基于SURF特征匹配法的高速公路能见度检测技术研究

刘砚菊，李红梅，宋建辉

(沈阳理工大学，自动化与电气工程学院 沈阳 110159)

基于SURF特征匹配法的高速公路能见度检测技术研究

刘砚菊，李红梅，宋建辉

(沈阳理工大学，自动化与电气工程学院 沈阳 110159)

为解决当前高速公路能见度检测稳定性低、实用性不强的问题，提出一种基于SURF特征匹配法的高速公路能见度检测方法，将摄像机获取的待检测图像进行图像预处理，然后应用SURF特征匹配算法进行特征点提取，与标准模板进行特征点匹配并分析匹配程度，进而得出能见度等级。与灰度直方图法和透射法做对比实验，结果表明：该算法能很好的模拟人眼的判别效果且处理速度快，更易实现能见度实时性监测。

图像预处理；能见度检测；特征提取；SURF特征点匹配

道路能见度对于人们的生活出行安全影响很大，由于雾霾、沙尘等恶劣天气导致的道路能见度过低引起的交通事故时有发生[1]，使得及时检测道路能见度进而进行交通管制具有十分重要的意义，国内外许多学者都以此为课题进行了深入的研究。这些研究大部分利用光学原理中的透射法[2]或散射法[3]来进行能见度检测并应用在实际生活中，但这些光学检测器械灵敏度要求较高，不能主观的模拟、体现人的视觉效果，后期维护困难，成本也很高。图像处理[4]作为发展迅速的一项技术，具有灵活性高、稳定性强、应用简单易操作等特点；通过对获取图像信息预处理、特征检测[5]、信息识别，能更加接近地模拟人眼视觉的观察效果。

目前，国内对高速公路能见度的检测仍处于理论研究与实验阶段，真正能用于实践的方案很少。市场上现有的仪器较多是基于透射法和散射法的激光检测仪，这类仪器虽然检测效果优良，但也存在光学收发仪器分体安装，占地面积大；现场调试困难，难以实时监测；后期维护成本较高，且不能模拟人眼的视觉效果等缺点[6]，应用时还会引入相对误差。除了光学仪器，用摄像机标定模型[7]来检测能见度的方法也有很多，基于视觉网络效应能见度推算法、对比度法、消失点法[8]、双亮度差法[9]、模板匹配法等都很好地运用了摄像机标定模型来检测能见度，但这些方法大多基于数学理论，真正用到实践中依旧存在测量结果与实际值偏差较大的情况。

本文提出基于SURF特征匹配的高速公能见度检测方法，通过将摄像机获取的图像进行图像预处理，提取待检测图特征点并与模板图像特征点进行匹配，由匹配程度得出能见度取值范围。

1 基于SURF特征匹配算法的能见度检测法分析

SURF图像处理检测法大致分为图像预处理、SURF特征点提取、模板匹配、匹配结果分析四个步骤。基于SURF算法的检测流程图如图1所示。

图1 SURF算法的能见度检测流程图

1.1 图像预处理

1.1.1 灰度化

将摄像机获得的图像进行灰度化处理，图像中的每个像素都包含R、G、B三个颜色分量。灰度化则令这三个量相等，从而变成一个灰度值，使每个像素只需要一个字节内存来存储这个灰度值。通过这种方式将彩色图像变成灰度图。

1.1.2 二值化阈值分割

将上述得到的灰度图进行二值化处理，经过多次实验后选定全局阈值为100，将图像灰度变成0或255，将主体目标细节突出，减少图像数据量。

1.2 SURF特征点提取

特征提取、匹配过程是该处理方法的关键技术。首先构造Hessian Matrix矩阵，判断特征点并进行尺度空间的生成；然后利用非极大抑制精确定位特征最强点；通过遍历法确定主方向，形成描述子进行匹配分析。

1.2.1 Hessian Matrix矩阵构造

在拍摄图像检测、特征点匹配过程中，常会遇到图像尺度不同的问题。不同图像中特征点的距离不同，修正特征点的大小会造成图像强度不匹配[10]。为解决这一问题，本文采用尺度不变的SURF特征匹配算法[11]，在计算特征点的同时将尺度因素加入其中。先运用Hessian Matrix矩阵确定候选点，然后进行非极大抑制。相比于SIFT算法，SURF算法运算更加简单，效率更高，运算时间更短，在多幅图片下具有更好的鲁棒性。

SURF算法运用Hessian Matrix矩阵进行特征提取：

(1)

本文用I(x,y)代替f(x,y)，其中I(x,y)为图像像素。由于特征点需要尺度无关性，所以在构造Hessian Matrix矩阵之前要先进行高斯滤波。在尺度σ下有：

L(x,σ)=G(σ)·I(x,σ)

(2)

式中：

(3)

g(σ)为高斯函数：

(4)

