盛雨婷

摘要：為解決霧天環(huán)境下道路上車(chē)輛與前車(chē)車(chē)距測(cè)量問(wèn)題，構(gòu)造車(chē)載霧天圖像快速處理以及前車(chē)車(chē)距測(cè)量實(shí)驗(yàn)平臺(tái)。以暗通道算法為基礎(chǔ)，基于能見(jiàn)度圖像分割算法估算大氣光值，利用雙邊濾波細(xì)化折射率圖，在分割區(qū)域上進(jìn)行不同程度去霧，有效解決暗通道算法應(yīng)用在道路圖像上產(chǎn)生的色彩失真、對(duì)比度過(guò)低等問(wèn)題。利用邊緣檢測(cè)算法、霍夫變換算法完成對(duì)車(chē)輛邊框的檢測(cè)，搭建測(cè)距模型測(cè)量出前方車(chē)輛的距離。結(jié)果表明，構(gòu)造的平臺(tái)能夠在能見(jiàn)度小于100 m的濃霧環(huán)境下測(cè)量出前方車(chē)輛車(chē)距，并能及時(shí)告警。

關(guān)鍵詞：圖像去霧；能見(jiàn)度分割；暗通道算法；雙邊濾波；邊緣檢測(cè)算法；車(chē)距測(cè)量

中圖分類(lèi)號(hào)：TP751?? 文獻(xiàn)標(biāo)志碼：A?? 文章編號(hào)：1002-4026（2024）01-0088-07

Study on the distance measurement of approaching vehicles in fog

Abstract∶To address the challenges related to distance measurement of an approaching vehicle in fog，we developed an experimental platform to rapid image processing and real-time distance measurement.Firstly，we down-sampled the images through the dark channel algorithm to estimate atmospheric light values. Then， we introduced a tolerance mechanism to deal with the bright regions that do not satisfy the dark channel prior. This tolerance mechanism corrected the estimate with incorrect refractive index of such regions and effectively mitigated the issues of color distortion and low contrast. Secondly， we detected the vertical edges of an approaching vehicle using the edge detection and the improved Hough transform algorithms. Finally， we measured the safe distance from the approaching vehicle using the model. The results shows that the platform developed in this study can effectively measure the distance of the approaching vehiclein fog with a visibility <100 m， and can alert drivers in a timely and effective manner.

Key words∶haze removal; image down-sampling; dark channel algorithm; bilateral filtering; edge detection algorithm; vehicle distance measurement

在行車(chē)過(guò)程中，霧天天氣是影響駕駛員視線的主要因素，因霧天造成的重大交通事故時(shí)有發(fā)生。相關(guān)統(tǒng)計(jì)數(shù)據(jù)表明，霧天環(huán)境交通事故發(fā)生概率是正常環(huán)境下的10倍，85%的連環(huán)車(chē)輛追尾事故發(fā)生在大霧天[1]。霧、霾或沙塵等能見(jiàn)度低的惡劣天氣嚴(yán)重影響汽車(chē)的攝像鏡頭，成像觀感效果差，圖像信息嚴(yán)重缺失。因此，霧天環(huán)境下，對(duì)車(chē)載攝像機(jī)圖像進(jìn)行清晰復(fù)原化操作對(duì)司機(jī)的安全駕駛意義重大。

本文基于霧天環(huán)境下的行車(chē)狀況，以車(chē)載攝像機(jī)為載體，采用能見(jiàn)度分割方法對(duì)采集的圖像進(jìn)行去霧處理[2-3]，同時(shí)對(duì)去霧后的圖像進(jìn)行邊緣處理，通過(guò)模型計(jì)算得到前方行駛車(chē)輛車(chē)距。圖1為整體框架流程圖。

1 交通圖像去霧預(yù)處理

1.1 圖像分割

1.1.1 能見(jiàn)度的計(jì)算

依據(jù)交通道路平緩的假設(shè)，可將真實(shí)世界的距離與圖像中的像素相聯(lián)系。根據(jù)圖2所示的模型[4]計(jì)算能見(jiàn)度。

