一种改善高斯拉普拉斯算子零交叉方法的车辆边缘检测
合集下载
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
（ １） 建立图像的灰度直方图， 利用搜索变量 ＺＭＡＸ和 ＺＭＩＮ 搜 索 到 最 大 灰 度 值 和 最 小 灰 度 值 ， 令 初 始 阈 值
； （ ２） 根据阈值 Ｔｋ 将图象分割为前景和背景， 分别求
图 ４ 边缘二阶微分产生的零交叉 由于图像中噪声的存在， 在运用拉普拉斯算子之 前要进行低通滤波。选用前面提到的高斯低通滤波器 和拉普拉斯算子相结合， 可组成单一的高斯拉普拉斯 边缘检测算子。
图像处理 文章编号：１００８－ ０５７０（２００６）１０－ ３－ ０２５２－ ０３
中 文 核 心 期 刊《 微 计 算 机 信 息 》（ 管 控 一 体 化 ）２００６ 年 第 ２２ 卷 第 １０－３ 期
一种改善高斯拉普拉斯算子零交叉方法的车辆 边缘检测
Ａｎ Ｉｍ ｐ ｒｏ ｖｅ ｄ Ｇａ ｕ ｓ ｓ － Ｌａ ｐ ｌａ ｃｅ Ｚｅ ｒｏ － ｃｒｏ ｓ ｓ ｉｎ ｇ Ｔｒａ ｆｆｉｃ Ｅｄ ｇ ｅ Ｄｅ ｔｅ ｃｔｉｏ ｎ Ａｐ ｐ ｒｏ ａ ｃｈ
图３
４ 边缘检测
技
术 边缘检测就是从图像中抽出线， 检测图像边缘或
抽出图像轮廓， 常用算法有微分算法和掩膜算法。高
创 斯拉普拉斯算子是一种常用的微分算子。公式（４）给出
了函数 Ｇ（ｘ， ｙ）在连续空间的拉普拉斯变换。
新 （ ４）
拉普拉斯算子是一个二阶微分算子， 它可在边缘处 产生一个陡峭的零交叉， 这正是拉普拉斯算子实现边缘 检测的依据。边缘的二阶导数产生由正到负的过零点， 简称为零交叉， 零交叉产生的示意图如图 ４ 所示。
彩色车辆图像的处理过程如图 ２ 所示， 首先对图 像进行预处理， 包括高斯平滑滤波， 彩色图像的灰度 化； 接着进行图像自适应阈值二值化； 然后进行高斯
－２５２－ ３６０元 ／ 年 邮局订阅号： ８２－９４６
《 现场总线技术应用 ２００ 例》
您的论文得到两院院士关注
图像处理
拉普拉斯边缘检测； 最后进行边界跟踪和细化处理， 得到细化的边缘图像。
图像处理
中 文 核 心 期 刊《 微 计 算 机 信 息 》（ 管 控 一 体 化 ）２００６ 年 第 ２２ 卷 第 １０－３ 期
该是符号发生变化的位置所对应的像素， 即发生零交 叉的位置。此时由梯度为零的像素则可组成闭合的、 连通的图像边缘轮廓。对于斜坡边缘这一类灰度变化 缓慢的情况， 边缘梯度图像中会包含大片的二阶梯度 值为零的像素， 本文利用上节提到的自适应迭代阈值 法对图像进行预处理， 之后直接设定由零梯度值像素 组成边缘， 对所有梯度为负的值， 令其为零； 而对于为 正的梯度值且超过 ２５５ 灰度级的令其为 ２５５。这样， 就 得到了一幅灰度级在 ０－ ２５５ 的灰度图像， 会出 现比较 清楚的边缘轮廓， 图 ５ 所示为自适应处理前后的车辆 边缘图像。
鲍占阔：硕士研究生 基金项目：北京市自然科学基金资助（ ４０４２００６）
