摘 要： 針對實(shí)時(shí)視頻圖像的清晰度檢測問題,，提出了一種背景提取和Sobel算子清晰度檢測相結(jié)合的方法,。采用多幀圖像疊加平均的方法獲取背景圖片，然后將邊緣檢測中經(jīng)典的Sobel算子應(yīng)用于視頻圖像清晰度檢測,。為提高評價(jià)值的精確度,，計(jì)算模板由2個(gè)增加到4個(gè)。實(shí)驗(yàn)結(jié)果表明,，此方法具有良好的檢測效果,，計(jì)算速率可以滿足系統(tǒng)實(shí)時(shí)性的要求。
關(guān)鍵詞： 實(shí)時(shí)視頻圖像,；背景提?。籗obel算子,；清晰度檢測
實(shí)時(shí)視頻圖像的質(zhì)量分析已成為眾多應(yīng)用領(lǐng)域性能好壞的關(guān)鍵因素之一,，因此實(shí)時(shí)視頻圖像的清晰度檢測變得尤為重要。目前針對實(shí)時(shí)視頻圖像清晰度檢測的研究較少,，圖像清晰度檢測算法的研究對象主要針對靜止的圖像。現(xiàn)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(Laplace)算法,、差分平方和(SPSMD)算法、Sobel算子等,。此類算法計(jì)算簡潔,、快速、抗噪性能好,、可靠性較高,。在頻域中多采用圖像的FFT變換(或其他變換)，如功率譜(Power-spectra)算法等[1-2],。此類算法的檢測效果好,，但計(jì)算復(fù)雜度高、計(jì)算時(shí)間長,，不適合應(yīng)用在基于軟件實(shí)現(xiàn)的實(shí)時(shí)檢測系統(tǒng)中,。
當(dāng)前對實(shí)時(shí)視頻圖像的一種重要應(yīng)用是對運(yùn)動(dòng)目標(biāo)的檢測，常用的目標(biāo)檢測方法有幀差法,、背景減法,、光流法及運(yùn)動(dòng)能量法[3]，其中最簡單而又快捷的方法是背景差法,。其基本思想是通過對輸入圖像與背景圖像進(jìn)行比較來分割運(yùn)動(dòng)目標(biāo),，關(guān)鍵環(huán)節(jié)是背景圖像的提取。目前常用的背景提取方法有多幀圖像平均法,、灰度統(tǒng)計(jì)法,、中值濾波法、基于幀差的選擇方法,、單高斯建模等,。參考文獻(xiàn)[4]中對以上算法做了充分的研究。
本文是針對實(shí)時(shí)視頻圖像的清晰度檢測,，基于實(shí)時(shí)視頻圖像背景基本保持不變的環(huán)境,。通過比較上述算法，針對實(shí)時(shí)視頻圖像的特點(diǎn),，提出一種基于背景提取與Sobel算子相結(jié)合的實(shí)時(shí)視頻圖像的清晰度檢測算法,。
1 實(shí)時(shí)視頻圖像的清晰度檢測算法原理
當(dāng)視頻播放畫面超過24幀/s時(shí)，根據(jù)視覺暫留原理,，人眼無法辨別每幅單獨(dú)的靜態(tài)畫面,，看上去是平滑連續(xù)的視覺效果。視頻中的事物通常分為靜止和運(yùn)動(dòng)兩類,，連續(xù)多幀畫面中保持靜止的物體可視為靜止的背景,，連續(xù)多幀畫面中位置變化的物體可視為運(yùn)動(dòng)的前景。因此,，實(shí)時(shí)視頻圖像中的每幀圖像都可以劃分為靜止的背景和運(yùn)動(dòng)的前景兩類區(qū)域,。由于視頻序列圖像中運(yùn)動(dòng)的前景區(qū)域隨機(jī)變化,，引起圖像像素點(diǎn)梯度值的隨機(jī)改變，使得實(shí)時(shí)視頻圖像的清晰度檢測較難實(shí)現(xiàn),。因此,，本文的算法是利用實(shí)時(shí)視頻圖像中靜止的背景區(qū)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,。
1.1 實(shí)時(shí)視頻圖像的背景提取
