CN106023168A - 一种视频监控中边缘检测的方法及装置 - Google Patents

Abstract

本发明实施例提供一种视频监控中边缘检测的方法及装置，其中，所述方法包括：从当前帧图片中获取待检测目标的轮廓；在下一帧图片中提取所述待检测目标的轮廓中各个像素点对应的梯度幅值和梯度方向；基于提取的所述梯度幅值和所述梯度方向，在所述待检测目标的轮廓中确定极大值像素点；将满足预设条件的所述极大值像素点确定为所述待检测目标的边缘像素点。本发明实施例提供的一种视频监控中边缘检测的方法及装置，能够对视频监控画面中人物的面部边缘进行检测，将人物的面部特征和周边环境进行区分，从而可以提高人物面部特征的识别精度。

Description

一种视频监控中边缘检测的方法及装置

技术领域

本发明实施例涉及图像识别技术领域，尤其涉及一种视频监控中边缘检测的方法及装置。

背景技术

在智能化的人机交互过程和对计算机图像边缘检测的研究中，边缘检测作为图像的主要特征，边缘检测技术已经成为图像分割、目标区域识别和区域形状提取等图像分析的重要基础。迄今为止，边缘检测技术在科学研究、工业生产、军事技术和卫生等领域发挥着越来越重要的作用，对边缘检测技术的研究也日益受到人们的重视。

随着智能摄像头的不断发展，视频监控技术也有了长足的进步。视频监控以其直观、准确、及时和信息内容丰富而被广泛应用于许多场合。视频监控是安全防范系统的重要组成部分，是一种防范能力很强的综合系统，被广泛应用于平安城市、银行、重要机构以及会展现场或家庭安防等各种场所。

目前在视频监控系统中，一般情况下，视频监控设备一旦安装好，监控区域通常是24小时不间断地进行监控，并且使用单一的视频监控模式去监控特定的区域，如相同的录像分辨率，相同的告警模式，以及联动策略。但是在实际使用过程中，用户可能仅仅对视频监控画面中人物的面部特征感兴趣。而视频监控画面中人物的面部边界往往容易与周边的环境进行融合，而导致对人物的面部特征识别出现误差。

发明内容

本发明实施例提供一种视频监控中边缘检测的方法及装置，以对视频监控画面中人物的面部边缘进行检测，将人物的面部特征和周边环境进行区分，从而可以提高人物面部特征的识别精度。

本发明实施例提供一种视频监控中边缘检测的方法，所述方法包括：从当前帧图片中获取待检测目标的轮廓；在下一帧图片中提取所述待检测目标的轮廓中各个像素点对应的梯度幅值和梯度方向；基于提取的所述梯度幅值和所述梯度方向，在所述待检测目标的轮廓中确定极大值像素点；将满足预设条件的所述极大值像素点确定为所述待检测目标的边缘像素点。

本发明实施例还提供一种视频监控中边缘检测的装置，所述装置包括：轮廓获取单元，用于从当前帧图片中获取待检测目标的轮廓；梯度信息提取单元，用于在下一帧图片中提取所述待检测目标的轮廓中各个像素点对应的梯度幅值和梯度方向；极大值像素点确定单元，用于基于提取的所述梯度幅值和所述梯度方向，在所述待检测目标的轮廓中确定极大值像素点；边缘像素点确定单元，用于将满足预设条件的所述极大值像素点确定为所述待检测目标的边缘像素点。

本发明实施例提供的一种视频监控中边缘检测的方法及装置，首先可以对一帧图片中待检测目标的轮廓进行识别，从而可以确定待检测目标的大致范围。然后可以对所述待检测目标的轮廓中的各个像素点进行梯度特征提取，从而可以根据梯度的变化来判断哪些像素点属于边缘像素点，通过将边缘像素点提取出来后，便可以确定所述待检测目标的边缘，从而可以将所述待检测目标的边缘与周边环境进行区分，以提高对所述待检测目标的识别精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图逐一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种视频监控中的边缘检测方法的流程图；

图2为本申请中的线性分类支持向量机原理图；

图3为申请实施例提供的一种视频监控中的边缘检测装置的功能模块图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本申请实施例提供的一种视频监控中的边缘检测方法的流程图。虽然下文描述流程包括以特定顺序出现的多个操作，但是应该清楚了解，这些过程可以包括更多或更少的操作，这些操作可以顺序执行或并行执行(例如使用并行处理器或多线程环境)。如图1所示，所述方法可以包括：