對(duì)于攝像設(shè)備拍攝出的圖像，創(chuàng)建圖像坐標(biāo)與路面坐標(biāo)對(duì)應(yīng)關(guān)系算式，得到圖像坐標(biāo)中的像素點(diǎn)在實(shí)際坐標(biāo)系中的實(shí)際距離d為：

霧天環(huán)境下，行駛車(chē)輛駕駛員注意的是道路前方的區(qū)域。交通圖像車(chē)道線左右對(duì)稱分布，車(chē)道和車(chē)道線寬度固定，車(chē)道線亮度高于路面，可依據(jù)邊緣檢測(cè)[5-6]和霍夫變換對(duì)車(chē)道線邊緣檢測(cè)計(jì)算得出vh。再根據(jù)線性倒立擺（the linear inverted pendulum，LIP）模型中對(duì)人眼視覺(jué)特性的分析，采用科勒的圖像分割方法[7]計(jì)算得到對(duì)比度圖，對(duì)比度圖中的白色像素點(diǎn)視為人眼可識(shí)別的像素，可根據(jù)對(duì)比度圖計(jì)算得出v。根據(jù)式（1）求出能見(jiàn)度距離d。圖3為能見(jiàn)度過(guò)程計(jì)算仿真結(jié)果。

1.1.2 基于能見(jiàn)度的圖像分割

實(shí)際情況下在觀測(cè)者距離較近的地方霧氣較少，對(duì)于道路圖像而言，如果遠(yuǎn)處?kù)F氣濃度較大的區(qū)域被適度增強(qiáng)，就很有可能造成原圖像底部的路面區(qū)域過(guò)增強(qiáng)。因此，圖像底部區(qū)域的增強(qiáng)能力應(yīng)有所限制，以防止近處道路區(qū)域過(guò)增強(qiáng)，同時(shí)保證駕駛員的遠(yuǎn)處區(qū)域得到適度的增強(qiáng)。

為達(dá)到這一目的，本文將圖像分割成3個(gè)部分：天空部分、遠(yuǎn)處場(chǎng)景和近處道路。分割圖的估計(jì)過(guò)程可如下定義：

式中，參數(shù)λ為相機(jī)的參數(shù)；dmax為被測(cè)點(diǎn)與觀察者之間距離最大值，當(dāng)被測(cè)點(diǎn)與觀察者之間的間隔小于該值時(shí)，位于該間隔范圍內(nèi)的霧氣較小。根據(jù)實(shí)際生活經(jīng)驗(yàn)，對(duì)于一幅像素大小為600×400的圖像，將dmax值設(shè)置為140 m對(duì)于大多數(shù)情況都成立。根據(jù)國(guó)際照明委員會(huì)定義，對(duì)比度大于0.05的像素點(diǎn)人眼能夠區(qū)分出來(lái)，因此針對(duì)天空可觀測(cè)到的目標(biāo)物，本文設(shè)定亮度對(duì)比度值為0.05。

1.2 交通圖像去霧算法

1.2.1 大氣光值的計(jì)算

大氣光值A(chǔ)是基于暗通道去霧算法的一個(gè)重要的參數(shù)，交通圖像的整體去霧視覺(jué)效果取決于該值的準(zhǔn)確性。如果通過(guò)整幅圖像計(jì)算出大氣光值，可能會(huì)導(dǎo)致估錯(cuò)的情況，為了避免這類(lèi)情況，對(duì)分割后圖像的天空區(qū)域計(jì)算大氣光值，以確保該值的準(zhǔn)確性。

1.2.2 濾波細(xì)化折射率圖

基于暗原通道算法得到的去霧圖像容易產(chǎn)生白色光暈，即稱之為Halo現(xiàn)象。產(chǎn)生Halo現(xiàn)象的圖像不僅不利于人眼視覺(jué)的感官，而且會(huì)出現(xiàn)更多的邊緣細(xì)節(jié)，不利于后續(xù)的車(chē)輛檢測(cè)，因此本文采用了雙邊濾波快速細(xì)化折射率圖[8-9]。