（灰度与周围点相差很大的点） 对边缘检测的影响， 效 果会比其它的边缘检测算子更好。
图１ 理论上， 拉普拉斯边缘检测算子得到的边缘像素 应该是二阶梯度图像产生零交叉时的位置对应的像
素。但对于图 １ 中斜坡边缘这一类灰度变化非常缓慢 的情形， 拉普拉斯边缘检测算子并不能得到有效的边 缘， 往往还会参杂许多背景物体的轮廓。为解决这个 问题， 本文在拉普拉斯边缘检测算子的基础上， 结合 了自适应阈值二值化， 边界跟踪和细化技术， 提出了 可改善高斯拉普拉斯算子零交叉的方法， 得到了具有 较高定位精度的单像素宽的边缘图像。
轮廓跟踪算法描述如下： （ １） 设定初始化标记： 定义像素 点的访问标 记为 ＡｃｃｅｓｓＦｌａｇ＝ＦＡＬＳＥ。 （ ２） 确定第一个边界像素的探 索准则： 按照 从左 到右的， 从下到上的顺序搜索， 找到的第一个黑点就 是最左下方的边界点， 记为 Ａ。同时置访问标记 Ａｃ－ ｃｅｓｓＦｌａｇ＝ＴＲＵＥ， 执行第（ ３） 步。如果整个图像的像素搜 索完毕， 执行最后一步。 （ ３） 从第一个边界点 Ａ 开始， 定义初始的搜索方 向为沿左上方； 如果左上方的点是黑点， 则为边界点， 记 为 Ｂ， 同 时 置 访 问 标 记 ＡｃｃｅｓｓＦｌａｇ＝ＦＡＬＳＥ， 执 行 第 （ ４） 步 ； 否 则 搜 索 方 向 顺 时 针 旋 转 ４５ 度 ， 一 直 找 到 黑 点为止。 （ ４） 将 Ｂ 点作为新的初始边界点， 在当前搜索的 基础上逆时针旋转 ９０ 度， 继续用同样 的方法搜索 下 一个访问标记 ＡｃｃｅｓｓＦｌａｇ＝ＦＡＬＳＥ 的黑点， 找到新的边 界点记为 Ｃ， 置访问标记 ＡｃｃｅｓｓＦｌａｇ＝ＴＲＵＥ， 如果 Ｃ 就 是 Ａ 点， 则表明已经搜索一圈， 执行第（ ５） 步； 否则从
处理完的图像如图 ３ 所示。
（ １）
在数字图像处理中， 式（ １） 的连 续函数需要 离散 化， 当高斯滤波器窗口尺寸为 ｎ 时， 式（ １） 的离散形式 可表示为：
（ ２）
式中， ｍ＝（ｎ－ １）／２． 利用上述高斯函数和图像的卷积运算可实现车 辆图像的去噪。而在数字图像中， 卷积运算可通过模 板乘操作来实现。模板运算是一种邻域运算， 它的数 学涵义就是一种卷积运算。本文采用的高斯滤波中的
数字模板为
， 可以看出距离越近的点， 加
权系数越大， 这种模板被称为高斯模板。 ２．２ 彩色图像灰度化 ＹＵＶ 表 示 方 法 中 ， Ｙ 分 量 的 物 理 含 义 是 亮 度 ， 它
包含了灰度图的所有信息， 只用 Ｙ 分量就完全能够表 示出一幅灰度图来， 而 Ｕ 和 Ｖ 分量则代表了色差。 ＹＵＶ 和 ＲＧＢ 之间的对应关系如式（３）。由于一般亮度 的变化是连续的， 因此数字图像中要表示灰度图就需 对亮度进行量化。通常亮度划分为 ０ 到 ２５５ 共 ２５６ 个 离散等级， 其中 ０ 表示黑色， ２５５ 表示白色。
