專利名稱：一種自動偵測運(yùn)動目標(biāo)的嵌入式智能監(jiān)視系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明屬于電子設(shè)備領(lǐng)域，涉及一種自動偵測運(yùn)動目標(biāo)的嵌入式智能監(jiān)視系統(tǒng)。

背景技術(shù)：
隨著視頻監(jiān)控需求的迅速增長、監(jiān)控規(guī)模的日益擴(kuò)大，人工監(jiān)視已遠(yuǎn)遠(yuǎn)不能滿足監(jiān)控要求，視頻監(jiān)控系統(tǒng)的“智能化”變得越來越迫切。
監(jiān)控規(guī)模的不斷擴(kuò)大、視覺分析任務(wù)的不斷增多使基于PC中心服務(wù)器的集中式視覺分析處理模式呈現(xiàn)出了越來越突出的局限性——計算機(jī)資源和網(wǎng)絡(luò)通訊帶寬嚴(yán)重不足，越來越需要在攝像頭前端對監(jiān)控視頻圖像進(jìn)行實(shí)時高效的本地處理，只將有關(guān)的報警狀態(tài)和圖像數(shù)據(jù)通過網(wǎng)絡(luò)傳輸給中心服務(wù)器。嵌入式智能網(wǎng)絡(luò)攝像機(jī)作為智能視頻監(jiān)控系統(tǒng)的前端“眼睛”，其圖像獲取、分析處理和網(wǎng)絡(luò)通訊能力對整個監(jiān)控系統(tǒng)起著越來越重要的作用。運(yùn)動目標(biāo)偵測是大多數(shù)視覺分析任務(wù)的第一步，是實(shí)現(xiàn)目標(biāo)分類、目標(biāo)跟蹤、行為分析等視覺任務(wù)的基礎(chǔ)。為了能有效偵測運(yùn)動目標(biāo)，S.J.Mc、S.Jabri等人在文獻(xiàn)“Tracking Groups of People”中采用的單高斯模型、C.Stauffer和W.E.L在文獻(xiàn)“Adaptive background mixture models forreal-time tracking”中采用的混合高斯模型、A.Elgammal、D.Harwood等人在文獻(xiàn)“Non-parametric Model for Background”中采用的非參數(shù)化模型以及它們的改進(jìn)模型等被紛紛提出來，這些建模方法在一些特定的環(huán)境中能取得較好的效果，但面對復(fù)雜些的場景，要么效果會變差，要么效果較好但運(yùn)算量和資源需求很大、難以達(dá)到實(shí)時要求，在嵌入式智能視覺分析中其局限性非常明顯。


