引言
在处理监控视频时，传统方法通常依赖于固定阈值分割和背景减除算法。这些方法在简单场景中虽然可以达到一定的效果，但在面对复杂多变的监控环境时，其性能会大大降低，导致目标轮廓提取不准确，进而影响后续的目标识别和跟踪。因此，研究开发一种高精度的移动目标轮廓提取算法具有重要的实际价值。
周华平等人使用Gabor小波对原始图像进行滤波[1]，结合模糊局部二元模式定位目标的边缘和轮廓，最后，基于FLBP处理的特征图，提取目标的轮廓。该方法可以有效抑制图像噪声，使算法能够在复杂环境中稳定工作，提高了算法对图像边缘的敏感性。然而，该算法的性能受波长、方向、带宽等参数的影响很大，无法保证轮廓提取精度。韦德鹏等人将传统的索贝尔算子方向模板从两个方向扩展到八个方向[2]，并从各种方向模板中提取的梯度图像进行加权融合，以获得多个方向的边缘信息，结合边缘细化技术对融合的梯度图像进行细化，以获得更清晰的轮廓线。该方法对图像噪声具有很强的抑制效果，可以在一定程度上降低噪声对边缘检测的影响。但此算法在光照的剧烈变化和严重的目标遮挡等极端或特定场景下，检测性能比较受限。Wang等人[3]使用U-Net作为基本网络结构，并在U-Net的跳过连接阶段引入双注意力机制，构建目标轮廓模型，从而采用包括目标轮廓注释的图像数据集进行训练，输出目标轮廓线。该算法通过捕获多尺度编码器特征的通道和空间依赖性，增强了特征的表示能力，提高了模型对复杂图像的理解。然而，引入双注意力机制将增加模型的计算负荷，进而导致更长的训练和推理时间。汪强等人[4]在设定初始轮廓线和改进的GVF（Gradient Vector Flow）模型基础上，通过迭代优化过程，不断调整轮廓线的形状和位置，并将连续性处理和平滑性处理后的轮廓线作为感兴趣区域的边界输出。该方法中，部分扩散和插值方法的结合加快了GVF场的求解速度，从而缩短了轮廓提取的整体时间。但在某些极端情况下，初始轮廓线的选择可能对最终提取结果产生一定的影响，导致轮廓提取精度较低。
鉴于此，本研究重点开发了一种基于机器视觉的算法，用于提取监控视频中运动目标的轮廓。该算法通过机器视觉和图像处理等先进技术，对存在复杂光照变化和噪声条件下的目标边缘轮廓进行识别与提取，以期为安全监控和交通管理等领域提供更可靠的技术支持。
本文详细内容请下载：
https://www.chinaaet.com/resource/share/2000006599
作者信息：
马方远，任杰夫，黄静，张正初
（北京国电通网络技术有限公司，北京 100000）
