CN105261018A - 基于光学模型和暗原色先验理论的能见度检测方法 - Google Patents

Abstract

本发明公开了一种基于光学模型和暗原色先验理论的能见度检测方法，包括以下步骤：(1)根据视频传感器的成像模型，获取计算能见度所需的相关参数：(2)利用设置的视频传感器，实时采集交通视频图像I；(3)基于暗原色先验理论，获取所采集图像的透射率t(x)；(4)利用多点各向异性高斯滤波器和双边滤波细化步骤(3)获取的透射率；(5)将步骤(4)中得到的透射率图代入到视频图像灰度值沿垂直方向变化的拐点与透射率的函数表达式，以获取拐点的坐标；(6)将所有拐点的垂直坐标值代入能见度计算模型，以确定能见度的值。本发明能满足于路面非同质、路面标识被遮挡、含有多目标等复杂场景下的能见度计算需求。

Description

基于光学模型和暗原色先验理论的能见度检测方法

技术领域

本发明属于图像处理技术，具体为一种基于光学模型和暗原色先验理论的能见度检测方法。

背景技术

随着我国高速公路网建设的不断发展，团雾多发路段和因团雾引起的重特大交通事故的数量都在不断增加。若能对团雾进行预测，则可以及时发布相关信息，避免交通事故的发生。然而，被称为“流动杀手”的团雾具有突发性强、易漂移、范围小的特点。这些因素使得传统的天气监测方法不能实现对团雾的预测。

根据能见度的值及其变化规律可以实现团雾的预测。因此，我国高速公路管理部门通常利用人工目测和气象设备监测两种方式获取团雾区能见度的值，以实现对团雾的预报。但人工目测的方法效率低，而气象监测设备的安装成本高，布点密度不足，容易导致团雾的漏报。

目前，全国高速公路用于监控的视频传感器已经达到了平均6公里一处,个别经济发达地区达到了平均3公里一处，而团雾的范围通常在10公里以上。若能通过解析视频图像实现能见度的实时检测，则会有效地提高团雾的预报效率和降低预报成本，从而最大限度地避免因团雾引发的交通事故。

国内外关于通过解析视频图像实现能见度检测方法的研究还处于起步阶段。

文件1、2中，Hautiere等人将柯西米德模型(Koschmieder’sModel)和大气对比度的衰减模型相结合，提出一种基于动态视频传感器的能见度检测方法。该方法不但能实现能见度的估计，还能实现障碍物的检测。但该方法利用区域增长算法获取能见度检测所需的关键参数，对于路面非同质的情况，其效果并不理想，不能满足实用性的需求。

文件3中，Pomerleau利用视频图像中路面标志对比度的衰减程度和距离的关系建立了能见度计算模型，并通过对能见度的定量判断实现了团雾的检测。

文件4-5分别利用不同的对比度模型寻找对比度大于0.05的像素点，然后根据景深计算模型获取这些像素点到摄像机的距离，以实现能见度的检测。

我国在此方面的研究虽然起步较晚，但也取得了一些较好的研究成果。

文件6和文件7分别基于视频图像中四邻域的对比度和路面像素的亮度特征，定义了可视像素模型，并采用摄像机标定技术计算可视像素到摄像机的最远距离，实现了无需人工标记的能见度检测。

文件8将小波变换引入到了能见度的计算中，利用小波变换提取视频图像边缘特征点，以使检测的能见度值更符合人眼的观测结果。

在上述研究结果的基础上，文件9根据柯西米德模型和最小二乘法逼近原理，提出了一种基于路面亮度特征的能见度检测算法。

文件3-9提出的能见度检测方法均需提取路面标志信息(车道线、路标等)。然而，在有遮挡的情况下这些特征并不能有效地被提取，从而影响了能见度检测的效率和精度。

文件10-11基于不同能见度的视频图像在高频部分的区别，建立了基于视频图像频率域特征的能见度和团雾检测方法，从而避免了路面标志信息的提取。然而，在含有多目标场景下获取的视频图像，无论是低能见度还是高能见度都含有较多的高频信息,在频率域具有相似的特征。因此，该类方法对含有多目标的视频图像检测效果并不理想。

中国专利申请CN201410091456.3、CN201310325570.3和CN201510177157.6分别公开了基于硬件设施的能见度检测和团雾预警系统，均能取得理想结果。但是这些方法的实现不能利用高速管理部门现有的设备设施，应用成本较高。

中国专利申请CN201210226642.4公开了一种基于图像颜色空间特征的雾天检测方法。该方法在视频传感器前无移动目标的理想情况下能取得非常好的结果，但对于视频传感器前含有多运动目标复杂情况，其团雾检测效果并不理想。

参考文件如下：

[1]N.Hautiere,J.P.Tarel,J.Lavenant,etal.Automaticfogdetectionandestimationofvisibilitydistancethroughuseofanonboardcamera[J].MachineVisionandApplications,2006,17(1):8-20.

