夜间监控视频在检测车辆方面会面临哪些问题?该如何解决?

磐创AI

    介绍
    在基于视觉的交通监控系统中,道路场景上的车辆检测是第一步。有许多基于运动的方法可用于基于视觉的车辆检测。
    背景建模是实现这一目标的常用方法,其中运动车辆被视为前景,静止区域即道路被视为背景。
    从背景建模技术中提取的夜间或昏暗光线下的前景既包含车辆,也包含高光。如上所述,有效的车辆检测在许多交通监控项目中至关重要。
    在白天,车辆检测已经完成了许多工作。由于多种原因,夜间监控视频在检测车辆方面面临问题。车辆前照灯落在路上的高光是造成检测干扰的主要原因之一。
    在车辆检测中,由于突出显示而增加的干扰会进一步导致车辆尺寸过高或车辆跟踪错误。
    在讨论了这个博客背后的动机之后,让我们了解解决当前问题的方法。
    方法
    让我们来介绍两种主要的方法,它们有助于在夜间进行有效的车辆检测:
    1.边缘阈值:让我们观察下面的图像,该图像显示帧的边界边缘贴图(在前景遮罩上应用Sobel过滤器后)边界边缘贴图被评估。
    可以清楚地看到,车辆有锋利的边缘。该因素在项目中得到利用,并且包含内部边缘像素(>阈值)的前景块被归类为车辆。
    
    2.强度因子:在包含以下3个对象的帧中:车辆、高光和深色背景(因为使用了夜间视频),强度水平的差异非常有用。由于高光比车辆更亮,因此采用最佳阈值来区分高强度块和低强度块。
    进一步修改
    为了解决夜间车辆检测中的一些问题,上述方法还包括以下因素:
    1.大小限制:车辆和高光之间的一个重要区别因素是它们所在的块的大小/数量。车辆在每个方向上占据许多连续的块(可以认为是一个矩形),而高光将占据较少的块。在每个方向上应用2-3个连续块占用的阈值来移除高亮块。
    2.单独亮点:有时路灯的亮点也会干扰车辆检测。这种在前景块中占用较少面积的灯光称为单独亮点。应用区域约束(前景块中前景像素小于5%)来去除这些单独的亮点。
    3.HSV颜色系数:有时由于车内亮度区域较低或边缘像素较少,车辆未被完全检测到。当车辆逐帧移动时,车辆的色调保持不变,这一特性可用于检测车辆的整体或最大值。对HSV颜色的三个参数进行了不同的约束条件下的试验,寻找合适的组合,以更好地检测HSV。
    结果
    1.在第一组结果中,让我们看看该方法是如何在夜间对视频片段起作用的。应用边缘阈值和最佳强度因子:在下面的两幅图像中,我们可以看到根据我们应用的阈值检测到较高的边缘求和值。边和阈值=45边缘总和阈值= 45在第一幅图像中,落在道路上的高光也会随着汽车一起被检测到,而在第二幅图像中,几乎整个汽车都会被检测到,道路上的高光也会降低。
    
    
    2.在第二组结果中,描述了HSV因子的使用:
    
    在应用任何色调约束之前
    
    应用红色色调约束后可以看出,在第二图像中,在应用红色色调约束之后,公交车的大部分被检测到。
    结论和未来的工作
    我们已经讨论了用于去除主要在夜间干扰车辆检测的高光的方法。在这一领域可以做更多的工作,因为仍有许多问题有待解决,如下所示:孔填充可用于有效的车辆检测。可以更好地检测白色车辆(因为它们的色调与高光相匹配)。暴雨等天气条件会进一步导致上述方法的错误。它们需要单独处理。