步骤S1：从当前帧图片中获取待检测目标的轮廓。

在本实施方式中，可以从视频监控画面的当前帧图片中，初步获取待检测目标的轮廓。在所述待检测目标的轮廓中，往往包含组成所述待检测目标的各个像素点以及与所述待检测目标相邻的部分周边环境的像素点。所述待检测目标的轮廓可以作为所述待检测目标的大致区域，例如，假设所述待检测目标为人物的面部，那么所述待检测目标的轮廓可以为包含所述人物面部的一个矩形图形区域，在该矩形图形区域中除了所述人物面部，还包含了与该人物面部相邻的部分周边环境。

在本实施方式中，预先获取所述待检测目标的轮廓的目的在于减小需要处理的像素点的数量。如果对整帧图片中的像素点进行分析，那么不但数据处理的数量会增多，而且会导致分析结果的不准确。在本实施方式中，可以采用机器学习的方法，预先生成与所述待检测目标相对应的分类器，然后可以通过该分类器对当前帧图片中的各个目标进行识别，以确定所述待检测目标的轮廓。

具体地，在本实施方式中可以预先建立包含所述待检测目标的训练样本集。举例来说明，假设所述待检测目标为人物面部，那么所述训练样本集中可以包括各种人物的面部图片。人物的面部图片中各个像素点均可以对应一个像素值，所述像素值例如可以为该像素点对应的RGB值或者灰度值。那么将人物的面部图片中各个像素点的像素值按照预设顺序进行编写后，便可以生成与人物的面部图片相对应的像素值向量。由于人物的面部往往具备相似的特征，例如一般均呈对称分布，并且有两个眼睛，一个鼻子，一张嘴，两只耳朵，那么在各个人物的面部对应的像素值向量中可以存在一部分呈现相似排列的像素值，这些呈相似排列的像素值便可以体现人物的面部特征。

因此，在本实施方式中，可以根据所述训练样本集，获取所述待检测目标的特征值向量。具体地，可以将所述训练样本集中各个训练样本对应的像素值向量输入至机器学习系统，以提取各个像素值向量中呈现相似排列的像素值，并将所述呈现相似排列的像素值确定为所述待检测目标的特征值向量。在本实施方式中，可以通过支持向量机(SupportVector Machine)算法来获取所述待检测目标的特征值向量。

请参阅图2，图2显示的线性分类的例子是通过支持向量机算法进行分类的基本原理。如图2所示，左侧坐标图中的点表示输入的图片训练集中各个图片对应的像素值向量，将图片训练集通过支持向量机算法计算后，可以获得两类训练样本C1和C2，右侧坐标图中的叉代表的点表示通过支持向量机计算之后得到的呈现相似排列的像素值，也就是C1类训练样本，圆圈代表的点表示不相似排列的像素值，也就是C2类训练样本。

对于图2的线性分类来说，区分C1类和C2类的分类条件(图中的vv’线，也称为超平面)可以用一个线性函数来表示，例如表示为：

f(x)＝wx+b

其中，w和b为支持向量机对训练样本集进行计算后得到的参数，x代表各个训练样本对应的像素值向量。

f(x)表示支持向量机中的映射关系。对于f(x)＝0的情况，此时的像素值向量x即位于所述超平面上。对于f(x)大于0的情况，对应图2右侧坐标图中超平面右上侧的像素值向量；对于f(x)小于0的情况，对应图2右侧坐标图中超平面左下侧的像素值向量。

这样，对于输入的训练样本集，便可以计算得到训练样本集中的两种训练样本类型，以及这两种训练样本类型的分类条件。

在本实施方式中，利用上述得到的分类条件，便可以得到所述待检测目标对应的特征值向量。这样，通过在所述当前帧图片中提取与所述特征值向量相匹配的图形区域，便可以将提取的所述图形区域确定为所述待检测目标的轮廓。

在本实施方式中，在从当前帧图片中获取待检测目标的轮廓之后，为了简化后续处理的流程，可以将所述待检测目标的轮廓进行灰度化处理，以得到灰度轮廓图像。在本实施方式中可以按照下述公式中的任意一个对所述待检测目标的轮廓进行灰度化处理：