由參考文獻(xiàn)[5]可知,，視頻序列中幀圖像的靜止背景區(qū)域由灰度值變化較小的像素點(diǎn)構(gòu)成，每個(gè)像素點(diǎn)都有一個(gè)對應(yīng)的像素值,，這個(gè)值在一段時(shí)間內(nèi)保持不變,；運(yùn)動(dòng)的前景區(qū)域由灰度值變化較大的像素點(diǎn)構(gòu)成，各像素點(diǎn)在不同的幀圖像中的位置改變,，形成運(yùn)動(dòng)軌跡,。背景提取的目標(biāo)就是根據(jù)實(shí)時(shí)視頻圖像中像素值的上述特點(diǎn)，找出圖像中背景像素點(diǎn)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(tǒng)計(jì)學(xué)角度，運(yùn)動(dòng)物體可視為隨機(jī)噪聲,，而均值可以降噪,，采用多幀圖像累加取均值可消除運(yùn)動(dòng)物體，獲得靜止的背景圖片,。背景圖像的計(jì)算公式為：
式中,，f(x，y)為圖像灰度,，gx和gy可以用卷積模板來實(shí)現(xiàn),，如圖1所示。
傳統(tǒng)的邊緣檢測中,，Sobel算子利用如圖1的水平和垂直兩個(gè)方向的模板,，但實(shí)際情況中的梯度方向是未知的，因此利用兩個(gè)方向計(jì)算出來的結(jié)果存在一定的誤差,。為了提高梯度計(jì)算精度,，將模板的數(shù)量增加到4個(gè)，如圖2所示,，即0°,、45°、90°,、135° 4個(gè)方向,。雖然繼續(xù)增加模板的數(shù)量可以進(jìn)一步提高計(jì)算精度，但考慮到計(jì)算效率,，模板數(shù)量不宜過多,。
2 算法描述
本算法大致分為三步：
(1)截取一段實(shí)時(shí)視頻圖像,，獲取初始背景圖像。
(2)利用當(dāng)前實(shí)時(shí)視頻圖像更新初始背景,，獲得待檢測的背景圖像。
(3)根據(jù)Sobel算子計(jì)算背景圖像的邊緣梯度值之和,，根據(jù)閾值判斷背景圖像的清晰度,，得到實(shí)時(shí)視頻圖像的清晰度評價(jià)值。
算法描述如下：
從實(shí)時(shí)視頻圖像中截取一段時(shí)長為1 min的視頻圖像,，每5 s進(jìn)行1次采樣,，共得到12幀圖像。為減少計(jì)算量,，將采樣得到的12幀圖像由RGB空間轉(zhuǎn)換到灰度空間,。對圖像中每個(gè)像素點(diǎn)的灰度值f(x，y)累加求平均,，得到實(shí)時(shí)視頻圖像的初始背景圖像,。計(jì)算公式為：
式中，n為邊緣點(diǎn)的個(gè)數(shù),。將value與清晰的實(shí)時(shí)視頻圖像背景的清晰度檢測范圍值(經(jīng)大量的實(shí)時(shí)視頻圖像實(shí)驗(yàn)得到)比較,，若value∈T(α1，α2),，則實(shí)時(shí)視頻圖像是清晰的,；若value
T(α1，α2),，則實(shí)時(shí)視頻圖像是模糊的,。
3 實(shí)驗(yàn)結(jié)果與分析
目前，大部分的攝像系統(tǒng)都是基于RGB顏色空間,，每個(gè)像素點(diǎn)在RGB空間中是一個(gè)三維矢量,。為了減少計(jì)算量，使用灰度圖像序列,，即將彩色視頻序列轉(zhuǎn)換成灰度視頻序列,，基于灰度視頻圖像完成提取背景及實(shí)時(shí)視頻圖像的清晰度檢測。
實(shí)驗(yàn)程序在PC機(jī)上運(yùn)行,，編程軟件是Matlab R2007b,，采用的是24位RGB視頻序列，30幀/s,，每幀圖片的分辨率是320×240,。從實(shí)時(shí)視頻圖像中提取背景圖像后，本文分別采用Sobel算子,、平方梯度法和快速檢測法三種算法對圖像的清晰度進(jìn)行檢測,。
實(shí)驗(yàn)拍攝的視頻圖如圖3所示,。視頻中杯子為移動(dòng)的物體，杯子由視野的右側(cè)移動(dòng)到視野的左側(cè),，背景物體基本保持不變,。圖3中的圖片1和圖片2分別是從實(shí)驗(yàn)視頻中截取的圖片，杯子的位置不斷改變,，圖片3為清晰的實(shí)時(shí)視頻圖像的背景圖像,，其像素梯度值作為判斷視頻序列圖像清晰度的參考閾值，如表1所示,。圖3中的圖征4~9分別是從6段不同的實(shí)時(shí)視頻圖像中提取的背景圖片,。6段視頻序列圖像的清晰度逐漸減弱，其背景圖像也越來越模糊,?；谏鲜霰尘皥D，本文采用了三種算法：Sobel算子清晰度檢測,、平方梯度算法和快速檢測法,。其中Sobel算子清晰度檢測如文中所述，平方梯度算法將微分值平方,，計(jì)算公式為：
