实时视频图像的清晰度检测算法研究.docVIP

实时视频图像的清晰度检测算法研究 2010-12-18 17:11:42???来源:微型机与应用 ?? 关键字：? HYPERLINK /eeworldtags/%E5%AE%9E%E6%97%B6%E8%A7%86%E9%A2%91%E5%9B%BE%E5%83%8F \t _blank 实时视频图像?? HYPERLINK /eeworldtags/%E8%83%8C%E6%99%AF%E6%8F%90%E5%8F%96 \t _blank 背景提取?? HYPERLINK /eeworldtags/Sobel%E7%AE%97%E5%AD%90 \t _blank Sobel算子?? HYPERLINK /eeworldtags/%E6%B8%85%E6%99%B0%E5%BA%A6%E6%A3%80%E6%B5%8B \t _blank 清晰度检测 ???? HYPERLINK /eeworldtags/%E5%AE%9E%E6%97%B6%E8%A7%86%E9%A2%91%E5%9B%BE%E5%83%8F \t _blank 实时视频图像的质量分析已成为众多应用领域性能好坏的关键因素之一，因此实时视频图像的 HYPERLINK /eeworldtags/%E6%B8%85%E6%99%B0%E5%BA%A6%E6%A3%80%E6%B5%8B \t _blank 清晰度检测变得尤为重要。目前针对实时视频图像清晰度检测的研究较少，图像清晰度检测算法的研究对象主要针对静止的图像。现有的图像清晰度检测算法大致分为空域和频域两类。在空域中多采用基于梯度的算法，如拉普拉斯(Laplace)算法、差分平方和(SPSMD)算法、 HYPERLINK /eeworldtags/Sobel%E7%AE%97%E5%AD%90 \t _blank Sobel算子等。此类算法计算简洁、快速、抗噪性能好、可靠性较高。在频域中多采用图像的FFT变换(或其他变换)，如功率谱(Power-spectra)算法等[1-2]。此类算法的检测效果好，但计算复杂度高、计算时间长，不适合应用在基于软件实现的实时检测系统中。 ??? 当前对实时视频图像的一种重要应用是对运动目标的检测，常用的目标检测方法有帧差法、背景减法、光流法及运动能量法[3]，其中最简单而又快捷的方法是背景差法。其基本思想是通过对输入图像与背景图像进行比较来分割运动目标，关键环节是背景图像的提取。目前常用的 HYPERLINK /eeworldtags/%E8%83%8C%E6%99%AF%E6%8F%90%E5%8F%96 \t _blank 背景提取方法有多帧图像平均法、灰度统计法、中值滤波法、基于帧差的选择方法、单高斯建模等。参考文献[4]中对以上算法做了充分的研究。 ??? 本文是针对实时视频图像的清晰度检测，基于实时视频图像背景基本保持不变的环境。通过比较上述算法，针对实时视频图像的特点，提出一种基于背景提取与Sobel算子相结合的实时视频图像的清晰度检测算法。 1 实时视频图像的清晰度检测算法原理 ??? 当视频播放画面超过24帧/s时，根据视觉暂留原理，人眼无法辨别每幅单独的静态画面，看上去是平滑连续的视觉效果。视频中的事物通常分为静止和运动两类，连续多帧画面中保持静止的物体可视为静止的背景，连续多帧画面中位置变化的物体可视为运动的前景。因此，实时视频图像中的每帧图像都可以划分为静止的背景和运动的前景两类区域。由于视频序列图像中运动的前景区域随机变化，引起图像像素点梯度值的随机改变，使得实时视频图像的清晰度检测较难实现。因此，本文的算法是利用实时视频图像中静止的背景区域检测视频序列图像的清晰度，即由背景提取和清晰度检测两部分组成。 1.1 实时视频图像的背景提取 ??? 由参考文献[5]可知，视频序列中帧图像的静止背景区域由灰度值变化较小的像素点构成，每个像素点都有一个对应的像素值，这个值在一段时间内保持不变；运动的前景区域由灰度值变化较大的像素点构成，各像素点在不同的帧图像中的位置改变，形成运动轨迹。背景提取的目标就是根据实时视频图像中像素值的上述特点，找出图像中背景像素点的值。采用多帧图像累加平均的方法来获取图像的背景，从统计学角度，运动物体可视为随机噪声，而均值可以降噪，采用多帧图像累加取均值可消除运动物体，获得静止的背景图片。背景图像的计算公式为：?INCLUDEPICTURE \d /images/2010/12/03/7969570199381.gif \* MERGEFORMATINET 式中，f(x，y)为图像灰度，gx和gy可以用卷积模板来实现，如图1所示。 INCLUDEPICTURE \d /images/