CN108956397B - 一种基于迹范数的道路能见度检测方法 - Google Patents
一种基于迹范数的道路能见度检测方法 Download PDFInfo
- Publication number
- CN108956397B CN108956397B CN201810501646.6A CN201810501646A CN108956397B CN 108956397 B CN108956397 B CN 108956397B CN 201810501646 A CN201810501646 A CN 201810501646A CN 108956397 B CN108956397 B CN 108956397B
- Authority
- CN
- China
- Prior art keywords
- coordinate system
- visibility
- camera
- road surface
- extinction coefficient
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000008033 biological extinction Effects 0.000 claims abstract description 44
- 238000012544 monitoring process Methods 0.000 claims abstract description 13
- 230000003287 optical effect Effects 0.000 claims description 15
- 238000003384 imaging method Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 235000007164 Oryza sativa Nutrition 0.000 claims description 3
- 235000009566 rice Nutrition 0.000 claims description 3
- 240000007594 Oryza sativa Species 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 23
- 230000006870 function Effects 0.000 description 17
- 238000004458 analytical method Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 239000003595 mist Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 241000209094 Oryza Species 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241001499740 Plantago alpina Species 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume, or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- G01N15/075—
Landscapes
- Chemical & Material Sciences (AREA)
- Dispersion Chemistry (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于迹范数的道路能见度检测方法，属于能见度检测技术领域。本发明首先对采集的视频图像进行摄像机标定，确定实际路面上一点到摄像机坐标系的垂直距离；根据现有能见度检测理论和实际的能见度数据，将消光系数k视为时间t的函数k(t)，假设消光系数函数k(t)在某时刻t0附近为常数，基于迹范数，利用t0时刻的能见度监控图像帧进行曲线拟合，当拟合曲线接近实际亮度曲线时，得到该时刻的消光系数；对于t0时刻附近连续的若干帧，分别求其消光系数并取平均，得到t0时刻附近的消光系数值；多次求解，得到若干时段的消光系数值，最后求得不同时刻的能见度值。本发明鲁棒性好，精确度高，并且与高速路况视频监控系统兼容，具备实用性和普适性。
Description
技术领域
本发明涉及道路能见度检测技术领域，更具体地说，涉及一种基于迹范数的道路能见度 检测方法。
背景技术