式中,，圖像大小為M×N，f(x,，y)表示(x,，y)處的灰度值[6]?？焖贆z測法是先求圖像的灰度均值,，分別計(jì)算灰度值大于和小于圖像灰度均值的像素點(diǎn)的均值H和L，然后利用評價(jià)因子F=(H-L)/(H+L)來檢測實(shí)時(shí)視頻圖像的清晰度,。
三種算法對實(shí)時(shí)視頻圖像的清晰度檢測結(jié)果如表1所示,。清晰度評價(jià)值經(jīng)過歸一化處理，便于算法準(zhǔn)確度性能的比較,。由表1可知,，Sobel算子清晰度檢測和平方梯度算法的清晰度評價(jià)值的變化趨勢與幅度和肉眼觀測到的事實(shí)基本相符，視頻序列圖像越模糊,，清晰度評價(jià)值越小,，即實(shí)時(shí)視頻圖像1、2,、3的清晰度評價(jià)值在評價(jià)范圍內(nèi),，實(shí)時(shí)視頻圖像是清晰的，實(shí)時(shí)視頻圖像4、5,、6的清晰度評價(jià)值在評價(jià)范圍之外,，實(shí)時(shí)視頻圖像是模糊的?？焖贆z測算法對清晰度的敏感度低,，視頻很模糊時(shí)，評價(jià)值仍然較大,，不能很好地衡量清晰度的變化幅度,。表2比較了三種算法的時(shí)間性能，可知Sobel算子清晰度檢測算法與快速算法計(jì)算時(shí)間較為接近,，平方梯度算法計(jì)算時(shí)間最長。綜上所述,，平方梯度算法評價(jià)效果較好,，但實(shí)時(shí)性較差；快速算子計(jì)算速率高,，但對模糊的靈敏度低,；Sobel算子的評價(jià)效果好，實(shí)時(shí)性也符合系統(tǒng)的要求,。
為了對實(shí)時(shí)視頻圖像的清晰度進(jìn)行實(shí)時(shí)檢測,，針對實(shí)時(shí)視頻圖像的特點(diǎn)，本文提出了采用背景提取和Sobel算子相結(jié)合的清晰度檢測算法,，該算法在幀圖像清晰度檢測時(shí)計(jì)算效率高,，能夠自動(dòng)實(shí)時(shí)地完成實(shí)時(shí)視頻圖像的清晰度檢測。但目前此算法僅適用于實(shí)時(shí)視頻圖像中背景基本不變或微小變化的場景,。如果背景圖像變化幅度較大,，需要調(diào)整判斷視頻清晰度的評價(jià)范圍作為新的評價(jià)標(biāo)準(zhǔn)，這也是后續(xù)工作的研究重點(diǎn),，以使該算法在更多的場景中應(yīng)用,。
參考文獻(xiàn)
[1] MENG Bo， ZHU Ming,， CAI Chang Jin. Design of video auto focusing based on image processing[J]. Optical Information Processing,， 2006，6027(2):501-509.
[2] LI Feng,， JIN Hong. A fast auto-focusing method for digital still camera[C]. Proceeding of the Fourth International Conference on Machine Learning and Cybernetics. Guangzhou: Proceeding of the 2005 IEEE,， 2005:5001-5005.
[3] 袁偉才，徐向民.一種有效的動(dòng)態(tài)背景提取及更新方法[J].計(jì)算機(jī)工程與應(yīng)用,，2010,，46(4):191-192.
[4] 孟苑.復(fù)雜背景下運(yùn)動(dòng)目標(biāo)的檢測[D].陜西：西安電子科技大學(xué)，2009.
[5] 邢軍.基于Sobel算子數(shù)字圖像的邊緣檢測[J].微機(jī)發(fā)展，2005,，15(9):48-52.
[6] 李奇.數(shù)字自動(dòng)對焦技術(shù)的理論及實(shí)現(xiàn)方法研究[D].浙江：浙江大學(xué),，2004.