目標(biāo)位置完成對(duì)此時(shí)可見光增強(qiáng)圖像目標(biāo)的探測(cè)。

2 紅外圖像目標(biāo)分割

2.1 自適應(yīng)閾值分割

局部閾值不再對(duì)整個(gè)矩陣有一個(gè)閾值,針對(duì)矩陣的每個(gè)位置都有相應(yīng)的閾值,這些閾值構(gòu)成了和輸入矩陣同等尺寸的矩陣。局部閾值分割的核心是計(jì)算閾值矩陣[4]。對(duì)低頻分量進(jìn)行自適應(yīng)閾值分割,將信息熵作為自適應(yīng)度,尋找最優(yōu)分割閾值。信息熵定義為

(1)

以閾值x將圖像分為目標(biāo)和背景區(qū)域。p(x)是此時(shí)灰度值出現(xiàn)概率。自適應(yīng)閾值分割法不僅能夠進(jìn)行單個(gè)目標(biāo)和背景的分割,也能進(jìn)行多個(gè)目標(biāo)和背景的分割,通過找到最合適的熵將目標(biāo)與背景差異放大達(dá)到識(shí)別目標(biāo)的目的。尋找最優(yōu)閾值x由改進(jìn)的蟻群算法完成。

2.2 蟻群算法

當(dāng)一只螞蟻在尋找覓食的路上,它會(huì)不停地釋放一些信息素,隨著時(shí)間的延長,該信息素不斷地被揮發(fā)。信息素的濃度越高,對(duì)后面螞蟻的影響就越多,隨著數(shù)量增加,這條道路中的信息素濃度增加,使得信息素的濃度與數(shù)量之間產(chǎn)生了正反饋關(guān)系。最終,通過螞蟻數(shù)量最多且其中信息素含量濃度最高的一個(gè)路徑便是最短的路徑[5]。

圖像包含了目標(biāo)、背景、邊界和噪聲。通過尋找目標(biāo)特征量來完成對(duì)圖像的分割,因?yàn)榛叶纫自谶吔琰c(diǎn)和噪音點(diǎn)發(fā)生突變,這種突變是圖像分割的重要依據(jù)。通過尋找像素點(diǎn)比灰度差閾值小的點(diǎn)完成提取背景像素特征。圖像每個(gè)像素都被視為灰度、梯度和鄰域?yàn)樘卣鞯娜S向量的螞蟻,將閾值分割轉(zhuǎn)換為不同特征的螞蟻搜尋實(shí)物源的過程,若任何兩個(gè)像素gi到g的距離為dij,則像素間的距離計(jì)算如下式(2),當(dāng)像素灰度值聚類半徑r大于dij時(shí),螞蟻選擇路徑的引導(dǎo)因子α取1,如下式(3)

(2)

(3)

gi到gj路徑的概率pij,β(t)是啟發(fā)式引導(dǎo)函數(shù),α和β為螞蟻選擇路徑的引導(dǎo)因子。S={gs|dsj≤r,s=1,2,…,n}表示可行路徑,隨著尋優(yōu)過程中路徑信息素濃度會(huì)變化,如下

(4)

2.3 改進(jìn)算法

螞蟻算法求解易陷入局部最優(yōu)解且搜索時(shí)間長,難以對(duì)圖像進(jìn)行實(shí)時(shí)處理。針對(duì)局部最優(yōu)問題,對(duì)螞蟻到食物源之間的距離進(jìn)行更新,提出優(yōu)爆炸理論,當(dāng)搜索到優(yōu)閾值時(shí),檢測(cè)到此時(shí)信息素濃度增加,即刻標(biāo)記此時(shí)優(yōu)螞蟻的位置同時(shí)向周圍半徑r的區(qū)域投放一枚炸彈,殺死所有不優(yōu)螞蟻(閾值小于優(yōu)螞蟻),此時(shí)半徑r內(nèi)的信息素清零,繼續(xù)進(jìn)行尋優(yōu)操作。為了避免爆炸半徑過大造成同一個(gè)區(qū)域出現(xiàn)多個(gè)優(yōu)值,同時(shí)為了避免爆炸半徑過小造成一副圖像出現(xiàn)多個(gè)不相交的爆炸圓,對(duì)爆炸半徑r的范圍采用先小后大的非線性變化,同時(shí)要求p次爆炸殺死不優(yōu)螞蟻后,其余螞蟻p+1次向此聚集,判斷此時(shí)得到全局優(yōu)解,停止迭代,故設(shè)立一個(gè)變量ω(隨著p的增加而線性增大,m=kω),當(dāng)爆炸半徑與最大半徑的商小于變量ω,停止迭代

