【正文】 Mean Shift算法的原理是基于均值漂移向量的概率密度收斂，根據(jù)無參數(shù)密度估計(jì)理論，在維空間中，采樣點(diǎn)集，概率密度核函數(shù)，則點(diǎn)的核函數(shù)概率密度估計(jì)為： （）其中為帶寬矩陣系數(shù)，將核函數(shù)改寫為輪廓函數(shù)形式即，則概率密度估計(jì)表示為： （）假設(shè)當(dāng)時(shí)除有限個(gè)點(diǎn)外存在，令，則相應(yīng)的核函數(shù)，對(duì)概率密度估計(jì)進(jìn)行梯度運(yùn)算得到： （）其中為基于核函數(shù)的無參概率密度估計(jì)，后一部分即為均值漂移向量。 （a）第126幀圖像 （b）灰度圖像 （c）濾波后圖像 （d）當(dāng)前背景模型 （e）差分圖像 （f）二值化圖像 （g）開運(yùn)算后圖像 （h）最終檢測(cè)結(jié)果 本文算法檢測(cè)結(jié)果Fig the detection result of this text algorithm（a）為當(dāng)前第126幀圖像，（b），（c），（d），可以看出背景模型較好地消除車輛進(jìn)入場(chǎng)景留下的痕跡，（e），可以看出場(chǎng)景中的背景區(qū)域樹葉被風(fēng)吹動(dòng)產(chǎn)生干擾，（b）當(dāng)前幀灰度直方圖設(shè)定閥值對(duì)差分結(jié)果二值化，（f），（g），可以看出大部分噪聲被除去了，目標(biāo)形態(tài)得到改觀，總共有16個(gè)連通分量，將像素?cái)?shù)目少于20的連通分量去除，（h），可以看出本文算法能有效地檢測(cè)出運(yùn)動(dòng)物體，較好地消除了場(chǎng)景變化以及噪聲影響等的干擾。（2）本文背景模型建立與更新方法本文提出了一種基于累積差分自適應(yīng)更新方法建立背景模型，該算法結(jié)合累積差分的概念，對(duì)Surendra G等提出的自適應(yīng)背景建模法作出改進(jìn)[58]，背景模型隨毎幀圖像實(shí)時(shí)更新，較好地消除了場(chǎng)景變化及噪聲等的干擾，且計(jì)算簡(jiǎn)單，便于在實(shí)時(shí)系統(tǒng)中實(shí)現(xiàn)。但背景減除法對(duì)場(chǎng)景的變化特別敏感，當(dāng)場(chǎng)景中的背景像素發(fā)生變化，如光照產(chǎn)生陰影、樹葉被風(fēng)吹動(dòng)等情況，而運(yùn)動(dòng)目標(biāo)尺寸較小，就會(huì)對(duì)檢測(cè)結(jié)果產(chǎn)生較大的影響。統(tǒng)計(jì)各連通分量中像素的數(shù)目，依據(jù)閥值去除數(shù)目小的分量，從而得到較大的物體。二值圖像的集合是二維整數(shù)空間的元素，集合的每個(gè)元素都是一個(gè)二維向量，表示該像素在圖像中的坐標(biāo)。均值濾波實(shí)際上是一個(gè)低通濾波器，用于減小由噪聲引起的圖像灰度級(jí)尖銳化和去除一些影響處理的不相干細(xì)節(jié)，但由于圖像中物體輪廓處灰度變化也比較劇烈，因此均值濾波會(huì)導(dǎo)致圖像模糊。使用RGB三原色表示的圖像被稱為位圖（bitmap），在Windows系統(tǒng)中后綴BMP，但對(duì)于全彩色圖像來說，一幅640480像素的圖像大小為6404803=921600字節(jié)，需大量存儲(chǔ)空間，因此Windows中使用了一種基于顏色表LUT（Look Up Table）的調(diào)色板技術(shù)，減少了存放圖像需要的存儲(chǔ)空間。PAL制式掃描奇數(shù)場(chǎng)在前，偶數(shù)場(chǎng)在后，8MHz傳輸帶寬。