摘 要： 夜间环境下，采集的图像对比度较低，容易受到周围光照等因素的干扰，图像中含有大量的干扰噪声，没有考虑视觉表达的干扰作用。提出一种考虑视觉传达效果的夜视环境视觉定位方法，对图像进行预操作，过滤夜视环境中的噪声。基于LOG滤波获取目标的反射弱光图，采用高斯滤波器对目标图像进行平滑滤波，使用拉普拉斯滤波采集目标图像边缘信息，提高目标的辨识度，通过搜索线注入式填充方法对目标亮面区域进行填充，增强目标的亮度视觉传达效果。采用基于亮度累加直方图的目标定位方法，依据目标亮度、颜色以及形状等视觉传达特征对目标进行筛选和准确定位。实验结果表明，所提方法对夜视环境中车辆进行定位的各指标较优，可以适用于不同的环境中，应用范围广。
关键词： 视觉传达； 夜视环境； 视觉定位； 目标辨识
中图分类号： TN919?34； TP751.1 文献标识码： A 文章编号： 1004?373X（2016）16?0136?04
Abstract： In night environment， the collected image is easily disturbed by the factor of nearby light due to its low contrast， contains much interference noise， and the interference effect of vision expression isn’t considered， so a vision locating method considering visual communication effect in night vision environment is proposed to preprocess the image， and filter the noise in night vision environment. In the method， the reflection weak light image is acquired based on LOG filtering， the Gaussian filter is used for smoothing filtering of the target image， the Laplace filter is used to acquire the edge information of target image to improve the target identification degree. The target bright surface area is filled with the search line injection filling method， which can enhance the brightness vision communication effect of the target. The target positioning method based on luminance accumulation histogram is adopted to screen the target and determine the accurate location of the target according to the vision communication characteristics of target brightness， color， shape， etc. The experimental results indicate that the proposed method is superior in each index for locating the vehicles in night vision environment， is applied to different environments， and has wide application range.
Keywords： visual communication； night vision environment； vision positioning； target identification
0 引 言
随着可视化技术的不断发展，对夜视环境中目标进行准确定位，可以广泛应用于交通、救援、探测等领域。夜间能见度较低，采集的图像较为模糊，严重降低目标的定位精度[1?2]。视觉传达设计通过图形、文字、色彩作用于人的视觉传达对用户产生视觉冲突，吸引定位用户，提高用户视觉定位的清晰度，促使定位用户关注目标的视觉传达特征 [3?4]。通过提高夜视环境中待定位目标的视觉传达效果，保证其具有视觉冲击力和辨识度，增强用户定位目标的准确性，是解决上述问题的根本途径[5?6]。