公式1：Gray＝(R+G+B)/3；

公式2：Gray＝0.299R+0.587G+0.114B；

其中，R、G、B分别代表R通道、G通道以及B通道的像素值，Gray代表灰度化处理后的灰度值。

在本实施方式中，如果所述待检测目标的轮廓不是RGB格式的图像，那么可以先将所述待检测目标的轮廓的格式转换为RGB格式，然后在进行灰度化处理。

在进行灰度化处理后，考虑到在所述灰度轮廓图像中，往往存在较多的噪点，这些噪点在后续的处理过程中会严重影响处理结果的准确性。因此，在本实施方式中可以对所述灰度轮廓图像进行滤波处理，得到滤除噪点的过滤图像。具体地，在本实施方式中可以将预设的高斯函数作为滤波函数。所述预设的高斯函数例如可以为：

$K=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}{e}^{-\frac{x^2}{2{\mathrm{\σ}}^2}}$

在本实施方式中，可以将所述灰度轮廓图像的像素矩阵与上述的高斯函数进行求褶积运算，从而可以将所述灰度轮廓图像中的噪点滤除，得到与所述灰度轮廓图像对应的过滤图像。

步骤S2：在下一帧图片中提取所述待检测目标的轮廓中各个像素点对应的梯度幅值和梯度方向。

在本实施方式中，由于两帧图片之间待检测目标的变化不大，因此在得到所述待检测目标的轮廓之后，便可以在下一帧图片中对所述待检测目标的轮廓进行边缘检测。具体地，本实施方式中可以对所述待检测目标的轮廓中各个像素点对应的梯度幅值和梯度方向进行分析，以确定位于边缘的像素点。

具体地，考虑到视频监控画面中往往包含较多的噪点，从而导致画面往往模糊不清，在本实施方式中，可以对预设的检测算子进行改进，从而可以生成能够抗干扰的检测算子，以提高边缘检测的精度。在本实施方式中，所述预设的检测算子可以包括预设横向检测算子和预设纵向检测算子，所述预设横向检测算子和预设纵向检测算子可以如下所示：

$s_x=\left[\begin{array}{cc}-1& 1\\ -1& 1\end{array}\right],s_y=\left[\begin{array}{cc}1& 1\\ -1& -1\end{array}\right]$

其中，s_x为所述预设横向检测算子，s_y为所述预设纵向检测算子。

在本实施方式中，可以对预设横向检测算子和预设纵向检测算子进行仿射变换，从而分别得到横向改进算子和纵向改进算子。其中，所述横向改进算子的表达式可以为：

$F_c=\left[\begin{array}{ccccc}0.2771& 0.2837& 0.2859& 0.2837& 0.2771\\ 0.1418& 0.1452& 0.1463& 0.1452& 0.1418\\ 0& 0& 0& 0& 0\\ -0.1418& -0.1452& -0.1463& -0.1452& -0.1418\\ -0.2771& -0.2837& -0.2859& -0.2837& -0.2771\end{array}\right]$

所述纵向改进算子的表达式可以为：

$F_v=\left[\begin{array}{ccccc}0.2771& 0.1418& 0& -0.1418& -0.2771\\ 0.2837& 0.1452& 0& -0.1452& -0.2837\\ 0.2859& 0.1463& 0& -0.1463& -0.2859\\ 0.2837& 0.1452& 0& -0.1452& -0.2837\\ 0.2771& 0.1419& 0& -0.1419& -0.2771\end{array}\right]$

其中，F_c为所述横向改进算子，F_v为所述纵向改进算子。

这样，根据所述横向改进算子和纵向改进算子，便可以计算所述待检测目标的轮廓中各个像素点对应的一阶横向偏导数矩阵和一阶纵向偏导数矩阵。在本实施方式中，所述一阶偏导数矩阵可以如下所示：

P[i,j]＝(f[i,j+1]-f[i,j]+f[i+1,j+1]-f[i+1,j])/2

Q[i,j]＝(f[i,j]-f[i+1,j]+f[i,j+1]-f[i+1,j+1])/2

其中，P[i,j]表示第i行第j列的像素点对应的一阶横向偏导数，Q[i,j]表示第i行第j列的像素点对应的一阶纵向偏导数，f[i,j]表示第i行第j列的像素点对应的像素值。