在天气糟糕的情况下，路面能见度降低，司机情绪也受到影响，是影响交通事故发生的 主要因素之一。因此，研究灾害天气下道路能见度检测方法和算法，对于提高道路能见度检 测准确度、缓解交通矛盾具有重要意义。
能见度是由国际照明委员会(International Commission on Illumination，CIE)定义，具体内 容为：肉眼没有任何帮助的条件下，所能识别的物体的最大距离称之为当前的能见度距离。 悬浮在大气中的固体和液体微粒对光的散射是影响能见度的主要原因，同时，能见度的目测 估计值随个人的视觉而变化。传统的能见度检测仪价格昂贵，且难以密集布设，检测精度不 高。为提高检测精度，节约资源，节省开支，基于视频分析的道路能见度检测算法已成为计 算机视觉技术应用的主要热点之一，有望取代传统能见度检测仪。
基于视频分析的道路能见度检测算法具有速度快，成本低等特点，目前受到广泛应用。 通过对交通摄像视频进行自动化分析，可以获取与人眼感知相同的特征信息，同时可以检测 雾、靋、霾等低能见度天气，特别是在不定时间和地点突然生成的团雾。
发明人之前已经实现了两种基于视频分析的道路能见度检测方法和算法：基于路面亮度 特征点的道路能见度检测算法、基于路面固有亮度估算视频分析的道路能见度检测算法，其 中，基于路面亮度特征点的道路能见度检测方法，其核心思想方法是：以视频图像的整体亮 度变化特征为基础，采用区域增长方法寻找初始亮度、高度基本一致的车道行驶域，并通过 分析ROI(Region of Interest,兴趣域)区域内路面像素的亮度变化趋势，以获得变化特征点， 再结合PTZ摄像机成像映射标定求解大气消光系数，计算道路能见度值。其算法流程如图1 所示。但此方法在路面成像过程中，真实空间(3D)向图像二维空间转换时，物体高度信息 经常被丢失，如路侧路基、建筑成像可能在地平线之上等等，这将导致提取到的道路图像特 征点难以通过摄像机标定算法转换为具体的能见度值。并且由于大气光散射的作用，图像中 路面像素亮度随着距离呈现一定的变化关系。路面上路基、车道分割线等亮度的跳变，可能 导致路面亮度提取过程中误差较大。
基于路面固有亮度估算视频分析的道路能见度检测算法，在成像过程中，在将真实3维 空间转换为图像2维空间时，物体高度信息容易丢失。去除车道分割线及车辆的影响之后， 获取的路面区域的亮度会发生截断，因此不能直接取该亮度的中值为该行的特征视亮度。杨 娴等提出一种基于采样估算路面视亮度的能见度检测方法。算法流程如图2所示：
首先通过对路面区域采样，构建多组亮度幂函数关系计算固有亮度，接着对采样点进行 计算获得能见度距离，最后对计算结果进行均值聚类。为了消除路基及车道分割线以及路上 车辆对路面视亮度的计算的干扰，能见度计算之前要提取路面亮度一致区域作为计算对象， 采用区域增长算法，结合mask区域内亮度判断准则，获取精确路面区域，保证路面亮度的一 致性。实验证实该算法具有计算量小、计算精度高的优点，但是由于运算过程中采用了对高 阶幂次的估计和计算，本算法对于噪声干扰相对敏感。
发明内容
1.发明要解决的技术问题
本发明的目的在于克服上述现有技术存在的不足，提供了一种基于迹范数的道路能见度 检测方法；本发明基于迹范数的能见度检测算法鲁棒性好，精确度高，并且该方法能与目前 使用的高速路况视频监控系统兼容，具备实用性和普适性。
2.技术方案
为达到上述目的，本发明提供的技术方案为：
本发明的一种基于迹范数的道路能见度检测方法，其步骤为：
步骤一、采集道路交通视频图像；
步骤二、对步骤一采集的一帧视频图像进行PTZ摄像机标定，检测车道分割线，确定实 际路面上一点到摄像机坐标系的垂直距离di；
步骤三、根据现有能见度检测理论和实际的能见度数据，对消光系数k进行拓展，视为 时间t的函数k(t)，在迹范数基础上构建泛函；
步骤四、假设消光系数函数k(t)在某时刻t0附近为常数，基于迹范数，利用t0时刻的能 见度监控图像帧进行曲线拟合，当拟合曲线接近实际亮度曲线时，得到该时刻的消光系数； 对于t0时刻附近连续的若干帧，分别求其消光系数并取平均，可以得到t0时刻附近的消光系 数值；多次求解，得到t0,t1,t2,t3,t4,t5,……等若干时段的消光系数值，利用最小二乘得到k(t) 的方程，求得不同时刻的能见度值。
更进一步地，步骤一所述的道路交通视频图像采集具体要求为：使用高速公路外场路测 PTZ摄像机进行视频图像采集，采集的视频图像需满足图像最底端一行像素区域显示离摄像 机的距离不超过20米，图像最顶端一行像素区域显示离摄像机的距离大于200米；采集视 频图像时，每隔10分钟截取一帧图像，连续截取15～30帧图像。
更进一步地，步骤二的具体操作步骤为：
