基于Retiex算法的視頻監控系統設計與測試

摘 要：為提高公路監管部門的監管水平，設計基于圖像處理技術的智慧公路視頻監控系統。以智慧公路視頻監控系統結構為基礎，分析智慧公路視頻監控系統的動態性和智能性，確定其對攝像頭采集的視頻圖像質量的影響后，基于色彩恢復多尺度Retiex算法，增強視頻圖像通道，并利用雙伽馬校正算法校正增強后的視頻圖像；在此基礎上，基于Otsu閾值分割方法檢測公路交通異常目標。測試結果顯示，該系統視頻圖像處理效果良好，能夠全面完成公路上不同狀況的檢測，精準確定主路違章情況、市內快速路擁堵情況、小路事故情況、肇事逃逸車輛行駛情況等，提升交通管理水平。

關鍵詞：圖像處理技術；智慧公路；圖像增強；圖像校正；異常目標檢測

中圖分類號：TP317.4""""""""""""""""""""""""""" 文獻標識碼：A""""""""""""""""""""""""""" 文章編號：1001-5922（2024）07-0152-04

Design and testing of video surveillance system based

on Retiex algorithm

ZHOU Qi1， WANG Shenghua1， PAN Jiangsai2

（1. Jiangxi Provincial Smart Transportation Affairs Center，Nanchang 330002，China；

2. Zhongke Soft Technology Co.，Ltd.，Beijing 100190，China）

Abstract： In order to improve the supervision level of the highway supervision department， a smart highway video surveillance system based on image processing technology was designed. Based on the structure of the smart highway video monitoring system， the dynamics and intelligence of the smart highway video surveillance system were analyzed， and its influence on the video image quality collected by the camera was determined， and the video image channel was enhanced based on the color recovery multi?scale Retiex algorithm， and the enhanced video image was corrected by the double gamma correction algorithm.On this basis， the Otsu threshold segmentation method was used to detect abnormal road traffic targets. The test results showed that the video image processing effect of the system was good， and it could comprehensively detect different conditions on the highway， accurately determined violations on the main road， congestion on urban expressways， minor road accidents， and the driving situation of vehicles causing accidents and escaping， and improved the level of traffic management.

Key words： image processing technology；smart highway；image enhancement；image correction；abnormal target """""""""""Detection

公路視頻監控系統是一種利用合理的技術手段對道路交通進行實時監控和管理的系統［1］，可以通過監控攝像頭等設備獲取道路交通的實時視頻圖像，依據視頻圖像實現對道路交通的智能化監控和管理［2］。

在監測過程中，天氣的變化、車輛的擁擠程度、攝像頭的清晰度以及通信效果等因素，均會降低系統的檢測水平［3］。為提升系統的監控效果，以嵌入式Web為核心，結合網絡傳輸協議，實現視頻同步監控［4］。針對交通違章監測為目標，采用特征融合的方式進行車輛識別，以此實現交通違章管理［5］。圖像處理技術指的是通過計算機對圖像進行某種所需的處理和計算，以此獲取圖像中所需的信息［6］。為此，為實現智慧公路視頻監控，設計基于圖像處理技術的智慧公路視頻監控系統。

1"" 智慧公路視頻監控系統設計構建

1.1"" 智慧公路視頻監控系統以及特征情況

智慧公路視頻監控系統是以監控攝像設備為基礎，實時獲取公路交通整個狀態和情況的視頻圖像，并將監測信息傳送至監控中心，監控中心依據視頻圖像對交通情況進行檢測和分析，并通知公路管理人員進行路況核實以及處理。

智慧公路視頻監控系統主要包含攝像設備、監控中心2個部分。攝像設備是該系統實現監測的依據，其主要是通過攝像頭獲取公路上的車輛、行人的交通情況，采集公路上所有通行車輛的行駛狀態；監控中心則是依據攝像設備采集的視頻圖像進行交通分析，判斷公路是否發生擁堵、交通事故以及車輛違章等情況，并且可進行異常車輛檢測，并將分析和檢測結果發送至公路管理人員，相關人員可對監測情況進行核實和處理［7］。

智慧公路視頻監控系統具有較好的動態性和智能性，動態性指的是實體在動態演變過程中，位置、屬性等會發生實時變化，例如車輛行駛過程中的空間位置會發生變化、攝像頭在監測過程中監測角度會發生變化［8］、車輛行駛過程中車窗拋出物品的形態會發生變化等；智能性指的是該系統能夠通過相關智能技術進行公路路情的檢測和分析［9］，可自主完成采集信息的傳送，并且管理人員能夠完成信息的接收的認知。