DR為復(fù)原圖像R的暗通道圖，可表示為：

式中，Ωx，y表示以x，y為中心的N×N大小的局部圖像塊。雙邊濾波的權(quán)值是由高斯和值域高斯函數(shù)的乘積組成的，對(duì)于暗通道圖像的最小值濾波的窗口Ω，在處理圖像時(shí)使用的是大小相同的窗口，首先對(duì)DR兩邊先除以大氣光值A(chǔ)，然后再對(duì)這兩邊進(jìn)行最小值濾波，得到公式為：

其中，Rcx′，y′表示復(fù)原圖像顏色通道圖，Icx′，y′表示霧天圖像的顏色通道，為了使處理后的圖像看起來(lái)更加舒適，引入常量ω使得圖像遠(yuǎn)處部分留有小部分的霧氣，該值一般設(shè)置為0.95，最后得出的折射率圖為：

1.2.3 基于圖像復(fù)原的圖像去霧

對(duì)于大氣散射模型而言，當(dāng)折射率圖tx，y趨近于0時(shí)，入射光衰減項(xiàng)Rx，y，tx，y也會(huì)趨近于0。因此，引入?yún)?shù)t0以保證在原霧氣較濃的部分留有小部分的霧氣，一般設(shè)置為0.1。本文使用分割圖，計(jì)算出去霧圖像R為：

其中I（x，y）表示霧天圖像，由上式可知，利用區(qū)域分割圖，可預(yù)先判別3個(gè)不同區(qū)域的增強(qiáng)程度。因此，原霧天圖像的“天空”“遠(yuǎn)處場(chǎng)景”和“近處路面”這3個(gè)區(qū)域分別會(huì)產(chǎn)生不同的增強(qiáng)效果，以確保駕駛員所關(guān)心的中遠(yuǎn)方區(qū)域得到重點(diǎn)增強(qiáng)。

本文的去霧算法流程如圖4所示。

暗通道算法由HE[10]提出，該算法通過(guò)對(duì)無(wú)霧圖像特征統(tǒng)計(jì)，發(fā)現(xiàn)在大多數(shù)戶外無(wú)霧圖像的任意局部小塊中，總存在至少一個(gè)像素，該像素某一個(gè)或幾個(gè)顏色通道的強(qiáng)度值很低，且接近于零。本文在暗通道算法的基礎(chǔ)上，根據(jù)能見(jiàn)度知識(shí)對(duì)霧天圖像進(jìn)行分割，對(duì)天空區(qū)域估算大氣光值，對(duì)分割后的圖像分區(qū)域進(jìn)行不同程度的去霧處理，保留原圖像的邊緣色彩細(xì)節(jié)。本文改進(jìn)的算法采用復(fù)原后的新增可見(jiàn)之比、可見(jiàn)邊的規(guī)范化梯度均值、方差和運(yùn)算時(shí)間對(duì)去霧結(jié)果進(jìn)行定量估計(jì)[11]，評(píng)估結(jié)果見(jiàn)表1。

由表1可以看出本文算法相較于暗通道算法，去霧視覺(jué)感官更佳，且其快速的運(yùn)算時(shí)間適用于車(chē)載視頻實(shí)時(shí)性的要求。

2 車(chē)輛識(shí)別

2.1 邊緣檢測(cè)算法

邊緣檢測(cè)算法是通過(guò)計(jì)算一組錨點(diǎn)來(lái)模擬點(diǎn)到點(diǎn)邊界補(bǔ)全問(wèn)題，這些點(diǎn)在給定圖像的劇烈強(qiáng)度變化上呈現(xiàn)穩(wěn)定的地標(biāo)，然后使用智能路由算法連接連續(xù)的錨點(diǎn)。

邊緣算法主要流程如圖5所示。

2.2 前方車(chē)輛識(shí)別

由大量交通圖像可知，行駛車(chē)輛駕駛員看到前方車(chē)輛的尾部，都是呈有規(guī)律的矩形結(jié)構(gòu)。為了識(shí)別車(chē)輛垂直邊緣，本文利用能夠檢測(cè)直線端點(diǎn)的霍夫變換，提取圖像中感興趣區(qū)域內(nèi)具有車(chē)輛垂直邊緣特征的峰值直線段[12]。

