張鵬++李思岑++楊燕翔

摘 要 傳統(tǒng)的三幀差分運動目標檢測算法易出現(xiàn)空洞及虛假邊緣等現(xiàn)象，為了對其進行改進，本文提出了一種融合邊緣檢測的四幀差分運動目標檢測算法。首先對四幀連續(xù)圖像采用Canny 邊緣檢測算子快速提取邊緣圖像，然后對四幀連續(xù)的邊緣圖像進行四幀差分運算， 最后通過閾值分割和形態(tài)學處理完成對運動目標的提取。實驗結果表明， 該算法計算簡單，連通性好且準確率高，可滿足實時檢測的要求。

【關鍵詞】四幀差分 邊緣檢測 閾值分割

1 引言

運動目標檢測處于智能視頻監(jiān)控系統(tǒng)的最底層，其檢測結果的好壞將直接影響后續(xù)的處理效果，故其技術發(fā)展和應用前景受到廣泛關注。目前常用的運功目標檢測算法有：背景差分法、光流法及幀間差分法。背景差分法能夠較完整的提取出運動目標，但對光照及外部條件引起的動態(tài)場景變化過于敏感；光流法是基于對光流場的估算進行檢測分割的方法，計算復雜，須有特殊硬件設備支持，實時性差；幀差法是根據(jù)圖像中像素點的灰度差計算出運動物體的位置和形狀等信息，這種方法對于動態(tài)環(huán)境有很好的適應性，算法簡單，易于實現(xiàn)，但不能提取出較完整的運動目標。

視頻圖像的邊緣信息抗干擾性能好，其不易受亮度突變及噪聲的影響，因此本文融合圖像邊緣信息與四幀差分對運動目標進行檢測，計算簡單，實驗結果表明該算法可以有效改善傳統(tǒng)幀間差分算法出現(xiàn)的空洞現(xiàn)象。

2 融合邊緣檢測的四幀差分運動目標檢測

2.1 預處理

眾所周知，灰度圖像的處理效率高于彩色圖像，因此首先對圖像進行灰度化。另外，圖像獲取過程中不可避免的存在諸如斑點噪聲及椒鹽噪聲等一系列噪聲影響，為了有效抑制噪聲影響，本文采用中值濾波法對原始圖像進行濾波處理。最后本文采用直方圖均衡化及梯度化操作，使得圖像輪廓更為清晰，以增強抗干擾能力。

2.2 Canny 邊緣檢測算法

邊緣作為圖像的最基本特征廣泛存在于目標物與背景之間、目標物與目標物之間，在圖像處理中有著重要的作用和廣泛的應用。目前常用的邊緣檢測算子包括 Robets 算子、Sobel算子、Prewwits 算子、 Log 算子、二階Laplace 算子等。這些算子簡單，易于實現(xiàn)且具有很好的實時性，但抗干擾性能差，對噪聲較敏感且邊緣的精度有待提高。基于最優(yōu)化算法的 Canny 邊緣檢測算子，是先采用高斯函數(shù)對圖像進行平滑處理，再進行邊緣檢測，提取的邊緣線形連接較為完整，定位準確性較高，效果較好。本文采用此方法對序列幀圖像進行邊緣提取。.

Canny算子的基本原理是通過查找圖像梯度強度局部的最大值的方法來得到邊緣信息，圖像梯度的計算采用Gauss濾波器。為了消除噪聲干擾、提高邊緣檢測的精度，Canny采用雙閾值來提取邊緣像素點。如果梯度強度不滿足高閾值的檢測條件，但是與己檢測出的較強邊緣點相連接，并且滿足低閾值條件，則確定為弱邊緣點。雙閾值法使得采用Canny算子提取邊緣點更具有魯棒性。