[2]N.Hautiere,D.Aubert,E.Dumont,etal.Experimentalvalidationofdedicatedmethodstoin-vehicleestimationofatmosphericvisibilitydistance[J].IEEETransactionsonInstrumentationandMeasurement,2008,57(10):2218-2225.

[3]D.A.Pomerleau.VisibilityestimationfromamovingvehicleusingtheRALPHvisionsystem[C].ProceedingsofIEEEConferenceonIntelligentTransportationSystem,November,1997,906-911.

[4]C.Boussard,N.Hautiere,B.Novel.Vehicledynamicsestimationforcamera-basedvisibilitydistanceestimation[C].ProceedingsofIEEEInternationalConferenceonIntelligentRobotsandSystems,September,2008,600-605.

[5]N.Hautiere,R.Labayrade,D.Aubert.Real-timedisparitycontrastcombinationforonboardestimationofthevisibilitydistance[J].IEEETransactionsonIntelligentTransportationSystems,2006,7(2):201-212.

[6]李勃,董荣,陈启美.无需人工标记的视频对比度道路能见度检测[J].计算机辅助设计与图形学学报,2009,11(21):1575-1982.

[7]张潇,李勃,陈启美.基于亮度特征的PTZ视频能见度检测算法及实现[J].仪器仪表学报,2011,32(2):391-387.

[8]陈钊正,周庆逵,陈启美.基于小波变换的视频能见度检测算法研究与实现[J].仪器仪表学报,2010,31(1):92-98.

[9]吴炜,李勃,杨娴等.基于路面视亮度差平方最优化的视频能见度检测算法[J].电子与信息学报,2014,36(10):2412-2418.

[10]M.Pavlic,H.Belzner,G.Rigoll,etal.Imagebasedfogdetectioninvehicles[C].ProceedingsofIEEEInternationalConferenceonIntelligentVehiclesSymposium,June,2012,1132-1137.

[11]R.Spinneker,C.Koch,H.Emden,etal.Fastfogdetectionforcamerabasedadvanceddriverassistancesystems[C].IEEEInternationalConferenceonIntelligentTransportationSystems,October,2014,1369-1374.

发明内容

本发明的目的是为克服现有方法通常基于理想场景条件下实现能见度的检测，无法适应路面非同质、路面标识被遮挡、含有多目标等复杂场景下的应用需求问题，提出的一种基于能见度计算模型构建、拐点检测和透射率细化的复杂场景下能见度检测方法。

为实现上述目的，本发明采用下述技术方案：

一种基于光学模型和暗原色先验理论的能见度检测方法，包括以下步骤：

1)根据视频传感器的成像模型，获取计算能见度所需的相关参数：视频传感器距地平面的高度H，视频传感器的光轴与地平面的夹角θ，视频传感器的有效焦距f，图像中像素点的水平尺寸t_pu和垂直尺寸t_pv，以及灭点在视频图像中的垂直坐标值v_h；

2)利用设置的视频传感器，实时采集交通视频图像I；

3)基于暗原色先验理论，获取所采集图像的透射率t(x)；

4)利用多点各向异性高斯滤波器和双边滤波细化步骤3)获取的透射率；

5)将步骤4)中得到的透射率代入到视频图像灰度值沿垂直方向变化的拐点与透射率的函数表达式，以获取拐点的坐标；

6)将所有拐点的垂直坐标值代入能见度计算模型，以确定能见度的值。

进一步地，步骤4)中透射率的细化步骤如下：

(a)利用多点各项异性高斯滤波器检测所采集视频图像中的边缘线段，滤波器的定义如下：

$f(u,v)=\left\{\begin{array}{cc}-(u/{\mathrm{\&sigma;}}_1^2)\exp (-u^2/\left(2{\mathrm{\&sigma;}}_1^2\right))\exp (-{(v-h)}^2/\left(2{\mathrm{\&sigma;}}_2^2\right))& h<v<\mathrm{\&infin;}\\ -(u/{\mathrm{\&sigma;}}_1^2)\exp (-u^2/\left(2{\mathrm{\&sigma;}}_1^2\right))& -h\&le;v\&le;h\\ -(u/{\mathrm{\&sigma;}}_1^2)\exp (-u^2/\left(2{\mathrm{\&sigma;}}_1^2\right))\exp (-{(v+h)}^2/\left(2{\mathrm{\&sigma;}}_2^2\right))& -\mathrm{\&infin;}<v<-h\end{array}\right.---\left(1\right)$