圖像存儲(chǔ)部分：將采集到的圖像數(shù)據(jù)存入內(nèi)存，以便顯示是調(diào)用，同時(shí)還負(fù)責(zé)后續(xù)檢測(cè)與跟蹤部分?jǐn)?shù)據(jù)的存儲(chǔ)。本文的研究工作主要包括：（1）在分析研究了常用的幀差法、背景減除法、光流法等運(yùn)動(dòng)目標(biāo)檢測(cè)算法的基礎(chǔ)上，結(jié)合系統(tǒng)的實(shí)時(shí)性要求，提出了一種累積差分更新的背景減除法，該算法采用累積差分更新法建立背景模型，相比基于高斯建模的算法實(shí)時(shí)性更好，經(jīng)測(cè)試該算法能在存在干擾背景環(huán)境下，準(zhǔn)確檢測(cè)出運(yùn)動(dòng)目標(biāo)。目前，在嵌入式平臺(tái)上實(shí)現(xiàn)智能視頻監(jiān)控主要有以下3種：（1）基于ARM平臺(tái)，ARM（Advanced RISC Machine）處理器基于32位精簡(jiǎn)指令集RISC（Reduced Instruction Set Computer）構(gòu)架，由于其指令執(zhí)行速度快，代碼效率高，支持高級(jí)語言編程等特點(diǎn)，被廣泛使用在嵌入式系統(tǒng)設(shè)計(jì)中，ARMARM9系列被廣泛應(yīng)用于聯(lián)動(dòng)控制、網(wǎng)絡(luò)傳輸、操作系統(tǒng)中，目前已推出了ARM11系列，但ARM芯片以邏輯控制為主，處理視頻或圖像等大量數(shù)據(jù)方面不是其強(qiáng)項(xiàng)，因此用ARM平臺(tái)實(shí)現(xiàn)系統(tǒng)處理速度有限。中科院自動(dòng)化研究所、中國圖形圖像學(xué)會(huì)在國內(nèi)舉辦了多次學(xué)術(shù)研討會(huì)議，就智能視頻監(jiān)控領(lǐng)域開展了廣泛深入的研究，對(duì)視頻序列分析、目標(biāo)識(shí)別與跟蹤、監(jiān)控系統(tǒng)構(gòu)建、網(wǎng)絡(luò)視頻監(jiān)控等技術(shù)進(jìn)行了探討。而今天，計(jì)算機(jī)視覺技術(shù)得到了越來越多的關(guān)注和長足的發(fā)展，智能視頻監(jiān)控（Intelligent Video Surveillance）系統(tǒng)就是計(jì)算機(jī)視覺技術(shù)主要的研究方向和重要的應(yīng)用領(lǐng)域之一。接著，分析比較了連續(xù)自適應(yīng)均值漂移CAMShift算法與Kalman濾波算法，提出了一種基于幾何特征的Kalman濾波與目標(biāo)直方圖匹配相結(jié)合的運(yùn)動(dòng)目標(biāo)跟蹤算法，以目標(biāo)灰度質(zhì)心及外接矩形框長寬作為目標(biāo)幾何特征參數(shù)，分別使用兩組卡爾曼濾波預(yù)測(cè)后，根據(jù)目標(biāo)灰度模板相似度進(jìn)行目標(biāo)匹配。運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤是智能視頻監(jiān)控系統(tǒng)中的關(guān)鍵技術(shù)和主要研究方向，目的是實(shí)時(shí)檢測(cè)視頻序列幀中出現(xiàn)的運(yùn)動(dòng)目標(biāo)，獲得目標(biāo)參數(shù)，對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行匹配和跟蹤，進(jìn)而獲得目標(biāo)的運(yùn)動(dòng)軌跡。然而，（John Von Neumann）博士發(fā)明了程序儲(chǔ)存體系結(jié)構(gòu)的電子計(jì)算機(jī)以來，隨著微電子技術(shù)的不斷進(jìn)步和因特網(wǎng)（Internet）這一全球互聯(lián)網(wǎng)的形成，當(dāng)代計(jì)算機(jī)家族徹底地改變了人們的生活。