基于Sobel算子的紅外運動目標檢測算法

李瓊

摘 要：當前我國紅外圖像的處理辦法是從20世紀80年代開始發(fā)展起來的，紅外圖像的檢測算法有很多，都是依據(jù)其自身的特點而定的，對紅外圖像處理內(nèi)容與平時可見光的處理方式是有所不同的，紅外圖像主要是對于變形的圖像進行處理矯正，根據(jù)函數(shù)的不同進行改變，對于直流方向的校正，以及改變圖像的亮度、對比度，處理圖像的尖銳部分，讓其變得平滑，這方面包括圖像像素間的積累，像素的增加，直方圖的處理等等，但是由于整個紅外處理要求很高，因此，要想實現(xiàn)高質(zhì)量的檢測，并提升準確程度是有一定困難的。我國對于船舶的檢驗是從較簡單的人工檢驗下發(fā)展起來的，現(xiàn)在適用于較為復雜的背景檢測，人工背景檢測一般包括天空、海洋、墻面等，目前檢測技術就是通過現(xiàn)代的數(shù)字處理技術、紅外圖像理論進行檢查，通過先進的技術對復雜的直觀圖進行分析和檢測，增強人們對于圖像的認識和識別。本文將首先介紹分析運動目標檢測的方法，然后分析了Sobel算子的檢測方法，整個實驗都對于檢測紅外圖像有著很好的效果，希望能為日后的推廣運用起到作用。

關鍵詞：Sobel算子 運動目標檢測 幀間差 紅外圖像 算法

中圖分類號：TP391.4 文獻標識碼：A 文章編號：1672-3791（2014）05（c）-0209-04

1 運動目標檢測算法分析

采用運動檢測[1，2]的檢測方法實際就是運用一定的技術將整個圖像在發(fā)生改變的圖像背景中挖掘出來，對于運動目標的監(jiān)測可以說是對整個目標種類、行為的跟蹤和整理，而對于目標的分割對圖像的后期處理十分重要，因為經(jīng)過運動檢測算法后的處理將只考慮運動區(qū)域的像素，對于圖像背景的檢測，比如光線、天氣因素、陰暗面等這些都是干擾因素，將會增添檢測的困難。

當前的運動檢測算法主要有四個種類[3]：第一種是在光流場前提下的運動目標檢測方法；第二種是根據(jù)圖像的基本特征進行檢測的目標檢測方法；第三種是根據(jù)幀間差的情況進行的運動檢測方法；第四種是根據(jù)背景的不同建立的檢測方法。這四種檢測方法都是運用了運動視覺的原理，并且也是未來發(fā)展的方向和指引。

1.1 基于特征的方法

根據(jù)運動目標檢測特點的不同主要可以概括為兩個操作步驟：第一種是運用兩幅甚至多幅圖像進行圖像抽取，然后根據(jù)圖像相互對應的關系，建立一定的聯(lián)系；第二種是根據(jù)圖像之間不同的特征，比如形狀或者運動的位置變化等，都可以計算物體的結構，并根據(jù)物體的坐標來運算具體的運動參數(shù)。這種在圖像中抽取的方式可以實現(xiàn)在一幅圖像中找到對應點，然后建立相應的聯(lián)系，方便對另一幅特征和運動的推斷，另外，如果運動特征比較復雜不好確定，這種方案也是需要一定的調(diào)整的，避免運算誤差帶來的問題。

如果物體運動時能很好地將特征表現(xiàn)出來，那么便可以運用線性檢測方法進行圖片或者視頻的處理，這種方式實際是在物體運動困難的情況下選擇的，是物體由于不好尋找特征而進行的匹配方案，這一方面可以用來區(qū)分較難區(qū)分的目標點的特點；另一方面可以運用快速匹配的算法，將物體運動的目標快速鎖定，這樣可以幫助視頻的應用。

1.2 基于光流場的方法

對于光流場的計算一般是通過相間的一個小時間段分析圖像的差異性，這個時間可以幾十毫秒，這種方式有一個比較好的地方就是，可以從相間的時刻之間選擇，不僅保證圖像中每一個圖像都能反映出運動信息，還可以計算出光流場的運動方式，一般計算運動信息可以分成兩個流程：首先計算出光流場運動信息；然后在計算光流場的整體結構和三維運動情況。

