基于Sobel算子圖像預處理的目標檢測算法

張琪 王藝 陳兆飛

（中國電子科技集團公司第二十七研究所 河南省鄭州市 450015）

圖像分割技術是圖像處理和計算機視覺等領域中最基本的技術，其效果直接影響著后續圖像處理效果的好壞，更影響著后續目標檢測的準確性。目前圖像分割邊緣檢測技術從思路上大致分為三類：一類是借助于空域差分卷積或類似卷積的運算來實現的方法，如：Roberts 算子、Prewitt 算子、Sobel 算子、Canny 算子等；第二類是從能量的角度考慮以能量最小化為準則的分割算法，有松弛算法、神經網絡分析法、Snake 算法等；第三類是以小波變換為代表的分割算法[1]。但是由于實際圖像中的邊緣類型復雜且實際的圖像中存在不同程度的噪聲，對算法的適應性、穩定性和有效性提出了極大的考驗，因此，傳統的空域卷積算法具有較強的普適性和計算速度快等優勢，因此仍得到了廣泛的應用。

目標檢測的目的是從序列圖像中分割處感興趣的前景目標，并盡可能地抑制背景和前景噪聲，以準確地得到視頻中感興趣的目標區域。運動跟蹤是指在連續的圖像序列中對感興趣的目標進行檢測，以獲得目標的位置、速度、加速度等運動參數，從而在連續的視頻序列中建立起目標的對應關系，為下一步的視頻理解和分析提供可靠的數據。

本文根據實際工程需求，首先采用改進的Sobel 算子對圖像進行預處理，然后對目標檢測閾值進行分析，并通過極大極小策略檢測N×N 像素塊來檢測運動目標，同時根據幀間關聯，確定目標所在ROI 區域，并根據目標運動特征動態更新ROI 區域，以更好的對目標特性進行分析，并進行目標檢測。

1 圖像預處理

1.1 改進的Sobel算子原理[2]

假設連續圖像函數未f(x,y)，函數在(x,y)處的梯度是一個具有方向和大小的梯度矢量，即[3]式中i、j 分別為x 和y 方向的單位矢量?；谔荻鹊乃阕佣际墙⒃谶@一基礎之上，絕大部分梯度算子把(x,y)處的邊緣梯度幅度和方向分別定義為：

而計算出的grad[f(x,y)]值即為圖像的邊緣數據，因為上式是對連續的圖像函數的處理，而在實際應用中，采集的圖像為一定像素大小離散數據，因此在圖像處理中，常用相鄰或間隔像素差分值來代表圖像的邊緣信息。而Sobel 算子是對離散的數據進行加權計算，采用如圖1 的小型卷積模板，利用模板與對應的圖像數據進行卷積來做近似計算，這2 個方向模板分別為水平方向和豎直方向邊緣檢測。

其計算步驟為：

（1）分別將2 個方向模板沿著圖像從一個像素移動到另一個像素，并將模板的中心像素與圖像中的某個位置重合；

圖1：Sobel 算子卷積模板

圖2：目標運動示例

圖3：第N 幀ROI 區域示例

（2）將模板內的系數與其對應的圖像像素相乘；

（3）將模板內所有相乘值相加；

（4）將2 個卷積的最大值賦值給圖像對應模板中心位置的像素值，作為該像素的新灰度值。

改進Sobel 算子實現步驟為：

（1）分別將2 個方向模板沿著圖像從一個像素移動到另一個像素，并將模板的中心像素與圖像中的某個位置重合；

（2）將模板內的系數與其對應的圖像像素相乘并作和，記為SA；

（3）將模板內每項系數與對應像素相乘后，絕對值相加，記為SB；

改進后的sobel 具有更好的抗噪能力，其處理過的圖像特征線與背景的對比度較好，可有效的抑制噪聲對圖像輪廓線的干擾，其隱含的處理結果為將目標圖像進行類似差分處理，對于動目標的檢測提供了很好的基礎。

2 目標檢測

2.1 檢測方法

首先對圖像進行改進的Sobel 算子預處理。由于動目標在圖像中運動時其與周邊像素將產生一定的差值，經過Sobel 算子處理后，目標與圖像背景之間將產生較為明顯的邊界，目標檢測的目的即是快速準確的對目標所在的位置進行判定，并以此為基礎為后續檢測提供基礎，供后續ROI 區域確定。

