基于RANSAC的高原地区交通违章视频图像去抖动方法

摘要：为了降低由于图像抖动引起的视频质量较低的问题，提出基于RANSAC的高原地区交通违章视频图像去抖动方法。利用RANSAC构建了图像模型，以此为基础，实现对图像中抖动点的准确识别，将抖动点数据与模型进行匹配，计算对应点的补偿值，以此实现去抖动的目的。实验结果表明，其能够实现对视频图像中抖动的有效去除。

关键词：RANSAC;高原地区;交通违章;视频图像;去抖动;补偿值;

中图分类号：TP391.41

0引言

我国高原地区占国土总面积的约26%，其公路上近些年出现的交通事故呈上升趋势，以西藏自治区2017年数据为例，公路上发生的交通事故据统计共有354起，事故死亡人数总计176人，死亡率较高，是其他地区事故率的2倍。

以交通视频图像处理技术作为研究基础对车辆交通行为检测进行相关研究意义重大。交通运输日益重要，经济的高速运转也帮助人们提升自我的消费意识，大量的购车带来了交通安全，交通堵塞等问题的出现。目前在我国大力提高基础交通建设的大环境下，高原地区公路建设正在广泛全面的开展，但是这些地区的基础交通运行状况却比较落后。在高原地区，公路具备特殊情况如光照、气候、噪音以及温度等，对有效进行视频图像处理带来一些障碍和挑战。

受高原地区环境特殊性影响，车辆在该区域的运行密度较低，对于其的监管也主要是通过设备监控的方式实现的[1]。高原地区的极端恶劣天气较多，导致监控识别对道路运行车辆的信息进行采集时，会出现明显的抖动情况，直接影响监控视频的质量，对于后期工作的开展带来了极大的困难[2]。在此背景下，对于视频图像的去抖動处理成为了提高道路交通安全管理的重要手段[3]。视频图像抖动主要是由于在短时间内监控设备出现较高频率往返移动，导致其采集到的图像信息出现明显的局部重叠[4]，这种重叠在抖动期间不断发生交替现象，最终使视频图像中的信息难以识别[5]。对于该问题，已有诸多学者进行了相关研究，其中，文献[6]提出了一种基于光线传播原理的图像去抖动的方法，其在一定程度上实现了对图像的有效恢复，但需要对每一帧图像进行大量重复操作，时间开销较高;文献[7]提出一种基于像素配位的图像去抖动方法，具有较高的去抖效果，但主要应用静态的图像，对于视频图像的适配性较低。近些年来，随着各项技术的不断发展，RANSAC（Random Sample Consensus）算法的应用领域也逐渐扩大，该算法主要根据包含异常数据的样本数据集，得出整体数据的数学模型，以此对待处理数据进行处理，在计算机视觉领域的应用中表现出了良好的应用效果。

基于此，本文提出一种基于RANSAC的高原地区交通违章视频图像去抖动方法，利用RANSAC建立视频数据模型，以此实现对异常抖动数据的恢复，实现图像去抖动的目的，并通过实验验证了所提方法的实际应用效果。通过该研究，以期为视频图像的去抖动工作提供有价值的参考，为道路安全提供保障。

1基于RANSAC的图像模型构建

由于本文是对视频图像进行去抖动处理，因此，图像中大部分点都是具有运动趋势的，由于其运动规律的一致性，图像中的点所表现出的运动趋势也都相同，但在其中，会存在部分运动向量异常的点，本文将其作为RANSAC算法的异常数据，对整体图像信息构建模型。

首先，利用RANSAC算法对异常数据点统计时的鲁棒性，对视频图像中的数据进行多次随机取样，每次随机取出尽可能少但充分的若干个数据来确定模型参数，再根据已确定的数据特征对其进行划分，其可表示为：

（1）

公式（1）中，λ表示数据的分类结果，p和q分别表示不同取样结果，lcm（*）表示数据特征提取。通过这样的方式，将视频图像中的数据以分组的形式呈现。在分组过程中，一部分数据会存在一定误差。因为异常点的分布不具有规律性，因此，本文将少数误差所在的范围作为模型调整的参数，那么调整参数可以表示为：

（2）

公式（2）中，c表示模型调整参数，d表示误差总体分布范围。

那么，视频图像的数据模型为：

（3）

通过公式（3）模型，对抖动视频图像中的错位数据信息进行识别，并做出相应的复位和修复，实现去抖动的目的。

2图像去抖动

因为采集的车辆图形是不同视角的，不变矩值差异易受视角变化影响，图像易产生抖动[8]。相比较其他普通地区的道路情况，高原地段公路的环境往往都非常恶劣，主要影响因素就是自然天气条件等客观因素的影响，摄像头拍到的交通行为可能出现抖动的情况，在高原地区抖动现象往往比较剧烈，从而会比较严重的干扰到对运动目标检测的效果，影响视频图像采集的质量，这些具体情况会导致后续的工作无法高效的进行。

2.1抖动数据识别

首先，利用上述视频图像中的抖动数据进行识别。假设图像的小大为k，对应的某一点（x，y）的数据信息为h，那么将其带入到对应的模型中，对该点数据的异常情况进行判断，其可表示为：

（4）

公式（4）中，当得到的F（x，y）输出结果为1时，则表明该位置的数据信息未出现由抖动造成的异常，当F（x，y）的输出结果在0-1之间时，表明该点数据有抖动现象，将作为补偿位置，对其进行去抖动处理，当F（x，y）的输出结果为0时，表明该位置为空白，抖动不会对图像产生直接影响，不做参考。通常情况下，当点（x，y）具备抖动特征时，对图像产生的影响为信息模糊，而空白位置的模糊不会对其所包含的信息产生干扰，因此，本文对图像进行去抖动处理时，未对该类情况进行深入分析。

