專利名稱：一種能見度的全天候視頻測量方法
技術領域：
本發(fā)明涉及智能交通技術領域，涉及一種公路及其隧道中的大氣能見度測量方 法，主要用于公路及公路隧道環(huán)境中的一種能見度的全天候視頻實時測量方法。
背景技術：
在我國公路在促進國民經濟快速發(fā)展的同時，較高的公路交通事故發(fā)生率和死亡 率也給經濟的高速發(fā)展、社會的持續(xù)穩(wěn)定和人民的生命財產安全帶來了諸多的不利影響。 據統計，在所有高速公路的交通事故中，因雨霧等惡劣天氣影響造成的交通事故就占1/4 左右，霧天高速公路地事故率時平常地10倍，即低能見度環(huán)境是造成高速公路交通事故的 一個非常重要的因素。因此，對高速公路沿線的天氣尤其是能見度情況進行全程全天候的 實時監(jiān)控，實現不分晝夜，隨時預警低能見度特別是隨機霧團、瞬時雨雪、沙塵等短時低能 見度天氣，對交通運輸安全有著非常重要的意義。另一方面，隨著我國公路交通事業(yè)的快速發(fā)展，公路隧道尤其是高速公路隧道大 量建設和投入運營，公路隧道的交通安全問題也日益得到重視。對道路上行駛的車輛來說，公路隧道是一個特殊的地域，煙塵大、光線暗導致洞內 能見度低，封閉的空間也給人以壓抑感，這些因素作用在駕駛員身上，使駕駛員處理問題的 能力也較洞外有所降低，如果發(fā)生意外，駕駛員容易驚慌失措，處理失常。據有關部門統計， 公路隧道每公里的事故發(fā)生率大約相當于普通路段的3倍，由于能見度降低，如果有車輛 在隧道內發(fā)生意外，后面車輛不易及時發(fā)現，甚至隧道監(jiān)控中心也不易及時發(fā)現，這也容易 導致二次事故的發(fā)生，在多條公路上都有慘痛的案例發(fā)生。所以目前在高速公路的長隧道 (IKm以上)中一般都設置了能見度檢測器，如果發(fā)現能見度過低，就及時開啟風機進行通 風，或增開照明燈具，增加隧道內的能見度。目前，在公路中投入使用的能見度檢測儀主要分為兩類，一類是透射式能見度儀， 根據透射原理工作，發(fā)射器和接收器相對安裝，安裝距離間隔3米 20米，利用支架固定 對準后，光學部件發(fā)出的可見光或激光成為一條檢測光束，通過光路衰減后到達接收器，接 收器檢測該信號后處理為測量值。透射式能見度儀主要應用于隧道內。另一類是散射式能 見度儀，其中以前向式散射儀為主，通過測量一個小的采樣容積的散射光強，來計算消光系 數。該兩類檢測儀的主要缺點是(1)由于發(fā)射點和接收點之間的透射率或散射系數和波長有關，儀器測量的結果 可能和按人眼視覺特性評價結果相差較大。(2)對于隧道內常用的透射式能見度儀來說，由于車輛通過的不確定性和隧道環(huán) 境的封閉性，隧道內的粉塵濃度、水霧濃度等分布可能極不均勻，在現有儀器安裝位置的環(huán) 境空間的粉塵濃度、水霧濃度等可能與整個隧道大部分空間的參數差別較大，以此位置的 一條線所測量出的能見度來作為整個隧道內的能見度，可能產生較大誤差。(3)現有能見度儀器價格昂貴，難以大量應用。
隨著視頻技術的不斷發(fā)展，以及圖像處理算法的日益完善，基于視頻的能見度檢 測方法漸漸發(fā)展起來。目前，已有的一些視頻測量手段主要是基于無源靶標(單一或多個) 以及純圖像處理算法兩大類，由于受夜間光照影響與制約，該類能見度檢測手段基本僅適 用于白天的能見度檢測，而難以滿足全天候實時檢測的需要。