在得到所述一阶横向偏导数矩阵和一阶纵向偏导数矩阵之后，便可以基于所述一阶横向偏导数矩阵和一阶纵向偏导数矩阵，按照下述公式计算各个像素点对应的梯度幅值和梯度方向：

$M\[i,j\]=\sqrt{P{\[i,j\]}^2+Q{\[i,j\]}^2}$

Q[i,j]＝arctan(Q[i,j]/P[i,j])

其中，M[i,j]为第i行第j列的像素点对应的梯度幅值，P[i,j]为第i行第j列的像素点对应的一阶横向偏导数矩阵，Q[i,j]为第i行第j列的像素点对应的一阶纵向偏导数矩阵，Q[i,j]为第i行第j列的像素点对应的梯度方向。

步骤S3：基于提取的所述梯度幅值和所述梯度方向，在所述待检测目标的轮廓中确定极大值像素点。

在本实施方式中，如步骤S1中所述，在将所述待检测目标的轮廓进行灰度化处理和滤波处理户，可以得到滤除噪点的过滤图像。所述过滤图像中像素点的灰度值会沿着该像素点的梯度方向进行变化，那么与该像素点相邻的局部区域中灰度值最大的点往往落在该像素点对应的梯度方向上。在本实施方式中，灰度值在相邻的局部区域中最大的像素点可以称为极大值像素点。由于待检测目标边缘上的像素点在与其相邻的局部区域内，灰度值往往是最大的，因此，在本实施方式中可以在所述过滤图像中确定极大值像素点。具体地，可以在预设像素点的梯度方向选取与所述预设像素点相邻的预设数量的像素点。在具体实施过程中，往往可以选择与所述预设像素点相邻的8个像素点。当所述预设像素点的灰度值大于或者等于所述预设数量的像素点中每个像素点的灰度值时，则可以将所述预设像素点确定为极大值像素点。

需要说明的是，由于所述预设像素点对应的梯度方向上的像素点可能不在选取的8个像素点中，因此在这种情况下，则需要根据所述8个像素点，对梯度方向上的像素点进行插值计算，以确定出所述梯度方向上像素点的灰度值，从而可以将所述预设像素点与其梯度方向上的像素点进行比较，以确定所述预设像素点是否为极大值像素点。

步骤S4：将满足预设条件的所述极大值像素点确定为所述待检测目标的边缘像素点。

在本实施方式中，由于受到计算误差或者干扰像素点点的影响，步骤S3中确定的极大值像素点中可能会存在不处于边缘上的像素点。在这种情况下，则需要对确定出的极大值像素点的灰度值再次进行判断，以将灰度值较低的像素点剔除。具体地，在本实施方式中可以从所述极大值像素点中筛选出灰度值大于或者等于预设阈值的像素点，并将筛选出的所述像素点确定为所述待检测目标的边缘像素点。

这样，通过上述的处理步骤，便可以在所述待检测目标的轮廓中，确定出所述待检测目标的边缘，从而可以提高对所述待检测目标的识别精度。

请参阅图3，本申请实施方式还提供一种视频监控中边缘检测的装置，所述装置可以包括：

轮廓获取单元100，用于从当前帧图片中获取待检测目标的轮廓；

梯度信息提取单元200，用于在下一帧图片中提取所述待检测目标的轮廓中各个像素点对应的梯度幅值和梯度方向；

极大值像素点确定单元300，用于基于提取的所述梯度幅值和所述梯度方向，在所述待检测目标的轮廓中确定极大值像素点；

边缘像素点确定单元400，用于将满足预设条件的所述极大值像素点确定为所述待检测目标的边缘像素点。

在本申请一优选实施方式中，所述轮廓获取单元100具体包括：

训练样本集建立模块101，用于预先建立包含所述待检测目标的训练样本集；

特征值向量获取模块102，用于根据所述训练样本集，获取所述待检测目标的特征值向量；匹配模块103，用于在所述当前帧图片中提取与所述特征值向量相匹配的图形区域，并将提取的所述图形区域确定为所述待检测目标的轮廓。

