基于改进Sobel算法的车辆检测技术

赵 勇，李怀宇

(长安大学 信息工程学院，陕西 西安 710064)

基于改进Sobel算法的车辆检测技术

赵 勇，李怀宇

(长安大学 信息工程学院，陕西 西安 710064)

智能交通系统中车辆检测技术是后续工作的基础，利用交通视频采用边缘检测法来检出车辆具有较高的有效性和鲁棒性。传统基于Sobel算法的边缘检测法由于阈值设定的问题不能满足交通复杂多变的光照条件，因此采用一种自适应阈值的Sobel算法。最后用Matlab进行仿真，仿真结果表明在光照不足的情况下采用自适应阈值的Sobel算法效果要优于传统的Sobel算法，且检测速度比较快基本满足实时性的要求。

边缘检测；Sobel算子；车辆检测；智能交通

车辆检测技术是实现智能交通系统的基础，有效、可靠的检测出车辆便于车流量、车速等关键参数的统计，为交管部门制定缓堵保畅措施提供技术支持。

常用车辆检测方法有环形线圈检测法、雷达检测法、回波检测法和视频检测法等。视频检测法在硬件的安装、维护及所包含的信息等几方面均具有其他方法不可比拟的优势[1]。检测出车辆的存在即场景中运动目标的提取是视频检测法的关键步骤。常用的方法有背景去除法、帧间差分法和边缘检测法。边缘检测法由于具有良好的有效性和鲁棒性而获得广泛应用。

1 边缘检测算法

边缘是图像的基本特征，边缘检测是图像处理、图像分析、模式识别等的基本步骤。边缘检测结果直接影响机器视觉对客观世界的认知。经典算法中主要用梯度算子，比较常用的算子有：

(1)Robert算子[2]。是一种利用局部差分算子寻找边缘的算子，边缘定位精度较低，检测的边缘图像还需做细化处理，并对噪声敏感；

(2)Sobel算子[3]。距离当前像素不同距离的领域像素具有不同的权值，有一定的抑制噪声能力，具有较好的边缘检测能力但同时也检测出一些伪边缘，降低了检测定位精度；

(3)Prewitt算子[4]。通过像素平均达到对噪声的抑制，由于其是通过8个方向模板对图像进行卷积，因此计算量较大；

(4)Laplacian of Gaussian(LoG)算子[5]。沿不同方向检测边缘时梯度幅度一致，具有各向同性。提取的边缘最为完整，连续性好，定位精确。但对图像中的噪声相当敏感，且常产生双像素宽的边缘，无法提供边缘方向的信息；

(5)Canny算子[6]。提取的边缘最为完整，且边缘的连续性好，定位较为精确。但计算量大，尤其是在使用大的高斯滤波器的情况下，根本无法满足对实时性的要求。

2 Sobel边缘检测原理

Sobel算子[7]有两个卷积因子，分别如下式所示

(1)

(2)

式(1)为垂直梯度方向，检测水平边缘，式(2)为水平梯度方向，检测垂直边缘。其利用像素邻近区域的梯度值来计算图像中每个像素的梯度，然后根据阈值取舍。

在进行图像处理的过程中，分别使用上述两个模板与将要处理的图像数据进行卷积来做近似计算。具体计算如公式如下

Gx=(-1)*f(x-1,y-1)+0*f(x,y-1)+
1*f(x+1,y-1)+(-2)*f(x-1,y)+0*f(x,y)+
2×f(x+1,y)+(-1)*f(x-1,y+1)+
0*f(x,y+1)+1*f(x+1,y+1)

(3)

Gy=1*f(x-1,y-1)+2*f(x,y-1)+
1*f(x+1,y-1)+0*f(x-1,y)+0*f(x,y)+
0×f(x+1,y)+(-1)*f(x-1,y+1)+
(-2)*f(x,y+1)+(-1)*f(x+1,y+1)

(4)

上式中f(x，y)为图像中某点的灰度值。各个像素灰度值的梯度大小通过式(5)进行计算，在实际应用中为提高运算速度一般使用式(6)来近似

(5)

|G|=|Gx|+|Gy|

(6)

计算出图像中每一像素点灰度值的梯度后，根据具体情况来设定一个合适的阈值。当|G|小于该阈值时则认为该像素点不是图像中的边缘点，当|G|大于该阈值时则认为该像素点为图像的边缘点。

在交通领域中由于采集视频图像的环境复杂，在同一地点不同时间的光照、气候等条件的变化明显，采集到的图像明暗程度相差较大。在使用Sobel算法进行车辆边缘检测时采用固定阈值的方法，不能满足光线时刻变换的具体情况。因此，本文采用一种自适应阈值的Sobel算法进行车辆检测。

3 自适应阈值的Sobel算法

在车辆检测的过程中，需要一个合适的阈值来完成灰度图像向二进制边缘图像的转换。这一阈值可通过用户自定义或通过阈值选择算法来设定。用户自定阈值的方法不够灵活，由于一个阈值不能满足所有的光照条件，因此无法满足车辆检测的需要。同时，当用户希望根据不同的光照条件来改变阈值时也极为困难，因为光照条件是随时间而不断变换的。因此，本文采用一种自适应阈值的Sobel算法进行车辆的检测[8]，以满足在不同光照条件下对车辆的边缘进行检测。