其中h≥0是一个常数，σ₁和σ₂分别代表方差；

(b)如果边缘线段中含有局部区域Ω(x)的中心像素点x_c，则该像素点透射率利用双边滤波器进行细化，具体方法如下：

$t\left(x_c\right)=\frac{1}{W_p}\underset{y\&Element;S}{\&Sigma;}\tilde{t}\left(y\right)G_{\mathrm{\&sigma;}s}\left(\right||\tilde{t}\left(y\right)-\tilde{t}\left(x\right)|\left|\right)G_{\mathrm{\&sigma;}r}\left(\right||x-y|\left|\right)---\left(2\right)$

其中S是中心在x_c处的窗口，其大小为Ω的两倍；是步骤3)获得的透射率原始输入值；y和x代表图像中的像素点；G_σs和G_σr分别表示空间高斯权重和距离高斯权重；1/W_p是正则化因子:

$W_p=\underset{y\&Element;S}{\&Sigma;}{G}_{{\mathrm{\&sigma;}}_s}\left(\right||t\left(y\right)-t\left(x\right)|\left|\right)G_{{\mathrm{\&sigma;}}_r}\left(\right||x-y|\left|\right)---\left(3\right)$

(c)如果边缘线中不含有局部区域Ω(x)的中心像素点x_c，则该像素点的透射率细化方法如下：

$t\left(x_c\right)=1-\underset{y\&Element;\mathrm{\&Phi;}\left(x\right)}{\min }\left(\underset{c}{\min }\frac{I^c\left(y\right)}{A^c}\right)---\left(4\right)$

其中Φ(x)表示在局部区域Ω内含有中心像素点x_c的同质区域，I^c(y)代表不同颜色通道的图像，A是大气光，r,g,b分别表示图像I的红色通道图像、绿色通道图像和蓝色通道图像。

进一步地，大气光A的计算方法如下：

(a)在暗原色中计算亮度在前10％的像素点。

(b)从这些像素点中选择在图像I中具有最高强度值的像素点作为大气光A的值。

进一步地，步骤5)中视频图像灰度值沿垂直方向变化的拐点与透射率的函数关系的推导过程如下：

在计算机视觉领域中，广泛用于解决雾天图像复原问题的雾天图像成像模型定义如下：

I(x)＝J(x)t(x)+A(1-t(x))(5)

其中I(x)表示视频传感器获取到的图像，J(x)是原始图像，A表示大气光，t(x)表示透射率，其计算公式如下：

t(x)＝e^-βd(x)(6)

式(6)中β为大气的散射系数，d(x)表示坐标点设为(u,v)的像素点x到视频传感器的距离；根据步骤1)获取的相关参数，d(x)的定义如下：

$d\left(x\right)=\left\{\begin{array}{cc}\frac{Hf}{(v-v_h)cos\left(\mathrm{\&theta;}\right)}& ifv>v_h\\ \mathrm{\&infin;}& ifv\&le;v_h\end{array}\right.---\left(7\right)$

式(7)也称为景深计算模型；

联合式(7)和式(8)，式(6)可重写为：

$I\left(x\right)=J\left(x\right)-(J\left(x\right)-A\left(x\right))\left(1-\exp \left(-\mathrm{\&beta;}\frac{\mathrm{\&lambda;}}{v-v_h}\right)\right)---\left(8\right)$

基于式(8)求解I对v二阶导等于零的点，即图像中的拐点x_i(i＝1,2,…N)N是大于等于3的正整数，坐标设为(u_i,v_i)，舍弃无意义的点，可得：

$v_i=\frac{\mathrm{\&beta;}H\mathrm{\&alpha;}}{2cos\left(\mathrm{\&theta;}\right)}+v_h---\left(9\right)$

其中α可根据步骤1)中获取的参数计算

根据式(9)，可推导出大气光散射系数β的表达式：

$\mathrm{\&beta;}=\frac{2(v_i-v_h)cos\left(\mathrm{\&theta;}\right)}{H\mathrm{\&alpha;}}=\frac{2}{d\left(x_i\right)}---\left(10\right)$

