目前，車載穩像技術使用較多的算法為特征點法和灰度投影法。特征點法能對任意形式的圖像運動進行運動矢量估計，但在處理一些畫質較差，特征貧乏的圖像時，精度往往很低，很難適應車載視頻穩像的各種環境變化;灰度投影法只能處理只含平移運動和較小旋轉運動的情況，且要求圖像有一定的對比度。而車載視頻往往拍攝時路況環境比較復雜，如雨霧天氣，這就給算法處理的精度帶來很大影響。本文針對這種情況，采用小波的方法對圖像進行預處理，提高灰度投影法在車載穩像應用中的抗干擾能力。

　　1 車載穩像系統框圖

　　電子穩像是利用電子設備和數字圖像處理技術相結合的方法，通過計算選定的參考幀圖像和被比較的當前幀圖像的運動矢量，再根據獲得的運動矢量按照某種準則對當前圖像進行補償，從而消除或減輕圖像序列幀間的隨機抖動，獲得穩定的圖像序列。

　　電子穩像作為車載穩像系統中的核心部分，其系統結構如圖1所示。

　　圖1 系統框圖

　　其中，全局運動矢量估計是整個穩像系統的關鍵，它決定了穩像精度和耗時性。

　　1.1 運動矢量估計算法

　　通過對高速路抖動特點的分析，并且對目前在電子穩像中常用的運動估計算法進行各自優缺點的比較，本系統決定采用灰度投影算法進行全局運動矢量估計。

　　灰度投影算法：投影法是利用圖像總體灰度變化規律來確定圖像運動矢量的一種方法，它不必對圖像上的每一點做相關運算，而是利用圖像的灰度投影曲線做一次相關運算，因此它的運算量小，運動估計速度快，容易滿足實時性要求，同時抑制噪聲的能力較強，并且在精度上也能較好地滿足要求。

　　該算法首先通過投影公式將每一幀二維圖像映射成兩個一維波形，其行列灰度值累加表示為：

　　式中：Ik(i)代表第k幀圖像第i行的灰度值，Ik(i)代表第k幀圖像第j列的灰度值，Gk(i,j)為第k幀圖像上(i,j)處的像素灰度值。

　　為了避免因圖像抖動導致圖像邊緣信息發生變化，而影響互相關計算出的互相關曲線峰值，在進行互相關計算前，對圖像進行余弦濾波，去除圖像邊界信息波形而完整保留中心區域波形，減小邊界信息對互相關計算的影響，提高計算精度。投影濾波后，對參考幀和當前幀各分量的兩條曲線進行相關計算，找到兩條曲線的惟一谷值，即可確定出當前幀相對于參考幀的行列運動偏移量。相關運算的公式為：

　　式中：colc(n)和colr(n)分別為第i幀和參考幀的在一個方向上的灰度投影值，J為兩曲線中進行相關運算的單位長度，m為位移矢量相對于參考幀在一側的搜索寬度，即允許的最大正負抖動范圍，m在1至2m+1間取值。當C(k)為最小值時，此時k=Kmin，則第i幀圖像相對于參考幀圖像在一個方向上的位移矢量為：

　　以水平方向為例，vi為正時，表明當前幀相對參考幀向右移了|vi|個像素;為負時，表明向左移了|vi|個像素。同樣的方法，可以得到垂直方向的位移矢量。

　　通過對灰度投影法原理的分析，可知灰度投影算法要求圖像有一定的對比度，當圖像灰度值單一并且對比度差時，利用灰度投影算法對圖像匹配會造成投影曲線很平，相關運算后波谷段平緩不易找到，難以找到正確的運動矢量。而雨霧天氣是車輛外出常常碰到的情況，惡劣天氣也給投影算法帶來很大影響。因此，需要對圖像進行預處理。傳統的預處理方法是通過直方圖均衡化進行，但這種方法存在丟失細節和過分增強的缺點，在增強圖像對比度的同時也增強了圖像的噪聲，給后續算法在運動矢量估計的精度上產生很大影響。因此，本文采用小波的方法，即圖像經過小波變換分解為低頻部分和高頻部分，然后單獨對高頻部分圖像的邊緣進行加強。具體實現方法如下：