3.1 阈值的选择

通常一幅图像在光线适中时图像是最清晰的，相反在昏暗或强光的条件下图像模糊不清。根据经验，模糊图像的梯度值要高于清晰图像的梯度值。因此需要为模糊图像选择一个较低的阈值，而为清晰的图像选择一个较高的阈值[9]。

3.2 阈值的计算

常用的图像二值化阈值选取方法有双峰法、P参数法[10]、最大类间方差法(Ostu、大津法)[11]、最大熵阈值法[12-13]以及迭代法(最佳阈值法)[14]。这些方法均对图像有一定的要求，且计算量较大无法满足交通中对车辆检测的要求。本文所提出的自适应阈值法通过使用Sobel边缘检测法中的[Gx,Gy]来设定合适的阈值，这些阈值根据[Gx,Gy]不断更新，以满足一天中不同时刻的光照等外部条件的变换。该计算方法可用数学表达式表述为[15]

(7)

其中，Gx和Gy分别表示水平与垂直梯度值。

采用该种方法可达到某些场景下人工设定阈值的效果，且这种方法仅需要先前已计算好的梯度值，因此还可有效降低计算时间。

4 实验结果

为了检验本文采用的自适应阈值Sobel算法，在Matlab中进行了仿真对照，其中一部分仿真结果如下。

图1 不同光照条件下的检测结果

图1(a)为原始图像，图1(b)为使用传统的固定阈值Sobel检测法得到的图形，图1(c)为使用自适应阈值Sobel算法检测得到的边缘图像。从图中可以看出，在光线昏暗的条件下采用自适应阈值的Sobel算法效果要优于传统的Sobel算法，在其他条件下两者的检测效果基本相同。

5 结束语

本文针对交通场景中复杂多变的光照条件下，对传统的边缘检测Sobel算法进行了改进，提出一种自适应阈值的Sobel算法以提高边缘检测的有效性和鲁棒性。实验表明，该自适应阈值Sobel算法效果优于传统的Sobel算法，且检测速度也基本满足了实时性的要求。

[1] 黄海静.基于视频技术的交通事件检测及其应用研究[D].西安:西安科技大学,2014.

[2] 王方超,张旻,宫丽美.改进的Roberts图像边缘检测算法[J].探测与控制学报,2016,38(2):88-92.

[3] 梁娟.一种基于 Sobel图像边缘检测的改进算法[J].软件导刊,2014(12):79-81.

[4] 郑英娟.基于八方向Sobel算子的边缘检测算法研究[D].石家庄:河北师范大学,2014.

[5] 董雪,林志贤,郭太良.基于LoG算子改进的自适应阈值小波去噪算法[J].液晶与显示,2014,29(2):275-280.

[6] 赵同刚,陈迅.基于监督学习的Canny图像边缘检测改进算法研究[J].半导体光电,2016,37(5):731-741.

[7] 王月新,刘明君.Sobel算子与Prewitt算子分析与研究[J].计算机与数字工程,2016(10):2029-2031.

[8] 祁佳,刘紫燕,冯亮.实时图像自适应阈值边缘检测FPGA实现[J]仪表技术与传感器,2014(9):81-83.

[9] 汤依婷,韩彦芳.一种改进的图割目标分割算法[J].电子科技,2016,29(10):43-46.

[10] 拜颖乾.图像分割阈值选取方法的研究[J].信息系统工程,2014(2):146-147.

[11] Otsu N.A threshold selection method from gray-level his-tograms[J].IEEE Transactions on System Man and Cybernetic,1979,9(1):62-66.

[12] Pun T.A new method for gray-leveI picture thresholding using the entropy of the histogram[J] .Signal Processing,1980,2(2):223-237.

[13] Pun T.Entropic thresholding:A new approach[J].Computer Vision Graphics and Image Processing,1981,16(2):210-239.

[14] 杨新华,吕意飞.差分算子和改进Otsu算法结合的灰度图像阈值分割研究与实现[J].仪表技术与传感器,2015(3):104-106.

[15] R.Cucchiara,M.Piccardi and P.Mello. Image Analysis and Rule-Based Reasoning for a traffic Monitoring System[J].IEEE Transactions on Intelligent Transportation systems,2000(1):119-130.

Vehicle Detection Technology Based on Improved Sobel Algorithm

ZHAO Yong，LI Huaiyu

(School of Information Engineering,Chang’an University,Xi’an 710064,China)

Vehicle detection technology in intelligent transportation system is the foundation of the follow-up work. It has a high efficiency and robustness by using the edge detection method to detect the vehicle. The traditional Sobel algorithm based on edge detection method is unable to meet the complex and changeable illumination conditions because of the threshold setting. An adaptive threshold Sobel algorithm is adopted and then Matlab simulation is used. The simulation results show that the Sobel algorithm in a low light condition with adaptive threshold is superior to the traditional Sobel method. The detection speed is relatively faster,which basically meets the real-time requirements.

edge detection; sobel operator; vehicle detection; intelligent traffic

TP391.41

A

1007-7820(2017)11-078-04

2016- 12- 23

赵 勇(1978-)，男，硕士，工程师。研究方向：计算机视觉等。李怀宇(1973-)，男，博士研究生，工程师。研究方向：计算机视觉等。

10.16180/j.cnki.issn1007-7820.2017.11.021