實時目標(biāo)清晰度檢測在微調(diào)目標(biāo)跟蹤控制應(yīng)用的研究

覃宗選

摘要：本文是研究在目標(biāo)跟蹤過程中，對實時視頻獲取到的監(jiān)控目標(biāo)圖像清晰度的檢測，并微調(diào)控制伺服轉(zhuǎn)臺及監(jiān)控攝像機(jī)，以跟蹤、獲取監(jiān)控目標(biāo)的最佳姿態(tài)和監(jiān)視目標(biāo)最清晰圖像。在實時跟蹤視頻圖像的清晰度檢測中，提出了一種背景提取和Sobel算子清晰度檢測相結(jié)合的方法，采用多幀圖像疊加平均的方法獲取背景圖片，將邊緣檢測中經(jīng)典的Sobel算子應(yīng)用于視頻圖像清晰度檢測，通過視頻圖像清晰度檢測信息結(jié)合微調(diào)補(bǔ)償矩陣控制伺服轉(zhuǎn)臺及監(jiān)控攝像機(jī)。

關(guān)鍵詞：清晰度檢測;微調(diào)目標(biāo)跟蹤;實時視頻圖像;Sobel算子;微調(diào)補(bǔ)償矩陣

引言：在目標(biāo)跟蹤過程中，目標(biāo)實時視頻圖像的質(zhì)量分析 已成為目標(biāo)自動跟蹤系統(tǒng)性能好壞的關(guān)鍵因素之一，因此實時 視頻圖像的清晰度檢測變得尤為重要。目前針對實時視頻圖像 清晰度檢測的研究較少，現(xiàn)有的圖像清晰度檢測算法大致分為 空域和頻域兩類。在空域中多采用基于梯度的算法，如拉普拉 斯算法、差分平方和（SPSMD） 算法、Sobel算子等。此類算法 計算簡潔、快速、可靠性較高。在頻域中多采用圖像的FFT變 換，如功率譜（Power-spectra） 算法等，此類算法的檢測效果好， 但計算復(fù)雜度高、計算時間長，不適合應(yīng)用在實時目標(biāo)檢測系 統(tǒng)中。

本文是針對實時視頻圖像的清晰度檢測，基于實時視頻圖 像背景基本保持不變的環(huán)境，提出一種基于背景提取與Sobel 算子相結(jié)合的實時視頻圖像的清晰度檢測算法，并將該算法計 算檢測到的圖像目標(biāo)清晰度與微調(diào)補(bǔ)償矩陣結(jié)合，控制伺服轉(zhuǎn) 臺及攝像機(jī)，以跟蹤、獲取到最佳的目標(biāo)。

一、實時視頻圖像的清晰度檢測算法原理

當(dāng)視頻播放畫面超過24幀/s 時，根據(jù)視覺暫留原理，人眼 無法辨別每幅單獨的靜態(tài)畫面，看上去是平滑連續(xù)的視覺效 果。視頻中物體分為靜止和運動兩類，連續(xù)多幀畫面中保持靜 止的物體可視為靜止的背景，連續(xù)多幀畫面中位置變化的物體 可視為運動的前景。因此，實時視頻圖像中的每幀圖像都可以 劃分為靜止的背景和運動的前景兩類區(qū)域。由于視頻序列圖像 中運動的前景區(qū)域隨機(jī)變化，引起圖像像素點梯度值的隨機(jī)改 變，使得實時視頻圖像的清晰度檢測較難實現(xiàn)。本文的算法是 利用實時視頻圖像中靜止的背景區(qū)域檢測視頻序列圖像的清 晰度，即由背景提取和清晰度檢測兩部分組成。

1. 實時視頻圖像的背景提取

視頻序列中幀圖像的靜止背景區(qū)域由灰度值變化較 小的像素點構(gòu)成， 每個像素點都有一個對應(yīng)的像素值，這個 值在一段時間內(nèi)保持不變;運動的前景區(qū)域由灰度值變化較大 的像素點構(gòu)成，各像素點在不同的幀圖像中的位置改變，形成 運動軌跡。背景提取的目標(biāo)就是根據(jù)實時視頻圖像中像素值的 上述特點，找出圖像中背景像素點的值。采用多幀圖像累加平 均的方法來獲取圖像的背景，從統(tǒng)計學(xué)角度，運動物體可視為 隨機(jī)噪聲，而均值可以降噪，采用多幀圖像累加取均值可消除 運動物體， 獲得靜止的背景圖片。背景圖像的計算公式為：

式中，N 為視頻序列中截取的圖片幀數(shù)， ） ，（ y xg i

表示圖 像像素（x，y）的灰度值。隨著疊加幀數(shù) N 的增加，靜止的背景不 變，運動的物體逐漸消失。幀數(shù)越多，獲得的背景效果越好。 在實際的處理中，25 幀圖像迭代可得到較好的結(jié)果。

2.Sobel 算子清晰度檢測

Sobel 算子清晰度檢測當(dāng)幀圖像模糊時，邊界不清晰，因 此利用邊界檢測理論來檢測圖像清晰度。圖像越模糊，圖像的梯度值越小。經(jīng)典的邊界檢測方法（如 Sobel 梯度算子、Robert 梯度算子等）是構(gòu)造對像素灰度級階躍變化敏感的微分算子。

本文采用經(jīng)典的 Sobel 算子，利用 3×3 的方向模板與圖像 中每個點進(jìn)行鄰域卷積來完成，避免了在像素之間內(nèi)插點上計 算梯度。Sobel 算子為：

