局部背景邊緣干擾下運(yùn)動(dòng)視頻完整輪廓檢測方法*

安永志

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

隨著計(jì)算機(jī)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(kuò)張.尋求有效的方法從監(jiān)控運(yùn)動(dòng)視頻中檢測出運(yùn)動(dòng)視頻目標(biāo)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(jià)值[1].受到局部背景邊緣的干擾，運(yùn)動(dòng)視頻輪廓圖像邊緣存在較多的毛刺以及獨(dú)立點(diǎn)[2].采用相鄰幀差法檢測運(yùn)動(dòng)視頻目標(biāo)輪廓時(shí)，無法有效解決局部背景邊緣的干擾問題，獲取的運(yùn)動(dòng)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(yùn)動(dòng)視頻輪廓，具有重要的應(yīng)用意義.

1 運(yùn)動(dòng)視頻粗輪廓檢測

1.1 基于Sobel算子的運(yùn)動(dòng)視頻輪廓粗檢測算法模型

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

圖1 運(yùn)動(dòng)視頻目標(biāo)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(yùn)動(dòng)視頻目標(biāo)輪廓進(jìn)行粗檢測的過程，是一個(gè)從視頻流中采集幀圖像同時(shí)重復(fù)運(yùn)行的過程[4].

1.2 算法過程

算法進(jìn)行運(yùn)動(dòng)視頻目標(biāo)輪廓的粗檢測過程如下：

1) 采集運(yùn)動(dòng)視頻內(nèi)的第k、k+1幀圖像，對這些圖像進(jìn)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(yùn)動(dòng)視頻目標(biāo)的輪廓；

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

5) 對紋理圖像A以及差分圖像B實(shí)施二值化操作，獲取運(yùn)動(dòng)視頻目標(biāo)的二值化圖像；

6) 若得到的運(yùn)動(dòng)視頻目標(biāo)二值化圖像內(nèi)黑色像素點(diǎn)的邏輯白色是“1"，則計(jì)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(dòng)范圍內(nèi)基于相關(guān)的邊緣記錄，獲取運(yùn)動(dòng)視頻目標(biāo)的輪廓范圍，采集運(yùn)動(dòng)視頻目標(biāo)圖像；

7) 針對得到的運(yùn)動(dòng)視頻目標(biāo)圖像實(shí)施后操作，過濾其中的噪聲因素以及孤立點(diǎn)，獲取連續(xù)光滑輪廓邊緣，再轉(zhuǎn)到步驟1)重復(fù)進(jìn)行分析.

2 基于形態(tài)學(xué)后處理的運(yùn)動(dòng)視頻輪廓精檢測方法

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

2.1 腐蝕運(yùn)算

針對面向獲取的運(yùn)動(dòng)視頻目標(biāo)粗二值圖像輪廓，對其進(jìn)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(yuǎn)遠(yuǎn)小于同需要進(jìn)行腐蝕操作的運(yùn)動(dòng)視頻目標(biāo)圖像的子圖像，將該子圖像當(dāng)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(diǎn)當(dāng)成原點(diǎn)，設(shè)置其中的各像素點(diǎn)值為1或者0；通過結(jié)構(gòu)向量對需要進(jìn)行腐蝕操作的圖像進(jìn)行遍歷檢索，完成圖像匹配分析[10].獲取一個(gè)與結(jié)構(gòu)向量一致的子圖像，其結(jié)構(gòu)向量的像素點(diǎn)是0，在這種情況下，則標(biāo)識該子圖像與結(jié)構(gòu)向量原點(diǎn)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(jìn)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(dá)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(yùn)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(jìn)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(biāo)識該子圖像內(nèi)結(jié)構(gòu)向量原點(diǎn)的像素位置[12]，全部完成標(biāo)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(jìn)行腐蝕化操作的圖像I，其中，各單元格用于描述一個(gè)像素點(diǎn)，灰色范圍用于描述前景點(diǎn).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(diǎn)[13].對圖2a進(jìn)行腐蝕處理，重復(fù)檢索圖像I內(nèi)各點(diǎn)(不包括邊緣點(diǎn))，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(diǎn)標(biāo)識成腐蝕結(jié)果點(diǎn)，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(yùn)算

