- 09/22
- 2006
-
QQ扫一扫
-
Vision小助手
(CMVU)
摘要: 文章探讨了在野外实时图像监测中,如何能够准确的检测出突然出现在地平线附近的弱小目标这一问题。提出了一种基于帧间实时差分处理的系统图像处理算法。该算法采用帧间差分,对多帧图像处理操作进行算法整合,在两帧图像采集期间完成处理任务。此外,算法中排除了野外环境的干扰以及烟尘快速飘移对后续爆点探测的影响,提出了依据时空相关性检测的帧间多级差分和伪目标边缘跟踪的方法,其特点是能够排除空旷无人地区各种自然因素的干扰,且处理速度快。实验表明了该算法的实时性和有效性。
关键词:图像处理;实时目标检测;差分图像
1.引言
本文研究的内容是在野外环境中对于突然出现在地平线附近爆点目标的实时图像检测方法。对于野外环境中的爆点目标,其检测识别主要针对于爆炸引起的火光及烟尘,因此对爆点目标的检测可以转化为对于烟尘目标的检测。由于烟尘目标具有面积较小,形状多变以及消散较快的特点,并且由于系统拍摄的是室外环境,各种环境因素的影响便不能忽略,例如人、飞鸟或交通工具进入视场而有可能被错误判断为目标出现;此外,烟尘的快速漂移对于后续目标的识别也会造成干扰。这样如何在相机高速采集环境图像的同时,实时准确的判别是否有感兴趣目标出现,便成为一个需要重点研究的问题。
本文提出了一种改进的差分检测算法实现野外环境中地平线附近烟尘目标的实时图像检测,既满足了检测的实时性要求又能够有效的排除如飞鸟等不可抗因素的干扰。
2.野外环境中地平线附近烟尘目标图像特点分析
通过对试验图像的分析,对于野外环境中爆炸引起的烟尘目标,其影像面积较小,其形态、位置变化迅速。由于捕捉对象为烟尘目标,其初期迅速膨胀,接着随风逐步漂移、扩散,直至消失,并且烟尘目标与背景图像的灰度往往较快的趋于相似或一致,因此其存在的持续时间较短(目标约在出现后的1~2秒内消失)。当摄像机以每秒15帧的帧率采集时,可以捕捉到突然出现的烟尘目标的图像在20幅左右,而其中清晰的烟尘图像不超过6幅。
此外由于拍摄环境处于野外,烟尘目标检测的背景较为复杂。首先野外环境中物体如飞鸟、植物的运动都会对目标检测造成干扰,如图1.a)所示,野外环境中的飞鸟与烟尘目标同时出现在一帧图像中对目标的检测造成干扰。其次,多个目标之间也存在着互相干扰的情况,由于烟尘目标随风漂移,容易产生多个目标的重叠,影响检测。图1.b)显示的是多目标互相干扰的情况。
从以上对图像特点的分析可知,对于野外环境中地平线附近的烟尘目标检测需要解决如下关键问题:首先,做到既能对图像差异做出灵敏探测,又能有效排除噪声以及伪目标干扰,并且能够有效抑制烟尘漂移变化给后续目标点探测带来的影响;其次,能够对已探测目标进行识别,其形态变化、位置移动或与另外目标点影像重叠时,不再被处理为新的目标。另外,图像处理算法应尽量减少处理时间,满足目标检测的实时性。
3.基于实时帧间差分的烟尘目标检测算法
针对烟尘目标在产生初期具有快速膨胀的特点,而在后期的烟尘随风漂移则较为缓慢,因此采用帧间差分方法[1]进行烟尘目标的检测较为适宜,这种方法的特点是对于图像中的快速变化敏感,而且因为两幅图像的时间间隔较短,差分图像受环境光线变化影响较小,对图像中的渐变不累积,这样可以有效降低目标烟尘漂移的干扰,并且降低了光线变化对于目标检测的影响。
3.1 模板滤波及分割
单帧差分处理首先遍历差分图像,以T作为差分图像的分割阈值,阈值选取的基本条件是必须足够小从而可以检测出图像上的微弱目标,同时为了避免因阈值过小而引起的将图像中的随机噪声作为目标检测出来。在此我们使用n×n(n为奇数)形态学算子模板对遍历到的差分图像象素进行操作,并且引入分割几何门限m[2],即如果遍历到的差分图像点灰度值大于T,并且其 邻域的象素中有m个大于T,则认为该点属于目标,于是将该点在空白图像上的对应点的灰度值置为255,如果该点不能满足条件,则将其空白图像上的对应点象素灰度置为0。如图2.c)所示,通过此项操作,图像上的杂散噪点、伪特征点,以及比较小的干扰目标均被滤除,实现了图像滤波,同时程序将所有可能的目标从背景中分割了出来,构成了一个全新的二值化图像,为后续操作做好了准备。图2.d)中为m取4时模板滤波的结果,由图中可以看出二值化图像中的噪声以及较小伪目标已经被滤除。
