基于视频的雾天驾驶场景及其能见度识别算法研究

获取实时、全面、准确的道路交通场景信息是预防交通事故的重要前提和基本保障，也是实现城市交通智能化的关键。针对雾天驾驶场景及其能见度的识别，传统算法存在复杂度高、鲁棒性差的问题，且多为固定场景下的识别，很难应用于移动的驾驶场景下。本文提出了一种基于单目视觉的雾天识别和能见度估计算法。该算法以柯什米德定律为基础，通过限定Hough变换的极角、半径，压缩投票空间，减少了计算量和复杂度。自定义的区域增长条件，较好的解决了移动场景下的道路分割准确度差的问题。利用加权平均的图像亮度拐点估计方法，能有效地排除干扰，保证拐点估计的准确度。仿真结果表明，算法能实现移动场景下的雾天及能见度识别，精确度、实时性、鲁棒性较好。

“车祸猛于虎”，当下，汽车正进入千家万户的生活。据统计，我国每年的道路交通伤亡事故高达二十万例，其中恶劣天气——雾天导致的交通事故尤为严重。人们己经越来越认识到交通场景信息采集的重要性，获取实时、全面、准确的道路交通场景信息是预防交通事故的重要前提和基本保障，也是实现城市交通智能化的关键。因此，对雾天驾驶场景及其能见度进行智能识别，是一项必要且急迫的工作， 具有很好的现实意义。

传统的雾天及能见度的识别主要依靠物理传感装置(湿度、气压、红外传感器，雷达、激光等)，该方法应用较为广泛，但设备的安装和维护成本较高。在图像理解和计算机识别方面，文献 [1]利用雾的模糊效应，实现雾天的识别，同时结合道路消失点的检测估计能见度。该算法的优点是同时实现了雾天驾驶场景与能见度的识别，但计算量大，易受环境干扰，鲁棒性较差。文献 [2]提出了利用双目视觉技术结合不同对比度估计能见度的方法，但其不能进行雾天场景的检测。文献 [3]通过将交通视频的当前背景与晴天背景相减得到差分图像，提取差分图像的纹理特征来识别雾天，实时性较好，但只适用于固定场景下的雾天识别。文献 [4]利用图像的退化模型获取与天气现象相关的参量，从而达到识别天气的目的。但是在雨或霾的天气条件下，所测得扩散函数的跨度值与晴天和薄雾天气条件下所得的有重叠，会导致天气现象的误判。文献 [5]通过提取图像功率谱斜率、对比度、噪声和饱和度等特征，构造支持向量机，实现雾天的识别。但其识别率较低，复杂度较高，难以满足实时性的要求。

针对雾天与能见度识别算法存在的算法复杂度高，且难以对两者同时准确识别的问题。本文提出了一种基于单目视觉的雾天识别和能见度估计算法。该算法以柯什米德定律为基础，建立驾驶场景下的摄像机模型。利用Canny 算子进行边缘检测，通过限定Hough 变换的极角，降低投票空间数据量，降低了车道线检测的计算量和复杂度。自定义的区域增长条件，对道路区域分割的适用性更强，能满足实时性、有效性的要求。利用加权平均的图像亮度拐点估计，进一步保证了拐点估计的准确度。仿真结果表明， 算法能实现移动场景下的雾天及能见度识别，精确度、实时性、鲁棒性较好。