基于DSP运动目标检测系统的设计与实现
基于DSP的运动目标实时检测自适应算法
基于DSP的运动目标实时检测自适应算法高阳;樊永生;余红英;于雅慧【摘要】嵌入式系统中运动目标检测存在噪声影响大、实时性差的问题.采用TI系列的TMS320DM642设计了一种运动目标自适应检测系统.首先计算相邻帧图像差值的熵值,通过三帧差法自适应地提取目标.最后,将该算法移植到了DSP平台.实验结果表明,该算法能有效解决三帧差法中噪声干扰问题,而且实时性好.【期刊名称】《科学技术与工程》【年(卷),期】2014(014)017【总页数】5页(P92-96)【关键词】TMS320DM642;熵值;三帧差;自适应【作者】高阳;樊永生;余红英;于雅慧【作者单位】中北大学计算机与控制工程学院,太原030051;中北大学计算机与控制工程学院,太原030051;中北大学计算机与控制工程学院,太原030051;中北大学计算机与控制工程学院,太原030051【正文语种】中文【中图分类】TP391.41近年来，运动目标的检测已成为模式识别和智能控制领域中一个重要的研究方向。
它主要研究从图像帧中检测到运动目标，能够成功有效地检测到运动目标是进一步处理的重要基础，如人脸识别、行人检测等领域[1]。
目前对运动目标进行检测的算法主要有:背景差分法[2]、帧间差分法[3]、光流法[4]等。
背景差分法的性能依赖于所使用的背景建模技术。
由于场景的复杂性、不可预知性，以及各种环境干扰和噪声的存在，比如光照的突然变化、实际背景图像中有些物体(树叶、水纹)的波动、摄像机的抖动、运动物体进出场景对原场景的影响等，使得背景差分法中背景建模变得十分复杂，因此运算量比较大。
光流法进行运动目标检测需要对每个像素点计算光流，运算量非常大。
所以，背景差分法和光流法都很难用于实际的嵌入式系统中。
帧间差分法可以避免背景差分法中背景建模等复杂的问题。
为了更准确地识别运动目标，研究人员进一步提出了三帧差分算法;但是三帧差分法二值化的时候阈值是根据经验值选定的，所以不能在滤除噪声干扰和保留完整目标轮廓之间选择一个合适的值。
基于DSP的检测算法实现及优化
基于DSP的检测算法实现及优化摘要：运动目标检测可以从连续变化的多幅图像中把运动目标提取出来。
运动目标的捕捉对于目标分化、采集和动作归类等后续处理相当重要，因为后期过程只处理图像中运动目标周围一定范围内的像素。
但由于运动目标所处背景的随机性，比如气候、光线及噪声干扰的影响，检测运动目标实际上是一项比较困难的任务。
目前对于运动目标的检测的算法可以划分为两类：基于象素强度的算法及基于运动的算法。
细分又包括四种：基于特征的方法、基于帧间差分的方法、基于背景建模的方法和基于光流场的方法。
其中前三种属于基于象素强度变化检测的算法，第四种可以看作是基于运动的检测方法。
基于强度算法容易实现、效率高，可处理目标跟踪问题比较难。
基于运动的算法稳定性强，处理跟踪问题相对简单。
该文重点研究目标检测的DSP算法实现，所以在参考大量文献后，选用了传统检测算法中速度较快而且相对便于硬件实现的帧间差分算法，为了取得良好快速的目标检测结果，该文采用Sobel算子与帧间差分结合的方法。
关键词：DSP的检测算法；实现及优化中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2014）13-3070-051 基于Sobel算子的帧间差分检测算法1.1 帧间差分法由于红外图像的目标特性，用灰度变化表述物体的运动轨迹可以获得较高的检测效率，从而满足检测过程的实时性要求。
假设输入图像为：[F={fj（a，b），a∈X，b∈Y，j=0，1，2，....}]其中，（a ，b）为实际场景中（X ，Y）上一点，[fj （a，b）]为第j帧上（a ，b）点的灰度值，j为图像的编号，以下为图像差分的结果：[D={dj（a，b），a∈X，b∈Y，j=0，1，2，....}][其中：dj（a，b）={|fj（a，b）-fj-i（a，b）|，j=0，1，2，...；i=0，1，2，3，...}][dj（a，b）]基本上体现出运动目标的边界和高差异区域。
基于DSP的动态目标检测跟踪算法实现
基于DSP的动态目标检测跟踪算法实现摘要目标检测和跟踪在计算机视觉领域有着广泛的应用，针对动态场景中的目标检测和跟踪问题，本文提出一种基于DSP的动态目标检测跟踪算法。
该算法基于Haar特征和Adaboost分类器实现目标检测，并采用卡尔曼滤波和相关滤波相结合的方法，提高目标跟踪的准确性和实时性。
实验结果表明，该算法在不同场景下都能够实现较高的检测率和跟踪精度，具有较好的应用前景。
关键词：动态目标检测、目标跟踪、DSP、Haar特征、Adaboost分类器、卡尔曼滤波、相关滤波一、引言随着计算机硬件和算法的不断发展，目标检测和跟踪在计算机视觉领域应用越来越广泛。
在众多应用场景中，动态场景的目标检测和跟踪问题尤为突出。
动态场景中，目标可能出现遮挡、变形、光照变化等现象，使得目标的检测和跟踪变得复杂和困难。
为了解决这一问题，本文提出了一种基于DSP的动态目标检测跟踪算法。
二、相关技术2.1 Haar特征Haar特征是一种计算速度较快的特征，在目标检测中被广泛应用。
Haar特征是基于图像的区域灰度值的差别，通过计算各种不同大小和形状的Haar小波函数的特征来检测目标。