發(fā)明內(nèi)容
本發(fā)明提供了一種自動偵測運(yùn)動目標(biāo)的嵌入式智能監(jiān)視系統(tǒng)。
一種自動偵測運(yùn)動目標(biāo)的嵌入式智能監(jiān)視系統(tǒng)，包括 一視頻輸入設(shè)備，用于獲得視頻數(shù)據(jù)； 一視覺分析系統(tǒng)，由通過DPRAM接口模塊相連接的嵌入式CPU和DSP處理器組成，用于處理視頻輸入系統(tǒng)獲得的視頻數(shù)據(jù)； 一輸入輸出系統(tǒng)，用于將視覺分析系統(tǒng)處理后的視頻數(shù)據(jù)輸出和輸入用于控制視覺分析系統(tǒng)的指令； 所述的視覺分析終端，包括 嵌入式CPU Au1200，用于網(wǎng)絡(luò)通訊； DSP BF533處理器，用于運(yùn)動目標(biāo)偵測； DPRAM接口模塊，用于嵌入式CPU Au1200和DSP BF533處理器進(jìn)行數(shù)據(jù)和命令的交互，該DPRAM模塊的兩個訪問口能夠?qū)崿F(xiàn)快速的異步同時訪問； 視頻AD轉(zhuǎn)換器，設(shè)有視頻輸入接口，通過PPI數(shù)據(jù)總線與DSP處理器連接，用于視頻模擬信號到數(shù)字信號的轉(zhuǎn)換； 第一數(shù)據(jù)存儲器，數(shù)據(jù)存儲器1的數(shù)據(jù)總線、地址總線、控制線與DSP處理器的EBIU總線連接，用于數(shù)據(jù)的存儲和算法運(yùn)行時刻臨時變量的存儲； 程序存儲器，程序存儲器的數(shù)據(jù)總線、地址總線、控制線與嵌入式CPU Au1200的EBIU總線連接，用于程序代碼的存儲； 第二數(shù)據(jù)存儲器，數(shù)據(jù)存儲器2的數(shù)據(jù)總線、地址總線、控制線與嵌入式CPU Au1200的EBIU總線連接，用于數(shù)據(jù)的存儲和網(wǎng)絡(luò)交互代碼運(yùn)行時刻臨時變量的存儲； 有線以太網(wǎng)控制器，有線以太網(wǎng)控制器芯片的地址總線與嵌入式CPUAu1200的EBIU總線連接，用于有線以太網(wǎng)的接入控制，通過有線RJ45接口與局域網(wǎng)或公用網(wǎng)絡(luò)與遠(yuǎn)端中心服務(wù)器進(jìn)行網(wǎng)絡(luò)連接； CF卡硬件電路控制邏輯，通過EBIU總線與嵌入式CPU Au1200相連； 無線GPRS卡，無線GPRS卡與CF卡接口總線進(jìn)行相連，用于通過無線GPRS網(wǎng)絡(luò)與中心服務(wù)器進(jìn)行網(wǎng)絡(luò)連接； 所述的視頻輸入設(shè)備為攝像機(jī)，通過視頻輸入接口與視頻AD轉(zhuǎn)換器相連，用于視頻的輸入； 所述的輸入輸出系統(tǒng)包括一個遠(yuǎn)端中心服務(wù)器，用于視覺分析系統(tǒng)的控制。
為進(jìn)行運(yùn)動目標(biāo)的實(shí)時偵測，所述的DSP處理器執(zhí)行以下步驟 (1)DSP處理器初始化后對視頻輸入系統(tǒng)獲取的監(jiān)控背景區(qū)域像素進(jìn)行連續(xù)采樣N個像素值； (2)將采樣得到的N個像素值在色度和亮度(r，g，I)空間判斷像素的變化范圍，將監(jiān)控背景區(qū)域進(jìn)行區(qū)域分割，得到穩(wěn)定區(qū)域和動態(tài)區(qū)域； (3)對動態(tài)區(qū)域先采用通用合并方法進(jìn)行像素合并和邊界擴(kuò)充，然后采用雙閥值順序算法方案把所有的背景采樣值聚類成幾個高斯分布類； (4)為了使背景模型能即時適應(yīng)變化的監(jiān)控環(huán)境，進(jìn)行自適應(yīng)單高斯模型和非參數(shù)化模型模型的參數(shù)更新； (5)穩(wěn)定區(qū)域采用S.J.Mc、S.Jabri等人在文獻(xiàn)“Tracking Groups ofPeople”中提出的自適應(yīng)單高斯模型，動態(tài)區(qū)域采用A.Elgammal、D.Harwood等人在文獻(xiàn)“Non-parametric Model for Background”中提出的非參數(shù)化模型對場景進(jìn)行實(shí)時檢測，提取監(jiān)控背景區(qū)域的運(yùn)動目標(biāo)，具體細(xì)節(jié)請完全參照這兩篇文獻(xiàn)中的方法； (6)將提取的運(yùn)動目標(biāo)進(jìn)行陰影消除、形態(tài)濾波后通過網(wǎng)絡(luò)輸入輸出系統(tǒng)輸出。
所述的將采樣得到的N個像素值在色度和亮度(r，g，I)空間判斷像素的變化范圍，將監(jiān)控背景區(qū)域進(jìn)行區(qū)域分割，得到穩(wěn)定區(qū)域和動態(tài)區(qū)域的方法如下 將監(jiān)控背景區(qū)域采樣得到的N個像素值轉(zhuǎn)換到色度和亮度(r，g，I)空間，其中r＝R/(R+G+B)，g＝G/(R+G+B)，I＝R+G+B，(R，G，B)為像素的三個顏色分量，設(shè)σT1和β為預(yù)設(shè)的門限參數(shù)，若該監(jiān)控背景區(qū)域中的某一區(qū)域中所有的像素值均滿足式(1)、式(2)、式(3)，則判斷該區(qū)域?yàn)榉€(wěn)定區(qū)域，監(jiān)控背景區(qū)域中不滿足式(1)、式(2)、式(3)的區(qū)域則判斷該區(qū)域?yàn)閯討B(tài)區(qū)域； 在變化大的動態(tài)區(qū)域，由于動態(tài)環(huán)境具有一定的隨機(jī)性，該背景模型采用通用合并方法(Generalized Agglomerative Scheme，GAS)聚類填充其中的小空隙，并在邊界處向外適當(dāng)擴(kuò)充一些像素，可以提高區(qū)域分割對動態(tài)環(huán)境的適應(yīng)性。
所述的對動態(tài)區(qū)域采用通用合并方法進(jìn)行像素合并和邊界擴(kuò)充的方法如下 (1)定義所述的通用合并方法(GAS)中兩個像素集合ci和cj之間的不相似測度(Dissimilarity Measure，DM)如下 式中d2(a，b)表示兩個像素位置a和b之間的歐式距離(EuclideanDistance)。
(2)定義所述的通用合并方法(GAS)中兩個像素集合ci和cj的聚類準(zhǔn)則如下
式中

是所有聚類組成的集合，dT1是預(yù)設(shè)門限參數(shù)，可以動態(tài)設(shè)置； (3)將動態(tài)區(qū)域中每個動態(tài)類型的像素的8-鄰域像素N8均設(shè)置成動態(tài)類型； (4)為每個動態(tài)類型像素創(chuàng)建一個初始聚類ci＝{Si}，其中i表示像素位置，并初始化
(5)設(shè)置t＝t+1； (6)對