一些重要學(xué)術(shù)會(huì)議：計(jì)算機(jī)視覺和模式識(shí)別會(huì)議CVPR（IEEE Computer Society Confe rence on Computer Vision and Pattern Recognition）、視覺監(jiān)控會(huì)議IWVS（IEEE Interna tional Workshop on Visual Surveillance）、國際計(jì)算機(jī)視覺會(huì)議ICCV（International Confe rence on Computer Vision）等將智能視頻監(jiān)控及其關(guān)鍵技術(shù)作為會(huì)議的主題之一，促進(jìn)了該研究領(lǐng)域的交流與發(fā)展。小型化，隨著系統(tǒng)的規(guī)模越來越大，基于計(jì)算機(jī)的系統(tǒng)體積過于龐大，已經(jīng)不適應(yīng)這種發(fā)展，使用嵌入式系統(tǒng)是今后主要的發(fā)展方向。 主要研究?jī)?nèi)容及本文結(jié)構(gòu)本文主要就基于視頻的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟跟系統(tǒng)進(jìn)行了研究，限制在單攝像機(jī)靜止背景下，研究了一個(gè)基于視頻的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤系統(tǒng)的主體結(jié)構(gòu)以及工作流程，系統(tǒng)視頻信號(hào)的制式以及各種圖像數(shù)據(jù)結(jié)構(gòu)，以及圖像濾波、形態(tài)學(xué)處理、連通分量分析、灰度直方圖等圖像處理技術(shù)。 系統(tǒng)結(jié)構(gòu)智能視頻監(jiān)控系統(tǒng)實(shí)現(xiàn)了從攝像頭采集視頻數(shù)據(jù)，數(shù)據(jù)傳送到工作站進(jìn)行處理，監(jiān)控終端監(jiān)視器畫面顯示，監(jiān)控畫面存儲(chǔ)，異常情況報(bào)告，遠(yuǎn)程數(shù)據(jù)傳輸?shù)裙δ堋?a) 單個(gè)傳感器 (b) 傳感器陣列 傳感器及傳感器陣列Fig a sensor and a array of sensors數(shù)字圖像是將連續(xù)模擬圖像信號(hào)進(jìn)行采樣和量化后的結(jié)果，可以用一個(gè)矩陣來表示，如下： （）就表示了一幅M行N列的數(shù)字圖像，矩陣中每個(gè)元素稱為一個(gè)像素。RGB色彩模型來源于自然界中的三原色，Red、Green、Blue原色光譜分量按一定比列混合，就能夠得到RGB模型中的任意一種顏色，該模型基于笛卡爾坐標(biāo)系，顏色空間是一立方體，紅綠藍(lán)分別位于坐標(biāo)軸上3個(gè)頂點(diǎn)，黑色位于原點(diǎn)，白色位于原點(diǎn)的對(duì)角，將顏色值歸一化后，所有的顏色值都在立方體表面或內(nèi)部，灰度等級(jí)沿黑白兩點(diǎn)間的連線分布。本文基于數(shù)字圖像的特性，將獲取的彩色圖像變換為灰度圖像后，對(duì)其進(jìn)行空間域?yàn)V波。 （a）加入脈沖噪聲 （b）中值濾波結(jié)果 （c）均值濾波結(jié)果 中值濾波結(jié)果Fig the result of medium value filtering 形態(tài)學(xué)處理二值圖像是只有兩個(gè)灰度級(jí)的圖像，即黑色灰度值為0，白色灰度值為1?；叶戎禐?