2.2 Adaboost分类器Adaboost分类器是一种常见的机器学习算法，常用于目标检测中。
Adaboost分类器是一种集成学习方法，通过迭代添加基分类器，不断提高整体分类器的准确率。
2.3 卡尔曼滤波卡尔曼滤波是一种基于状态空间模型的估计方法，广泛应用于目标跟踪中。
卡尔曼滤波通过预测目标的状态，更新目标状态的同时，考虑到噪声的影响，提高目标跟踪的稳定性。
2.4 相关滤波相关滤波是一种基于模板匹配的目标跟踪方法，具有较高的实时性。
该方法通过计算目标区域与模板的相关系数，确定目标位置，不断更新模板以适应目标的变化。
三、算法设计本文提出的基于DSP的动态目标检测跟踪算法主要包括以下几个步骤：3.1 目标检测采用Haar特征和Adaboost分类器实现目标检测。
基于DSP目标入侵检测系统的设计
Science &Technology Vision 科技视界※基金项目:西安文理学院大学生创新创业训练项目(201230)。
通讯作者:代超(1993.02—),男,汉族,四川南充人,西安文理学院物电学院本科生,曾参加第八届飞思卡尔智能车竞赛获西部赛区摄像头组二等奖,主持并参与大学生创新创业训练项目各一项,研究方向为运动目标跟踪。
0前言随着社会的快速发展,越来越多的生产和生活场所需要对一些禁止区域(例如仓库、变电站、银行等)进行实施监控及布防,以计算机技术和图像处理技术为基础的目标入侵检测技术显得尤为重要。
目标入侵检测技术不仅可以快速、准确的判别出禁止区域内非法入侵者,还可以有效地保护了人员和财产的安全、高效地处理了危机。
目标入侵检测技术在实现时涉及大量的数字信号处理算法,而一款DSP 处理器TMS320DM642既可以快速、准确地实现这些算法,还提供了音视频接口,使用方便,因此成为目标入侵检测技术实现时常用的一种处理器。
1目标入侵检测的原理对运动目标进行入侵检测,首先要建立监控画面的背景模型并标识出禁止区域(即有利害关系的区域),其次要对监控画面中的运动目标进行准确定位及标识,最后由系统根据运动目标与禁止区域的位置关系进行有效地系统预警。
1.1高斯分布背景模型的建立对监控画面中的运动目标常用的检测方法有:相邻帧差法、背景帧差法、光流法[1-2]。
其中,相邻帧差法是将连续两帧进行相减,从中提取运动目标的信息。
虽然该算法计算量小,但是对光线变化不太敏感,甚至运动目标状态改变过慢将无法正确识别[3]。
光流法是利用计算位移向量光流场来检测运动目标,该方法运算量大、实时性差。
背景帧差法是将当前帧与背景模型进行比较,判断像素点是属于运动目标区域还是背景区域。
背景帧差法对光照变化、气候等环境因素较为敏感,适应性较弱[4]。
但是较之前两种方法而言,背景帧差法由于算法简单,易于实现,且能较为准确的提取运动目标信息,因此是应用最广泛的目标检测方法。
基于DSP的运动目标检测与跟踪系统设计
第37卷第6期2009年12月浙江工业大学学报J OU RNAL OF ZH E J IAN G UN IV ERSIT Y OF TECHNOLO GYVol.37No.6Dec.2009收稿日期:2008211211作者简介:滕 游(1985—),男,浙江永嘉人,硕士研究生,研究方向为嵌入式系统及其应用.基于DSP 的运动目标检测与跟踪系统设计滕 游,董 辉,俞 立(浙江工业大学浙江省嵌入式系统联合重点实验室,浙江杭州310032)摘要:运动目标检测与跟踪是智能视频监控系统的重要组成部分,其主要功能为检测监控场景中的运动物体,分析其运动轨迹,为高级运动分析提供必要的信息.随着人们对社会安全水平和设备智能化程度要求的提高,运动目标检测与跟踪必将具有广泛的应用前景.针对实时运动目标检测与跟踪,提出了一种基于DSP 的运动目标检测与跟踪系统的设计方案,给出了系统总体结构框图,分析了系统工作原理.实现了一种采用结合帧间差分和背景减除的运动物体检测方法,以及一种应用K alman 滤波的运动目标跟踪方法.同时,给出的实验结果表明,该系统能够检测并跟踪特定场合的运动目标.关键词:运动检测;目标跟踪;背景减除;Kalman 滤波中图分类号:TP391.41 文献标识码:A 文章编号:100624303(2009)0620607203Design of moving object detection and tracking system based on DSPTEN G Y ou ,DON G Hui ,YU Li(Zhejiang Provincial United K ey Laboratory of Embedded System ,Zhejiang University of T echnology ,Hangzhou 310032,China )Abstract :The moving object detection and t racking technology is t he most basic composition of t he intelligent video surveillance system ,by which t he surveillance system can detect moving object ,analyze moving traces ,and provide t he necessary information for advanced motion analysis.Wit h t he people ’s demands for t he imp rovement of t he level of social security and t he intelligent level of surveillance equip ment s ,t he moving object detection and t racking technology will have a bright application prospect.Focusing on t he real 2time application ,a system design solution based o n DSP is presented.The st ruct ure of system is propo sed and t he system principle is analzed.A moving detection algorithm by combining the frame difference with background subtraction and a moving tracking algorithm by utilizing K alman filter is proposed and implemented.The experiment shows that the system can detect and track the moving target in special scene.K ey w ords :moving detection ;target t racking ;background subt raction ;Kalman filter0 引 言视频图像序列运动目标实时检测与跟踪系统的应用非常广泛,但由于此类系统是一个数据密集型系统,其必需的高速数据运算能力制约了此类系统在微型实时处理系统中的应用.近年来,随着高速数字信号处理器DSP 的出现,在低功耗、微小体积的DSP 系统中实现视频图像序列的实时运动目标检测与跟踪成为可能.笔者所研究的基于DSP 的运动目标检测与跟踪系统采用TMS320DM642作为主处理器,结合帧间差分法[1]和背景减除法[2]检测运动目标,应用Kalman 滤波器跟踪检测到的运动目标.该系统体积小、功耗低,在实时监控方面有很大的应用前景.1 系统总体结构和工作流程系统硬件结构如图1所示,摄像机输出模拟视频信号,视频解码器SAA7113将该模拟视频信号变成B T.656格式的视频信号,并送给DSP 的视频接口.DSP 的视频接口结合EDMA 通道把视频信号传送到SDRAM 的缓存区中,CPU 处理完毕后,由SAA7121将数据转换成模拟视频信号传送到监视器上显示.图1 硬件结构Fig.1 Hardware structure系统工作流程如图2所示,主要包括四个模块:DM642初始化模块、系统驱动初始化模块、运动物体检测模块和运动物体跟踪模块.其中,DM642初始化模块完成DM642芯片内部存储器接口、外设选择模块、中断模块等的初始化,系统驱动初始化主要完成视频编解码器、DM642视频端口和EDMA 通道等的初始化.在系统初始化完毕之后,视频信号的输入输出不需要DM642CPU 的干预,系统进入一个无限循环任务,在该任务中,DM642CPU 专注于视频处理算法,包括运动物体检测和运动目标跟踪两个模块.图2 系统程序流程Fig.2 Flow of system process2 运动物体检测运动物体检测的目的是将图像序列中的变化区域分离出来.目前有三种主要的运动物体检测方法:背景减除法、帧间差分法、光流法[3].本系统综合了背景减除法和帧间差分法各自的优点,采用背景减除法来检测运动物体,采用帧间差分法处理监控场景背景的突变.2.1 背景的估计和更换当像素点的估计背景值无效或被运动物体覆盖时,对该像素点使用连续帧间差分法,该方法可以处理背景突变,如背景失效、物体融入或离开背景等情况,其基本原理为:采集前后两帧实时图像,若两帧图像的相应位置的像素点的值的差分不大于系统为该像素点维护的阈值,即满足条件|I (x ,y ,t )-I (x ,y ,t -1)|<T ,则对应计数值Count (x ,y )增加1,否则,Count (x ,y )=0.当Count (x ,y )增加到设定值N 时,系统将实时像素值作为估计背景像素值.2.2 运动物体检测采用背景差分法检测运动物体.系统将采集到的实时图像与背景估计图像进行差分,通过差值与阈值的比较来判断相应的像素点是否属于运动区域,并产生相应的二值图像:B W (x ,y )=1I (x ,y ,t )-B (x ,y ,t )≥T0I (x ,y ,t )-B (x ,y ,t )<T(1)其中T 为阈值.检测结果若为1,则该像素点为运动像素点,否则为背景像素点.针对实际监控的场景中背景的变化,系统根据检测结果自动实时更新背景:若B W (x ,y )=1,则B (x ,y ,t )=B (x ,y ,t -1)(2)若B W (x ,y )=0,则B (x ,y ,t )=αB (x ,y ,t -1)+βI (x ,y ,t )(3)其中,α+β=1,α为学习率.α决定了当前实时图像对背景图像的影响程度.这是一种选择性更新方法.采用这种方法的优点是既保证了背景能够快速适应场景的变化,又避免了运动像素对背景的污染.2.3 运动物体检测后处理通过背景减除法得到的二值图像往往包含很多孤立噪声,考虑到视频图像中人体的长宽特性,系统采用长度为16个像素、宽度为4个像素的长方形形状的掩膜图像对检测结果进行开运算[4].滤波后,系统使用四连通的连通分量标记区分二值图像中的连通区域[5],为了避免标签不连续的情况,系统使用一个等价数组来标记等价标签.所有运动像素得到标签后,系统对等价标签进行合并,从而得到运动物体的区域,并计算出运动物体的相关参数,同时将连通区・806・浙江工业大学学报第37卷域像素点数目小于设定阈值的小区域作为噪声滤除.2.4 运动物体检测实验结果针对一个实际环境,系统进行了实验.图3(a )为系统实时运行时的实时背景,图3(b )为系统采集到的监控画面的一帧,图中有两个运动人体,图3(c )为图3(a )和图3(b )差分并阈值化后的二值图,可以发现图3(c )中存在噪声,图3(d )为对图3(c )进行形态学滤波、连通性分析、小区域滤除后的结果,图中噪声已经滤除,并使用矩形框将两个人体表示出来.实验结果表明算法能够提取背景、检测运动物体、滤除噪声和提取运动物体.图3 运动物体检测Fig.3 Moving object detection3 运动目标跟踪运动跟踪的目的是对连续的视频图像序列中的运动物体进行匹配,得到运动目标的运动轨迹.视频图像中的运动目标的实际运动是一个随机过程,但由于视频图像的采集速度远远高于目标的运动速度,可以将目标的运动假设成线性运动.本系统运用Kalman 滤波方法[6]对运动目标的位置、长度和宽度等参数进行预测,然后利用运动物体的位置、长度和宽度对物体和目标进行匹配.3.1 基于K alman 滤波的运动目标跟踪定义系统中维护的运动目标的状态变量为X k=(x k ,y k ,Δx k ,Δy k ,w k ,h k ,Δw k ,Δh k )T,其中x k ,y k ,Δx k ,Δy k 分别为运动目标在X 方向和Y 方向上的实时位置和相对位移,w k ,h k ,Δw k ,Δh k 为运动目标的长度、高度、相对长度变化和相对高度变化.定义观测变量为Z k =(x k ,y k ,w k ,h k )T .在第k 帧,应用K alman 滤波器预测所有目标的状态变量,得到 x k+1, y k+1, w k+1, h k+1.在第k +1帧,应用运动目标检测得到所有运动物体的实际参数x k+1,y k+1,w k+1,h k+1.遍历所有目标和物体,若同时满足公式(4—6),则运动物体和一个运动目标匹配:x k+1- x k+1+y k+1- y k+1<T (4)w k+1/2< w k+1<2w k+1(5)h k+1/2< h k+1<2h k+1(6)结合Kalman 滤波的运动目标跟踪方法的具体描述如下:(1)若运动物体没有相匹配的目标,则认为该物体为一个新的目标,并将该目标加入到目标列表中.(2)若运动物体找到相匹配的目标,则利用Kalman 滤波方法预测该目标的系统状态,并更新该目标的参数.(3)若目标没有找到相匹配的物体,则认为该目标丢失,并且将目标的预测状态作为当前状态进行下一步的预测.(4)若目标连续5帧内都为丢失状态,则认为该目标失踪,从目标列表中删除.3.2 K alman 滤波方法的实验结果图4为系统实际运行过程中一个运动目标的运动特性及其Kalman 滤波结果.图中x ,y 分别为该运动目标在实时图像中的中心位置在X 方向和Y 方向上的坐标,图4中3条曲线分别表示该运行目标的中心坐标的实际检测结果、Kalman 预测结果和滤波结果.若运动目标运动特性的线性化程度越高,则预测结果越正确,如图中a 段所示的预测结果比b 段所示的预测结果更加接近实际结果.同时由于两个运动人体在场景中是沿着水平方向相向而行,水平方向的运动比垂直方向的运动平稳.因此,图4中X 方向的预测结果要优于Y 方向的预测结果.图4 Kalman 滤波结果Fig.4 Kalman filtering result(下转第618页)・906・第6期滕 游,等:基于DSP 的运动目标检测与跟踪系统设计3 结 论采用“卷层法”对分散染料在涤纶织物中的扩散渗透进行了考察.结果表明:压力不变,温度升高,染料在最外层织物中的上染量升高,但是在涤纶织物中的扩散渗透距离减少,扩散渗透参数也降低;温度不变,压力升高,染料在最外层织物中的上染量升高,在涤纶织物中的扩散渗透距离增加,扩散渗透参数也增高.参考文献:[1] SCHNITZL ER J V,EGGERS R.Mass transfer in polymersin a supercritical CO22at mosphere[J].Journal of Supercritical Fluids,1999,16(1):81292.[2] MANNA L,BANCH ERO M.Diffusion of disperse dyes inPET films during impregnation wit h a supercritical fluid[J].The Journal of Supercritical Fluids,2000,17(2):1872194. [3] SICARDI S,MANNA L,BANCH ERO parison ofdye diffusion in poly films in t he presence of a supercritical oraqueous solvent[J].Indust rial and Engineering Chemistry Re2 search,2000,39(12):470724713.[4] BAIRA GI,NIL ANJ ANA,GUL RAJ ANI M L.Studies ondyeing wit h shikonin extracted from Ratanjot by supercritical carbon dioxide[J].Indian Journal of Fibre&Textile Re2 search,2005,30(2):1962199.[5] O EZCAN A S.Adsorption behavior of a disperse dye on poly2ester in supercritical carbon dioxide[J].Journal of Supercriti2 cal Fluids,2005,35(2):1332139.[6] FL EMIN G O S,STEPAN EK F,KAZARIAN S G.Dye diffu2sion in polymer films subjected to supercritical CO2:confocal raman microscopy and modeling[J].Macromolecular Chemis2 try and Physics,2005,206(11):107721083.[7] FL EMIN G O S,KAZARIAN S G,BACH E,et al.ConfocalRaman study of poly(et hylene terepht halate)fibres dyed in supercritical carbon dioxide:dye diffusion and polymer mor2 phology[J].Polymer,2005,46(9):294322949.[8] 阿瑟・D・布罗德贝特.纺织品染色[M].马渝茳,译.北京:中国纺织出版社,2004:3522354.[9] 金咸穰.染整工艺实验[M].北京:中国纺织出版社,1987:83287.(责任编辑:翁爱湘)(上接第609页)4 总 结笔者提出并实现了一种基于DSP的视频图像运动目标检测与跟踪系统的设计方法.系统基于高性能数字信号处理器DM642,采用背景减除法检测运动目标,采用帧间差分法处理背景的突变,采用K alman 滤波方法预测运动目标的运动参数、并与相应的运动目标进行匹配,进而得出运动目标的运动轨迹.实验结果表明,系统能够实时检测并且跟踪运动目标.参考文献:[1] L IP TON A,FUJ IYOSHI H,PA TIL R.Moving target classi2fication and tracking from real2time video[C]//Proceedings ofIEEE Workshop on Applications of Computer A: IEEE,1998:8214.[2] STAU FFER C,GRIMSON W.Adaptive background mixturemodels for real2time tracking[C]//Proceedings of IEEE Con2 ference on Computer Vision and Pattern A: IEEE,1999:2462252.[3] BARRON J,FL EET D,B EAUCH EMIN S.Performance ofoptical flow techniques[J].International Journal of Computer Vision,1994,12(1):42277.[4] 朱虹.数字图像处理基础[M].北京:科学出版社,2005:1592160.[5] ACHAR YA T,RA Y A K.数字图像处理:原理与应用[M].北京:清华大学出版社,2007:2282229.[6] 陈亮,杨吉斌,张雄伟.信号处理算法的实时DSP实现[M].北京:电子工业出版社,2008:2972308.(责任编辑:翁爱湘)・816・浙江工业大学学报第37卷。
基于DSP的多目标跟踪系统设计与实现
基于DSP的多目标跟踪系统设计与实现江晨晓;张桦;孙志海【摘要】该文提出了一种基于卡尔曼滤波的多信息融合匹配的多目标快速跟踪算法,并在TI公司开发的DaVinci系列TMS320DM6446实现了多目标跟踪系统.该算法由卡尔曼滤波器预测和修正目标质心轨迹,然后融合质心和外接矩形框面积等多个信息对其进行匹配.实验结果表明,该系统具有良好的跟踪效果,有效解决目标遮挡后分离的跟踪情况,具有计算量小、存储量低、实时性高的优点.经过优化后,跟踪一帧图像时间约为50.2ms,实现实时跟踪.【期刊名称】《杭州电子科技大学学报》【年(卷),期】2012(032)006【总页数】4页(P69-72)【关键词】多目标跟踪;卡尔曼滤波;多信息融合【作者】江晨晓;张桦;孙志海【作者单位】杭州电子科技大学计算机应用技术研究所,浙江杭州310018;杭州电子科技大学计算机应用技术研究所,浙江杭州310018;杭州电子科技大学计算机应用技术研究所,浙江杭州310018【正文语种】中文【中图分类】TP391.410 引言多运动目标跟踪是计算机视觉领域的重要分支，在视频监控、视觉导航等领域具有广阔的应用前景，研究这个课题具有重要的理论意义和应用价值。
目前常用的算法有融合颜色和边缘信息的采样算法［1］和结合Mean Shift方法和置信传播的算法［2］等。
但上述算法需要颜色信息，计算量较大，在嵌入式开发平台上难以实现实时检测和跟踪。
本文以TI公司的DaVinci系列TMS320DM6446为硬件平台，提出了一种基于卡尔曼滤波［3］的多信息融合匹配［4］的多目标快速跟踪算法，设计并实现了多目标实时跟踪系统。
本文算法使用卡尔曼滤波器为运动目标建立模型，预测运动目标在下一帧的状态，提取特征进行融合匹配，有效解决遮挡问题，具有低存储高实时性的优点。
1 系统硬件设计本文采用 TI公司的DaVinci系列 DSP处理器TMS320DM6446作为硬件平台，系统结构框图如图1所示。
基于多核DSP的动目标检测算法的设计与实现
基于多核DSP的动目标检测算法的设计与实现崔春雷;张月;郭瑞;杨炯;陈曾平【摘要】脉冲多普勒处理无法解决跨距离单元走动问题,而跨距离单元走动补偿算法运算量大,不利于工程化实现.为了解决上述问题,利用高性能浮点DSP处理器TMS320C6678,采用距离分段方式来实现动目标检测.该方法对检测空间进行距离分段,对近距离目标使用MTD方法进行检测,而对远距离目标,考虑到跨距离单元走动问题,使用基于Keystone快速变换的长时间积累算法.实验结果证明,该方法不仅能够有效的降低处理器的运算量,而且一定程度上能够对远距离目标跨距离单元走动进行有效补偿.【期刊名称】《科学技术与工程》【年(卷),期】2016(016)023【总页数】5页(P208-212)【关键词】动目标检测(MTD);Keystone变换;跨距离单元走动;长时间积累;TMS320C6678【作者】崔春雷;张月;郭瑞;杨炯;陈曾平【作者单位】国防科学技术大学ATR重点实验室,长沙410073;国防科学技术大学ATR重点实验室,长沙410073;国防科学技术大学ATR重点实验室,长沙410073;国防科学技术大学ATR重点实验室,长沙410073;国防科学技术大学ATR重点实验室,长沙410073【正文语种】中文【中图分类】TN957对于雷达回波中的动目标检测，为了提高信噪比，需要对回波信号进行长时间积累。
当前，动目标检测[1]算法的理论研究已经很成熟，如脉冲多普勒处理[2]、FFT-MTD[3]，以及能够对“跨距离”[4]、“跨多普勒”进行有效补偿的Keystone变换、Wigner-Hough变换等方法。
然而，由于检测算法运算量大，实时动目标检测的工程化实现成为了新的挑战。
为了实现更高的处理能力，通常需要增加处理器的数量、代码的优化或时钟倍频。
文献[5]采用了4片TS201来实现目标检测，然而也仅实时处理4个波束。
针对实时动目标检测的现状，本文首先设计了以高性能浮点DSP处理器TMS320C6678为核心的处理器板卡，作为实时动目标检测的硬件平台。
DSP的运动目标图像跟踪算法与实现_工学基础
Karthik Hariharakrishnan and Dan Schonfeld, Senior Member, IEEE摘要[本文为正文！以下开始就是研究了。
]我们提出一个目标跟踪快速算法---用运动矢量数据来预测目标物体轮廓。
除了目标的初始化，在基于区域的方法中通用的分割步调是可以防止的。
我们用遮挡/遮挡恢复检测来更新目标轮廓,并用块向量预测目标边界从而实现跟踪。
一种自适应的基于模板的方法已经被用于估计帧间的物体运动。
一种能高效的控制帧间距的调制方案被用于运动估计。
检测遮挡恢复的算法分两步进行。
首先，从帧差中估计未遮挡区域。
遮挡和遮挡恢复视为二元事件并对它们的关系做出详细解释。
依据二元性道理，将遮挡恢复检测算法点窜使之开展成为遮挡检测算法。
该跟踪算法在计算方式上要优于现存的基于区域的目标跟踪方法。
实现该该算法的程序采用了MPEG - 4的视频压缩和基于H.264尺度的内容检索。
初步的仿真成果展示了该算法的暗示。
关键字：自适应运动估计，K-均值聚类，分割，视觉跟踪。
Ⅰ序言视觉跟踪已经成为计算机视觉领域中被广泛研究的一个课题。
面对新兴多媒体尺度如MPEG - 4的出台，开展一个能让视频跟踪高效运行的的系统平台已经越来越重要。
该视频追踪程序运用到了视频压缩，视频检索，交互视频，场景组成等等。
多种技术手段已经被运用在提取视频场景中的有意义的目标。
最常见的方法被归纳为几下几类：基于区域的跟踪、主动轮廓跟踪和基于网格的追踪。
对于第一种方法〔基于区域跟踪〕，视频对象由用户/物体识别算法来初步确定。
然后采用经典的东西，如小流域改造来对视频序列进行分割。
持续帧中的分割区域之间的通信成立并能够跟踪后续帧图像中的视频目标[ 3 ],[ 7 ],[ 13 ] 。
主动轮廓方法通常不运用全局物体的空间和运动信息，而只是依赖视频目标的边界附近的信息[ 2 ],[ 5 ],[ 11 ],[ 12 ],[ 16 ] 。
“蛇形浮动〞[ 10 ]是一种采用带参量的光滑曲线〔运动轮廓〕来跟踪视频目标边界的方法。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
微处理器应用电子测量技术第31 卷第10 期E L E C T R O N I C M E A S U R E M E N T T E C H N O L O G Y2008 年 10 月基于DSP 运动目标检测系统的设计与实现刘灵科尹岗( 内蒙古工业大学信息工程学院呼和浩特01 00 51 )摘要: 随着D S P 技术的发展, 其在视频处理方面的应用得到广泛关注。
本文采用T I 公司的一款高性能的D S P 设计出一种能够适应复杂环境的运动目标检测系统。
该系统在C6 4x 系列D S P 的实时操作系统D S P/ B I O S 的环境下运行, 实现了基于类/ 微驱动模型的视频采集驱动程序。
系统采用差分算法进行运动目标检测, 并且在RF 5 构架下成功对算法进行了D S P移植, 现场试验取得了良好效果。
关键词: 差分; D S P( T M S320 D M 6 42 ); 类/ 微驱动; 运动目标检测; RF 5中图分类号: T P 36 8. 1 文献标识码: ADesign and realization of moti on detection system based on DS PL iu L in g k e Y in G an g( C o l l e g e o f in f o r m a t i o n En g i ne e rin g, Inn er M o n g o l ia U ni v e rs ity o f T ec h n o l o g y, H o h h o t010051) Abs tr act: W it h t h e de v el o p m ent of D S P t ech n o l ogy, D S P ch ip’s ap pl icat ion in v id e o p r o cess ing g e t s t h e e x t en sive c o n cern. T his paper u t ilizes a h i g h- per f o rmance DSP of T I c o m pan y t o desi g n a kin d of m o t ion det ect ion s y st em, t h is s y st em can adapt t o various c o m p licat ed en v ir o n m ent s , an d can run u nder t he en v ir o n m en t of t h e real- t ime o perat ing s y st em D S P/ BIOS of C 64x series D S P. A nd h as realized t he v id eo drive w hich basis of cl as s/ m in i d river model. S y st em ad o p t di f f eren ce al go rit h m t o d o m o t i on det e ct i on, an d s u cceed in t r ans p lant i n g al go r it h m s un d er RF5 f r a m e w o rk. f i eld tes t achieved good res u lt s.Keywords: d i f f e r en c e; D S P( T M S3 20 D M 64 2) ; cl a ss /m i n i-d r i v e; m o t ion det e ct i o n ; RF 50 引言随着社会的进步, 视频监控系统越来越广泛的应用到社会生活的各个方面, 同时随着科学技术的进步视频监控系统也经历了从模拟时代到全数字时代的跨越。
人们对监控系统提出了更高的要求, 如要求监控系统具有一定的智能性。
由于视频处理数据量是非常大的, 对实时性要求也高, 因而对系统的处理器要求很高, 而且要求算法简单,运算量小。
近年来DSP 的快速发展在一定程度上满足了这些要求, 本文就是采用T I 公司的一款高性能的D SPT M S320DM 642 作为系统的图像处理器, 应用改进的差分算法设计出一种能够在复杂环境下进行运动目标检测的监控系统, 此外由于在进行DSP 算法移植时算法是按照R F5 构架和D S P 算法标准编写的, 极大提高了开发速度,系统软件也便于修改与升级。
1 系统的硬件结构设计监控系统主要分为视频采集部分, 视频处理部分, 以及信号输出部分。
其硬件结构框图如图1 所示分为3个部分。
图1 系统设计整体框图1) 视频采集部分, 本部分所选用的摄像头是CCD 彩色摄像头, 采用的解码芯片为PH I L IP U S 公司的S A A7115 解码芯片, 采集的图像数据送S D R A M。
2) 视频处理部分, 主要实现对采集进来的视频信号进行运动目标检测算法处理, 以实现对监控区域运动目标的检测, 其中J T A G 口主要用来在开发阶段跟电脑相连进行程序的下载调试以及数据分析。
3) 信号部分, 把处理后的运动目标的信息输出来, 或者给出相应的警报信号, 代表有运动目标闯入。
2 视频驱动的实现方案在运动目标检测系统中, 很重要的一点就是要合理的开发出视频采集程序, 以便于图像数据检测算法的处理。
159第 3 1 卷电子测 量 技 术∀ ∀∀ ∀ ∀ ∀∀ ∀系统在 C64x 系列 D S P 的实时操作系统 D S P/ B I O S 的环 境下运行, 采用 基于类/ 微驱动 模型实现视频 驱动程序。
类/ 微驱动模型结构如图 2 所示, 该模型在功能上将驱动 程序分为依赖硬件层( 微驱动) 和不依赖硬件层( 类驱动) 两层, 并在两层之间给出了通用接口。
图 2 类/ 微驱动模型结构D S P / BIOS 定义了 3 种类型的类驱动模块, 分别为 PIO, DIO 以及G I O 。
它们与上层的接口函数为 PIO A P I , DIO A PI, GIO A PI 。
本系统采用 GIO 类驱动。
对于微驱动的编写可以 利用 T I 公司为相应 DSP 芯片提供的设备驱动程序开发包 ( DDK) 进行开发, 这样可以避免复杂的底层程序的编写, 大大 提高开发速度, 并且这种驱动开发方法能提供标准的与上层 应用程序的 A PI 函数, 使应用程序开发者脱离对底层驱动的 关注。
表 1 为 GIO 模型的 A PI 函数, 利用这些接口函数就可 以实现应用程序与底层驱动的交互通信。
表 1 GIO 模型的 API 函数函数( A P I)函数功能描述 G I O _ c r eat ( ) 创建一个 GIO 通道 G I O _ c o nt r o l ( ) 通道控制 G I O _ d el e t e( )释放资源 G I O _ s u b m i t ( )申请资源3 运动目标检测算法本系统采用一种改进的差分算法进行运动目标的检 测, 该算法计算简单, 对环境适应能力强, 并且能够很好地 消除差分带来的虚影, 其基本思路是, 通过当前帧与背景 帧两帧差分, 快速得到位置发生变化的运动物体的位置, 然后把差分图像二值化, 并 通过区域标记去除小 面积像 素。
最后把当前帧做边缘检测后与差分图像相 与! 以消 除虚影, 得到精确的运动目标, 如图 3所示为差分算法流 程图, 然后采用形心坐标公式计算坐标:图 3 差分算法流程图 为了验证算法的可行性, 本文先采用两张静态图片进 行了算法仿真, 图 4 为算法仿真结果截图。
图 4 算法仿真结果根据形心算法程序输出图 4( f) 的坐标为( 283. 6614,552. 4485) 取整数为( 283, 552) , 如图 4( f) 所标出的位置。
4 DSP 算法移植i # f ( i, j ) ij x =( 1)由于系统的采集驱动程序是采用类微驱动模型开发 f ( i, j )ij的, 这给算法移植带来了极大的好处, 开发者在应用程序y =ij # f ( i, j ) j( 2)中只需要用标准的 G I O 类驱动 A P I 函数与微型驱动交互 操作而不需要关注驱动的具体实现。
i• 16 0 • f ( i, j )j本系统的运动目标检测算法移植是采用 R F 5 构架实现刘灵科等:基于D S P运动目标检测系统的设计与实现第 1 0期的, 并且代码是严格按照DSP 算法标准编写的。
这样就可以复用许多已有的程序, 对一些关键要素进行修改, 而不必从头设计。
程序把整个算法分为4 个算法通道如图5 所示。
图5 R F5 算法通道通道1: 直通通道, 它把当前帧不经过任何处理直接在显示器上显示。
通道2: 差分算法, 把当前帧与背景帧相减, 同时把差分图二值化。
通道3: 把当前帧做边缘检测, 本系统采用的是sobel 算法。
通道4: 把通道3 的边缘检测图跟通道2 的差分图相与!,并且计算运动目标的型心坐标。
同时为了便于在显示器上显示算法处理的各个过程, 本文把4 个通道输出缓存安排在一个连续的区域如图6所示。
图6 显示缓冲区5 实验结果与分析本系统通过CCS2. 0 进行开发的, 并且在通过J T A G图7 实验结果截图口把程序下载到T I公司的DM 642E V M评估板进行脱机运行, 图像采集分辨率为240 # 360, 背景更新速度为每处理3 帧更新一次背景, 实验表明系统的处理速度达到了9 帧/ s, 达到实时处理的要求。
为了清楚地展示处理过程,在实验时先采集两帧不连续的图像, 图7 为某帧DSP 的处理结果图。
从处理结果图可以看出来虽然实验背景非常复杂, 但是系统仍然取得了令人满意的效果。
此外从图中可以看出由于背景中的电脑的灰度与运动目标非常相近, 所以在做差分时造成目标体上有一块空缺, 因此可以遇见到当目标灰度与背景灰度非常相似时, 系统可能会达不到预期效果。
6 结论本文利用DSP 芯片T M S320D M 642 为核心处理器,设计出运动目标检测系统, 并成功进行了差分算法的移植, 通过实验表明系统能够在复杂环境中实时进行运动目标检测。
可以用在对某个固定区域进行智能监控如果遇到动态目标, 就把运动目标检测出来, 并且发出相应的警报信号, 表明监控区域有异常情况出现, 从而引起控制室人员的注意。
本系统软件是严格按照D S P 算法标准编写,便于以后对算法的修改与升级。