CN101330606B - 基于嵌入式智能监视系统的自动侦测运动目标的方法 - Google Patents

Abstract

本发明公开了一种自动侦测运动目标的嵌入式智能监视系统，包括一视频输入设备、一视觉分析系统和一网络输入输出设备。为了高实时高精度地进行运动目标的侦测，该系统采用一种利用实时视觉分析算法实现运动目标实时侦测的方法，方法分为训练和检测两个阶段，系统将获得的视频数据在色度和亮度空间分割成稳定区域和动态区域，对稳定区域采用简单快速的自适应单高斯模型，对动态区域采用计算复杂而有效的非参数化模型。该系统结构简单、高实时高精度、可扩展性强，具有多重网络接入功能，有效的实现了运动目标的实时侦测功能。

Description

基于嵌入式智能监视系统的自动侦测运动目标的方法

技术领域

本发明属于电子设备领域，涉及一种自动侦测运动目标的嵌入式智能监视系统。 

背景技术

随着视频监控需求的迅速增长、监控规模的日益扩大，人工监视已远远不能满足监控要求，视频监控系统的“智能化”变得越来越迫切。 

监控规模的不断扩大、视觉分析任务的不断增多使基于PC中心服务器的集中式视觉分析处理模式呈现出了越来越突出的局限性——计算机资源和网络通讯带宽严重不足，越来越需要在摄像头前端对监控视频图像进行实时高效的本地处理，只将有关的报警状态和图像数据通过网络传输给中心服务器。嵌入式智能网络摄像机作为智能视频监控系统的前端“眼睛”，其图像获取、分析处理和网络通讯能力对整个监控系统起着越来越重要的作用。运动目标侦测是大多数视觉分析任务的第一步，是实现目标分类、目标跟踪、行为分析等视觉任务的基础。为了能有效侦测运动目标，S.J.Mc、S.Jabri等人在文献“Tracking Groups of People”中采用的单高斯模型、C.Stauffer和W.E.L在文献“Adaptive background mixture models forreal-time tracking”中采用的混合高斯模型、A.Elgammal、D.Harwood等人在文献“Non-parametric Model for Background”中采用的非参数化模型以及它们的改进模型等被纷纷提出来，这些建模方法在一些特定的环境中能取得较好的效果，但面对复杂些的场景，要么效果会变差，要么效果较好但运算量和资源需求很大、难以达到实时要求，在嵌入式智能视觉分析中其局限性非常明显。 

发明内容

本发明提供了一种自动侦测运动目标的嵌入式智能监视系统。 

一种自动侦测运动目标的嵌入式智能监视系统，包括 

一视频输入设备，用于获得视频数据； 

一视觉分析系统，由通过DPRAM接口模块相连接的嵌入式CPU和DSP处理器组成，用于处理视频输入系统获得的视频数据； 

一输入输出系统，用于将视觉分析系统处理后的视频数据输出和输入用于控制视觉分析系统的指令； 

所述的视觉分析终端，包括： 

嵌入式CPU Au1200，用于网络通讯； 

DSP BF533处理器，用于运动目标侦测； 

DPRAM接口模块，用于嵌入式CPU Au1200和DSP BF533处理器进行数据和命令的交互，该DPRAM模块的两个访问口能够实现快速的异步同时访问； 

视频AD转换器，设有视频输入接口，通过PPI数据总线与DSP处理器连接，用于视频模拟信号到数字信号的转换； 

第一数据存储器，数据存储器1的数据总线、地址总线、控制线与DSP处理器的EBIU总线连接，用于数据的存储和算法运行时刻临时变量的存储； 

程序存储器，程序存储器的数据总线、地址总线、控制线与嵌入式CPUAu1200的EBIU总线连接，用于程序代码的存储； 

第二数据存储器，数据存储器2的数据总线、地址总线、控制线与嵌入式CPU Au1200的EBIU总线连接，用于数据的存储和网络交互代码运行时刻临时变量的存储； 

有线以太网控制器，有线以太网控制器芯片的地址总线与嵌入式CPUAu1200的EBIU总线连接，用于有线以太网的接入控制，通过有线RJ45接口与局域网或公用网络与远端中心服务器进行网络连接； 