当前存在的夜视环境定位方法在取得进展的同时还存在较多缺陷，如文献[7]提出了基于模型的定位方法，采用已知的物体模型定位未知物体，针对已知物体塑造三维模型，对该模型同待检测图像中的物体进行匹配，该方法过于依靠物体模型、工作量较大，并且受到夜间环境的限制，存在一定的局限性；文献[8]提出了基于区域的夜视环境定位方法，建立定位目标的匹配模型，在定位时匹配图像中的待定位区域，如果匹配成功，则将该区域信息记录下来，同时将该区域作为当前的定位结果，再将该定位结果当成后续帧待定位区域的信息，该方法灵敏度较高，但需要检索全部图像信息，运算量大。
针对上述方法的弊端，提出一种考虑视觉传达效果的夜视环境视觉定位方法，通过LOG滤波的反射弱光图的高斯滤波器完成目标图像的平滑滤波，采用拉普拉斯滤波采集目标图像边缘信息，通过搜索线注入式填充方法对目标亮面区域进行填充，增强目标的亮度视觉传达效果，提高目标的辨识度。采用基于亮度累加直方图的目标定位方法，对夜视环境中的目标进行定位。 1 考虑视觉传达效果的夜视环境目标视觉定位
1.1 定位算法的流程分析
夜视环境视觉目标定位前，应对目标进行预操作；再进行反射弱光图操作，增强目标的辨识度，并采用搜索线注入式填充方法对目标亮面区域进行填充，改善目标物体视觉传达效果；最后采用基于亮度累加直方图的夜视目标定位算法对目标进行精确定位。夜视环境中目标视觉定位的流程图，如图1所示。
1.2 定位图像的预处理过程设计
图像预操作可过滤夜视环境中的噪声，提高目标的抗干扰性，改善夜视目标的视觉传达效果，为后续目标定位提供基础，增强目标的定位精确度。夜视环境目标定位的总体流程如图2所示。
1.3 采集目标的反射弱光图LOG滤波
夜视环境中的目标辨识度较低，通过LOG滤波对采集目标的反射弱光图进行过滤，能够增强目标图像的辨识度，通过色彩对用户产生视觉冲突，增加目标物体的视觉冲击力，提升目标物体视觉传达效果，提高目标的定位精度。LOG滤波采集是一种边缘梯度的检测方法，通过高斯滤波器对目标图像进行平滑操作，过滤图像中的噪声，然后通过拉普拉斯滤波采集图像边缘信息，最终得到的目标反射弱光图如图3所示。其中，目标光强度用光直径描述，目标光强度呈现指数增长，目标中心的光强度值较低。
设置目标图像中的位置是[（x，y）]，其像素值是[P（x，y）]，先对目标光图像I进行反色操作，用255减去[P（x，y）]，获取目标的反色图像-I，再利用高斯滤波对图像进行平滑操作，对图像汇总全部像素点和高斯函数进行卷积处理，获取的图像S为：
对卷积后的图像S进行图像锐化操作，通过拉普拉斯算子检测图像S的边缘，增强目标图像的亮度。由于目标图像边缘是存在灰度变换的范围，而拉普拉斯可通过二次微分正峰以及负峰间的零点进行确定，因此采用拉普拉斯方法对目标图像边缘进行平滑操作，可使目标物体图像色彩更分明，视觉传达效果更强。
设置目标二维图像函数的拉普拉斯变换的二阶导数为：
[?2f（x，y）=?2f?x2+?2f?y2] （3）
式（3）可用于操作数字图像，它的离散形式为：
[?2f=[f（x+1，y）+f（x-1，y）+f（x，y-1）]-4f（x，y）] （4）
通过LOG滤波处理后的目标图像边缘具有较高的像素值，而目标中心区域以及反射用的像素值较低。因此需要通过搜索线注入式填充方法对目标亮面区域进行填充，改善目标的亮度视觉传达效果，提高目标的辨识度，具体的步骤如下：
（1） 寻找搜索线与待填充的连通范围的交点；
（2） 将交点依据x值大小进行升序排列；
（3） 将排列后的交点每两个产生一个水平线段，采用画线段的方法对目标图像进行填充，并且将其中的填充像素设置为255；
（4） 判断搜索是否结束，若结束则算法终止，并返回步骤（1）继续进行分析。
填充算法可以增强目标定位的准确率，通过填充后产生反射抑制图进行目标定位，定位结果如图4所示。
2 夜视目标定位算法设计
夜视环境中，传统方法无法准确获取目标物体的阴影以及边缘等特征，并且获取的分割阈值单一，无法适应夜视环境的光照波动。因此，采用多帧图像的亮度分量直方图的动态阈值分割算法，按照目标亮度、颜色以及形状等视觉传达特征对目标进行筛选，完成目标的准确定位。
2.1 基于统计的固定分割阈值选取方法
图像的亮度视觉传达效果，能反映夜视环境中不同光照状态的波动情况，进而在亮度区域对目标进行分割。通过统计方法计算目标的分割阈值，将该分割阈值当成优化Otsu法的元素分割阈值。在计算目标的分割阈值前，先利用亮度累加直方图对连续多帧图像中亮度分量直方图进行集合，前t帧目标图像的亮度累加直方图为：
[L（t，k）=t=0t-1Hi（k）， k=0，1，2，…，l-1] （5）
式中，[Hi（k）]表示图像序列中第i帧图像亮度分量的直方图，截取某段视频中的某20帧的亮度累加直方图如图5所示。通过式（5）获取该累加直方图中目标亮面像素范围的直方图中不存在显著的双峰，使之满足Otsu法的应用规范。最后采用优化的Otsu法计算目标亮面区域的分割阈值。
2.2 采用优化的Otsu法分割目标光亮图像
Otsu法以目标图像的灰度直方图为依据，以目标和背景的方差为分析标准，获取目标图像的分割阈值。通过动态阈值图像分割算法，对目标亮面区域在累加直方图中存在的双峰进行分割，获取最佳分割阈值。目标区域是累加直方图中某一原始阈值[TI]到255的灰度值区域，[TI]可通过汇总阈值获取，则有：