中所有的聚類，若聚類ci和cj滿足式(5)，則創(chuàng)建一個新的聚類cn＝ci∪cj，并更新
(7)重復(fù)步驟(5)-(6)，直到?jīng)]有新的聚類被創(chuàng)建，最后得到的聚類集合為
(8)對

中一個聚類ci的每一行像素，若該行中兩個相鄰像素位置a和b之間的歐式距離d2(a，b)≤dT2(其中dT2是預(yù)設(shè)門限參數(shù))，則該行中處于這兩個位置之間的像素也被設(shè)置為動態(tài)類型； (9)對

中每個聚類ci的每一列像素，若該列中兩個相鄰像素位置a和b之間的歐式距離d2(a，b)≤dT2(其中dT2是預(yù)設(shè)門限參數(shù))，則該列中處于這兩個位置之間的像素也被設(shè)置為動態(tài)類型； (10)重復(fù)步驟(8)-(9)，直到

中所有聚類被處理。
在動態(tài)區(qū)域非參數(shù)化建模過程中，由于動態(tài)區(qū)域中每個像素的采樣值通常在幾個高斯分布中變化，在背景建模的訓(xùn)練階段采用雙閥值順序算法方案(Two-Threshold Sequential Algorithmic Scheme，TTSAS)把所有的背景采樣值聚類成幾個高斯分布類，并計算每個高斯分布類中采樣值的均值與當(dāng)前新采樣值的近鄰性。
所述的采用雙閥值順序算法方案把所有的背景采樣值聚類成幾個高斯分布類的方法如下 (1)設(shè)雙閥值順序算法方案中兩個預(yù)設(shè)門限參數(shù)分別為Θ1和Θ2； (2)定義背景采樣值Si和

中的某個高斯分布cm之間的不相似測度如式(6) 式中tr表示矩陣的跡，dq(Si，S)表示兩個背景像素采樣值Si和S所采用的顏色空間中的第q個顏色分量之差； 定義雙閥值順序算法方案中背景采樣值Si和

中的某個高斯分布cm的聚類準(zhǔn)則式(7)和式(8)


表示所有的高斯分布。
定義兩個高斯分布類ci和cj之間的不相似測度如式(9) 式中mi和mj分別表示高斯分布類ci和cj中背景采樣值的均值； 定義兩個高斯分布類ci和cj之間的聚類準(zhǔn)則如(10)式
式中MT表示預(yù)設(shè)門限參數(shù)，可以動態(tài)設(shè)置； (3)創(chuàng)建初始聚類集合

，設(shè)置i＝0，m＝0，first_loop＝1，cur_change＝0，prev_change＝0，exists_change＝0，其中first_loop表示在一次循環(huán)中首次輪詢到未被分配的背景采樣值，cur_change表示到當(dāng)前循環(huán)為止被分配的背景采樣數(shù)，prev_change表示到上一次循環(huán)為止被分配的背景采樣數(shù)，exists_change表示上一次循環(huán)中存在未被分配的背景采樣被分配； (4)若背景采樣值Si未分配給一個高斯分布類，且first_loop＝＝1，exists_change＝＝0，則設(shè)置m＝m+1，cur_change＝cur_change+1，first_loop＝0，并創(chuàng)建一個新的聚類cm＝{Si}，

； (5)若Si未分配給一個高斯分布類，且first_loop＝＝0，則若Si和C中的某個高斯分布cm滿足式(8)，則cm＝cm∪{Si}，設(shè)置cur_change＝cur_change+1；否則若則設(shè)置m＝m+1，cur_change＝cur_change+1，并創(chuàng)建一個新的聚類cm＝{Si}，

； (6)若Si已分配給一個高斯分布類，則設(shè)置cur_change＝cur_change+1； (7)設(shè)置i＝i+1； (8)重復(fù)步驟(4)-(7)，直到所有背景采樣值被遍歷，即i＝N-1； (9)設(shè)置exists_change＝|cur_change-prev_change|，i＝0，first_loop＝1，prev_change＝cur_change，cur_change＝0； (10)重復(fù)步驟(4)-(9)，直到所有背景采樣值被分配； (11)對C中所有聚類，若ci和cj之間滿足式(10)，則創(chuàng)建一個新的聚類cn＝ci∪cj，

； (12)重復(fù)步驟(11)，直到?jīng)]有聚類被合并； (13)重分配所有背景采樣若背景采樣Si和

中聚類cm滿足式(7)，則設(shè)置b[i]＝m； (14)對C中每個聚類cm，重新設(shè)置cm＝{Si:b[i]＝m，0≤i≤N-1}； (15)重復(fù)步驟(3)-(14)，直到動態(tài)類型區(qū)域像素都被處理； (16)計算

