摘  要： 根據(jù)環(huán)境照度將夜間交通場(chǎng)景區(qū)分為充足照明和低照度兩種情況，分別設(shè)計(jì)相應(yīng)的處理流程檢測(cè)運(yùn)動(dòng)車(chē)輛。針對(duì)充足照明的情況，先使用梯度濾波消除路面反光的干擾，再進(jìn)行幀間差分檢測(cè)運(yùn)動(dòng)區(qū)域，最后使用級(jí)聯(lián)形態(tài)學(xué)濾波消除噪聲點(diǎn)和填充幀間差分方法導(dǎo)致的車(chē)體區(qū)域空洞。針對(duì)低照度情況，引入先驗(yàn)知識(shí)檢測(cè)車(chē)前燈，并利用車(chē)燈間距判別車(chē)型大小，最后結(jié)合車(chē)輛的造型知識(shí)定位車(chē)體。對(duì)多段典型的夜間交通場(chǎng)景視頻進(jìn)行了測(cè)試，實(shí)驗(yàn)結(jié)果表明，該方法能夠有效地檢測(cè)夜間行駛車(chē)輛。
關(guān)鍵詞： 交通監(jiān)控； 計(jì)算機(jī)視覺(jué)； 梯度濾波； 先驗(yàn)知識(shí)

　基于計(jì)算機(jī)視覺(jué)和圖像處理的交通監(jiān)控技術(shù)具有成本低、可擴(kuò)展性好的特點(diǎn)，而且能夠提供比傳統(tǒng)的地埋式感應(yīng)線圈技術(shù)更為豐富和深層次的交通信息。目前，對(duì)日間條件下的交通監(jiān)控國(guó)內(nèi)外都已經(jīng)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(jiān)控的一部分，夜間條件下的車(chē)輛監(jiān)控因其復(fù)雜的光照條件一直是一個(gè)十分棘手的難題。一些發(fā)達(dá)國(guó)家采用安裝紅外攝像機(jī)來(lái)獲取夜間道路圖像[4-5]，這種方法在檢測(cè)夜間行人時(shí)非常有效，但是在檢測(cè)夜間行駛的車(chē)輛時(shí)，仍然會(huì)受到車(chē)頭燈的強(qiáng)光、地面反射光和環(huán)境光線的影響，而且紅外攝像機(jī)價(jià)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(jī)拍攝夜間圖像，通過(guò)檢測(cè)圖像中的車(chē)頭燈來(lái)檢測(cè)車(chē)輛[6-8]。
　目前為數(shù)不多的關(guān)于夜間交通監(jiān)控的研究都是在環(huán)境照度低、車(chē)體少部分可見(jiàn)的情況下進(jìn)行的，提取車(chē)燈這一顯著特征作為車(chē)輛檢測(cè)的依據(jù)自然就成為了首選方案。事實(shí)上，目前大中城市的道路夜間光照條件普遍較好，車(chē)體可見(jiàn)度較高，因此提取車(chē)燈不再是夜間車(chē)輛檢測(cè)的唯一方案，檢測(cè)出車(chē)體輪廓進(jìn)而實(shí)現(xiàn)跟蹤和識(shí)別成為可能。本文根據(jù)夜間交通的不同環(huán)境特點(diǎn)，把夜間交通區(qū)分為充足照明和低照度兩種情況，并采用不同策略進(jìn)行處理。首先利用亮度分布的顯著差異自動(dòng)地判別兩種情景，并導(dǎo)入相應(yīng)的處理流程（如圖1所示）。對(duì)于充足照明的情況，先使用梯度濾波對(duì)輸入圖像進(jìn)行預(yù)處理，消除車(chē)燈、地面反光和環(huán)境光線的影響，然后結(jié)合幀間差分技術(shù)和級(jí)聯(lián)形態(tài)學(xué)濾波提取車(chē)輛區(qū)域；對(duì)于低照度的情況，先檢測(cè)車(chē)燈對(duì)并計(jì)算車(chē)燈對(duì)間距，然后根據(jù)車(chē)輛的結(jié)構(gòu)知識(shí)定位車(chē)體。

1 環(huán)境照度判別
　結(jié)合亮度和對(duì)比度判別夜間交通場(chǎng)景環(huán)境照度情況，由此決定此后將采用的檢測(cè)算法和相關(guān)系統(tǒng)參數(shù)。圖2（a）、圖2（c）是兩幅典型的夜間交通圖像，分別對(duì)應(yīng)充足照明和低照度的情況。由圖可見(jiàn)，它們?cè)诹炼群蛯?duì)比度上有一些顯著區(qū)別的特點(diǎn)：在充足照明條件下，圖像亮度分布在一個(gè)狹窄區(qū)間，具有較高強(qiáng)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(gè)極高值和極低值附近，它們分別對(duì)應(yīng)黑暗背景和車(chē)燈及路面反射光區(qū)域，灰度直方圖呈雙峰造型，如圖2（d）所示。