ｅｄｇｅ ｂｙ ｔｈｅ ｚｅｒｏ－ ｃｒｏｓｓｉｎｇ ｍｅｔｈｏｄ． Ｆｏｒ ｓｏｌｖｉｎｇ ｔｈｉｓ ｉｓｓｕｅ， ｔｈｅ ｐａｐｅｒ ｃｏｍｂｉｎｅｓ ｔｈｅ ｔｅｃｈｎｉｑｕｅｓ ｏｆ ｇｒａｄ ｉｍａｇｅ ｂｉｎａｒｙｚａｔｉｏｎ， ｃｏｎｔｏｕｒ ｔｒａｃ－
创 ｉｎｇ ａｎｄ ｅｄｇｅ ｔｈｉｎｎｉｎｇ ｏｎ ｔｈｅ ｂａｓｉｓ ｏｆ Ｇａｕｓｓ－ Ｌａｐｌａｃｅ ｅｄｇｅ ｏｐｅｒａｔｏｒ， ａｎｄ ｏｂｔａｉｎｅｓ ｏｎｅ－ ｐｉｘｅｌ－ ｅｄｇｅ ｉｍａｇｅ ｗｉｔｈ ｈｉｇｈ ｌｏｃａｔｉｏｎ ｐｒｅｃｉｓｉｏｎ． Ｋｅｙ ｗｏｒ ｄｓ：Ｚｅｒ ｏ－ ｃｒ ｏｓｓｉｎｇ，ｓｌｉｄｅ ｔｈｒ ｅｓｈｏｌｄ ｓｅｇｍｅｎｔａｔｉｏｎ，Ｅｄｇｅ ｄｅｔｅｃｔｉｏｎ，Ｃｏｎｔｏｕｒ ｔｒ ａｃｉｎｇ
技
术
未经自适应预处理的图像
自适应预处理后的图像
图５
创
为了进一步得到去掉背景噪声点的边缘细化图
像， 需要利用边界跟踪和细化技术。
新
５ 轮廓跟踪
轮廓跟踪的目的是为找出高斯拉普拉斯边缘检 测后的梯度图像中的真正边缘， 去掉伪边缘点。轮廓 跟 踪 算 法 的 主 要 依 据 是 ： 先 根 据 某 些 严 格 的“探 索 准 则 ”找 出 目 标 物 体 轮 廓 上 的 像 素 ， 再 根 据 这 些 像 素 的 某 些 特 征 用 一 定 的“跟 踪 准 则 ”找 出 目 标 物 体 上 的 其 他像素。
（ ３）
３ 自适应阈值二值化
对于斜坡边缘这一类灰度变化非常缓慢的图像， 本文利用自适应迭代阈值二值化分算法， 去掉图像中 与车辆不相关的背景物体， 同时将车辆与背景的边缘 锐化， 便于车辆的边缘检测。
自适应迭代法是基于逼近的思想， 首先定义两个 搜索变量 ＺＭＡＸ 和 ＺＭＩＮ， 令其分别搜索图像的最高、最低 灰度值， 该算法的具体步骤如下：
物体的边缘指图像中发生光强度突变的部分， 即 物体边缘像素与相邻区域的像素在灰度级上相比， 具 有跳跃的特性， 这是一般的边缘检测算法的依据。为 检测图 １ 所示车辆的边缘， 本文采用了高斯拉普拉斯 边缘检测算子。由于高斯拉普拉斯算子把高斯平滑滤 波器和拉普拉斯锐化滤波器结合起来。这种先平滑掉 噪声， 再进行边沿检测， 会在一定程度上减轻噪声点
边 缘 这 一 类 灰 度 变 化 非 常 缓 慢 的 情 形 ，单 纯 的 零 交 叉 方 法 并 不 能 检 测 到 有 效 的 边 缘 ，往 往 还 会 参 杂 许 多 背 景 物 体 的 轮 廓 。为
解 决 这 个 问 题 ，本 文 在 高 斯 拉 普 拉 斯 边 缘 检 测 算 子 的 基 础 上 ，结 合 了 自 适 应 阈 值 二 值 化 、边 界 跟 踪 和 细 化 技 术 ，从 而 得 到 了 具
图２
２ 图像预处理
２．１ 高斯平滑 高斯函数在连续空间的表示为
出两者的平均灰度值 ＺＯ 和 ＺＢ；
（ ３） 求出新阈值
；
（ ４） 若 ＴＫ＝ＴＫ＋１， 则所得即为 阈值； 否则转 （ ２） ， 继续 进行计算。
基于迭代的阈值能区分出图像的前景和背景的