中每個聚類的均值，完成將監(jiān)控背景區(qū)域采樣值聚類成幾個高斯分布類。
本發(fā)明所述的一種自動偵測運(yùn)動目標(biāo)的嵌入式智能監(jiān)視系統(tǒng)，結(jié)構(gòu)簡單、高實(shí)時高精度、可擴(kuò)展性強(qiáng)，具有有線以太網(wǎng)和無線GPRS多重網(wǎng)絡(luò)接入功能，有效的實(shí)現(xiàn)了運(yùn)動目標(biāo)的實(shí)時偵測功能。



圖1為本發(fā)明一種自動偵測運(yùn)動目標(biāo)的嵌入式智能監(jiān)視系統(tǒng)的連接示意圖，其中1-視覺分析系統(tǒng)，2-視頻輸入設(shè)備，3-局域以太網(wǎng)，4-遠(yuǎn)端中心服務(wù)器，5-無線GPRS卡，6-監(jiān)控人員； 圖2為本發(fā)明一種自動偵測運(yùn)動目標(biāo)的嵌入式智能監(jiān)視系統(tǒng)的視覺分析系統(tǒng)內(nèi)部結(jié)構(gòu)圖。
圖3是本發(fā)明的技術(shù)方案流程圖；
具體實(shí)施例方式 本發(fā)明提供了一種自動偵測運(yùn)動目標(biāo)的嵌入式智能監(jiān)視系統(tǒng)。
一種自動偵測運(yùn)動目標(biāo)的嵌入式智能監(jiān)視系統(tǒng)包括視覺分析系統(tǒng)1，視覺分析系統(tǒng)1外部接有攝像機(jī)2，網(wǎng)絡(luò)輸入輸出設(shè)備包括局域以太網(wǎng)3、遠(yuǎn)端中心服務(wù)器4、無線GPRS卡5，視覺分析系統(tǒng)1通過接入的局域以太網(wǎng)3和遠(yuǎn)端中心服務(wù)器4進(jìn)行通訊，并通過無線GPRS卡5與遠(yuǎn)端中心服務(wù)器4進(jìn)行聯(lián)系，將運(yùn)動檢測信息傳輸給遠(yuǎn)端中心服務(wù)器4，中心服務(wù)器4的顯示器顯示監(jiān)測信息，監(jiān)控人員6通過遠(yuǎn)端中心服務(wù)器4的顯示器借助于局域以太網(wǎng)3，對視覺分析終端1進(jìn)行控制(初始化、訓(xùn)練和檢測)。
如圖3所示為所述的視覺分析系統(tǒng)的內(nèi)部結(jié)構(gòu)框圖，包括 嵌入式CPU，用于網(wǎng)絡(luò)通訊； DSP處理器，用于運(yùn)動目標(biāo)偵測； DPRAM接口模塊，用于嵌入式CPU和DSP處理器進(jìn)行數(shù)據(jù)和命令的交互，該DPRAM模塊的兩個訪問口能夠?qū)崿F(xiàn)快速的異步同時訪問； 視頻AD轉(zhuǎn)換器，設(shè)有視頻輸入接口，通過PPI數(shù)據(jù)總線與DSP處理器連接，用于視頻模擬信號到數(shù)字信號的轉(zhuǎn)換； 第一數(shù)據(jù)存儲器SDRAM，數(shù)據(jù)存儲器1的數(shù)據(jù)總線、地址總線、控制線與DSP處理器的EBIU總線連接，用于數(shù)據(jù)的存儲和算法運(yùn)行時刻臨時變量的存儲； 程序存儲器FLASH，程序存儲器的數(shù)據(jù)總線、地址總線、控制線與嵌入式CPU的EBIU總線連接，用于程序代碼的存儲； 第二數(shù)據(jù)存儲器SDRAM，數(shù)據(jù)存儲器2的數(shù)據(jù)總線、地址總線、控制線與嵌入式CPU的EBIU總線連接，用于數(shù)據(jù)的存儲和網(wǎng)絡(luò)交互代碼運(yùn)行時刻臨時變量的存儲； 有線以太網(wǎng)控制器，有線以太網(wǎng)控制器芯片的地址總線與嵌入式CPU的EBIU總線連接，用于有線以太網(wǎng)的接入控制，通過有線RJ45接口與局域網(wǎng)或公用網(wǎng)絡(luò)與遠(yuǎn)端中心服務(wù)器進(jìn)行網(wǎng)絡(luò)連接； CF卡硬件電路控制邏輯，通過EBIU總線與嵌入式CPU相連； 無線GPRS卡，無線GPRS卡與CF卡接口總線進(jìn)行相連，用于通過無線GPRS網(wǎng)絡(luò)與中心服務(wù)器進(jìn)行網(wǎng)絡(luò)連接； 本發(fā)明還提供了一種利用實(shí)時視覺分析算法實(shí)現(xiàn)運(yùn)動目標(biāo)實(shí)時偵測的方法，即一種基于區(qū)域分割的背景建模算法，該方法的過程如圖1所示，包括訓(xùn)練階段和檢測階段兩個階段， 訓(xùn)練階段主要用于對監(jiān)視場景的顏色特征進(jìn)行學(xué)習(xí)和記憶，用模型對其進(jìn)行描述，便于后續(xù)檢測階段對出現(xiàn)于其中的運(yùn)動目標(biāo)進(jìn)行提取，訓(xùn)練階段包括以下步驟 (1)DSP處理器初始化后對視頻輸入系統(tǒng)獲取的監(jiān)控背景區(qū)域像素進(jìn)行連續(xù)采樣N個像素值； (2)將采樣得到的N個像素值在色度和亮度(r，g，I)空間判斷像素的變化范圍，將監(jiān)控背景區(qū)域進(jìn)行區(qū)域分割，得到穩(wěn)定區(qū)域和動態(tài)區(qū)域； 所述的將采樣得到的N個像素值在色度和亮度(r，g，I)空間判斷像素的變化范圍，將監(jiān)控背景區(qū)域進(jìn)行區(qū)域分割，得到穩(wěn)定區(qū)域和動態(tài)區(qū)域的方法如下 將監(jiān)控背景區(qū)域采樣得到的N個像素值轉(zhuǎn)換到色度和亮度(r，g，I)空間，其中r＝R/(R+G+B)，g＝G/(R+G+B)，I＝R+G+B，(R，G，B)為像素的三個顏色分量，設(shè)σT1和β為預(yù)設(shè)的門限參數(shù)，若該監(jiān)控背景區(qū)域中的某一區(qū)域中所有的像素值均滿足式(1)、式(2)、式(3)，則判斷該區(qū)域?yàn)榉€(wěn)定區(qū)域，監(jiān)控背景區(qū)域中不滿足式(1)、式(2)、式(3)的區(qū)域則判斷該區(qū)域?yàn)閯討B(tài)區(qū)域； (3)對動態(tài)區(qū)域先采用通用合并方法進(jìn)行像素合并和邊界擴(kuò)充，然后采用雙閥值順序算法方案把所有的背景采樣值聚類成幾個高斯分布類； 在變化大的動態(tài)區(qū)域，由于動態(tài)環(huán)境具有一定的隨機(jī)性，采用通用合并方法(Generalized Agglomerative Scheme，GAS)聚類填充其中的小空隙，并在邊界處向外適當(dāng)擴(kuò)充一些像素，可以提高區(qū)域分割對動態(tài)環(huán)境的適應(yīng)性。
所述的對動態(tài)區(qū)域采用通用合并方法進(jìn)行像素合并和邊界擴(kuò)充的方法如下 (1)定義所述的通用合并方法(GAS)中兩個像素集合ci和cj之間的不相似測度(Dissimilarity Measure，DM)如下 式中d2(a，b)表示兩個像素位置a和b之間的歐式距離(EuclideanDistance)。
(2)定義所述的通用合并方法(GAS)中兩個像素集合ci和cj的聚類準(zhǔn)則如下
式中