若定义 为差分图像(i,j)点的灰度值, 为二值化图像(i,j)点的灰度值, , 为(i,j)点二值化过程的中间量,上面的操作可表示成如下的数学模型:
3.2象素标记法统计目标块
所谓象素标记法[3],就是在不要求任何先验信息的条件下对二值化图像进行扫描,按象素间的连通性决定象素属于哪一个目标,并在此基础上获得目标的特征量。传统的象素标记法对于图像中的每个象素块需要正反两次遍历才能完成,如果采用这种方法遍历一幅差分后的二值化图像往往需要几十甚至上百毫秒的时间,无法满足实时帧间处理需要。为此,本系统提出采用了改进的象素标记法,即标记所有目标只需遍历一次图像,采用这种方法标记一幅图像中的象素块只需要几毫秒的时间,从而解决系统帧间实时处理的问题。程序设计中通过两步操作完成此项任务,第一步是遍历图像操作,负责统计出目标块儿,它和模板滤波与分割操作在同一循环中完成,这将减少系统的处理时间;第二步是遍历目标块儿操作,负责获得目标的面积、中心及边界等特征,其中目标中心象素可能作为烟尘目标的位置信息,而面积、边界等特征则可用于伪目标的识别。
3.3序列图像时空相关性检测——帧间多级差分
经前述步骤处理出的单帧差分图像虽能很好的反映象素间的空间关系,但在复杂环境下抗干扰能力差,为此,算法对序列图像在帧间处理中实施了四级帧间差分,引入了时空相关性的检测判据[4],其原理如下:在帧间处理时内存中始终保存最新的五帧图像 A0至A4,先由A2,A3,A4对A1作差分处理,然后对A0、A4作首尾四级差分处理,对4帧二值化图像统计目标块,只有当目标块在各差分图像同一位置连续出现才被确认为真,算法中A1与A4隔两帧作差分能够更好的体现烟土目标出现时的膨胀效果,而最后A0与A4的首尾差分则排除了单独在A1图像上发生瞬变造成误触发的可能。图3显示的是使用多级差分的方法排除飞鸟干扰的过程。
3.4 伪目标边缘跟踪方法
虽然相邻帧差分能够抑制缓慢变化带来的干扰,但当野外环境中风力较大时,烟尘目标漂移迅速,仍会在差分图像上形成伪目标块,这些伪目标块持续时间长,位置、形状、数目不断变化,容易使系统将其认为是目标,从而影响到后续目标的探测或使系统产生误报问题。为此,采用了一种边缘跟踪的算法来排除它们带来的干扰,具体方法如下:
当目标i经时空相关性检测被确认后,将其加入已解算目标序列,并根据边缘象素构造外接矩形L1。设下一次多级帧间差分处理后,再次提取出的目标i的边缘外接矩形变为L2,于是根据L1与L2间的中心偏移量确定目标i的水平位移预测矢量 △H和垂直位移预测矢量△V,根据L1与L2之间的边长差确定目标i的水平形变预测量△l和垂直形变预测量△S。接着根据△H、△V、△l和△S构造目标i下次帧间处理后的预测外接矩形区域L。下次帧间处理后,若有目标的中心确实在L内,则认为这个目标是目标i的延续。接着根据该目标边缘象素构造新的外接矩形L3,并通过它与矩形L2的比较构造新的预测矩形区域L,用于下一帧处理后目标是否延续的判断。当连续n帧采集处理后都没有出现目标i的延续时,则认为跟踪的烟尘已消散,停止对目标i的跟踪算法。图3-10是伪目标边缘跟踪方法的执行流程图。
4.结论
本文针对野外环境中地平线附近爆炸引起的烟尘目标的图像特点,提出了一种多级帧间差分处理算法。该算法具有较好的实时性,在两帧图像采集之间完成烟尘目标的提取,排除了野外环境图像中存在的噪点以及飞鸟等干扰,并且采用边缘跟踪的方法排除了爆点目标之间的相互干扰,取得了较好的效果。
参考文献
1. 范勇,游志胜,张建州等,一种快速运动目标检测与跟踪算法,光电工程,2000,,27(6):30-33
2. 陈忠碧,张启衡,一种适合于多目标检测的图像分割方法.光电工程,2004,5-34-37
3. 赵彦玲,张之超,一种简单易行的运动对象分割方法,激光与红外工程,2004,33(6):611-61
4. 李路,周德超,刘忠,运动目标检测算法在军用视频监控系统中的应用,传感技术学报,2004,第2期:212-215
- 上一条:线性插值方法在CLI建模中的应用
- 下一条:一种基于单目视觉的车辆道路识别方法