主要区域所在， 迭代运算所得的阈值对图像的分割效
果良好， 基本可以满足进行边缘检测的要求， 根据图 １
有较高定位精度的单像素宽的边缘图像。
关键词：零交叉；自适应阈值分割；边缘检测；边界跟踪
பைடு நூலகம்
中 图 分 类 号 ： Ｔ Ｐ ３１７
文献标识码：Ｂ
技 Ａｂｓｔｒ ａｃｔ：Ｔｈｅ ｐａｐｅｒ ｉｎｔｒｏｄｕｃｅｓ ａ ｋｉｎｄ ｏｆ ｔｒａｆｆｉｃ ｉｍａｇｉｎｅ ｅｄｇｅ ｄｅｔｅｃｔｉｏｎ ．ｅｄｇｅ ｐｉｘｅｌｓ ｓｈｏｕｌｄ ｂｅ ｌｏｃａｔｉｏｎ ｗｈｅｒｅ ｔｈｅｒｅ ｅｘｉｓｔｓ ｚｅｒｏ－ ｃｒｏｓｓ－ 术 ｉｎｇ ｉｎ ｓｅｃｏｎｄ－ ｏｒｄｅｒ ｇｒａｄ ｉｍａｇｅ． Ｂｕｔ ｕｎｄｅｒ ｔｈｅ ｓｉｔｕａｔｉｏｎ ｏｆ ｓｌｏｐｉｎｇ ｅｄｇｅ， ｇｒａｙ ｌｅｖｅｌ ｃｈａｎｇｅｓ ｖｅｒｙ ｓｌｏｗｌｙ， ｏｎｅ ｃａｎ ｎｏｔ ｇｅｔ ｅｆｆｅｃｔｉｖｅ
（北京工业大学）鲍 占 阔 杨 玉 珍 陈 阳 舟
Ｂａｏ，Ｚｈａｎｋｕｏ Ｙａｎｇ，Ｙｕｚｈｅｎ Ｃｈｅｎ，Ｙａｎｇｚｈｏｕ
摘要：本文 介 绍 了 一 种 视 频 交 通 车 辆 边 缘 检 测 的 方 法 。边 缘 像 素 是 二 阶 梯 度 图 像 产 生 零 交 叉 时 的 位 置 对 应 像 素，但 对 于 斜 坡
Ｃ 点继续寻找， 直到找到 Ａ 点为止。 （ ５） 程序结束。 判断是不是边界点的方法（ 即跟踪准则） 是： 如果
它的上下左右四个邻点都不是黑点则它即为边界点。
６ 边缘细化
图像的边缘细化就是求取一幅图像骨架的过程， 是指从原来的图像中去掉一些冗余点， 仍要保持边缘 原来的形状， 同时注意不能破坏边缘的连通性。边缘 细化有助于突出形状特点和减少冗余的信息量。这里 采用的是一种简单而且效果很好的从边缘抽取骨架 的算法。程序中为了处理方便， 采用 ２５６ 灰度级中的 ０ 和 ２５５ 两个灰度（ 即黑点和白点） 。
新
１ 引言
一个典型的车辆检测系统一般要经过图像采集， 图像预处理， 图像分割， 图像识别和数据输出五个步 骤。显然， 图像分割是整个车辆检测系统成功设计的 基础。
图像分割一般采取三种不同的原理来实现， 包括 区域方法， 边界方法和边缘方法。在利用区域方法时， 把各像素划归到各个物体或区域中， 例如使用阈值进 行图像分割； 在边界方法中， 只需确定存在于区域间 的边界， 例如基于梯度的图像分割方法， 它利用边界 具有高梯度值的性质直接把边界找出来； 在边缘方法 中， 则先确定边缘像素并把它们连接在一起以构成所 需 的 边 界 ， 例 如 Ｒｏｂｅｒｔｓ 边 缘 算 子 ，Ｓｏｂｅｌ 边 缘 算 子 ， Ｋｒｉｓｃｈ 边缘算子等边缘检测算子可实现图像中物体的 边缘检测。
（ ５） 式中， Ｇ（ｘ， ｙ）表示高斯函数， 其表达式见式（１）。 本文采用的高斯拉普拉斯算子的数字化掩模为
， 通过该卷积核对图像进行卷积运