是所有聚類組成的集合，dT1是預(yù)設(shè)門限參數(shù)，可以動態(tài)設(shè)置； (3)將動態(tài)區(qū)域中每個動態(tài)類型的像素的8-鄰域像素N8均設(shè)置成動態(tài)類型； (4)為每個動態(tài)類型像素創(chuàng)建一個初始聚類ci＝{Si}，其中i表示像素位置，并初始化
(5)設(shè)置t＝t+1； (6)對

中所有的聚類，若聚類ci和cj滿足式(5)，則創(chuàng)建一個新的聚類cn＝ci∪cj，并更新
(7)重復(fù)步驟(5)-(6)，直到?jīng)]有新的聚類被創(chuàng)建，最后得到的聚類集合為
(8)對

中一個聚類ci的每一行像素，若該行中兩個相鄰像素位置a和b之間的歐式距離d2(a，b)≤dT2(其中dT2是預(yù)設(shè)門限參數(shù))，則該行中處于這兩個位置之間的像素也被設(shè)置為動態(tài)類型； (9)對

中每個聚類ci的每一列像素，若該列中兩個相鄰像素位置a和b之間的歐式距離d2(a，b)≤dT2(其中dT2是預(yù)設(shè)門限參數(shù))，則該列中處于這兩個位置之間的像素也被設(shè)置為動態(tài)類型； (10)重復(fù)步驟(8)-(9)，直到

中所有聚類被處理。
在動態(tài)區(qū)域非參數(shù)化建模過程中，由于動態(tài)區(qū)域中每個像素的采樣值通常在幾個高斯分布中變化，在訓(xùn)練階段采用雙閥值順序算法方案(Two-Threshold Sequential Algorithmic Scheme，TTSAS)把所有的背景采樣值聚類成幾個高斯分布類，并計算每個高斯分布類中采樣值的均值與當(dāng)前新采樣值的近鄰性，可以加速新采樣值的核密度計算速度。
所述的采用雙閥值順序算法方案把所有的背景采樣值聚類成幾個高斯分布類的方法如下 (1)設(shè)雙閥值順序算法方案中兩個預(yù)設(shè)門限參數(shù)分別為Θ1和Θ2； (2)定義背景采樣值Si和C中的某個高斯分布cm之間的不相似測度如式(6) 式中tr表示矩陣的跡，dq(Si，S)表示兩個背景像素采樣值Si和S所采用的顏色空間中的第q個顏色分量之差； 定義雙閥值順序算法方案中背景采樣值Si和