由以上分析可知只有当x_i是图像强度变化的拐点时，式(10)才成立；

根据式(6)，大气光散射系数β也可表示为：

β＝-ln(t(x))/d(x)(11)

将图像强度变化的拐点x_i代入式(11)可得：

β＝-ln(t(x_i))/d(x_i)(12)

联合式(10)和(12)可得：

$\frac{-\ln \left(t\left(x_i\right)\right)}{d\left(x_i\right)}=\frac{2}{d\left(x_i\right)}---\left(13\right)$

根据式(13)，可得出拐点与透射率的函数关系式：

t((x_i))＝e^-2(14)

将步骤4)中得到的细化透射率，代入式(14)即可得到获取的视频图像沿垂直方向变化的拐点x_i(i＝1,2,…N)。

进一步地，步骤6)中能见度计算模型的表达式为：

从视频图像中可以直观看出，能见度的大小与视频图像中x_i(i＝1,2,…N)到视频传感器的距离有着密切的关系；能见度越大，x_i(i＝1,2,…N)到视频传感器的距离则越大；反之亦然；为了消除图像中噪声点对能见度检测结果的影响，将x_i(i＝1,2,…N)到视频传感器的平均距离定义为该场景下能见度的值V；结合式(7)所示的景深计算模型，能见度计算模型的表达式为：

$\left\{\begin{array}{c}V=\frac{1}{N}\underset{i=1}{\overset{N}{\&Sigma;}}{d}_i\\ d_i=\frac{Hf}{\cos \left(\mathrm{\&theta;}\right)(v_i-v_h)}\end{array}\right.---\left(15\right)$

将步骤5)中获取的拐点x_i(i＝1,2,…N)代入式(15)所示的能见度计算模型即可获取精确的能见度值。

本发明主要用于基于视频传感器的高速公路团雾区能见度检测系统，利用暗原色先验理论、多点各向异性高斯滤波器和双边滤波器获取视频图像精确的透射率；将透射率代入本发明提出的拐点与透射率的函数关系式，以获取视频图像沿垂直方向变化的拐点；将拐点的垂直坐标代入本发明提出的能见度计算模型，以确定复杂环境下能见度的值。

本发明具有如下特点：

(1)本发明可以充分利用高速公路团雾区已有的视频传感器采集视频图像信息，以实现能见度检测，具有较低的应用成本和广阔的应用前景。

(2)本发明构建的能见度计算模型利用所有拐点到视频传感器的平均距离作为能见度的值，避免了噪声对检测结果的影响具有较强的鲁棒性。

(3)本发明利用构建的拐点与透射率的函数关系检测视频图像沿垂直方向变化的拐点，避免了传统算法对路面同质、路面标志信息未被遮挡、视频传感器前需具有单一运动目标的等要求，使得本发明能满足于路面非同质、路面标识被遮挡、含有多目标等复杂场景下的能见度计算需求。

附图说明

图1为本发明方法的流程图；

图2为本发明的视频传感器成像模型示意图；

图3(a)为输入图像，图3(b)为透射率的初始计算结果；

图4(a)、图4(b)为两种边缘结构示意图，其中，图4(a)为ELS含有中心像素点，图4(b)为ELS不含中心像素点；

图5为ELS不含中心像素点的所有边缘结构；

图6(a)为输入图像，图6(b)为透射率的初始计算结果，图6(c)为本发明的细化结果；

图7复杂场景下视频图像的拐点检测结果；

图8复杂场景下视频图像的能见度检测结果。

具体实施方式

下面结合附图和实施例对本发明进一步说明。

如图1所示，本发明采用视频传感器获取路况视频图像，精确计算视频图像的透射率；根据透射率计算拐点的坐标；利用拐点的坐标确定复杂场景下的能见度值，具体的实施步骤如下：

1)根据视频传感器成像模型(如图2所示)，获取计算能见度所需的相关参数：视频传感器距地平面的高度H，视频传感器的光轴与地平面的夹角θ，灭点在视频图像中的垂直坐标值v_h，视频传感器的有效焦距f，以及图像中像素点的水平尺寸t_pu和垂直尺寸t_pv。

2)利用设置的视频传感器，实时采集交通视频图像I。

3)视频图像I透射率的计算分为如下两步进行：

a)计算大气光A的值。

基于暗原色先验理论，计算在步骤2)中所采集视频图像I的暗通道:

$J^{dark}\left(x\right)=1-\underset{y\&Element;\mathrm{\&Omega;}\left(x\right)}{\min }\left(\underset{c\&Element;\left\{r,g,b\right\}}{\min }{I}^c\left(y\right)\right)---\left(1\right)$