Canny算法的實現(xiàn)步驟如下：

（1）高斯濾波：選取合適的Gauss窗函數(shù)和尺度，用Gauss濾波器對需要處理的圖像進行平滑濾波，得到平滑圖像；

（2）梯度計算：用一階偏導的有限差分來計算梯度的幅值和方向；

（3）量化梯度方向：對梯度方向進行量化，使其只有8個方向，即0?、45?、90?、135?、180?、225?、270?、315?；

（4）梯度非最大值抑制：對于每一個梯度強度非零的像素點，查找沿其量化后的梯度方向的兩個相鄰像素點，然后通過閾值判斷為非邊緣點還是候選邊緣點；

（5）雙閾值判決：設定雙閡值，進一步判斷候選邊緣點為強邊緣點、弱邊緣點還是非邊緣點；

（6）邊緣連接：對于弱邊緣點，如果它與強邊緣點在8連通區(qū)域相連，則該點記為弱邊緣點，同時將其邊緣提取置為1，所有標記為1的點就成了最后的邊緣。

2.3 連續(xù)四幀差分算法基本原理

傳統(tǒng)的三幀差分算法雖然能夠快速檢測出運動目標的輪廓，但其所檢測出的輪廓往往不連續(xù)且存在較大的空洞現(xiàn)象，同時傳統(tǒng)三幀差分算法不能完整提取目標信息。本文采用如下改進幀間差分法，即連續(xù)四幀差分算法，可以在一定程度上克服傳統(tǒng)三幀差分算法的不足。設預處理后的連續(xù)四幀圖像f1（x，y）、f2（x，y）、f3（x，y）、f4（x，y），首先分別將f1（x，y）與f3（x，y）以及f2（x，y）與f4（x，y）做差分運算，得到差分結果：

（1）

（2）

然后將差分后的結果D1與D2二值化處理后進行“與”運算，得到結果DA=D1D2，“與”運算能夠有效的克制目標重疊現(xiàn)象。

2.4 本文算法

本文算法融合圖像邊緣信息與四幀差分對運動目標進行檢測，首先采用Canny邊緣檢測算法快速提取連續(xù)四幀圖像的邊緣圖像，然后利用四幀差分算法得到較為完整的運動目標輪廓，最后通過后期一系列處理提取出準確完整的運動目標區(qū)域。本文算法整體流程如圖1所示。

2.5 形態(tài)學處理

由于干擾因素的存在，導致我們得到的二值化圖像中往往會出現(xiàn)噪聲及空洞，可以通過數(shù)學形態(tài)學對其進行后處理。首先采用腐蝕運算消除二值圖像中的孤立噪聲點，再采用膨脹運算來填充運動目標的邊緣空洞。

3 實驗對比

本文采用 Matlab 進行仿真實驗，為驗證算法的有效性，分別利用傳統(tǒng)三幀差分法、四幀差分法以及本文算法對同一組 AVI 視頻序列圖像進行測試。檢測結果如圖2所示。

分別采用傳統(tǒng)三幀差分算法、四幀差分算法及本文算法對原始圖像進行處理，原始圖像中右邊白色衣服人物是靜止不動的，處理結果如圖2所示。由圖可知，采用傳統(tǒng)三幀差分算法檢測到的目標輪廓不連續(xù)，四幀差分法得到的圖像目標輪廓更清晰，內(nèi)容更為豐富，但輪廓依然不完整，而采用本文算法檢測得到的目標輪廓更加完整清晰，結果準確。

4 結論

本文融合圖像邊緣信息與四幀差分對運動目標進行檢測，首先采用Canny邊緣檢測算法快速提取連續(xù)四幀圖像的邊緣圖像，然后利用四幀差分算法得到較為完整的運動目標輪廓，最后通過后期一系列處理提取出準確完整的運動目標區(qū)域。實驗結果表明本文算法能夠快速準確檢測出運動目標，進一步改進了傳統(tǒng)三幀差分目標輪廓不連續(xù)現(xiàn)象，計算簡單，可滿足實時性檢測需求。

參考文獻

[1]羅志升，王黎，高曉蓉，王澤勇，趙全軻.序列圖像中運動目標檢測與跟蹤方法分析[J].現(xiàn)代電子技術，2009.

[2]蔣钘.人體運動目標檢測與跟蹤關系問題研究[D].中南林業(yè)科技大學，2013.