对步骤一采集的一帧视频图像进行PTZ摄像机标定，建立PTZ摄像机成像模型，得出路 面坐标系、摄像机坐标系与成像平面间的变换关系，计算视频图像中路面区域与摄像机的距 离；其中，PTZ摄像机成像模型包括3个坐标系：
路面坐标系(Xw,Yw,Zw)，摄像机坐标系(Xi,Yi,Zi)以及像平面坐标系(u,v)，路面坐标 系原点Ow为摄像机光轴与路面的交点；Xw轴正向水平指向路面右侧，Yw轴正向沿路面方向 指向前方，Zw轴正向垂直于路面向上；摄像机坐标系原点O为摄像机光心位置，Zi轴为摄像 机光轴位置，Xi-Yi平面平行于像平面；(u,v)分别对应像平面的横坐标和纵坐标，习惯将图 像像素位置以行和列表达，因此，u又称为图像列坐标，v称为图像行坐标；
路面坐标系与摄像机坐标系间以及摄像机坐标系与像平面坐标系间的变换关系为：
其中，θ为摄像机光轴与路面夹角，H为摄像机光心距路面的垂直距离，f为镜头有效焦 距；
根据上述路面坐标系与摄像机坐标系间以及摄像机坐标系与像平面坐标系间的变换关 系，推算出实际路面上一点到摄像机坐标系的垂直距离di与该点在像平面坐标系上对应像素 点的坐标(u,v)的对应关系：
其中，vi为路面上一点在像平面坐标系中的行坐标，vh为灭点在像平面坐标系中的行坐 标，所述的灭点表示视频图像中车道分割线与无限远处交汇的点。
更进一步地，对于所述的λ，在视频图像中找到一条清晰的车道分割线，车道分割线头 端到摄像机坐标系的距离为d2，车道分割线尾端到摄像机坐标系的距离为d1，由于实际高速 公路的车道分割线有固定长度6m；因此对应的有d2-d1＝6，并读出该车道分割线头尾的行坐 标v1、v2，可以计算得到：
更进一步地，步骤三建立的泛函为：
式中，L0为目标物自有亮度；Lf为背景天空亮度；[0,T]表示采样的时间区间，l表示距 离。
更进一步地，步骤四中大气能见距离Vis与消光系数k之间的转换关系为：
式中，Cd表示目标物亮度对比度，C0表示固有亮度对比度。
3.有益效果
采用本发明提供的技术方案，与已有的公知技术相比，具有如下显著效果：
(1)本发明的一种基于迹范数的道路能见度检测方法，因含有雾霾的视频图像，其纹理 边界的差异变小，可以视为模糊图像来处理，而基于总有界变差(TBV)的性质，迹范数可以 将边界之间的差异有效表征出来，故具有鲁棒性好，精确度高的优点；
(2)本发明的一种基于迹范数的道路能见度检测方法，其无需设置任何人工标志物，充 分利用了公路上已有的路况摄像机，能直观监测和获取数据，故能与目前使用的高速路况视 频监控系统兼容，具备实用性和普适性。
(3)本发明的一种基于迹范数的道路能见度检测方法，其在能见度小于200m时计算误 差小，准确性高，在浓雾时较国内已有算法有显著优势。
附图说明
图1为基于路面亮度特征点的道路能见度检测方法的算法流程图；
图2为基于视频固有亮度估算的能见度检测算法流程图；
图3为能见度、消光系数和迹范数关系图；
图4中的(a)-(d)为本发明中若干亮度曲线逼近比较图；
图5中的(a)-(d)为实际路面监测点(桩号K19+738)的采集图像；
图6为实际路面监测点(桩号K19+738)采集图像的能见度估计值与真实值比较图；
图7中的(a)-(d)为实际路面监测点(桩号K21+095)的采集图像；
图8为实际路面监测点(桩号K21+095)采集图像的能见度估计值与真实值比较图；
图9为三种算法的测量值以及能见度仪测量的真实值的比较图；
图10为三种算法测量值误差的比较图。
具体实施方式
为进一步了解本发明的内容，结合附图和实施例对本发明作详细描述。
实施例1
考虑到低能见度图像从图像质量而言，就是模糊图像，为此可以使用变分算法对图像微 小扰动的识别性，分析图像变分值与距离的关系，拟合能见度值。本实施例在此基础上，提 出了基于迹范数的能见度检测方法，实验证明，本实施例提出的方法检测精度高，能较好地 满足人眼视觉特性。
为了进一步理解本实施例的方案，首先介绍下迹范数：
如同函数的微分是增量的线性主部一样，变分是泛函增量的线性主部。作为泛函的自变 量，函数x(t)在x0(t)的增量记为δx(t)，也即函数的变分：
δx(t)＝x(t)-x0(t) (1)
由δx(t)引起的泛函的增量记为：
ΔJ＝J(x0(t)+δx(t))-J(x0(t)) (2)
如果ΔJ可以表为
ΔJ＝L(x0(t),δx(t))+r(x0(t),δx(t)) (3)
其中L为δx的线性项，而r是δx的高阶项，则称L为泛函在x0(t)的变分，记作δJ(x0(t))。 而x(t)是变动的，替代x0(t)，即δJ(x(t))。
迹范数与消光系数的关系具体如下：