其中I^c(y)代表不同颜色通道的图像，Ω(x)是以x为中心的局部区域其大小设为5*5。在J^dark(x)检测亮度在前10％的像素点集合E；从集合E中选择在所采集视频图像I的不同通道中最高强度值作为该通道的大气光A的值。

(b)透射率计算。

根据暗原色先验理论和大气光A的值，计算在步骤2)中所采集视频图像I的透射率(t(x))：

(4)步骤3)中计算透射率成立的条件是局部区域Ω(x)中的透射率恒定。然而在真实场景下获取的视频图像中，同质区域内透射率恒定，含有边缘像素的非同质区域其透射率并不恒定。因此，直接利用步骤3)求取的透射率在同质区域内具有精确的值，而在非同质区域内会产生块效应和丢失边缘信息，从而降低透射率的计算精度(如图3(a)、图3(b)所示)。为了精确地获取透射率的值，细化由步骤3)所获取透射率的方法如下：

块效应通常出现在两个同质区域的边界处，边界由多个边缘线段(edge-linesegments,ELS)组成。因此，如果局部区域Ω(x)中含有ELS,利用步骤3)计算的透射率并不准确。局部区域Ω(x)中含有ELS分为两种情况(如图4(a)、图4(b)所示，符号“■”代表边缘像素)，ELS包含和不包含局部区域Ω(x)的中心像素x_c。

在该步骤中利用多点各项异性高斯滤波器检测视频图像I中的边缘线段，滤波器的定义如下：

$f(u,v)=\left\{\begin{array}{cc}-(u/{\mathrm{\&sigma;}}_1^2)\exp (-u^2/\left(2{\mathrm{\&sigma;}}_1^2\right))\exp (-{(v-h)}^2/\left(2{\mathrm{\&sigma;}}_2^2\right))& h<v<\mathrm{\&infin;}\\ -(u/{\mathrm{\&sigma;}}_1^2)\exp (-u^2/\left(2{\mathrm{\&sigma;}}_1^2\right))& -h\&le;v\&le;h\\ -(u/{\mathrm{\&sigma;}}_1^2)\exp (-u^2/\left(2{\mathrm{\&sigma;}}_1^2\right))\exp (-{(v+h)}^2/\left(2{\mathrm{\&sigma;}}_2^2\right))& -\mathrm{\&infin;}<v<-h\end{array}\right.---\left(2\right)$

其中h的值设为2，σ₁和σ₂分别设为1和2。

如果边缘线段中含有局部区域Ω(x)的中心像素点x_c，则该像素点的透射率利用双边滤波器进行细化，具体方法如下：

$t\left(x_c\right)=\frac{1}{W_p}\underset{y\&Element;S}{\&Sigma;}\tilde{t}\left(y\right)G_{\mathrm{\&sigma;}s}\left(\right||t\left(y\right)-t\left(x\right)|\left|\right)G_{\mathrm{\&sigma;}r}\left(\right||x-y|\left|\right)---\left(3\right)$

其中S是中心在x_c处的窗口，其大小为Ω的两倍；是步骤(3)获得的透射率原始值；y和x代表图像中的像素点；G_σs和G_σr分别表示空间高斯权重和距离高斯权重；1/W_p是正则化因子:

$W_p=\underset{y\&Element;S}{\&Sigma;}{G}_{{\mathrm{\&sigma;}}_s}\left(\right||t\left(y\right)-t\left(x\right)|\left|\right)G_{{\mathrm{\&sigma;}}_r}\left(\right||x-y|\left|\right)---\left(4\right)$

如果边缘线中不含有局部区域Ω(x)的中心像素点x_c(该情况下的所有边缘结构如图5所示，符号“■”表示属于同质区域Φ(x)的像素点)，则该像素点的透射率细化方法如下：

$t\left(x_c\right)=1-\underset{y\&Element;\mathrm{\&Phi;}\left(x\right)}{\min }\left(\underset{c}{\min }\frac{I^c\left(y\right)}{A^c}\right)---\left(5\right)$

其中Φ(x)表示在局部区域Ω内含有中心像素点x_c的同质区域；I^c(y)代表不同颜色通道的图像，A是大气光，r,g,b分别表示图像I的红色通道图像、绿色通道图像和蓝色通道图像。