(5)

蟻群算法是尋優(yōu)慢速算法,為了能夠加快運(yùn)行速度,在輸入待分割圖像之后,將閾值初始化設(shè)為256灰度級(jí)圖像中的64、128、192,初始化的三個(gè)閾值就是此時(shí)的食物源中心,以此展開小規(guī)模半徑為rstart的爆炸,經(jīng)歐式距離公式計(jì)算螞蟻i到食物源中心c距離d,計(jì)算與初始三食物中心c的相似度η=r/d

(6)

更新與食物源的距離,放置信息素濃度τi,若螞蟻i到初始閾值的距離不大于螞蟻的聚焦半徑r聚焦,信息素濃度τi為1,反之為0。信息素的濃度越大,影響越大,故對(duì)更多螞蟻經(jīng)過的路段進(jìn)行加成,提出式(7)

(7)

式中:Lj表示此條路所有螞蟻的總路程;Lij表示所有螞蟻的總路程。將待分割的圖像輸入,確定初始三閾值64、128、192,計(jì)算每只灰度值螞蟻到三食物源中心的歐式距離,運(yùn)用遇優(yōu)標(biāo)記爆炸理論更新類集合中螞蟻與食物源之間的距離,依次計(jì)算t時(shí)刻螞蟻路徑上的信息濃度、與初始食物源中心的相似度、到閾值集合的概率、類間所有像素的灰度值平均值,檢測(cè)是否滿足停止條件,不滿足則持續(xù)更新信息濃度和與初始食物源中心的相似度,進(jìn)行循環(huán),滿足停止條件,輸出此時(shí)的閾值即所求的最佳閾值。對(duì)弱光濃霧下的多位行人進(jìn)行閾值分割,結(jié)果如下圖1和2所示,能夠較好的將多位行人定位在拍攝的圖像中。

圖1 紅外圖像

圖2 閾值分割圖

3 可見光圖像增強(qiáng)算法

3.1 Retinex算法

Retinex算法能夠?qū)D像進(jìn)行去霧增強(qiáng)處理,感知到的顏色是光和物質(zhì)相互作用的產(chǎn)物,像素點(diǎn)的色彩由RGB三原色決定。物體的顏色由光波所具有的性質(zhì)決定,不受光強(qiáng)影響,具有一致性[6]。算法原理如下

S(x,y)=R(x,y)·L(x,y)

(8)

式中:S(x,y)為雙目最終成像,L函數(shù)為輸入波,R函數(shù)為反射波。Retinex算法原理核心是將光照強(qiáng)度對(duì)最終成像質(zhì)量的影響降低或徹底消除,以此增加圖像質(zhì)量。多尺度Retinex(MSR)ri(x,y)即對(duì)N個(gè)通道的單尺度Retinex的輸出結(jié)果Wk進(jìn)行線性加權(quán)所得[7,8],如下式(9)

(9)

3.2 YUV色彩空間

Cobra寬光譜紅外面陣相機(jī)采集的是RGB可見光圖像,MSR算法對(duì)RGB三通道處理時(shí)會(huì)造成顏色失真。YUV色彩空間將亮通道Y和色度U和濃度V通道分離[9],其中YUV與RGB轉(zhuǎn)換如式如下

(10)