[3]劉辰飛.智能視頻監(jiān)控系統(tǒng)中運動目標的檢測與跟蹤[D].濟南大學，2012.

[4]舒欣，李東新， 薛東偉.五幀差分和邊緣檢測的運動目標檢測[J].計算機系統(tǒng)應用，2014，23（1）.

[5]許錄平.數(shù)字圖像處理[M].北京：科學出版社，2007.

[6]張德豐.MATLAB 數(shù)字圖像處理[M].北京：機械工業(yè)出版社，2009.

[7]邵廣安.視頻監(jiān)控中運動目標檢測與跟蹤方法的研究[D].南昌大學，2013.

[8]趙潔，李瑋，郝志鵬，彭慧卿.基于改進 Canny 算子與圖像形態(tài)學融合的邊緣檢測方法[J].微型機與應用，2011，30（10）

作者簡介

張鵬（1988-），男，現(xiàn)為西華大學電氣信息學院碩士研究生。主要研究方向為信號與信息處理、圖像處理。

李思岑（1989-），女，現(xiàn)為西華大學電氣信息學院碩士研究生。主要研究方向為嵌入式技術及應用、圖像處理。

楊燕翔（1963-），男，現(xiàn)為西華大學電氣信息學院碩士生導師。主要研究方向為現(xiàn)代信號處理、嵌入式技術及應用。

作者單位

西華大學電氣信息學院 四川省成都市 610039endprint

摘 要 傳統(tǒng)的三幀差分運動目標檢測算法易出現(xiàn)空洞及虛假邊緣等現(xiàn)象，為了對其進行改進，本文提出了一種融合邊緣檢測的四幀差分運動目標檢測算法。首先對四幀連續(xù)圖像采用Canny 邊緣檢測算子快速提取邊緣圖像，然后對四幀連續(xù)的邊緣圖像進行四幀差分運算， 最后通過閾值分割和形態(tài)學處理完成對運動目標的提取。實驗結果表明， 該算法計算簡單，連通性好且準確率高，可滿足實時檢測的要求。

【關鍵詞】四幀差分 邊緣檢測 閾值分割

1 引言

運動目標檢測處于智能視頻監(jiān)控系統(tǒng)的最底層，其檢測結果的好壞將直接影響后續(xù)的處理效果，故其技術發(fā)展和應用前景受到廣泛關注。目前常用的運功目標檢測算法有：背景差分法、光流法及幀間差分法。背景差分法能夠較完整的提取出運動目標，但對光照及外部條件引起的動態(tài)場景變化過于敏感；光流法是基于對光流場的估算進行檢測分割的方法，計算復雜，須有特殊硬件設備支持，實時性差；幀差法是根據(jù)圖像中像素點的灰度差計算出運動物體的位置和形狀等信息，這種方法對于動態(tài)環(huán)境有很好的適應性，算法簡單，易于實現(xiàn)，但不能提取出較完整的運動目標。

視頻圖像的邊緣信息抗干擾性能好，其不易受亮度突變及噪聲的影響，因此本文融合圖像邊緣信息與四幀差分對運動目標進行檢測，計算簡單，實驗結果表明該算法可以有效改善傳統(tǒng)幀間差分算法出現(xiàn)的空洞現(xiàn)象。

2 融合邊緣檢測的四幀差分運動目標檢測

2.1 預處理

眾所周知，灰度圖像的處理效率高于彩色圖像，因此首先對圖像進行灰度化。另外，圖像獲取過程中不可避免的存在諸如斑點噪聲及椒鹽噪聲等一系列噪聲影響，為了有效抑制噪聲影響，本文采用中值濾波法對原始圖像進行濾波處理。最后本文采用直方圖均衡化及梯度化操作，使得圖像輪廓更為清晰，以增強抗干擾能力。

2.2 Canny 邊緣檢測算法

邊緣作為圖像的最基本特征廣泛存在于目標物與背景之間、目標物與目標物之間，在圖像處理中有著重要的作用和廣泛的應用。目前常用的邊緣檢測算子包括 Robets 算子、Sobel算子、Prewwits 算子、 Log 算子、二階Laplace 算子等。這些算子簡單，易于實現(xiàn)且具有很好的實時性，但抗干擾性能差，對噪聲較敏感且邊緣的精度有待提高。基于最優(yōu)化算法的 Canny 邊緣檢測算子，是先采用高斯函數(shù)對圖像進行平滑處理，再進行邊緣檢測，提取的邊緣線形連接較為完整，定位準確性較高，效果較好。本文采用此方法對序列幀圖像進行邊緣提取。.

