CN109978842A - 一种基于摄像头图像的能见度解析方法 - Google Patents
一种基于摄像头图像的能见度解析方法 Download PDFInfo
- Publication number
- CN109978842A CN109978842A CN201910192888.6A CN201910192888A CN109978842A CN 109978842 A CN109978842 A CN 109978842A CN 201910192888 A CN201910192888 A CN 201910192888A CN 109978842 A CN109978842 A CN 109978842A
- Authority
- CN
- China
- Prior art keywords
- image
- visibility
- camera
- marker
- digital picture
- 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.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 12
- 238000001514 detection method Methods 0.000 claims abstract description 4
- 239000003550 marker Substances 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 238000002845 discoloration Methods 0.000 claims description 2
- 238000011946 reduction process Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G06T5/70—
-
- G06T5/94—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30256—Lane; Road marking
Abstract
本发明公开了一种基于摄像头图像的能见度解析方法,属于能见度技术领域。视频能见度检测算法的核心是提取能够反映能见度变化对图像所造成的影响的图像特征参数,从而通过对图像特征变化的分析来计算能见度的值。采用路面标线作为预置标准,以图像对比度作为图像特征参数,分析图像特征随距离的指数型分布,通过临界能见度距离处的图像对比度阈值实现能见度值的计算。通过本实施案例提供的技术方案,实现了道路沿线摄像头所摄得的图像的实时解析,并且完成能见度的定量化测量,确立合理的判断基准,减少人眼测量所无法避免的误差。
Description
技术领域
本发明涉及能见度技术领域,尤其涉及一种基于摄像头图像的能见度解析方法。
背景技术
世界气象组织和中国气象局关于日间气象能见度的定义为:指视力正常的人,在当时天气条件下,能够从天空背景中看到和辨认的目标物的最大距离。它是指能看到和辨认出目标物的轮廓和形体,凡是看不清目标物的轮廓,认不清其形体,或者所见目标灯的发光点模糊,灯光散乱,都不能算“能见”。关于能见度的定义中,所谓“辨识”是指看清楚目标物的轮廓,也可以指人眼所观测到的亮度对比度(Contrast)大于指定的阈值。
威胁高速道路的安全保障与运营管理的多种风险中,气象风险占总体比例颇高。若要妥善应对道路气象风险,对实况施以监控则是十分重要的。通常在监控气象风险方面采取在道路沿线的气象风险的多发地点设置观测仪器,但当今时代,异常气象频频发生,发生地点也经常是毫无规律,单凭少数道路沿线的观测仪器已无法满足高密度的实况监控需求。在各种影响道路交通的气象风险中,大雾或团雾或强降水造成的能见度低下又是最常见又影响最大的,如未能采取适时的交通管制导致交通事故的多发,易成为交通安全的巨大隐患。同时,如果禁止通行的交通管制时间过长,虽然能确保安全,但会导致交通拥堵,造成巨大的时间损失。因而需要建立一种基于摄像头图像的能见度解析方法和系统,监测道路低能见度事件的发生,以便道路管理部门采取措施,减少事故发生。
发明内容
为了克服上述问题,本发明运用人工智能算法,利用计算机来解析摄像头图像并对其加以分析处理,同时定量标定指定空间的视认值,并把视认值转变为能见度,比较解析能见度和最接近的视程计的值,进行优化调整。
本发明的技术方案是提供一种基于视频图像的能见度解析方法,其特征在于,
包括以下步骤:
1)利用摄像头采集视频图像,所述摄像头的架设高度和拍摄角度预先设定;
2)从所述视频图像中提取数字图像,在所述数字图像中选择标志物,并对所述数字图像进行前期处理;
3)搜索所述数字图像的所有像素点,在以每一像素点为中心的预设区域中找出最大亮度和最小亮度,计算该像素点的对比度:
(Lmax-Lmin)/(Lmax+Lmin),其中,Lmax和Lmin是指所述预设区域中的最大亮度和最小亮度;
4)如果计算得到的对比度小于预设阈值,则对应的像素点视为不可见,反之则认为可见;
5)提取全部符合所述标志物的边缘特征可见的像素点,作为该标志物的图像特征;
6)利用图像特征和能见度关系曲线将得到的图像特征换算成能见度,其中所述的图像特征和能见度关系曲线是预先设置的。
