对于白天的车辆监控国内外都已经做了大量的研究工作，然而交通监控应该在不同的环境、天气和光照条件下都能正常有效地工作，因此要做到完全的实时监控，就需要完善夜间道路的监控系统。在车辆监控系统中,夜间车辆检测一直是个难题。而由于技术上的难点，目前国内外在这方面的研究很少。文献[1]认为晚上情况下车头灯可以作为车辆最明显的特征，并提取出车头灯作为车辆特征，再根据同一对车头灯之间的关系分离出一辆车的两个车头灯，以此来进行车流量的检测。但是这种方法，首先是实时性较差；另外系统过于依赖实际道路的坐标定标，只适合单车道，路灯干扰较小的地方，更致命的是它并没有利用跟踪方法来配对车头灯，只是简单按照两灯关系来配对。因此适合车辆直行的情况，无法适合车辆拐弯的路段。文献[2]采用SVM 分类器来区分头灯的灯光和车辆，其缺点是：需要大量的训练样本；容易丢失一小部分车辆的区域或者把非车辆区域包括进来等误判；只能检测出大部分的车辆区域，检测出来的区域不够准确。
晚上的环境和白天的环境的区别在于：(1)光线不足，对比度比较差，即使有充足的路灯情况下，车体的轮廓也难以达到白天的清晰度。(2)车头灯和车头灯所发出的光线成为最明显的特征，同时也成为了最大的干扰源。因此在晚上的情况下，不能单纯地用帧差分或背景差分进行车辆检测。如下图1 所示：当进行帧差分的时候，由于车辆灯光的影响，车辆会连成一片。
(a) (b) (c)差分图像图1 两帧图像差分
既然车头灯成为了晚上车辆最明显的标志，那为何不利用车头灯作为车辆的特征标志，并进行车辆跟踪。在晚上的情况下,车头灯所发出的灯光也很明显，但并不能成为车辆的标志，这是因为各种车所发出的灯光形状有很大的差异，没有明显的特征。所以我们算法的目标是尽量保留车头灯，并去掉灯光的影响。
2 基于WTH 变换和颜色信息检测车头灯
通过观察，可以知道车头灯往往是图像的最亮区域，也就相当也图像中的峰值。而形态学中的高帽变换（Top－Hat）就具有很好的检测峰值和波谷的性能。
白高帽（WTH）变换是检测峰值变换，其定义如下：
WTH(f)= f-(fog)
其中f 为图像，g 为结构元素，f o g 表示用结构元素g(灰值图像)对灰值图像f 做开运算。因为开运算是一种非扩展运算，处理过程处在原始图像的下方，故WTH (f) 总是非负的。
车头灯和车头灯所发出的灯光可以看作图像中的峰值。只要我们利用WTH 变换，并选取适当的结构元素，比结构元素小的峰值都能保留，而比结构元素大的峰值都能排除掉。最终结果就能够保留车头灯，而排除掉灯光影响。我们选取一个适当的圆形扁平结构算子对原始图像进行白高帽变换，然后进行二值化。就可以得到只包含车头灯的二值化图像,但是影响形态学运算的一个最大问题就是速度问题，因为形态学运算相当于一个二维卷积运算。如果不进行特殊处理，就难以达到实时处理的要求。二值化膨胀、腐蚀有以下性质：
上一篇：智能视频分析技术原理简介
下一篇：人数统计系统市场需求功能分析
