英语原文共 8 页，剩余内容已隐藏，支付完成后下载完整资料
自适应目标检测和可见性雾图像的改进
摘要：提取感兴趣的对象并获得清晰的视觉外观是目视解译系统的关键技术。在本文提出了一个新的从视频序列中检测出背景目标的雾化算法并提高图像的可见度的方法。首先，需要建立一种测量图像雾性能的新方法来判断图像是否被雾遮蔽。其次，对于有重雾的图像区，提出一种基于大气散射模型的图像监测技术。这种新颖的方法不仅可以用来检测新增对象也可以用来检测原有的地物对象。一旦检测到目标地物，就要加强它的能见度避免处理整个图像。文中通过对所提出的算法进行测试不同雾化条件下的视频研究发现，该方法对于雾天条件下背景目标检测和能见度增强方面非常有效。
关键字：视觉监视系统；目标检测；目标增强
一、引言
对于大多数应用、培训的和有经验的人力运营商来说，在公共区域几通过安装摄像头来维护公共秩序和安全。然而，观看多摄像头图像不仅太贵但也几乎不可能全面[ 1 ]。此外，监测视频数据目前只使用“事实之后”作为取证工具，而作为一个活跃的、实时介质却失去其主要效益。视觉监控的目标不仅是把相机放在人的视线里，也要尽可能自动完成整个监视任务。因此，智能视觉监控（IVS）成为计算机视觉中的一个活跃的研究课题。对前景感兴趣的对象的检测监控视频序列是智能化的关键视觉监控系统，在本文中提出了很多关于地物对象监测的算法[ 2 ] [ 3 ][ 4 ] [ 5 ] [ 6 ]。所有这些方法假设输入图像具有清晰的能见度，在晴朗的天气条件下可以取得满意的效果。不幸的是，这并不总是真实的，如当在恶劣的天气条件下的视频，例如在一个有雾的日子，这个图像会退化和产生严重的对比度损失。这些低质量的图像是一个相对于传统的对象比较麻烦的检测算法。由于是低场景能见度，因此探测到的物体一般不准确。为了获得清晰的监控画面，提高能见度成为不可避免的任务。近年来，作为一个活跃的研究课题，在计算机视觉方面，已经做了大量的工作如除雾技术[ 7 ] [ 8 ] [ 9 ] [ 10 ] [ 11 ]。一般来说,这些技术可以分为2个视角：基于多幅图像的方法和单图像方法。天气退化的图像能见度可以即时通讯证明了这些除雾算法，但大多数是在相当大的计算成本下完成的。利用这些提高图像的可见性，然后检测的方法在这个预处理的图像中的对象中会导致一个不可接受的计算成本。
本文中在一个有雾的图像中提取有趣的对象以解决问题。同时，我们提出了一种新的检测前景目标的算法来提高其能见度。所提出的方法不仅可以检测新出现的对象，而且也可以检测原有目标对象。我们解决的问题在完成监控序列的检测过程不需要使用预处理的一个场景的雾去除算法和普通物体检测方法。基于大气散射模型，我们提出的方法计算的背景深度图为两个不同天气条件下的图像。这个图像在静态条件下任何一个场景的部分都必须被计算一次，并且不是每一个视频帧。然后，当前深度图从新观察到的图像开始计算。目标对象在当前图像中可以通过测量提取背景深度图与电流差深度图。最后，我们只提高该地区包含感兴趣对象区域，所以本文所提出的方法可以大大降低计算量。文中所提出的方法为了避免使用透明帧中的目标，在一种新的度量黑暗的基础上提出一种测量图像雾性能的通道前的方法[ 7 ]，可以识别图像场景是否被迷雾所掩盖。因此，我们提出的检测方法可以在不同的天气条件下使用。
本文的其余部分组成如下：在第2节进行对象检测问题的相关工作回顾；在3节介绍了该方法的概述；在4节提出估计雾的方法；目标检测的细节算法和可见性增强方法分别在第 5节和第6节；实验结果在第7节；最后，主要结论在8节中总结。
二、相关的工作
从图像场景中检测感兴趣的对象是视觉监控中的一个重要步骤。在这个抽象层次的错误将大大影响更高的水平处理。有一些关于监测对象的应用程序的检测及详尽评论的文献[ 12 ]，可以发现在所有的这些方法大体上可以分析我的观点。
