李瓊

摘 要：當(dāng)前我國紅外圖像的處理辦法是從20世紀(jì)80年代開始發(fā)展起來的，紅外圖像的檢測算法有很多，都是依據(jù)其自身的特點(diǎn)而定的，對(duì)紅外圖像處理內(nèi)容與平時(shí)可見光的處理方式是有所不同的，紅外圖像主要是對(duì)于變形的圖像進(jìn)行處理矯正，根據(jù)函數(shù)的不同進(jìn)行改變，對(duì)于直流方向的校正，以及改變圖像的亮度、對(duì)比度，處理圖像的尖銳部分，讓其變得平滑，這方面包括圖像像素間的積累，像素的增加，直方圖的處理等等，但是由于整個(gè)紅外處理要求很高，因此，要想實(shí)現(xiàn)高質(zhì)量的檢測，并提升準(zhǔn)確程度是有一定困難的。我國對(duì)于船舶的檢驗(yàn)是從較簡單的人工檢驗(yàn)下發(fā)展起來的，現(xiàn)在適用于較為復(fù)雜的背景檢測，人工背景檢測一般包括天空、海洋、墻面等，目前檢測技術(shù)就是通過現(xiàn)代的數(shù)字處理技術(shù)、紅外圖像理論進(jìn)行檢查，通過先進(jìn)的技術(shù)對(duì)復(fù)雜的直觀圖進(jìn)行分析和檢測，增強(qiáng)人們對(duì)于圖像的認(rèn)識(shí)和識(shí)別。本文將首先介紹分析運(yùn)動(dòng)目標(biāo)檢測的方法，然后分析了Sobel算子的檢測方法，整個(gè)實(shí)驗(yàn)都對(duì)于檢測紅外圖像有著很好的效果，希望能為日后的推廣運(yùn)用起到作用。

關(guān)鍵詞：Sobel算子 運(yùn)動(dòng)目標(biāo)檢測 幀間差 紅外圖像 算法

中圖分類號(hào)：TP391.4 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-3791（2014）05（c）-0209-04

1 運(yùn)動(dòng)目標(biāo)檢測算法分析

采用運(yùn)動(dòng)檢測[1，2]的檢測方法實(shí)際就是運(yùn)用一定的技術(shù)將整個(gè)圖像在發(fā)生改變的圖像背景中挖掘出來，對(duì)于運(yùn)動(dòng)目標(biāo)的監(jiān)測可以說是對(duì)整個(gè)目標(biāo)種類、行為的跟蹤和整理，而對(duì)于目標(biāo)的分割對(duì)圖像的后期處理十分重要，因?yàn)榻?jīng)過運(yùn)動(dòng)檢測算法后的處理將只考慮運(yùn)動(dòng)區(qū)域的像素，對(duì)于圖像背景的檢測，比如光線、天氣因素、陰暗面等這些都是干擾因素，將會(huì)增添檢測的困難。

當(dāng)前的運(yùn)動(dòng)檢測算法主要有四個(gè)種類[3]：第一種是在光流場前提下的運(yùn)動(dòng)目標(biāo)檢測方法；第二種是根據(jù)圖像的基本特征進(jìn)行檢測的目標(biāo)檢測方法；第三種是根據(jù)幀間差的情況進(jìn)行的運(yùn)動(dòng)檢測方法；第四種是根據(jù)背景的不同建立的檢測方法。這四種檢測方法都是運(yùn)用了運(yùn)動(dòng)視覺的原理，并且也是未來發(fā)展的方向和指引。

1.1 基于特征的方法

根據(jù)運(yùn)動(dòng)目標(biāo)檢測特點(diǎn)的不同主要可以概括為兩個(gè)操作步驟：第一種是運(yùn)用兩幅甚至多幅圖像進(jìn)行圖像抽取，然后根據(jù)圖像相互對(duì)應(yīng)的關(guān)系，建立一定的聯(lián)系；第二種是根據(jù)圖像之間不同的特征，比如形狀或者運(yùn)動(dòng)的位置變化等，都可以計(jì)算物體的結(jié)構(gòu)，并根據(jù)物體的坐標(biāo)來運(yùn)算具體的運(yùn)動(dòng)參數(shù)。這種在圖像中抽取的方式可以實(shí)現(xiàn)在一幅圖像中找到對(duì)應(yīng)點(diǎn)，然后建立相應(yīng)的聯(lián)系，方便對(duì)另一幅特征和運(yùn)動(dòng)的推斷，另外，如果運(yùn)動(dòng)特征比較復(fù)雜不好確定，這種方案也是需要一定的調(diào)整的，避免運(yùn)算誤差帶來的問題。