跳跃和平滑波动一般是组成数字图像的基础部分。而对于含有雾霾的图像，图像的纹理 边界的差异变小，因此可以认为是模糊图像。针对于模糊图片边界差异小的特点，采用迹范 数可以对边界差异进行有效表征，能有效提高检测精确度。
图3表示了迹范数、能见度与消光系数之间的关系。当空气中的水汽、粉尘增多时，空 气会产生雾霾现象，即会造成能见度降低，视线不清楚，同时，大气的消光系数会增大。反 之，表征信息的视频图像，其迹范数会减小。
本实施例的一种基于迹范数的道路能见度检测方法，具体处理过程如下：
步骤一、道路交通视频图像采集：使用高速公路外场路测PTZ摄像机进行雾天视频图像 采集，由于能见度低于20米时，高速公路会封路；超过200米时视野良好无需监测，所以一 般较为关注的是20～200米之间的能见度距离，因此，采集的视频图像需满足图像最底端一行 像素区域显示离摄像机的距离不超过20米，图像最顶端一行像素区域显示离摄像机的距离大 于200米。采集视频图像时，每隔10分钟截取一帧图像，连续截取15～30帧图像。
步骤二、对步骤一采集的一帧视频图像进行PTZ摄像机标定，检测车道分割线，确定实 际路面上一点到摄像机坐标系的垂直距离di。具体操作步骤为：
对步骤一采集的一帧视频图像进行PTZ摄像机标定，建立PTZ摄像机成像模型，得出路 面坐标系、摄像机坐标系与成像平面间的变换关系，计算视频图像中路面区域与摄像机的距 离。其中，PTZ摄像机成像模型包括3个坐标系：
路面坐标系(Xw,Yw,Zw)，摄像机坐标系(Xi,Yi,Zi)以及像平面坐标系(u,v)，路面坐标 系原点Ow为摄像机光轴与路面的交点；Xw轴正向水平指向路面右侧，Yw轴正向沿路面方向 指向前方，Zw轴正向垂直于路面向上；摄像机坐标系原点O为摄像机光心位置，Zi轴为摄像 机光轴位置，Xi-Yi平面平行于像平面；(u,v)分别对应像平面的横坐标和纵坐标，习惯将图 像像素位置以行和列表达，因此，u又称为图像列坐标，v称为图像行坐标。
路面坐标系与摄像机坐标系间以及摄像机坐标系与像平面坐标系间的变换关系为：
其中，θ为摄像机光轴与路面夹角，H为摄像机光心距路面的垂直距离，f为镜头有效焦 距。
根据上述路面坐标系与摄像机坐标系间以及摄像机坐标系与像平面坐标系间的变换关 系，推算出实际路面上一点到摄像机坐标系的垂直距离di与该点在像平面坐标系上对应像素 点的坐标(u,v)的对应关系：
其中，vi为路面上一点在像平面坐标系中的行坐标，vh为灭点在像平面坐标系中的行坐 标，所述的灭点表示视频图像中车道分割线与无限远处交汇的点。
对于式中的λ，只需在视频图像中找到一条清晰的车道分割线，车道分割线头端到摄像 机坐标系的距离为d2，车道分割线尾端到摄像机坐标系的距离为d1，由于实际高速公路的车 道分割线有固定长度6m；因此对应的有d2-d1＝6，并读出该车道分割线头尾的行坐标v1、v2， 代入上式可以计算得到：
步骤三、光在介质中传播时，在其传播路径上能量不断地损耗。根据Koschmieder理论， 令k表示大气消光系数，某一固定亮度的物体在距离人眼距离为di处的视亮度L(di)与物体本 身亮度L0及背景亮度Lf关系为：
式中，L：观测点观测到的目标物亮度；L0：目标物自有亮度；Lf：背景天空亮度；k：消光系数；di：观测点到目标物距离，即实际路面上一点到摄像机坐标系的垂直距离。
在此基础上，本实施例对消光系数k进行拓展，将其视为时间t的函数k(t)。这也符合能 见度变化的实际情况。高速公路开始起雾时，能见度逐渐降低，大气的消光系数逐渐增大。 在出现短暂的象鼻现象时，能见度骤然升高，之后能见度开始平缓下降，消光系数也平缓上 升。大雾褪去过程中，随着能见度的逐渐变大，消光系数也逐渐变小。
根据现有能见度检测理论和实际能见度数据，L是一个单调递减的曲线，则可以视k(t)为 待定函数，在迹范数基础上构建泛函，求其变分。不断对L曲线进行拟合，当拟合值接近L时， 可以得到消光系数k(t)在不同时刻的值。通过里茨方法等变分法求得泛函的极值后，可以得 到消光系数函数k(t)。在此过程中，目标物自由亮度L0，是未知的常数系数。根据变分原理， 泛函中的常数不影响变分的求解。
因此，基于式(8)，可以建立泛函得式(9)：
式(9)中，[0,T]表示采样的时间区间，l表示距离。根据数字图像的性质，对于目标物 自有亮度L0，其值在[0,255]之间。进一步变换式(9)得式(10)和(11)：
s.t.0≤L0≤255 (11)
式(10)、(11)分别为求解消光系数函数的泛函和约束条件。从式(10)可见，求消光系数函数问题，归结为求变分Q(K(·))。假设k(t)的取值集合为A，得到式(12)
