一種基于Ｃａｎｎｙ算子的車輛目標檢測方法

[摘要] Canny算子作為一種優化的邊緣檢測算法，在檢測圖像的邊緣時有著邊緣上連續等諸多優點。本文是在差分背景的情況下對車輛做邊緣檢測，在分析Canny算子的基礎上對算子做了改進，提出了基于Otsu算法的一種動態閾值的邊緣提取算子。該算子彌補了普通的Canny算子對于閾值不能隨著圖像的信息而自動調整的缺陷。實驗表明，改進的算子能對動態圖像序列的車輛進行自動有效的邊緣檢測。

[關鍵詞] 邊緣檢測 差分背景 Canny算子 Otsu算法 自適應閾值

一、引言

車輛的檢測和跟蹤是當今機器視覺的熱點和焦點，車輛的跟蹤是建立在正確、可靠的檢測基礎上。我們一般觀察到的車輛都是有著復雜的背景，在做差分背景的運算可以較好的將背景的信息去掉，有利于車輛邊緣的檢測。但如何有效提取出差分圖像的車輛邊緣，一直是個難點，常用的邊緣檢測算法有Robert算子、Prewitt算子、Sobel算子和LOG算子等。但這些算子都對噪聲比較敏感，對于信噪比相對低的圖像，處理的效果不會很好，Canny算子能有效的去噪和保留圖像的邊緣，因此Canny算子在圖像的邊緣檢測中被廣泛的運用。

傳統的Canny算子利用固定的高、低閾值來進行邊緣提取，對不同圖像缺乏自適應性。另一方面無法消除局部噪聲干擾，在檢測出假邊緣的同時還會丟失一些灰度變化值變化緩慢的局部邊緣。本文在分析了傳統Canny算子的基本原理的基礎上提出了一種基于Otsu算法的Canny算子，該改進算子能有效對動態圖像序列的車輛自適應地生成動態閾值，自動提取邊緣，解決了閾值的選擇問題，提高了算子的魯棒性。

二、車輛檢測概述

圖像的分割與檢測(識別)是一項非常困難的工作。圖像很難說清楚為什么應該分割成這樣而不是那樣。人類的視覺系統是非常優越的，它不僅包含了雙眼，還包括了大腦，可以從很復雜的景物中分開并識別每個物體。

由于人類在觀察圖像中應用了大量的知識，所以沒有任何一臺計算機在分割和檢測真實圖像時，能達到人類視覺系統的水平。正因為如此，對于大部分圖像應用來說，實用化的自動分割與檢測還是一個將來時，目前只有少數的幾個領域(如印刷體識別OCR)自動識別達到了實用的水平。因此，這方面的研究很活躍，車輛檢測就是其中之一。

車輛的檢測就是對包含車輛信息的圖像序列運用數字信號處理技術進行適當的處理，從而去除靜止的背景，檢測出目標車輛及攜帶的運動信息，并對運動信息進行整合，得到關鍵參數。車輛目標檢測原則就是要盡可能保留那些對視覺檢測有重要意義的特征信息，同時最大限度地擯棄那些對運動目標無用的冗余信息。

三、差分圖像

背景差分是利用當前幀圖像和背景圖像的差分來檢測運動區域，即將當前幀圖像與背景圖像相減。它一般能提供教完整的特征數據，得到較精確的目標圖像。背景差分又可以分為動態背景差分和固定背景差分，動態背景差分要隨時間的推移更新背景圖像，實現比較困難，差分固定背景的優點在于只要獲得一幀背景圖像，從而速度快，實現簡單，但所采集得到的背景圖像隨著時間的推移，會對光照等外部條件比較敏感，影響到目標的檢測效果。本實驗中采用固定背景差分的方式。一般的情況下檢測目標是在差分圖里根據閾值來二值化圖像，區分目標與背景，而本文則是在差分圖像的基礎上用改進的Canny算子直接來提取車輛的輪廓來判斷目標。