如果物體運(yùn)動(dòng)時(shí)能很好地將特征表現(xiàn)出來，那么便可以運(yùn)用線性檢測方法進(jìn)行圖片或者視頻的處理，這種方式實(shí)際是在物體運(yùn)動(dòng)困難的情況下選擇的，是物體由于不好尋找特征而進(jìn)行的匹配方案，這一方面可以用來區(qū)分較難區(qū)分的目標(biāo)點(diǎn)的特點(diǎn)；另一方面可以運(yùn)用快速匹配的算法，將物體運(yùn)動(dòng)的目標(biāo)快速鎖定，這樣可以幫助視頻的應(yīng)用。

1.2 基于光流場的方法

對(duì)于光流場的計(jì)算一般是通過相間的一個(gè)小時(shí)間段分析圖像的差異性，這個(gè)時(shí)間可以幾十毫秒，這種方式有一個(gè)比較好的地方就是，可以從相間的時(shí)刻之間選擇，不僅保證圖像中每一個(gè)圖像都能反映出運(yùn)動(dòng)信息，還可以計(jì)算出光流場的運(yùn)動(dòng)方式，一般計(jì)算運(yùn)動(dòng)信息可以分成兩個(gè)流程：首先計(jì)算出光流場運(yùn)動(dòng)信息；然后在計(jì)算光流場的整體結(jié)構(gòu)和三維運(yùn)動(dòng)情況。

對(duì)于紅外圖像的計(jì)算光流場的方式都是基于三維場景來算的，基本這些從理論上就能確定運(yùn)動(dòng)物體的形狀和相關(guān)信息，然后也可以更好地維系攝像機(jī)拍攝的時(shí)間以及旋轉(zhuǎn)的方向，但是這種方式當(dāng)前處理起來難度還很大，計(jì)算具有復(fù)雜性，在當(dāng)前的系統(tǒng)中還難以運(yùn)用，因此，該算法運(yùn)用起來還很不成熟。

1.3 基于背景建模的方法

這種算法模型實(shí)際是通過圖像的差異來建立建模的方式，這種通過運(yùn)動(dòng)區(qū)域的不同而進(jìn)行的檢測技術(shù)，可以有效的確認(rèn)圖像背景發(fā)生的變化，并且可以保證整個(gè)圖像的建模能建立完整的數(shù)據(jù)，保留完整的圖像特征，一般最簡單的背景建模方式是時(shí)間平均圖像，但是這種圖像建模的方式有其局限性，比如當(dāng)光線變化或者周圍其他因素干擾的情況下，都會(huì)導(dǎo)致圖像產(chǎn)生變化，所以背景建模的方式目前還不適用于運(yùn)動(dòng)場景梯度變化的情況，當(dāng)前人們開發(fā)的新的建立模型的方式目的就在于減少場景周圍其他因素干擾導(dǎo)致的圖像檢測變化，但是目前對(duì)于建模初期的問題研究還不夠深入，也可以通過假設(shè)的方式讓前景圖像的圖像序列展開，但是這種方式也具有一定的局限性。

1.4 基于幀間差分的方法

采用幀間差的方式對(duì)圖像進(jìn)行建模，當(dāng)前一般是采用二維圖像的方式，一般這種方式不斷變化的環(huán)境中使用，并且在短暫的時(shí)間內(nèi)可以檢測圖像的運(yùn)動(dòng)變化，可以檢測圖像的像素強(qiáng)度，而零像素一般是運(yùn)動(dòng)差異造成的，采用幀間差的算法可以幫助迅速確定運(yùn)動(dòng)中的圖像序列，這種方式目前運(yùn)用較為普遍，但是這個(gè)方式避開了背景建模的方式，因此，檢測起來有一定誤差，結(jié)果也不是很理想。

幀間差分的方式，運(yùn)用雖然前景廣闊，但是受到了硬件條件的限制，傳統(tǒng)的幀間差分算法更加容易實(shí)現(xiàn)，而對(duì)于依靠硬件實(shí)現(xiàn)的新算法，又不容易避免的不足，因此，本文將針對(duì)于之前這些算法的不足之處進(jìn)行改進(jìn)，找到了方便快捷的紅外圖像檢測方法，即Sobel算子檢測方法。