對于紅外圖像的計算光流場的方式都是基于三維場景來算的，基本這些從理論上就能確定運動物體的形狀和相關信息，然后也可以更好地維系攝像機拍攝的時間以及旋轉(zhuǎn)的方向，但是這種方式當前處理起來難度還很大，計算具有復雜性，在當前的系統(tǒng)中還難以運用，因此，該算法運用起來還很不成熟。

1.3 基于背景建模的方法

這種算法模型實際是通過圖像的差異來建立建模的方式，這種通過運動區(qū)域的不同而進行的檢測技術，可以有效的確認圖像背景發(fā)生的變化，并且可以保證整個圖像的建模能建立完整的數(shù)據(jù)，保留完整的圖像特征，一般最簡單的背景建模方式是時間平均圖像，但是這種圖像建模的方式有其局限性，比如當光線變化或者周圍其他因素干擾的情況下，都會導致圖像產(chǎn)生變化，所以背景建模的方式目前還不適用于運動場景梯度變化的情況，當前人們開發(fā)的新的建立模型的方式目的就在于減少場景周圍其他因素干擾導致的圖像檢測變化，但是目前對于建模初期的問題研究還不夠深入，也可以通過假設的方式讓前景圖像的圖像序列展開，但是這種方式也具有一定的局限性。

1.4 基于幀間差分的方法

采用幀間差的方式對圖像進行建模，當前一般是采用二維圖像的方式，一般這種方式不斷變化的環(huán)境中使用，并且在短暫的時間內(nèi)可以檢測圖像的運動變化，可以檢測圖像的像素強度，而零像素一般是運動差異造成的，采用幀間差的算法可以幫助迅速確定運動中的圖像序列，這種方式目前運用較為普遍，但是這個方式避開了背景建模的方式，因此，檢測起來有一定誤差，結果也不是很理想。

幀間差分的方式，運用雖然前景廣闊，但是受到了硬件條件的限制，傳統(tǒng)的幀間差分算法更加容易實現(xiàn)，而對于依靠硬件實現(xiàn)的新算法，又不容易避免的不足，因此，本文將針對于之前這些算法的不足之處進行改進，找到了方便快捷的紅外圖像檢測方法，即Sobel算子檢測方法。

2 基于Sobel算子的幀間差分檢測算法

對于Sobel算子檢測方法是對于船舶運動距離的確定，紅外圖像的目標圖像與之前的圖像有一定的差異，在形狀和大小上有差異性，如果運用之前幀間差分算法或者基于特征的檢測方法或者是光流場的檢測方法就很難實現(xiàn)檢測精度的實現(xiàn)，因此，可以提出運動噪聲，確保圖像的邊緣清晰，然后通過obel算子的幀間差檢測方法來實現(xiàn)最終目標。

2.1 幀間差分法

根據(jù)紅外圖像的特點，根據(jù)運動灰度的變化可以讓圖像更加真實可靠，并且精度更高，運動灰度的變化可以讓物體運動的信息更加明確，這個檢測方法的原理主要是，運用相近的兩個圖像，提取他們相似的灰度，來確定物體運動的情況和具體位置。但是我們知道，物體運動時具有不穩(wěn)定性，位置是不確定的，對于背景來說，色彩是灰色的，因此這就與運動的部分形成了分明的對比，背景的灰度差基本是零，而運動部分的灰度差卻很明顯，因此，三維運動投影到二維圖像上就需要注意投影運動運動的情況，目標發(fā)生了運動就會產(chǎn)生運動軌跡，而二維圖像上兩個圖像的幀間差就會確定目標是否運動，因此，我們觀察船舶的運動軌跡就是運用幀間差運算來確定，將背景灰度去掉，然后提升檢測的準確度。

設輸入的圖像序列為：

基本反映了運動目標的邊緣和高梯度區(qū)域。通常選取k=1即相鄰兩幀差分，對于目標的運動速度低于相鄰兩幀的時間間隔時，增加k值以避免目標丟失。若k=5時仍未有目標，則認為無目標，就換到下一幀（i+1）圖像進行檢測。