依據上述智慧公路視頻監控系統的結構和特性可知，該系統在監測過程中，監測目標具有顯著運動特性，并且會受到環境變化的影響［10］，該情況對于攝像頭的視頻圖像采集質量造成較大影響，會導致拍攝的視頻圖像發生模糊、鬼影、退化以及圖像亮度損失等現象，因此，為保證該系統的監控效果，需結合系統的運行特性，采用合理的圖像處理技術對攝像頭獲取的視頻圖像進行處理，以此保證監控的可靠性［11］。

1.2"" 基于圖像處理技術的公路視頻圖像增強

1.2.1"" 基于色彩恢復多尺度Retiex算法的視頻圖像"" 增強依據上述小節的分析，文中為保證智慧公路視頻監控系統的監控效果，精準監測公路交通違章等情況［12］，采用基于色彩恢復多尺度Retiex算法實現監控視頻圖像增強。算法的整體流程如圖1所示。

如果獲取的監控視頻圖像用S（x，y）表示，對其進行分解后可形成反射圖個入射圖，分別用R（x，y）和L（x，y）表示，則：

[S（x，y）=L（x，y）×R（x，y）]""""""""nbsp;""""" （1）

式中：[（x，y）]表示像素；[R（x，y）]用于描述反射性質應最大程度的保留部分；[L（x，y）]用于描述圖像像素動態范圍內最大程度的去除部分。

該算法的核心原理是有效解決原圖像中的照射光的影響，獲取圖像的反射性質，以此完成圖像增強［13］，在增強過程中，需將原始視頻圖像轉換至對數域中，以此將原始圖像的RGB圖像轉換為Y、U、V色彩空間，轉換公式為：

[YUV=0.299-0.1480.615"" 0.587-0.289-0.515"" 0.1140.437-100RGB]"""""""""" （2）

式中：[Y]表示圖像明亮度；[U]和[V]表示圖像色彩飽和度。

依據式（2）完成原始圖像色彩空間的轉換后，分別對獲取的[Y]、[U]和[V]的色彩通道進行增強處理。

（1）[Y]通道亮度增強。[Y]通道主要是描述圖像的明亮度，因此為實現該通道的增強處理，文中則設定亮度自適應調節因子。該因子采用最小可覺差（JND）閾值的倒數描述，并將其作為[L（x，y）]的系數，以此實現亮度的自適應調節，其計算公式為：

[r（x，y）=n-1NwnlogY（x，y）-"""""""""""""" AlogFn（x，y）×Y（x，y）]"""""" （3）

式中：[wn]表示權值；[Y（x，y）]表示[Y]通道的像素值；[Fn（x，y）]表示中心環繞函數；[N]表示像素數量。

JND是靜止圖像信號的特征函數，在理想情況下，JND能夠完成每一個信號編碼的閾值水平誤差可見度的賦值，JND的計算公式為：

[JND=maxfib（x，y），m（x，y）， f2b（x，y）]""" （4）

[fib（x，y），m（x，y）=，m（x，y）ab（x，y）+βb（x，y）] （5）

[f2b（x，y）=T01-b（x，y）127+3，b（x，y）≤127γb（x，y）-127+3，b（x，y）gt;127]"" （6）

式中：[（x，y）]附近的平均背景亮度用[b（x，y）]表示；[（x，y）]的亮度最大加權平均值用[m（x，y）]表示；[fi（x，y）]表示空間掩蔽效應；[f2（x，y）]表示亮度的可見度閾值；[T0]表示初始亮度分布情況；[γ]表示亮度系數；127表示亮度值，顏色值大于127算亮，小于127算暗。

依據JND完成圖像亮度自適應調節，能夠將圖像中暗區域大部分保留，將亮度區域大部分去除，以此在保證圖像細節信息的前提下，有效完成圖像亮度不均勻的處理［14?15］；實現Y通道亮度增強。