國外從上世紀90年代開始研究利用視頻圖像進行能見度檢測，美國明尼蘇達 大學 2004 年公布的《Atmospheric visibility Measurements Using Video Cameras Relative Visibility》一文和相關專利中，使用照相機和多個靶標，將靶標的對比度值進 行能見度非線性曲線擬合，得出日間的能見度值。國內成都易航信息科技有限公司于2003年和2006年申請了自校準大氣能見度 測量方法和系統專利，對多個靶標拍攝照片，提取特征區(qū)域，計算其亮度、對比度、空間分辨 率，再對比人眼可見參數表計算出能見度距離。深圳先進技術研究院在2007年申請的大氣能見度測量方法專利，以某一固定場 景作為觀測點，通過攝像獲得多個能見度條件下的該場景圖像邊緣強度值，及與能見度的 對應關系，獲得能見度數據庫，再測量當前圖像的邊緣強度，計算得到當前大氣能見度值。遼寧姜廷順等于2008年申請的一種能見度檢測系統和方法專利，采用了三個目 標發(fā)光光源作為測量靶標，計算出目標發(fā)光源點亮和熄滅的亮度差，亮度差超過預先設定 的目標發(fā)光源可見閾值則認為目標發(fā)光源可見，通過檢測多個發(fā)光源的可見性來判斷道路 的能見度。南京大學2008年申請的能見度檢測方法專利，使用高速公路外場路側攝像機攝 取多個角度、位置、時間的視頻圖像，將圖像信息轉換成距離信息，然后進行符合人眼的能 見度分析，得出能見度值距離。這些技術的局限在于，首先，不能做到全天候條件下連續(xù)檢測環(huán)境能見度；其次， 大多是使用圖像信息處理的方法提取出圖像的特征，再根據光學原理構建視頻圖像信息和 能見度之間的關系模型，屬于機理建模的方式。但由于檢測環(huán)境的復雜性和光路的復雜性， 使用機理建模難免有偏差；而使用一種機理建模不能滿足不同地點、不同路況、不同氣候變 化的高準確度能見度檢測的需要；若使用復雜的機理模型，則會增加工程應用的難度，不便 于軟件的維護和升級，而有的專利中使用數據擬合的方式或查表的方式，在環(huán)境變化的情 況下不能準確反映出圖像特征與能見度之間映射規(guī)律。

發(fā)明內容
本發(fā)明的目的是提供一種能見度的全天候視頻測量方法，能滿足不同地點、不同 路況、不同氣候變化的高準確度能見度檢測的需要；在環(huán)境變化的情況下依然能準確反映 出圖像特征與能見度之間的映射規(guī)律。為達到上述目的，本發(fā)明表述一種能見度的全天候視頻測量方法，其關鍵在于按 以下步驟進行一、能見度測量模型建立1. 1設置靶標，所述靶標為自帶光源的黑色和白色條紋相間圖像；1. 2建立能見度模型數據庫；通過攝像頭獲取在九個能見度條件下的靶標視頻圖像信息，利用圖像處理方法提取靶標的視頻圖像特征，靶標的視頻圖像特征有靶標圖像灰度均值gl，靶標圖像圖形的邊 緣總長度b，靶標圖像的對比度C，圖像的亮度分布峰值距離h ；以靶標的視頻圖像特征與能見度數據，建立能見度模型數據庫；1. 3建立能見度測量模型；對九個能見度條件下的靶標視頻圖像特征靶標圖像灰度均值gl、靶標圖像圖形 的邊緣總長度b、靶標圖像的對比度C、圖像的亮度分布峰值距離h進行數據融合，生成九個 能見度條件下的能見度測量值X，并將九個能見度條件下的能見度測量值X輸入神經網絡 訓練，得到從圖像特征數據到能見度值的神經網絡映射模型；這里可以用到的方法還有“支持向量機，，和“貝葉斯網絡”兩種方法。“支持向量 機”相關文獻是《支持向量機導論》機械工業(yè)出版社，作者是克里斯蒂亞尼尼；“貝葉斯網絡” 相關文獻是《貝葉斯網絡學習、推理與應用》立信會計出版社，作者是王雙成。兩種方法都 能對靶標視頻圖像特征進行網絡訓練。1. 