四、邊緣檢測

邊緣是指圖像中那些領域灰度有強烈反差的像素的集合，它是圖像分割最重要的依據，也是紋理特征的重要信息源和形狀分析的基礎，邊緣信息適合于檢測和定位圖像中的物理位置。

邊緣檢測的3個最優準則:檢漏真實存在的邊緣點，不把非邊緣點作邊緣點檢出;檢測出的邊緣點的位置與真實邊緣點的位置接近，提高圖像的定位精度;每個真實存在的點與檢測出來的邊緣點——對應，也就是單邊緣響應準則。所以在檢測圖像的邊緣時，我們要盡量的滿足這3個準則。

對一幅圖像進行邊緣檢測，一般可以分三步:濾波、增強和檢測，Canny算法也是一個具有類似步驟的多階段的優化算法。

1.Canny算子的邊緣提取

(1)圖像平滑

Canny算子用高斯平滑濾波器對圖像進行去噪處理，用的是高斯平滑濾波器與圖像作卷積，因為要分割的圖像可能帶有部分噪聲，未對這部分噪聲進行處理將直接影響圖像邊緣提取的效果。設用I[i，j]表示圖像，那么卷積的過程可表示為:

S[i，j]=G[i，j，σ]*I[i，j](1)

其中G[i，j，σ]是高斯平滑濾波函數，σ是高斯函數的散布參數，用它來控制平滑程度。

(2)梯度的幅值和方向的計算

圖像不I[i，j]經過高斯平滑后的矩陣為S[i，j]，然后計算圖像的梯度矩陣，首先計算平滑后矩陣S[i，j]的x方向和y方向的偏導數，分別為Px[i，j]和Py[i，j]。

(2)

(3)

則圖像梯度的幅值和方向分別為

(4)

(5)

(3)梯度幅值的非極大值抑制

幅值圖像陣列M[i，j]的值越大，其對應的圖像梯度值也越大，但這還不足以確定邊緣。它僅僅體現了圖像的快速變化，為了確定邊緣，我們要的是保留局部變化最大的點。具體的做法是將像素[i，j]的梯度方向角的變化范圍縮減到圖1所示的4個區之一(編號相同的代表一個方向)，然后將同一方向上像素[i，j]與其相鄰像素的梯度幅值進行比較:若M[i，j]非局部極大值，就將其設為0。

(4)檢測和連接邊緣

對非極大值抑制圖像作雙閾值h1和h2，且h2≈2h1，得到兩個閾值邊緣圖像T1[i，j]和T2[i，j]，T2[i，j]是用高閾值得到，含有很少的假邊緣，但有間斷。雙閾值法要在T2[i，j]中把邊緣連接成輪廓，當到達輪廓的端點時，該算法就在T1[i，j]的8個鄰點位置尋找可以連接到輪廓上的邊緣，這樣，算法不斷的在T1[i，j]中收集邊緣，直到將T2[i，j]連接起來為止。

普通的Canny算子雙門限設置中，閾值h1和h2選擇是固定的，一般的做法是:設圖像的非邊緣數與總的像素點數的比值是q，從得到的梯度直方圖里里從低梯度開始逐步累加圖像點的數，當累加的數目與總像素的比值達到q時，對應的梯度值即為h2，而一般的q的取值為0.7。

分析了Canny算子的原理，可以看出，影響Canny算子性能的兩個因數是σ和h2的選取，對于灰度平坦的圖像，用較小的σ可以取的很好的平滑效果，但如果圖像的灰度復雜度增加，也要有相應的增加。高斯平滑模板隨著σ的增大而增大，平滑的速度會大幅度的變慢，針對σ的選取或估計也有很多人提出了改進的算法，但就結果來看，或者計算量大，或者改進的效果不理想，所以到目前為止也沒有一種好的方法能比較準確的確定不同圖像中σ的選取，我們按照圖像具體的情況選擇σ的數值。在本文實驗中，σ的取值為1。

h2的最佳選取也取決于像素間的灰度差異及它的空間分布，所以用固定的閾值去提取差分圖像中車輛的邊緣的話，很難有效提取出邊緣。我們在對差分背景的車輛圖像作梯度化處理以后，其直方圖呈雙峰的特性。這樣就可以用到Otsu算法的閾值的設定方法，用類間方差最大準則來確定。