CF卡硬件电路控制逻辑，通过EBIU总线与嵌入式CPU Au1200相连； 

无线GPRS卡，无线GPRS卡与CF卡接口总线进行相连，用于通过无线GPRS网络与中心服务器进行网络连接； 

所述的视频输入设备为摄像机，通过视频输入接口与视频AD转换器 相连，用于视频的输入； 

所述的输入输出系统包括一个远端中心服务器，用于视觉分析系统的控制。 

为进行运动目标的实时侦测，所述的DSP处理器执行以下步骤： 

(1)DSP处理器初始化后对视频输入系统获取的监控背景区域像素进行连续采样N个像素值； 

(2)将采样得到的N个像素值在色度和亮度(r，g，I)空间判断像素的变化范围，将监控背景区域进行区域分割，得到稳定区域和动态区域； 

(3)对动态区域先采用通用合并方法进行像素合并和边界扩充，然后采用双阀值顺序算法方案把所有的背景采样值聚类成几个高斯分布类； 

(4)为了使背景模型能即时适应变化的监控环境，进行自适应单高斯模型和非参数化模型模型的参数更新； 

(5)稳定区域采用S.J.Mc、S.Jabri等人在文献“Tracking Groups ofPeople”中提出的自适应单高斯模型，动态区域采用A.Elgammal、D.Harwood等人在文献“Non-parametric Model for Background”中提出的非参数化模型对场景进行实时检测，提取监控背景区域的运动目标，具体细节请完全参照这两篇文献中的方法； 

(6)将提取的运动目标进行阴影消除、形态滤波后通过网络输入输出系统输出。 

所述的将采样得到的N个像素值在色度和亮度(r，g，I)空间判断像素的变化范围，将监控背景区域进行区域分割，得到稳定区域和动态区域的方法如下： 

将监控背景区域采样得到的N个像素值转换到色度和亮度(r，g，I)空间，其中r＝R/(R+G+B)，g＝G/(R+G+B)，I＝R+G+B，(R，G，B)为像素的三个颜色分量，设σ^T1和β为预设的门限参数，若该监控背景区域中的某一区域中所有的像素值均满足式(1)、式(2)、式(3)，则判断该区域为稳定区域，监控背景区域中不满足式(1)、式(2)、式(3)的区域则判断该区域为动态区域； 

$\underset{0\&le;i<N-1}{\max }|r_{i+1}-r_i|\&le;{\mathrm{\&sigma;}}^{T1}---\left(1\right)$

$\underset{0\&le;i<N-1}{\max }|g_{i+1}-g_i|\&le;{\mathrm{\&sigma;}}^{T1}---\left(2\right)$

$\underset{0\&le;i<N-1}{\max }\left(\right|I_{i+1}-I_i|/I_i)\&le;\mathrm{\&beta;}---\left(3\right)$

在变化大的动态区域，由于动态环境具有一定的随机性，该背景模型采用通用合并方法(Generalized Agglomerative Scheme，GAS)聚类填充其中的小空隙，并在边界处向外适当扩充一些像素，可以提高区域分割对动态环境的适应性。 

所述的对动态区域采用通用合并方法进行像素合并和边界扩充的方法如下： 

(1)定义所述的通用合并方法(GAS)中两个像素集合c_i和c_j之间的不相似测度(Dissimilarity Measure，DM)如下： 

$d_{\min }^{\mathrm{ss}}(c_i,c_j)=\underset{a\&Element;c_i,b\&Element;c_j}{\min }{d}_2(a,b)---\left(4\right)$

式中d₂(a，b)表示两个像素位置a和b之间的欧式距离(EuclideanDistance)。 

(2)定义所述的通用合并方法(GAS)中两个像素集合c_i和c_j的聚类准则如下： 

式中 

是所有聚类组成的集合，d^T1是预设门限参数，可以动态设置； 

(3)将动态区域中每个动态类型的像素的8-邻域像素N₈均设置成动态类型； 

(4)为每个动态类型像素创建一个初始聚类c_i＝{S_i}，其中i表示像素位置，并初始化 

(5)设置t＝t+1； 

(6)对 

中所有的聚类，若聚类c_i和c_j满足式(5)，则创建一个新的聚类c_n＝c_i∪c_j，并更新 

(7)重复步骤(5)-(6)，直到没有新的聚类被创建，最后得到的聚类集合为 

(8)对 中一个聚类c_i的每一行像素，若该行中两个相邻像素位置a和b之间的欧式距离d₂(a，b)≤d^T2(其中d^T2是预设门限参数)，则该行中处于这两个位置之间的像素也被设置为动态类型； 