2 基于Sobel算子的幀間差分檢測算法

對(duì)于Sobel算子檢測方法是對(duì)于船舶運(yùn)動(dòng)距離的確定，紅外圖像的目標(biāo)圖像與之前的圖像有一定的差異，在形狀和大小上有差異性，如果運(yùn)用之前幀間差分算法或者基于特征的檢測方法或者是光流場的檢測方法就很難實(shí)現(xiàn)檢測精度的實(shí)現(xiàn)，因此，可以提出運(yùn)動(dòng)噪聲，確保圖像的邊緣清晰，然后通過obel算子的幀間差檢測方法來實(shí)現(xiàn)最終目標(biāo)。

2.1 幀間差分法

根據(jù)紅外圖像的特點(diǎn)，根據(jù)運(yùn)動(dòng)灰度的變化可以讓圖像更加真實(shí)可靠，并且精度更高，運(yùn)動(dòng)灰度的變化可以讓物體運(yùn)動(dòng)的信息更加明確，這個(gè)檢測方法的原理主要是，運(yùn)用相近的兩個(gè)圖像，提取他們相似的灰度，來確定物體運(yùn)動(dòng)的情況和具體位置。但是我們知道，物體運(yùn)動(dòng)時(shí)具有不穩(wěn)定性，位置是不確定的，對(duì)于背景來說，色彩是灰色的，因此這就與運(yùn)動(dòng)的部分形成了分明的對(duì)比，背景的灰度差基本是零，而運(yùn)動(dòng)部分的灰度差卻很明顯，因此，三維運(yùn)動(dòng)投影到二維圖像上就需要注意投影運(yùn)動(dòng)運(yùn)動(dòng)的情況，目標(biāo)發(fā)生了運(yùn)動(dòng)就會(huì)產(chǎn)生運(yùn)動(dòng)軌跡，而二維圖像上兩個(gè)圖像的幀間差就會(huì)確定目標(biāo)是否運(yùn)動(dòng)，因此，我們觀察船舶的運(yùn)動(dòng)軌跡就是運(yùn)用幀間差運(yùn)算來確定，將背景灰度去掉，然后提升檢測的準(zhǔn)確度。

設(shè)輸入的圖像序列為：

基本反映了運(yùn)動(dòng)目標(biāo)的邊緣和高梯度區(qū)域。通常選取k=1即相鄰兩幀差分，對(duì)于目標(biāo)的運(yùn)動(dòng)速度低于相鄰兩幀的時(shí)間間隔時(shí)，增加k值以避免目標(biāo)丟失。若k=5時(shí)仍未有目標(biāo)，則認(rèn)為無目標(biāo)，就換到下一幀（i+1）圖像進(jìn)行檢測。

選取一個(gè)合適的閾值，將差分圖像轉(zhuǎn)換成二值圖像：

自適應(yīng)閾值的定義為：

2.2 圖像去噪、增強(qiáng)

首先圖像腐蝕的定義是E（k）=k*={k，v|SKV∈k}，這個(gè)公式的意思是：當(dāng)結(jié)構(gòu)元素的起源（k，v）移動(dòng)到的位置，如果S是完全包含在k，一個(gè)新的點(diǎn)的圖像是1，否則為0。如圖1所示。

運(yùn)用圖像腐蝕的公式可以幫助將結(jié)構(gòu)較小的元素去掉，然后不實(shí)現(xiàn)沒有意義的結(jié)構(gòu)元素，通過選擇大小相近的結(jié)構(gòu)元素和種類，讓兩個(gè)物體實(shí)現(xiàn)一定的連接，然后運(yùn)用腐蝕運(yùn)算的公式分離兩個(gè)不同的物體。因此，為了簡便運(yùn)算方法，可以采用這個(gè)公式。

2.3 圖像分割

為了讓整個(gè)圖像能更清晰的表現(xiàn)出特征，整個(gè)圖像都要分割為幾個(gè)相互不重疊的區(qū)域，專業(yè)那個(gè)可以確保分隔灰度閾值，并保證多種情況下目標(biāo)和背景都能不重疊，體現(xiàn)出特征。

設(shè)給定∈[Z1，Zk]，其中Z1和Zk是兩個(gè)灰度值。假如設(shè)置一個(gè)灰度子集z[Z1，Zk]作為閾值，凡是灰度值包含于z的像素都變成某一個(gè)灰度值，其他的都變成另一個(gè)灰度值，則該圖就以z為界被分成兩個(gè)區(qū)域。