所谓变分问题，本质上是寻求泛函的极值问题，即泛函Q(k(·))是定义在域I上具有某种 性质的函数集合到数集合的一个映射，A为泛函Q(k(·))的可取函数集合。若存在函数 K(t)∈A，则具有式(13)所述关系：
Q[K(·)]≤Q[k(·)] (13)
求解泛函Q(k(·))的极小值，也就是求解其欧拉方程，但形式复杂难以求解。为了简化问 题，本实施例结合高速公路实际情况，在式(12)的基础上，本实施例以分段平稳的思想，描 述消光系数函数，并对消光系数进行求解。以浓雾消散为例，随着能见度逐渐变好，消光系 数逐渐变小。这样的过程，短则1小时，长则3-4小时，甚至更久。消光系数函数曲线偶尔 起伏，总体成线性变化。因此可以假设消光系数函数k(t)在某时刻t0附近为常数。本实施例 基于迹范数，利用t0时刻的能见度监控图像帧进行曲线拟合，当拟合曲线接近实际亮度曲线 时，可以得到该时刻的消光系数。对于t0时刻附近连续的若干帧，分别求其消光系数并取平 均，可以得到t0时刻附近的消光系数值。如此，多次求解，可以得到t0,t1,t2,t3,t4,t5,……等若 干时段的消光系数值，利用最小二乘可以得到k(t)的方程。因此，假设当前时刻为t0，则根 据(9)得到
根据迹范数定义，作变换得到(17)
式中，TV(Q)表示Q的变分，▽为变分算子。
根据(17)，推导得式(18)
根据最优化算法，令F(x)为式(19)
F(x)＝{f1(x),f2(x)}T (19)
式(19)中f1(x)和f2(x)分别为
式(19)F(x)对应的Jacobi矩阵为
利用F(x)在xk＝[L0,k]T处泰勒展开，有公式(22)
F(x)＝F(xn)+J(xn)(x-xn)+o(||x-xn||2) (22)
则当x在xn的某个邻域内，可以忽略泰勒余项，得
F(x)＝F(xn)+J(xn)(x-xn)＝0 (23)
则求得目标物自有亮度L0和消光系数k，即公式(24)所示
综合上述公式，归纳基于迹范数的能见度检测算法步骤如表1所示。
经过多次迭代计算得到多个L0,k，对其加权平均，得到消光系数的逼近值。
根据CIE的定义，目标物相对于背景对比度大于0.05的像素点，人眼才能够区分出来， 用Cd表示目标物亮度对比度，C0表示固有亮度对比度，当Cd＝ε＝0.05时，对于临界位置处的 黑色目标物(C0＝1)，可以计算出大气能见距离Vis为：
衡量能见度检测算法优劣的指标有很多种。本实施例选择平均绝对相对误差，以说明基 于迹范数的能见度检测方法，在估计高速公路能见度方面的优劣性。绝对百分比误差公式如 (26)所示
(26)中Vis'表示检测值，Vis表示参考值，一般用基于视频的人眼观测值作为参考值。
表1基于迹范数的能见度检测算法步骤
本实施例提出的基于迹范数的道路能见度检测方法需要不断地将目标物亮度估计值与真 实值作逼近比较，以检验消光系数的求解是否准确。若目标物亮度的估计值与真实值相接近， 或者误差极小，则得到的消光系数k较为准确。
图4所示为若干亮度曲线逼近比较。由图4中的(a)与(b)可见，逼近效果良好。估计值与 真实值基本吻合。这两幅图的能见度真值分别为116米和133米，估计值为分别为112.0312 米和127.6999米，消光系数真值分别为0.0257和0.0225，估计值分别为0.0267和0.0235。 图4中的(c)和(d)的逼近效果次于前两幅子图。图4中的(c)的能见度真值为328米，估计值 为314.8464米。图4中的(d)的能见度真值为656米，估计值为629.6927米。误差分别为14.1536 米和27.3073米。
为验证本方法性能，对宁常高速上的两个视频监控点(桩号K19+738，K21+095)，每隔 10min取一帧图像，得到不同浓度含雾的图像。将方法估计值与真实值进行比较。如图5和 图7所示为其中8个时刻的图像数据。
图5和图7两图分别显示了雾由浓至淡的过程。用基于迹范数的能见度检测方法对其进 行估值，并与真实值比较，前者误差分别为4.85m，5.81m，7.79m和13.30m。后者误差分别 为4.02m，4.10m，4.12m和4.23m。
图6和图8为能见度估计值与真实值比较作图。从图中可以看出，能见度在250米以下 时，两条曲线之间缝隙很小，即估计误差较小。随着能见度增加，误差也增大。这一点符合 曲线逼近原理：当能见度高时，如400m、500m，亮度曲线的弯曲度较大，也较难逼近。但是对于高速公路较为关心低能见度情况(低于200m)的需求，基于迹范数的方法能很好地满足。