首先是光流法[ 2 ]。因为背景运动与运动的不同物体，运动的向量可以用来提取移动的物体。然而，计算光流量复杂度很高。所以实时实现是有些昂贵的。第二是时空连续法[ 3 ]，通过检测提取物体时空域中运动边界产生的曲面。这种方法可以立即识别通过该序列的对象，但它也是计算复杂，需要存储许多帧在记忆中。第三种方法是时间差异法[ 4 ]。一帧是像素简单明了的表达，然后，相邻的帧每超过一个阈值被认为是一个移动的物体。这种方法是一个简单而且计算量少的算法，但在均匀的情况下，只有移动的有色物体的边缘可以被检测到。第四是背景减法[ 5 ]，通过构建背景模型来检测物体在这个模型中每一帧之间的差异。这是一个非常流行的检测方法。这种方法的一个重要缺点是权衡背景更新速度：一方面，更新要快速，处理变化中的照明和背景的变化；另一方面，更新应缓慢，为了避免以缓慢移动的物体为研究背景。这使得算法只使用一个更新速度敏感设置的模型。最后是视角基于学习的方法，如一是检测对象通过特征分类，二是训练出来的对象特征。虽然这种基于学习的方法可以准确地检测物体，它需要大量的样本使分类复杂，手动标记后的有效样本也需要人力处理。对这些对象的更详尽的评论检测方法可以在[ 13 ] [ 14 ]中找到。所有的这些方法在晴朗的天气条件下可以得到令人满意的结果条件。当天气不好时，例如雾天，他们一般由于现场能见度低不能正确地检测物体。
为了克服坏天气下的不利影响，陈等[ 15 ]提出了一种在有雾天使用一二步方法探测物体的方法。在第一步，他们利用“霾”算法来恢复雾象，在提高了天气退化图像的能见度，目标检测算法实现在第二步中提取对象。
除雾技术作为计算机视觉中的一个活跃的研究课题，最近几年已经做了大量的工作。对天气退化图像除雾方法的重点是在不同天气条件下拍摄多幅图像来估计与大气相关的参数值粒子或场景深度。Shwartz等[ 16 ]用偏光滤波器对模糊图像进行恢复。这方法利用相同场景的2个或多个图像有不同的偏振度（DOP），通过旋转偏振滤波器连接到了相机。Narasimhan和Nayar [ 17 ]分析色彩基于二色大气散射在不同天气条件下的场景变化提出的模型[ 18 ]。使用场景颜色的限制变化，他们计算完成的三维结构，是从2个或更多坏天气的颜色图像恢复晴朗的一天[ 19 ]所提出的方法[ 8 ] [ 9 ] ，也需要多曝光的相同的场景，实现图像分解与额外的观察或现场信息的提取。
而基于多帧图像的方法可以显著地提高能见度，他们要求离开他们从未遇到过的无法立即计算恢复结果场景。为了解决这一不足，Narasimhan和Nayar提出了一种从不同天气条件下的单一图像的交互式的方法[ 20 ]。然而，这种方法需要用户输入麻烦的参数。为更方便实施，在近期工作中，在单个图像取得了显著进展。例如，谈[ 10 ]通过最大限度地提高局部对比度去除烟雾，基于这烟雾图像必须与有更高的对比度理论的复原图输入烟雾图像。法塔勒[ 11 ]对局部常数一起约束的反照率的值在局部相关区域的传输和表面着色，然后估计深度值，从结果传输推导出介质。同样，最近他的独立工作[ 7 ]规定不能单图像混浊去除的限制由经验观察引起的深度结构现场反照率的可能值区域[ 21 ] [ 22 ]也做出了重要的贡献。然而，所有这些算法当它涉及到的时候是计算昂贵的除雾过程。如果一个算法实现阴霾处理后的目标检测算法，整个算法的高计算复杂度将进一步增加。
三、体系结构概述
本文工作的目标是检测到对象中的对象天气退化图像增强其可见性，所提出的方法的框图如图1。首先，将测量每一个观测到的帧的雾属性。如果框架没有雾，那么将实施常规处理。否则，我们的建议方法将被用来检测对象和增强其知名度。
我们提出的目标检测方法可分为2步。第一步，背景深度图是从2个图像，获得从不同天气条件。这些图像很容易得到，因为在户外监视应用程序，视频在长时间的拍摄相同的场景天气可能改变的时间。另外，该背景深度图对于同一场景只需计算一次，而不是每一个视频帧。第二步，我们首先计算观察到的深度图使用所观察到的帧。然后区别所观察到的深度图和背景深度图测量。最后，在当前图像提取新的对象或丢失的对象将的阈值方法。