(9)对 中每个聚类c_i的每一列像素，若该列中两个相邻像素位置a和b之间的欧式距离d₂(a，b)≤d^T2(其中d^T2是预设门限参数)，则该列中处于这两个位置之间的像素也被设置为动态类型； 

(10)重复步骤(8)-(9)，直到 

中所有聚类被处理。 

在动态区域非参数化建模过程中，由于动态区域中每个像素的采样值通常在几个高斯分布中变化，在背景建模的训练阶段采用双阀值顺序算法方案(Two-Threshold Sequential Algorithmic Scheme，TTSAS)把所有的背景采样值聚类成几个高斯分布类，并计算每个高斯分布类中采样值的均值与当前新采样值的近邻性。 

所述的采用双阀值顺序算法方案把所有的背景采样值聚类成几个高斯分布类的方法如下： 

(1)设双阀值顺序算法方案中两个预设门限参数分别为Θ₁和Θ₂； 

(2)定义背景采样值S_i和□中的某个高斯分布c_m之间的不相似测度如式(6)： 

$d_{\max }^{\mathrm{ps}}(s_i,c_m)=\underset{s\&Element;c_m}{\max }\mathrm{tr}\left\{\right[d(s_i,s)\left]{\left[d(s_i,s)\right]}^T\right\}$

$=\underset{s\&Element;c_m}{\max }\mathrm{tr}\left[\begin{array}{ccc}{d}_1^2(s_i,s)& 0& 0\\ 0& d_2^2(s_i,s)& 0\\ 0& 0& d_3^2(s_i,s)\end{array}\right]---\left(6\right)$

$=\underset{s\&Element;c_m}{\max }\underset{q=1}{\overset{r}{\mathrm{\&Sigma;}}}{d}_q^2(s_i,s)$

式中tr表示矩阵的迹，d_q(S_i，S)表示两个背景像素采样值S_i和S所采用的颜色空间中的第q个颜色分量之差； 

定义双阀值顺序算法方案中背景采样值S_i和□中的某个高斯分布c_m 的聚类准则式(7)和式(8)： 

$d_{\max }^{\mathrm{ps}}(s_i,c_m)\&le;{\mathrm{\&Theta;}}_1---\left(8\right)$

□表示所有的高斯分布。 

定义两个高斯分布类c_i和c_j之间的不相似测度如式(9)： 

$d_{\mathrm{mean}}^{\mathrm{ss}}(c_i,c_j)=\mathrm{tr}\left\{\right[d(m_i,m_j)\left]{\left[d(m_i,m_j)\right]}^T\right\}$

$=\underset{q=1}{\overset{r}{\mathrm{\&Sigma;}}}{d}_q^2(m_i,m_j)---\left(9\right)$

式中m_i和m_j分别表示高斯分布类c_i和c_j中背景采样值的均值； 

定义两个高斯分布类c_i和c_j之间的聚类准则如(10)式： 

$d_{\mathrm{mean}}^{\mathrm{ss}}(c_i,c_j)\&le;M^T---\left(10\right)$

式中M^T表示预设门限参数，可以动态设置； 

(3)创建初始聚类集合 

设置i＝0，m＝0，first_loop＝1，cur_change＝0，prev_change＝0，exists_change＝0，其中first_loop表示在一次循环中首次轮询到未被分配的背景采样值，cur_change表示到当前循环为止被分配的背景采样数，prev_change表示到上一次循环为止被分配的背景采样数，exists_change表示上一次循环中存在未被分配的背景采样被分配； 

(4)若背景采样值S_i未分配给一个高斯分布类，且first_loop＝＝1，exists_change＝＝0，则设置m＝m+1，cur_change＝cur_change+1，first_loop＝0，并创建一个新的聚类c_m＝{S_i}，□＝□∪{c_m}； 

(5)若S_i未分配给一个高斯分布类，且first_loop＝＝0，则：若S_i和□中的某个高斯分布c_m满足式(8)，则c_m＝c_m∪{S_i}，设置cur_change＝cur_change+1；否则若 $d_{\max }^{\mathrm{ps}}(s_i,c_m)\&GreaterEqual;{\mathrm{\&Theta;}}_2$ ，则设置m＝m+1，cur_change＝cur_change+1，并创建一个新的聚类c_m＝{S_i}，□＝□∪{c_m}； 