为更清楚地对比本实施例提出的能见度检测方法与基于路面亮度特征点的道路能见度检 测算法、基于路面固有亮度估算视频分析的道路能见度检测算法的不同，本实施例对检测结 果进行对比分析。视频能见度检测利用江苏省宁常高速公路视频监控系统进行路况视频采集， 测试平台为P4/2.8GHz单CPU、512M内存、SUSELinux操作系统。由于道路能见度检测目 的在于保障车辆的安全行驶，所以重点选取200米以内路况视频，三种算法计算准确率和效 率的比较参见表2和表3：
表2三种算法计算准确率比较
表3三种算法计算效率比较
图9为本实施例的检测方法与基于亮度特征点的视频能见度检测算法、能见度仪、固有 亮度估算法对比的结果图，实验证明本算法具有准确性高、计算速度快、鲁棒性高的特点， 然而对比度检测法对噪声敏感，时常发生跳变，在有一定的局限性。图10为本实施例的检测 方法与固有亮度估算法、亮度特征点算法对比结果图，该算法优势在于准确性高、计算速度 快，但是其结果依赖于路面视亮度的准确估计，同时对路面的固有反射率的一致性要求较高， 在雾太浓(能见度30m以下)时由于不能正确估计路面亮度导致误差稍大。
以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也 只是本发明的实施方式之一，实际的结构并不局限于此。所以，如果本领域的普通技术人员 受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结 构方式及实施例，均应属于本发明的保护范围。
Claims (5)
1.一种基于迹范数的道路能见度检测方法，其步骤为：
步骤一、采集道路交通视频图像；
步骤二、对步骤一采集的一帧视频图像进行PTZ摄像机标定，检测车道分割线，确定实际路面上一点到摄像机坐标系的垂直距离di；
步骤三、根据现有能见度检测理论和实际的能见度数据，对消光系数k进行拓展，视为时间t的函数k(t)，在迹范数基础上构建泛函：
式中，L0为目标物自有亮度；Lf为背景天空亮度；[0,T]表示采样的时间区间，l表示距离；L(di)为某一固定亮度的物体在距离人眼距离为di处的视亮度；
步骤四、假设消光系数函数k(t)在某时刻t0附近为常数，基于迹范数，利用t0时刻的能见度监控图像帧进行曲线拟合，当拟合曲线接近实际亮度曲线时，得到该时刻的消光系数；对于t0时刻附近连续的若干帧，分别求其消光系数并取平均，可以得到t0时刻附近的消光系数值；多次求解，得到t0,t1,t2,t3,t4,t5,……等若干时段的消光系数值，利用最小二乘得到k(t)的方程，求得不同时刻的能见度值。
2.根据权利要求1所述的一种基于迹范数的道路能见度检测方法，其特征在于：步骤一所述的道路交通视频图像采集具体要求为：使用高速公路外场路测PTZ摄像机进行视频图像采集，采集的视频图像需满足图像最底端一行像素区域显示离摄像机的距离不超过20米，图像最顶端一行像素区域显示离摄像机的距离大于200米；采集视频图像时，每隔10分钟截取一帧图像，连续截取15～30帧图像。
3.根据权利要求1所述的一种基于迹范数的道路能见度检测方法，其特征在于：步骤二的具体操作步骤为：
对步骤一采集的一帧视频图像进行PTZ摄像机标定，建立PTZ摄像机成像模型，得出路面坐标系、摄像机坐标系与成像平面间的变换关系，计算视频图像中路面区域与摄像机的距离；其中，PTZ摄像机成像模型包括3个坐标系：
路面坐标系(Xw,Yw,Zw)，摄像机坐标系(Xi,Yi,Zi)以及像平面坐标系(u,v)，路面坐标系原点Ow为摄像机光轴与路面的交点；Xw轴正向水平指向路面右侧，Yw轴正向沿路面方向指向前方，Zw轴正向垂直于路面向上；摄像机坐标系原点O为摄像机光心位置，Zi轴为摄像机光轴位置，Xi-Yi平面平行于像平面；(u,v)分别对应像平面的横坐标和纵坐标，习惯将图像像素位置以行和列表达，因此，u又称为图像列坐标，v称为图像行坐标；
路面坐标系与摄像机坐标系间以及摄像机坐标系与像平面坐标系间的变换关系为：
其中，θ为摄像机光轴与路面夹角，H为摄像机光心距路面的垂直距离，f为镜头有效焦距；
根据上述路面坐标系与摄像机坐标系间以及摄像机坐标系与像平面坐标系间的变换关系，推算出实际路面上一点到摄像机坐标系的垂直距离di与该点在像平面坐标系上对应像素点的坐标(u,v)的对应关系：
其中，vi为路面上一点在像平面坐标系中的行坐标，vh为灭点在像平面坐标系中的行坐标，所述的灭点表示视频图像中车道分割线与无限远处交汇的点。
4.根据权利要求3所述的一种基于迹范数的道路能见度检测方法，其特征在于：对于所述的λ，在视频图像中找到一条清晰的车道分割线，车道分割线头端到摄像机坐标系的距离为d2，车道分割线尾端到摄像机坐标系的距离为d1，由于实际高速公路的车道分割线有固定长度6m；因此对应的有d2-d1＝6，并读出该车道分割线头尾的行坐标v1、v2，可以计算得到：