2.Otsu算法定閾值

Otsu的基本原理為用最佳閾值將圖像的灰度直方圖分割成兩部分，使兩部分的類間方差取最大值，即分離性最大。設閾值為T，把圖像整個灰度級分為目標區域灰度級[1，2…，T]與背景灰度級[T+1，T+2，……，M] 。

目標區域灰度均值與背景區域的灰度均值分別為

(6)

(7)

其中pi和pj分別為灰度為i和j的像素的概率，α(t)為目標區域的灰度總和，β(t)為背景區域的灰度總和。

目標區域和背景的類間偏差σ2B是：

(8)

其中μ為目標圖像的灰度均值，最優閾值T＊使類間偏差取得最大，即

(9)

最大的T*將差分圖像分割為目標區域和背景區域兩大部分。

通過Otsu算法去處理經過梯度運算后得到的梯度幅值圖像，得到的最優閾值T*為該圖用于Canny算子的高閾值h2。

五、實驗與分析

圖2和圖5是車輛的差分背景圖，可以明顯的看出，除了運動要檢測的車輛，復雜的背景已經被去除。圖3和圖6是用普通的Canny算子(q=0.7)提取車輛邊緣的結果，從結果圖里看出，除了車輛的輪廓外，還出現了大量的假邊緣，出現這種情況的主要原因是背景在室外條件下會受光照的影響，雖然通過差分背景已經去掉了背景的信息，但由于光照而使圖像背景發生改變的部分還是會在差分背景圖中保留。而普通的Canny算子是用固定的閾值，且一般這個值很低的情況下去將會提取出很多假邊緣。

而我們用基于Otsu算法的Canny算子基本上不存在這個問題，因為它是用類間方差最大原則來分析圖像的幅值，背景的變化部分的幅值在與車輛邊緣的幅值與背景幅值的比較中更傾向與背景，用Otsu算法在分析幅值時能進行有效的區分背景和車輛，這樣在提取邊緣時就能把車輛的邊緣提取出來，而不會有由于背景發生變化而產生的假邊緣，結果如圖4和圖7所示。由于改進的Canny算子是在分析圖像信息的情況下劃定閾值，對動態的圖像序列中車輛能進行有效的邊緣提取。

六、結論

本文的方法是對傳統的Canny算子進行了改進，彌補了單一的閾值所不能解決的細節丟失和噪聲增多兩者間的平衡問題，改善了對差分背景的車輛圖像邊檢測的效果，而且在檢測過程中自適應的生成高、低閾值，檢測圖像的邊緣，自動化程度高。雖然本算法的運算復雜度和運算時間要稍大與普通的Canny算子，但不影響它的實時性。

參考文獻:

[1]賈云得:機器視覺[M].北京:科學出版社，2000，97～100

[2]季鍵昂海松:航空序列圖像的特征模型提取及追蹤[J].中國圖象圖形學報，2004，9(6)

[3]梅約松楊樹興莫波:基于Canny算子的改進的圖像邊緣檢測方法[J].激光與紅外，2006，36(6)

[4]馬力易昂傅明:一種基于Canny算法的邊緣提取改善方法[J].計算技術與自動化，2003，22(1)

[5]楊振亞白治江王成道自適應Canny邊緣檢測算法[J].上海海運學院學報，2003，24(4)

[6]Yong Lee， Kassam S .Generalized median filtering and related nonlinear filtering techniques[J].IEEE Transactions on Acoustics， Speech， and Signal Processing 1985， 33(3)

“本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文”