摘   要: 為了提高視頻跟蹤系統(tǒng)中目標檢測的精度,，提出了一種以FPGA為核心的目標檢測方法,。利用形態(tài)學對Sobel目標邊緣檢測的結(jié)果進行優(yōu)化，在此基礎(chǔ)上,，改進新的目標檢測算法彌補形態(tài)學優(yōu)化存在的不足。FPGA實現(xiàn)結(jié)果表明,，改進的目標檢測方法可以實現(xiàn)任何閾值情況下目標邊緣的深度優(yōu)化,，使得圖像邊緣更清晰、噪聲更小,。

　　關(guān)鍵詞： 形態(tài)學,； Sobel； FPGA,；目標檢測

　　在視頻跟蹤系統(tǒng)的研究中,，目標檢測是至關(guān)重要一環(huán)，其結(jié)果的好壞關(guān)系到圖像的分析與識別,，直接影響機器視覺系統(tǒng)對客觀世界的理解,。實現(xiàn)圖像中目標邊緣檢測有許多不同的方法，也一直是圖像處理的研究熱點,，人們期望找到一種定位準,、抗噪強、不誤檢,、不漏檢的檢測算法[1],。經(jīng)典的算法中主要用梯度算子，較常用的有Roberts,、Prewitt和Sobel算子,，其中Sobel效果較好，但也存在不足之處,，無法避免噪聲,，對后續(xù)的圖像處理有很大的影響。

　　近年來,形態(tài)學在圖像處理中起著重要的作用,，它利用具有一定形態(tài)結(jié)構(gòu)元素去度量,、提取圖像中對應(yīng)的形狀，以達到對圖像目標分析和識別的目的[2],。形態(tài)學運算是物體形狀集合與結(jié)構(gòu)元素之間的相互作用,，常用的運算有腐蝕、膨脹,、開和閉,，它對邊緣方向不敏感,，可以在很大程度上抑制噪聲，探測真正的邊緣,。因此,，將形態(tài)學應(yīng)用于目標邊緣檢測既能有效地濾除噪聲，又能保留圖像中目標原有的細節(jié)信息,，具有較好的邊緣檢測效果[3],。

　　此外，邊緣檢測對處理速度要求比較高且算法處理的數(shù)據(jù)量比較大,，傳統(tǒng)的軟件實現(xiàn)會比較慢,，無法達到實時的要求。而用FPGA芯片,，用硬件設(shè)計來提高圖像處理的速度,，可滿足系統(tǒng)實時要求。本文以FPGA為平臺,，利用形態(tài)學方法對Sobel邊緣檢測結(jié)果進行優(yōu)化,，并在此基礎(chǔ)上提出了一種改進的邊緣檢測方法，使得圖像中目標的邊緣更加清晰,、噪聲更小,。

　　1 視頻跟蹤系統(tǒng)的設(shè)計

　　通過攝像頭獲取實時圖像并輸入FPGA，根據(jù)目標檢測,、目標跟蹤,、云臺控制等算法實現(xiàn)運動目標的自動跟蹤，圖1為系統(tǒng)整體設(shè)計,。目標檢測的好壞直接關(guān)系到目標跟蹤及云臺控制,。

　　與傳統(tǒng)的DSP跟蹤平臺相比，F(xiàn)PGA有著明顯的優(yōu)勢：(1)信號并行處理,；(2)系統(tǒng)設(shè)計靈活,；(3)價格在不斷降低。因此,，采用FPGA作為視頻跟蹤系統(tǒng)處理平臺是未來的必然趨勢,。

　　2 基于FPGA的形態(tài)學和Sobel目標檢測

　　2.1 形態(tài)學和Sobel算法

　　形態(tài)學是分析幾何形狀以及結(jié)構(gòu)的一種數(shù)學方法。常用的形態(tài)學運算有：腐蝕,、膨脹,、開和閉。

　　腐蝕(?專)的作用是消除物體邊界點,，膨脹(?茌)是把圖像周圍的背景點合并到物體中,。

　　設(shè)A為一幅二值圖像，B為結(jié)構(gòu)元素,，則膨脹運算定義為[4]：

　　膨脹運算為集合B首先做關(guān)于原點的映射,，然后平移形成集合()a,，最后計算集合a與集合A不為空集的結(jié)構(gòu)元素參考點的集合。

　　膨脹可擴大圖像;開運算可平滑圖像輪廓,，削弱狹窄,，去掉細的突出;閉運算可平滑圖像輪廓，它一般融合窄的缺口和細長的彎口,，去掉小洞,，填補輪廓上的縫隙[5]。

　　Sobel是一種微分邊緣檢測算法,，該算子是由兩個卷積核g1(x,y)與g2(x,y)對原圖像f(x,y)進行卷積運算而得到的,。其數(shù)學表達式為：

　　根據(jù)Sobel原理可得出圖2所示的Sobel邊緣檢測算法框圖。首先利用卷積運算得出水平和垂直方向梯度,，然后利用均方根運算將兩個方向梯度結(jié)合,，最后進行閾值處理來判斷圖像邊緣并輸出圖像邊緣檢測結(jié)果[6],。