的像素是待提取的像素，與該像素相鄰的像素規(guī)定了兩種鄰接方式：4鄰接，水平與垂直方向上的相鄰像素；8鄰接，除水平與垂直方向外還包括對(duì)角方向上的相鄰像素。背景減除法的核心是建立并維護(hù)一個(gè)背景模型，假設(shè)獲取的視頻序列第1幀為背景模型，當(dāng)前視頻幀為，將當(dāng)前幀與背景模型進(jìn)行差分運(yùn)算如下： （）其中為當(dāng)前幀圖像坐標(biāo)像素灰度值，為背景模型對(duì)應(yīng)像素灰度值，為差分后絕對(duì)值，由判決閥值對(duì)差分后圖像進(jìn)行二值化： （）二值圖像中，像素為1的區(qū)域即檢測(cè)出的運(yùn)動(dòng)目標(biāo)區(qū)域。高斯模型法是通過對(duì)視頻序列幀圖像中的每個(gè)像素建立高斯分布模型，根據(jù)高斯分布模型的變化，從而更新背景模型的方法。得到的二值圖像，使用開運(yùn)算進(jìn)行形態(tài)學(xué)濾波，結(jié)構(gòu)元素，消除其中存在的噪聲，獲得較好的目標(biāo)形態(tài)。該算法利用目標(biāo)區(qū)域的顏色直方圖特征，即HSV色彩模型中的H分量，在單幅圖像中使用Mean Shift算法搜索到目標(biāo)，在連續(xù)幀中將前一幀的搜索結(jié)果數(shù)據(jù)作為后一幀的初始數(shù)據(jù)，實(shí)現(xiàn)連續(xù)幀圖像中的運(yùn)動(dòng)目標(biāo)跟蹤[7679]。就實(shí)現(xiàn)了序列幀圖像的目標(biāo)跟蹤。目標(biāo)匹配使用的特征參數(shù)除了目標(biāo)的幾何參數(shù)如位置、大小等，還可以使用目標(biāo)的顏色參數(shù)如亮度、色調(diào)等。 （a）第5幀 （b）第15幀 （c）第25幀 （d）第35幀 （e）第45幀 （f）第55幀 視頻序列幀圖像Fig the images of video sequence frames （a）統(tǒng)計(jì)平均法 （b）系數(shù)更新法 （c）本文方法參數(shù)1 （d）本文方法參數(shù)2 背景建模結(jié)果Fig the result of background modeling 運(yùn)動(dòng)目標(biāo)提取建立背景模型后，通過實(shí)時(shí)圖像與背景模型的差分運(yùn)算，來檢測(cè)場(chǎng)景中的運(yùn)動(dòng)目標(biāo)，提取運(yùn)動(dòng)目標(biāo)區(qū)域像素，以便后續(xù)獲取目標(biāo)特征數(shù)據(jù)。 （a）當(dāng)前幀fk （b）背景模型bk （c）更新后背景模型b’k （d）fkbk結(jié)果 （e）fkb’k結(jié)果 背景減除法檢測(cè)結(jié)果Fig the result of background difference algorithm 光流法光流法是利用運(yùn)動(dòng)目標(biāo)隨時(shí)間變化的光流特性，通過對(duì)視頻序列幀圖像的光流場(chǎng)進(jìn)行計(jì)算，從而得到運(yùn)動(dòng)目標(biāo)的方法[4953]。運(yùn)動(dòng)目標(biāo)檢測(cè)算法根據(jù)背景區(qū)域運(yùn)動(dòng)與否可分為靜態(tài)背景檢測(cè)與動(dòng)態(tài)背景檢測(cè)，靜態(tài)背景是指攝像機(jī)鏡頭位置固定，動(dòng)態(tài)背景是指攝像機(jī)鏡頭位置隨運(yùn)動(dòng)物體變化。腐蝕運(yùn)算通過消除物體邊界像素來收縮物體邊界、間斷連通物體以及消除不相關(guān)細(xì)節(jié)等，對(duì)于中的集合A和B，使用結(jié)構(gòu)元素B對(duì)集合A進(jìn)行腐蝕定義如下： （）其中為結(jié)構(gòu)元素B按向量的平移，則A被B腐蝕的定義是結(jié)構(gòu)元素B進(jìn)行z向量平移后還完全包含于集合A中。