一般表示為：

式中za和zb是任意選定的目標(biāo)和背景灰度級(jí)。如果za=1和zb=0，分割后的圖像就為二值圖像。

這個(gè)圖像與之前得到的是有所不同的，兩幀圖像的差異性可能是目標(biāo)區(qū)域不同帶來的，這種差異性可以讓圖像在含噪的圖像中確定可能存在的目標(biāo)區(qū)域，然后在這種區(qū)域中逐漸分離出來，分離的方法很簡單，首先確定這個(gè)店，然后將周圍的區(qū)域化作目標(biāo)區(qū)域，然后選擇，用做為目標(biāo)右下角，然后和這個(gè)圖像的位置確定為1，推導(dǎo)出可能存在的區(qū)域。

2.4 邊緣檢測

這種算法其實(shí)是在邊界信息還沒有的前提下進(jìn)行邊緣檢測，根據(jù)背景灰度值不同的情況進(jìn)行不連續(xù)的反映，然后考察每個(gè)像素內(nèi)灰度的不同，用變化值進(jìn)行檢查信息的變化，然后根據(jù)像素內(nèi)灰度的變化，確定圖像的情況，這種方式就是邊緣檢測的算子方法。

2.4.1 邊緣檢測算子種類

（1）對(duì)于邊緣檢測的算法來說，需要運(yùn)用梯度幅度最大的方式進(jìn)行邊緣取界，然后運(yùn)用不同圖像中的像素進(jìn)行運(yùn)算，確定閾值進(jìn)行邊緣檢測。

（2）對(duì)于第二種算法Ravret算子來說，這是二階微分子算法的代表，運(yùn)用零點(diǎn)運(yùn)算的方式進(jìn)行及核算運(yùn)算方式，效率更高，同時(shí)閾值邊緣選取的方式更合理。

（3）還有一種算法是最佳的算法，就是運(yùn)用這種方式可以實(shí)現(xiàn)紅外圖像的邊緣計(jì)算的方式，當(dāng)前最常用的是Gandy算子，這種方式是運(yùn)用高斯函數(shù)進(jìn)行圖像處理的，羽化能力較強(qiáng)，能起到圖像降噪的想過，可以處理一些圖像邊緣的問題，并且通過微分的原理可以實(shí)現(xiàn)高斯的模塊算法，通過這種方式實(shí)現(xiàn)邊緣強(qiáng)度和梯度的確定

2.4.2 實(shí)驗(yàn)分析

在速度方面，對(duì)于一個(gè)圖像，各檢測算子計(jì)算量見表1。

對(duì)于這種算子方法，對(duì)于圖像邊緣的定位要求很高，同時(shí)還要注意檢測噪聲的預(yù)測能力，因?yàn)閳D像本身的定位和抑制能力就是相互矛盾的，而對(duì)于紅外圖像的算法來說，圖像邊緣要有較強(qiáng)的定位能力，同時(shí)還有較強(qiáng)的抵抗噪聲的能力，有一定的抗干擾能力，對(duì)于Sobel算子來說，算法參數(shù)的選擇將直接影響到噪聲的抵抗能力，具體展開來說，算子具有以下特點(diǎn)[5]。

（1）Sobel算子和prdteo算子。這種算子是對(duì)圖像能起到很好地過濾作用，通過過濾，實(shí)現(xiàn)圖像平滑部分和噪聲部分的差別離析，還可以抵抗噪聲的干擾，對(duì)于檢測結(jié)果中出現(xiàn)的偽平滑邊緣來說更是需要有兩個(gè)算子邊緣定位和保存，這種算子方法對(duì)于背景灰度值有較好的處理方法，并且可以讓有噪聲干擾的圖像有更好的計(jì)算結(jié)果。

（2）對(duì)于Ravret算子來說，運(yùn)用算子之間的差別進(jìn)行圖像邊緣尋找是有一定的優(yōu)點(diǎn)的，并且邊緣的定位越明顯，測量的精度越高，但是這種算法很容易讓圖像的一個(gè)邊緣丟失，并且在沒有實(shí)現(xiàn)邊緣算法的前提下，沒有經(jīng)過噪聲處理，因此，這種算法對(duì)于噪聲影響較低的圖像計(jì)算較為準(zhǔn)確，也更適用。