大气光A的计算方法如下：

(a)在暗原色中计算亮度在前10％的像素点。

(b)从这些像素点中选择在图像I中具有最高强度值的像素点作为大气光A的值。

基于以上分析，透射率细化方法(细化结果如图6(a)、图6(b)、图6(c)所示)的主要步骤如下：

(a)利用步骤3)计算每个像素点的透射率

(b)利用多点各项异性高斯滤波器检测边缘线段的位置和方向。

(c)判断局部区域Ω(x)是否含有边缘线段：

a)如果边缘线段含有局部区域Ω(x)的中心像素点x_c则利用式(3)获取细化后的中心像素点透射率t(x_c)。

b)如果边缘线段不含有局部区域Ω(x)的中心像素点x_c则利用式(5)获取细化后的中心像素点透射率t(x_c)。

c)如果局部区域Ω(x)没有边缘线段，则令

(5)将步骤4)中得到的透射率代入到视频图像亮度值沿垂直方向变化的拐点与透射率的函数表达式，以获取拐点的坐标:

在计算机视觉领域中，广泛用于解决雾天图像复原问题的雾天图像成像模型定义如下：

I(x)＝J(x)t(x)+A(1-t(x))(6)

其中I(x)表示视频传感器获取到的图像，J(x)是原始图像，A表示大气光，t(x)表示透射率，其计算公式如下：

t(x)＝e^-βd(x)(7)

式(7)中β为大气的散射系数，d(x)表示像素点x(坐标设为(u,v))到视频传感器的距离。根据步骤1)获取的相关参数，d(x)的定义如下：

$d\left(x\right)=\left\{\begin{array}{cc}\frac{Hf}{(v-v_h)cos\left(\mathrm{\&theta;}\right)}& ifv>v_h\\ \mathrm{\&infin;}& ifv\&le;v_h\end{array}\right.---\left(8\right)$

式(8)也称为景深计算模型。

联合式(7)和式(8)，式(6)可重写为：

$I\left(x\right)=J\left(x\right)-(J\left(x\right)-A\left(x\right))\left(1-\exp \left(-\mathrm{\&beta;}\frac{\mathrm{\&lambda;}}{v-v_h}\right)\right)---\left(9\right)$

基于式(9)求解I对v二阶导等于零的点(即图像中的拐点x_i(i＝1,2,…N)，坐标设为(u_i,v_i))，舍弃无意义的点，可得：

$v_i=\frac{\mathrm{\&beta;}H\mathrm{\&alpha;}}{2cos\left(\mathrm{\&theta;}\right)}+v_h---\left(10\right)$

根据式(10)，可推导出大气光散射系数β的表达式：

$\mathrm{\&beta;}=\frac{2(v_i-v_h)cos\left(\mathrm{\&theta;}\right)}{H\mathrm{\&alpha;}}=\frac{2}{d\left(x_i\right)}---\left(11\right)$

由以上分析可知只有当x_i是图像强度变化的拐点时式(11)才成立。

根据式(7)，大气光散射系数β也可表示为：

β＝-ln(t(x))/d(x)(12)

将图像强度变化的拐点x_i代入式(12)可得：

β＝-ln(t(x_i))/d(x_i)(13)

联合式(11)和(13)可得：

$\frac{-\ln \left(t\left(x_i\right)\right)}{d\left(x_i\right)}=\frac{2}{d\left(x_i\right)}---\left(14\right)$

根据式(14)，可得出拐点与透射率的关系式：

t((x_i))＝e^-2(15)

将步骤4)中得到的细化透射率，代入式(15)即可得到获取的视频图像沿垂直方向变化的拐点x_i(i＝1,2,…N)。

(6)将所有拐点的垂直坐标值代入能见度计算模型，以确定能见度的值。

从视频图像中可以直观看出，能见度的大小与视频图像中x_i(i＝1,2,…N)到视频传感器的距离有着密切的关系。能见度越大，x_i(i＝1,2,…N)到视频传感器的距离则越大；反之亦然。为了消除图像中噪声点对能见度检测结果的影响，本发明将x_i(i＝1,2,…N)到视频传感器的平均距离定义为该场景下能见度的值(V)。结合式(8)所示的景深计算模型，能见度计算模型的表达式为：

$\left\{\begin{array}{c}V=\frac{1}{N}\underset{i=1}{\overset{N}{\&Sigma;}}{d}_i\\ d_i=\frac{Hf}{\cos \left(\mathrm{\&theta;}\right)(v_i-v_h)}\end{array}\right.---\left(16\right)$