优选的,所述的图像特征和能见度关系曲线是采用下述方法得到的:
采用非线性最小二乘法拟合距离与图像特征之间的指数型关系,用距离对应能见度,从而获得所述图像特征和能见度关系曲线。
优选的,所述步骤6)中,
对标志物的图像特征使用曲线回归分析方法与所述图像特征和能见度关系曲线进行曲线拟合,从而获得对应的能见度。
优选的,所述步骤5)中,根据对标志物进行强边缘一致对比度计算后提取出标志物的边缘特征。
优选的,所述步骤2)中对所述数字图像进行前期处理的步骤包括:
2.1)采用模板匹配方法检测目标物在所述数字图像中的范围,作为兴趣域,并将所述兴趣域从所述数字图像中分割出来;
2.2)对分割后的所述数字图像进行去色、降噪处理。
优选的,所述的阈值为0.05。
优选的,所述摄像头设置在道路上方,并用路面标线作为所述标志物。
本发明能有效解决常规能见度观测仪器不足导致道路低能见度监测问题,可以充分利用摄像头图像提供能见度信息,较现有的站点观测能见度方法具有样本多、准确快速的优点,能够对道路沿线能见度低下的情况实施24x7高密度、高效率的实况监控,实现了道路沿线摄像头所摄得的图像的实时解析,并且完成能见度的定量化测量。
附图说明
图1是本发明的原理示意图;
图2是摄像头和路面成像几何关系模型图;
图3是数字图像例。
具体实施方式
下面对本发明的具体实施方式作进一步详细的描述。
本发明的基于摄像头图像的能见度解析方法的原理是能见度变化对图像造成影响;算法核心是提取能够反映能见度变化的标志物图像特征,从而通过对图像特征变化的分析来计算能见度的值。由于图像对比度计算方法对于以天空为背景的黑色目标物和以黑色路面为背景的白色路面标志具有基本相同的计算结果和阈值,因此,采用路面标线作为预置标准,以图像对比度作为图像特征参数,分析图像特征随距离的指数型分布,通过临界能见度距离处的对比度阈值实现能见度的计算。在预置已知与摄像头之间距离的观测目标后,对采集到的数字图像进行预处理以削弱因为冲击噪声带来的影响;通过模板匹配方法检测预置目标物在实时采集的图像中的位置,并由此检测摄像头位置是否满足检测要求;目标物图像分割出来后作为兴趣域ROI(Region Of Interest)进行图像特征提取,以提高计算机处理效率;采用边缘检测或变化域分析等方法提取图像中能够反应大气能见度变化的特征值;采用非线性最小二乘法拟合距离与图像特征值之间的指数型关系;根据图像中的平均噪声情况,确定临界可见情况下的图像特征阈值,并应用此阈值计算能见度值。
具体而言,如图2所示,假设摄像头的垂直安置高度为H,其与车道边缘的距离为d,摄像头的俯仰角 (摄像头光轴与地平面夹角)为θ,偏角(光轴与车道分割线的夹角)为φ。如采用固定摄像头,则上述参数{H,d,θ,φ}在摄像头安装时就已确定。忽略高速公路坡度影响,以地平面上平行线间的区域来对应摄像头视域内的高速公路路面。模型定义了三种坐标系,地面坐标系{Xw,Yw,Zw}、摄像头坐标系{Xc,Yc,Zc}用来表征三维空间、图像平面坐标系{u,v}用来表征成像平面。摄像头坐标系中原点Oc为摄像头光心位置,轴 Zc为摄像头光轴方向,其垂直于像平面且与像平面交于图像中心;地平面坐标系中平面OwXwYw为地平面,原点Ow为Oc在地面上投影。基于定义的摄像头参数,可建立地面坐标系与摄像头坐标系间的坐标变换关系。考虑到Xc-Yc平面和成像平面相平行,那么可以确定从摄像头坐标到成像平面(u,v)的转换关系;由此,可建立路面上一点(Xw,Yw,0)与其在图像平面上对应像素点(u,v)之间的映射关系,从而可反推出图像平面内任一点在路面平面上的坐标(Xw,Yw),即可得到图像上的这一点在实际路面上距离摄像头的距离。
据此,以图像中特征物的边缘特征作为其图像特征,该图像特征在能见度变化的情况下必然会发生变化,可见的像素点增加或减少。那么,采用非线性最小二乘法拟合距离与图像特征之间的指数型关系,用距离表征能见度,从而可以获得图像特征和能见度关系曲线。该图像特征和能见度关系曲线可以预先模拟计算得到,或者通过一定的训练得到。最后,对标志物的图像特征使用曲线回归分析方法与图像特征和能见度关系曲线进行曲线拟合,即可获得对应的能见度。
如图1所示,本发明具体采用下述步骤来实现:
1)利用摄像头采集视频图像,摄像头的架设高度和拍摄角度预先设定;
2)从视频图像中提取数字图像,在数字图像中选择标志物,并对数字图像进行前期处理,如图3所示;
3)搜索数字图像的所有像素点,在以每一像素点为中心的预设区域中找出最大亮度和最小亮度,计算该像素点的对比度:
(Lmax-Lmin)/(Lmax+Lmin),其中,Lmax和Lmin是指预设区域中的最大亮度和最小亮度;
4)如果计算得到的对比度小于预设阈值,则对应的像素点视为不可见,反之则认为可见;
5)提取全部符合标志物的边缘特征可见的像素点,作为该标志物的图像特征;
6)利用图像特征和能见度关系曲线将得到的图像特征换算成能见度,其中的图像特征和能见度关系曲线是预先设置的。
以上实施例仅为本发明其中的一种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种基于视频图像的能见度解析方法,其特征在于,
包括以下步骤:
1)利用摄像头采集视频图像,所述摄像头的架设高度和拍摄角度预先设定;
