局部背景邊緣干擾下運動視頻完整輪廓檢測方法*

安永志

(內(nèi)蒙古農(nóng)業(yè)大學 體育教學部， 呼和浩特 010018)

隨著計算機技術(shù)的快速發(fā)展，智能化的電子監(jiān)控設(shè)備在人們的生產(chǎn)和生活中的應(yīng)用領(lǐng)域逐漸擴張.尋求有效的方法從監(jiān)控運動視頻中檢測出運動視頻目標輪廓，在安防系統(tǒng)、軍事以及工業(yè)等領(lǐng)域具有重要的應(yīng)用價值[1].受到局部背景邊緣的干擾，運動視頻輪廓圖像邊緣存在較多的毛刺以及獨立點[2].采用相鄰幀差法檢測運動視頻目標輪廓時，無法有效解決局部背景邊緣的干擾問題，獲取的運動視頻輪廓存在殘缺.因此，解決局部背景邊緣干擾問題，獲取完整的運動視頻輪廓，具有重要的應(yīng)用意義.

1 運動視頻粗輪廓檢測

1.1 基于Sobel算子的運動視頻輪廓粗檢測算法模型

采用基于Sobel算子的運動視頻目標輪廓粗檢測算法對運動視頻目標輪廓進行粗檢測，算法模型如圖1所示.從運動視頻中采集連續(xù)的第k幀以及第k+1幀運動圖像，對第k幀進行備份，采用Sobel算子劃分第k幀備份圖像的紋理，獲取同時存在背景目標和運動視頻目標的輪廓圖像A.對第k幀和第k+1幀圖像做差分運算，獲取差分圖像[3].差分圖像內(nèi)目標像素位置和對應(yīng)輪廓圖像A內(nèi)輪廓像素點位置的交集則為運動視頻目標，對圖像A進行二值化操作后，再和差分圖像進行交集運算，能夠獲取運動視頻目標的粗輪廓.

圖1 運動視頻目標粗輪廓檢測算法模型Fig.1 Model for rough contour detection algorithm of moving video target

算法對運動視頻目標輪廓進行粗檢測的過程，是一個從視頻流中采集幀圖像同時重復(fù)運行的過程[4].

1.2 算法過程

算法進行運動視頻目標輪廓的粗檢測過程如下：

1) 采集運動視頻內(nèi)的第k、k+1幀圖像，對這些圖像進行灰度化以及濾波等預(yù)操作；

2) 備份第k幀圖像，為接下來的圖像輪廓采集提供依據(jù)[5]，并設(shè)置該備份圖像是k1；

3) 通過Sobel算子采集備份圖像k1的輪廓線，獲取邊緣紋理圖像A，該圖像中存在運動視頻目標的輪廓；

4) 通過幀間差分法運算第k幀和第k+1幀圖像的差分，獲取運動視頻目標產(chǎn)生的變化范圍[6]，也就是運動視頻目標的差分圖像B；

5) 對紋理圖像A以及差分圖像B實施二值化操作，獲取運動視頻目標的二值化圖像；

6) 若得到的運動視頻目標二值化圖像內(nèi)黑色像素點的邏輯白色是“1"，則計算二值化圖像和差分二值化圖像的交集[7]，該過程是在波動范圍內(nèi)基于相關(guān)的邊緣記錄，獲取運動視頻目標的輪廓范圍，采集運動視頻目標圖像；

7) 針對得到的運動視頻目標圖像實施后操作，過濾其中的噪聲因素以及孤立點，獲取連續(xù)光滑輪廓邊緣，再轉(zhuǎn)到步驟1)重復(fù)進行分析.

2 基于形態(tài)學后處理的運動視頻輪廓精檢測方法

受到局部背景邊緣的干擾，運動視頻目標粗輪廓中存在較多的毛刺以及獨立點，出現(xiàn)斷裂分布狀態(tài).形態(tài)學操作能夠過濾掉運動視頻目標圖像中的噪聲因素，對圖像毛孔進行修補[8]，實現(xiàn)圖像的連通.因此，采用基于形態(tài)學后處理的運動視頻輪廓精檢測方法，對獲取的運動視頻目標粗輪廓圖像進行腐蝕運算和膨脹運算等形態(tài)學操作，獲取完整的運動視頻輪廓.