将步骤5)中获取的拐点x_i(i＝1,2,…N)代入式(16)所示的能见度计算模型即可获取精确的能见度值。

下面以真实路况的能见度检测来说明本发明的实施。

测试的硬件平台为i3-4030U、1.90GHZ、单CPU、4G内存，视频图像均在复杂场景下获取。

图7所示为复杂场景下的视频图像，该视频图像中路面标志信息不但被遮挡，而且含有多个运动目标。图像中的黑色区域为本发明检测到的图像亮度值在垂直方向变化的拐点。从结果中可以看出，本发明能非常精确地检测到拐点。

图8所示为山东省青银高速公路视频图像，其路面为非同质。视频图像中的黑色水平线表示本发明检测的能见度(180米)，与人眼的观测值具有高度的一致性。

从图7和图8可以看出，对于复杂场景下获取的视频图像，本发明能精确地检测其能见度值。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (5)

1.一种基于光学模型和暗原色先验理论的能见度检测方法，其特征是，包括以下步骤：

1)根据视频传感器的成像模型，获取计算能见度所需的相关参数：视频传感器距地平面的高度H，视频传感器的光轴与地平面的夹角θ，视频传感器的有效焦距f，图像中像素点的水平尺寸t_pu和垂直尺寸t_pv，以及灭点在视频图像中的垂直坐标值v_h；

2)利用设置的视频传感器，实时采集交通视频图像I；

3)基于暗原色先验理论，获取所采集图像的透射率t(x)；

4)利用多点各向异性高斯滤波器和双边滤波细化步骤3)获取的透射率；

5)将步骤4)中得到的透射率代入到视频图像灰度值沿垂直方向变化的拐点与透射率的函数表达式，以获取拐点的坐标；

6)将所有拐点的垂直坐标值代入能见度计算模型，以确定能见度的值。

2.如权利要求1所述的基于光学模型和暗原色先验理论的能见度检测方法，其特征是，步骤4)中透射率的细化步骤如下：

(a)利用多点各项异性高斯滤波器检测所采集视频图像中的边缘线段，滤波器的定义如下：

$f(u,v)=\left\{\begin{array}{cc}-(u/{\mathrm{\&sigma;}}_1^2)\exp (-u^2/(2{\mathrm{\&sigma;}}_1^2)\left)\exp (-{(v-h)}^2/(2{\mathrm{\&sigma;}}_2^2)\right)& h<v<\mathrm{\&infin;}\\ -(u/{\mathrm{\&sigma;}}_1^2)\exp (-u^2/(2{\mathrm{\&sigma;}}_1^2))& -h\&le;v\&le;h\\ -(u/{\mathrm{\&sigma;}}_1^2)\exp (-u^2/(2{\mathrm{\&sigma;}}_1^2)\left)\exp (-{(v+h)}^2/(2{\mathrm{\&sigma;}}_2^2)\right)& -\mathrm{\&infin;}<v<-h\end{array}\right.---\left(1\right)$

其中h≥0是一个常数，σ₁和σ₂分别代表方差；

(b)如果边缘线段中含有局部区域Ω(x)的中心像素点x_c，则该像素点透射率利用双边滤波器进行细化，具体方法如下：

$t\left(x_c\right)=\frac{1}{W_p}\underset{y\&Element;S}{\&Sigma;}\tilde{t}\left(y\right)G_{\mathrm{\&sigma;}s}\left(\right|\left|\tilde{t}\right(y)-\tilde{t}\left(x\right)\left|\right|)G_{\mathrm{\&sigma;}r}\left(\right||x-y|\left|\right)---\left(2\right)$

其中S是中心在x_c处的窗口，其大小为Ω的两倍；是步骤3)获得的透射率原始输入值；y和x代表图像中的像素点；G_σs和G_σr分别表示空间高斯权重和距离高斯权重；1/W_p是正则化因子:

$W_p=\underset{y\&Element;S}{\&Sigma;}{G}_{{\mathrm{\&sigma;}}_s}\left(\right|\left|t\right(y)-t\left(x\right)\left|\right|)G_{{\mathrm{\&sigma;}}_r}\left(\right||x-y|\left|\right)---\left(3\right)$

(c)如果边缘线中不含有局部区域Ω(x)的中心像素点x_c，则该像素点的透射率细化方法如下：

$t\left(x_c\right)=1-\underset{y\&Element;\mathrm{\&Phi;}\left(x\right)}{min}\left(\underset{c}{min}\frac{I^c\left(y\right)}{A^c}\right)---\left(4\right)$