對二值圖像進(jìn)行膨脹操作可擴(kuò)展圖像的邊緣，將非連通的兩個(gè)圖像塊連接成一個(gè)連通塊.圖像膨脹的原理為：設(shè)置某大小遠(yuǎn)遠(yuǎn)低于待操作圖像的子圖像，將其當(dāng)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(diǎn)當(dāng)成原點(diǎn)，標(biāo)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(shí)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(diǎn)，則采集與結(jié)構(gòu)向量原點(diǎn)相對應(yīng)的待操作圖像內(nèi)的像素點(diǎn)，并標(biāo)識該像素點(diǎn)為前景點(diǎn).全部完成標(biāo)識的前景點(diǎn)集為圖像膨脹結(jié)果.

對圖像進(jìn)行膨脹處理時(shí)，如果在圖像中獲取與結(jié)構(gòu)向量交集非空的像素點(diǎn)，則對待操作圖像與結(jié)構(gòu)向量原點(diǎn)位置相對應(yīng)的像素點(diǎn)進(jìn)行標(biāo)識，獲取的全部標(biāo)識點(diǎn)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(dá)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(jìn)行平移變換后的平移量；y為運(yùn)算后的二維值；?為膨脹運(yùn)算；Ub∈B為膨脹后源圖像的平移量；Ib為膨脹后需要進(jìn)行操作的源圖像.

對運(yùn)動(dòng)視頻圖像進(jìn)行膨脹操作時(shí)，如果在圖像中檢索到與結(jié)構(gòu)向量交集非空的點(diǎn)，則采集需要進(jìn)行操作的圖像內(nèi)與結(jié)構(gòu)向量原點(diǎn)位置對應(yīng)的像素點(diǎn)，并對像素點(diǎn)進(jìn)行標(biāo)識，全部被標(biāo)識的像素點(diǎn)集則是通過膨脹操作后的運(yùn)動(dòng)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(jìn)檢測算法的實(shí)現(xiàn)

2.3.1 算法模型

采用Sobel算子采集運(yùn)動(dòng)視頻輪廓圖像時(shí)，只采用簡單的差分運(yùn)算對幀圖像進(jìn)行差分分析，使得獲取的運(yùn)動(dòng)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(yùn)算獲取的圖像邊緣較為粗糙，存在較多的毛刺以及獨(dú)立點(diǎn).局部背景邊緣干擾使得采集出的運(yùn)動(dòng)視頻目標(biāo)圖像輪廓拓?fù)湫螤顚捳欢ǎ尸F(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(xué)后處理的運(yùn)動(dòng)視頻目標(biāo)輪廓檢測算法，獲取更為完整的運(yùn)動(dòng)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(yùn)算擴(kuò)張圖像邊緣，對圖像中的毛孔以及連接范圍間的孔洞進(jìn)行修補(bǔ)，通過高速并行細(xì)化算法采集圖像的骨架，算法模型如圖4所示.

圖4 運(yùn)動(dòng)視頻目標(biāo)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(xué)形態(tài)學(xué)后處理的運(yùn)動(dòng)視頻目標(biāo)輪廓采集算法，將Sobel算法獲取的運(yùn)動(dòng)視頻目標(biāo)粗輪廓圖像當(dāng)成輸入圖像，獲取運(yùn)動(dòng)視頻目標(biāo)輪廓的具體過程如下：

1) 將圖像I當(dāng)成輸入圖像，采用結(jié)構(gòu)向量對輸入圖像I進(jìn)行腐蝕運(yùn)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(gè)像素點(diǎn)進(jìn)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(jìn)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(xì)化算法對圖像D進(jìn)行細(xì)化處理，采集圖像的骨架，得到骨架連通性高、線條平滑的運(yùn)動(dòng)視頻目標(biāo)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(shí)際發(fā)展和員工構(gòu)成情況，從每個(gè)細(xì)節(jié)入手，全面落實(shí)內(nèi)部控制的各項(xiàng)內(nèi)容。首先，單位應(yīng)該建立內(nèi)部控制標(biāo)準(zhǔn)，通過這個(gè)標(biāo)準(zhǔn)的約束力實(shí)施檢測員工的工作情況和部門的運(yùn)行情況，在整個(gè)行政事業(yè)單位實(shí)行體制化的管理模式。科學(xué)的內(nèi)部控制管理體系應(yīng)該遵循我國當(dāng)前經(jīng)濟(jì)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(diǎn)，按照當(dāng)今環(huán)境的需求進(jìn)行改革工作。