為了排除公路上路標(biāo)、廣告牌等因素影響，增加識(shí)別精度，本文在初次識(shí)別時(shí)，首先確定一個(gè)車(chē)輛可能存在區(qū)域，然后在此區(qū)域內(nèi)使用霍夫變換提取垂直邊緣。圖6中T是兩條車(chē)道線的交點(diǎn)，影響后方駕駛的車(chē)輛必定在（T±σ）區(qū)域內(nèi)，其中σ為常量，根據(jù)車(chē)道線提取，一般取10～30。

3 車(chē)輛陰影寬度測(cè)距模型

陰影寬度測(cè)距法[13]的測(cè)距原理如圖7所示。

L是前方車(chē)輛尾部實(shí)際寬度，通常為1.5～1.7 m，具有通用性；D是前方車(chē)輛尾部與攝像設(shè)備車(chē)輛的間距，f是攝像設(shè)備的焦距，用像素表示；m是前方車(chē)輛尾部在圖像中陰影寬度的大?。籗表示前方車(chē)輛在攝像設(shè)備的成像滿屏?xí)r，前方車(chē)輛尾部與攝像設(shè)備的距離。

本文采用的攝像設(shè)備分辨率是600×400，假定社會(huì)中的車(chē)輛的尾部寬度一致。最后得到最終測(cè)距公式為：

4 實(shí)驗(yàn)結(jié)果

本文選取3段不同程度霧天的車(chē)載視頻進(jìn)行實(shí)驗(yàn)分析。3段分別為薄霧、中霧和濃霧的天氣情況，實(shí)驗(yàn)結(jié)果如圖8所示，對(duì)于上述3段視頻的測(cè)距結(jié)果見(jiàn)表2。

由圖8可知，本文改進(jìn)的去霧算法可以提高霧天圖像的清晰度，在交通圖像上，不僅使駕駛員關(guān)心的前方車(chē)輛區(qū)域得到了重點(diǎn)增強(qiáng)，而且對(duì)圖像過(guò)度增強(qiáng)的部分進(jìn)行了有效的抑制，并且去霧后的圖像能夠更加清晰和準(zhǔn)確地識(shí)別出前方行駛車(chē)輛。表2分別記錄了3段實(shí)驗(yàn)中原圖和去霧后試驗(yàn)車(chē)輛與前方行駛車(chē)輛的距離。由圖8和表2可知，薄霧環(huán)境下，去霧前后都能夠有效地辨別出行駛車(chē)輛，并且去霧前后測(cè)量前方車(chē)輛距離的數(shù)據(jù)相差不大，兩者的誤差不到1%；中霧環(huán)境下，去霧前能夠檢測(cè)出前方車(chē)輛尾部的垂直邊緣，但是存在較大的誤差，從而導(dǎo)致測(cè)距不夠精確，去霧后的圖像能更加精準(zhǔn)地識(shí)別出車(chē)輛，去霧前后測(cè)量前方行駛車(chē)輛距離的數(shù)據(jù)存在較大的差異；濃霧環(huán)境下，原圖不能夠準(zhǔn)確地識(shí)別出前方車(chē)輛，去霧后可以準(zhǔn)確地識(shí)別出前方車(chē)輛，從而檢測(cè)出與前方行駛車(chē)輛的距離。

5 結(jié)束語(yǔ)

基于圖像處理技術(shù)，首先對(duì)霧天環(huán)境下交通圖像進(jìn)行快速去霧，再通過(guò)邊緣檢測(cè)和霍夫變換獲得前方車(chē)輛的邊緣特征，最后通過(guò)測(cè)距模型測(cè)量出霧天環(huán)境下前車(chē)的車(chē)距。該方法圖像去霧不僅能更加準(zhǔn)確地識(shí)別出前方車(chē)輛、提高前方車(chē)輛測(cè)距的準(zhǔn)確性，而且能夠有效地測(cè)量出霧天環(huán)境下前車(chē)行駛車(chē)輛的車(chē)距。在能見(jiàn)度極差的濃霧環(huán)境下，原圖沒(méi)有有效車(chē)距輸出，去霧后測(cè)量車(chē)距9.49 m，在能見(jiàn)度小于100 m的情況下，能夠準(zhǔn)確測(cè)量車(chē)距，能夠及時(shí)有效地向駕駛員示警，有效減少追尾事故的發(fā)生率，具有實(shí)際應(yīng)用價(jià)值。但本文僅考慮了前方單個(gè)車(chē)道的車(chē)輛測(cè)距，對(duì)其他車(chē)道上的車(chē)輛沒(méi)有檢測(cè)，這具有一定的局限性。可以在后續(xù)的研究中，針對(duì)惡劣天氣情況下，對(duì)前方行駛車(chē)輛完成測(cè)距測(cè)速等一系列的檢測(cè)，可以保障惡劣氣候下駕駛的安全性。