(6)若S_i已分配给一个高斯分布类，则设置cur_change＝cur_change+1； 

(7)设置i＝i+1； 

(8)重复步骤(4)-(7)，直到所有背景采样值被遍历，即i＝N-1； 

(9)设置exists_change＝|cur_change-prev_change|，i＝0，first_loop＝1，prev_change＝cur_change，cur_change＝0； 

(10)重复步骤(4)-(9)，直到所有背景采样值被分配； 

(11)对□中所有聚类，若c_i和c_j之间满足式(10)，则创建一个新的聚类c_n＝c_i∪c_j，□＝(□-{c_i，c_j})∪{c_n}； 

(12)重复步骤(11)，直到没有聚类被合并； 

(13)重分配所有背景采样：若背景采样S_i和□中聚类c_m满足式(7)，则设置b[i]＝m； 

(14)对□中每个聚类c_m，重新设置c_m＝{S_i：b[i]＝m，0≤i≤N-1}； 

(15)重复步骤(3)-(14)，直到动态类型区域像素都被处理； 

(16)计算□中每个聚类的均值，完成将监控背景区域采样值聚类成几个高斯分布类。 

本发明所述的一种自动侦测运动目标的嵌入式智能监视系统，结构简单、高实时高精度、可扩展性强，具有有线以太网和无线GPRS多重网络接入功能，有效的实现了运动目标的实时侦测功能。 

附图说明

图1为本发明一种自动侦测运动目标的嵌入式智能监视系统的连接示意图，其中：1-视觉分析系统，2-视频输入设备，3-局域以太网，4-远端中心服务器，5-无线GPRS卡，6-监控人员； 

图2为本发明一种自动侦测运动目标的嵌入式智能监视系统的视觉分析系统内部结构图。 

图3是本发明的技术方案流程图； 

具体实施方式

本发明提供了一种自动侦测运动目标的嵌入式智能监视系统。 

一种自动侦测运动目标的嵌入式智能监视系统包括视觉分析系统1，视觉分析系统1外部接有摄像机2，网络输入输出设备包括局域以太网3、远端中心服务器4、无线GPRS卡5，视觉分析系统1通过接入的局域以 太网3和远端中心服务器4进行通讯，并通过无线GPRS卡5与远端中心服务器4进行联系，将运动检测信息传输给远端中心服务器4，中心服务器4的显示器显示监测信息，监控人员6通过远端中心服务器4的显示器借助于局域以太网3，对视觉分析终端1进行控制(初始化、训练和检测)。 

如图3所示为所述的视觉分析系统的内部结构框图，包括： 

嵌入式CPU，用于网络通讯； 

DSP处理器，用于运动目标侦测； 

DPRAM接口模块，用于嵌入式CPU和DSP处理器进行数据和命令的交互，该DPRAM模块的两个访问口能够实现快速的异步同时访问； 

视频AD转换器，设有视频输入接口，通过PPI数据总线与DSP处理器连接，用于视频模拟信号到数字信号的转换； 

第一数据存储器SDRAM，数据存储器1的数据总线、地址总线、控制线与DSP处理器的EBIU总线连接，用于数据的存储和算法运行时刻临时变量的存储； 

程序存储器FLASH，程序存储器的数据总线、地址总线、控制线与嵌入式CPU的EBIU总线连接，用于程序代码的存储； 

第二数据存储器SDRAM，数据存储器2的数据总线、地址总线、控制线与嵌入式CPU的EBIU总线连接，用于数据的存储和网络交互代码运行时刻临时变量的存储； 

有线以太网控制器，有线以太网控制器芯片的地址总线与嵌入式CPU的EBIU总线连接，用于有线以太网的接入控制，通过有线RJ45接口与局域网或公用网络与远端中心服务器进行网络连接； 

CF卡硬件电路控制逻辑，通过EBIU总线与嵌入式CPU相连； 

无线GPRS卡，无线GPRS卡与CF卡接口总线进行相连，用于通过无线GPRS网络与中心服务器进行网络连接； 

本发明还提供了一种利用实时视觉分析算法实现运动目标实时侦测的方法，即一种基于区域分割的背景建模算法，该方法的过程如图1所示，包括训练阶段和检测阶段两个阶段， 

训练阶段主要用于对监视场景的颜色特征进行学习和记忆，用模型对其进行描述，便于后续检测阶段对出现于其中的运动目标进行提取，训练阶段包括以下步骤： 

(1)DSP处理器初始化后对视频输入系统获取的监控背景区域像素进行连续采样N个像素值； 

(2)将采样得到的N个像素值在色度和亮度(r，g，I)空间判断像素的变化范围，将监控背景区域进行区域分割，得到稳定区域和动态区域；所述的将采样得到的N个像素值在色度和亮度(r，g，I)空间判断像素的变化范围，将监控背景区域进行区域分割，得到稳定区域和动态区域的方法如下： 

