基于图像处理的夜视车辆检测

摘  要： 根据环境照度将夜间交通场景区分为充足照明和低照度两种情况，分别设计相应的处理流程检测运动车辆。针对充足照明的情况，先使用梯度滤波消除路面反光的干扰，再进行帧间差分检测运动区域，最后使用级联形态学滤波消除噪声点和填充帧间差分方法导致的车体区域空洞。针对低照度情况，引入先验知识检测车前灯，并利用车灯间距判别车型大小，最后结合车辆的造型知识定位车体。对多段典型的夜间交通场景视频进行了测试，实验结果表明，该方法能够有效地检测夜间行驶车辆。
关键词： 交通监控； 计算机视觉； 梯度滤波； 先验知识
   　基于计算机视觉和图像处理的交通监控技术具有成本低、可扩展性好的特点，而且能够提供比传统的地埋式感应线圈技术更为丰富和深层次的交通信息。目前，对日间条件下的交通监控国内外都已经做了大量的研究工作，并取得了一些重要的成果[1-3]。然而，作为全天候交通监控的一部分，夜间条件下的车辆监控因其复杂的光照条件一直是一个十分棘手的难题。一些发达国家采用安装红外摄像机来获取夜间道路图像[4-5]，这种方法在检测夜间行人时非常有效，但是在检测夜间行驶的车辆时，仍然会受到车头灯的强光、地面反射光和环境光线的影响，而且红外摄像机价格昂贵。因此，目前较为通用的方法仍然是采用普通CCD摄像机拍摄夜间图像，通过检测图像中的车头灯来检测车辆[6-8]。
　目前为数不多的关于夜间交通监控的研究都是在环境照度低、车体少部分可见的情况下进行的，提取车灯这一显着特征作为车辆检测的依据自然就成为了首选方案。事实上，目前大中城市的道路夜间光照条件普遍较好，车体可见度较高，因此提取车灯不再是夜间车辆检测的唯一方案，检测出车体轮廓进而实现跟踪和识别成为可能。本文根据夜间交通的不同环境特点，把夜间交通区分为充足照明和低照度两种情况，并采用不同策略进行处理。首先利用亮度分布的显着差异自动地判别两种情景，并导入相应的处理流程（如图1所示）。对于充足照明的情况，先使用梯度滤波对输入图像进行预处理，消除车灯、地面反光和环境光线的影响，然后结合帧间差分技术和级联形态学滤波提取车辆区域；对于低照度的情况，先检测车灯对并计算车灯对间距，然后根据车辆的结构知识定位车体。
   
   1 环境照度判别
　结合亮度和对比度判别夜间交通场景环境照度情况，由此决定此后将采用的检测算法和相关系统参数。图2（a）、图2（c）是两幅典型的夜间交通图像，分别对应充足照明和低照度的情况。由图可见，它们在亮度和对比度上有一些显着区别的特点：在充足照明条件下，图像亮度分布在一个狭窄区间，具有较高强度值，灰度直方图呈较显着的单峰造型，如图2（b）所示；在低照度条件下，亮度分布高度集中在一个极高值和极低值附近，它们分别对应黑暗背景和车灯及路面反射光区域，灰度直方图呈双峰造型，如图2（d）所示。