（2）U和V的通道調節，依據上述步驟完成Y通道亮度增強后，則進行U和V的通道調節，該調節是按照約一定比例對色差信號進行調整，其公式為：

[U=R-YV=B-Y]""""""""""""""""""""""""""" （7）

通過式（7）的計算保證圖像色彩信息不會發生改變。若亮度調整前后的變化率為[ηy]，其計算公式為：

[ηy=y2y1]"""""""""""""""""""""""""""""" （8）

式中：[y2]和[y1]分別表示增后亮度和原始視頻圖像亮度的信號結果。

RGB 3個通道也遵守該變化規律，即：

[ηy=g2g1=b2b1=r2r1]""""""""""""""""""""" （9）

在[ηy]的基礎上，依據式（2）完成U和V的通道的增強，其公式為：

[U2=128+ηy×0.493（B-Y）V2=128+ηy×0.877（R-Y）]""""""" （10）

結合[Y]通道亮度增強和[U]和[V]的通道調節，即可獲取增強后的監控視頻圖像I（x，y）。

1.2.2"" 監控視頻圖像校正

通過上述內容即可完成Y、[U]和[V]的色彩通道的增強處理，增強處理后，為進一步提升監控視頻圖像質量［16］，采用雙伽馬校正算法進行增強后圖像I（x，y）的校正，校正公式為：

[Iin?0，1"""""""""""""""""""" ILout=Ihin""""""""" """"""""""""""""""IHout=1-（1-Iin）λ"""""" Iout=aILout+（1-a）IHout]"""""""""""""" （11）

式中：[Iin]表示像素灰度點；[λ]表示伽馬指數；[ILout]是圖像增強程度控制參數；[IHout]表示灰度值區域視覺效果調整參數；a表示調整指數。

依據上述公式完成監控視頻圖像校正處理，將處理后的圖像[I（x，y）]用于后續公路交通異常目標檢測中。

1.3"" 基于Otsu閾值分割的公路交通異常目

標檢測

文中采用基于Otsu閾值分割方法完成。該方法主要是對視頻圖像進行分割，將其劃分成前景和背景，劃分獲取的前景結果即目標檢測結果。

如果[I（x，y）]的灰度級用M表示，灰度級為i的像素點數量用mi表示；如果前景和背景的像素值分別用[If]和[Ib]表示，前景和背景的分割閾值用[ξ]表示，則If和Ib的計算公式為：

[If=i=0ξ μi]"""""""""""""""""""""""""""""" （12）

[Ib=i=t+1M-1 μi]"""""""""""""""""""""""""" （13）

式中：[μi]表示歸一化處理。

前景和背景的平均灰度值計算公式為：

[u0=k（t）i=0t μi]""""""""""""""""""""""""""""""" （14）

[u0=kT（t）-k（t）i=t+1M-1 μi]"""""""""""""""""""""""" （15）

式中：[k（t）]和[kT（t）]均表示灰度累計結果，前者對應灰度級為[t]，后者對應灰度級為M。

在上述公式的基礎上，計算前景和背景的內部方差結果，依據該結果獲取前景和背景的像素均值結果，用[u0]和[u1]表示，以此確定最佳分割閾值[g（t）]，計算公式：

[g（t）=ω0×（u0-u）2+ω1×（u1-u）2]"""" （16）

式中：[ω0]和[ω1]分別表示前景和背景分別占據圖像的比例結果；u表示圖像總均值。

2"" 系統測試結果分析

該系統使用的智能監控攝像頭為6路視頻輸出，增益為15 dB，波特率為4 800 Bd，頻譜響應2 ms，功耗為35 W，最大輸入路數為1 024路，輸入和輸出接頭形式均為VVGA，其信噪比不小于94 dB。通過該系統獲取該城市的西區交通路線的交通視頻圖像2萬張，包含白天、夜間、雨天、霧天的公路視頻圖像采集結果。為驗證設計系統在智慧公路視頻監控中的應用效果，隨機抽取1張視頻圖像，采用設計系統對其進行增強處理，獲取增強前后的視頻圖像結果，如圖2所示。

由圖2可知，在大霧天氣，攝像頭拍攝的原始交通圖像較模糊，清晰度較差；通過設計系統對其進行增強后，圖像中目標清晰可見，能精準確定公路交通現狀。

為驗證設計系統在應用過程中，對于公路上異常目標的檢測效果，隨機抽取4條公路交通中常見的交通異常情況，通過設計系統對其進行檢測，獲取4種情況的檢測結果如圖3所示。

由圖3可知，設計系統具有較好的公路交通異常檢測效果，能夠全面獲取公路上不同狀況的檢測，精準確定主路違章情況、市內快速路擁堵情況、小路事故情況、肇事逃逸車輛行駛情況。因此，設計系統的應用性較好，滿足智慧公路視頻監控需求，可及時、精準、清晰掌握公路路況，提升公路管理水平。

