雨天道路環境下改進的Canny 目標檢測算法

周智

（南昌交通學院，江西 南昌 330100）

0 引言

在ADAS（Advanced Driver Assistance Systems，駕駛輔助系統）中，有效識別前方車輛是實現碰撞預警和自動規避的一項關鍵技術。ADAS 中的感知來源包括攝像頭、激光雷達、毫米波雷達、超聲波雷達等各種傳感器獲取的環境數據。在雨天行駛環境中，尤其是在中到大雨天氣時，環境陰暗且能見度低，而雨滴本身又具有速度快、分布密集等特點、極易對識別過程產生干擾和影響。為提高算法的識別率，本文將在基于Canny 算子的基礎上改進針對雨天道路環境的目標檢測算法。

1 Canny 邊緣檢測算法

1986 年由John F.canny 開發的Canny 邊緣檢測算子是邊緣檢測算法中較為流行的算法之一。作為一種可以從不同的視覺對象中提取有用結構信息的技術，由于運算量相對較少，該算法被廣泛應用于各種視覺系統之中。Canny 邊緣檢測算法主要由圖像降噪、計算梯度、非極大值抑制和滯后閾值四個部分構成。其主要的算法思想是利用高斯求導方法計算出圖像對應點的梯度，然后再通過設置雙闕值來檢測出圖像的邊緣，其步驟如下。

1.1 圖像降噪

為最大程度避免檢測結果受到噪聲的影響，在進行檢測前，采用Gauss 濾波器對圖像進行卷積，以減少噪聲影響。其函數表達式如下[1]：

式中，σ 為Gauss 濾波器分布參數，抑制噪聲能力與σ 取值成正比，邊緣定位精度與σ 取值成反比。因此，σ 的取值大小決定了圖像降噪的效果。

1.2 計算梯度

梯度是表示邊緣特征灰度值的變化程度。由于圖像本身是由離散數據構成的，所以可以使用差分值來表示，差分值就是兩個像素之間的灰度差。

在實際圖像中，圖像的邊緣可以指向不同的方向。因此，Canny 算法通過使用梯度算子來表示灰度值的變化程度和方向，再通過對水平差分和垂直差分進行計算，來確定像素點的梯度和方向。其函數表達式如下：

其中，I（i，j）為點（i，j）的灰度值，P（i，j）為點（i，j）的梯度值，Angle_θ（i，j）為點（i，j）的梯度方向。

1.3 非極大值抑制

非極大值抑制是尋找像素點局部最大值的一個步驟。在獲得了梯度和方向后，通過遍歷圖像的方法去除所有不是邊界的點。遍歷像素點的過程中，判斷當前像素點是否是周圍具有相同方向梯度像素點中的最大值：如果是則保留該像素點，否則將其抑制（歸零）。

1.4 滯后閾值

最后，為了確定真正的邊界，通過設置maxval和minval 兩個滯后閾值來進行判斷。若圖像的梯度值高于maxval 則被認為是邊界，將其保留；若圖像的梯度值低于minval 則不被看作是邊界，將其拋棄；若圖像的梯度值在兩者之間，與邊界相連的同樣視為邊界，否則反之。

2 改進的Canny 邊緣檢測算法

2.1 圖像灰度化處理

將紅、藍、綠色階組成的彩色圖像轉換為灰度色階來表示，通過只保留圖像中的亮度特征和邊緣特征，進一步提高算法的計算速度。在本文的圖像灰度化處理過程中，使用加權平均法處理，即對圖像中的某一個像素點中的 RGB 分量按0.299，0.587 和0.114 的比例進行加權和計算，使圖像的RGB 值轉化為灰度值，如式（6）所示。

2.2 改進噪聲去除算法

在實際目標圖像中，椒鹽噪聲為主要噪聲，而Gauss 濾波器對椒鹽噪聲的抑制能力相對有限。在數學形態學中，opening 運算對椒鹽噪聲的抑制能力相對更強[2]。其原理是先對目標圖像進行腐蝕，去除噪聲；由于這個過程也會壓縮部分圖像，所以在已完成腐蝕化的圖像基礎上再進行一定程度的膨脹處理，膨脹后的圖像保持或強化了原有的圖像，并且在一定程度上除去了噪聲或降低了噪聲的影響。其表達式為：

其中：P 為原圖像；S 為結構元素；?表示腐蝕運算；⊕表示膨脹運算。

在實際行車過程中，夜間強光、大雨天氣、光線昏暗、模糊車道等情況，影響了車輛圖像識別效果。同時，在有一定車速或攝像頭抓取圖像模糊的情景下，opening 運算也能對圖像有一定的補償。因此，使用opening 運算替代Gauss 濾波器。

2.3 采用自適應閾值

由于雨天行車環境復雜，公路環境和自然環境等都會對行駛過程中圖像識別產生影響。因此，設計自動選取合適閾值[3]方式：

其中：v 為圖像像素的中值，σ 為經驗值0.33[4]。

3 算法驗證

實驗硬件設備：CPUi7-7500U@2.70GHz2.90GHz，內存為8G，操作系統環境為Windows10，編程語言為Python3.9.6，視覺庫為openCV-python4.5.3.56，計算庫為numpy1.21.1。由于本文算法是針對復雜環境下的目標，因此選擇的圖片是駕駛過程中拍攝的夜間行駛的遠光、暴雨環境下的遠距離目標和雨天行駛過程中車內識別近距離目標。

如圖1 所示，在陰暗雨天環境下，對對向駛來的強光車輛，本文改進的Canny 檢測算法識別效果更好，能有效減少強烈燈光的干擾，同時能有效降低雨點帶來的影響，更小范圍鎖定對向車輛和周邊車輛的位置。

圖1 陰暗雨天且對面強光環境的識別效果對比a）原始圖片 b）Canny 檢測算法 c）改進的Canny 檢測算法Figure 1 Comparison of recognition effects of opposite strong light environment in dark and rainy days a）Original lmage b）Canny c）Modified Canny

如圖2 所示，在暴雨環境下，相較于傳統Canny算法，改進后的Canny 算法在減少雨滴影響的同時，也有效減少了周圍其他環境因素帶來的影響，并且對較遠距離的車輛的識別能力有一定提高。

圖2 暴雨環境下識別效果對比a）原始圖片 b）Canny 檢測算法 c）改進的Canny 檢測算法Figure 2 Comparison of recognition effects under rainstorm environment a）Original lmage b）Canny c）Modified Canny

如圖3 所示，在小雨天氣環境下，模擬駕駛員視角或行車記錄儀視角，從車內視角對算法進行近距離車輛的檢測效果驗證，可以看出本文的改進Canny算法能明顯有效降低前擋玻璃上水珠帶來的影響。

圖3 小雨環境下車內識別效果對比a）原始圖片 b）Canny 檢測算法 c）改進的Canny 檢測算法Figure 3 Comparison of recognition effect in light rain environment a）Original lmage b）Canny c）Modified Canny

4 結語

雨天道路環境作為日常常見的異常環境，在自動駕駛領域具有重要研究價值。本文在傳統Canny算法的基礎上，從實際場景出發對其進行改進，通過實驗對比，驗證了該改進算法在雨天場景下的有效性。但在面對更為復雜的環境（如霧天、部分遮擋等）時，需要對算法進行進一步的研究和改進，以提高算法的識別效果和場景適用性。