選取一個合適的閾值，將差分圖像轉(zhuǎn)換成二值圖像：

自適應閾值的定義為：

2.2 圖像去噪、增強

首先圖像腐蝕的定義是E（k）=k*={k，v|SKV∈k}，這個公式的意思是：當結構元素的起源（k，v）移動到的位置，如果S是完全包含在k，一個新的點的圖像是1，否則為0。如圖1所示。

運用圖像腐蝕的公式可以幫助將結構較小的元素去掉，然后不實現(xiàn)沒有意義的結構元素，通過選擇大小相近的結構元素和種類，讓兩個物體實現(xiàn)一定的連接，然后運用腐蝕運算的公式分離兩個不同的物體。因此，為了簡便運算方法，可以采用這個公式。

2.3 圖像分割

為了讓整個圖像能更清晰的表現(xiàn)出特征，整個圖像都要分割為幾個相互不重疊的區(qū)域，專業(yè)那個可以確保分隔灰度閾值，并保證多種情況下目標和背景都能不重疊，體現(xiàn)出特征。

設給定∈[Z1，Zk]，其中Z1和Zk是兩個灰度值。假如設置一個灰度子集z[Z1，Zk]作為閾值，凡是灰度值包含于z的像素都變成某一個灰度值，其他的都變成另一個灰度值，則該圖就以z為界被分成兩個區(qū)域。

一般表示為：

式中za和zb是任意選定的目標和背景灰度級。如果za=1和zb=0，分割后的圖像就為二值圖像。

這個圖像與之前得到的是有所不同的，兩幀圖像的差異性可能是目標區(qū)域不同帶來的，這種差異性可以讓圖像在含噪的圖像中確定可能存在的目標區(qū)域，然后在這種區(qū)域中逐漸分離出來，分離的方法很簡單，首先確定這個店，然后將周圍的區(qū)域化作目標區(qū)域，然后選擇，用做為目標右下角，然后和這個圖像的位置確定為1，推導出可能存在的區(qū)域。

2.4 邊緣檢測

這種算法其實是在邊界信息還沒有的前提下進行邊緣檢測，根據(jù)背景灰度值不同的情況進行不連續(xù)的反映，然后考察每個像素內(nèi)灰度的不同，用變化值進行檢查信息的變化，然后根據(jù)像素內(nèi)灰度的變化，確定圖像的情況，這種方式就是邊緣檢測的算子方法。

2.4.1 邊緣檢測算子種類

（1）對于邊緣檢測的算法來說，需要運用梯度幅度最大的方式進行邊緣取界，然后運用不同圖像中的像素進行運算，確定閾值進行邊緣檢測。

（2）對于第二種算法Ravret算子來說，這是二階微分子算法的代表，運用零點運算的方式進行及核算運算方式，效率更高，同時閾值邊緣選取的方式更合理。

（3）還有一種算法是最佳的算法，就是運用這種方式可以實現(xiàn)紅外圖像的邊緣計算的方式，當前最常用的是Gandy算子，這種方式是運用高斯函數(shù)進行圖像處理的，羽化能力較強，能起到圖像降噪的想過，可以處理一些圖像邊緣的問題，并且通過微分的原理可以實現(xiàn)高斯的模塊算法，通過這種方式實現(xiàn)邊緣強度和梯度的確定

2.4.2 實驗分析

在速度方面，對于一個圖像，各檢測算子計算量見表1。

對于這種算子方法，對于圖像邊緣的定位要求很高，同時還要注意檢測噪聲的預測能力，因為圖像本身的定位和抑制能力就是相互矛盾的，而對于紅外圖像的算法來說，圖像邊緣要有較強的定位能力，同時還有較強的抵抗噪聲的能力，有一定的抗干擾能力，對于Sobel算子來說，算法參數(shù)的選擇將直接影響到噪聲的抵抗能力，具體展開來說，算子具有以下特點[5]。