參考文獻(xiàn)：

［1］潘曉東，蔣宏，高昂.霧天高速公路交通事故成因分析及安全對(duì)策[J]．交通標(biāo)準(zhǔn)化，2006（10）：200-203．DOI：10.3869/j.issn.1002-4786.2006.10.060.

[2]胡平. 基于圖像分割的交通圖像快速去霧算法[J]. 計(jì)算機(jī)系統(tǒng)應(yīng)用，2014， 23（9）： 134-138. DOI： 10.3969/j.issn.1003-3254.2014.09.025.

[3]毛祥宇，李為相，丁雪梅. 基于天空分割的單幅圖像去霧算法[J]. 計(jì)算機(jī)應(yīng)用，2017，37（10）：2916-2920. DOI： 10.11772/j.issn.1001-9081.2017.10.2916.

[4]宋洪軍，陳陽(yáng)舟，郜園園. 基于車(chē)道線檢測(cè)與圖像拐點(diǎn)的道路能見(jiàn)度估計(jì)[J]. 計(jì)算機(jī)應(yīng)用，2012，32（12）：3397-3403. DOI： 10.3724/SP.J.1087.2012.03397.

[5]TOPAL C， AKINLAR C. Edge Drawing： A combined real-time edge and segment detector[J]. Journal of Visual Communication and Image Representation， 2012， 23（6）：862-872. DOI： 10.1016/j.jvcir.2012.05.004.

[6]AKINLARC， TOPAL C. EDLines： a real-time line segment detector with a false detection control[J]. Pattern Recognition Letters， 2011，32（13）：1633-1642. DOI： 10.1016/j.patrec.2011.06.001.

[7]KOHLER R. A segmentation system based on thresholding[J].Computer Graphics and Image Processing， 1981，15（2）：319-338.DOI：10.1016/S0146-664X（81）80015-9.

[8]李炎炎，龍偉，覃宏超，等. 基于車(chē)行視程與大氣光快速估值的車(chē)載視頻去霧算法[J]. 工程科學(xué)與技術(shù)，2017，49（3）：217-222. DOI： 10.15961/j.jsuese.201601407.

[9]陸士猛，劉昌錦. 無(wú)人機(jī)偵察圖像快速去霧算法[J]. 紅外技術(shù)，2015，37（10）：847-851.DOI： 10.11846/j.issn.1001_8891.201510008.

[10]HE K， SUN J， TANG X. Single image haze removal using dark channel prior[J]. Pattern Analysis and Machine Intelligence， IEEE Transactions on， 2011， 33（12）： 2341-2353.DOI：10.1109/TPAMI.2010.168.

[11]郭璠，蔡自興. 圖像去霧算法清晰化效果客觀評(píng)價(jià)方法[J]. 自動(dòng)化學(xué)報(bào)，2012， 38（9）：1410-1419.DOI： 10.3724/SP.J.1004.2012.01410.

[12]CHENR B， ZHAO D， WANG Q L. Research on the algorithm of the front vehicle speed based on vehicle video[C]//29th Chinese Control and Decision Conference （CCDC）. Chongqing， China： IEEE， 2017：7719-7724. DOI： 10.1109/CCDC.2017.7978591.

[13]佟卓遠(yuǎn). 基于機(jī)器視覺(jué)的前方車(chē)輛檢測(cè)與測(cè)距系統(tǒng)設(shè)計(jì)[D]. 哈爾濱：哈爾濱工業(yè)大學(xué)，2015.