張 鵬，李思岑，楊燕翔

(西華大學(xué) 電氣信息學(xué)院，四川 成都 610039)

0 引言

運動目標(biāo)檢測處于智能視頻監(jiān)控系統(tǒng)的最底層，其檢測結(jié)果的好壞將直接影響后續(xù)的處理效果，故其技術(shù)發(fā)展和應(yīng)用前景受到廣泛關(guān)注。目前常用的運功目標(biāo)檢測算法[1]有：背景差分法、光流法及幀間差分法。背景差分法能夠較完整地提取出運動目標(biāo)，但對光照及外部條件引起的動態(tài)場景變化過于敏感；光流法是基于對光流場的估算進行檢測分割的方法，計算復(fù)雜，須有特殊硬件設(shè)備支持，實時性差；幀差法是根據(jù)圖像中像素點的灰度差計算出運動物體的位置和形狀等信息，這種方法對于動態(tài)環(huán)境有很好的適應(yīng)性，算法簡單，易于實現(xiàn)，但不能提取出較完整的運動目標(biāo)。

視頻圖像的邊緣信息抗干擾性能好，不易受亮度突變及噪聲的影響，因此本文融合圖像邊緣信息與改進的三幀差分對運動目標(biāo)進行檢測，簡化了計算。實驗結(jié)果表明該算法可以有效改善傳統(tǒng)幀間差分算法出現(xiàn)的空洞現(xiàn)象。

1 融合邊緣檢測的三幀差分運動目標(biāo)檢測

1.1 預(yù)處理

眾所周知，灰度圖像的處理效率高于彩色圖像，因此首先對圖像進行灰度化。另外，圖像獲取過程中不可避免地存在諸如斑點噪聲及椒鹽噪聲等一系列噪聲影響，為了有效抑制噪聲影響，本文采用中值濾波法對原始圖像進行濾波處理。最后本文采用直方圖均衡化及梯度化操作，使得圖像輪廓更為清晰，以增強抗干擾能力。

1.2 Canny 邊緣檢測算法

邊緣作為圖像的最基本特征廣泛存在于目標(biāo)物與背景之間、目標(biāo)物與目標(biāo)物之間，在圖像處理中有著重要的作用和廣泛的應(yīng)用。目前常用的邊緣檢測算子包括Robets 算子、Sobel算子、Prewwits 算子、 Log 算子、二階Laplace 算子等。這些算子簡單，易于實現(xiàn)且具有很好的實時性，但抗干擾性能差，對噪聲較敏感且邊緣的精度有待提高?；谧顑?yōu)化算法的 Canny 邊緣檢測算子[2]，是先采用高斯函數(shù)對圖像進行平滑處理，再進行邊緣檢測，提取的邊緣線形連接較為完整，定位準(zhǔn)確性較高，效果較好。本文采用此方法對序列幀圖像進行邊緣提取。.

Canny算子的基本原理是通過查找圖像梯度強度局部的最大值來得到邊緣信息，圖像梯度的計算采用Gauss濾波器。為了消除噪聲干擾、提高邊緣檢測的精度，Canny采用雙閾值來提取邊緣像素點。如果梯度強度不滿足高閾值的檢測條件，但是與己檢測出的較強邊緣點相連接，并且滿足低閾值條件，則確定為弱邊緣點。雙閾值法使得采用Canny算子提取邊緣點具有更強魯棒性。

Canny算法的實現(xiàn)步驟如下：

(1)高斯濾波：選取合適的Gauss窗函數(shù)和尺度，用Gauss濾波器對需要處理的圖像進行平滑濾波，得到平滑圖像；

(2)梯度計算：用一階偏導(dǎo)的有限差分來計算梯度的幅值和方向；

(3)量化梯度方向：對梯度方向進行量化，使其只有8個 方 向， 即0o、45o、90o、135o、180o、225o、270o、315o；

(4)梯度非最大值抑制：對于每一個梯度強度非零的像素點，查找沿其量化后的梯度方向的兩個相鄰像素點，然后通過閾值判斷為非邊緣點還是候選邊緣點；

(5)雙閾值判決：設(shè)定雙閾值，進一步判斷候選邊緣點為強邊緣點、弱邊緣點還是非邊緣點；

(6)邊緣連接：對于弱邊緣點，如果它與強邊緣點在8連通區(qū)域相連，則該點記為弱邊緣點，同時將其邊緣提取置為1，所有標(biāo)記為1的點就成了最后的邊緣。

