一種基于DSP的實時圖像處理仿真技術

屈東坡

(棗莊科技職業學院，山東 棗莊277500)

0 引 言

海上作戰中，對對方運動艦船的定位與跟蹤是制勝關鍵。在軍事圖像處理領域，基于移動背景下的運動目標物跟蹤檢測也是一個重要分支，這些算法通過對海上艦隊視頻圖像實時監控，實現移動背景下移動船艦的檢測﹑定位，在此基礎上，進一步對對方艦隊進行自動跟蹤，實現鎖定對方船艦。

經過幾十年研究，現已經發展出如光流法、背景減除法、幀間差分法［1－3］等一系列比較成熟的算法，并在實際系統得到應用。但對于現有算法，還面臨著一些比較辣手的問題，如對于運動目標物移動速度過快過慢﹑光線及陰影造成的折射反射等都會對識別精度造成影響。

本文利用小波變換中［4－5］分辨率高的特性，提出了一種小波更新背景框圖的目標運動檢測算法，利用小波的多高分辨率提升視頻序列幀中背景圖像的精度。同時，對背景圖像的框架抽取，在圖像頻域中利用了對時域的采樣計算，并結合了模糊匹配，減少了現行算法復雜度，對圖像的實時性能更加突出。最后設計了基于多核DSP的實時圖像處理系統，實驗表明，此算法能夠有效的識別目標運動物。

1 常用運動目標檢測法

運動目標檢測法現階段主要有光流法、幀間差分法及背景減除法3 種。由于本文以背景減除法為基礎，這里重點介紹背景減除法原理以及分析它的應用場景及利弊。

背景減除法是對當前時刻視頻圖像與此刻更新的背景模板進行對比，從而捕獲視頻圖像中的運動目標物［6］。在簡單背景減除法的背景上，基于對背景模板的更新方式不同，已發展出單高斯法、混合高斯法、W4 模型法、均值濾波法及內核密度估計法。

背景減除法分為預處理、背景建模、目標檢測3個階段。其中相比較于其他目標檢測法背景建模是其核心所在。背景建模既要使其對環境變化足夠敏感，也要對運動目標物有足夠的區分度。

算法實現:將連續獲取的視頻圖像按時間進行排序，設當前時刻圖像為背景模板bk，而視頻圖像幀為fk，則做差分運算，公式如下:

式中:fk(i，j)為視頻圖像在坐(i，k)的灰度值;bk(i，j)為視頻圖像在(i，j)的灰度值;Dk(i，j)為差分后的絕對值。Dk(i，j)做如下判斷:

式中k 為預設閥值。若Dk(i，j)大于閥值，則坐標點位置(i，j)為目標運動物，否則為背景像素。算法實現流程如圖1所示。

圖1 背景減除法流程圖Fig.1 The flow chart of background subtraction

根據實驗結果可知，背景減除法能夠迅速檢測出場景中的運動目標，而且計算量較小，便于實現，但是如圖2所示其所提取的物體邊界不完整，且物體內部有比較大的空洞，其次海面光線的反射折射現象以及海浪的移動等都會對目標船艦的檢測造成誤差。如圖2所示，中間白色區域就是由海浪移動造成的檢測誤差。目前，提出混合高斯法、W4 模型法、均值濾波法及內核密度估計法等來改變背景模型，使之性能得到改善。

圖2 背景減除法檢測結果圖Fig.2 The detection result of background subtraction

2 小波更新背景框圖目標檢測法

利用小波變換對圖像框架進行提取是Sweldens等人率先提出的。與傳統方法不同，它利用二重采樣對原始圖片信號奇偶剖析，后進行過濾處理。它的原理如圖3所示。

圖3 二維小波變換更新背景流程Fig.3 The background updating chat of 2D wavelet transform

2.1 小波對原始圖像序列的變換

原始圖像序列從信號處理角度出發，可以作為一個一維離散采樣數字信號看待，而小波變換基于二維信號，這里作如下設定:含有運動目標物的原始圖像，其相鄰幀圖片在同一位置像素灰度值具有耦合性。因此，由前一幀圖像的像素灰度值可以推出后一幀的，反過來也同樣成立。

小波變換在此假設條件下，對相鄰的原始圖像進行融合變換。設Gk-1(i，j)、Gk(i，k)分別為原始圖像相鄰兩幀在(i，k)點的像素灰度(i=1，2，…，m;j=1，2，…，m)，可用如下矩陣表示:

則 利 用 融 合 合 并Gk-1(i，j)，Gk(i，j)，融 合 后 矩陣為:

然后根據實際需求，選擇修正系數以及預測系數U和P［7］。將融合的圖像矩陣Ak代入設計好修正系數以及預測系數進行小波變化。

2.2 運動目標提取物區域定位

合適的U和P 選擇有利于小波變換，能夠得到模型下運動目標的粗略框架。對于相鄰幀Gk-1(i，j)，Gk(i，j)及融合和矩陣得到圖像頻域(i，k)f。通過時域﹑頻域轉換反映了前后幀的差異，利用ΔE 表示，對于具體位置點(i，j)則表示為ΔE(i，j)。先對此進行初始化處理，可得到目標提取物可能出現的初始位置，公式如下:

式中TΔE為預設的閥值，需要根據具體系統確定，這里按照精確選擇灰度幅值的15%，如一般圖像灰度值為256，則TΔE可設為40 。當Mk(i，j)確定后，即可估算第k 幀中目標運動物可能出現的運動區域，用第表示，步驟如下:

3)如果步驟2 中圓區域沒有匹配成功，則去除前一次估算的運動目標物區域，同時更新η，返回步驟2;如果匹配成功，則進入下一幀的計算，直至所有的運動目標物區域都包含在同一圓內，則停止。

2.3 背景模板的匹配與更新

背景模板的更新與匹配利用當前模板Dk與2.2節獲取的運動目標物框架做歸一化計算，并作為下一時序模板更新的匹配參數。

式中F 為原始圖像背景模板D 在像素點(i，j)的歸一化子圖像。

不考慮此刻其目標物對提取背景的重疊﹑粘連干擾，利用式(4)能很好的使更新后的背景模板匹配運動目標物的初始框架，這是在理想狀態下，如果在t 時刻，背景模板中有新出現的干擾非目標運動物，做如下修改:

為了使背景模板的更新符合實際情況，而不至于在每一幀時刻都進行更新，可計算Δri=ri-1-ri，與閥值進行比較，如果大于閥值，進行模板背景更新，否則繼續利用上一時刻背景模板。

3 基于DSP的實時算法實現

3.1 DSP 軟件系統流程

基于本算法的運動目標檢測軟件主要有3個進程:運動目標物初始定位進程、背景模板更新進程、以及背景差分進程。利用DSP的多進程通信，提高進程執行效率，軟件流程如圖4所示。

圖4 基于DSP的實時算法流程圖Fig.4 The real-time algorithm flow char based on DSP

3.2 仿真結果及分析

對本文新的運動目標檢測算法進行仿真，實驗進行船舶的跟蹤，VGA 640 ×480 像素為30 幀/s，仿真結果如圖5所示。

圖5 新方法與原始背景減除法檢測結果Fig.5 The detection result compared new algorithm with background subtraction

分析實驗:原始的背景減除法在艦船目標檢測時，提取目標船艦中有較大的空洞，目標物檢測結果精確度不高，并且艦船的速度與海面波浪的移動速度之間關聯性高，對檢測結果較易造成干擾，如圖5(b)中間出現的白色區域即為海面波浪移動形成的檢測誤差。小波更新背景框圖檢測法，由于對背景模板定位精度提高，目標運動艦船的提取比較精確，避免了提取框架的變形及空洞;同時較好的避免了海浪造成的干擾。但是，對于海面陽光折射等現象造成的誤差并沒有消除，如圖5(c)右上側的白點，有待于進一步的研究。

4 結 語

本文研究海上移動目標艦隊的檢測跟蹤的算法，著重分析了背景減除法及其利弊。隨后基于小波變換對時域圖像的高分辨率特性，提出了基于小波變換的背景模板更新法，算法利用了相鄰幀圖像的關聯性，對相鄰圖像的灰色度矩陣進行了融合排序，此后利用小波變換估算運動目標物的粗略框架來更新原始圖像的背景模板，提高了算法的精度。最后，設計了基于DSP的系統，通過實驗進一步驗證了本算法的高精度性，同時降低了原背景減除算法復雜度。

［1］COLLINS R，LIPTON A，KANADE T，et al.A system for video surveillance and monitoring.tech.report CMU－RITR－ 00－ 12［R］.Robotics Institute，Carnegie Mellon University，2000.

［2］JOHNSON A，BOBICK A.A multi-view method for gait recognition using static body parameters［C］//Audio－and Video－ Based Biometric Person Authentication.Springer Berlin/Heidelberg，2001:301－311.

［3］范瑩.視頻監控中運動圖像檢測與識別技術的研究［D］.武漢:武漢大學，2003.

［4］MALLAT S.A theory for multiresolution signal decomposition:the wavelet representation［J］.IEEE Transactions on Pattern Analysis and Machine Intellisgence，1989，11(7):674－693.

［5］MALLAT S.Characterization of signals from multi-scale edges［J］.IEEE Transactions on Pattern Analysis and Machine Intellisgence，1992，14(7):710－732.

［6］田曉東，劉忠.基于統計量的聲吶圖像目標檢測算法［J］.艦船科學技術，2007，29(1):118－122.

［7］孟軍，魏同立.數字圖像離散小波變換的原理與硬件實現分析［J］.東南大學學報(自然科學版)，2002，32(6):842－847.

［8］趙高澤，劉定宇.用于運動目標參數估計的互譜定向技術研究［J］.艦船科學技術，1995(1):42－46.

［9］RAMAN R K.Active contour models for object tracking［D］.University of Cambridge Computer Laboratory，Cambridge，UK，2003.

［10］姜偉，田子希，張寶宇.基于當前統計模型的三維空間機動目標跟蹤算法［J］.艦船科學技術，2011，33(12):24－27.