　　2.2 形態(tài)學優(yōu)化在Sobel目標檢測中存在的問題

　　形態(tài)學在一定條件下可對Sobel邊緣檢測結(jié)果進行優(yōu)化,，但也存在一些缺陷。圖3設(shè)計了兩種不同的實時圖像目標檢測方法,，第一種為Sobel邊緣處理得到圖像中目標邊緣,，第二種為先經(jīng)過Sobel邊緣處理再進行形態(tài)學優(yōu)化得到圖像中目標邊緣。

　　FPGA實現(xiàn)目標檢測結(jié)果如圖4所示,，其中圖4(a)和圖4(c)分別為低閾值和高閾值時Sobel處理后結(jié)果,，圖4(b)和圖4(d)分別為低閾值和高閾值時先經(jīng)過Sobel處理再經(jīng)過形態(tài)學優(yōu)化得到的結(jié)果。對比圖4(a)與圖4(b)看出,，低閾值情況下,，采用Sobel和形態(tài)學的方法可以有效抑制Sobel邊緣檢測噪聲，降低噪聲,，使圖像邊緣變得更加精細,；對比圖4(c)與圖4(d)看出，隨著判定閾值升高,，形態(tài)學對Sobel邊緣檢測效果的優(yōu)化效果越來越不明顯,，甚至開始出現(xiàn)邊緣點丟失。

　　3 改進的目標邊緣檢測算法

　　為了得到更好的圖像邊緣細節(jié)和提高算子的抗噪能力,，本文提出改進的目標邊緣檢測算法,，流程如圖5所示。

　　(1)對攝像頭采集的原始實時圖像進行格式轉(zhuǎn)換,，RGB格式變?yōu)榛叶葓D像格式：

　　灰度值=R×0.299+G×0.587+B×0.114  (3)

　　(2)灰度圖像分為兩路,一路進行Sobel邊緣檢測,，另一路先進行Sobel邊緣檢測再經(jīng)過Dilation處理。

　　(3)Sobel邊緣檢測得到的每一幀圖像邊緣減去Sobel+Dilation邊緣檢測得到的圖像邊緣：

　　Bi(x,y)=Ii(x,y)-B(x,y)          (4)

　　其中,，Ii(x,y)表示當前幀Sobel邊緣檢測后各個像素點值,，B(x,y)表示Sobel+Dilation邊緣檢測后各個像素點值,。

　　(4)將步驟(3)得到的每一幀圖像差值計為當前幀圖像的噪聲信息，得到噪聲圖像,。

　　(5)Sobel邊緣檢測得到的圖像邊緣減去噪聲圖像,，得到改進后的邊緣圖像：

　　Di(x,y)=Ii(x,y)-Bi(x,y) (5)

　　其中，Di(x,y)表示每幀圖像最終得到的各個像素點的值,。

　　4 試驗結(jié)果及分析

　　4.1 目標邊緣檢測FPGA實現(xiàn)的主要模塊

　　Sobel邊緣檢測的FPGA實現(xiàn)主要包含梯度計算和閾值處理,，在實現(xiàn)時采用圖像數(shù)據(jù)緩沖為圖像做緩沖處理[7]。以下主要介紹圖像數(shù)據(jù)緩沖和卷積計算模塊的硬件實現(xiàn),，其中卷積運算如圖6所示,。

　　該模塊采用3條線性緩沖器來實現(xiàn)Sobel算子對圖像數(shù)據(jù)的卷積運算，X1~X9為Sobel算子的模板系數(shù),，P1~P9為Sobel算子3×3模板中需要處理的每個像素點灰度值,，乘、加部分由QuartusII軟件中宏功能模塊庫中的可編程多路并行加法器模塊parallel_add與可編程乘加器altmult_add進行運算,。