Canny算子的基本原理是通過查找圖像梯度強度局部的最大值的方法來得到邊緣信息，圖像梯度的計算采用Gauss濾波器。為了消除噪聲干擾、提高邊緣檢測的精度，Canny采用雙閾值來提取邊緣像素點。如果梯度強度不滿足高閾值的檢測條件，但是與己檢測出的較強邊緣點相連接，并且滿足低閾值條件，則確定為弱邊緣點。雙閾值法使得采用Canny算子提取邊緣點更具有魯棒性。

Canny算法的實現(xiàn)步驟如下：

（1）高斯濾波：選取合適的Gauss窗函數(shù)和尺度，用Gauss濾波器對需要處理的圖像進行平滑濾波，得到平滑圖像；

（2）梯度計算：用一階偏導的有限差分來計算梯度的幅值和方向；

（3）量化梯度方向：對梯度方向進行量化，使其只有8個方向，即0?、45?、90?、135?、180?、225?、270?、315?；

（4）梯度非最大值抑制：對于每一個梯度強度非零的像素點，查找沿其量化后的梯度方向的兩個相鄰像素點，然后通過閾值判斷為非邊緣點還是候選邊緣點；

（5）雙閾值判決：設定雙閡值，進一步判斷候選邊緣點為強邊緣點、弱邊緣點還是非邊緣點；

（6）邊緣連接：對于弱邊緣點，如果它與強邊緣點在8連通區(qū)域相連，則該點記為弱邊緣點，同時將其邊緣提取置為1，所有標記為1的點就成了最后的邊緣。

2.3 連續(xù)四幀差分算法基本原理

傳統(tǒng)的三幀差分算法雖然能夠快速檢測出運動目標的輪廓，但其所檢測出的輪廓往往不連續(xù)且存在較大的空洞現(xiàn)象，同時傳統(tǒng)三幀差分算法不能完整提取目標信息。本文采用如下改進幀間差分法，即連續(xù)四幀差分算法，可以在一定程度上克服傳統(tǒng)三幀差分算法的不足。設預處理后的連續(xù)四幀圖像f1（x，y）、f2（x，y）、f3（x，y）、f4（x，y），首先分別將f1（x，y）與f3（x，y）以及f2（x，y）與f4（x，y）做差分運算，得到差分結果：

（1）

（2）

然后將差分后的結果D1與D2二值化處理后進行“與”運算，得到結果DA=D1D2，“與”運算能夠有效的克制目標重疊現(xiàn)象。

2.4 本文算法

本文算法融合圖像邊緣信息與四幀差分對運動目標進行檢測，首先采用Canny邊緣檢測算法快速提取連續(xù)四幀圖像的邊緣圖像，然后利用四幀差分算法得到較為完整的運動目標輪廓，最后通過后期一系列處理提取出準確完整的運動目標區(qū)域。本文算法整體流程如圖1所示。

2.5 形態(tài)學處理

由于干擾因素的存在，導致我們得到的二值化圖像中往往會出現(xiàn)噪聲及空洞，可以通過數(shù)學形態(tài)學對其進行后處理。首先采用腐蝕運算消除二值圖像中的孤立噪聲點，再采用膨脹運算來填充運動目標的邊緣空洞。

3 實驗對比

本文采用 Matlab 進行仿真實驗，為驗證算法的有效性，分別利用傳統(tǒng)三幀差分法、四幀差分法以及本文算法對同一組 AVI 視頻序列圖像進行測試。檢測結果如圖2所示。