4能見度測量模型的數據整合；反復獲取九個能見度條件下的靶標視頻圖像特征，并不斷生成新的當前能見度下 的能見度測量值X’，并運用數理統計的理論，將該新的當前能見度下的能見度測量值X’輸 入神經網絡模型訓練，獲得最優(yōu)能見度估計模型；二、能見度測量2. 1靶標圖像的攝取和識別在現場安裝靶標和用于視頻數據獲取的攝像頭，利用PC機讀取攝像頭獲得的視 頻圖像，采用形態(tài)學和行掃描的辦法識別靶標位置，并生成當前靶標的視頻圖像信息；2. 2靶標圖像的特征提取利用圖像處理方法提取靶標的視頻圖像特征，靶標的視頻圖像特征有靶標圖像 灰度均值gl，靶標圖像圖形的邊緣總長度b，靶標圖像的對比度c，圖像的亮度分布峰值距離 h ；生成路段當前條件下的能見度測量值Xl ；2. 3能見度計算將路段當前條件下的能見度測量值Xl送入所述能見度測量神經網絡模型中，經 計算，獲得環(huán)境能見度等級。在能見度的視頻測量方法中，所述靶標圖像灰度均值gl的獲取方法是采用現行標準的平局值法獲得靶標圖像灰度均值gl 用R. G. B分別表示原彩色圖像中的紅、綠、藍分量，有gl = 0. 3R+0. 59G+0. IlB(1)。在本公路隧道能見度的視頻測量方法中，所述靶標位置的識別方法是
3.1、豎直方向差分邊緣檢測采集到圖像的背景水平紋理群豐富，根據水平紋理群，先將經過灰度處理的圖像 豎直方向做差分運算，其一階差分運算式為g2 (i，j) = I gl (i，j) -gl (i+1，j) I(2)g2代表做豎直方向差分邊緣檢測后的圖像，gl代表經過上面灰度處理后的圖像， 利用差分運算能有效檢測橫向邊緣，使能見度檢測靶標的定位更準確；3. 2、二值化處理
將靶標圖像分為mXn大小的方塊，設M為局部均值，σ為局部方差，t為局部閥
值，有
1 m ησ =——YjY4Ig2(^j)-Mf
饑><i=Q
—128(3)^T 1 +——
256圖像中大于t的像素為255，反之為0。用而代表二值化處理輸出，&代表上面經 過豎直方向差分邊緣檢測的圖像結果，二值化處理計算式如下
\255, g2>tgi=\3. 3、形態(tài)學運算采用形態(tài)學的濾波方法，使用IXk大小的結構元素對圖像作橫向腐蝕運算，k的 取值通過系統調試決定，但k應根據噪聲顆粒和非噪聲顆粒的半徑大小選取，這里的k應小 于非噪聲顆粒的橫向長度，由第3. 1豎直方向差分邊緣檢測出的靶標的橫向邊緣，并大于 且接近噪聲顆粒的半徑，假設噪聲顆粒的半徑為rn，非噪聲顆粒的最小橫向長度為Γι，其中 Γι>> rn，則k可取k = rn+(ri-rn)/10,以消除細小干擾，而非噪聲顆粒半徑rn，即靶標條 紋在圖像中所占的橫向長度，可以根據靶標距攝像機的安裝距離和攝像機的視角參數估計 出，則rn以g3代表輸入的二值化圖像，B代表結構元素，g4代表腐蝕輸出，腐蝕運算為gi=g3 B = {z\b + z^g3,bGB}(4)在腐蝕后的圖像的基礎上進行形態(tài)學閉運算，首先使用1X1結構元素作橫 向膨脹運算，1的取值通過系統調試決定，但1應根據噪聲顆粒半徑和非噪聲顆粒的橫 向長度選取，和上面腐蝕算法不同的是這里的1應接近非噪聲顆粒的橫向長度，取1 = T1-(T1-Tn)ZlO0然后在使用同樣大小的結構元素作橫向腐蝕運算，g4代表經過上面腐蝕運 算后的結果，^代表膨脹運算的輸出，C代表用于膨脹運算的結構元素，膨脹運算為g5 =g4 十C =+(5)再做腐蝕運算g6 = g5 C形態(tài)學濾波最終輸出為g6 ；3. 