　　(1)選擇Haar小波對圖像進行分解，得到圖像的低頻子圖和高頻子圖;

　　(2)利用公式

(σ為噪聲標準方差，N為信號的長度)確定閥值λ;

　　(3)對高頻子圖按上述閥值進行邊沿檢測并標記;

　　(4)對標記的邊緣進行加強，對不是邊緣的置零。

　　采用上述方法進行實驗，結果如圖2所示：

　　圖2 圖像增強效果對比

　　通過以上結果可以看出，直方圖均衡化在整體增強圖像的同時，也對圖像噪聲進行了增強，圖像邊緣清晰度較差，圖像偏暗;而采用小波邊緣增強法處理的圖像，沒有很明顯的噪聲影響，同時圖像細節也很好地保留下來而且圖像對比度也得到了增強。

　　2 雨霧天氣下車載視頻穩像的實驗

　　2.1 實驗方法

　　選取一段手動添加抖動的公路路段視頻進行試驗，以OpenCV結合VC++6.0作為軟件開發平臺編寫車載穩像算法，對視頻進行處理，最后將視頻輸出到顯示器上顯示。

　　2.2 運動矢量的估計

　　選用經過預處理后的相鄰兩幀圖像根據公式(1)(2)進行投影變換，然后采用公式(3)計算兩幀圖像的行、列相關曲線。仿真結果如圖3所示：

　　圖3 兩種情況下的運動矢量估計

　　實驗中手動加入的水平和垂直方向的抖動量分別為-9和12;而實驗結果顯示，對未經預處理的霧天圖像，由于對比度很差，采用灰度投影直接對其進行運動矢量檢測時，檢測到的水平和垂直方向的運動矢量分別為-3和5，誤差較大;而圖3(b)是經過均衡化處理后，檢測到的水平和垂直方向運動矢量為-6和8，精度有所提高;最后圖3(c)是采用小波邊緣增強法對圖像進行對比度提高，檢測的水平和垂直方向的運動偏移量分別為-7和10，雖然還不能完全準確地檢測出實際偏移的運動矢量，但精度要高于直方圖均衡化處理后的檢測結果。

2.3 運動補償

　　本文采用兩兩相鄰幀進行運動矢量估計，得到的是相對位移矢量，而每一幀的絕對運動參數是前N-1個相對位移矢量之和。得到每一幀的絕對運動參數后，在采用kal-man濾波器進行運動曲線平滑處理，將處理后的參數按相反方向對當前幀進行平移，即可得到穩定后的圖像。實驗結果如圖4所示：

　　圖4 穩定效果

　　3 實驗結果分析

　　算法在主頻Core(TM)2 Duo CPU 2.00GHz，內存2.00GB的PC機上，使用OpenCV結合VISUAL C++編程。實驗結果顯示，在實時性方面，穩定320*240的圖像序列平均時間為0.02518s，大于25幀/s的圖像實時性處理要求。穩像精度上，這里使用PSNR(Peak Signal To Noise Ratio)作為穩像效果的一種評價標準。其計算公式如下：

　　其中均方誤差MSE表示兩幀圖像間每個像素的偏差值。當兩幅圖像內容變化越小，PSNR值就越大，兩幅圖像完全一樣時，達到最大值。其中相鄰5幀圖像穩像前后PSNR值比較如下：

　　由表1中數據可以看出，經過本系統處理后的視頻幀間重合度有了明顯地改善。

　　通過對50幀視頻圖像序列進行的實驗表明，經過該方法處理后視頻的晃動幅度明顯得到了改善，基本達到了穩像的要求。

　　4 結論

　　由于惡劣天氣造成圖像對比度降低，而直方圖均衡化處理效果不佳，造成灰度投影在車載視頻穩定中對運動矢量估計精度的降低甚至失效。針對這一情況，本文采用小波邊緣增強的方法對圖像進行預處理，實驗表明，該方法有效提高了灰度投影算法的估計精度，并且算法也滿足實時性要求。