分別采用傳統(tǒng)三幀差分算法、四幀差分算法及本文算法對原始圖像進行處理，原始圖像中右邊白色衣服人物是靜止不動的，處理結果如圖2所示。由圖可知，采用傳統(tǒng)三幀差分算法檢測到的目標輪廓不連續(xù)，四幀差分法得到的圖像目標輪廓更清晰，內(nèi)容更為豐富，但輪廓依然不完整，而采用本文算法檢測得到的目標輪廓更加完整清晰，結果準確。

4 結論

本文融合圖像邊緣信息與四幀差分對運動目標進行檢測，首先采用Canny邊緣檢測算法快速提取連續(xù)四幀圖像的邊緣圖像，然后利用四幀差分算法得到較為完整的運動目標輪廓，最后通過后期一系列處理提取出準確完整的運動目標區(qū)域。實驗結果表明本文算法能夠快速準確檢測出運動目標，進一步改進了傳統(tǒng)三幀差分目標輪廓不連續(xù)現(xiàn)象，計算簡單，可滿足實時性檢測需求。

參考文獻

[1]羅志升，王黎，高曉蓉，王澤勇，趙全軻.序列圖像中運動目標檢測與跟蹤方法分析[J].現(xiàn)代電子技術，2009.

[2]蔣钘.人體運動目標檢測與跟蹤關系問題研究[D].中南林業(yè)科技大學，2013.

[3]劉辰飛.智能視頻監(jiān)控系統(tǒng)中運動目標的檢測與跟蹤[D].濟南大學，2012.

[4]舒欣，李東新， 薛東偉.五幀差分和邊緣檢測的運動目標檢測[J].計算機系統(tǒng)應用，2014，23（1）.

[5]許錄平.數(shù)字圖像處理[M].北京：科學出版社，2007.

[6]張德豐.MATLAB 數(shù)字圖像處理[M].北京：機械工業(yè)出版社，2009.

[7]邵廣安.視頻監(jiān)控中運動目標檢測與跟蹤方法的研究[D].南昌大學，2013.

[8]趙潔，李瑋，郝志鵬，彭慧卿.基于改進 Canny 算子與圖像形態(tài)學融合的邊緣檢測方法[J].微型機與應用，2011，30（10）

作者簡介

張鵬（1988-），男，現(xiàn)為西華大學電氣信息學院碩士研究生。主要研究方向為信號與信息處理、圖像處理。

李思岑（1989-），女，現(xiàn)為西華大學電氣信息學院碩士研究生。主要研究方向為嵌入式技術及應用、圖像處理。

楊燕翔（1963-），男，現(xiàn)為西華大學電氣信息學院碩士生導師。主要研究方向為現(xiàn)代信號處理、嵌入式技術及應用。

作者單位

西華大學電氣信息學院 四川省成都市 610039endprint

摘 要 傳統(tǒng)的三幀差分運動目標檢測算法易出現(xiàn)空洞及虛假邊緣等現(xiàn)象，為了對其進行改進，本文提出了一種融合邊緣檢測的四幀差分運動目標檢測算法。首先對四幀連續(xù)圖像采用Canny 邊緣檢測算子快速提取邊緣圖像，然后對四幀連續(xù)的邊緣圖像進行四幀差分運算， 最后通過閾值分割和形態(tài)學處理完成對運動目標的提取。實驗結果表明， 該算法計算簡單，連通性好且準確率高，可滿足實時檢測的要求。

【關鍵詞】四幀差分 邊緣檢測 閾值分割

1 引言

運動目標檢測處于智能視頻監(jiān)控系統(tǒng)的最底層，其檢測結果的好壞將直接影響后續(xù)的處理效果，故其技術發(fā)展和應用前景受到廣泛關注。目前常用的運功目標檢測算法有：背景差分法、光流法及幀間差分法。背景差分法能夠較完整的提取出運動目標，但對光照及外部條件引起的動態(tài)場景變化過于敏感；光流法是基于對光流場的估算進行檢測分割的方法，計算復雜，須有特殊硬件設備支持，實時性差；幀差法是根據(jù)圖像中像素點的灰度差計算出運動物體的位置和形狀等信息，這種方法對于動態(tài)環(huán)境有很好的適應性，算法簡單，易于實現(xiàn)，但不能提取出較完整的運動目標。