3、靶標的定位通過形態(tài)學的處理后，靶標區(qū)域形成連通候選區(qū)域，對列進行掃描，統計每行經過 的連續(xù)的灰度值為255的像素點數目，再根據統計得到的數據，和閥值計算出靶標的縱向 位置。豎向坐標范圍計算式如下Y e {y|f(g6, y) > τ }上式中，Y代表靶標的坐標范圍計算結果，f代表指定行連續(xù)灰度值為255的像素 點的數目統計函數，g6代表經過上一步形態(tài)學處理的輸出圖像，y代表豎向坐標，τ代表閥 值；同樣的原理使用到靶標的橫向位置定位，至此可以識別出的根據坐標范圍和經過 灰度處理后的圖像gl提取出灰度圖像gl中的靶標圖像g7 ；3. 4、圖像角度變換校正
10
使用Radon變換，圖像變換前在圖像空間，變換后在參數空間，可以表示為 P = xcos θ +ysin θ(6)二維Radon變換即將(x，y)平面空間的一條直線P = xcos θ +ysin θ映射成 Radon空間的一個點(P，θ )，連續(xù)圖像的Radon變換為R(P' = Hg7 ^x' y^s (P~xcose-ysin d)dxdy(7)
D式中，D為整個圖像平面，g7(x, y)為提取出的靶標圖像上某一點(X，y)的像素點 灰度值，特征函數δ為狄拉克函數，P為(x，y)平面內直線到原點的距離，θ為原點到直 線的垂線與χ軸的夾角，特征函數S使積分沿著直線P = xcos θ +ysin θ進行，Radon變 換后，(P，Θ)也可重構原圖像中的直線，其表達式為y = ρ /sin θ -xcot θ(8)通過校正圖像變換到Radon空間內的角度變量θ，在重構原圖像，即可實現校正 圖像角度的目的，角度變換后的靶標圖像為g8。3. 4、靶標圖像的距離校正定義被提取特征的標準靶標圖像大小為mXn，角度變換后的靶標圖像&的大小為 m0Xn0,并且有m > mQ，η > η0,因此本部分選擇采用圖像的雙線性插值算法，將圖像放大到 標準大小mXn，具體算法如下雙線性插值是指利用映射點在輸入圖像的4個鄰點的灰度值對映射點進插值，即 待插點處的數值用離待插點最近的四個點的值加權求得，在同一行內根據待插值像素點與 其前后的原圖像像素點的位置距離進行加權線性插值，即離原圖像像素點越近的待插值像 素點，原圖像像素的加權系數就越大；行間根據待插值行與其上下的原圖像行間的距離進 行加權線性插值，即離原圖像行越近的待插值行，原圖像行的加權系數就越大；對于一個g9 (χ, y)目的像素，其對應于行列坐標值分別為目的像素坐標X，y, f分 別除以行和列的放大倍數，行放大倍數為m/mo，列放大倍數為n/rv通過反向變換映射為原 圖像的浮點坐標f(i+P，j+q)，其中i和j均為非負整數，P和q是取余后
區(qū)間內的 浮點數，則這個目的像素的值f (i+P，j+q)可由原圖像中坐標為(i，j)、(i+1，j)、(i，j+1)、 (i+1，j+1)所對應的周圍四個像素的值來決定，如下公式f(i+p, j+q) = (1-p) (l_q)g8(i，j) + (l_p) qg8 (i+1，j)+p(l-q) g8(i, j+1)+pqg8 (i+1，j+1)其中，g8(i，j)表示圖像由在位置(i，j)處的像素值，P，q隨著放大后像素行列坐 標的不同而改變，將這四個點的像素值按照權重不同做相加，得到放大圖像f目標位置的 像素值，最后將f映射回放大后的結果圖像g9，通過別乘以行列放大倍數，將浮點坐標還原 為&中的整數坐標。在本公路隧道能見度的視頻測量方法中，所述靶標圖像圖形的邊緣總長度b的獲 取方法是得到角度校正后的圖像g9后即可進行圖像特征提取，圖像的邊緣特征提取使用 Canny算子方法，Canny算子方法通過高斯一階微分計算梯度，尋找圖像梯度的局部最大 值，使用雙閥值法檢測強邊緣和弱邊緣，當弱邊緣與強邊緣鏈接成輪廓邊緣才輸出；Canny邊緣檢測步驟為
