基于DSP检测算法实现及优化.docVIP

基于DSP检测算法实现及优化 　　摘要：运动目标检测可以从连续变化的多幅图像中把运动目标提取出来。运动目标的捕捉对于目标分化、采集和动作归类等后续处理相当重要，因为后期过程只处理图像中运动目标周围一定范围内的像素。但由于运动目标所处背景的随机性，比如气候、光线及噪声干扰的影响，检测运动目标实际上是一项比较困难的任务。目前对于运动目标的检测的算法可以划分为两类：基于象素强度的算法及基于运动的算法。细分又包括四种：基于特征的方法、基于帧间差分的方法、基于背景建模的方法和基于光流场的方法。其中前三种属于基于象素强度变化检测的算法，第四种可以看作是基于运动的检测方法。基于强度算法容易实现、效率高，可处理目标跟踪问题比较难。基于运动的算法稳定性强，处理跟踪问题相对简单。该文重点研究目标检测的DSP算法实现，所以在参考大量文献后，选用了传统检测算法中速度较快而且相对便于硬件实现的帧间差分算法，为了取得良好快速的目标检测结果，该文采用Sobel算子与帧间差分结合的方法。 　　关键词：DSP的检测算法；实现及优化 　　中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2014）13-3070-05 　　1 基于Sobel算子的帧间差分检测算法 　　1.1 帧间差分法 　　由于红外图像的目标特性，用灰度变化表述物体的运动轨迹可以获得较高的检测效率，从而满足检测过程的实时性要求。 　　假设输入图像为： 　　[F={fj（a，b），a∈X，b∈Y，j=0，1，2，....}] 　　其中，（a ， b）为实际场景中（X ， Y）上一点，[fj（a，b）]为第j帧上（a ， b）点的灰度值，j为图像的编号，以下为图像差分的结果： 　　[D={dj（a，b），a∈X，b∈Y，j=0，1，2，....}] 　　[其中：dj（a，b）={|fj（a，b）-fj-i（a，b）|，j=0，1，2，...；i=0，1，2，3，...}] 　　[dj（a，b）]基本上体现出运动目标的边界和高差异区域。一般选择i=1也就是相邻两幅图像进行差分，如果运动目标的速度小于相邻两幅图像的时间差时，可以增大i值避免检测目标遗失。如i=5时仍然没有目标，则可以认为无检测目标，就换为下一幅图像（j+1）图像进行检测。 　　选择一个恰当的阈值[Tj]，将差分结果[dj（a，b）] 转变为二值图像： 　　[wj（a，b）=0，dj（a，b）≥Tj1，dj（a，b）Tj] 　　其中阈值[Tj]定义为：[Tj=0.5×Max（dj（a，b））] 　　1.2 图像去噪、增强 　　一般采集到的图像均含有噪声，导致二值图像上有一些孤立点，这些点并不是目标但会对图像的分割产生影响，因此对二值图像进行广义滤波，可以去除这些并非目标的孤立点，广义滤波会对图像造成一定程度的削弱所以滤波后需对图像进行增强。 　　为使算法获得比较高的执行效率，滤波采用下式： 　　[E（A）=I（a，b）I（a-1，b）I（a+1，b）I（a，b-1）I（a，b+1）I（a-1，b-1） I（a+1，b+1） （a-1，b+1）I（a+1，b-1） ] 　　增强采用下式： 　　[E（A）=I（a，b）| I（a-1，b）| I（a+1，b）| I（a，b-1）| I（a，b+1）| I（a-1，b-1） | I（a+1，b+1）| I（a-1，b+1）|I（a+1，b-1）] 　　1.3 图像分割 　　对于图像上一点[fj（a，b）∈[Ni，Nj]]，其中[Ni和Nj]是两个灰度值。若设定灰度集n?[[Ni，Nj]]作为判定依据，灰度值属于n的则将像素转变为某一灰度值，其余像素转变为另一灰度值，处理后图像就被划分为两个区域。 　　这一过程可表示如下： 　　[fj（a，b）=n1，fj（a，b）∈nn2，其他] 　　上式中n1和n2是设定的目标灰度和背景灰度。如果[n1=1，n2=0]，则分割结果就为二值图像。 　　通过差分可以找到两幅图像的差异，差值较大的区域就有可能是目标所处的位置。用降噪后的二值图像查找目标可能存在的位置，并把该位置从整幅图中分割出来。方法为：找到[wj（a，b）=0] 的点，划定它周围区域作为目标范围，区域划定以（a-5，b-5）作为左上角，以（a+10，b+10）作为右下角。把划定区域的二值图像[wj（a，b）=0]的点设置为1，即找到了目标可能存在的范围。 　　1.4 边缘检测 　　用sobel算子对整幅图像进行差分和滤波，可减少干扰，边缘定位准确和相对完整，适用于灰度渐变和有一定噪声干扰的图像处理。Sobel 算子用于检测边沿的算子有2个，一个水平模板、一个垂直模板。如图1： 　　[-1-2-1000121] [-1