　　形態(tài)學處理FPGA實現(xiàn)過程與卷積運算非常相似,，采用3條線性緩沖器來實現(xiàn)形態(tài)學運算。其中,在Dilation膨脹運算時,，前一級檢測的邊緣數(shù)據(jù)送入Dilation運算模塊,，運算原理如圖7所示，圖中P1~P9為Dilation模塊3×3運算模板中需要處理的圖像邊緣數(shù)據(jù),。

　　Dilation膨脹模塊的核心部分Verilog HDL代碼如下：

　　P9<=Line0;P8<=X9;P7<=X8;P6<=Line1;P5<=X6;P4<=

　　X5;P3<=Line2; P2<=X3;P1<=X2;

　　if(iDVAL)

　　oDATA<=P9|P8|P7|P6|P5|P4|P3|P2|P1;

　　else

　　oDATA<=0;

　　膨脹Dilation將P1~P9作“或”運算,，腐蝕Erosion將像素點P1~P9作“與”運算。

　　4.2 FPGA目標邊緣檢測結(jié)果分析

　　該實時圖像目標邊緣檢測在EP2C70 FPGA開發(fā)板上實現(xiàn),，視頻圖像由外部CMOS攝像頭采集,，處理完的數(shù)據(jù)由TRDB-LTM顯示。系統(tǒng)運行在28 MHz時鐘頻率上,，外部輸入實時圖像數(shù)據(jù)為640像素×480像素,，1 024級灰度水平。表1為3種測試方案FPGA硬件資源使用情況,，對比數(shù)據(jù)可以看出,，改進的新算法資源利用率相當小，達到了目標邊緣檢測實時快速的設(shè)計要求,。

　　改進算法的FPGA實現(xiàn)結(jié)果如圖8所示,，圖8(a)為CMOS采集的原始彩色圖像，圖8(b)為格式轉(zhuǎn)換后的灰度圖像,，圖8(c)為低閾值下改進算法的目標檢測結(jié)果,，圖8(d)為高閾值下改進算法的目標檢測結(jié)果。

　　對比圖4(b)和圖4(d),，從圖8(c)和圖8(d)可知,，無論閾值如何變化,，圖像經(jīng)過改進算法處理得到的目標邊緣都相當清晰，而且在降低邊緣圖像噪聲的同時,，也彌補了形態(tài)學對Sobel邊緣優(yōu)化存在的細微空洞現(xiàn)象,。

　　本文在FPGA平臺實現(xiàn)了Sobel算子對實時圖像中目標的邊緣檢測，以及使用形態(tài)學方法對Sobel檢測結(jié)果進行了優(yōu)化,，并在此基礎(chǔ)上提出了一種新的改進算法,。與傳統(tǒng)Sobel邊緣檢測相比，隨著邊緣閾值的改變,，形態(tài)學方法對圖像邊緣優(yōu)化呈現(xiàn)出不同的變化,，當閾值升高到一定時，可以明顯地感受到形態(tài)學優(yōu)化效果不足,，而新改進的算法可以在任何閾值情況下避免Sobel邊緣檢測的噪聲,，讓邊緣檢測更清晰，進一步提高了圖像邊緣檢測的精度,。

　　參考文獻

　　[1] 袁春蘭,熊宗龍,周雪花,等. 基于Sobel算子的圖像邊緣檢測研究[J]. 激光與2009,39(1):85-87.

　　[2] 鄧彩霞,王貴彬,楊鑫蕊. 改進的抗噪形態(tài)學邊緣檢測算法[J]. 數(shù)據(jù)采集理,2013,28(6):739-745.

　　[3] 夏平,劉馨瓊,向?qū)W軍,等.基于形態(tài)學多結(jié)構(gòu)基元的含噪圖像邊緣檢測[J]2010,27(7):206-209.

　　[4] 趙潔,李瑋,郝志鵬,等.基于改進Canny算子與圖像形態(tài)學融合的邊緣檢測方法[J]. 微型機與應(yīng)用,2011,30(10):44-47.

　　[5] 李峰. 基于數(shù)學形態(tài)學的圖像邊緣檢測及其在虹膜定位中的應(yīng)用研究[D].長沙：2009.

　　[6] 張麗紅,凌朝東. 基于FPGA的Sobel邊緣檢測應(yīng)用[J].電子技術(shù)應(yīng)用,，2011,37(8):26-29.

　　[7] 劉紫燕， 祁佳. 實時圖像邊緣檢測形態(tài)學優(yōu)化設(shè)計及FPGA實現(xiàn)[J].2013,39(9):132-134.