本文目標檢測主要分為以下步驟：

（1）ROI 區域圖像進行改進Sobel 算子預處理，ROI 區域圖像初始化為整幅圖像；

（2）目標檢測閾值確定；

（3）初始確定目標所在位置，幀間關聯最終判定目標真假；

（4）更新目標位置坐標，幀間關聯目標位置更新目標ROI 區域；

（5）重復步驟1-5。

下面對上述步驟進行詳細描述。

2.2 Sobel圖像預處理

圖像預處理過程主要采用上文介紹的改進Sobel 算子對視頻圖像進行Sobel 算子卷積預處理，預處理后圖像供后續目標檢測；

2.3 目標檢測閾值確定

目標檢測中，閾值的確定關系著目標檢測的準確性和快速性，其閾值應能過濾掉絕大部分的背景像素點，且能保留目標信息。本文閾值確定采用以下公式進行計算；

其中T 為最終計算出的閾值，Mp 為圖像中ROI 區域中最大像素值，θ 為比例因子。

2.4 目標位置確定

本文將通過統計法進行目標位置確定，即通過統計計算超出閾值的目標像素位置的上下左右坐標，進而確定目標形心位置，確定目標位置后，對目標位置進行真假判定，本文使用多幀幀間關聯方法進行判斷，即假設目標在連續運動過程中，其位置不會出現大幅跳動的情況，下一幀的位置將與上N 幀之間具有一定的關系，利用此關系，可對當前檢測的目標位置進行真假判定。這里選擇連續三幀數據進行目標判斷，假設目標運動過程中未出現劇烈跳動，即速度和方向不會出現未知變化，使用歐幾里得距離進行計算，根據置信度來決策當前檢測出的目標是否為所需目標，即以目標上一幀目標位置為圓心，半徑為閾值的2 維圖像上繪制一個圓，目標應在該圓之內，而不應出現在該圓之外。

2.3.5 攪拌速率 攪拌速率會引起溶液反應濃度差而導致質子化轉移，同時也能減少局部溫度過高降低重排幾率。一般不會影響合成的產率，但會使反應得到產品外觀和整體性能有所差異。實驗長鏈烯基A和有機胺B比例為1∶1.2，反應溫度控制在25℃，反應時間6h，催化劑比例為0.25%，實驗結果見圖7。

2.5 ROI區域確定及更新

ROI 區域即圖像處理中的感興趣區域，ROI 區域的確定決定著后續目標處理檢測的效率和準確性。這里主要使用目標運動的位置坐標(x,y)和目標運動的速度Vx,Vy。

圖示如圖2 所示。

定義初始化ROI 區域為：以Rx,Ry 為左上定點，寬度為W，高度為Н 的矩形區域。第N 幀ROI 區域示例如圖3 所示。

如圖4 所示，第N+1 幀ROI 區域更新定義如下：

圖4：第N+1 幀ROI 區域示例

圖5：視頻處理時間統計圖

假設原圖像寬度為L，高度為P。

目標檢測成功時：

目標檢測失敗時，將根據上上幀目標數據進一步擴大更新ROI區域，其策略為以上上幀ROI 區域左頂點為基礎，檢測ROI 區域：

目標檢測成功時：

3 驗證及結果分析

3.1 環境（1）

攝像機分辨：1800*1400 幀：25 幀 攝像機靜止放置，視頻共5564 幀。

從表1、圖5-7 所示，可知，本文算法在處理1800*1400 分辨率的視頻時，首幀處理時間為405ms，目標檢測成功后，其處理時間下降為20ms，同時從表中可看出在3536-3880 幀時，算法處理時間增加為277ms，在3881 幀后，算法處理時間又下降為19ms，分析可知，首幀處理時間較長，其原因為算法處理首幀時，進行全屏檢測，待目標檢測到后，算法自動創建ROI 區域，因此后續檢測時間迅速下降，其處理時間降低為原來的1/20，證明該算法具有較好的處理速度；經觀看視頻分析，在3536-3880 幀時，目標從攝像機視場中消失，在3881 幀時，目標又再次進入攝像機視場中，因此，算法處理時間又下降為19ms，即該算法對于消失在攝像機視場中的目標，當目標再次進入視場后，仍能較好的對目標進行二次檢測跟蹤。

圖6：目標位置x 坐標統計圖

圖7：目標位置y 坐標統計圖

圖8：視頻處理時間統計圖

圖9：目標位置x 坐標統計圖

圖10：目標位置y 坐標統計圖

表1：視頻處理時間統計表

表2：視頻處理時間統計表

3.2 環境（2）

攝像機分辨：2048*2048幀：25攝像機處于晃動過程，視頻共1750 幀。

數據統計圖示如下：

從表2、圖8-10 所示，可知，本文算法在處理2048*2048 分辨率的視頻時，首幀處理時間為687ms，目標檢測成功后，其處理時間下降為34ms，分析可知，首幀處理時間較長，其原因為算法處理首幀時，進行全屏檢測，待目標檢測到后，算法自動創建ROI區域，因此后續檢測時間迅速下降，其處理時間降低為原來的約1/20，說明本文算法對于動態攝像機場景仍具有較好的處理效果。

4 不足和展望

由第3 章節可知，本文算法對靜態或動態環境下目標檢測效果都取得了較好的效果，且算法具有較好的魯棒性，對背景圖像變化不敏感。不足之處為若首幀檢測目標為假目標時，后續檢測將在一個錯誤基礎上開展，對于該問題可使用模板匹配算法或者人工干預進行首幀目標位置確定，后續可針對該問題進行研究。