（3）Lapplan算子：這種算子屬于第二階段的算子，并且圖像中如果屬于邊緣型定位的話那么圖像旋轉(zhuǎn)就要帶有一定的方向性，避免算子信息丟失，而對(duì)于檢測邊緣的灰度梯度值的差異，不用考慮。只要關(guān)心邊緣信息的檢測就可以，這種算子的方式可以對(duì)于圖像單獨(dú)的像素進(jìn)行檢驗(yàn)，并且精度更高，但是只適合沒有噪聲干擾的圖像，如果存在噪聲干擾，那么必須首先采用低通濾波，并且要確保檢測是屋頂型圖像邊緣中運(yùn)用的。

（4）Gandy算子，這種方式是運(yùn)用高斯函數(shù)進(jìn)行圖像處理的，羽化能力較強(qiáng)，能起到圖像降噪的想過，可以處理一些圖像邊緣的問題，上述幾種算子的運(yùn)用結(jié)果如圖3所示。

我們可以根據(jù)上面這四種算法的優(yōu)點(diǎn)和缺點(diǎn)進(jìn)行總結(jié)，Sobel算子有兩種檢測方式：一種水平方向；一種垂直方向，如圖4所示。

3 結(jié)語

對(duì)于紅外圖像運(yùn)動(dòng)目標(biāo)的檢測方法本身就是一個(gè)復(fù)雜的工作，同時(shí)要求也很高，本文首先介紹了通過運(yùn)動(dòng)目標(biāo)測量方法：基于特征的運(yùn)算方法、光流場的檢測方法以及Sobel算子的檢測方法，由此對(duì)比出了紅外圖像運(yùn)動(dòng)物體檢測的最佳辦法，快速高效，且運(yùn)算的準(zhǔn)確度較高，這樣運(yùn)用Sobel 算子進(jìn)行圖像邊緣的檢測算法，可以實(shí)現(xiàn)幀間差的方法分離，降低圖像噪聲的影響，對(duì)于確定船舶的位置有很好的幫助。

傳統(tǒng)的算法與當(dāng)前采用Sobel算子算法有著根本的不同，首先Sobel算子具有更廣闊的實(shí)用性，對(duì)于運(yùn)動(dòng)物體的圖像確認(rèn)有著準(zhǔn)確快速簡便的特點(diǎn)，并且可以克服噪聲干擾，幫助人們定位船舶的位置和距離，對(duì)于背景較為復(fù)雜的圖像來說，定位動(dòng)靜結(jié)合，十分準(zhǔn)確。

當(dāng)前對(duì)于運(yùn)動(dòng)的物體檢主要基于動(dòng)態(tài)和靜態(tài)兩種背景進(jìn)行檢測，但是采用本次算法Sobel算子有一定的局限性，也就是所有的物體背景要在靜態(tài)背景中進(jìn)行檢測，如果要突破這種局限讓檢測可以推廣到動(dòng)態(tài)檢測中去，就要加上圖像配準(zhǔn)的問題，方便圖像檢測。

參考文獻(xiàn)

[1] 李宏貴，李興國，李國楨，等.基于分形特征的紅外圖像識(shí)別方法[J].紅外與激光工程，1999，28（1）：22-26.

[2] 姜錦鋒.紅外圖像的目標(biāo)檢測、識(shí)別與跟蹤技術(shù)研究[D].西北工業(yè)大學(xué)，2004.

[3] 徐向輝.紅外圖像目標(biāo)檢測與跟蹤研究[D].北京：北京理工大學(xué)，2001.

[4] 何斌，馬天予，王運(yùn)堅(jiān).數(shù)字圖像處理[M].北京人民郵電出版社，2002.

[5] Fujivoshi H and Lipton A.Real-time human motion analvsis bv image skeletonization.In Proceedings of the IEEE Workshop on Applications of Computer Vison，1998.

[6] 曹炬一，譚毅華，馬杰，等.從移動(dòng)背景紅外序列圖像中檢測運(yùn)動(dòng)目標(biāo)[J].電子與信息學(xué)報(bào)，2005（1）：43-46.

[7] 柯澤堅(jiān)，江漢紅，張朝亮.時(shí)空域結(jié)合的紅外弱小運(yùn)動(dòng)目標(biāo)檢測新方法[J].儀器儀表學(xué)報(bào)，2013（6）：202-206.