基于光學模型和暗原色先驗理論的能見度檢測方法
【技術領域】
[0001] 本發(fā)明屬于圖像處理技術，具體為一種基于光學模型和暗原色先驗理論的能見度 檢測方法。
【背景技術】
[0002] 隨著我國高速公路網建設的不斷發(fā)展，團霧多發(fā)路段和因團霧引起的重特大交通 事故的數量都在不斷增加。若能對團霧進行預測，則可以及時發(fā)布相關信息，避免交通事故 的發(fā)生。然而，被稱為"流動殺手"的團霧具有突發(fā)性強、易漂移、范圍小的特點。這些因素 使得傳統(tǒng)的天氣監(jiān)測方法不能實現(xiàn)對團霧的預測。
[0003] 根據能見度的值及其變化規(guī)律可以實現(xiàn)團霧的預測。因此，我國高速公路管理部 門通常利用人工目測和氣象設備監(jiān)測兩種方式獲取團霧區(qū)能見度的值，以實現(xiàn)對團霧的預 報。但人工目測的方法效率低，而氣象監(jiān)測設備的安裝成本高，布點密度不足，容易導致團 霧的漏報。
[0004] 目前，全國高速公路用于監(jiān)控的視頻傳感器已經達到了平均6公里一處，個別經 濟發(fā)達地區(qū)達到了平均3公里一處，而團霧的范圍通常在10公里以上。若能通過解析視頻 圖像實現(xiàn)能見度的實時檢測，則會有效地提高團霧的預報效率和降低預報成本，從而最大 限度地避免因團霧引發(fā)的交通事故。
[0005] 國內外關于通過解析視頻圖像實現(xiàn)能見度檢測方法的研究還處于起步階段。
[0006] 文件1、2中，Hautiere等人將柯西米德模型（Koschmieder's Model)和大氣對比 度的衰減模型相結合，提出一種基于動態(tài)視頻傳感器的能見度檢測方法。該方法不但能實 現(xiàn)能見度的估計，還能實現(xiàn)障礙物的檢測。但該方法利用區(qū)域增長算法獲取能見度檢測所 需的關鍵參數，對于路面非同質的情況，其效果并不理想，不能滿足實用性的需求。
[0007] 文件3中，Pomerleau利用視頻圖像中路面標志對比度的衰減程度和距離的關系 建立了能見度計算模型，并通過對能見度的定量判斷實現(xiàn)了團霧的檢測。
[0008] 文件4-5分別利用不同的對比度模型尋找對比度大于0. 05的像素點，然后根據景 深計算模型獲取這些像素點到攝像機的距離，以實現(xiàn)能見度的檢測。
[0009] 我國在此方面的研究雖然起步較晚，但也取得了一些較好的研究成果。
[0010] 文件6和文件7分別基于視頻圖像中四鄰域的對比度和路面像素的亮度特征，定 義了可視像素模型，并采用攝像機標定技術計算可視像素到攝像機的最遠距離，實現(xiàn)了無 需人工標記的能見度檢測。
[0011] 文件8將小波變換引入到了能見度的計算中，利用小波變換提取視頻圖像邊緣特 征點，以使檢測的能見度值更符合人眼的觀測結果。
[0012] 在上述研究結果的基礎上，文件9根據柯西米德模型和最小二乘法逼近原理，提 出了一種基于路面亮度特征的能見度檢測算法。
[0013] 文件3-9提出的能見度檢測方法均需提取路面標志信息（車道線、路標等）。然而， 在有遮擋的情況下這些特征并不能有效地被提取，從而影響了能見度檢測的效率和精度。
[0014] 文件10-11基于不同能見度的視頻圖像在高頻部分的區(qū)別，建立了基于視頻圖像 頻率域特征的能見度和團霧檢測方法，從而避免了路面標志信息的提取。然而，在含有多目 標場景下獲取的視頻圖像，無論是低能見度還是高能見度都含有較多的高頻信息，在頻率 域具有相似的特征。因此，該類方法對含有多目標的視頻圖像檢測效果并不理想。
[0015] 中國專利申請 CN 201410091456. 3、CN 201310325570. 3 和 CN 201510177157. 6 分 別公開了基于硬件設施的能見度檢測和團霧預警系統(tǒng)，均能取得理想結果。但是這些方法 的實現(xiàn)不能利用高速管理部門現(xiàn)有的設備設施，應用成本較高。
[0016] 中國專利申請CN 201210226642. 4公開了一種基于圖像顏色空間特征的霧天檢 測方法。該方法在視頻傳感器前無移動目標的理想情況下能取得非常好的結果，但對于視 頻傳感器前含有多運動目標復雜情況，其團霧檢測效果并不理想。
[0017] 參考文件如下：
[0018] [1]N. Hautiere, J. P. Tarel, J. Lavenant, et al. Automatic fog detection and estimation of visibility distance through use of an onboard camera[J]. Machine Vision and Applications, 2006, 17(I):8-20.