在本申请一优选实施方式中，所述梯度信息提取单元200具体包括：

改进算子获取模块201，用于对预设横向检测算子和预设纵向检测算子进行仿射变换，分别得到横向改进算子和纵向改进算子；

偏导数矩阵计算模块202，用于根据所述横向改进算子和纵向改进算子，计算所述待检测目标的轮廓中各个像素点对应的一阶横向偏导数矩阵和一阶纵向偏导数矩阵；

梯度信息计算模块203，用于基于所述一阶横向偏导数矩阵和一阶纵向偏导数矩阵，按照下述公式计算各个像素点对应的梯度幅值和梯度方向：

$M\[i,j\]=\sqrt{P{\[i,j\]}^2+Q{\[i,j\]}^2}$

Q[i,j]＝arctan(Q[i,j]/P[i,j])

其中，M[i,j]为第i行第j列的像素点对应的梯度幅值，P[i,j]为第i行第j列的像素点对应的一阶横向偏导数矩阵，Q[i,j]为第i行第j列的像素点对应的一阶纵向偏导数矩阵，Q[i,j]为第i行第j列的像素点对应的梯度方向。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

由上可见，本发明实施例提供的一种视频监控中边缘检测的方法及装置，首先可以对一帧图片中待检测目标的轮廓进行识别，从而可以确定待检测目标的大致范围。然后可以对所述待检测目标的轮廓中的各个像素点进行梯度特征提取，从而可以根据梯度的变化来判断哪些像素点属于边缘像素点，通过将边缘像素点提取出来后，便可以确定所述待检测目标的边缘，从而可以将所述待检测目标的边缘与周边环境进行区分，以提高对所述待检测目标的识别精度。

最后应说明的是：上面对本申请的各种实施方式的描述以描述的目的提供给本领域技术人员。其不旨在是穷举的、或者不旨在将本发明限制于单个公开的实施方式。如上所述，本申请的各种替代和变化对于上述技术所属领域技术人员而言将是显而易见的。因此，虽然已经具体讨论了一些另选的实施方式，但是其它实施方式将是显而易见的，或者本领域技术人员相对容易得出。本申请旨在包括在此已经讨论过的本发明的所有替代、修改、和变化，以及落在上述申请的精神和范围内的其它实施方式。

Claims (10)

1.一种视频监控中边缘检测的方法，其特征在于，包括：

从当前帧图片中获取待检测目标的轮廓；

在下一帧图片中提取所述待检测目标的轮廓中各个像素点对应的梯度幅值和梯度方向；

基于提取的所述梯度幅值和所述梯度方向，在所述待检测目标的轮廓中确定极大值像素点；

将满足预设条件的所述极大值像素点确定为所述待检测目标的边缘像素点。

2.根据权利要求1所述的方法，其特征在于，所述从当前帧图片中获取待检测目标的轮廓具体包括：

预先建立包含所述待检测目标的训练样本集；

根据所述训练样本集，获取所述待检测目标的特征值向量；

在所述当前帧图片中提取与所述特征值向量相匹配的图形区域，并将提取的所述图形区域确定为所述待检测目标的轮廓。

3.根据权利要求1所述的方法，其特征在于，所述在下一帧图片中提取所述待检测目标的轮廓中各个像素点对应的梯度幅值和梯度方向具体包括：

对预设横向检测算子和预设纵向检测算子进行仿射变换，分别得到横向改进算子和纵向改进算子；

根据所述横向改进算子和纵向改进算子，计算所述待检测目标的轮廓中各个像素点对应的一阶横向偏导数矩阵和一阶纵向偏导数矩阵；

基于所述一阶横向偏导数矩阵和一阶纵向偏导数矩阵，按照下述公式计算各个像素点对应的梯度幅值和梯度方向：

$M\[i,j\]=\sqrt{P{\[i,j\]}^2+Q{\[i,j\]}^2}$

Q[i,j]＝arctan(Q[i,j]/P[i,j])

其中，M[i,j]为第i行第j列的像素点对应的梯度幅值，P[i,j]为第i行第j列的像素点对应的一阶横向偏导数矩阵，Q[i,j]为第i行第j列的像素点对应的一阶纵向偏导数矩阵，Q[i,j]为第i行第j列的像素点对应的梯度方向。