将监控背景区域采样得到的N个像素值转换到色度和亮度(r，g，I)空间，其中r＝R/(R+G+B)，g＝G/(R+G+B)，I＝R+G+B，(R，G，B)为像素的三个颜色分量，设σ^T1和β为预设的门限参数，若该监控背景区域中的某一区域中所有的像素值均满足式(1)、式(2)、式(3)，则判断该区域为稳定区域，监控背景区域中不满足式(1)、式(2)、式(3)的区域则判断该区域为动态区域； 

$\underset{0\&le;i<N-1}{\max }|r_{i+1}-r_i|\&le;{\mathrm{\&sigma;}}^{T1}---\left(1\right)$

$\underset{0\&le;i<N-1}{\max }|g_{i+1}-g_i|\&le;{\mathrm{\&sigma;}}^{T1}---\left(2\right)$

$\underset{0\&le;i<N-1}{\max }\left(\right|I_{i+1}-I_i|/I_i)\&le;\mathrm{\&beta;}---\left(3\right)$

(3)对动态区域先采用通用合并方法进行像素合并和边界扩充，然后采用双阀值顺序算法方案把所有的背景采样值聚类成几个高斯分布类； 

在变化大的动态区域，由于动态环境具有一定的随机性，采用通用合并方法(Generalized Agglomerative Scheme，GAS)聚类填充其中的小空隙，并在边界处向外适当扩充一些像素，可以提高区域分割对动态环境的适应性。 

所述的对动态区域采用通用合并方法进行像素合并和边界扩充的方法如下： 

(1)定义所述的通用合并方法(GAS)中两个像素集合c_i和c_j之间的不相似测度(Dissimilarity Measure，DM)如下： 

$d_{\min }^{\mathrm{ss}}(c_i,c_j)=\underset{a\&Element;c_i,b\&Element;c_j}{\min }{d}_2(a,b)---\left(4\right)$

式中d₂(a，b)表示两个像素位置a和b之间的欧式距离(EuclideanDistance)。 

(2)定义所述的通用合并方法(GAS)中两个像素集合c_i和c_j的聚类准则如下： 

式中 

是所有聚类组成的集合，d^T1是预设门限参数，可以动态设置； 

(3)将动态区域中每个动态类型的像素的8-邻域像素N₈均设置成动态类型； 

(4)为每个动态类型像素创建一个初始聚类c_i＝{S_i}，其中i表示像素位置，并初始化 

(5)设置t＝t+1； 

(6)对 

中所有的聚类，若聚类c_i和c_j满足式(5)，则创建一个新的聚类c_n＝c_i∪c_j，并更新 

(7)重复步骤(5)-(6)，直到没有新的聚类被创建，最后得到的聚类集合为 

(8)对 

中一个聚类c_i的每一行像素，若该行中两个相邻像素位置a和b之间的欧式距离d₂(a，b)≤d^T2(其中d^T2是预设门限参数)，则该行中处于这两个位置之间的像素也被设置为动态类型； 

(9)对 

中每个聚类c_i的每一列像素，若该列中两个相邻像素位置a和b之间的欧式距离d₂(a，b)≤d^T2(其中d^T2是预设门限参数)，则该列中处于这两个位置之间的像素也被设置为动态类型； 

(10)重复步骤(8)-(9)，直到 中所有聚类被处理。 

在动态区域非参数化建模过程中，由于动态区域中每个像素的采样值通常在几个高斯分布中变化，在训练阶段采用双阀值顺序算法方案 (Two-Threshold Sequential Algorithmic Scheme，TTSAS)把所有的背景采样值聚类成几个高斯分布类，并计算每个高斯分布类中采样值的均值与当前新采样值的近邻性，可以加速新采样值的核密度计算速度。 