算， 可得到二阶梯度图像。梯度图像中的像素可分为 梯度值为负、零和正的三种情况。理论上， 边缘像素应
《 Ｐ ＬＣ 技术应用 ２００ 例》
邮局订阅号： ８２－９４６ ３６０ 元 ／ 年 －２５３－
； （ ２） 根据阈值 Ｔｋ 将图象分割为前景和背景， 分别求
图 ４ 边缘二阶微分产生的零交叉 由于图像中噪声的存在， 在运用拉普拉斯算子之 前要进行低通滤波。选用前面提到的高斯低通滤波器 和拉普拉斯算子相结合， 可组成单一的高斯拉普拉斯 边缘检测算子。
图像处理 文章编号：１００８－ ０５７０（２００６）１０－ ３－ ０２５２－ ０３
中 文 核 心 期 刊《 微 计 算 机 信 息 》（ 管 控 一 体 化 ）２００６ 年 第 ２２ 卷 第 １０－３ 期
一种改善高斯拉普拉斯算子零交叉方法的车辆 边缘检测
Ａｎ Ｉｍ ｐ ｒｏ ｖｅ ｄ Ｇａ ｕ ｓ ｓ － Ｌａ ｐ ｌａ ｃｅ Ｚｅ ｒｏ － ｃｒｏ ｓ ｓ ｉｎ ｇ Ｔｒａ ｆｆｉｃ Ｅｄ ｇ ｅ Ｄｅ ｔｅ ｃｔｉｏ ｎ Ａｐ ｐ ｒｏ ａ ｃｈ
图３
４ 边缘检测
技
术 边缘检测就是从图像中抽出线， 检测图像边缘或
抽出图像轮廓， 常用算法有微分算法和掩膜算法。高
创 斯拉普拉斯算子是一种常用的微分算子。公式（４）给出
了函数 Ｇ（ｘ， ｙ）在连续空间的拉普拉斯变换。
新 （ ４）
拉普拉斯算子是一个二阶微分算子， 它可在边缘处 产生一个陡峭的零交叉， 这正是拉普拉斯算子实现边缘 检测的依据。边缘的二阶导数产生由正到负的过零点， 简称为零交叉， 零交叉产生的示意图如图 ４ 所示。
彩色车辆图像的处理过程如图 ２ 所示， 首先对图 像进行预处理， 包括高斯平滑滤波， 彩色图像的灰度 化； 接着进行图像自适应阈值二值化； 然后进行高斯
－２５２－ ３６０元 ／ 年 邮局订阅号： ８２－９４６
《 现场总线技术应用 ２００ 例》
您的论文得到两院院士关注
图像处理
拉普拉斯边缘检测； 最后进行边界跟踪和细化处理， 得到细化的边缘图像。
图像处理
中 文 核 心 期 刊《 微 计 算 机 信 息 》（ 管 控 一 体 化 ）２００６ 年 第 ２２ 卷 第 １０－３ 期
该是符号发生变化的位置所对应的像素， 即发生零交 叉的位置。此时由梯度为零的像素则可组成闭合的、 连通的图像边缘轮廓。对于斜坡边缘这一类灰度变化 缓慢的情况， 边缘梯度图像中会包含大片的二阶梯度 值为零的像素， 本文利用上节提到的自适应迭代阈值 法对图像进行预处理， 之后直接设定由零梯度值像素 组成边缘， 对所有梯度为负的值， 令其为零； 而对于为 正的梯度值且超过 ２５５ 灰度级的令其为 ２５５。这样， 就 得到了一幅灰度级在 ０－ ２５５ 的灰度图像， 会出 现比较 清楚的边缘轮廓， 图 ５ 所示为自适应处理前后的车辆 边缘图像。
鲍占阔：硕士研究生 基金项目：北京市自然科学基金资助（ ４０４２００６）
（灰度与周围点相差很大的点） 对边缘检测的影响， 效 果会比其它的边缘检测算子更好。
