摘 要： 傳統(tǒng)的三幀差分運(yùn)動(dòng)目標(biāo)檢測算法易出現(xiàn)空洞及虛假邊緣等現(xiàn)象。為了對(duì)其進(jìn)行改進(jìn)，提出了一種融合邊緣檢測的三幀差分運(yùn)動(dòng)目標(biāo)檢測算法。首先對(duì)三幀連續(xù)圖像采用Canny 邊緣檢測算子快速提取邊緣圖像，然后對(duì)三幀連續(xù)的邊緣圖像進(jìn)行改進(jìn)的三幀差分運(yùn)算, 最后通過閾值分割和形態(tài)學(xué)處理完成對(duì)運(yùn)動(dòng)目標(biāo)的提取。實(shí)驗(yàn)結(jié)果表明, 該算法計(jì)算簡單，連通性好且準(zhǔn)確率高，可滿足實(shí)時(shí)檢測的要求。

　　關(guān)鍵詞： 三幀差分；邊緣檢測；閾值分割

0 引言

　　運(yùn)動(dòng)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(yùn)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(yùn)動(dòng)目標(biāo)，但對(duì)光照及外部條件引起的動(dòng)態(tài)場景變化過于敏感；光流法是基于對(duì)光流場的估算進(jìn)行檢測分割的方法，計(jì)算復(fù)雜，須有特殊硬件設(shè)備支持，實(shí)時(shí)性差；幀差法是根據(jù)圖像中像素點(diǎn)的灰度差計(jì)算出運(yùn)動(dòng)物體的位置和形狀等信息，這種方法對(duì)于動(dòng)態(tài)環(huán)境有很好的適應(yīng)性，算法簡單，易于實(shí)現(xiàn)，但不能提取出較完整的運(yùn)動(dòng)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(jìn)的三幀差分對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行檢測，簡化了計(jì)算。實(shí)驗(yàn)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(yùn)動(dòng)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(duì)圖像進(jìn)行灰度化。另外，圖像獲取過程中不可避免地存在諸如斑點(diǎn)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(duì)原始圖像進(jìn)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(qiáng)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(shí)現(xiàn)且具有很好的實(shí)時(shí)性，但抗干擾性能差，對(duì)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(duì)圖像進(jìn)行平滑處理，再進(jìn)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(duì)序列幀圖像進(jìn)行邊緣提取。.

　　Canny算子的基本原理是通過查找圖像梯度強(qiáng)度局部的最大值來得到邊緣信息，圖像梯度的計(jì)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(diǎn)。如果梯度強(qiáng)度不滿足高閾值的檢測條件，但是與己檢測出的較強(qiáng)邊緣點(diǎn)相連接，并且滿足低閾值條件，則確定為弱邊緣點(diǎn)。雙閾值法使得采用Canny算子提取邊緣點(diǎn)具有更強(qiáng)魯棒性。

　　Canny算法的實(shí)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(duì)需要處理的圖像進(jìn)行平滑濾波，得到平滑圖像；

　　(2)梯度計(jì)算：用一階偏導(dǎo)的有限差分來計(jì)算梯度的幅值和方向；

　　(3)量化梯度方向：對(duì)梯度方向進(jìn)行量化，使其只有8個(gè)方向，即0?、45?、90?、135?、180?、225?、270?、315?；

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

　　(5)雙閾值判決：設(shè)定雙閾值，進(jìn)一步判斷候選邊緣點(diǎn)為強(qiáng)邊緣點(diǎn)、弱邊緣點(diǎn)還是非邊緣點(diǎn)；

　　(6)邊緣連接：對(duì)于弱邊緣點(diǎn)，如果它與強(qiáng)邊緣點(diǎn)在8連通區(qū)域相連，則該點(diǎn)記為弱邊緣點(diǎn)，同時(shí)將其邊緣提取置為1，所有標(biāo)記為1的點(diǎn)就成了最后的邊緣。

　　1.3 改進(jìn)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(yùn)動(dòng)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(shí)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(jìn)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(yùn)算以及將fi+1(x,y)與fi-1(x,y)做差分運(yùn)算，得到差分結(jié)果：

　　然后將差分后的結(jié)果Di與Di+1進(jìn)行“與”運(yùn)算，“與”運(yùn)算能夠有效地克制或運(yùn)算造成的目標(biāo)重疊現(xiàn)象。最后對(duì)DA和Di+2進(jìn)行濾波及動(dòng)態(tài)閾值二值化處理, 并將其結(jié)果進(jìn)行“或”運(yùn)算，能夠有效地克制空洞現(xiàn)象，得到最終的目標(biāo)輪廓：

　　1.4 本文算法

　　本文算法融合圖像邊緣信息與改進(jìn)三幀差分對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)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(jìn)的三幀差分算法得到較為完整的運(yùn)動(dòng)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(yùn)動(dòng)目標(biāo)區(qū)域。本文算法整體流程如圖1所示。

　　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(huì)出現(xiàn)噪聲及空洞，可以通過數(shù)學(xué)形態(tài)學(xué)對(duì)其進(jìn)行后處理。首先采用腐蝕運(yùn)算消除二值圖像中的孤立噪聲點(diǎn)，再采用膨脹運(yùn)算來填充運(yùn)動(dòng)目標(biāo)的邊緣空洞。

2 實(shí)驗(yàn)對(duì)比

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

　　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(jìn)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(jìn)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(jìn)的三幀差分算法對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)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(jìn)三幀差分算法得到較為完整的運(yùn)動(dòng)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(yùn)動(dòng)目標(biāo)區(qū)域。實(shí)驗(yàn)結(jié)果表明本文算法能夠快速準(zhǔn)確地檢測出運(yùn)動(dòng)目標(biāo)，進(jìn)一步改進(jìn)了傳統(tǒng)三幀差分目標(biāo)輪廓不連續(xù)現(xiàn)象，計(jì)算簡單，可滿足實(shí)時(shí)性檢測需求。

參考文獻(xiàn)

　　[1] 羅志升,王黎,高曉蓉,等. 序列圖像中運(yùn)動(dòng)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(yùn)動(dòng)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(yùn)動(dòng)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(yùn)動(dòng)目標(biāo)檢測[J]．計(jì)算機(jī)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(jī)械工業(yè)出版社, 2009.

　　[7] 邵廣安. 視頻監(jiān)控中運(yùn)動(dòng)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(jìn) Canny 算子與圖像形態(tài)學(xué)融合的邊緣檢測方法[J]. 微型機(jī)與應(yīng)用, 2011,30(10):44-46.