所述的采用双阀值顺序算法方案把所有的背景采样值聚类成几个高斯分布类的方法如下： 

(1)设双阀值顺序算法方案中两个预设门限参数分别为Θ₁和Θ₂； 

(2)定义背景采样值S_i和□中的某个高斯分布c_m之间的不相似测度如式(6)： 

$d_{\max }^{\mathrm{ps}}(s_i,c_m)=\underset{s\&Element;c_m}{\max }\mathrm{tr}\left\{\right[d(s_i,s)\left]{\left[d(s_i,s)\right]}^T\right\}$

$=\underset{s\&Element;c_m}{\max }\mathrm{tr}\left[\begin{array}{ccc}{d}_1^2(s_i,s)& 0& 0\\ 0& d_2^2(s_i,s)& 0\\ 0& 0& d_3^2(s_i,s)\end{array}\right]---\left(6\right)$

$=\underset{s\&Element;c_m}{\max }\underset{q=1}{\overset{r}{\mathrm{\&Sigma;}}}{d}_q^2(s_i,s)$

式中tr表示矩阵的迹，d_q(S_i，S)表示两个背景像素采样值S_i和S所采用的颜色空间中的第q个颜色分量之差； 

定义双阀值顺序算法方案中背景采样值S_i和□中的某个高斯分布c_m的聚类准则式(7)和式(8)： 

$d_{\max }^{\mathrm{ps}}(s_i,c_m)\&le;{\mathrm{\&Theta;}}_1---\left(8\right)$

□表示所有的高斯分布。 

定义两个高斯分布类c_i和c_j之间的不相似测度如式(9)： 

$d_{\mathrm{mean}}^{\mathrm{ss}}(c_i,c_j)=\mathrm{tr}\left\{\right[d(m_i,m_j)\left]{\left[d(m_i,m_j)\right]}^T\right\}$

$=\underset{q=1}{\overset{r}{\mathrm{\&Sigma;}}}{d}_q^2(m_i,m_j)---\left(9\right)$

式中m_i和m_j分别表示高斯分布类c_i和c_j中背景采样值的均值； 定义两个高斯分布类c_i和c_j之间的聚类准则如(10)式： 

$d_{\mathrm{mean}}^{\mathrm{ss}}(c_i,c_j)\&le;M^T---\left(10\right)$

式中M^T表示预设门限参数，可以动态设置； 

(3)创建初始聚类集合 

，设置i＝0，m＝0，frist_loop＝1，cur_change＝0，prev_change＝0，exists_change＝0，其中first_loop表示在一次循环中首次轮询到未被分配的背景采样值，cur_change表示到当前循环为止被分配的背景采样数，prev_change表示到上一次循环为止被分配的背景采样数，exists_change表示上一次循环中存在未被分配的背景采样被分配； 

(4)若背景采样值S_i未分配给一个高斯分布类，且first_loop＝＝1，exists_change＝＝0，则设置m＝m+1，cur_change＝cur_change+1，first_loop＝0，并创建一个新的聚类c_m＝{S_i}，□＝□∪{c_m}； 

(5)若S_i未分配给一个高斯分布类，且firdt_loop＝＝0，则：若S_i和□中的某个高斯分布c_m满足式(8)，则c_m＝c_m∪{S_i}，设置cur_change＝cur_change+1；否则若 $d_{\max }^{\mathrm{ps}}(s_i,c_m)\&GreaterEqual;{\mathrm{\&Theta;}}_2,$ 则设置m＝m+1，cur_change＝cur_change+1，并创建一个新的聚类c_m＝{S_i}，□＝□∪{c_m}； 

(6)若S_i已分配给一个高斯分布类，则设置cur_change＝cur_change+1； 

(7)设置i＝i+1； 

(8)重复步骤(4)-(7)，直到所有背景采样值被遍历，即i＝N-1； 

(9)设置exists_change＝|cur_change-prev_change|，i＝0，first_loop＝1，prev_change＝cur_change，cur_change＝0； 