通过这样的方式，将k内的所有位置的图像信息进行计算，得到需要进行补偿的数据结果。

2.2抖动数据补偿

对于出现抖动的视频图像，利用模型计算得到的输出结果对补偿量进行统计。

前文已经得出结果，当F（x，y）的输出值为（0，1）范围内时，判断为抖动，那么补偿量的计算方式可以表示为公式（5）：

（5）

由此得到不同位置的抖动补偿值，将其带入到原始图像中，对补偿结果进行计算，这时异常点的数据结果可以表示为公式（6）：

（6）

将补偿后的数据结果重新带入到模型中，对补偿效果进行检验，当输出结果为1时，表明补偿能够实现对抖动的有效去除;当输出结果为0-1之间时，表明补偿值仍需进一步优化，那么则循环上述过程，直至满足去抖动目标为止。

通过这样的方式，实现对视频图像中抖动的有效去除，提高图像的清晰度。

3实验测试

在得到上述去抖动方法之后，本文进行了实验测试，为了有效验证本算法的性能，将文献[6]以及文献[7]提出的方法作为对照组，测试本文提出方法的实际应用效果。

3.1测试环境

测试数据来源于某高原地区的道路检测设备，视频图像大小为256×120，视频帧率为25fps。硬件设备为Intel P41.4GHz CPU，其对于图像的处理速率可达到40ms/frame。以此为基础，分别采用三种方法对其进行去抖动处理，通过对比去抖动后图像的均方误差（MSE，Mean Squared Error）、均方根误差（RMSE，RootMean Square Error）和峰值信噪比（PSNR，Peak Signal To Noise Ratio）这对三种方法的性能进行评价。其中，MSE值的大小表示了原始图像与去抖动模糊图像两者之间的差距程度，其可表示为：

（7）

公式（7）中，f（i，j）和 分别代表原始模糊图像和去抖动后图像在点（i，j）处的灰度值。M为图像的高度，n为图像的宽度。

RMSE主要用于计算去抖动模糊图像与原始图像的数据之间的差异性，其表示为公式（8）：

（8）

是以图像的统计特征为基础的，总体上可以较直观地反映两幅图像的差别，其表示为公式（9）：

（9）

其中，n表示为每个像素采样值的比特数。

3.2测试结果与分析

利用三种方法对图1（a）处理后，得到的图像分别如图1（b），图1（c）和图1（d）所示。

从图1可以看出，通过直观的观察对三种方法的去抖动方法进行判断时，本文方法处理后的图像效果明显优于另外两种方法，通过对比图中标记出的位置，本文方法基本实现了抖动的完全消除，文献[6]和文献[7]方法仍可看到明显的抖动痕迹。

为了提高对三种处理方法有效性的准确评价，在上述基础上，三种方法处理后的图像指标进行对比，其结果如表1所示。

从表1中可以看出，在三种方法中，文献[6]方法处理后的图像的MSE、RMSE、PSNR均高于另外两种方法，文献[7]方法虽然有所提升，但与本文方法相比仍有明显不足。本文方法的MSE、RMSE分别为0.0186和0.1357，表明去抖动后的图像与原始图像具有较高的拟合度，能够高质量地还原图像中的信息，PSNR值为21.4624，明显高于另外两种方法，同样证明了原图像和去抖动图像之间的差距较小。通过上述结果可以看出，本文方法具有良好的去抖动效果。这主要是因为本文采用RANSAC构建了图像信息模型，以此为基础实现对抖动像素的有效识别和处理。

4结束语

准确并及时的道路监控视频信息是确保道路安全运行的重要基础，为此，降低视频图像中的干扰信息，提高图像质量是十分必要的。本文提出基于RANSAC的高原地区交通违章视频图像去抖动方法，能夠有效降低由于抖动引起的视频图像清晰度较低的问题，提高了视频图像的信息提取价值，对于道路交通管理具有较高的实际应用价值。在之后的研究中，可以针对视频图像中像素块之间的联系，加强对图像的高清修复，实现更高质量的图像处理，满足更加精细化的信息需求。

近年来我国大力倡导区域均衡发展，西部大开发日新月异，高原地区公路作为交通运输大动脉交通量不断增大。深入研究高原地区公路的交通问题，针对其交通行为制定有效的策略，根据现有交通检测技术，进行算法优化，提高其通行能力意义重大。性能优良的交通检测技术还可以加强交通管理者对道路的可视化管理，最大程度降低交通事件对道路运行产生的负面影响。

参考文献

[1]吴禄慎，陈小杜.一种改进AKAZE特征和RANSAC的图像拼接算法[J].计算机工程，2021， 47（01）：246-254.

[2]顾扬，曾凡意，应昊然，等.一种提取抖动视频中前景目标的新方法[J].计算机技术与发展，2021， 31（01）：67-72.

[3]方林波，石昊苏，路雅宁，等.基于RANSAC的道路影像控制点选取方法研究[J].电子设计工程，2021，29（06）：142-147.

[4]曾光辉，何波.RANSAC算法在网页关键信息智能筛选中的应用研究[J].科学技术创新，2021（12）：114-115.

[5]赵传，郭海涛，卢俊，等.结合区域增长与RANSAC的机载LiDAR点云屋顶面分割[J].测绘学报，2021，50（05）：621-633.

[6]汪权，朋汉林，汪平河，等.光学相干层析成像眼底视网膜三维图像去抖动方法[J].光学学报，2019，39（03）：308-313.

[7]张雷洪，熊锐.基于抖动补偿技术的印刷品图像配准方法研究[J].光学仪器，2019，41（03）：67-74.

[8]胡永.基于多视点空间目标的高原公路交通行为检测[J].计算机仿真，2021，38（07）：376-380.