式中，f（x，y）為圖像灰度， x g 和 y g 可以用卷積模板來實 現(xiàn)，如圖 1 所示。

傳統(tǒng)的邊緣檢測中，Sobel 算子利用如圖 1 的水平和垂直 兩個方向的模板， 但實際情況中的梯度方向是未知的，因此 利用兩個方向計算出來的結(jié)果存在一定的誤差。為了提高梯度 計算精度，將模板的數(shù)量增加到 4 個，如圖 2 所示，即 0°、 45°、90°、135°四個方向。雖然繼續(xù)增加模板的數(shù)量可以進(jìn) 一步提高計算精度，但考慮到計算效率，模板數(shù)量不宜過多。

二、算法描述

本算法大致分為三步：

（1） 截取一段實時視頻圖像，獲取初始背景圖像;

（2） 利用實時視頻圖像更新初始背景，獲得待檢測的背景 圖像;

（3） 根據(jù) Sobel 算子計算背景圖像的邊緣梯度值之和，根據(jù) 閾值判斷背景圖像的清晰度，得到實時視頻圖像的清晰度評價 值; 根據(jù)背景圖像中像素點的灰度值，采用 Sobel 算子檢測圖 像邊緣，完成實時視頻圖像清晰度的檢測，檢測過程如下：

（1） 根據(jù) Sobel 算子的邊緣檢測理論和如圖 2 所示的 4 個 方向模板 i S （i=1，2，3，4），對圖像中每個像素點進(jìn)行鄰域卷 積計算，提取像素點 4 個方向的邊緣成分，即：

圖像中每個像素點的梯度值為：

（2） 將|F|與閾值 n T 進(jìn)行比較： 若|F|≥ n T ，則此像素點 為邊緣點;若|F|< n T ，則此像素點為非邊緣點，把圖像邊緣像 素點的梯度值相加，以邊緣梯度能量之和作為圖像清晰度檢測 的評價值，即

式中，n 為邊緣點的個數(shù)。將 value 與清晰的實時視頻圖 像背景的清晰度檢測范圍值比較，若 value∈T（α1，α2）， 則 實時視頻圖像是清晰的;若 value? T（α1，α2），則實時視頻 圖像是模糊的。

三、實時目標(biāo)清晰度檢測與補(bǔ)償矩陣的結(jié)合控制 在目標(biāo)跟蹤過程，攝像機(jī)焦距改變時，鏡頭本身的變化以 及所帶來的攝像機(jī)外參的變化，本研究是利用微調(diào)補(bǔ)償矩陣補(bǔ) 償變焦過程中引起的攝像機(jī)外參數(shù)的變化。算法中，在制作查 找表時，將補(bǔ)償矩陣放入查找表，一旦焦距發(fā)生改變，可直接 從查找表中查找當(dāng)前焦距對應(yīng)的攝像機(jī)內(nèi)參以及補(bǔ)償矩陣，替 換和修正原有的攝像機(jī)內(nèi)外參數(shù)。雖然補(bǔ)償矩陣是用于補(bǔ)償攝 像機(jī)外部參數(shù)的矩陣，但是卻是通過分析變焦鏡頭內(nèi)部結(jié)構(gòu)獲 得的。因此補(bǔ)償矩陣只與鏡頭的固有性質(zhì)有關(guān)，而與攝像機(jī)外 參無關(guān)。所以對于同一組鏡頭而言，補(bǔ)償矩陣只需構(gòu)造一次，即使攝像機(jī)的位置和姿態(tài)發(fā)生變化，也無需重新構(gòu)造，只需采 用編碼器記錄伺服轉(zhuǎn)臺系統(tǒng)。實時目標(biāo)清晰度檢測在微調(diào)目標(biāo) 跟蹤控制應(yīng)用中，根據(jù)系統(tǒng)中檢測計算得到的目標(biāo)清晰度 value 值，并將 value 值與微調(diào)補(bǔ)償矩陣結(jié)合，實現(xiàn)穩(wěn)定跟蹤目標(biāo)。

四、總結(jié)

本文對實時目標(biāo)跟蹤的實時視頻圖像的清晰度進(jìn)行實時 檢測，并針對實時跟蹤目標(biāo)視頻圖像時刻變化的特點，提出了 采用背景提取和 Sobel 算子相結(jié)合的清晰度檢測算法，該算法 在幀圖像清晰度檢測時計算效率高，能夠自動實時地完成實時 視頻圖像的清晰度檢測，并結(jié)合微調(diào)補(bǔ)償矩陣的算法，在變焦 過程中有效地對攝像機(jī)外參進(jìn)行補(bǔ)償，控制攝像機(jī)及伺服轉(zhuǎn) 臺，以達(dá)到提高跟蹤精度的目的。

參考文獻(xiàn)：

[1]朱孔鳳，姜威，王瑞芳。一種新的圖像清晰度評價 函數(shù)，紅外激光與工程，2005，34（4）：464-468

[2]袁珂，徐蔚鴻。基于圖像清晰度評價的攝像頭輔助 調(diào)焦系統(tǒng)，光電工程，2006，33（1），141-144

[3]丁瑩，復(fù)雜環(huán)境運動目標(biāo)檢測若干關(guān)鍵問題研究， 《吉 林大學(xué)》 ，2010

[4]王勇，譚毅華，田金文。一種新的圖像清晰度評價 函數(shù)，武漢理工大學(xué)學(xué)報

[5]舒遠(yuǎn)，談?wù)Ｒ环N新的消隱點自動測量算法，紅外 與激光工程，2003，32（5）：479-483