(10)重复步骤(4)-(9)，直到所有背景采样值被分配； 

(11)对□中所有聚类，若c_i和c_j之间满足式(10)，则创建一个新的聚类c_n＝c_i∪c_j，□＝(□一{c_i，c_j})∪{c_n}； 

(12)重复步骤(11)，直到没有聚类被合并； 

(13)重分配所有背景采样：若背景采样S_i和□中聚类c_m满足式(7)，则设置b[i]＝m； 

(14)对□中每个聚类c_m，重新设置c_m＝{S_i：b[i]＝m，0≤i≤N-1}； 

(15)重复步骤(3)-(14)，直到动态类型区域像素都被处理； 

(16)计算□中每个聚类的均值，完成将监控背景区域采样值聚类成几个高斯分布类。 

检测阶段主要是根据稳定区域采用的自适应单高斯模型、动态区域采用的非参数化模型对场景进行实时检测，提取出其中的运动目标，检测阶段包括以下步骤：

(4)为了使背景模型能即时适应变化的监控环境，进行自适应单高斯模型和非参数化模型模型的参数更新； 

(5)稳定区域采用S.J.Mc、S.Jabri等人在文献“Tracking Groups ofPeople”中提出的自适应单高斯模型，动态区域采用A.Elgammal、D.Harwood等人在文献“Non-parametric Model for Background”中提出的非参数化模型对场景进行实时检测，提取监控背景区域的运动目标； 

(6)将提取的运动目标进行阴影消除、形态滤波后通过网络输入输出系统输出给中心计算机服务器。 

本发明所述的一种自动侦测运动目标的嵌入式智能监视系统，结构简单、高实时高精度、可扩展性强，具有有线以太网和无线GPRS多重网络接入功能，有效的实现了运动目标的实时侦测功能。 

Claims (3)

1.基于嵌入式智能监视系统的自动侦测运动目标的方法，包括：

(1)嵌入式智能监视系统中的DSP处理器初始化后对嵌入式智能监视系统中的视频输入系统获取的监控背景区域像素进行连续采样N个像素值；

(2)将采样得到的N个像素值在色度和亮度空间判断像素的变化范围，对监控背景区域进行区域分割，得到稳定区域和动态区域；

(3)对动态区域先采用通用合并方法进行像素合并和边界扩充，其目的是提高区域分割对动态环境的适应性，然后采用双阀值顺序算法方案把所有的背景采样值聚类成几个高斯分布类，其目的是加速新采样值的核密度计算速度；

(4)进行自适应单高斯模型和非参数化模型模型的参数更新；

(5)稳定区域采用自适应单高斯模型，动态区域采用非参数化模型对场景进行实时检测，提取监控背景区域的运动目标；

(6)将提取的运动目标进行阴影消除、形态滤波后通过嵌入式智能监视系统的网络输入输出系统输出。

2.根据权利要求1所述的自动侦测运动目标的方法，其特征在于，步骤(3)中对动态区域采用通用合并方法进行像素合并和边界扩充的方法包括以下步骤：

(1)定义所述的通用合并方法中两个像素集合c_i和c_j之间的不相似测度如下：

$d_{\min }^{\mathrm{ss}}(c_i,c_j)=\underset{a\&Element;c_i,b\&Element;c_j}{\min }{d}_2(a,b)---\left(4\right)$

式中d₂(a，b)表示两个像素位置a和b之间的欧式距离；

(2)定义所述的通用合并方法中两个像素集合c_i和c_j的聚类准则如下：

式中

是所有聚类组成的集合，d^T1是预设门限参数，可以动态设置；

(3)将动态区域中每个动态类型的像素的8-邻域像素N₈均设置成动态类型；

(4)为每个动态类型像素创建一个初始聚类c_i＝{S_i}，其中i表示像素位置，并初始化t＝0；

(5)设置t＝t+1；

(6)对

中所有的聚类，若聚类C_i和c_j满足步骤(2)中的式(5)，则创建一个新的聚类c_n＝c_i∪c_j，并更新

(7)重复步骤(5)-(6)，直到没有新的聚类被创建，最后得到的聚类集合为

(8)对

中一个聚类c_i的每一行像素，若该行中两个相邻像素位置a和b之间的欧式距离d₂(a，b)≤d^T2，其中d^T2是预设门限参数，则该行中处于这两个位置之间的像素也被设置为动态类型；

(9)对

中每个聚类c_i的每一列像素，若该列中两个相邻像素位置a和b之间的欧式距离d₂(a，b)≤d^T2，其中d^T2是预设门限参数，则该列中处于这两个位置之间的像素也被设置为动态类型；

(10)重复步骤(8)-(9)，直到

中所有聚类被处理，即完成像素合并和边界扩充。

3.根据权利要求1所述的自动侦测运动目标的的方法，其特征在于，步骤(3)中采用双阀值顺序算法方案把所有的背景采样值聚类成几个高斯分布类的方法包括以下步骤：

(1)设双阀值顺序算法方案中两个预设门限参数分别为Θ₁和Θ₂；

(2)定义背景采样值S_i和□中的某个高斯分布c_m之间的不相似测度如式(6)：

$d_{\max }^{\mathrm{ps}}(s_i,c_m)=\underset{s\&Element;c_m}{\max }\mathrm{tr}\left\{\right[d(s_i,s)\left]{\left[d(s_i,s)\right]}^T\right\}$