4.根据权利要求3所述的方法，其特征在于，所述横向改进算子的表达式为：

$F_c=\left[\begin{array}{ccccc}0.2771& 0.2837& 0.2859& 0.2837& 0.2771\\ 0.1418& 0.1452& 0.1463& 0.1452& 0.1418\\ 0& 0& 0& 0& 0\\ -0.1418& -0.1452& -0.1463& -0.1452& -0.1418\\ -0.2771& -0.2837& -0.2859& -0.2837& -0.2771\end{array}\right]$

所述纵向改进算子的表达式为：

$F_v=\left[\begin{array}{ccccc}0.2771& 0.1418& 0& -0.1418& -0.2771\\ 0.2837& 0.1452& 0& -0.1452& -0.2837\\ 0.2859& 0.1463& 0& -0.1463& -0.2859\\ 0.2837& 0.1452& 0& -0.1452& -0.2837\\ 0.2771& 0.1419& 0& -0.1419& -0.2771\end{array}\right]$

其中，F_c为所述横向改进算子，F_v为所述纵向改进算子。

5.根据权利要求1所述的方法，其特征在于，在从当前帧图片中获取待检测目标的轮廓之后，所述方法还包括：

将所述待检测目标的轮廓进行灰度化处理，得到灰度轮廓图像；

利用预设的高斯函数，对所述灰度轮廓图像进行滤波处理，得到滤除噪点的过滤图像。

6.根据权利要求5所述的方法，其特征在于，基于提取的所述梯度幅值和所述梯度方向，在所述待检测目标的轮廓中确定极大值像素点具体包括：

在预设像素点的梯度方向选取与所述预设像素点相邻的预设数量的像素点，当所述预设像素点的灰度值大于或者等于所述预设数量的像素点中每个像素点的灰度值时，将所述预设像素点确定为极大值像素点。

7.根据权利要求5所述的方法，其特征在于，将满足预设条件的所述极大值像素点确定为所述待检测目标的边缘像素点具体包括：

从所述极大值像素点中筛选出灰度值大于或者等于预设阈值的像素点，并将筛选出的所述像素点确定为所述待检测目标的边缘像素点。

8.一种视频监控中边缘检测的装置，其特征在于，包括：

轮廓获取单元，用于从当前帧图片中获取待检测目标的轮廓；

梯度信息提取单元，用于在下一帧图片中提取所述待检测目标的轮廓中各个像素点对应的梯度幅值和梯度方向；

极大值像素点确定单元，用于基于提取的所述梯度幅值和所述梯度方向，在所述待检测目标的轮廓中确定极大值像素点；

边缘像素点确定单元，用于将满足预设条件的所述极大值像素点确定为所述待检测目标的边缘像素点。

9.根据权利要求8所述的装置，其特征在于，所述轮廓获取单元具体包括：

训练样本集建立模块，用于预先建立包含所述待检测目标的训练样本集；

特征值向量获取模块，用于根据所述训练样本集，获取所述待检测目标的特征值向量；

匹配模块，用于在所述当前帧图片中提取与所述特征值向量相匹配的图形区域，并将提取的所述图形区域确定为所述待检测目标的轮廓。

10.根据权利要求8所述的装置，其特征在于，所述梯度信息提取单元具体包括：

改进算子获取模块，用于对预设横向检测算子和预设纵向检测算子进行仿射变换，分别得到横向改进算子和纵向改进算子；

偏导数矩阵计算模块，用于根据所述横向改进算子和纵向改进算子，计算所述待检测目标的轮廓中各个像素点对应的一阶横向偏导数矩阵和一阶纵向偏导数矩阵；

梯度信息计算模块，用于基于所述一阶横向偏导数矩阵和一阶纵向偏导数矩阵，按照下述公式计算各个像素点对应的梯度幅值和梯度方向：

$M\[i,j\]=\sqrt{P{\[i,j\]}^2+Q{\[i,j\]}^2}$

Q[i,j]＝arctan(Q[i,j]/P[i,j])

其中，M[i,j]为第i行第j列的像素点对应的梯度幅值，P[i,j]为第i行第j列的像素点对应的一阶横向偏导数矩阵，Q[i,j]为第i行第j列的像素点对应的一阶纵向偏导数矩阵，Q[i,j]为第i行第j列的像素点对应的梯度方向。