11
第一步用高斯濾波器平滑圖像高斯平滑函數為
權利要求
一種能見度的全天候視頻測量方法，其特征在于按以下步驟進行一、能見度測量模型建立1.1設置靶標，所述靶標為自帶光源的黑色和白色條紋相間圖像；1.2建立能見度模型數據庫；通過攝像頭獲取在九個能見度條件下的靶標視頻圖像信息，利用圖像處理方法提取靶標的視頻圖像特征，靶標的視頻圖像特征有靶標圖像灰度均值g1，靶標圖像圖形的邊緣總長度b，靶標圖像的對比度c，圖像的亮度分布峰值距離h；以靶標的視頻圖像特征與能見度數據，建立能見度模型數據庫；1.3建立能見度測量模型；對九個能見度條件下的靶標視頻圖像特征靶標圖像灰度均值g1、靶標圖像圖形的邊緣總長度b、靶標圖像的對比度c、圖像的亮度分布峰值距離h進行數據融合，生成九個能見度條件下的能見度測量值X，并將九個能見度條件下的能見度測量值X輸入神經網絡訓練，得到從圖像特征數據到能見度值的神經網絡映射模型；1.4能見度測量模型的數據整合；反復獲取九個能見度條件下的靶標視頻圖像特征，并不斷生成新的當前能見度下的能見度測量值X’，并運用機器學習理論，將該新的當前能見度下的能見度測量值X’輸入神經網絡模型訓練，獲得最優(yōu)能見度估計模型；二、能見度測量2.1靶標圖像的攝取和識別在現場安裝靶標和用于視頻數據獲取的攝像頭，利用PC機讀取攝像頭獲得的視頻圖像，采用形態(tài)學和行掃描的辦法識別靶標位置，并生成當前靶標的視頻圖像信息；2.2靶標圖像的特征提取利用圖像處理方法提取靶標的視頻圖像特征，靶標的視頻圖像特征有靶標圖像灰度均值g1，靶標圖像圖形的邊緣總長度b，靶標圖像的對比度c，圖像的亮度分布峰值距離h；生成路段當前條件下的能見度測量值X1；2.3能見度計算將路段當前條件下的能見度測量值X1送入所述能見度測量神經網絡模型中，經計算，獲得環(huán)境能見度等級。
2.1靶標圖像的攝取和識別在現場安裝靶標和用于視頻數據獲取的攝像頭，利用PC機讀取攝像頭獲得的視頻圖 像，采用形態(tài)學和行掃描的辦法識別靶標位置，并生成當前靶標的視頻圖像信息； 2. 2靶標圖像的特征提取利用圖像處理方法提取靶標的視頻圖像特征，靶標的視頻圖像特征有靶標圖像灰度 均值gl，靶標圖像圖形的邊緣總長度b，靶標圖像的對比度c，圖像的亮度分布峰值距離h ； 生成路段當前條件下的能見度測量值Xl ； 2. 3能見度計算將路段當前條件下的能見度測量值Xl送入所述能見度測量神經網絡模型中，經計算， 獲得環(huán)境能見度等級。2.根據權利要求1所述的一種能見度的全天候視頻測量方法，其特征在于，所述靶標 圖像灰度均值gl的獲取方法是采用現行標準的平局值法獲得靶標圖像灰度均值gl 用R. G. B分別表示原彩色圖像中的紅、綠、藍分量，有gl = 0. 3R+0. 59G+0. IlB(1)。
3.根據權利要求1所述的一種能見度的全天候視頻測量方法，其特征在于，所述靶標 位置的識別方法是3.1、豎直方向差分邊緣檢測采集到圖像的背景水平紋理群豐富，根據水平紋理群，先將經過灰度處理的圖像豎直 方向做差分運算，其一階差分運算式為g2(i' J') = k(i，j)-gi(i+l，j) I(2)g2代表做豎直方向差分邊緣檢測后的圖像，gl代表經過上面灰度處理后的圖像； 3. 2、二值化處理將靶標圖像分為mXn大小的方塊，設M為局部均值，ο為局部方差，t為局部閥值，有