$=\underset{s\&Element;c_m}{\max }\mathrm{tr}\left[\begin{array}{ccc}{d}_1^2(s_i,s)& 0& 0\\ 0& d_2^2(s_i,s)& 0\\ 0& 0& d_3^2(s_i,s)\end{array}\right]---\left(6\right)$

$=\underset{s\&Element;c_m}{\max }\underset{q=1}{\overset{r}{\mathrm{\&Sigma;}}}{d}_q^2(s_i,s)$

式中tr表示矩阵的迹，d_q(S_i，S)表示两个背景像素采样值S_i和S所采用的颜色空间中的第q个颜色分量之差；

定义双阀值顺序算法方案中背景采样值S_i和□中的某个高斯分布c_m的聚类准则式(7)和式(8)：

$d_{\max }^{\mathrm{ps}}(s_i,c_m)\&le;{\mathrm{\&Theta;}}_1---\left(8\right)$

□表示所有的高斯分布，

定义两个高斯分布类c_i和c_j之间的不相似测度如式：

$d_{\mathrm{mean}}^{\mathrm{ss}}(c_i,c_j)=\mathrm{tr}\left\{\right[d(m_i,m_j)\left]{\left[d(m_i,m_j)\right]}^T\right\}$

$=\underset{q=1}{\overset{r}{\mathrm{\&Sigma;}}}{d}_q^2(m_i,m_j)---\left(9\right)$

式中m_i和m_j分别表示高斯分布类c_i和c_j中背景采样值的均值；

定义两个高斯分布类c_i和c_j之间的聚类准则如(10)式：

$d_{\mathrm{mean}}^{\mathrm{ss}}(c_i,c_j)\&le;M^T---\left(10\right)$

式中M^T表示预设门限参数，可以动态设置；

(3)创建初始聚类集合

设置i＝0，m＝0，加first_loop＝1，cur_change＝0，prev_change＝0，exists_change＝0，其中first_loop表示在一次循环中首次轮询到未被分配的背景采样值，cur_change表示到当前循环为止被分配的背景采样数，prev_change表示到上一次循环为止被分配的背景采样数，exists_change表示上一次循环中存在未被分配的背景采样被分配；

(4)若背景采样值S_i未分配给一个高斯分布类，且first_loop＝＝1，exists_change＝＝0，则设置m＝m+1，cur_change＝cur_change+1，first_loop＝0，并创建一个新的聚类c_m＝{S_i}，□＝□∪{c_m}；

(5)若S_i未分配给一个高斯分布类，且first_loop＝＝0，则：若S_i和□中的某个高斯分布c_m满足(8)式，则c_m＝c_m∪{S_i}，设置cur_change＝cur_change+1；否则若 $d_{\max }^{\mathrm{ps}}(s_i,c_m)\&GreaterEqual;{\mathrm{\&Theta;}}_2,$ 则设置m＝m+1，cur_change＝cur_change+1，并创建一个新的聚类c_m＝{S_i}，□＝□∪{c_m}；

(6)若S_i已分配给一个高斯分布类，则设置cur_change＝cur_change+1；

(7)设置i＝i+1；

(8)重复步骤(4)-(7)，直到所有背景采样值被遍历，即i＝N-1；

(9)设置exists_change＝|cur_change-prev_change|，i＝0，first_loop＝1，prev_change＝cur_change，cur_change＝0；

(10)重复步骤(4)-(9)，直到所有背景采样值被分配；

(11)对□中所有聚类，若c_i和c_j之间满足(10)式，则创建一个新的聚类c_n＝c_i∪c_j，□＝(□-{c_i，c_j})∪{c_n}；

(12)重复步骤(11)，直到没有聚类被合并；

(13)重分配所有背景采样：若背景采样S_i和□中聚类c_m满足(7)式，则设置b[i]＝m；

(14)对□中每个聚类c_m，重新设置c_m{s_i：b[i]＝m，0≤i≤N-1}；

(15)重复步骤(3)-(14)，直到动态类型区域像素都被处理；

(16)计算□中每个聚类的均值。

Images