為進一步驗證設計系統的應用效果，以公路交通勤務管理為例，依據公路異常目標檢測結果為依據，進行交通勤務數據統計，如果在時段[?t]內，公路的車流量為N，獲取遵章率[ψ]的統計結果，其計算公式為：

[ψ=N-KN]""""""""""""""""""""""""""" （17）

式中：K表示異常檢測獲取的違章車輛數量。

依據式（17）統計在不同時段內，公路交通的計算結果，測試結果如表1所示。

由表1可知，在不同時段內，隨公路車流量的逐漸增加，設計系統能依據異常目標檢測結果確定公路遵章率（[ψ]）結果；可結合公路在24 h內的[ψ]情況，分析該公路的交通規律，確定其中違章相對嚴重的公路，并針對性增加警力，以此有效改善交通情況，提升交通管理水平。

3"" 結語

設計的基于圖像處理技術的智慧公路視頻監控系統，以圖像處理技術為核心，對監控設備獲取視頻圖像進行相關處理，以此完成公路視頻監控。測試結果顯示，該系統應用效果較好，能夠有效完成監控視頻圖像的處理，并且精準確定公路交通的異常情況，為公路智慧管理提供可靠依據；并且提升智慧管理水平。

【參考文獻】

［1］""" 甘超瑩，甘建文，顧野.基于圖像識別技術的城市軌道交通車站智能視頻監控系統的設計與應用［J］.城市軌道交通研究，2023，26（2）：76?80.

［2］""" 溫惠英，元昱青，趙勝.基于改進GRU模型的高速公路短時交通量預測［J］.廣西大學學報（自然科學版），2023，48（2）：459?468.

［3］""" 趙志遠，黃永剛，吳升，等.基于時空熱點分析的城市交通違法行為特征識別方法［J］.地球信息科學學報，2022，24（7）：1312?1325.

［4］ """楊軍，陳東升.基于嵌入式Web的雙路遠程視頻同步監控方法［J］.計算機仿真，2021，38（2）：477?481.

［5］""" 梁華剛，黃偉浩，薄穎，等.基于多特征融合的隧道場景車輛再識別［J］.中國公路學報，2023，36（8）：280?291.

［6］""" 張偉，王宇，陳新怡，等.基于圖像塊碼本模型的監控視頻背景參考幀生成方法［J］.通信學報，2023，44（1）：129?141.

［7］""" SAHANI M. SWAIN B K， DASH P K.FPGA?based favourite"skin colour restoration using improved histogram equaliz?""""" ation with variable enhancement degree and ensemble ex?treme learning machine［J］.IET image processing，2021，15（6）：1247?1259.

［8］""" 唐俊義，馮麟，周志祥，等.基于單目視覺測量技術的" 車輛尺寸識別方法［J］.公路交通科技，2023，40（3）：" 228?236.

［9］""" 劉飛，高紅艷，衛澤剛，等.基于Res?Net深度特征的" SAR圖像目標識別方法［J］.液晶與顯示，2021，36（4）：" 624?631.

［10］""" 張西良，閆妍，劉玉芹，等.基于雙目近景圖像的車體" 相對車位方位視覺檢測方法［J］.江蘇大學學報（自然" 科學版），2023，44（3）：262?269.

［11］""" 曹磊，王強，史潤佳，等.基于改進RPN的Faster?" RCNN網絡SAR圖像車輛目標檢測方法［J］.東南大學" 學報（自然科學版），2021，51（1）：87?91.

［12］""" 郭琪周，袁春.基于空間語義信息特征融合的目標檢" 測與分割［J］.軟件學報，2023，34（6）：2776?2788.

［13］""" 范馨月，鮑泓，潘衛國.基于類別不平衡數據集的圖像" 實例分割方法［J］.計算機工程，2022，48（12）：224?231.

［14］""" 羅玉濤，秦瀚.基于稀疏彩色點云的自動駕駛汽車3D" 目標檢測方法［J］.汽車工程，2021，43（4）：492?500.

［15］""" 高西.基于大數據的影像分析模型的設計［J］.粘接，" 2022，49（7）：170?174.

［16］""" 岳軍政，李澤政，侯慶敏，等.基于5G施工現場智能可" 視化監控技術應用［J］.粘接，2022，49（8）：167?169.