2.1 腐蝕運算

針對面向獲取的運動視頻目標粗二值圖像輪廓，對其進行腐蝕操作[9]，可確保圖像邊緣向內(nèi)緊縮，其原理為：設(shè)置大小遠遠小于同需要進行腐蝕操作的運動視頻目標圖像的子圖像，將該子圖像當成結(jié)構(gòu)向量，設(shè)置其大小為2×2，將該結(jié)構(gòu)向量內(nèi)的某像素點當成原點，設(shè)置其中的各像素點值為1或者0；通過結(jié)構(gòu)向量對需要進行腐蝕操作的圖像進行遍歷檢索，完成圖像匹配分析[10].獲取一個與結(jié)構(gòu)向量一致的子圖像，其結(jié)構(gòu)向量的像素點是0，在這種情況下，則標識該子圖像與結(jié)構(gòu)向量原點位置相對應(yīng)的像素位置[11]，由全部該種像素構(gòu)成的集合則是二值圖像腐蝕后的結(jié)果.

如果待進行腐蝕操作的圖像為I，結(jié)構(gòu)向量為B，則圖像I被結(jié)構(gòu)向量B腐蝕的表達式為

IΘB={x|(B)x?I}

(1)

式中：x為集合平移的位移量；Θ為腐蝕運算；(B)x為結(jié)構(gòu)平移向量.

采用平移結(jié)構(gòu)向量檢索待進行腐蝕操作圖像的過程中，若獲取與結(jié)構(gòu)向量一致的子圖像，則標識該子圖像內(nèi)結(jié)構(gòu)向量原點的像素位置[12]，全部完成標識的像素集即為腐蝕后的圖像，如圖2所示.

圖2 圖像I的腐蝕操作Fig.2 Corrosion operation for image I

圖2a用于描述需要進行腐蝕化操作的圖像I，其中，各單元格用于描述一個像素點，灰色范圍用于描述前景點.圖2b為結(jié)構(gòu)向量，灰色和黑色范圍是可用結(jié)構(gòu)向量，黑色范圍對應(yīng)的位置是結(jié)構(gòu)向量原點[13].對圖2a進行腐蝕處理，重復(fù)檢索圖像I內(nèi)各點(不包括邊緣點)，若檢索到含有與結(jié)構(gòu)向量一致的子圖像，則將圖像I內(nèi)與結(jié)構(gòu)向量相關(guān)的像素點標識成腐蝕結(jié)果點，獲取的圖像腐蝕結(jié)果如圖2c所示，其中，黑色范圍是腐蝕結(jié)果，灰色范圍被腐蝕掉[14].對比分析圖2a、c可知，圖2a邊緣區(qū)域被過濾掉，并且向內(nèi)縮減.腐蝕處理能夠過濾掉圖像內(nèi)的毛孔，清除圖像中的噪聲.

2.2 膨脹運算

對二值圖像進行膨脹操作可擴展圖像的邊緣，將非連通的兩個圖像塊連接成一個連通塊.圖像膨脹的原理為：設(shè)置某大小遠遠低于待操作圖像的子圖像，將其當成結(jié)構(gòu)向量，設(shè)置其大小為2×2，將結(jié)構(gòu)向量內(nèi)的某像素點當成原點，標識結(jié)構(gòu)向量中各像素位置的值為1或0；通過該結(jié)構(gòu)向量對待操作圖像實施遍歷檢索[15]，若獲取與結(jié)構(gòu)向量交集為非空的像素點，則采集與結(jié)構(gòu)向量原點相對應(yīng)的待操作圖像內(nèi)的像素點，并標識該像素點為前景點.全部完成標識的前景點集為圖像膨脹結(jié)果.

對圖像進行膨脹處理時，如果在圖像中獲取與結(jié)構(gòu)向量交集非空的像素點，則對待操作圖像與結(jié)構(gòu)向量原點位置相對應(yīng)的像素點進行標識，獲取的全部標識點則是膨脹結(jié)果[16]，設(shè)置源圖像為I，B為結(jié)構(gòu)圖像，則I被B膨脹的表達式為

I?B={y|y=k+b，k∈I，b∈B}=Ub∈BIb

(2)

式中：k+b為變量b對特征k進行平移變換后的平移量；y為運算后的二維值；?為膨脹運算；Ub∈B為膨脹后源圖像的平移量；Ib為膨脹后需要進行操作的源圖像.