获取分割阈值[TI]后，对目标图像中的全部像素进行处理，低于阈值[TI]的像素将其设置为0，高于[TI]的不做处理。则获取的目标亮面区域图像分割效果图见图6。
2.3 目标定位
夜视环境目标定位过程中，受到环境的干扰，目标物体视觉传达效果低。因此通过提升目标物体的亮度、形状以及颜色等视觉传达效果，可增强目标物体的辨识度和传达效果，最终提高目标定位的精度。
可依据优化的Otsu法采集的目标亮面区域完成目标的定位，具体过程如下：
（1） 目标分割。采用摄像机获取待定位目标图像，图像为680×460像素的24 b真彩色图像序列。通过式（8）采集各帧图像的亮度分量并进行量化操作，获取[0，255]的整型值。
式中，[I（x，y）]是RGB图像变换到HIS空间的亮度分量；[R（x，y）]，[G（x，y）]，[B（x，y）]分别表示输入目标图像的R，G，B三个通道分量。
采用第2.2节分析的动态阈值分割方法，采集图6描述的目标亮面区域当成目标定位候选区域。 （2） 筛选亮块。对分割获取的目标亮面区域进行标志，剔除亮块中与目标物体特征不符的路灯和广告牌反光灯干扰光斑，依据亮块的颜色、大小以及形状等视觉传达特征采集到满足目标物体视觉传达特征的亮块，该亮块对应的物体则为待定位的目标物体，获取目标定位结果。
3 实验分析
实验针对某城市公路夜间环境下的车辆定位过程，对本文方法的性能进行验证。通过一千兆网摄像头获取夜间车辆运行视频图像，图像大小均为620×380，实验平台配置为本文方法的某帧视频车辆的定位效果如图7所示。分析图7可以看出本文方法的定位效果理想。
实验挑选表1中的弱光照和强光照视频，分别用本文方法和基于特征的定位方法进行测试，结果如图8和表2所示。分析图8能够看出两种光照环境下，本文方法的车辆定位效果明显优于特征定位方法，主要是因为本文方法考虑了目标的视觉传达效果，通过高斯滤波器对目标图像进行平滑滤波，并采用拉普拉斯滤波采集目标图像边缘，增强车辆的光感视觉传达效果，并采用搜索线注入式填充方法填充车辆的亮面区域，提高车辆辨识度，增强车辆定位精度。
从表2能够看出本文方法在不同环境中具有较高的定位率和环境适应能力。并且可以看出不同环境下的本文方法的定位率浮动都比较小，说明本文车辆定位方法鲁棒性较高。而特征定位方法在强光照环境下的车辆定位准确率较低，而在弱光照下的定位率一般，说明该方法对夜间环境的适应能力较弱。
4 结 论
本文提出一种考虑视觉传达效果的夜视环境视觉定位方法，通过基于LOG滤波的反射弱光图和高斯滤波器完成目标图像的平滑滤波，采用拉普拉斯滤波采集目标图像边缘，通过搜索线注入式填充方法对目标亮面区域进行填充，增强目标的亮度视觉传达效果，提高目标的辨识度。采用基于亮度累加直方图的目标定位方法，依据目标亮度、颜色以及形状等视觉传达特征对目标进行筛选准确定位。实验结果表明，所提方法对夜视环境中目标进行定位各指标较优，环境适应能力强。
参考文献
[1] SALVI G. An automated nighttime vehicle counting and detection system for traffic surveillance [C]// Proceedings of 2014 IEEE Conference on Computational Science and Computational Intelligence. Las Vegas： IEEE， 2014： 131?136.
[2] 吕金坤，王明泉，蔡文涛.结合数学形态学和图像融合的边缘检测算法[J].电视技术，2013，37（3）：26?28.
[3] 王洪亚.基于HSV的夜间车牌识别算法[J].智能计算机与应用，2013，3（2）：86?88.
[4] 应文豪，王士同，邓赵红，等.基于类分布的领域自适应支持向量机[J].自动化学报，2013，39（8）：1273?1288.
[5] 何楚，尹莎，许连玉，等.基于局部重要性采样的SAR 图像纹理特征提取方法[J].自动化学报，2014，40（2）：316?326.
[6] 赵军伟，侯清涛，李金屏，等.基于数学形态学和HSI颜色空间的人头检测[J].山东大学学报（工学版），2013，43（2）：6?10.
[7] WANG J， SUN X， GUO J. A region tracking?based vehicle detection algorithm in nighttime traffic scenes [J]. Sensors， 2013， 13（12）： 6474?6493.
[8] EUM S， JUNG H G. Enhancing light blob detection for intelligent headlight control using lane detection [J]. IEEE transactions on intelligent transportation systems， 2013， 14（2）： 1003?1011.