中的某個高斯分布cm的聚類準(zhǔn)則式(7)和式(8)


表示所有的高斯分布。
定義兩個高斯分布類ci和cj之間的不相似測度如式(9) 式中mi和mj分別表示高斯分布類ci和cj中背景采樣值的均值； 定義兩個高斯分布類ci和cj之間的聚類準(zhǔn)則如(10)式
式中MT表示預(yù)設(shè)門限參數(shù)，可以動態(tài)設(shè)置； (3)創(chuàng)建初始聚類集合

，設(shè)置i＝0，m＝0，first_loop＝1，cur_change＝0，prev_change＝0，exists_change＝0，其中first_loop表示在一次循環(huán)中首次輪詢到未被分配的背景采樣值，cur_change表示到當(dāng)前循環(huán)為止被分配的背景采樣數(shù)，prev_change表示到上一次循環(huán)為止被分配的背景采樣數(shù)，exists_change表示上一次循環(huán)中存在未被分配的背景采樣被分配； (4)若背景采樣值Si未分配給一個高斯分布類，且first_loop＝＝1，exists_change＝＝0，則設(shè)置m＝m+1，cur_change＝cur_change+1，first_loop＝0，并創(chuàng)建一個新的聚類cm＝{Si}，

； (5)若Si未分配給一個高斯分布類，且first_loop＝＝0，則若Si和

中的某個高斯分布cm滿足式(8)，則cm＝cm∪{Si}，設(shè)置cur_change＝cur_change+1；否則若則設(shè)置m＝m+1，cur_change＝cur_change+1，并創(chuàng)建一個新的聚類cm＝{Si}，

； (6)若Si已分配給一個高斯分布類，則設(shè)置cur_change＝cur_change+1； (7)設(shè)置i＝i+1； (8)重復(fù)步驟(4)-(7)，直到所有背景采樣值被遍歷，即i＝N-1； (9)設(shè)置exists_change＝|cur_change-prev_change|，i＝0，first_loop＝1，prev_change＝cur_change，cur_change＝0； (10)重復(fù)步驟(4)-(9)，直到所有背景采樣值被分配； (11)對

中所有聚類，若ci和cj之間滿足式(10)，則創(chuàng)建一個新的聚類cn＝ci∪cj，

； (12)重復(fù)步驟(11)，直到?jīng)]有聚類被合并； (13)重分配所有背景采樣若背景采樣Si和

中聚類cm滿足式(7)，則設(shè)置b[i]＝m； (14)對

中每個聚類cm，重新設(shè)置cm＝{Si:b[i]＝m，0≤i≤N-1}； (15)重復(fù)步驟(3)-(14)，直到動態(tài)類型區(qū)域像素都被處理； (16)計算