[0019] [2]N. Hautiere, D. Aubert, E. Dumont, et al. Experimental validation of dedicated methods to in-vehicle estimation of atmospheric visibility distance[J]·IEEE Transactions on Instrumentation and Measureme nt, 2008, 57(10) :2218-2225.
[0020] [3]D. A. Pomerleau. Visibility estimation from a moving vehicle using the RALPH vision system [C]. Proceedings of IEEE Conference on Intelligent Transportation System, November, 1997, 906-911.
[0021] [4]C. Boussard, N. Hautiere, B. Novel. Vehicle dynamics estimation for camera-based visibility distance estimation[C]. Proceedings of IEEE International Conference on Intelligent Robots and Systems, Septemb er, 2008, 600-605.
[0022] [5]N. Hautiere, R. Labayrade, D. Aubert. Real-time disparity contrast combination for onboard estimation of the visibility distance[J].IEEE Transactions on Intelligent Transportation Systems, 2006, 7(2):201-212.
[0023] [6]李勃，董榮，陳啟美.無需人工標記的視頻對比度道路能見度檢測[J].計算 機輔助設計與圖形學學報，2009, 11 (21) : 1575-1982.
[0024] [7]張瀟，李勃，陳啟美.基于亮度特征的PTZ視頻能見度檢測算法及實現(xiàn)[J]. 儀器儀表學報，2011，32(2) :391-387.
[0025] [8]陳釗正，周慶逵，陳啟美.基于小波變換的視頻能見度檢測算法研究與實現(xiàn) [J] ·儀器儀表學報，2010, 31 (1) : 92-98.
[0026] [9]吳煒，李勃，楊嫻等.基于路面視亮度差平方最優(yōu)化的視頻能見度檢測算法 [J] ·電子與信息學報，2014, 36 (10) : 2412-2418.
[0027] [10]M. Pavlic, H. Belzner, G. Rigoll, et al. Image based fog detection in vehicles[C] · Proceedings of IEEE International Conference on Intelligent Vehicles Symposium, June, 2012, 1132-1137.
[0028] [11]R. Spinneker, C. Koch, H. Emden, et al. Fast fog detection for camera based advanced driver assistance systems[C]. IEEE International Conference on Intelligent Transportation Systems, October, 2014, 1369-1374.

【發(fā)明內容】

[0029] 本發(fā)明的目的是為克服現(xiàn)有方法通?；诶硐雸鼍皸l件下實現(xiàn)能見度的檢測，無 法適應路面非同質、路面標識被遮擋、含有多目標等復雜場景下的應用需求問題，提出的一 種基于能見度計算模型構建、拐點檢測和透射率細化的復雜場景下能見度檢測方法。
[0030] 為實現(xiàn)上述目的，本發(fā)明采用下述技術方案：
[0031] 一種基于光學模型和暗原色先驗理論的能見度檢測方法，包括以下步驟：
[0032] 1)根據視頻傳感器的成像模型，獲取計算能見度所需的相關參數：視頻傳感器距 地平面的高度H，視頻傳感器的光軸與地平面的夾角Θ，視頻傳感器的有效焦距f，圖像中 像素點的水平尺寸t pu和垂直尺寸t pv，以及滅點在視頻圖像中的垂直坐標值Vh;
[0033] 2)利用設置的視頻傳感器，實時采集交通視頻圖像I ;
[0034] 3)基于暗原色先驗理論，獲取所采集圖像的透射率t (X);
[0035] 4)利用多點各向異性高斯濾波器和雙邊濾波細化步驟3)獲取的透射率；
[0036] 5)將步驟4)中得到的透射率代入到視頻圖像灰度值沿垂直方向變化的拐點與透 射率的函數表達式，以獲取拐點的坐標；
[0037] 6)將所有拐點的垂直坐標值代入能見度計算模型，以確定能見度的值。
[0038] 進一步地，步驟4)中透射率的細化步驟如下：
[0039] (a)利用多點各項異性高斯濾波器檢測所采集視頻圖像中的邊緣線段，濾波器的 定義