5.根据权利要求4所述的一种基于迹范数的道路能见度检测方法，其特征在于：步骤四中大气能见距离Vis与消光系数k之间的转换关系为：
式中，Cd表示目标物亮度对比度，C0表示固有亮度对比度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810501646.6A CN108956397B (zh) | 2018-05-23 | 2018-05-23 | 一种基于迹范数的道路能见度检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810501646.6A CN108956397B (zh) | 2018-05-23 | 2018-05-23 | 一种基于迹范数的道路能见度检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108956397A CN108956397A (zh) | 2018-12-07 |
| CN108956397B true CN108956397B (zh) | 2019-10-29 |
Family
ID=64499883
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810501646.6A Active CN108956397B (zh) | 2018-05-23 | 2018-05-23 | 一种基于迹范数的道路能见度检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108956397B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110097762B (zh) * | 2019-03-25 | 2020-10-09 | 南京微达电子科技有限公司 | 一种道路视频图像低能见度刻度估算方法及系统 |
| CN115662149B (zh) * | 2022-12-13 | 2023-03-10 | 合肥远捷信息技术有限公司 | 一种基于高速公路团雾预警管控的信息系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101382497A (zh) * | 2008-10-06 | 2009-03-11 | 南京大学 | 基于路况监控视频的能见度检测方法 |
| CN102175613A (zh) * | 2011-01-26 | 2011-09-07 | 南京大学 | 基于图像亮度特征的ptz视频能见度检测方法 |
| CN102954937A (zh) * | 2012-10-31 | 2013-03-06 | 辽宁金洋集团信息技术有限公司 | 视频能见度检测仪及其检测分析方法 |
| CN103630496A (zh) * | 2013-12-12 | 2014-03-12 | 南京大学 | 基于路面视亮度和最小二乘法的交通视频能见度检测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9542654B2 (en) * | 2014-07-24 | 2017-01-10 | Xerox Corporation | Overlapping trace norms for multi-view learning |
| CN107808391B (zh) * | 2017-10-30 | 2020-10-02 | 浙江工业大学 | 一种基于特征选择与光滑表示聚类的视频动态目标提取方法 |
-
2018
- 2018-05-23 CN CN201810501646.6A patent/CN108956397B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101382497A (zh) * | 2008-10-06 | 2009-03-11 | 南京大学 | 基于路况监控视频的能见度检测方法 |
| CN102175613A (zh) * | 2011-01-26 | 2011-09-07 | 南京大学 | 基于图像亮度特征的ptz视频能见度检测方法 |
| CN102954937A (zh) * | 2012-10-31 | 2013-03-06 | 辽宁金洋集团信息技术有限公司 | 视频能见度检测仪及其检测分析方法 |
