實時目標清晰度檢測在微調目標跟蹤控制應用的研究

覃宗選

摘要：本文是研究在目標跟蹤過程中，對實時視頻獲取到的監控目標圖像清晰度的檢測，并微調控制伺服轉臺及監控攝像機，以跟蹤、獲取監控目標的最佳姿態和監視目標最清晰圖像。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，將邊緣檢測中經典的Sobel算子應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合微調補償矩陣控制伺服轉臺及監控攝像機。

關鍵詞：清晰度檢測;微調目標跟蹤;實時視頻圖像;Sobel算子;微調補償矩陣

引言：在目標跟蹤過程中，目標實時視頻圖像的質量分析 已成為目標自動跟蹤系統性能好壞的關鍵因素之一，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， 但計算復雜度高、計算時間長，不適合應用在實時目標檢測系 統中。

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境，提出一種基于背景提取與Sobel 算子相結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清晰度與微調補償矩陣結合，控制伺服轉 臺及攝像機，以跟蹤、獲取到最佳的目標。

一、實時視頻圖像的清晰度檢測算法原理

當視頻播放畫面超過24幀/s 時，根據視覺暫留原理，人眼 無法辨別每幅單獨的靜態畫面，看上去是平滑連續的視覺效 果。視頻中物體分為靜止和運動兩類，連續多幀畫面中保持靜 止的物體可視為靜止的背景，連續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域。由于視頻序列圖像 中運動的前景區域隨機變化，引起圖像像素點梯度值的隨機改 變，使得實時視頻圖像的清晰度檢測較難實現。本文的算法是 利用實時視頻圖像中靜止的背景區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域由灰度值變化較 小的像素點構成， 每個像素點都有一個對應的像素值，這個 值在一段時間內保持不變;運動的前景區域由灰度值變化較大 的像素點構成，各像素點在不同的幀圖像中的位置改變，形成 運動軌跡。背景提取的目標就是根據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，從統計學角度，運動物體可視為 隨機噪聲，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， ） ，（ y xg i

表示圖 像像素（x，y）的灰度值。隨著疊加幀數 N 的增加，靜止的背景不 變，運動的物體逐漸消失。幀數越多，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果。

2.Sobel 算子清晰度檢測

Sobel 算子清晰度檢測當幀圖像模糊時，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。經典的邊界檢測方法（如 Sobel 梯度算子、Robert 梯度算子等）是構造對像素灰度級階躍變化敏感的微分算子。

本文采用經典的 Sobel 算子，利用 3×3 的方向模板與圖像 中每個點進行鄰域卷積來完成，避免了在像素之間內插點上計 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，如圖 1 所示。

傳統的邊緣檢測中，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果存在一定的誤差。為了提高梯度 計算精度，將模板的數量增加到 4 個，如圖 2 所示，即 0°、 45°、90°、135°四個方向。雖然繼續增加模板的數量可以進 一步提高計算精度，但考慮到計算效率，模板數量不宜過多。

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 Sobel 算子計算背景圖像的邊緣梯度值之和，根據 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 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。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、實時目標清晰度檢測與補償矩陣的結合控制 在目標跟蹤過程，攝像機焦距改變時，鏡頭本身的變化以 及所帶來的攝像機外參的變化，本研究是利用微調補償矩陣補 償變焦過程中引起的攝像機外參數的變化。算法中，在制作查 找表時，將補償矩陣放入查找表，一旦焦距發生改變，可直接 從查找表中查找當前焦距對應的攝像機內參以及補償矩陣，替 換和修正原有的攝像機內外參數。雖然補償矩陣是用于補償攝 像機外部參數的矩陣，但是卻是通過分析變焦鏡頭內部結構獲 得的。因此補償矩陣只與鏡頭的固有性質有關，而與攝像機外 參無關。所以對于同一組鏡頭而言，補償矩陣只需構造一次，即使攝像機的位置和姿態發生變化，也無需重新構造，只需采 用編碼器記錄伺服轉臺系統。實時目標清晰度檢測在微調目標 跟蹤控制應用中，根據系統中檢測計算得到的目標清晰度 value 值，并將 value 值與微調補償矩陣結合，實現穩定跟蹤目標。

四、總結

本文對實時目標跟蹤的實時視頻圖像的清晰度進行實時 檢測，并針對實時跟蹤目標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，并結合微調補償矩陣的算法，在變焦 過程中有效地對攝像機外參進行補償，控制攝像機及伺服轉 臺，以達到提高跟蹤精度的目的。

參考文獻：

[1]朱孔鳳，姜威，王瑞芳。一種新的圖像清晰度評價 函數，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 調焦系統，光電工程，2006，33（1），141-144

[3]丁瑩，復雜環境運動目標檢測若干關鍵問題研究， 《吉 林大學》 ，2010

[4]王勇，譚毅華，田金文。一種新的圖像清晰度評價 函數，武漢理工大學學報

[5]舒遠，談正。一種新的消隱點自動測量算法，紅外 與激光工程，2003，32（5）：479-483