對運動視頻圖像進行膨脹操作時，如果在圖像中檢索到與結(jié)構(gòu)向量交集非空的點，則采集需要進行操作的圖像內(nèi)與結(jié)構(gòu)向量原點位置對應(yīng)的像素點，并對像素點進行標識，全部被標識的像素點集則是通過膨脹操作后的運動視頻圖像，如圖3所示.

圖3 圖像I的膨脹操作Fig.3 Expansion operation for image I

2.3 改進檢測算法的實現(xiàn)

2.3.1 算法模型

采用Sobel算子采集運動視頻輪廓圖像時，只采用簡單的差分運算對幀圖像進行差分分析，使得獲取的運動輪廓圖像存在較高的噪聲.受到局部背景邊緣的干擾，差分運算獲取的圖像邊緣較為粗糙，存在較多的毛刺以及獨立點.局部背景邊緣干擾使得采集出的運動視頻目標圖像輪廓拓撲形狀寬窄不定，呈現(xiàn)斷裂的分布狀態(tài).因此，為了解決局部背景邊緣的干擾，采用基于形態(tài)學后處理的運動視頻目標輪廓檢測算法，獲取更為完整的運動視頻輪廓.先通過腐蝕算法去除圖像中的噪聲，再通過膨脹運算擴張圖像邊緣，對圖像中的毛孔以及連接范圍間的孔洞進行修補，通過高速并行細化算法采集圖像的骨架，算法模型如圖4所示.

圖4 運動視頻目標輪廓檢測算法模型Fig.4 Model for contour detection algorithm of moving video object

2.3.2 算法過程和偽代碼

基于數(shù)學形態(tài)學后處理的運動視頻目標輪廓采集算法，將Sobel算法獲取的運動視頻目標粗輪廓圖像當成輸入圖像，獲取運動視頻目標輪廓的具體過程如下：

1) 將圖像I當成輸入圖像，采用結(jié)構(gòu)向量對輸入圖像I進行腐蝕運算，清除尺寸為2的直線毛刺，將大小為2×2的“L”型毛刺以及田字型毛刺作為單個像素點進行削減處理，獲取圖像E；

2) 采用尺寸為3×3的結(jié)構(gòu)向量對圖像E進行兩次膨脹處理，確保被腐蝕的圖像I在第一次膨脹處理后向外延伸一像素寬度，在第二次膨脹處理后向外延伸一像素寬度，提升圖像的連通性，獲取圖像D；

3) 采用高速并行細化算法對圖像D進行細化處理，采集圖像的骨架，得到骨架連通性高、線條平滑的運動視頻目標輪廓圖像.

行政事業(yè)單位的內(nèi)部控制體制應(yīng)該以《行政事業(yè)單位內(nèi)部控制規(guī)范 (試行)》為核心依據(jù)，結(jié)合各單位的實際發(fā)展和員工構(gòu)成情況，從每個細節(jié)入手，全面落實內(nèi)部控制的各項內(nèi)容。首先，單位應(yīng)該建立內(nèi)部控制標準，通過這個標準的約束力實施檢測員工的工作情況和部門的運行情況，在整個行政事業(yè)單位實行體制化的管理模式?？茖W的內(nèi)部控制管理體系應(yīng)該遵循我國當前經(jīng)濟發(fā)展的狀況，把握國家政策方針，以培養(yǎng)員工積極性和內(nèi)控意識為出發(fā)點，按照當今環(huán)境的需求進行改革工作。

依據(jù)上述分析過程，實現(xiàn)該算法的偽代碼如下：

Begin

do加載實施運動視頻目標檢測后的二值結(jié)構(gòu)圖像I；

fori=1：height

forj=1：weidth

do檢索二值結(jié)果圖像I內(nèi)各像素點，通過結(jié)構(gòu)向量對圖像I進行腐蝕處理，按照腐蝕結(jié)果在字典矩陣A內(nèi)存儲1和0(1用于描述該點是白色前景點)；

endfor

do按照字典矩陣A檢索二值結(jié)果圖像，并進行賦值操作，獲取腐蝕圖像E；

whilecount<2 //count用于存儲膨脹值，原始值為0

fori=1：height

forj=1：weidth

do檢索操作后的結(jié)果圖像內(nèi)的各像素值，采用結(jié)構(gòu)向量實施膨脹處理，按照處理結(jié)果在字典矩陣A內(nèi)存儲1和0；

endfor

endfor

docount=count+1

endwhile// 設(shè)置兩次膨脹處理后獲取的圖像為D

do通過高速并行細化算法采集圖像D的骨架，獲取細化后的運動視頻目標圖像R；

end

3 實驗分析

通過實驗驗證本文方法的性能，實驗環(huán)境為windowsXP操作系統(tǒng)，并配備一個監(jiān)控攝像頭、一臺筆記本，采用VisualC++語言設(shè)計相關(guān)程序.