图１ 理论上， 拉普拉斯边缘检测算子得到的边缘像素 应该是二阶梯度图像产生零交叉时的位置对应的像
素。但对于图 １ 中斜坡边缘这一类灰度变化非常缓慢 的情形， 拉普拉斯边缘检测算子并不能得到有效的边 缘， 往往还会参杂许多背景物体的轮廓。为解决这个 问题， 本文在拉普拉斯边缘检测算子的基础上， 结合 了自适应阈值二值化， 边界跟踪和细化技术， 提出了 可改善高斯拉普拉斯算子零交叉的方法， 得到了具有 较高定位精度的单像素宽的边缘图像。
轮廓跟踪算法描述如下： （ １） 设定初始化标记： 定义像素 点的访问标 记为 ＡｃｃｅｓｓＦｌａｇ＝ＦＡＬＳＥ。 （ ２） 确定第一个边界像素的探 索准则： 按照 从左 到右的， 从下到上的顺序搜索， 找到的第一个黑点就 是最左下方的边界点， 记为 Ａ。同时置访问标记 Ａｃ－ ｃｅｓｓＦｌａｇ＝ＴＲＵＥ， 执行第（ ３） 步。如果整个图像的像素搜 索完毕， 执行最后一步。 （ ３） 从第一个边界点 Ａ 开始， 定义初始的搜索方 向为沿左上方； 如果左上方的点是黑点， 则为边界点， 记 为 Ｂ， 同 时 置 访 问 标 记 ＡｃｃｅｓｓＦｌａｇ＝ＦＡＬＳＥ， 执 行 第 （ ４） 步 ； 否 则 搜 索 方 向 顺 时 针 旋 转 ４５ 度 ， 一 直 找 到 黑 点为止。 （ ４） 将 Ｂ 点作为新的初始边界点， 在当前搜索的 基础上逆时针旋转 ９０ 度， 继续用同样 的方法搜索 下 一个访问标记 ＡｃｃｅｓｓＦｌａｇ＝ＦＡＬＳＥ 的黑点， 找到新的边 界点记为 Ｃ， 置访问标记 ＡｃｃｅｓｓＦｌａｇ＝ＴＲＵＥ， 如果 Ｃ 就 是 Ａ 点， 则表明已经搜索一圈， 执行第（ ５） 步； 否则从
处理完的图像如图 ３ 所示。
（ １）
在数字图像处理中， 式（ １） 的连 续函数需要 离散 化， 当高斯滤波器窗口尺寸为 ｎ 时， 式（ １） 的离散形式 可表示为：
（ ２）
式中， ｍ＝（ｎ－ １）／２． 利用上述高斯函数和图像的卷积运算可实现车 辆图像的去噪。而在数字图像中， 卷积运算可通过模 板乘操作来实现。模板运算是一种邻域运算， 它的数 学涵义就是一种卷积运算。本文采用的高斯滤波中的
数字模板为
， 可以看出距离越近的点， 加
权系数越大， 这种模板被称为高斯模板。 ２．２ 彩色图像灰度化 ＹＵＶ 表 示 方 法 中 ， Ｙ 分 量 的 物 理 含 义 是 亮 度 ， 它
包含了灰度图的所有信息， 只用 Ｙ 分量就完全能够表 示出一幅灰度图来， 而 Ｕ 和 Ｖ 分量则代表了色差。 ＹＵＶ 和 ＲＧＢ 之间的对应关系如式（３）。由于一般亮度 的变化是连续的， 因此数字图像中要表示灰度图就需 对亮度进行量化。通常亮度划分为 ０ 到 ２５５ 共 ２５６ 个 离散等级， 其中 ０ 表示黑色， ２５５ 表示白色。
ｅｄｇｅ ｂｙ ｔｈｅ ｚｅｒｏ－ ｃｒｏｓｓｉｎｇ ｍｅｔｈｏｄ． Ｆｏｒ ｓｏｌｖｉｎｇ ｔｈｉｓ ｉｓｓｕｅ， ｔｈｅ ｐａｐｅｒ ｃｏｍｂｉｎｅｓ ｔｈｅ ｔｅｃｈｎｉｑｕｅｓ ｏｆ ｇｒａｄ ｉｍａｇｅ ｂｉｎａｒｙｚａｔｉｏｎ， ｃｏｎｔｏｕｒ ｔｒａｃ－
