機器視覺中的運動目標檢測圖像處理及算法

機器視覺或稱計算機視覺是用一個可以代替人眼的光學裝置和傳感器來對客觀世界三維場景進行感知，即獲取物體的數(shù)字圖像，利用計算機或者芯片，結合專門應用軟件來模擬人腦的判斷準則而對所獲取的數(shù)字圖像進行測量和判斷。該技術已廣泛用于實際的測量、控制和檢測中，隨著芯片技術發(fā)展，在人工智能各個領域應用也逐步展開。一個典型的工業(yè)機器視覺系統(tǒng)包括：光源、鏡頭、相機(包括CCD相機和COMS相機)、圖像處理單元(或機器視覺芯片)、圖像處理軟件、監(jiān)視器、通訊、輸入輸出單元等。系統(tǒng)可再分為主端電腦、影像采集與影像處理器、影像攝影機、CCTV鏡頭、顯微鏡頭、照明設備、Halogen光源、LED光源、高周波螢光燈源、閃光燈源、其他特殊光源、影像顯示器、LCD、機構及控制系統(tǒng)、控制器、精密桌臺、伺服運動機臺。機器視覺之于人工智能的意義等同于視覺之于人類的意義，而決定著機器視覺的就是圖像處理技術。不同的應用領域需要不同的圖像處理算法來實現(xiàn)機器視覺。常用的機器視覺領域圖像算法有運動目標檢測算法、基于深度學習的人臉算法等。下面介紹下機器視覺中的運動目標檢測圖像算法，該方法是運動物體識別和跟蹤的基礎。移動物體的檢測依據(jù)視頻圖像中背景環(huán)境的不同可以分為靜態(tài)背景檢測和動態(tài)背景檢測。由于篇幅有限，我們這里只介紹靜態(tài)背景檢測算法。常見的靜態(tài)背景目標的檢測算法包括幀間差分法、背景減除法、光流法等。這些背景不變算法的優(yōu)缺點描述如下圖。在上述檢測算法中，幀間差分法和背景減除法更加適用于如視頻監(jiān)控、智能交通系統(tǒng)等圖像背景靜止的環(huán)境中。光流法則更加適用于背景不斷變化的動態(tài)環(huán)境中。下面來介紹以上三種常用算法的基本原理。幀間差分法適應環(huán)境能力強、計算量小、且穩(wěn)定性好，是目前應用廣泛的一類運動檢測方法。其原理是將相幀或者三幀序列圖像像素點的對應灰度值進行相減，如果灰度差值大于閾值則說明此處物體發(fā)生了變化，它是運動的；如果像素的灰度差值小于給定閾值說明此處物體沒有發(fā)生變化，認為它是靜止的。將像素灰度值發(fā)生變化的部分標記出來，這些被標記的點就組成了運動目標區(qū)域。進一步對灰度圖像進行二值化分析，提取目標運動信息，區(qū)分出前景和背景圖像，進而分割出運動目標。背景減除法其實是一種特別的幀間差分法，背景減除法根據(jù)將當前幀圖像與背景模型做差來實現(xiàn)對運動目標的檢測。這種方法首先獲取背景模型，并將其保存起來，當對某一幀圖像進行檢測時，用實時獲取的幀圖像與背景模型做差分運算，得到要檢測的運動目標。光流法當運動目標在監(jiān)控場景中產(chǎn)生運動的時候，物體表面會形成位移矢量場，根據(jù)其變化可以得到運動目標。光流是指移動物體在其對應的灰度圖像上的表面運動，在光流場中，運動目標的速度矢量形成的平面投影構成了目標的運動信息。運動目標在投影上形成的速度矢量是比較均勻，運動目標速度不同形成的速度矢量也不相同，通過光流的計算結果就可以區(qū)分出速度不同的運動目標。圖像處理算法一開始應用應該是采用服務器的軟件算法來完成，隨著互聯(lián)網(wǎng)技術的不斷成熟，會擴展到云端計算來完成，但是這樣對于網(wǎng)絡帶寬要求非常大，對于云服務器的計量量要求也非常高。筆者估計，視頻圖像處理技術算法的大規(guī)模產(chǎn)業(yè)化應用，必然是需要專業(yè)的芯片來完成，該芯片就是機器視覺(CV)芯片。芯片方式一定是能夠降低成本，同時提高運算能力。從近年的整個行業(yè)情況來看，計算