3.1 檢測結(jié)果分析

實驗采用本文方法檢測運動視頻目標粗輪廓圖像，采用Sobel算子對圖5a、b進行操作后，獲取的運動視頻目標粗輪廓圖像如圖5c所示.而采用幀差分法對圖5b進行處理后，獲取的結(jié)果如圖5d所示.采用圖5d可實現(xiàn)運動視頻目標的初步識別，因此，對邊緣輪廓圖像以及差分圖像進行二值化處理，結(jié)果如圖5e、f所示，最終的檢測結(jié)果如圖5g所示.

圖5 改進方法下輪廓粗檢測實驗Fig.5 Rough contour detection experiment under improved method

可以看出，圖像的邊緣輪廓存在較多的毛刺和孤立點，不夠清晰、完整.采用相鄰幀差法時，在進行粗檢測過程中，因周圍環(huán)境因素的影響，出現(xiàn)輪廓不清楚，外加干擾過多，輪廓粗且不精細等問題，結(jié)果如圖6所示.

圖6 相鄰幀差法下輪廓粗檢測Fig.6 Rough contour detection based on adjacent frame difference method

將實驗獲取的運動視頻目標粗輪廓檢測結(jié)果當成形態(tài)學后處理的運動視頻目標輪廓精檢測實驗的原始圖，對其進行腐蝕操作，結(jié)果如圖7所示.

由圖7可知，為了處理腐蝕產(chǎn)生的圖像像素塊邊緣縮減現(xiàn)象，需要進行一次膨脹操作，結(jié)果如圖7c所示.分析圖7a、c可知，通過一次腐蝕和一次膨脹操作，處理掉了運動汽車圖像中的毛刺，使圖像更為連通，而圖像通過二次膨脹操作后可使圖像的連通性更強，不存在斷裂問題.采用骨架采集方法獲取的精準運動視頻目標輪廓圖像如圖7e所示，可以看出最終獲取的運動視頻目標輪廓圖像線條更為平滑，圖像更為完整.采用傳統(tǒng)相鄰幀差法時，輪廓特征量少，且檢測點不全，導致輪廓不顯著，檢測結(jié)果精度差，適用性差，不適合高精度檢測使用，如圖8所示.

3.2 檢測效率分析

對比分析采用本文方法和相鄰幀差法進行運動視頻目標輪廓檢測的運行效率，結(jié)果如圖9所示.由圖9可知，在運動視頻特征量變化的情況下，采用傳統(tǒng)相鄰幀差法時，其檢測率一直處于不穩(wěn)定的狀態(tài)，最高時達到了78.8%，但多處出現(xiàn)波動，忽高忽低，穩(wěn)定性較差；采用改進方法時，隨著視頻特征量的變化，檢測效率逐漸增加，且最高達到了99.1%，相比傳統(tǒng)相鄰幀差法提高了20.3%，且只有3處出現(xiàn)波動，穩(wěn)定性相比傳統(tǒng)相鄰幀差法要好得多，說明本文方法極大地提高了運動視頻完整輪廓檢測的效率，具有一定的實用性及優(yōu)越性.

圖7 改進方法下輪廓精檢測實驗Fig.7 Contour fine detection experiment under improved method

圖8 相鄰幀差法下輪廓精檢測Fig.8 Fine contour detection based on adjacent frame difference method

4 結(jié) 論

本文提出了一種新的局部背景邊緣干擾下運動視頻完整輪廓檢測方法，基于Sobel算子的運動視頻目標輪廓檢測算法獲取運動視頻目標的粗輪廓，利用形態(tài)學后處理的運動視頻目標輪廓精提取算法獲取運動視頻目標的完整輪廓.分析實驗檢測結(jié)果可以看出，本文方法能夠檢測出完整、準確的運動視頻目標輪廓，具有較高的檢測效率.

圖9 兩種方法檢測效率對比Fig.9 Comparison in detection efficiency between two methods