得到Lxx、Lxy、Lyy，从而计算出Hessian矩阵：

(5)

每个像素点都可以求出一个Hessian Matrix矩阵，Hessian Matrix矩阵的判别式为：

(6)

判别式(6)的值即为Hessian Matrix矩阵的特征值，可利用判定结果的符号将所有点进行分类，根据判别式结果的正负来判断该点是否为极值点。

1.2.2 尺度空间的生成

SURF算法通过改变高斯模板的大小，使不同的octave层中的图片大小相同。相较于SIFT算法，简化了降采样过程，处理速度更快。

1.2.3 利用非极大值抑制初步确定特征点和精确定位特征点

将经过Hessian Matrix矩阵处理的每个像素点与其三维领域的26个点进行大小比较，若计算得出其为26个值中的最大值或最小值，则将这个点保存下来作为初步的检测值。在检测过程中使用与该尺度层图像解析度大小相对应的滤波器进行检测。采用三维线性插值法得到亚像素级的特征点，同时去掉那些小于一定阈值的点，本文设定的阈值为500。最终将几个特征最强的点检测出来。

如图2中标记x像素点的特征值大于周围像素的特征值，则可确定该点为该区域的特征点。

图2 三维领域确定特征点示意图

1.2.4 主方向确定

遍历整个以特征点为圆心、6s(s为特征点所在的尺度值)为半径的圆形区域，选取最长矢量方向作为主方向。

1.2.5 描述子形成

其步骤如下：

(1) 选定以特征点为中心的正方形区域，旋转该区域使其与主方向同向。

(2) 将正方形区域划分成4×4共16个子区域，对每个区域进行Haar小波变换，得到4个系数：水平方向之和、水平方向绝对值之和、垂直方向之和、垂直方向绝对值之和。这样每个特征点有4×16共64维的向量。

(3) 由上述步骤得到64维向量，即描述子，可用其进行匹配工作。

1.3 匹配分析

图3 OpenCV操作界面

通过向当地气象局获取每天早、中、晚三个特定时段的能见度数据统计，与当天检测图像匹配程度进行统计对照，得到匹配程度与大气能见度的一个区间对应关系。

2 实验结果分析

2.1 SURF特征匹配法检测能见度结果分析

实验选取部分浓雾天气下高速公路目标物图片，对其进行能见度检测。图4为选取的部分不同程度雾霾天气下的实验图像，雾霾严重程度依次升高。

图4 选取部分实验图像

对图4的每张图进行图像预处理，SURF特征提取、匹配，匹配效果如图5所示。

图5 SURF特征提取、匹配结果

由图5可以明显看出，该方案成功检测出拍摄目标与标准模板各自的特征点并进行匹配，匹配效果符合实际环境情况。由运算结果可知，该算法用时在4.3秒到5.8秒之间，用时较短。以上的实验优点，验证了方案的可行性。

选取的部分实验匹配数据如表1所示。检测图为雾霾天气下摄像机拍摄的图像，模板图为标准对比图(如图5所示)。

SURF算法将待检测图像的所有特征点提取出来进行特征点描述，最后和模板图特征点进行匹配。最大、最小距离是指两个特征向量间的欧式距离，表明两个特征的差异，值越小表明两个特征点越接近。GoodMatch个数为匹配优秀点数，其占模板图特征点数的比例为匹配程度，匹配程度越高，说明天气对检测图像的特征点提取影响越小，能见度越高。

表1 实验匹配数据

本文选取两个月之内的不同程度雾霾天气下的图片进行检测，共计138个检测样本；分别对这138个检测样本进行图像处理，将处理后的图片与模板进行特征点匹配，能见度的高低依据特征匹配结果中的匹配程度大致分为以下八个等级：

(1) 当特征匹配程度在区间(0，4.86%]内时，能见度等级为1，此时高速公路上的景物都置于雾霾当中，分辨率极低，汽车行进困难，能见度在10米之内。

(2) 当特征匹配程度在区间(4.86%，6.85%]内时，能见度等级为2，此时高速公路环境分辨率很低，很难看清前方景物，能见度在10米到25米之间。

(3) 当特征匹配程度在区间(6.85%，10%]内时，能见度等级为3，此时高速公路上分辨率依然很低，能见度在25米到50米之间。

(4) 当特征匹配程度在区间(10%，20%]内时，能见度等级为4，此时大气能见度偏差，分辨率较低，能见度在50米到100米之间。

(5) 当特征匹配程度在区间(20%，30%]内时，能见度等级为5，此时能见度稍有提升，分辨率有所提高，司机可以看清前方车辆及道路情况，能见度在100米到200米之间。

