摘  要： 針對目前常用的運(yùn)動目標(biāo)提取易受到噪聲影響、易出現(xiàn)陰影和誤檢漏檢等情況，提出了一種基于Sobel算子的彩色邊緣圖像檢測和幀差分相結(jié)合的檢測方法。首先用Sobel算子提取視頻流中連續(xù)4幀圖像的彩色邊緣圖像，然后將邊緣圖像進(jìn)行隔幀差分相與，提取出較精確的運(yùn)動目標(biāo)邊緣輪廓。提取的輪廓經(jīng)過一系列的形態(tài)學(xué)操作填充，可得到完整的運(yùn)動目標(biāo)。實(shí)驗(yàn)結(jié)果表明,該方法對運(yùn)動目標(biāo)邊緣輪廓提取準(zhǔn)確，抗噪能力強(qiáng)，且魯棒性好。
關(guān)鍵詞： 彩色邊緣檢測； 隔幀差分； 運(yùn)動目標(biāo)提取

     運(yùn)動目標(biāo)檢測是目標(biāo)識別、跟蹤的難點(diǎn)和關(guān)鍵環(huán)節(jié)，目標(biāo)提取的好壞直接影響處理結(jié)果。而在運(yùn)動目標(biāo)檢測中遇到最多的問題是提取的前景不準(zhǔn)確，受環(huán)境影響噪聲較多，且陰影難消除。很多文獻(xiàn)也提出了改進(jìn)方法，常用的經(jīng)典算法有：背景差分、混合高斯背景模型、幀差法等。背景差分[1]首先構(gòu)建一個背景圖像，然后利用當(dāng)前幀圖像與背景圖像相減，得到差分圖像，通過閾值分割來提取目標(biāo)。混合高斯模型[2]使用K個(基本為3~5個)高斯模型來表征圖像中各個像素點(diǎn)的特征,在新一幀圖像獲得后更新混合高斯模型, 用當(dāng)前圖像中的每個像素點(diǎn)與混合高斯模型匹配,如果成功，則判定該點(diǎn)為背景點(diǎn), 否則為前景點(diǎn)?；旌细咚贡尘澳Ｐ蜋z測運(yùn)動目標(biāo)易出現(xiàn)陰影，而對陰影的去除目前存在較大困難。幀差法通過視頻流中相鄰兩幀或3幀圖像相減，根據(jù)差分圖像來檢測目標(biāo)。常用的相鄰差分法檢測目標(biāo)存在兩幀目標(biāo)重疊部分不易檢測、出現(xiàn)虛假目標(biāo)等問題。一般來說，圖像的邊緣信息不易受噪聲和亮度突變的影響。本文提出一種邊緣差分的思想，將傳統(tǒng)Sobel算子邊緣檢測應(yīng)用到彩色圖像邊緣檢測，將邊緣檢測與幀間差分相結(jié)合，很好地克服了陰影以及噪聲的影響，經(jīng)形態(tài)學(xué)處理最后得到較為清晰準(zhǔn)確的運(yùn)動目標(biāo)。
1 邊緣檢測
    邊緣檢測算法的基本步驟為：濾波、增強(qiáng)、檢測和定位。經(jīng)典的檢測算法主要采用梯度算子，常用的梯度算子有Sobel算子、Prewitt算子、Canny算子、Laplacian算子和LOG算子[3]等。
1.1 Sobel算子檢測邊緣
    Sobel算子把重點(diǎn)放在接近于模板中心的像素點(diǎn)，是邊緣檢測器中最常用的算子之一。
1.1.1 Sobel算法原理
    由于圖像邊緣附近的亮度變化比較大，因此把那些鄰域內(nèi)灰度超過某個值的像素點(diǎn)當(dāng)作邊緣點(diǎn)。算法的主要步驟如下。
    (1)分別將兩個方向模板沿著圖像從一個像素移動到另一像素，并將像素的中心與某個像素位置相重合；
　 (2)將模板內(nèi)的系數(shù)與其圖像上相對應(yīng)的像素值相乘；
　 (3)將所有相乘的值相加；
　 (4)將兩個卷積的最大值賦給圖像中對應(yīng)模板中心位置的像素作為該像素新的灰度值；
　 (5)選取合適的閾值TH，若新像素灰度值≥TH，則判斷該像素點(diǎn)為圖像邊緣點(diǎn)。
　
1.1.2 Sobel算子彩色圖像邊緣檢測的實(shí)現(xiàn)和改進(jìn)
    本文算法針對彩色圖像，建立水平方向和垂直方向的彩色分量圖[5],具體步驟如下。
    (1)遍歷一幅彩色圖像，取圖像上像素的顏色值；
    (2)將像素的R、G、B灰度值分別賦給水平方向和垂直方向彩色分量圖對應(yīng)像素的R、G、B值；
    (3)分別計(jì)算原圖像中像素的R、G、B分量在水平和垂直方向與模板（掩膜）卷積的累加值，卷積模板選用上述Sobel核，Sobel算子使用權(quán)重2的思想是通過突出中心點(diǎn)的作用而達(dá)到平滑的目的；
    (4)將累加值除以某個權(quán)重，取絕對值賦給上述分量圖的R、G、B值；
    (5)用式(1)計(jì)算該像素的R、G、B梯度值，賦給原圖像對應(yīng)的R、G、B值，得到彩色邊緣圖像。
    Sobel算子利用像素的上、下、左、右鄰域的灰度值加權(quán)算法,算法利用圖1(a)所示的模板分別與圖1(b)和圖1(c)所示的兩個核做卷積，一個核對垂直邊緣影響最大，而另一個核對水平邊緣影響最大。該方法不但產(chǎn)生較好的檢測效果，而且對噪聲具有平滑作用，可以提供較為精確的邊緣，因此選用Sobel算子進(jìn)行邊緣檢測，結(jié)合后面的幀差分，可以得到準(zhǔn)確、良好的邊緣輪廓圖像[6]。