1.3 改進三幀差分算法基本原理

傳統(tǒng)的三幀差分算法雖然能夠快速檢測出運動目標(biāo)的輪廓，但其所檢測出的輪廓往往不連續(xù)且存在較大的空洞現(xiàn)象，同時傳統(tǒng)三幀差分算法不能完整提取目標(biāo)信息。本文采用改進的三幀差分算法[3]，可以在一定程度上克服傳統(tǒng)三幀差分算法的不足。設(shè)預(yù)處理后的連續(xù)三幀圖像為fi-1(x,y)、fi(x,y)、fi+1(x,y) ，首先分別將中間幀fi(x,y)與其前后兩幀做差分運算以及將fi+1(x,y)與fi-1(x,y)做差分運算，得到差分結(jié)果：

1.4 本文算法

本文算法融合圖像邊緣信息與改進三幀差分對運動目標(biāo)進行檢測，首先采用Canny邊緣檢測算法快速提取連續(xù)三幀圖像的邊緣圖像，然后利用改進的三幀差分算法得到較為完整的運動目標(biāo)輪廓，最后通過后期一系列處理提取出準(zhǔn)確完整的運動目標(biāo)區(qū)域。本文算法整體流程如圖1所示。

圖1 本文算法整體流程

1.5 形態(tài)學(xué)處理

由于干擾因素的存在，導(dǎo)致所得到的二值化圖像中往往會出現(xiàn)噪聲及空洞，可以通過數(shù)學(xué)形態(tài)學(xué)對其進行后處理。首先采用腐蝕運算消除二值圖像中的孤立噪聲點，再采用膨脹運算來填充運動目標(biāo)的邊緣空洞。

2 實驗對比

本文采用 MATLAB 進行仿真實驗，為驗證算法的有效性，分別利用傳統(tǒng)三幀差分法、改進三幀差分法以及本文算法對同一組 AVI 視頻序列圖像進行測試。檢測結(jié)果如圖2所示。

圖2 實驗結(jié)果對比

由圖可知，采用傳統(tǒng)三幀差分算法檢測到的目標(biāo)輪廓不連續(xù)，改進三幀差分法得到的圖像目標(biāo)輪廓更清晰，內(nèi)容更為豐富，而采用本文算法檢測得到的結(jié)果進一步消除了空洞現(xiàn)象且輪廓清晰，結(jié)果準(zhǔn)確完整。

3 結(jié)論

本文融合圖像邊緣信息與改進的三幀差分算法對運動目標(biāo)進行檢測，首先采用Canny邊緣檢測算法快速提取連續(xù)三幀圖像的邊緣圖像，然后利用改進三幀差分算法得到較為完整的運動目標(biāo)輪廓，最后通過后期一系列處理提取出準(zhǔn)確完整的運動目標(biāo)區(qū)域。實驗結(jié)果表明本文算法能夠快速準(zhǔn)確地檢測出運動目標(biāo)，進一步改進了傳統(tǒng)三幀差分目標(biāo)輪廓不連續(xù)現(xiàn)象，計算簡單，可滿足實時性檢測需求。

[1] 羅志升,王黎,高曉蓉,等. 序列圖像中運動目標(biāo)檢測與跟蹤方法分析[J]. 現(xiàn)代電子技術(shù), 2009(11):125-126.

[2] 蔣钘. 人體運動目標(biāo)檢測與跟蹤關(guān)系問題研究[D]. 長沙:中南林業(yè)科技大學(xué), 2013.

[3] 岑銀. 智能視頻監(jiān)控中運動目標(biāo)跟蹤技術(shù)研究[D]. 成都:西南交通大學(xué), 2010.

[4] 舒欣, 李東新, 薛東偉.五幀差分和邊緣檢測的運動目標(biāo)檢測[J]．計算機系統(tǒng)應(yīng)用, 2014,23(1):124-127.

[5] 許錄平. 數(shù)字圖像處理[M]. 北京:科學(xué)出版社, 2007.

[6] 張德豐. MATLAB 數(shù)字圖像處理[M]．北京:機械工業(yè)出版社, 2009.

[7] 邵廣安. 視頻監(jiān)控中運動目標(biāo)檢測與跟蹤方法的研究[D]. 南昌:南昌大學(xué), 2013.

[8] 趙潔,李瑋,郝志鵬,等. 基于改進 Canny 算子與圖像形態(tài)學(xué)融合的邊緣檢測方法[J]. 微型機與應(yīng)用, 2011,30(10):44-46.