依據(jù)上述分析過程，實(shí)現(xiàn)該算法的偽代碼如下：

Begin

do加載實(shí)施運(yùn)動(dòng)視頻目標(biāo)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(diǎn)，通過結(jié)構(gòu)向量對圖像I進(jìn)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(diǎn)是白色前景點(diǎn))；

endfor

do按照字典矩陣A檢索二值結(jié)果圖像，并進(jìn)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(shí)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(xì)化算法采集圖像D的骨架，獲取細(xì)化后的運(yùn)動(dòng)視頻目標(biāo)圖像R；

end

3 實(shí)驗(yàn)分析

通過實(shí)驗(yàn)驗(yàn)證本文方法的性能，實(shí)驗(yàn)環(huán)境為windowsXP操作系統(tǒng)，并配備一個(gè)監(jiān)控?cái)z像頭、一臺筆記本，采用VisualC++語言設(shè)計(jì)相關(guān)程序.

3.1 檢測結(jié)果分析

實(shí)驗(yàn)采用本文方法檢測運(yùn)動(dòng)視頻目標(biāo)粗輪廓圖像，采用Sobel算子對圖5a、b進(jìn)行操作后，獲取的運(yùn)動(dòng)視頻目標(biāo)粗輪廓圖像如圖5c所示.而采用幀差分法對圖5b進(jìn)行處理后，獲取的結(jié)果如圖5d所示.采用圖5d可實(shí)現(xiàn)運(yùn)動(dòng)視頻目標(biāo)的初步識別，因此，對邊緣輪廓圖像以及差分圖像進(jìn)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(jìn)方法下輪廓粗檢測實(shí)驗(yàn)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(diǎn)，不夠清晰、完整.采用相鄰幀差法時(shí)，在進(jìn)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(xì)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(shí)驗(yàn)獲取的運(yùn)動(dòng)視頻目標(biāo)粗輪廓檢測結(jié)果當(dāng)成形態(tài)學(xué)后處理的運(yùn)動(dòng)視頻目標(biāo)輪廓精檢測實(shí)驗(yàn)的原始圖，對其進(jìn)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(jìn)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(yùn)動(dòng)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(qiáng)，不存在斷裂問題.采用骨架采集方法獲取的精準(zhǔn)運(yùn)動(dòng)視頻目標(biāo)輪廓圖像如圖7e所示，可以看出最終獲取的運(yùn)動(dòng)視頻目標(biāo)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(shí)，輪廓特征量少，且檢測點(diǎn)不全，導(dǎo)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(jìn)行運(yùn)動(dòng)視頻目標(biāo)輪廓檢測的運(yùn)行效率，結(jié)果如圖9所示.由圖9可知，在運(yùn)動(dòng)視頻特征量變化的情況下，采用傳統(tǒng)相鄰幀差法時(shí)，其檢測率一直處于不穩(wěn)定的狀態(tài)，最高時(shí)達(dá)到了78.8%，但多處出現(xiàn)波動(dòng)，忽高忽低，穩(wěn)定性較差；采用改進(jìn)方法時(shí)，隨著視頻特征量的變化，檢測效率逐漸增加，且最高達(dá)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(dòng)，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(yùn)動(dòng)視頻完整輪廓檢測的效率，具有一定的實(shí)用性及優(yōu)越性.

圖7 改進(jìn)方法下輪廓精檢測實(shí)驗(yàn)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(yùn)動(dòng)視頻完整輪廓檢測方法，基于Sobel算子的運(yùn)動(dòng)視頻目標(biāo)輪廓檢測算法獲取運(yùn)動(dòng)視頻目標(biāo)的粗輪廓，利用形態(tài)學(xué)后處理的運(yùn)動(dòng)視頻目標(biāo)輪廓精提取算法獲取運(yùn)動(dòng)視頻目標(biāo)的完整輪廓.分析實(shí)驗(yàn)檢測結(jié)果可以看出，本文方法能夠檢測出完整、準(zhǔn)確的運(yùn)動(dòng)視頻目標(biāo)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