4.根據權利要求1所述的一種能見度的全天候視頻測量方法，其特征在于，所述靶標 圖像圖形的邊緣總長度b的獲取方法是得到角度校正后的圖像g9后即可進行圖像特征提取，圖像的邊緣特征提取使用Carmy 算子方法，Carmy算子方法通過高斯一階微分計算梯度，尋找圖像梯度的局部最大值，使用 雙閥值法檢測強邊緣和弱邊緣，當弱邊緣與強邊緣鏈接成輪廓邊緣才輸出； Canny邊緣檢測步驟為第一步用高斯濾波器平滑圖像，高斯平滑函數為H(m,n) = e 2σ'(9)可以通過設定m和η的范圍和ο的大小決定高斯平滑濾波的模板大小和平滑尺度，用 高斯平滑函數對圖像進行濾波的計算式如下g10 = g9*H(10)其中*為卷積符號；第二步用一階偏導的有限差分來計算梯度的幅值和方向一階差卷積分模板為-1 -11 -1H1 =H2 =11 11 -1V1 = Sio^H1 V2 = g10*H2Ψ =(10)^ =Ian-1 ^ Ψχ第三步對梯度幅值進行極大值抑制僅僅得到全局的梯度并不足以確定邊緣，因此為確定邊緣，必須保留局部梯度最大的 點，而抑制非極大值；解決方法利用梯度的方向ξ [x,y] = Sector (θ ψ[χ,γ])(11)對經過高斯平滑后的圖像g1(l的每一點上，將領域的中心像素M與沿著梯度線的兩個像 素相比較，梯度信息來自于第二步計算結果，如果M的梯度值比沿梯度線的兩個相鄰像素 梯度值小，則令M = 0，即gn [X，y] = NMS (g10 [χ, y]，ξ [χ, y]) 第四步用雙閥值算法檢測和連接邊緣減少假邊緣段數量的典型方法是對gll[x，y]使用一個閥值。將低于閥值的所有值賦零；用雙閥值的方法選取閥值T1和τ2，且T1^ 2 τ2，得到兩個閥值邊緣圖像T1 [X，y] 和T2[x，y]，在T1中收取邊緣，將T2中的所有間隙連接起來，最終得到靶標圖像的邊緣信息 g12，通過對g12統計邊緣像素數量即可求得圖像邊緣總長度b。
5.根據權利要求1所述的一種能見度的全天候視頻測量方法，其特征在于，所述靶標 圖像的對比度c的獲取方法是一般的，圖像的對比度定義為 C = (L-LB)/LB = LH/LB(12)上式中，L表示圖像的局部亮度，即局部灰度，LB表示圖像的局部背景亮度，相當于局部 低頻分量，上式右邊部分Lh = L-Lb相當于圖像的局部高頻分量，在這里計算圖像g9的對比度。
6.根據權利要求1所述的一種能見度的全天候視頻測量方法，其特征在于，所述圖像 的亮度分布峰值距離h的獲取方法是在這里，灰度均值計算的計算式如下 vg =丄玄玄仏O,力(13)？Tlft X=I y=l上式中，m為標靶圖像的總行數，η為標靶圖像的總列數； 圖像的亮度分布峰值計算式如下
全文摘要
本發(fā)明公開一種能見度的全天候視頻測量方法，其特征在于按以下步驟進行1.能見度測量模型建立，設置靶標，建立能見度模型數據庫，建立能見度測量模型，能見度測量模型的數據整合；2.能見度測量，靶標圖像的攝取和識別，靶標圖像的特征提取，能見度計算。本發(fā)明的顯著效果是，能滿足不同地點、不同時間、不同路況、不同氣候變化的高準確度能見度檢測的需要；在環(huán)境變化的情況下依然能準確反映出圖像特征與能見度之間的映射規(guī)律。
文檔編號G06N3/08GK101957309SQ20101025586
公開日2011年1月26日 申請日期2010年8月17日 優(yōu)先權日2010年8月17日
發(fā)明者凌睿, 李茂華, 袁源, 鄒小春, 須民健 申請人:招商局重慶交通科研設計院有限公司