| CN103630496A (zh) * | 2013-12-12 | 2014-03-12 | 南京大学 | 基于路面视亮度和最小二乘法的交通视频能见度检测方法 |
Non-Patent Citations (7)
| Title |
|---|
| 基于路面亮度特征估算的视频能见度检测系统;杨娴等;《上海交通大学学报》;20130831;全文 * |
| 基于路面视亮度差平方最优化的视频能见度检测算法;吴炜;《电子与信息学报》;20141030;全文 * |
| 基于车道线检测与图像拐点的道路能见度估计;宋洪军等;《计算机应用》;20121201;全文 * |
| 基于高频图像Ｌ１范数的模糊图像的复原算法;张寒冰;《工业控制计算机》;20160525;全文 * |
| 无需人工标记的视频对比度道路能见度检测;李勃等;《计算机辅助设计与图形学学报》;20091130;全文 * |
| 计算机图象识别中的最小模糊方差法;曹海兴;《计算机学报》;19890331;全文 * |
| 迹范数和Frobenius范数下的量子态可分判据;李嫦娥等;《哈尔滨理工大学学报》;20130630;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108956397A (zh) | 2018-12-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021093283A1 (zh) | 基于多传感融合的海面小面积溢油区域检测系统及检测方法 | |
| CN102175613B (zh) | 基于图像亮度特征的ptz视频能见度检测方法 | |
| CN105488454B (zh) | 基于单目视觉的前方车辆检测与测距 | |
| Hautiere et al. | Automatic fog detection and estimation of visibility distance through use of an onboard camera | |
| CN107014294B (zh) | 一种基于红外图像的接触网几何参数检测方法及系统 | |
| CN109801302A (zh) | 一种基于双目视觉的高压输电线路异物检测方法 | |
| KR101364727B1 (ko) | 촬영된 영상의 처리를 이용한 안개 감지 방법 및 장치 | |
| CN108171695A (zh) | 一种基于图像处理的高速公路路面检测方法 | |
| CN103630496A (zh) | 基于路面视亮度和最小二乘法的交通视频能见度检测方法 | |
| CN109410264A (zh) | 一种基于激光点云与图像融合的前方车辆距离测量方法 | |
| CN109635737A (zh) | 基于道路标记线视觉识别辅助车辆导航定位方法 | |
| CN108956397B (zh) | 一种基于迹范数的道路能见度检测方法 | |
| CN104115204B (zh) | 立体物检测装置 | |
| CN114719873B (zh) | 一种低成本精细地图自动生成方法、装置及可读介质 | |
| CN105512641B (zh) | 一种标定雨雪状态下视频中的动态行人及车辆的方法 | |
| Choi et al. | Fog detection for de-fogging of road driving images | |
| CN112927283A (zh) | 测距方法及装置、存储介质及电子设备 | |
| CN105913464A (zh) | 一种基于视频的多人体目标在线测量方法 | |
| Guo et al. | Visibility detection approach to road scene foggy images | |
| CN108846363A (zh) | 一种基于发散式扫描的分区域车底阴影检测方法 | |
| CN103927523B (zh) | 一种基于纵向灰度特征的雾天等级检测方法 | |
| JP2008269218A (ja) | 画像処理装置、画像処理方法および画像処理プログラム | |
| CN112950562A (zh) | 一种基于线结构光的扣件检测算法 | |
| CN108629227A (zh) | 在图像中确定车辆左右边界的方法及系统 | |
| Li et al. | A fog level detection method based on grayscale features |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |