CN117197181A - 移动物体检测方法与电路系统 - Google Patents

Abstract

一种移动物体检测方法与电路系统，在方法中，当感知到一场景内有移动物体时，即取得连续帧影像，将各帧影像分割为多个区块，再逐帧计算各区块的亮度与色度，以与背景模型比对得出差异，据此识别各帧影像中的动态事件，当有动态事件时，可根据检测到有动态事件的一或多个区块，建立感兴趣区域，接着针对感兴趣区域检测其中的移动物体，其中可以采用神经网络演算的智能模型计算各帧影像中有移动物体机率的信任分数，以信任分数比对一判断门限，据此检测移动物体。

Description

移动物体检测方法与电路系统

技术领域

说明书公开一种检测移动物体的技术，其中特别涉及一种建立背景模型检测动态事件，再利用神经网络技术执行移动物体检测的方法与电路系统。

背景技术

现有识别移动物体的方法包括利用光遮断原理的红外光感测器实现移动感测，还可通过影像识别技术解析一个空间内的影像与光影变化，借此识别其中移动物体。

其中利用影像变化识别移动物体的影像识别技术，现有技术包括先建立一个背景模型，也就是环境中固定不变的影像，在监视过程中录制此环境的连续影像，通过强大的影像处理电路逐帧(frame)与此背景模型比对，再根据连续帧的影像变化识别出移动物体。

更者，即便影像中持续没有检测出任何动态信息，但需要识别影像中特定的物体，例如通常不会长时间维持静止的人，当通过人形识别技术识别出影像中的人时，即可触发信息，不过，如果是人形立牌，这样的立牌可能会导致持续触发错误的信息。因此需要更为有效而准确的识别技术才能避免检测错误的问题。

现有技术在影像处理电路中植入神经网络技术(Neural Network)，使得相关影像处理电路通过神经网络运算更有智慧地判断出环境中的移动物体，还能通过检测影像变化判断后续执行的动作。

利用神经网络演算法执行物体识别时，需要输入符合神经网络演算法中的模型所需的影像大小才能有效进行识别。举例来说，若模型设计是需要1：1比例的影像，但相机获取到的影像比例为16：9，在影像转换的过程会因为影像变形而导致识别率下降的问题。

再者，需要识别的物体在移动或转动的过程中，难以保证每种姿态都能被类神经网络演算法建制的模型准确识别，因此同样物体所识别出的信任分数可能会忽高忽低，若设置固定的信任分数门限，当物体在连续帧间移动时可能导致难以持续被追踪。

从以上描述可以理解到神经网络演算法可以有效执行物体识别，但现有的方法仍面临一些困难，其中还因神经网络运算需要大量的运算资源，使得利用电池作为电源的感测装置中的微控制器会面临到严重的耗电问题。

发明内容

为了能有效过滤掉产生误判的信息，以及增加对特定目标的识别率，公开书提出一种移动物体检测方法与电路系统，其中利用神经网络运算方式识别影像中的移动物体，并采用动态调整门限的机制，能准确判断移动物体，并进行持续追踪。

根据移动物体检测方法的实施例，方法运行于一电路系统中，其中先通过摄影机取得一场景的连续帧影像，在识别各帧影像中的动态事件时，可将各帧影像分割为多个区块，再逐帧计算各区块的亮度与色度，再比对背景模型，取得差异后可据此识别出是否有动态事件。

当识别出各帧影像中的动态事件时，继续根据检测到有动态事件的一或多个区块，建立感兴趣区域(ROI)，即针对此感兴趣区域检测移动物体。其中，若检测到移动物体，可根据移动物体的位置与影像特征更新感兴趣区域，使在后续帧影像中根据更新后的感兴趣区域检测移动物体；若没有检测到移动物体，即清除存储在一存储器中的感兴趣区域的记录。

根据一实施例，所述电路系统由一集成电路实作，设有运算电路，当采用电路系统的电子系统根据移动感知器感知到场景内的动态事件时，即触发电子系统中的摄影机拍摄场景以取得连续帧影像。当识别出动态事件时，即触发电路系统中的运算电路执行检测各帧影像的移动物体的流程。

进一步地，所述移动物体可为一人形移动物体，运算电路运行神经网络演算法训练得出人形识别模型，据此执行人形识别。当于感兴趣区域中检测人形移动物体时，以人形识别模型计算各帧影像中有人形移动物体的机率的信任分数，以此信任分数比对一判断门限，确认人形移动物体。

优选地，当检测到人形移动物体时，可降低判断门限，以免较高门限而过滤掉应该有人形移动物体的影像。

进一步地，在逐帧识别各帧影像中的动态事件的步骤中，将各帧影像分割为多个区块之后，取得各区块的亮度与色度的影像特征，根据前后帧的亮度与色度值建立所述的背景模型，再逐帧计算各区块的亮度与色度与背景模型的差异值，经比对一门限后，确认动态事件。

优选地，所述背景模型以色度与亮度值表示，背景模型的更新的方式包括，当前帧影像的色度与亮度值与背景模型的色度与亮度值采用比例计算，得到更新后的背景模型。

进一步地，在初始化背景模型的步骤中，需确认该帧影像中的自动曝光数值是否稳定，若自动曝光数值不稳定，需待取得具有稳定自动曝光数值的影像，待自动曝光数值稳定，根据该帧影像色度与亮度的信息初始化背景模型。

为使能更进一步了解本发明的特征及技术内容，请参阅以下有关本发明的详细说明与附图，然而所提供的附图仅用于提供参考与说明，并非用来对本发明加以限制。

附图说明

图1显示应用移动物体检测方法的电子系统实施例示意图；

图2显示运行移动物体检测方法的各阶段示意图；

图3显示移动物体检测方法的实施例流程图；

图4显示动态事件检测实施例流程图；

图5显示影像经分割后以各区块影像信息判断动态事件的实施例示意图；

图6A至图6C显示通过影像裁切直接取得符合模型所需影像大小的实施例示意图；以及

图7显示动态修正判断门限的实施例流程。

符号说明

100：控制电路

101：移动感知器

103：摄影机

105：电路系统

107：运算电路

109：输出电路

201：移动感知阶段

203：动态事件检测阶段

205：人形识别阶段

207：应用阶段

500：区块影像

61：原始影像

63：区域影像

63’：裁切后的影像

步骤S301～S325移动物体检测流程

S301接收影像

S303分割影像为多区

S305建立背景模型

S307计算各区亮度与色度与背景模型的差异

S309检测各区是否有动态事件？

S311裁切影像

S313建立感兴趣区域(ROI)

S315移动物体检测

S317是否有检测到有移动物体

S319更新感兴趣区域

S321输出检测到移动物体的信息

S323更新背景模型

S325清除感兴趣区域(ROI)

步骤S401～S415更新背景模型的流程

步骤S701～S709动态调整门限的流程

具体实施方式

以下是通过特定的具体实施例来说明本发明的实施方式，本领域技术人员可由本说明书所公开的内容了解本发明的优点与效果。本发明可通过其他不同的具体实施例加以施行或应用，本说明书中的各项细节也可基于不同观点与应用，在不悖离本发明的构思下进行各种修改与变更。另外，本发明的附图仅为简单示意说明，并非依实际尺寸的描绘，事先声明。以下的实施方式将进一步详细说明本发明的相关技术内容，但所公开的内容并非用以限制本发明的保护范围。

应当可以理解的是，虽然本文中可能会使用到“第一”、“第二”、“第三”等术语来描述各种元件或者信号，但这些元件或者信号不应受这些术语的限制。这些术语主要是用以区分一元件与另一元件，或者一信号与另一信号。另外，本文中所使用的术语“或”，应视实际情况可能包括相关联的列出项目中的任一个或者多个的组合。

为了要改善于现有技术通过影像识别技术执行移动物体检测过程的问题，例如要识别的物体在影像中占据太少的像素还会导致识别效果不佳的问题，以及需要有效过滤产生误判的信息，本公开书提出一种移动物体检测方法与电路系统。其中主要的技术概念是，因为现行多数执行监控的摄影设备都可以提供高分辨率的影像，并且影像的大小也远大于执行于电路系统中的演算模型所需的影像尺寸，因此在进行移动物体识别演算之前，对影像先进行裁切，以符合智能模型的需求，另可根据动态事件的区域建立有兴趣的区域，仅需要对有兴趣的区域进行识别，改善识别效果。

所述移动物体检测方法可为执行于一电脑系统中的软件手段，或是应用于一电路系统中，电路系统的实施例之一可为一集成电路，如特殊应用集成电路(application-specific integrated circuit，ASIC)或单芯片系统(system on chip，SoC)，或为一整合型集成电路，其中至少整合了影像信号处理器(image signal processor，ISP)、通信电路、影像编解码器与神经网络(neural network，NN)运算电路。

进一步地，电路系统可应用在执行移动物体检测的电子系统中，如门禁系统、监视系统，或设有摄影机的电子门铃的相关系统。根据实施例之一，可参考图1显示应用移动物体检测方法的电子系统实施例示意图，示意图显示的电子系统设有控制各电路元件运行的控制电路100，控制电路100电性连接各电路元件，包括电性连接一移动感知器101，移动感知器101可为利用光感应(如红外光)技术或其他感应移动物体的技术的感知器，例如一种热电红外线感测器(pyro-electric infrared detector，简称PIR)。电子系统中设有一摄影机103，可为全时拍摄一场景以取得连续影像的摄影机103，或是可控制电路100根据移动感知器101感知到场景内任一动态事件，才触发摄影机103启动，动态事件一般表示为感知到某一移动物体。经触发后的摄影机103即开始拍摄场景，取得画面。电子系统设有电路系统105，用于运行移动物体检测方法，经控制电路100取得由摄影机103拍摄得到的影像，电路系统105能逐帧(frame)处理影像，检测影像中的动态事件，再触发启动电路系统105中的运算电路107以神经网络技术识别影像中的人形或是特定目标。最后，将确认有移动物体的影像通过控制电路100以经输出电路109输出。

根据上述电路系统的应用实施例，可参考图2显示运行移动物体检测方法的各阶段示意图，主要包括前端的移动感知阶段201、动态事件检测阶段203、人形识别阶段205，以及应用阶段207。

在移动感知阶段201，通过移动感知器101判断一个场景内是否有任何动态事件，若有即进入动态事件检测阶段203，在此阶段，启动摄影机103拍摄所述场景的影像，利用电路系统105运行的方法以影像识别技术检测是否有任何动态事件。在一实施例中，先通过连续影像建立一背景模型，之后的影像即比对此背景模型以识别出造成影像变动的动态事件。电路系统105可实现影像信号处理器(Image Signal Processor，ISP)，通过摄影机103收集到的连续影像数据进行移动检测(Motion Detect，MD)。

若从各帧影像中识别出动态事件，即继续识别其中移动物体，以人为例，进入所述人形识别阶段205，可利用运算电路107应用神经网络演算法训练得出的人形识别模型执行人形识别(Person Detect，PD)，并将人形识别结果经输入电路109输出给应用阶段207，即根据所应用的系统将根据人形识别的结果执行后续动作。根据实施例，其中以人形识别模型判断人形移动物体的步骤中，针对电路系统取得的多帧影像的感兴趣区域套用人形识别模型，计算其中各帧影像中有人形移动物体的信任分数，以此比对判断门限以确认是否有人形移动物体。

根据以上各阶段的运行方式，以设有摄影机的电子门铃系统为例，在移动感知阶段201，利用移动感知器全时检测门口附近的移动事件，当检测到有移动事件时，即通过控制电路启动后续步骤，进入动态事件检测阶段203，包括启动摄影机进行拍摄，取得连续影像，通过电路系统执行移动物体检测方法，判断是否有动态事件，若有，进入人形识别阶段205，识别影像中是否有人形，若经人形识别模型判断不是正要进入门内的人，即忽略本次检测到的动态事件；若判断出有人，在应用阶段207即为触发电子门铃。

上述移动物体检测方法可参考图3显示的实施例流程图。

方法运行于电路系统中，一开始，将由所应用的电子系统取得一个场景内的影像(可经移动感知后触发摄影机拍摄得出)，在步骤S301中，电路系统接收连续帧影像，并能逐帧处理，包括先在步骤S303中，将影像分割为多个区块，分割区块的数量与大小影响识别的准确度，可以依照电路系统的运算能力而定。在步骤S305中，根据前后帧的影像特征建立背景模型，背景模型可以彩色图、灰阶图或经二值化(binarization)的图案建立此场景内静止不动的影像特征，如其中亮度与色度的影像特征，可以根据方法中设定影像分割的各区块对应的背景模型存储在电路系统内或外部的存储器中。在此除了取得初始化后的背景模型外，还能根据后续影像处理的结果更新背景模型。之后，以此背景模型为基础，在步骤S307中，逐帧计算各区块的亮度与色度与背景模型的差异值，比对设定为动态事件的亮度差异或色度差异的门限，在步骤S309中，检测各区是否有动态事件。

当某帧或是一定数量的连续帧的移动检测都没有得出动态事件时(否)，步骤回到S301，重新执行以上流程，并且，还可以此检测结果更新之前建立的背景模型(S323)。反之，当与背景模型比对下，检测到其中的一或多个区块有动态事件时(是)，继续步骤S311，根据检测到有动态事件的一或多个区块，对检测到有动态事件的一或多帧影像进行裁切(crop)，即动态裁切检测到有动态事件发生的区域。继续步骤S313，针对相关此动态事件建立一感兴趣区域(region of interest，ROI)，其中可以基于上述步骤分割影像为多个区块的基础上建立感兴趣区域，或是更新根据前一次检测结果所建立的感兴趣区域，相关信息可存储在存储器中。

经建立感兴趣区域(ROI)后，如步骤S315，利用神经网络运算方法识别并检测一或多帧影像中的感兴趣区域中的移动物体，例如人形物体，相关神经网络运算方法可参考以下内容。值得一提的是，在电路系统的运行中，其中执行运算的电路，如图1显示的运算电路107，可以在建立感兴趣区域后才被完全启动运算能力以执行后续移动物体与人形识别的演算，达到省电的目的。

在步骤S317中，根据检测结果判断感兴趣区域中是否有移动物体，若没有检测到移动物体(否)，即清除存储器中存储的感兴趣区域(ROI)的记录(步骤S325)，流程回到步骤S301；若检测到移动物体(是)，继续步骤S319，表示可以准确得出移动物体的位置与影像特征，也就可以进一步更新之前步骤根据检测到的动态事件所建立的感兴趣区域，例如调整感兴趣区域所涵盖的区块，使在后续帧影像中根据更新后的感兴趣区域检测移动物体。举例来说，当检测到人形时，因为人接近摄影机、远离摄影机或是任意走动，都会改变动态事件检测的区域，因此感兴趣区域也应随着更新。接着如步骤S321，输出检测到移动物体的信息。之后流程可以根据电路系统所应用的功能继续后续动作，而移动物体检测流程则回到步骤S301。

在上述流程中描述检测影像中的动态事件的步骤S309中，其中细节可参考图4显示的动态事件检测(motion detection)实施例流程图。

当取得摄影机拍摄的连续帧影像时(步骤S401)，可先确认各帧影像中的自动曝光(automatic exposure，AE)数值是否稳定(步骤S403)，若自动曝光数值仍不稳定，需要取得具有稳定自动曝光数值的影像，重新回到步骤S401。待取得稳定影像后，可视为所拍摄场域的背景值，即可从由电路系统实现的影像信号处理器(ISP)取得将影像切割成多个特定尺寸的影像数值，如图5显示分割为5*5区块的区块影像500，取得每个区块影像500中影像色度与亮度值(可以YRGB值为例)，即在自动曝光数值稳定后，根据一或多帧影像色度与亮度的信息初始化背景模型(步骤S405)。其中分割区块的数量与大小影响识别的准确度，若分割的更细，可以检测到更细微的动态事件，相对地运算量也会增加。

举例来说，以图5为例，一帧分割为5*5区块，形成多张区块影像500，在初始化背景模型的过程中，计算每个区块影像500中的YRGB(luminance RGB)值的平均值，因此每个区块影像500都对应到一个平均影像色度与亮度值(如平均YRGB值)。当自动曝光的数值稳定后，视为没有动态事件的背景，可将当下每个区块影像500中的YRGB(luminance RGB)值的平均值视为背景值。此例中，分割整张影像形成的25个区块对应到25个平均影像色度与亮度值，形成一个背景模型。

初始化背景模型之后，取得当下影像中各像素的影像色度与亮度值(如YRGB数值)(步骤S407)，并计算与背景模型的数值差异(步骤S409)，以检测是否有动态事件(步骤S411)。根据实施例，计算影像中的影像色度与亮度值(如YRGB数值)与背景模型的数值差异，以及比对整张影像的平均差异，将差异值比对系统设定判断动态事件的门限，以此判断动态事件。

在步骤S411中，若没有检测到动态事件(否)，根据计算的数值实时更新背景模型(步骤S413)，流程回到步骤S401；若检测到动态事件(是)，可继续执行移动物体检测方法中建立感兴趣区域以检测移动物体(或人形识别)的步骤(步骤S415)。

在此一提的是，当电路系统取得影像中的各区块的影像色度与亮度值时，如上述5*5YRGB数值，每一个数值对应到将影像切割成多个区域之内的平均值，如此执行移动物体检测实现的效果包括，可以节省运算量，其中仍可保留影像中颜色变化的数据，还能滤除过小的动态，且相对距离较远或较小的动态也会滤除掉。

在上述初始化或更新背景模型的步骤中，所述背景模型的数值会在图4步骤中自动调整曝光的数值稳定后，由取得的影像信息进行初始化。背景模型以影像色度与亮度值表示，更新背景模型的方式之一是，计算当前从电路系统取得每帧影像的影像色度与亮度值(即方程式一的BGmodel_current)与所记录之前背景模型的影像色度与亮度值(即方程式一的BGmodel_previous)的平均值或利用一特定比例(Ratio1,Ratio2)调整后进行更新，得到更新后的背景模型(BGmodel)，如方程式一。如此，可以增加对背景的记忆性，提升动态检测的敏感度，实时更新背景模型也能够避免背景变化造成误触的问题。

方程式一：

完成背景模型的初始化或更新后，即计算每帧影像与背景模型的差异值，先取得每帧影像的影像色度与亮度值，与背景模型的影像色度与亮度值计算差异值，以取得影像中的动态信息。当数值差异大于设定的门限时，则判断有动态事件，并进行后续移动物体的检测。根据实施例，所述门限并非固定数值，而会参考每帧的平均差异值进行设定。整张影像有相同差异通常是噪声或光线变化所造成的，例如整张影像的自动曝光值(AE)与自动白平衡(AWB)等一致性的变化，可以通过计算一帧平均差异值的方式滤除掉整体一致性变化产生的误触，也滤除掉差异小于平均差异的区域，使得在较无光线变化的时候，平均差异值会趋近于零，不影响动态检测的门限。举例来说，当检测到整帧影像有一致性的亮度变化，如有开灯或关灯的情况，利用帧平均差异值的方式即可滤除掉此视为噪声的变化。

当检测到动态事件时，流程进入移动物体检测的阶段中(如图4的步骤S415)，如人形识别阶段，可根据检测到动态事件的区域(此区域多数区块的差异值大于门限)进行裁切，对经动态裁切后的影像区域进行识别。根据实施例，可参考图6A至图6C所示通过影像裁切直接取得符合模型(如人形识别模型)所需影像大小的图例。图6A显示原始影像61，经检测有动态事件时，如图6B，得出具有动态事件的区域影像63，裁切出其中检测出有移动事件的区域，此图例显示是裁切出影像靠近中间的部分，实际运行时可以根据判断出动态事件裁切左半边、右半边，或是特定位置的区域。经裁切后得到如图6C显示的经裁切后的影像63’。如此，即将整张帧影像经过裁切调整符合人形识别模型所需大小的影像，可以避免影像变形导致识别效果不佳的问题。另外，经过裁切步骤，因为只获取有动态的区域进行识别，识别移动物体在原始影像中所占据的比例较大，而更容易识别。另外，也不排除利用调整各帧影像比例以使得影像符合模型所需大小的方式。

进一步地，当根据一判断门限(机率、信任分数)而判断检测到有移动物体时，表示应在一有限的连续帧中应包括有此移动物体，此时方法将判断移动物体的姿态。以人形识别为例，在以神经网络建立的人形识别模型执行人形识别时，会以人形识别模型计算各帧影像中具有人形移动物体的信任分数，以此信任分数比对系统设定的判断门限，以确认是否有人。当人在变换动作时，因应人形识别的结果会有一些浮动，甚至在以神经网络演算法建立的人形识别模型计算的信任分数会因为某些动作检测分数低于判断门限而无法追踪到人形，所以设置动态调整门限的机制。动态调整门限的目的之一是，当判断出有人形移动物体时，可以确保此人在每个动作下，不论在影像中的尺寸变化，都能以较高的机率被检测到。

例如，当移动物体改变姿态，通过人形识别模型计算各帧影像中是否具有移动物体的信任分数可能产生变化，如脸部正面转变为侧面，计算移动物体的信任分数，此时将动态修正判断门限，以避免误判，并可持续追踪影像中的移动物体。

可参考图7显示动态修正判断门限的实施例流程，其中，在人形识别的演算法中，设定有一预设门限，初步即以此预设门限(default threshold，例如threshold＝0.6)判断是否检测到人，之后将依据检测结果调整判断门限，也就是依照所检测到人的信任分数，来计算下一次门限可放宽的程度。另设有一个标准门限(standard threshold)，这是一个下限值，用来避免调整门限过低而产生过多的误判。其中调整判断门限的机制是，当以智能演算法得出的人形识别模型计算检测到人形移动物体的信任分数愈高，因为出现移动物体的情况应该是持续一段时间的，因此一旦检测到移动物体(此例为人形移动物体)，期望下一帧影像中依然有移动物体，即将判断门限降低，以免较高门限而过滤掉应该有移动物体的影像。

根据实施例之一，调整判断人形移动物体的门限的方式如方程式二，根据方程式二，当次人形识别要使用的门限值(threshold_current)等于前次门限值(threshold_previous)减去前次检测到人形的信任分数(trustscore_previous)与一标准门限值(threshold_standard)的差值的平方。

方程式二：

threshold_current＝threshold_previous-(trustscore_previous-threshold_standard)²。

如图示流程，引入神经网络演算法执行人形识别，计算影像中检测到人形的信任分数，其中采用动态调整门限的机制。一开始使用的是预设门限(步骤S701)，根据人形识别模型得出每帧检测到人的信任分数比对此预设门限以确认是否检测到人形移动物体(步骤S703)。特别的是，在以检测到人形的信任分数执行人形识别的过程中，依据是否检测到人的情况调整门限，若没有检测到人(否)，表示持续为没有人的影像，在避免误动作的情况下，增加门限值(步骤S705)。

反之，若根据信任分数与判断门限的比对结果判断有检测到人(是)，在动态调整门限的机制下，会通过降低门限值以确保下一帧影像也检测到人，实施例可参考方程式二。相关流程先进行步骤S707，将信任分数比对系统设置的标准门限，当信任分数并未超过标准门限(否)，同样在避免误动作的考量下，增加门限值(步骤S705)；若信任分数超过(或等于)标准门限(是)，即维持继续使用预测门限(步骤S709)。

根据移动物体检测方法实施例，当有检测到人形时，因为人在移动的过程中很难保障一个人的每个动作、大小都能以较高的信任分数检测到，因此放宽信任分数的门限，让系统还能持续检测到人形，也能持续追踪人形移动物体；反之，当并未检测到人形时，则增加门限，可以避免影像整体变动产生的误判。

根据移动物体检测方法的实施例，在检测移动物体的流程中，当检测到的移动物体远离或接近摄影机，会使得计算为移动物体的信任分数产生变化，又因为移动物体在影像中占比会影响计算为移动物体的信任分数，因此可通过上述动态调整门限的机制避免因为移动物体在影像中的大小变化而被误判为消失，还可持续追踪到影像中的移动物体。

综上所述，在上述各实施例中，若不考虑省电的因素，则可在无动态事件触发时，仍然持续进行识别。特别的是，在移动物体检测方法中，当没有检测到动态事件时，继续在上一次检测到动态的区域进行识别，以人形识别为例，动态消失的区域可能是画面中的人静止不动，或者人从通道或入口离开的区域，是最有可能继续检测到人的区域。为了避免会在静止不动物体造成误触的问题，可以通过在提升以神经网络演算法中计算检测到人的信任分数的临界值，以滤除信任分数不够高的误触，其中还可通过运算得到多个感兴趣区域(ROI)来计算各区域有要检测物件的信任分数，可以有效过滤不必处理的背景信息，并加强判断是否有人或特定目标的准确度。