2)从所述视频图像中提取数字图像,在所述数字图像中选择标志物,并对所述数字图像进行前期处理;
3)搜索所述数字图像的所有像素点,在以每一像素点为中心的预设区域中找出最大亮度和最小亮度,计算该像素点的对比度y:
y=(Lmax-Lmin)/(Lmax+Lmin),其中,Lmax和Lmin是指所述预设区域中的最大亮度和最小亮度;
4)如果计算得到的对比度y小于预设阈值,则对应的像素点视为不可见,反之则认为可见;
5)提取全部符合所述标志物的边缘特征可见的像素点,作为该标志物的图像特征;
6)利用图像特征和能见度关系曲线将得到的图像特征换算成能见度,其中所述的图像特征和能见度关系曲线是预先设置的。
2.根据权利要求1所述的方法,其特征在于:所述的图像特征和能见度关系曲线是采用下述方法得到的:
a) 图像特征与距离之间满足以下关系:
y=C1*exp(-C2*d)+C3,式中,C1,C2为预设的参数,d是目标物与摄像头的距离;y是所述预设阈值,对应目标物的图像特征值;C3为图像中的随机噪声;
b)取y为0.05,采用非线性最小二乘法拟合距离与图像特征之间的指数型关系,用距离对应能见度,从而获得所述图像特征和能见度关系曲线。
3.根据权利要求1所述的方法,其特征在于:所述步骤6)中,
对标志物的图像特征使用曲线回归分析方法与所述图像特征和能见度关系曲线进行曲线拟合,从而获得对应的能见度。
4.根据权利要求1所述的方法,其特征在于:所述步骤5)中,根据对标志物进行强边缘一致对比度计算后提取出标志物的边缘特征。
5.根据权利要求1所述的方法,其特征在于:所述步骤2)中对所述数字图像进行前期处理的步骤包括:
2.1)采用模板匹配方法检测目标物在所述数字图像中的范围,作为兴趣域,并将所述兴趣域从所述数字图像中分割出来;
2.2)对分割后的所述数字图像进行去色、降噪处理。
6.根据权利要求5所述的方法,其特征在于:所述的阈值为0.05。
7.根据权利要求1所述的方法,其特征在于:所述摄像头设置在道路上方,并用路面标线作为所述标志物。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910192888.6A CN109978842A (zh) | 2019-03-14 | 2019-03-14 | 一种基于摄像头图像的能见度解析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910192888.6A CN109978842A (zh) | 2019-03-14 | 2019-03-14 | 一种基于摄像头图像的能见度解析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109978842A true CN109978842A (zh) | 2019-07-05 |
Family
ID=67078877
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910192888.6A Pending CN109978842A (zh) | 2019-03-14 | 2019-03-14 | 一种基于摄像头图像的能见度解析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109978842A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110782497A (zh) * | 2019-09-06 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 相机外参的标定方法、装置 |
CN111932560A (zh) * | 2020-09-21 | 2020-11-13 | 南京安通气象数据有限公司 | 一种道路交通低能见度视频图像距离计算方法与装置 |
CN112014393A (zh) * | 2020-08-26 | 2020-12-01 | 大连信维科技有限公司 | 一种基于目标视觉效果的介质能见度识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010117335A (ja) * | 2008-11-14 | 2010-05-27 | Nexco-Engineering Hokkaido Co Ltd | カメラで撮影した画像を用いた視程判別システム |
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 |
CN104272372A (zh) * | 2012-06-08 | 2015-01-07 | 索尼公司 | 显示装置、制造方法和电子设备 |
CN105426837A (zh) * | 2015-11-17 | 2016-03-23 | 南京大学 | 移动网络视觉雾霾检测系统 |
-
2019
- 2019-03-14 CN CN201910192888.6A patent/CN109978842A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010117335A (ja) * | 2008-11-14 | 2010-05-27 | Nexco-Engineering Hokkaido Co Ltd | カメラで撮影した画像を用いた視程判別システム |