一旦发现对象，我们只需要增强这些对象的区域。这在很大程度上通过不处理减少整体对象计算时间。在这里，我们首先对这一地区使用深度值去雾。一些图像增强算法，如双侧滤波[ 23 ]，直方图均衡化等，用于改善这一地区的能见度。
图1 使用方法流程图
我们在检测前景对象中天气退化图像所提出的方法直接利用大气散射。此外，我们所提出的方法可以使用检测离开帧的对象，再处理只有对象区域，我们在很大程度上减少了计算成本。作为一个最终的储备，我们避免处理图像在任何“使用雾朦胧的测量算法图像分析”中保持清晰。
四、模糊测度
在这一节中，我们将展示如何自动判断图像模糊。研究发现，在大多数不包括天空的地方，通常它的一些像素（称为“暗像素”）在至少一个颜色通道（RGB）有非常低的值。根据他的“黑暗通道先验”理论对阴霾的影响，这些通道中的暗像素的强度主要是由于大气光。基于这个概念，我们可以测量图像模糊判断图像场景是否有雾。
1、暗通道先验模型
在大多数的非天空图像修补程序，黑暗通道是整个图片的最小三种颜色通道的最小强度。形式上，对于图像，这个公式为：
是图像的暗通道，表示图像修补，表示颜色通道。
黑暗通道的三个主要原因为阴影、色彩鲜艳的物体或表面和黑暗的物体或表面的低强度。由于自然的户外图像通常是充满阴影和颜色，黑暗的通道可以记录图像中的大部分信息。在一个户外图像除了天空地区没有任何的雾，暗通道的强度是非常低的。因此，一个雾霾图像比其无阴霾的图像更亮，因为有大气光。
2、雾特性测量
利用暗通道来测量图像雾的水平，以定量分析降解因雾产生的变量。首先，我们计算了一个之前图像明确的黑暗通道。在这黑暗的通道之前，只需要计算一个固定的场景。让表示清晰图像，其中M和N分别表示图像的宽度和高度，我们将图像分割为线，如图2所示，每一补丁上，我们利用公式，我们可以计算暗通道，并取所有暗值的平均作为此修补程序的暗值。然后我们得到之前的黑暗通道的清晰的图像：
其中，n为补丁数量。
其次，我们用上述方法计算观测到的之前的黑暗通道的新帧：
接下来，我们用相应的补丁通道先验计算了两者之间的差异。平均计算的差值：
最后，通过设置阈值来决定是否图像是否有雾：如果，我们确定此帧为雾的框架，因为观察到图像之前的暗通道显示更多的雾属性。
图2 对模糊测量计算实例
五、对象提取
当图像的场景被雾遮蔽时，我们建议对象提取方法将被用来代替或采用背景减除方法如高斯混合模型（GMM）[ 24 ]。为了结构完整，我们开始对大气散射的模型进行简要介绍。
1、大气散射模型
根据光学理论，天气能见度差是由于大气的大量存在，不同大小和分布的颗粒参与传输介质而有意义。光从大气和光收集对象的吸收之后由这些颗粒分散，引起能见度被降级的场景[ 21 ]。在一般情况下，光散射通过大气颗粒可以描述2个模型[ 8 ]：
1.1 直接传输（或衰减）
由于大气散射效应，一小部分光是从场景对象中删除。这个剩余的散射辐射，称为直接传动，是传递给观察者。直接传输模型介绍了光降解时，它遍历从现场点的观察员，这是给定的：
这里，是点光源辐射强度，d是从观察者的场景点的深度，是波长，是大气散射相关系数，是介质传输。
1.2 天空光
当方向传输引起场景亮度路径长度减小，增加了光辐射路径长度的光模型描述了一列大气作为光源对观察员通过重新连接环境照度。这是给予通过：
其中，是光辐射。
由传感器接收的总辐射量是总和由于分别的光强衰减和光：
2、背景深度图
根据以上的模型，分析从不同天气条件和下得到的两张图像和，图像的像素值和可以表示在[ 8 ]：
其中，和对应天空强度，是场景点的归一化辐射，消除我们可以得到：
lt;
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[32066]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