其中Φ(x)表示在局部区域Ω内含有中心像素点x_c的同质区域，I^c(y)代表不同颜色通道的图像，A是大气光，r,g,b分别表示图像I的红色通道图像、绿色通道图像和蓝色通道图像。

3.如权利要求2所述的基于光学模型和暗原色先验理论的能见度检测方法，其特征是，大气光A的计算方法如下：

(a)在暗原色中计算亮度在前10％的像素点。

(b)从这些像素点中选择在图像I中具有最高强度值的像素点作为大气光A的值。

4.如权利要求2所述的基于光学模型和暗原色先验理论的能见度检测方法，其特征是，步骤5)中视频图像灰度值沿垂直方向变化的拐点与透射率的函数关系的推导过程如下：

在计算机视觉领域中，广泛用于解决雾天图像复原问题的雾天图像成像模型定义如下：

I(x)＝J(x)t(x)+A(1-t(x))(5)

其中I(x)表示视频传感器获取到的图像，J(x)是原始图像，A表示大气光，t(x)表示透射率，其计算公式如下：

t(x)＝e^-βd(x)(6)

式(6)中β为大气的散射系数，d(x)表示坐标点设为(u,v)的像素点x到视频传感器的距离；根据步骤1)获取的相关参数，d(x)的定义如下：

$d\left(x\right)=\left\{\begin{array}{cc}\frac{Hf}{(v-v_h)cos\left(\mathrm{\&theta;}\right)}& ifv>v_h\\ \mathrm{\&infin;}& ifv\&le;v_h\end{array}\right.---\left(7\right)$

式(7)也称为景深计算模型；

联合式(7)和式(8)，式(6)可重写为：

$I\left(x\right)=J\left(x\right)-\left(J\right(x)-A(x\left)\right)(1-\exp (-\mathrm{\&beta;}\frac{\mathrm{\&lambda;}}{v-v_h}\left)\right)---\left(8\right)$

基于式(8)求解I对v二阶导等于零的点，即图像中的拐点x_i(i＝1,2,…N)N是大于等于3的正整数，坐标设为(u_i,v_i)，舍弃无意义的点，可得：

$v_i=\frac{\mathrm{\&beta;}H\mathrm{\&alpha;}}{2cos\left(\mathrm{\&theta;}\right)}+v_h---\left(9\right)$

其中α可根据步骤1)中获取的参数计算

根据式(9)，可推导出大气光散射系数β的表达式：

$\mathrm{\&beta;}=\frac{2(v_i-v_h)cos\left(\mathrm{\&theta;}\right)}{H\mathrm{\&alpha;}}=\frac{2}{d\left(x_i\right)}---\left(10\right)$

由以上分析可知只有当x_i是图像强度变化的拐点时，式(10)才成立；

根据式(6)，大气光散射系数β也可表示为：

β＝-ln(t(x))/d(x)(11)

将图像强度变化的拐点x_i代入式(11)可得：

β＝-ln(t(x_i))/d(x_i)(12)

联合式(10)和(12)可得：

$\frac{-ln\left(t\right(x_i\left)\right)}{d\left(x_i\right)}=\frac{2}{d\left(x_i\right)}---\left(13\right)$

根据式(13)，可得出拐点与透射率的函数关系式：

t((x_i))＝e^-2(14)

将步骤4)中得到的细化透射率，代入式(14)即可得到获取的视频图像沿垂直方向变化的拐点x_i(i＝1,2,…N)。

5.如权利要求4所述的基于光学模型和暗原色先验理论的能见度检测方法，其特征是，进一步地，步骤6)中能见度计算模型的表达式为：

从视频图像中可以直观看出，能见度的大小与视频图像中x_i(i＝1,2,…N)到视频传感器的距离有着密切的关系；能见度越大，x_i(i＝1,2,…N)到视频传感器的距离则越大；反之亦然；为了消除图像中噪声点对能见度检测结果的影响，将x_i(i＝1,2,…N)到视频传感器的平均距离定义为该场景下能见度的值V；结合式(7)所示的景深计算模型，能见度计算模型的表达式为：

$\left\{\begin{array}{c}V=\frac{1}{N}\underset{i=1}{\overset{N}{\&Sigma;}}{d}_i\\ d_i=\frac{Hf}{\cos \left(\mathrm{\&theta;}\right)(v_i-v_h)}\end{array}\right.---\left(15\right)$

将步骤5)中获取的拐点x_i(i＝1,2,…N)代入式(15)所示的能见度计算模型即可获取精确的能见度值。