人眼對(duì)圖像亮度的敏感超過色度和濃度,Retinex算法旨在將光強(qiáng)對(duì)成像質(zhì)量的影響降低或消除,故將可見光圖像亮度空間單獨(dú)拿出來,對(duì)其進(jìn)行MSR圖像增強(qiáng)去霧處理,再將處理后的圖像同原圖像U和V通道進(jìn)行RGB逆變換,得到保留完整色彩信息的去霧增強(qiáng)圖像。弱光濃霧圖像如下圖3所示,其YUV變換圖像如下圖4,亮度通道Y內(nèi)的圖像如下圖5,經(jīng)過改進(jìn)MSR圖像去霧增強(qiáng)處理的圖像如下圖6,將圖像同原圖像U和V通道進(jìn)行RGB逆變換,得到圖像如圖7,可見圖像質(zhì)量和清晰度得到了明顯的提升,且凸顯了未在可見光成像中清晰顯示的目標(biāo)和背景信息,但處理后的圖像卻出現(xiàn)了明顯光暈現(xiàn)象。

圖3 清晨弱光濃霧圖像

圖4 YUV圖像

圖5 弱光濃霧圖像Y通道圖像

圖7 RGB逆變換圖像

3.3 改進(jìn)算法

改進(jìn)多尺度Retinex算法的環(huán)繞函數(shù)是高斯函數(shù),不適用于所有霧景條件,處理弱光濃霧圖像后易出現(xiàn)光暈現(xiàn)象,如上圖7。對(duì)于Retinex算法能否較好的提取圖像細(xì)節(jié),關(guān)鍵是找到一個(gè)合適的低通濾波器。對(duì)低照度下的霧景圖像(圖8)噪聲分布曲線進(jìn)行擬合,其(圖9)服從伽馬曲線分布,是由多個(gè)服從指數(shù)分布的噪聲(圖10)疊加而來[10],如下

圖8 弱光濃霧圖像

圖9 圖像噪聲分布圖 圖10 伽馬曲線分布

E=-ln[1-U(0,1)]/a

(11)

在橫向自適應(yīng)濾波器中,用Gamma算子G(z-1)=(1-m)z-1/1-mz-1代替純延遲算子z-1得到Gamma濾波器。將待處理的像素同中心像素相距固定伽馬參數(shù)值的像素的平均值來代替,用選中區(qū)域像素的均值來代替待處理像素。伽馬濾波的包括處理噪聲優(yōu)秀、大量像素細(xì)節(jié)和特征將會(huì)保留、不會(huì)對(duì)圖像進(jìn)行改動(dòng)和計(jì)算效率的特點(diǎn)。伽馬函數(shù)具有濾波特性,在弱光濃霧背景下具有更好的去霧能力,本文將多個(gè)伽馬濾波函數(shù)引入到改進(jìn)Retinex算法中,增強(qiáng)圖像的細(xì)節(jié)顯示,更好的處理弱光濃霧圖像。

對(duì)于改進(jìn)Retinex算法存在問題,本文采用重排圖像灰度級(jí),引入符合人眼感知能力的YUV空間,將RGB圖像轉(zhuǎn)換到Y(jié)UV空間并對(duì)色度和亮度進(jìn)行結(jié)合,優(yōu)化灰度級(jí)算法表達(dá)式如下

lgI=λh·IB(x,y)+β·ID(x,y)

(12)

式中:I為處理后的圖像;λh為細(xì)節(jié)層常數(shù)系數(shù);β為基本層圖像增益系數(shù),控制圖像細(xì)節(jié);IB為細(xì)節(jié)層函數(shù);ID為基本層函數(shù);

本文算法只需對(duì)Y分量進(jìn)行最小加權(quán)二乘法計(jì)算得到增強(qiáng)圖像,降低算法難度[11]。將待處理的圖像由RGB空間轉(zhuǎn)換到Y(jié)UV空間,對(duì)空間內(nèi)的U和V分量進(jìn)行空域?yàn)V波處理,過濾后的信號(hào)就是細(xì)節(jié)層。對(duì)Y通道的亮度層進(jìn)行引導(dǎo)濾波,并求均值使圖像分層,對(duì)分層后的圖像分別構(gòu)造對(duì)應(yīng)系數(shù)進(jìn)行增強(qiáng)。將細(xì)節(jié)層和基本層進(jìn)行重構(gòu),進(jìn)行顏色恢復(fù),得到最后的圖像。

