1.4　边缘检测图像的边缘可以被定义为在局部区域内图像特性的差别,它表现为图像上的不连续性(如表现在图像上灰度级的突变,纹理结构的突变以及彩色的变化等).图像的边缘信息无论是对人类或对机器视觉来说都是非常重要的.边缘具有能勾画出区域的形状,能被局部定义及其能传递大部分图像信息等许多优点.因此,边缘检测可以看作是处理许多复杂问题的关键.常用的边缘检测算子有:Ｓｏｂｅｌ算子、高斯 拉普拉斯算子(ＬＯＧ)、Ｃａｎｎｙ算子、Ｐｒｅｗｉｔｔ算子、Ｒｏｂｅｒｔｓ算子等. Ｓｏｂｅｌ算子是一种加权平均算子,对靠近中心的点进行加权,以突出边缘.Ｓｏｂｅｌ算子计算量较大,对于图像的最后一行和最后一列的像素无法进行差分运算,于是采用了前一行和前一列的梯度值去代替的补救方法.虽然Ｓｏｂｅｌ算子的提取效果较好,但在提取过程中不难发现,阈值Ｔ的确定是一个非常繁琐但同时也是非常关键的环节.Ｌａｐｌａｃｉａｎ算子是用高阶差分算子检测边缘.ＬＯＧ算子在图像进行差分运算之前,先对图像进行平滑处理,以减少噪声,因此缓解了一般差分对噪声响应很敏感的问题.Ｒｏｂｅｒｔｓ算子和Ｐｒｅｗｉｔｔ算子很相似.由于图像的最后一行和最后一列的像素无法进行差分运算,于是采用了前一行和前一列的梯度值去替代的补救方法.Ｒｏｂｅｒｔｓ梯度算子对噪声很敏感,故很少采用这种方法检测稠密点区域的边缘.

 2　目标特征点提取所谓物体的特征点常指角点、特定灰度值点、特征向量、特征线段等.一种有用的特征点提取算法是采用在物体的边缘上寻找特征点,避免了在整个图像范围内寻找特征点.其基本思路是先算出目标物体的型心,然后将目标物体边缘以型心为原点极坐标化,再在边缘上寻找局部最大值点.此种算法由于只在有限个边缘点范围内进行运算,因此这种方法具有简单的程序实现和极快的运算速度.然而,也应该注意到,没有滤除的噪声点也被错误地判定为特征点,因此,应用这种方法时,对噪声滤除提出了很高的要求. 3　运动目标类型的识别特征的选择和提取在模式识别中至关重要,要识别一个目标,一定要获取目标所特有的关键特征.任何一个图像都有它本身的特征.设有ｍ个类别的图像,其类别分别为Ｗ1,Ｗ2,…,Ｗｍ.现要判断任一个给定的图像是这ｍ个类别中的哪一类,则可以通过提取图像的特征来进行判断.当图像类别很多时,特征一般也多.为了分析及分类方便,可用图像的ｄ(假设图像有ｄ个特征)个特征组成ｄ维空间中的特征向量Ｘ来表示,如果有ｍ个类别,就有ｍ个这样的特征向量.Ｘ表示如下:　Ｘ=[ｘ1ｘ2…ｘｄ]Ｔ.　Ｘｉ(ｉ=1,2,…,ｄ)为图像的特征. 从图像中提取出全部特征后,组成ｄ维向量,让其与样本库中的图像类的特征向量进行匹配运算,如果其与第ｉ(0<ｉ≤ｍ)类特征向量相匹配,则说明要识别的目标属于第ｉ(0<ｉ≤ｍ)类.从而完成对图像序列中目标的识别. 应该看到,图像法识别运动目标在理论上是可行的,在实际中有一些小的系统也能够实现.但要在大型的系统中达到智能化识别运动目标,这一方法还必须完善.例如,如果要做到智能化识别,其样本库要非常大,因为成像的角度,曝光度、方向、相对运动速度等等都影响到目标的最终识别,从而不利于实时跟踪和处理.令人欣喜的是,由于对运动目标识别及运动参数的估计在军事和国民经济中有着非常重要的价值.世界各国的科技工作者非常重视,随着计算机软硬件技术及其它相关技术的出现及发展,图像法识别运动目标必然能得到不断的完善,向智能化识别的方向发展.