3 低照度車(chē)輛檢測(cè)
3.1 先驗(yàn)知識(shí)
　在低照度條件下，車(chē)體大部分被淹沒(méi)在背景中而不可見(jiàn)，如圖4（a）所示，車(chē)燈幾乎成為車(chē)輛唯一可利用的顯著特征，因此通過(guò)檢測(cè)圖像中的車(chē)燈來(lái)檢測(cè)車(chē)輛就成為很自然的選擇。結(jié)合車(chē)輛結(jié)構(gòu)的相關(guān)先驗(yàn)知識(shí)有助于快速、準(zhǔn)確地檢測(cè)車(chē)燈。
本文使用的先驗(yàn)知識(shí)如下：
　（1）車(chē)燈區(qū)域是具有一定面積的高亮區(qū)域，利用這一特征可以排除大面積的路面反光區(qū)域；
?。?）車(chē)燈區(qū)域形狀近似圓或橢圓，利用這一特征可以排除環(huán)境光線引入的非似圓噪聲區(qū)域；
?。?）車(chē)燈總是成對(duì)出現(xiàn)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(chē)燈對(duì)。
3.2 檢測(cè)車(chē)燈對(duì)
　（1）圖像二值化。低照度條件下，圖像亮度集中在一個(gè)極高值和一個(gè)極低值附近，它們分別對(duì)應(yīng)黑暗背景和高亮的車(chē)燈及路面反光，統(tǒng)計(jì)灰度直方圖呈顯著雙峰型。因此，可以很方便地計(jì)算出峰值對(duì)應(yīng)的亮度值，取高亮度峰值作為閾值對(duì)圖像進(jìn)行二值化，結(jié)果如圖4（b）所示。

4 實(shí)驗(yàn)結(jié)果與分析
　對(duì)充足照明和低照度兩種場(chǎng)景進(jìn)行了實(shí)驗(yàn)，主要參數(shù)配置如下：（1）用于場(chǎng)景照度判別的亮度和對(duì)比度閾值Tal=60，Td=150；（2）充足照明條件下用于車(chē)輛檢測(cè)的梯度濾波系數(shù)k=128，幀間差分閾值滑動(dòng)窗口大小為5×5，形態(tài)學(xué)濾波器采用形狀保持較好的圓形結(jié)構(gòu)元，4次交替開(kāi)閉操作使用的結(jié)構(gòu)元半徑依次為4、6、5、13；（3）低照度下用于車(chē)燈檢測(cè)的面積閾值A(chǔ)max=150，Amin=50，緊致度閾值Cmax=50，用于確定車(chē)燈對(duì)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(duì)充足照明場(chǎng)景下600幀圖像和低照度場(chǎng)景下750幀圖像的檢測(cè)結(jié)果，全部幀序列中車(chē)輛檢測(cè)率統(tǒng)計(jì)情況如表1所示。

　由實(shí)驗(yàn)中數(shù)據(jù)可以看出，對(duì)于兩種夜間交通場(chǎng)景，采用本文方法基本可以達(dá)到較好的檢測(cè)率，誤檢率都比較低，主要是因?yàn)閷?shí)驗(yàn)中最大的干擾因素，也就是路面的反光區(qū)域基本上被梯度濾波預(yù)處理消除。誤檢主要發(fā)生在兩種情況：（1）在充足照度條件下，大型車(chē)輛投射出強(qiáng)烈的燈光在路面形成的大面積強(qiáng)反光區(qū)域未能被梯度濾波預(yù)處理消除，而被作為運(yùn)動(dòng)前景錯(cuò)誤檢出；（2）在低照度條件下，當(dāng)兩車(chē)平行行駛且距離較近，至少有一個(gè)車(chē)燈漏檢時(shí)，可能會(huì)把分別屬于兩輛車(chē)的兩個(gè)車(chē)燈誤認(rèn)為是一對(duì)。在道路車(chē)輛較多的狀況下漏檢現(xiàn)象較多。漏檢主要是由于以下幾個(gè)原因引起的：（1）車(chē)輛相互遮擋；（2）大型車(chē)輛投射的濃重陰影覆蓋其他車(chē)輛；（3）多車(chē)輛的強(qiáng)烈前照燈光將車(chē)輛聯(lián)結(jié)成難以區(qū)分的整片。
　本文提出了一種夜間車(chē)輛檢測(cè)的新思路，即根據(jù)場(chǎng)景光照將夜間交通自動(dòng)區(qū)分為有路燈照明和無(wú)路燈照明兩種情況，并分別設(shè)計(jì)相應(yīng)的處理流程檢測(cè)夜間行駛的車(chē)輛。實(shí)驗(yàn)結(jié)果表明，本文方法可以較好地檢測(cè)有無(wú)路燈照明兩種情況下的行駛車(chē)輛，能比單純使用車(chē)燈特征的傳統(tǒng)車(chē)輛檢測(cè)方法提供更豐富的信息用于監(jiān)控系統(tǒng)后續(xù)的車(chē)型識(shí)別和車(chē)輛跟蹤。利用檢測(cè)結(jié)果進(jìn)一步開(kāi)展車(chē)型識(shí)別和車(chē)輛跟蹤的研究將是今后工作的方向。
參考文獻(xiàn)
[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(chǎng)景視覺(jué)監(jiān)控[J].自動(dòng)化學(xué)報(bào)，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， et al．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 reasoning for a traffic 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(yùn)動(dòng)信息的夜間車(chē)輛檢測(cè)方法[J].中國(guó)圖象圖形學(xué)報(bào)，2005，10（2）：187-189.
[8] 王鵬，黃凱奇.基于視頻的夜間高速公路車(chē)輛事件檢測(cè)[J].中國(guó)圖象圖形學(xué)報(bào)，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.