创 ｉｎｇ ａｎｄ ｅｄｇｅ ｔｈｉｎｎｉｎｇ ｏｎ ｔｈｅ ｂａｓｉｓ ｏｆ Ｇａｕｓｓ－ Ｌａｐｌａｃｅ ｅｄｇｅ ｏｐｅｒａｔｏｒ， ａｎｄ ｏｂｔａｉｎｅｓ ｏｎｅ－ ｐｉｘｅｌ－ ｅｄｇｅ ｉｍａｇｅ ｗｉｔｈ ｈｉｇｈ ｌｏｃａｔｉｏｎ ｐｒｅｃｉｓｉｏｎ． Ｋｅｙ ｗｏｒ ｄｓ：Ｚｅｒ ｏ－ ｃｒ ｏｓｓｉｎｇ，ｓｌｉｄｅ ｔｈｒ ｅｓｈｏｌｄ ｓｅｇｍｅｎｔａｔｉｏｎ，Ｅｄｇｅ ｄｅｔｅｃｔｉｏｎ，Ｃｏｎｔｏｕｒ ｔｒ ａｃｉｎｇ
技
术
未经自适应预处理的图像
自适应预处理后的图像
图５
创
为了进一步得到去掉背景噪声点的边缘细化图
像， 需要利用边界跟踪和细化技术。
新
５ 轮廓跟踪
轮廓跟踪的目的是为找出高斯拉普拉斯边缘检 测后的梯度图像中的真正边缘， 去掉伪边缘点。轮廓 跟 踪 算 法 的 主 要 依 据 是 ： 先 根 据 某 些 严 格 的“探 索 准 则 ”找 出 目 标 物 体 轮 廓 上 的 像 素 ， 再 根 据 这 些 像 素 的 某 些 特 征 用 一 定 的“跟 踪 准 则 ”找 出 目 标 物 体 上 的 其 他像素。
（ ３）
３ 自适应阈值二值化
对于斜坡边缘这一类灰度变化非常缓慢的图像， 本文利用自适应迭代阈值二值化分算法， 去掉图像中 与车辆不相关的背景物体， 同时将车辆与背景的边缘 锐化， 便于车辆的边缘检测。
自适应迭代法是基于逼近的思想， 首先定义两个 搜索变量 ＺＭＡＸ 和 ＺＭＩＮ， 令其分别搜索图像的最高、最低 灰度值， 该算法的具体步骤如下：
物体的边缘指图像中发生光强度突变的部分， 即 物体边缘像素与相邻区域的像素在灰度级上相比， 具 有跳跃的特性， 这是一般的边缘检测算法的依据。为 检测图 １ 所示车辆的边缘， 本文采用了高斯拉普拉斯 边缘检测算子。由于高斯拉普拉斯算子把高斯平滑滤 波器和拉普拉斯锐化滤波器结合起来。这种先平滑掉 噪声， 再进行边沿检测， 会在一定程度上减轻噪声点
边 缘 这 一 类 灰 度 变 化 非 常 缓 慢 的 情 形 ，单 纯 的 零 交 叉 方 法 并 不 能 检 测 到 有 效 的 边 缘 ，往 往 还 会 参 杂 许 多 背 景 物 体 的 轮 廓 。为
解 决 这 个 问 题 ，本 文 在 高 斯 拉 普 拉 斯 边 缘 检 测 算 子 的 基 础 上 ，结 合 了 自 适 应 阈 值 二 值 化 、边 界 跟 踪 和 细 化 技 术 ，从 而 得 到 了 具
图２
２ 图像预处理
２．１ 高斯平滑 高斯函数在连续空间的表示为
出两者的平均灰度值 ＺＯ 和 ＺＢ；
（ ３） 求出新阈值
；
（ ４） 若 ＴＫ＝ＴＫ＋１， 则所得即为 阈值； 否则转 （ ２） ， 继续 进行计算。
基于迭代的阈值能区分出图像的前景和背景的
主要区域所在， 迭代运算所得的阈值对图像的分割效
果良好， 基本可以满足进行边缘检测的要求， 根据图 １
有较高定位精度的单像素宽的边缘图像。