（1）Sobel算子和prdteo算子。這種算子是對圖像能起到很好地過濾作用，通過過濾，實現(xiàn)圖像平滑部分和噪聲部分的差別離析，還可以抵抗噪聲的干擾，對于檢測結果中出現(xiàn)的偽平滑邊緣來說更是需要有兩個算子邊緣定位和保存，這種算子方法對于背景灰度值有較好的處理方法，并且可以讓有噪聲干擾的圖像有更好的計算結果。

（2）對于Ravret算子來說，運用算子之間的差別進行圖像邊緣尋找是有一定的優(yōu)點的，并且邊緣的定位越明顯，測量的精度越高，但是這種算法很容易讓圖像的一個邊緣丟失，并且在沒有實現(xiàn)邊緣算法的前提下，沒有經(jīng)過噪聲處理，因此，這種算法對于噪聲影響較低的圖像計算較為準確，也更適用。

（3）Lapplan算子：這種算子屬于第二階段的算子，并且圖像中如果屬于邊緣型定位的話那么圖像旋轉(zhuǎn)就要帶有一定的方向性，避免算子信息丟失，而對于檢測邊緣的灰度梯度值的差異，不用考慮。只要關心邊緣信息的檢測就可以，這種算子的方式可以對于圖像單獨的像素進行檢驗，并且精度更高，但是只適合沒有噪聲干擾的圖像，如果存在噪聲干擾，那么必須首先采用低通濾波，并且要確保檢測是屋頂型圖像邊緣中運用的。

（4）Gandy算子，這種方式是運用高斯函數(shù)進行圖像處理的，羽化能力較強，能起到圖像降噪的想過，可以處理一些圖像邊緣的問題，上述幾種算子的運用結果如圖3所示。

我們可以根據(jù)上面這四種算法的優(yōu)點和缺點進行總結，Sobel算子有兩種檢測方式：一種水平方向；一種垂直方向，如圖4所示。

3 結語

對于紅外圖像運動目標的檢測方法本身就是一個復雜的工作，同時要求也很高，本文首先介紹了通過運動目標測量方法：基于特征的運算方法、光流場的檢測方法以及Sobel算子的檢測方法，由此對比出了紅外圖像運動物體檢測的最佳辦法，快速高效，且運算的準確度較高，這樣運用Sobel 算子進行圖像邊緣的檢測算法，可以實現(xiàn)幀間差的方法分離，降低圖像噪聲的影響，對于確定船舶的位置有很好的幫助。

傳統(tǒng)的算法與當前采用Sobel算子算法有著根本的不同，首先Sobel算子具有更廣闊的實用性，對于運動物體的圖像確認有著準確快速簡便的特點，并且可以克服噪聲干擾，幫助人們定位船舶的位置和距離，對于背景較為復雜的圖像來說，定位動靜結合，十分準確。

當前對于運動的物體檢主要基于動態(tài)和靜態(tài)兩種背景進行檢測，但是采用本次算法Sobel算子有一定的局限性，也就是所有的物體背景要在靜態(tài)背景中進行檢測，如果要突破這種局限讓檢測可以推廣到動態(tài)檢測中去，就要加上圖像配準的問題，方便圖像檢測。

參考文獻

[1] 李宏貴，李興國，李國楨，等.基于分形特征的紅外圖像識別方法[J].紅外與激光工程，1999，28（1）：22-26.

[2] 姜錦鋒.紅外圖像的目標檢測、識別與跟蹤技術研究[D].西北工業(yè)大學，2004.

[3] 徐向輝.紅外圖像目標檢測與跟蹤研究[D].北京：北京理工大學，2001.

[4] 何斌，馬天予，王運堅.數(shù)字圖像處理[M].北京人民郵電出版社，2002.

[5] Fujivoshi H and Lipton A.Real-time human motion analvsis bv image skeletonization.In Proceedings of the IEEE Workshop on Applications of Computer Vison，1998.

[6] 曹炬一，譚毅華，馬杰，等.從移動背景紅外序列圖像中檢測運動目標[J].電子與信息學報，2005（1）：43-46.

[7] 柯澤堅，江漢紅，張朝亮.時空域結合的紅外弱小運動目標檢測新方法[J].儀器儀表學報，2013（6）：202-206.