視頻圖像的邊緣信息抗干擾性能好，其不易受亮度突變及噪聲的影響，因此本文融合圖像邊緣信息與四幀差分對運動目標進行檢測，計算簡單，實驗結果表明該算法可以有效改善傳統(tǒng)幀間差分算法出現(xiàn)的空洞現(xiàn)象。

2 融合邊緣檢測的四幀差分運動目標檢測

2.1 預處理

眾所周知，灰度圖像的處理效率高于彩色圖像，因此首先對圖像進行灰度化。另外，圖像獲取過程中不可避免的存在諸如斑點噪聲及椒鹽噪聲等一系列噪聲影響，為了有效抑制噪聲影響，本文采用中值濾波法對原始圖像進行濾波處理。最后本文采用直方圖均衡化及梯度化操作，使得圖像輪廓更為清晰，以增強抗干擾能力。

2.2 Canny 邊緣檢測算法

邊緣作為圖像的最基本特征廣泛存在于目標物與背景之間、目標物與目標物之間，在圖像處理中有著重要的作用和廣泛的應用。目前常用的邊緣檢測算子包括 Robets 算子、Sobel算子、Prewwits 算子、 Log 算子、二階Laplace 算子等。這些算子簡單，易于實現(xiàn)且具有很好的實時性，但抗干擾性能差，對噪聲較敏感且邊緣的精度有待提高?；谧顑?yōu)化算法的 Canny 邊緣檢測算子，是先采用高斯函數(shù)對圖像進行平滑處理，再進行邊緣檢測，提取的邊緣線形連接較為完整，定位準確性較高，效果較好。本文采用此方法對序列幀圖像進行邊緣提取。.

Canny算子的基本原理是通過查找圖像梯度強度局部的最大值的方法來得到邊緣信息，圖像梯度的計算采用Gauss濾波器。為了消除噪聲干擾、提高邊緣檢測的精度，Canny采用雙閾值來提取邊緣像素點。如果梯度強度不滿足高閾值的檢測條件，但是與己檢測出的較強邊緣點相連接，并且滿足低閾值條件，則確定為弱邊緣點。雙閾值法使得采用Canny算子提取邊緣點更具有魯棒性。

Canny算法的實現(xiàn)步驟如下：

（1）高斯濾波：選取合適的Gauss窗函數(shù)和尺度，用Gauss濾波器對需要處理的圖像進行平滑濾波，得到平滑圖像；

（2）梯度計算：用一階偏導的有限差分來計算梯度的幅值和方向；

（3）量化梯度方向：對梯度方向進行量化，使其只有8個方向，即0?、45?、90?、135?、180?、225?、270?、315?；

（4）梯度非最大值抑制：對于每一個梯度強度非零的像素點，查找沿其量化后的梯度方向的兩個相鄰像素點，然后通過閾值判斷為非邊緣點還是候選邊緣點；

（5）雙閾值判決：設定雙閡值，進一步判斷候選邊緣點為強邊緣點、弱邊緣點還是非邊緣點；

（6）邊緣連接：對于弱邊緣點，如果它與強邊緣點在8連通區(qū)域相連，則該點記為弱邊緣點，同時將其邊緣提取置為1，所有標記為1的點就成了最后的邊緣。

2.3 連續(xù)四幀差分算法基本原理

傳統(tǒng)的三幀差分算法雖然能夠快速檢測出運動目標的輪廓，但其所檢測出的輪廓往往不連續(xù)且存在較大的空洞現(xiàn)象，同時傳統(tǒng)三幀差分算法不能完整提取目標信息。本文采用如下改進幀間差分法，即連續(xù)四幀差分算法，可以在一定程度上克服傳統(tǒng)三幀差分算法的不足。設預處理后的連續(xù)四幀圖像f1（x，y）、f2（x，y）、f3（x，y）、f4（x，y），首先分別將f1（x，y）與f3（x，y）以及f2（x，y）與f4（x，y）做差分運算，得到差分結果：