以上所公开的内容仅为本发明的优选可行实施例，并非因此局限本发明的权利要求，所以凡是运用本发明说明书及附图内容所做的等效技术变化，均包含于本发明的权利要求内。

Claims (10)

1.一种移动物体检测方法，运行于一电路系统中，包括：

取得一场景的连续帧影像；

识别各帧影像中的一动态事件，其中将各帧影像分割为多个区块，再逐帧计算各区块的亮度与色度与一背景模型的差异，以识别出该动态事件；

当识别出各帧影像中的该动态事件时，根据检测到有该动态事件的一或多个区块，建立一感兴趣区域；以及

针对一或多帧影像的该感兴趣区域检测一移动物体；

其中，若检测到该移动物体，根据该移动物体的位置与影像特征更新该感兴趣区域，使在后续帧影像中根据更新后的该感兴趣区域检测该移动物体；若没有检测到该移动物体，即清除存储在一存储器中的该感兴趣区域的记录。

2.如权利要求1所述的移动物体检测方法，其中该电路系统由一集成电路实作，设有一运算电路，当采用该电路系统的一电子系统根据一移动感知器感知到该场景内的该动态事件时，触发该电子系统中的一摄影机拍摄该场景以取得该连续帧影像。

3.如权利要求2所述的移动物体检测方法，其中，当识别出该动态事件时，即触发该电路系统中的该运算电路执行检测各帧影像的该移动物体的流程。

4.如权利要求3所述的移动物体检测方法，其中该移动物体为一人形移动物体，该运算电路运行一神经网络演算法训练得出一人形识别模型，据此执行人形识别。

5.如权利要求4所述的移动物体检测方法，其中，还包括将该一或多帧影像进行裁切，使得各帧影像经过裁切调整符合该人形识别模型所需大小的影像，或调整各帧影像比例以符合该人形识别模型所需大小。

6.如权利要求4所述的移动物体检测方法，其中，于该感兴趣区域中检测该人形移动物体时，以该人形识别模型计算各帧影像中有该人形移动物体的一信任分数，以该信任分数比对一判断门限，该判断门限为动态修正，其中，当检测到该人形移动物体时，降低该判断门限，以免较高门限而过滤掉应该有该人形移动物体的影像。

7.如权利要求1所述的移动物体检测方法，其中，在逐帧识别各帧影像中的该动态事件的步骤中，将各帧影像分割为多个区块之后，取得各区块的亮度与色度的影像特征，根据前后帧的亮度与色度值建立该背景模型，再逐帧计算各区块的亮度与色度与该背景模型的一差异值，经比对一门限后，确认该动态事件。

8.如权利要求7所述的移动物体检测方法，其中该背景模型以色度与亮度值表示，该背景模型的更新的方式包括，计算当前帧影像的色度与亮度值与之前该背景模型的色度与亮度值的一平均值，得到更新后的该背景模型。

9.如权利要求1至8中任一所述的移动物体检测方法，其中，于该识别出该动态事件的步骤中，当取得该连续帧影像时，先确认各帧影像中的一自动曝光数值是否稳定，若该自动曝光数值不稳定，需要取得具有稳定自动曝光数值的影像，若该自动曝光数值稳定，根据该一或多帧影像色度与亮度的信息初始化该背景模型。

10.一种电路系统，应用于一电子系统中，该电路系统通过该电子系统的一摄影机取得一场景内的连续帧影像后，执行一移动物体检测方法，包括：

取得该连续帧影像；

识别各帧影像中的一动态事件，其中将各帧影像分割为多个区块，再逐帧计算各区块的亮度与色度与一背景模型的差异，以识别出该动态事件；

当识别出各帧影像中的该动态事件时，根据检测到有该动态事件的一或多个区块，建立一感兴趣区域；以及

针对一或多帧影像的该感兴趣区域检测一移动物体；

其中，若检测到该移动物体，根据该移动物体的位置与影像特征更新该感兴趣区域，使在后续帧影像中根据更新后的该感兴趣区域检测该移动物体；若没有检测到该移动物体，即清除存储在一存储器中的该感兴趣区域的记录。