4 實(shí)驗(yàn)與分析

實(shí)驗(yàn)條件設(shè)置為:Matlab2019a。從相機(jī)廠家提供的圖像數(shù)據(jù)庫中獲取弱光濃霧背景下行人的同光軸紅外與可見光圖像(圖11和圖14),對(duì)紅外圖像進(jìn)行改進(jìn)蟻群算法的自適應(yīng)閾值分割,將紅外圖像分為目標(biāo)(行人)和背景兩部分(圖13),標(biāo)定目標(biāo)位置,對(duì)可見光圖像采用YUV色彩空間下改進(jìn)的Retinex算法進(jìn)行除霧,按照同光軸紅外圖像標(biāo)定目標(biāo)位置對(duì)可見光相同位置進(jìn)行標(biāo)定。將本文的紅外圖像閾值分割法同改進(jìn)局部OTUS算法得到圖像(圖12)進(jìn)行比較,將本文的YUV空間下改進(jìn)的Retinex算法對(duì)可見光弱光濃霧圖像進(jìn)行增強(qiáng)除霧的圖像(圖17)同改進(jìn)多尺度Retinex算法得到的圖像(圖15)和改進(jìn)暗通道先驗(yàn)去霧算法得到圖像(圖16)進(jìn)行比較。引入熵、均值、平均梯度和標(biāo)準(zhǔn)差作為客觀指標(biāo)對(duì)圖像進(jìn)行定量分析,對(duì)弱光濃霧圖像分別進(jìn)行十次不同算法的處理并利用Matlab2019a對(duì)處理后的圖像進(jìn)行客觀評(píng)價(jià)分析,對(duì)客觀指標(biāo)取平均值,如表1所示。

表1 客觀評(píng)價(jià)指標(biāo)比較

圖11 弱光濃霧紅外圖像

圖12 改進(jìn)局部OTUS算法閾值分割圖像

圖13 改進(jìn)蟻群算法的自適應(yīng)閾值分割圖像

圖14 弱光濃霧可見光圖像

圖15 改進(jìn)MSR算法

圖16 改進(jìn)暗通道先驗(yàn)去霧算法

圖17 本文改進(jìn)算法

圖像熵越大,圖像信息越多。均值越高,圖像越亮。平均梯度越高,圖像越清晰。標(biāo)準(zhǔn)差越大,圖像灰度級(jí)分別越分散,圖像質(zhì)量也就越好。本文改進(jìn)算法在熵、平均梯度、標(biāo)準(zhǔn)差三項(xiàng)指標(biāo)上都是優(yōu)于改進(jìn)MSR算法和改進(jìn)暗通道去霧算法,在均值這項(xiàng)指標(biāo)上略低于改進(jìn)暗通道去霧算法。據(jù)表1中客觀評(píng)價(jià)指標(biāo)所示,本文提出的改進(jìn)算法比改進(jìn)MSR算法清晰度提升了322.1%,質(zhì)量提高了90.9%,比改進(jìn)暗通道去霧算法清晰度提升了71.95%,質(zhì)量提高了53.7%,且主觀視覺上具有更好的色彩信息,較好的解決了經(jīng)MSR算法處理弱光濃霧圖像帶來的彩色光暈問題,較好的完成了弱光濃霧背景下的行人探測(cè)工作。

5 結(jié)束語

本文提出了一種弱光濃霧背景行人探測(cè)方法,首先通過改進(jìn)蟻群算法的自適應(yīng)閾值分割法對(duì)紅外圖像進(jìn)行閾值分割,標(biāo)定目標(biāo)位置,然后通過YUV色彩空間下改進(jìn)的伽馬濾波多尺度Retinex算法對(duì)可見光圖像完成圖像增強(qiáng)和去霧操作,將可見光圖像中的目標(biāo)(行人)按照紅外圖像已標(biāo)定位置進(jìn)行探測(cè),通過實(shí)驗(yàn)驗(yàn)證,本算法能夠較好的完成弱光濃霧圖像行人探測(cè)工作,處理后的圖像質(zhì)量優(yōu)于本文列出的具有代表性的兩種算法,為霧天行車安全提供了保障。