（1）

（2）

然后將差分后的結果D1與D2二值化處理后進行“與”運算，得到結果DA=D1D2，“與”運算能夠有效的克制目標重疊現(xiàn)象。

2.4 本文算法

本文算法融合圖像邊緣信息與四幀差分對運動目標進行檢測，首先采用Canny邊緣檢測算法快速提取連續(xù)四幀圖像的邊緣圖像，然后利用四幀差分算法得到較為完整的運動目標輪廓，最后通過后期一系列處理提取出準確完整的運動目標區(qū)域。本文算法整體流程如圖1所示。

2.5 形態(tài)學處理

由于干擾因素的存在，導致我們得到的二值化圖像中往往會出現(xiàn)噪聲及空洞，可以通過數(shù)學形態(tài)學對其進行后處理。首先采用腐蝕運算消除二值圖像中的孤立噪聲點，再采用膨脹運算來填充運動目標的邊緣空洞。

3 實驗對比

本文采用 Matlab 進行仿真實驗，為驗證算法的有效性，分別利用傳統(tǒng)三幀差分法、四幀差分法以及本文算法對同一組 AVI 視頻序列圖像進行測試。檢測結果如圖2所示。

分別采用傳統(tǒng)三幀差分算法、四幀差分算法及本文算法對原始圖像進行處理，原始圖像中右邊白色衣服人物是靜止不動的，處理結果如圖2所示。由圖可知，采用傳統(tǒng)三幀差分算法檢測到的目標輪廓不連續(xù)，四幀差分法得到的圖像目標輪廓更清晰，內(nèi)容更為豐富，但輪廓依然不完整，而采用本文算法檢測得到的目標輪廓更加完整清晰，結果準確。

4 結論

本文融合圖像邊緣信息與四幀差分對運動目標進行檢測，首先采用Canny邊緣檢測算法快速提取連續(xù)四幀圖像的邊緣圖像，然后利用四幀差分算法得到較為完整的運動目標輪廓，最后通過后期一系列處理提取出準確完整的運動目標區(qū)域。實驗結果表明本文算法能夠快速準確檢測出運動目標，進一步改進了傳統(tǒng)三幀差分目標輪廓不連續(xù)現(xiàn)象，計算簡單，可滿足實時性檢測需求。

參考文獻

[1]羅志升，王黎，高曉蓉，王澤勇，趙全軻.序列圖像中運動目標檢測與跟蹤方法分析[J].現(xiàn)代電子技術，2009.

[2]蔣钘.人體運動目標檢測與跟蹤關系問題研究[D].中南林業(yè)科技大學，2013.

[3]劉辰飛.智能視頻監(jiān)控系統(tǒng)中運動目標的檢測與跟蹤[D].濟南大學，2012.

[4]舒欣，李東新， 薛東偉.五幀差分和邊緣檢測的運動目標檢測[J].計算機系統(tǒng)應用，2014，23（1）.

[5]許錄平.數(shù)字圖像處理[M].北京：科學出版社，2007.

[6]張德豐.MATLAB 數(shù)字圖像處理[M].北京：機械工業(yè)出版社，2009.

[7]邵廣安.視頻監(jiān)控中運動目標檢測與跟蹤方法的研究[D].南昌大學，2013.

[8]趙潔，李瑋，郝志鵬，彭慧卿.基于改進 Canny 算子與圖像形態(tài)學融合的邊緣檢測方法[J].微型機與應用，2011，30（10）

作者簡介

張鵬（1988-），男，現(xiàn)為西華大學電氣信息學院碩士研究生。主要研究方向為信號與信息處理、圖像處理。

李思岑（1989-），女，現(xiàn)為西華大學電氣信息學院碩士研究生。主要研究方向為嵌入式技術及應用、圖像處理。

楊燕翔（1963-），男，現(xiàn)為西華大學電氣信息學院碩士生導師。主要研究方向為現(xiàn)代信號處理、嵌入式技術及應用。

作者單位

西華大學電氣信息學院 四川省成都市 610039endprint