2.2 邊緣檢測與差分相結(jié)合
　 本文算法的流程如圖2所示。

    用本文提出的改進(jìn)Sobel算子彩色圖像邊緣檢測方法從視頻流中提取連續(xù)的4幀圖像，得到它們的邊緣圖像，然后用上述4幀差分的思想作邊緣圖像的隔幀差分，得到準(zhǔn)確、噪聲很小的運(yùn)動目標(biāo)邊緣輪廓。
2.3 形態(tài)學(xué)處理
2.3.1 腐蝕運(yùn)算
    腐蝕是指用某種形狀的基元對一個圖像進(jìn)行探測，以便找出在圖像中能夠放下該基元的區(qū)域。集合A被集合B腐蝕，表示為AΘB，其定義為
    

    膨脹通過相對結(jié)構(gòu)元素的所有點(diǎn)平移輸入圖像，然后計(jì)算其并集得到。如果結(jié)構(gòu)元素為一個圓盤,那么膨脹可填充圖像中的小孔以及在圖像邊緣處的小凹陷部分。
    膨脹的方法：用B的中心點(diǎn)與A上的點(diǎn)以及A周圍的點(diǎn)逐個比較，若B上有一個點(diǎn)落在A中，則該點(diǎn)就為黑點(diǎn)。
    對運(yùn)動物體的目標(biāo)輪廓進(jìn)行形態(tài)學(xué)處理，選取自定義的結(jié)構(gòu)元素進(jìn)行腐蝕膨脹操作，從而將運(yùn)動目標(biāo)完整地檢測出來。
3 實(shí)驗(yàn)結(jié)果
    對比傳統(tǒng)Sobel算子灰度邊緣檢測和本文方法，對室外行人運(yùn)動視頻流進(jìn)行檢測，結(jié)果如圖3所示。左邊一列分別為原圖第20幀、第50幀、第100幀，中間為傳統(tǒng)Sobel算子灰度邊緣檢測結(jié)果，右邊一列為本文提出的Sobel算子彩色邊緣檢測結(jié)果。
    3幀圖像經(jīng)形態(tài)學(xué)處理后的結(jié)果如圖4所示。

    從視頻流中截取3幀圖像，分別使用傳統(tǒng)Sobel算子和本文算法作邊緣差分，可以看出,傳統(tǒng)Sobel算子灰度邊緣檢測結(jié)果邊緣較粗，邊緣部分噪聲較多，造成交叉處的輪廓不清晰；而用本文方法檢測得到的運(yùn)動行人邊緣較細(xì)，提取出的邊緣輪廓精確，最后通過形態(tài)學(xué)操作填充輪廓，便可得到噪聲較少的運(yùn)動行人。相比于其他算法,該方法在行人陰影較大的場景有著其顯著優(yōu)勢，能很好地克服陰影帶來的影響，精確檢測到行人。
參考文獻(xiàn)
[1] 于仕琪，劉瑞禎.OpenCV教程：基礎(chǔ)篇[M]. 北京：北京航空航天大學(xué)出版社，2007.
[2] PONG P K T K, BOWDEN R. An improved adaptive back ground mixture model for real-time tracking with shadow detection[C]. Proceedings of 2nd European Workshop on Advanced Video Based Surveillance Systems, AVBS01. Kluwer Academic Publishers, 2001:1-5.
[3] 段瑞玲,李慶詳,李玉和.圖像邊緣檢測方法研究綜述[J].光學(xué)技術(shù)，2005,31(3):415-419.
[4] GONZALEZ R C, WOODS R  E. 數(shù)字圖像處理(第二版)[M]. 阮秋琦,阮宇智,譯.北京：電子工業(yè)出版社，2007.
[5] 黃偉，周鳴爭，李小牛.一種基于四元數(shù)的彩色圖像邊緣檢測改進(jìn)算法[J].計(jì)算機(jī)技術(shù)與發(fā)展，2008,18(3):121-124.
[6] 甘明剛，陳杰，劉勁，等.一種基于三幀差分和邊緣信息的運(yùn)動目標(biāo)檢測方法[J].電子與信息學(xué)報，2010(4):894-897.
[7] 朱明旱，羅大庸，曹倩霞.幀間差分與背景差分相融合的運(yùn)動目標(biāo)檢測算法[J].計(jì)算機(jī)測量與控制，2005,13(3):215-217.