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 |
CN104272372A (zh) * | 2012-06-08 | 2015-01-07 | 索尼公司 | 显示装置、制造方法和电子设备 |
CN105426837A (zh) * | 2015-11-17 | 2016-03-23 | 南京大学 | 移动网络视觉雾霾检测系统 |
Non-Patent Citations (1)
Title |
---|
安明伟等: "基于路况视频的气象能见度检测方法与系统设计", 《仪器仪表学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110782497A (zh) * | 2019-09-06 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 相机外参的标定方法、装置 |
CN110782497B (zh) * | 2019-09-06 | 2022-04-29 | 腾讯科技(深圳)有限公司 | 相机外参的标定方法、装置 |
CN112014393A (zh) * | 2020-08-26 | 2020-12-01 | 大连信维科技有限公司 | 一种基于目标视觉效果的介质能见度识别方法 |
CN112014393B (zh) * | 2020-08-26 | 2023-12-19 | 大连信维科技有限公司 | 一种基于目标视觉效果的介质能见度识别方法 |
CN111932560A (zh) * | 2020-09-21 | 2020-11-13 | 南京安通气象数据有限公司 | 一种道路交通低能见度视频图像距离计算方法与装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105718870B (zh) | 自动驾驶中基于前向摄像头的道路标线提取方法 | |
Riveiro et al. | Automatic segmentation and shape-based classification of retro-reflective traffic signs from mobile LiDAR data | |
CN110197589B (zh) | 一种基于深度学习的闯红灯违法检测方法 | |
CN105260699B (zh) | 一种车道线数据的处理方法及装置 | |
CN102364496B (zh) | 一种基于图像分析的汽车车牌自动识别方法及系统 | |
US9141870B2 (en) | Three-dimensional object detection device and three-dimensional object detection method | |
KR101364727B1 (ko) | 촬영된 영상의 처리를 이용한 안개 감지 방법 및 장치 | |
CN103971380B (zh) | 基于rgb-d的行人尾随检测方法 | |
CN102819764B (zh) | 一种适用于交通路口复杂场景下的多视角人流量统计方法 | |
CN105608455B (zh) | 一种车牌倾斜校正方法及装置 | |
CN104036262B (zh) | 一种lpr车牌筛选识别的方法和系统 | |
CN102354457B (zh) | 基于广义霍夫变换的交通信号灯位置检测方法 | |
CN109978842A (zh) | 一种基于摄像头图像的能见度解析方法 | |
CN101382497A (zh) | 基于路况监控视频的能见度检测方法 | |
CN109522847A (zh) | 一种基于深度图的轨道和道路障碍物检测方法 | |
CN110188606B (zh) | 基于高光谱成像的车道识别方法、装置及电子设备 | |
CN109948552B (zh) | 一种复杂交通环境中的车道线检测的方法 | |
CN109147393A (zh) | 基于视频分析的车辆变道检测方法 | |
CN104143077B (zh) | 基于图像的行人目标检索方法和系统 | |
Larsen et al. | Traffic monitoring using very high resolution satellite imagery | |
Avery et al. | Investigation into shadow removal from traffic images | |
CN107507140A (zh) | 基于特征融合的高速公路露天场景车辆阴影干扰抑制方法 | |
CN103927523B (zh) | 一种基于纵向灰度特征的雾天等级检测方法 | |
CN107463934A (zh) | 一种隧道裂缝检测方法及装置 | |
CN107992788A (zh) | 识别交通灯的方法、装置及车辆 |
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 |