摘 要： 傳統的三幀差分運動目標檢測算法易出現空洞及虛假邊緣等現象。為了對其進行改進，提出了一種融合邊緣檢測的三幀差分運動目標檢測算法。首先對三幀連續圖像采用Canny 邊緣檢測算子快速提取邊緣圖像，然后對三幀連續的邊緣圖像進行改進的三幀差分運算, 最后通過閾值分割和形態學處理完成對運動目標的提取。實驗結果表明, 該算法計算簡單，連通性好且準確率高，可滿足實時檢測的要求。

　　關鍵詞： 三幀差分；邊緣檢測；閾值分割

0 引言

　　運動目標檢測處于智能視頻監控系統的最底層，其檢測結果的好壞將直接影響后續的處理效果，故其技術發展和應用前景受到廣泛關注。目前常用的運功目標檢測算法[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，但對光照及外部條件引起的動態場景變化過于敏感；光流法是基于對光流場的估算進行檢測分割的方法，計算復雜，須有特殊硬件設備支持，實時性差；幀差法是根據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，這種方法對于動態環境有很好的適應性，算法簡單，易于實現，但不能提取出較完整的運動目標。

　　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進行檢測，簡化了計算。實驗結果表明該算法可以有效改善傳統幀間差分算法出現的空洞現象。

1 融合邊緣檢測的三幀差分運動目標檢測

　　1.1 預處理

　　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物與背景之間、目標物與目標物之間，在圖像處理中有著重要的作用和廣泛的應用。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。基于最優化算法的 Canny 邊緣檢測算子[2]，是先采用高斯函數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算法的實現步驟如下：

　　(1)高斯濾波：選取合適的Gauss窗函數和尺度，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0?、45?、90?、135?、180?、225?、270?、315?；

　　(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

　　傳統的三幀差分算法雖然能夠快速檢測出運動目標的輪廓，但其所檢測出的輪廓往往不連續且存在較大的空洞現象，同時傳統三幀差分算法不能完整提取目標信息。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三幀差分算法的不足。設預處理后的連續三幀圖像為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，得到差分結果：

　　然后將差分后的結果Di與Di+1進行“與”運算，“與”運算能夠有效地克制或運算造成的目標重疊現象。最后對DA和Di+2進行濾波及動態閾值二值化處理, 并將其結果進行“或”運算，能夠有效地克制空洞現象，得到最終的目標輪廓：

　　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進行檢測，首先采用Canny邊緣檢測算法快速提取連續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輪廓，最后通過后期一系列處理提取出準確完整的運動目標區域。本文算法整體流程如圖1所示。

　　1.5 形態學處理

　　由于干擾因素的存在，導致所得到的二值化圖像中往往會出現噪聲及空洞，可以通過數學形態學對其進行后處理。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。檢測結果如圖2所示。

　　由圖可知，采用傳統三幀差分算法檢測到的目標輪廓不連續，改進三幀差分法得到的圖像目標輪廓更清晰，內容更為豐富，而采用本文算法檢測得到的結果進一步消除了空洞現象且輪廓清晰，結果準確完整。

3 結論

　　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進行檢測，首先采用Canny邊緣檢測算法快速提取連續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輪廓，最后通過后期一系列處理提取出準確完整的運動目標區域。實驗結果表明本文算法能夠快速準確地檢測出運動目標，進一步改進了傳統三幀差分目標輪廓不連續現象，計算簡單，可滿足實時性檢測需求。

參考文獻

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

　　[2] 蔣钘. 人體運動目標檢測與跟蹤關系問題研究[D]. 長沙:中南林業科技大學, 2013.

　　[3] 岑銀. 智能視頻監控中運動目標跟蹤技術研究[D]. 成都:西南交通大學, 2010.

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

　　[5] 許錄平. 數字圖像處理[M]. 北京:科學出版社, 2007.

　　[6] 張德豐. MATLAB 數字圖像處理[M]．北京:機械工業出版社, 2009.

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

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