基于改進三幀差法的微小目標運動軌跡檢測方法研究

孫清濤，趙欣悅，張曉萌

（沈陽理工大學(xué)自動化與電氣工程學(xué)院，遼寧 沈陽110159）

0 引言

激光廣泛應(yīng)用于工業(yè)測量和軍事目標的準確對抗。在激光應(yīng)用領(lǐng)域，激光點檢測和跟蹤技術(shù)起著至關(guān)重要的作用。激光光斑作為沒有明顯特征和紋理的點通常被淹沒在復(fù)雜的背景中并且難以檢測。因此，跟蹤和檢測這種小目標的激光點被認為是一項艱巨的挑戰(zhàn)。

近年來，檢測激光點類型的微小目標的方法的主要有光流法[1-3]、幀間差分法[4]和背景差分法[5，6]。但是光流法不能定位運動目標輪廓，需要使用其他算法來定位目標。這將使計算任務(wù)對于具有大量計算的光流方法更加沉重[7]。背景差分法計算量很大，通常需要2～3個小時才能更新背景，無法實時更新。幀差分方法具有計算量小，實時性強等優(yōu)點，常用于檢測物體。但是，兩幀差分法檢測激光點會產(chǎn)生很多噪聲。

因此，本文提出了一種將三幀差分[8]方法與顏色閾值分割相結(jié)合的新算法。利用三幀差分法檢測運動激光點可以有效降低噪聲，然后在HSV（Hue，Saturation，Value）顏色空間中使用顏色閾值分割方法。通過干涉檢測到的其他移動物體被移除以獲得激光軌跡的連續(xù)和完整坐標。實踐證明，該算法對快速移動激光點的檢測效果非常好，完全滿足工業(yè)等行業(yè)的要求。利用了Visual Studio軟件平臺中的OpenCV實現(xiàn)。

1 改進的三幀差法

針對幀間差分中目標快速運動時的誤檢測目標區(qū)域的空洞問題，在對圖像進行預(yù)處理之后，使用改進的幀差異即三幀差異來檢測移動目標。對于攝像機靜止時拍攝的視頻序列，對第一個k幀和k-1幀圖像進行平滑處理，然后使用幀間差分的方法進行幀減法。從第k幀圖像中減去k-1幀圖像以獲得二值圖像。公式表示為：

其中，T是預(yù)設(shè)閾值，可根據(jù)經(jīng)驗選擇。如果T選擇得太大，那么目標的檢測可能是一個較大的空洞甚至是漏檢，如果T選擇太小，會有很多噪聲。然而，由幀間差分法檢測的運動目標包含兩幀中的運動信息，從而檢測到更多目標點。為了改善幀差分方法的不足，提出了三幀差分方法。

三幀差分方法首先平滑圖像的三個連續(xù)幀，然后分別執(zhí)行幀差分處理。從k幀圖像中減去k-1幀圖像以獲得二值圖像D1（x，y）從第k圖像中減去第k圖像以獲得二值圖像D2（x，y）。最后，AND操作的結(jié)果是 D1（x，y）和 D2（x，y）圖像 D（x，y），公式表示為：

2 實驗方法

將室內(nèi)激光點檢測作為微小目標，在不同環(huán)境背景和速度情況下進行算法實現(xiàn)。其中算法實現(xiàn)流程如下：

（1）通過攝像頭采集紅外激光筆射出的激光在不同環(huán)境背景和不同速度情況下的激光點視頻圖像。

（2）將采集到的視頻圖像應(yīng)用均值濾波器進行預(yù)處理，去除圖像采集過程中的環(huán)境噪聲。均值濾波方法是：對待處理的當前像素，選擇一個模板，該模板為其鄰近的若干個像素組成，用模板的均值來替代原像素的值的方法。因此可以幫助消除圖像尖銳噪聲。

（3）應(yīng)用改進的三幀差分法進行激光點的粗檢測和運動軌跡跟蹤。

（4）將檢測到的激光點以1.5倍分辨率進行目標選定。從RGB（Red、Green、Blue）顏色空間轉(zhuǎn)換到HSV顏色空間，進行目標的精確識別。

應(yīng)該注意的是，通常的三幀差法每三幀處理一次，但這將失去視頻中三分之一的信息。在本文中，使用移動窗口來讀取三幀視頻，每次讀取窗口后向下移動一幀。視頻信息不會因此而丟失，如圖1所示。

圖1 三幀差分方法

在三幀差分方法得到二值化圖像后，使用邊緣檢測和輪廓檢測來定位動態(tài)目標。由于檢測目標是小型目標，因此對識別的輪廓畫出最小外接圓，用圓心坐標代替目標的位置，半徑代替目標的大小。

在確定動態(tài)目標的位置后，在原始圖像的對應(yīng)位置對檢測到的目標進行顏色識別。在HSV顏色空間中確定每一個目標的顏色、飽和度、明度，濾除掉不符合要求的目標。最后留下的就是所需檢測到的目標。

3 仿真分析

本實驗分別比較了HSV顏色空間中使用顏色（H）、明度（V）、顏色與明度組合（H&V）三種閾值模式下的不同去噪效果。由于在該實驗中噪聲的飽和度和測試對象的飽和度（S）沒有顯著差異，因此該實驗不測試飽和度。

在強光和弱光條件下，在兩組實驗視頻中進行實驗。每組包含一個只有激光點的視頻和一個只有噪音的視頻如圖2、圖3。改變限制目標的閾值范圍，運行算法的過程中用計數(shù)器記錄可識別到的總數(shù)（N總）和可濾除的噪點數(shù)（n濾除或n未識別）。并進行統(tǒng)計，該范圍下算出：

計算結(jié)果如表1～表4所示。

圖2 噪音視頻（圖中綠色點）

表1 H-閾值模式檢測效果

表2 V閾值模式檢測效果

表3 黑暗環(huán)境中的H＆V閾值模式檢測效果

表4 明亮環(huán)境中的H＆V閾值模式檢測效果

從上表可以看出：

1）與Hue和Value的綜合利用相比，只有Hue值用于去噪，去噪能力和識別率都略有下降。這可能是由于少量噪聲在有限的顏色范圍內(nèi)。

2）當僅使用Value值時，雖然識別率會相對增加，但噪聲會顯著增加，尤其是在明亮的環(huán)境中。這是因為僅使用Value值不會消除高光噪聲

3）隨著閾值的不斷提高，雖然識別率會繼續(xù)上升，但去噪能力也會明顯降低，達到一定限度后，噪音會明顯增加。同樣，如果不斷縮小閾值并達到某個閾值，識別率將急劇下降。經(jīng)過上述數(shù)據(jù)表明，亮度和顏色的共同區(qū)別將使最佳的噪聲去除效果幾乎不影響識別目標的需要。

4 結(jié)束語

本文采用一種新的識別小物體的方法，即采用改進的三幀差分法檢測運動目標。在確定目標位置之后，使用顏色識別來消除干擾。在一定程度上，該方法解決了三幀差分方法無法區(qū)分被檢測物體是否為被測目標的問題。該算法的特點是計算量小，應(yīng)用范圍廣泛。大量實驗結(jié)果表明，本文算法具有很強的適用性。