若模板中各濾波系數(shù)不同，則可以得到加權(quán)均值濾波，模板中各濾波系數(shù)的大小決定了去噪能力和圖像模糊程度，：（a）模板系數(shù) （b）均值濾波模板 （c）加權(quán)均值模板 線性濾波模板Fig linear filtering template（b）為標(biāo)準(zhǔn)的均值濾波模板，（c）的加權(quán)均值模板，模板中心位置像素的系數(shù)最大，離中心位置距離越遠(yuǎn)的像素系數(shù)越小，系數(shù)和最好為可加快運(yùn)算速度。RGB模型到CMY模型的轉(zhuǎn)換如下： （）YUV色彩模型是電視視頻制式中的顏色模型，與RGB模型不同，YUV模型中顏色由一個(gè)亮度信號(hào)Y、兩個(gè)色度信號(hào)U、V表示。ITUR ，采用21芯接口，16位并行數(shù)據(jù)傳輸，Y、U、V信號(hào)同時(shí)傳輸，行場(chǎng)同步信號(hào)單獨(dú)輸出。圖像顯示部分：將檢測(cè)與跟蹤部分及存儲(chǔ)部分的原始數(shù)據(jù)結(jié)合后，通過視頻編碼芯片將數(shù)字圖像數(shù)據(jù)轉(zhuǎn)變?yōu)槟M電壓信號(hào)，在顯示器上顯示結(jié)果。（4）設(shè)計(jì)出基于SOPC的實(shí)時(shí)運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤系統(tǒng)，使用Altera ED2多媒體開發(fā)板，CycloneⅡ系列EP2C35F672C6 FPGA芯片，完成系統(tǒng)的主體結(jié)構(gòu)設(shè)計(jì)，使用VerilogHDL硬件描述語言設(shè)計(jì)系統(tǒng)各個(gè)模塊，移植了μC/OSⅡ操作系統(tǒng)，完成系統(tǒng)初始化和處理算法程序，最后對(duì)系統(tǒng)進(jìn)行了仿真與測(cè)試。TI（Texas Instruments）公司的TMS320系列DSP，具有哈佛結(jié)構(gòu)，以其硬件乘法器和流水線操作，能快速實(shí)現(xiàn)大量運(yùn)算，在個(gè)人移動(dòng)手持終端、多媒體產(chǎn)品、導(dǎo)航設(shè)備等產(chǎn)品市場(chǎng)中取得了非常成功的應(yīng)用。實(shí)時(shí)跟蹤測(cè)量系統(tǒng)RTTS能實(shí)現(xiàn)動(dòng)物、昆蟲、微生物等的行為解析，人體動(dòng)作解析，機(jī)器人視覺反饋、自動(dòng)跟蹤等。在交通管理方面，各個(gè)十字路口的電子眼系統(tǒng)，能夠監(jiān)視車輛的闖紅燈、違章行駛等行為，通過連續(xù)抓拍違章車輛3幅圖像，給出其違章證據(jù)及車牌號(hào)碼。關(guān)鍵詞：智能視頻監(jiān)控；目標(biāo)檢測(cè)；目標(biāo)跟蹤；OpenCV；SOPC I AbstractIntelligent Video Surveillance System which based on Computer Vision technology has already been widely applied to various aspects of human’s production and life at present. Moving object detection and tacking is the key technology and primary research direction of Intelligent Video Surveillance System. In order to realtime