｜前視安全警示系統之去霧演算法量化分析架構探討

摘要：據美國高速公路交通安全局（NHTSA, National Highway Traffic Safety Administration）統計，百分之十七的死亡事故，百分之二十二的傷害事故以及百分之二十五的僅有財損（Property Damage Only, PDO）事故發生在惡劣天侯下，尤其是大霧時，前視安全警示系統（前方防碰撞警示系統、車道偏移警示系統），往往因為影像品質劣化，導致系統失效，而無法提供駕駛者正確的警示輔助。因此，本文提出一全新的去霧演算法量化分析架構，其結合車輛偵測之人工加霧演算法，不僅可產生逼真的霧，亦可量化去霧演算法之去霧效果以及最佳化其內部各參數。

Abstract: From the statistics of NHTSA, in the U.S.A, 17 percent of fatal crashes, 22 percent of injury crashes, and 25 percent of PDO (Property Damage Only) crashes occur in the presence of adverse weather (i.e., rain, sleet, snow, and/or fog). If a driver is driving under such extreme scenario, for example, dense fog, vision-based safety warning systems, such as LDWS (Lane Departure Warning Systems) and FCWS (Forward Collision Warning Systems), are difficult to function accurately due to the degradation of image quality. This paper introduces a brand new framework to develop de-fog algorithm. The artificial fog is produced by integrating vehicle detection algorithm. Therefore, the fog looks not only realistic but also reasonable. Since fog is artificially produced, and Ground-Truth images are available for this reason, it is then possible to quantitatively assess the effect of and to optimize the parameters of de-fog algorithm.

關鍵詞：雷射披覆、碳膜、金屬雙極板、燃料電池

Keywords：de-fog algorithm, adverse weather, vision-based safety warning system

前言
「家是最安全的避風港。」然而，對許多人而言，汽車就是第二個家，無論汽車科技再怎麼進步，如果不以安全性作第一考量，外觀再怎麼時尚，內裝再怎麼奢華，馬力再怎麼強悍，一切都是空談。以往的被動式安全系統（Passive Safety System），如安全帶、安全氣囊等，只能在汽車事故發生的剎那間降低傷害，然而，預防勝於治療，事前的防範，才是真正的安全。相較之下，主動式安全系統（Active Safety System），利用感測與控制技術來避免並降低意外狀況發生的可能性，只要系統評估有任何潛在意外發生的可能，即會提醒駕駛者或介入車輛的控制。

許多主動式安全系統採用主動式感測器（Active Sensor），如超音波、毫米波雷達、紅外線或雷射雷達等，其優點在於可精確的估測出與障礙物間的距離，然而，超音波雖然可穿過雨霧，但由於可偵測距離過短，通常只能用在倒車系統上;紅外線感測器雖不受雨霧影響，但其於白天無法運作，只能於夜視系統上使用;雷射雷達可偵測距離較遠，但較易受到雨霧的影響;毫米波雷達雖不受雨霧影響，可偵測距離亦可超過一百公尺，但其產品市場單價過高，因而難以普及。

被動式感測器（Passive Sensor），如攝影機，所擷取之影像雖然容易受到光線與天侯的影嚮，但其價格較低，易於普及，且影像內豐富的資訊透過影像處理技術分析後，可用於判斷行車環境狀況，並提供駕駛者更多的輔助資訊作為系統控制的重要依據。雖然單眼視覺系統難以準確且穩定地估測其與障礙物之間距，但只要應用在警示輔助而不是車身動態之控制，仍能滿足需求。

在前視安全警示系統中，車道偏離警示系統（Lane Departure Warning, LDW） 藉由辨識車道線觀察駕駛者是否因講電話、調整音響或撿拾物品，導致非預期性的車道偏離;前方防碰撞警示系統（Forward Collision Warning, FCW） 藉由辨識前方車輛以及估測與其之間距，觀察本車是否與前車過近，或煞車距離不足。一旦駕駛者具有上述之危險駕駛行為，系統則以燈號或響聲警示。

然而，這類系統在惡劣天侯，如大霧下，往往因為影像品質的劣化，導致車道線的特徵不夠顯著，或是前車之紋理過於模糊，使得辨識結果產生大量誤判，或是根本無法產生任何辨識結果。

目前國內外在去霧演算法的開發上，皆以主觀的方式來評估去霧後之效果，缺乏量化數據佐證，其原因在於無法在背景完全相同，光源分佈亦相同的場景，分別取得含霧以及不含霧的影像，本文所提出之去霧演算法量化分析架構，其運作的主要原理是將一段不含霧之影像（此即為Ground-Truth影像），加入人工霧，接著利用去霧演算法去除影像中之霧，最後即可利用量化指標來比較去霧後之影像以及原始影像之差距。此外，由於霧的濃淡是以能見度予以定義，本文以單攝影機之車輛測距模型來建立能見度與霧之濃度間的關係。受限於單攝影機所求得之距離資訊，只有在辨識標的位於路面上，且該路面與本車所在之路面等高的情形下才為準確，若以這樣的距離資訊依能見度加霧，會產生同一台車背後被由淡到濃的霧覆蓋的不合理情形，本文所提之加霧演算法，其整合了車輛偵測演算法，由於車輛於影像內之位置變得已知，使得同一台車之車身可以加入同一濃度之霧，也就是基於前車與地面交界處之座標求得該車與本車之距離，並以此距離求出符合此距離的霧，最後，將該濃度之霧疊加在整個車身，即可得到一合理的人工霧，而這樣的加霧演算法所呈現的霧由於更為合理，將有助後續去霧演算法的開發。

去霧演算法為當今影像處理領域中，較具有挑戰性之主題之一，先前許多研究[1-10]提出了許多基於不同概念之演算法，本文所使用的去霧演算法為[11]，原因在於其可在行車之情境下使用，且只需單張影像即可執行去霧。

最後，本架構採用PSNR（Peak Signal-to-Noise Ratio），此量化指標來比較原始不含霧之影像以及經過去霧後之影像，PSNR愈高，代表去霧的效果愈好，也就是去霧後之影像與原始影像愈接近。

本文在第2節介紹系統架構，第3節介紹距離估測與車輛偵測演算法，第4節介紹加霧演算法與去霧演算法，第5節介紹量化指標，第6節為實驗結果，最後一節則為結論與未來展望。