关键词：零交叉；自适应阈值分割；边缘检测；边界跟踪
பைடு நூலகம்
中 图 分 类 号 ： Ｔ Ｐ ３１７
文献标识码：Ｂ
技 Ａｂｓｔｒ ａｃｔ：Ｔｈｅ ｐａｐｅｒ ｉｎｔｒｏｄｕｃｅｓ ａ ｋｉｎｄ ｏｆ ｔｒａｆｆｉｃ ｉｍａｇｉｎｅ ｅｄｇｅ ｄｅｔｅｃｔｉｏｎ ．ｅｄｇｅ ｐｉｘｅｌｓ ｓｈｏｕｌｄ ｂｅ ｌｏｃａｔｉｏｎ ｗｈｅｒｅ ｔｈｅｒｅ ｅｘｉｓｔｓ ｚｅｒｏ－ ｃｒｏｓｓ－ 术 ｉｎｇ ｉｎ ｓｅｃｏｎｄ－ ｏｒｄｅｒ ｇｒａｄ ｉｍａｇｅ． Ｂｕｔ ｕｎｄｅｒ ｔｈｅ ｓｉｔｕａｔｉｏｎ ｏｆ ｓｌｏｐｉｎｇ ｅｄｇｅ， ｇｒａｙ ｌｅｖｅｌ ｃｈａｎｇｅｓ ｖｅｒｙ ｓｌｏｗｌｙ， ｏｎｅ ｃａｎ ｎｏｔ ｇｅｔ ｅｆｆｅｃｔｉｖｅ
（北京工业大学）鲍 占 阔 杨 玉 珍 陈 阳 舟
Ｂａｏ，Ｚｈａｎｋｕｏ Ｙａｎｇ，Ｙｕｚｈｅｎ Ｃｈｅｎ，Ｙａｎｇｚｈｏｕ
摘要：本文 介 绍 了 一 种 视 频 交 通 车 辆 边 缘 检 测 的 方 法 。边 缘 像 素 是 二 阶 梯 度 图 像 产 生 零 交 叉 时 的 位 置 对 应 像 素，但 对 于 斜 坡
Ｃ 点继续寻找， 直到找到 Ａ 点为止。 （ ５） 程序结束。 判断是不是边界点的方法（ 即跟踪准则） 是： 如果
它的上下左右四个邻点都不是黑点则它即为边界点。
６ 边缘细化
图像的边缘细化就是求取一幅图像骨架的过程， 是指从原来的图像中去掉一些冗余点， 仍要保持边缘 原来的形状， 同时注意不能破坏边缘的连通性。边缘 细化有助于突出形状特点和减少冗余的信息量。这里 采用的是一种简单而且效果很好的从边缘抽取骨架 的算法。程序中为了处理方便， 采用 ２５６ 灰度级中的 ０ 和 ２５５ 两个灰度（ 即黑点和白点） 。
新
１ 引言
一个典型的车辆检测系统一般要经过图像采集， 图像预处理， 图像分割， 图像识别和数据输出五个步 骤。显然， 图像分割是整个车辆检测系统成功设计的 基础。
图像分割一般采取三种不同的原理来实现， 包括 区域方法， 边界方法和边缘方法。在利用区域方法时， 把各像素划归到各个物体或区域中， 例如使用阈值进 行图像分割； 在边界方法中， 只需确定存在于区域间 的边界， 例如基于梯度的图像分割方法， 它利用边界 具有高梯度值的性质直接把边界找出来； 在边缘方法 中， 则先确定边缘像素并把它们连接在一起以构成所 需 的 边 界 ， 例 如 Ｒｏｂｅｒｔｓ 边 缘 算 子 ，Ｓｏｂｅｌ 边 缘 算 子 ， Ｋｒｉｓｃｈ 边缘算子等边缘检测算子可实现图像中物体的 边缘检测。
（ ５） 式中， Ｇ（ｘ， ｙ）表示高斯函数， 其表达式见式（１）。 本文采用的高斯拉普拉斯算子的数字化掩模为
， 通过该卷积核对图像进行卷积运
算， 可得到二阶梯度图像。梯度图像中的像素可分为 梯度值为负、零和正的三种情况。理论上， 边缘像素应
《 Ｐ ＬＣ 技术应用 ２００ 例》
邮局订阅号： ８２－９４６ ３６０ 元 ／ 年 －２５３－