中每個聚類的均值，完成將監(jiān)控背景區(qū)域采樣值聚類成幾個高斯分布類。
檢測階段主要是根據(jù)穩(wěn)定區(qū)域采用的自適應(yīng)單高斯模型、動態(tài)區(qū)域采用的非參數(shù)化模型對場景進(jìn)行實(shí)時檢測，提取出其中的運(yùn)動目標(biāo)，檢測階段包括以下步驟 (4)為了使背景模型能即時適應(yīng)變化的監(jiān)控環(huán)境，進(jìn)行自適應(yīng)單高斯模型和非參數(shù)化模型模型的參數(shù)更新； (5)穩(wěn)定區(qū)域采用S.J.Mc、S.Jabri等人在文獻(xiàn)“Tracking Groups ofPeople”中提出的自適應(yīng)單高斯模型，動態(tài)區(qū)域采用A.Elgammal、D.Harwood等人在文獻(xiàn)“Non-parametric Model for Background”中提出的非參數(shù)化模型對場景進(jìn)行實(shí)時檢測，提取監(jiān)控背景區(qū)域的運(yùn)動目標(biāo)； (6)將提取的運(yùn)動目標(biāo)進(jìn)行陰影消除、形態(tài)濾波后通過網(wǎng)絡(luò)輸入輸出系統(tǒng)輸出給中心計算機(jī)服務(wù)器。
本發(fā)明所述的一種自動偵測運(yùn)動目標(biāo)的嵌入式智能監(jiān)視系統(tǒng)，結(jié)構(gòu)簡單、高實(shí)時高精度、可擴(kuò)展性強(qiáng)，具有有線以太網(wǎng)和無線GPRS多重網(wǎng)絡(luò)接入功能，有效的實(shí)現(xiàn)了運(yùn)動目標(biāo)的實(shí)時偵測功能。
權(quán)利要求
1.一種自動偵測運(yùn)動目標(biāo)的嵌入式智能監(jiān)視系統(tǒng)，包括
一視頻輸入設(shè)備，用于獲得視頻數(shù)據(jù)；
一視覺分析系統(tǒng)，由通過DPRAM接口模塊相連接的嵌入式CPU和DSP處理器組成，用于處理視頻輸入系統(tǒng)獲得的視頻數(shù)據(jù)；
一網(wǎng)絡(luò)輸入輸出設(shè)備，用于將視覺分析系統(tǒng)處理后的視頻數(shù)據(jù)輸出和輸入用于控制視覺分析系統(tǒng)的指令；
為進(jìn)行運(yùn)動目標(biāo)的實(shí)時偵測，所述的DSP處理器執(zhí)行以下步驟
(1)DSP處理器初始化后對視頻輸入系統(tǒng)獲取的監(jiān)控背景區(qū)域像素進(jìn)行連續(xù)采樣N個像素值；
(2)將采樣得到的N個像素值在色度和亮度空間判斷像素的變化范圍，對監(jiān)控背景區(qū)域進(jìn)行區(qū)域分割，得到穩(wěn)定區(qū)域和動態(tài)區(qū)域；
(3)對動態(tài)區(qū)域先采用通用合并方法進(jìn)行像素合并和邊界擴(kuò)充，其目的是提高區(qū)域分割對動態(tài)環(huán)境的適應(yīng)性，然后采用雙閥值順序算法方案把所有的背景采樣值聚類成幾個高斯分布類，其目的是加速新采樣值的核密度計算速度；
(4)進(jìn)行自適應(yīng)單高斯模型和非參數(shù)化模型模型的參數(shù)更新；
(5)穩(wěn)定區(qū)域采用自適應(yīng)單高斯模型，動態(tài)區(qū)域采用非參數(shù)化模型對場景進(jìn)行實(shí)時檢測，提取監(jiān)控背景區(qū)域的運(yùn)動目標(biāo)；
(6)將提取的運(yùn)動目標(biāo)進(jìn)行陰影消除、形態(tài)濾波后通過網(wǎng)絡(luò)輸入輸出系統(tǒng)輸出。
2.根據(jù)權(quán)利要求1所述的一種自動偵測運(yùn)動目標(biāo)的嵌入式智能監(jiān)視系統(tǒng)，其特征在于，所述的嵌入式CPU采用實(shí)時操作系統(tǒng)RTOS，所述的DSP處理器采用定時中斷循環(huán)驅(qū)動模式。
3.根據(jù)權(quán)利要求1所述的一種自動偵測運(yùn)動目標(biāo)的嵌入式智能監(jiān)視系統(tǒng)，其特征在于，步驟(3)中對動態(tài)區(qū)域采用通用合并方法進(jìn)行像素合并和邊界擴(kuò)充的方法包括以下步驟
(1)定義所述的通用合并方法中兩個像素集合ci和cj之間的不相似測度如下
式中d2(a，b)表示兩個像素位置a和b之間的歐式距離；
(2)定義所述的通用合并方法中兩個像素集合ci和cj的聚類準(zhǔn)則如下
式中
是所有聚類組成的集合，dT1是預(yù)設(shè)門限參數(shù)，可以動態(tài)設(shè)置；
(3)將動態(tài)區(qū)域中每個動態(tài)類型的像素的8-鄰域像素N8均設(shè)置成動態(tài)類型；
(4)為每個動態(tài)類型像素創(chuàng)建一個初始聚類ci＝{Si}，其中i表示像素位置，并初始
，t＝0；
(5)設(shè)置t＝t+1；
(6)對
中所有的聚類，若聚類ci和cj滿足步驟(2)中的式(5)，則創(chuàng)建一個新的聚類cn＝ci∪cj，并更新
(7)重復(fù)步驟(5)-(6)，直到?jīng)]有新的聚類被創(chuàng)建，最后得到的聚類集合為
(8)對