(6) 当特征匹配程度在区间(30%，50%]内时，能见度等级为6，此时大气能见度量良好，分辨率很高，能见度在200米到300米之间。

(7) 当特征匹配程度在区间(50%～60%]内时，能见度等级为7，此时空气质量良好，能较清看清前方事物，能见度在300米到400米之间。

(8) 当特征匹配程度在区间(60%，100%]内时，能见度等级为8，此时空气质量很好，分辨率极佳，能见度大于400米。

2.2 对比实验结果分析

在所有的实验样本数据中，选取一周的实验数据与传统透射法、灰度直方图统计法进行比较。

2.2.1 SURF特征匹配法与透射法比较

对比实验分别采用SURF特征匹配法和透射法对七天内的能见度进行检测，检测结果如图6所示。

图6 SURF特征匹配法与透射法结果比较图

图中横坐标为日期，纵坐标为大气能见度值。

气象局使用的传统透射法可以精确到米，但检测时间在1分钟左右，相对本文算法耗时较长。通过对比两种方法的结果可知，SURF匹配法虽然没有透射法精确度高，但在一定的区间内具有正确性，满足人眼的视觉要求。同时，SURF匹配法运算时间短，相比于透射法更加简便、快速，更容易达到实时监测大气能见度的效果。

2.2.2 SURF特征匹配法与灰度直方图法比较

分别用灰度直方图法[13]和SURF特征匹配法处理相同的待测图像，取7组数据，检测结果如表2所示。

表2中第二、三行分别表示灰度直方图法和SURF特征匹配法测得的大气能见度值的所在区间；第四行为通过透射法测量相同数据得到的准确大气能见度值，用来判定前两种方法测得的能见度区间的正确性。由表2数据可知，由透射法得到的大气能见度准确值均在灰度直方图法和SURF特征匹配法测得的能见度区间范围内。但相比于直方图法，SURF特征匹配法能见度所在区间范围更小；将实验的138个样本与第三方透射法比对，统计结果表明：区间匹配正确率在93%左右，高于直方图法的85%的正确率，检测结果更加精确。

表2 SURF与灰度直方图法能见度比较 m

3 结论

对基于SURF特征匹配法的高速公路能见度检测方法进行了设计，实现了利用高速公路摄像头采集的照片进行图像处理进而得出能见度值。实验结果表明，该方法能够实时、准确地提取目标图像的特征点并进行匹配，建立图像信息与大气能见度之间的关系，具有很好的实际应用价值。

[1] 李屹,朱文婷.基于数字摄像技术的能见度检测[J].现代电子技术,2012,35(20):95-97.

[2] 李佳,葛嘉琦,陈启美.路况视频能见度检测算法[J].计算机工程,2009,35(16):175-177.

[3] 赵丽.道路交通气象环境能见度检测器检测方法研究[J].交通标准化,2014,42(6):1-4.

[4] 苗苗.视频能见度检测算法综述[J].现代电子技术,2012,35(15):72-73.

[5] 叶青.道路能见度监测方法的比较和研究[J].传感器技术,2004,23(5):74-76.

[6] 陈小丹,杜宇人,高秀斌.一种基于SURF的图像特征点快速匹配算法[J].扬州大学学报,2012,15(4):64-67.

[7] 王亚迪,李秀华.改进SURF快速图像匹配[J].长春工业大学学报,2016,37(2):142-143.

[8] Yu He,Kim-Hui Yap,Li Chen,et al.Joint Image Registration and Super-Resolution using Nonlinear Least Squares Method[C]∥2007 IEEE International Conference on Acoustics,Speech and Signal Processing,Hawaii,USA,2007,1:561-564.

[9] 刘金龙,薛名芷.机器视觉技术在交通路标识别中的实现方法[J].硅谷,2014(5):45-46.

[10]周庆奎,陈钊正,陈启美.基于视频的路况能见度检测系统的设计与实现[J].电子测量技术,2009,32(6):72-76.

[11]阴法名.基于OpenCV的图像处理[J].科技信息,2009 (32):220.

[12]熊和金,段晓秀.公路交通能见度识别的直方图算法[C] ∥智能交通与人工智能学术研讨会，广州.2007:14-18.

ResearchofHighwayVisibilityDetectionBasedonSURFFeaturePointMatching

LIU Yanju,LI Hongmei,SONG Jianhui

(Shenyang Ligong University,Shenyang 110159,China)

In order to solve the problem of low stability and practicability of the highway visibility detection,a detection method based on SURF feature point matching is proposed.Firstly,the image is pre-processed and obtained by camera.Then,image feature points are extracted and image feature points are matched with standard template.Visibility values can be obtained by the matching degree.Experimental results show that the proposed method not only simulates human eyes visual effect very well but also processes quickly，which can be used to implement visibility real-time monitoring.

image processing;visibility detection;feature extraction;SURF feature point matching

2017-05-15

刘砚菊(1965—)，女，教授，研究方向：智能检测与信息处理。

1003-1251(2017)06-0072-06

TP391.9

A

赵丽琴)