中一個聚類ci的每一行像素，若該行中兩個相鄰像素位置a和b之間的歐式距離d2(a，b)≤dT2，其中dT2是預(yù)設(shè)門限參數(shù)，則該行中處于這兩個位置之間的像素也被設(shè)置為動態(tài)類型；
(9)對
中每個聚類ci的每一列像素，若該列中兩個相鄰像素位置a和b之間的歐式距離d2(a，b)≤dT2，其中dT2是預(yù)設(shè)門限參數(shù)，則該列中處于這兩個位置之間的像素也被設(shè)置為動態(tài)類型；
(10)重復(fù)步驟(8)-(9)，直到
中所有聚類被處理，即完成像素合并和邊界擴(kuò)充。
4.根據(jù)權(quán)利要求1所述的一種自動偵測運(yùn)動目標(biāo)的嵌入式智能監(jiān)視系統(tǒng)，其特征在于，步驟(3)中采用雙閥值順序算法方案把所有的背景采樣值聚類成幾個高斯分布類的方法包括以下步驟
(1)設(shè)雙閥值順序算法方案中兩個預(yù)設(shè)門限參數(shù)分別為Θ1和Θ2；
(2)定義背景采樣值Si和
中的某個高斯分布cm之間的不相似測度如式(6)
式中tr表示矩陣的跡，dq(Si，S)表示兩個背景像素采樣值Si和S所采用的顏色空間中的第q個顏色分量之差；
定義雙閥值順序算法方案中背景采樣值Si和
中的某個高斯分布cm的聚類準(zhǔn)則式(7)和式(8)
表示所有的高斯分布。
定義兩個高斯分布類ci和cj之間的不相似測度如式
(9)
式中mi和mj分別表示高斯分布類ci和cj中背景采樣值的均值；
定義兩個高斯分布類ci和cj之間的聚類準(zhǔn)則如(10)式
式中MT表示預(yù)設(shè)門限參數(shù)，可以動態(tài)設(shè)置；
(3)創(chuàng)建初始聚類集合
設(shè)置i＝0，m＝0，first_loop＝1，cur_change＝0，prev_change＝0，exists_change＝0，其中first_loop表示在一次循環(huán)中首次輪詢到未被分配的背景采樣值，cur_change表示到當(dāng)前循環(huán)為止被分配的背景采樣數(shù)，prev_change表示到上一次循環(huán)為止被分配的背景采樣數(shù)，exists_change表示上一次循環(huán)中存在未被分配的背景采樣被分配；
(4)若背景采樣值Si未分配給一個高斯分布類，且first_loop＝＝1，exists_change＝＝0，則設(shè)置m＝m+1，cur_change＝cur_change+1，first_loop＝0，并創(chuàng)建一個新的聚類cm＝{Si}，
；
(5)若Si未分配給一個高斯分布類，且first_loop＝＝0，則若Si和
中的某個高斯分布cm滿足(8)式，則cm＝cm∪{Si}，設(shè)置cur_change＝cur_change+1；否則若則設(shè)置m＝m+1，cur_change＝cur_change+1，并創(chuàng)建一個新的聚類cm＝{Si}，
；
(6)若Si已分配給一個高斯分布類，則設(shè)置cur_change＝cur_change+1；
(7)設(shè)置i＝i+1；
(8)重復(fù)步驟(4)-(7)，直到所有背景采樣值被遍歷，即i＝N-1；
(9)設(shè)置exists_change＝|cur_change-prev_change|，i＝0，first_loop＝1，prev_change＝cur_change，cur_change＝0；
(10)重復(fù)步驟(4)-(9)，直到所有背景采樣值被分配；
(11)對
中所有聚類，若ci和cj之間滿足(10)式，則創(chuàng)建一個新的聚類cn＝ci∪cj，
；
(12)重復(fù)步驟(11)，直到?jīng)]有聚類被合并；
(13)重分配所有背景采樣若背景采樣Si和
中聚類cm滿足(7)式，則設(shè)置b[i]＝m；
(14)對
中每個聚類cm，重新設(shè)置cm＝{Sib[i]＝m，0≤i≤N-1}；
(15)重復(fù)步驟(3)-(14)，直到動態(tài)類型區(qū)域像素都被處理；
(16)計算
中每個聚類的均值。
全文摘要
本發(fā)明公開了一種自動偵測運(yùn)動目標(biāo)的嵌入式智能監(jiān)視系統(tǒng)，包括一視頻輸入設(shè)備、一視覺分析系統(tǒng)和一網(wǎng)絡(luò)輸入輸出設(shè)備。為了高實(shí)時高精度地進(jìn)行運(yùn)動目標(biāo)的偵測，該系統(tǒng)采用一種利用實(shí)時視覺分析算法實(shí)現(xiàn)運(yùn)動目標(biāo)實(shí)時偵測的方法，方法分為訓(xùn)練和檢測兩個階段，系統(tǒng)將獲得的視頻數(shù)據(jù)在色度和亮度空間分割成穩(wěn)定區(qū)域和動態(tài)區(qū)域，對穩(wěn)定區(qū)域采用簡單快速的自適應(yīng)單高斯模型，對動態(tài)區(qū)域采用計算復(fù)雜而有效的非參數(shù)化模型。該系統(tǒng)結(jié)構(gòu)簡單、高實(shí)時高精度、可擴(kuò)展性強(qiáng)，具有多重網(wǎng)絡(luò)接入功能，有效的實(shí)現(xiàn)了運(yùn)動目標(biāo)的實(shí)時偵測功能。
文檔編號H04N5/14GK101426081SQ20081012235
公開日2009年5月6日 申請日期2008年11月20日 優(yōu)先權(quán)日2008年11月20日
發(fā)明者陳耀武, 李志華, 翔 田 申請人:浙江大學(xué)