基于DSP的运动目标检测系统

基于DSP的运动目标检测系统学院：电气与信息工程学院学生姓名：颜尚华指导教师：成利香职称讲师专业：电子信息工程班级：电子0902班完成时间：2012年10月摘要随着DSP的发展，其在视频处理方面的应用越来越广泛。

文章结合DSP与PC在视频采集信号色彩空间上的差异，对混合高斯模型进行了改进，建立了YUV 空间的混合高斯模型，并利用YUV空间阴影等比衰减的性质进行了阴影抑制，通过现场实验取得了良好效果。

关键词：运动目标检测；DSP；混合高斯AbstractWith the development of the DSP, It more and more widely used in video processing. In this paper, it compared thedifferences in the color space of the video signal acquisition with DSP and PC, improved Mixture Gaussian Model, establish a Gaussianmixture model of the YUV space, and use the nature of geometric attenuation of the shadow of the YUV space for shadowsuppression, achieved good results through the field experiment.Key words：Moving Object Detection, DSP, Mixture Gaussian Model目录摘要 (I)1 引言 (1)2 运动目标检测算法 (2)2.1 混合高斯模型 (2)2.1.1 象素模型的建立 (2)2.1.2 背景模型的建立与更新 (2)2.2 YUV空间混合高斯算法改进 (3)2.2.1 色彩空间的转换 (3)2.2.2 利用Y通道灰度特性改进匹配算法 (3)2.2.3 初始背景的学习 (4)2.3 YUV空间下阴影检测 (4)3 系统的硬件结构 (5)4 设计结果 (6)5 结束语 (7)参考文献 (7)1 引言运动目标检测是智能监控系统的首要问题，密切关系到后续能否准确地实现目标跟踪、识别以及行为描述，是数字图像处理的一项重要技术。

简单来说，运动目标检测就是把视频图像序列中运动变化的区域一帧一帧地检测分离出来，去除静止图像的影响从而找到感兴趣的目标或前景部分。

现有的运动目标检测系统主要采用集中处理方式，需要将所有的图像信号全部传到服务器的运动目标检测软件进行处理，由于视频具有比较高的图像帧率，又有巨大的视频信息需要进行网络传输，所以对网络硬件环境、带宽资源要求很高。

另外，运动目标检测软件要同时对几十甚至几百路视频信号源进行运动目标检测提取，甚至还有进一步的识别目标、跟踪目标、存储管理、调度报警等等处理，对服务器的硬件要求非常高，需要价格昂贵的高性能服务器才能胜任；并且随着处理功能的丰富和处理要求的提高，每一台服务器所能够处理的视频信号数量十分有限，无法满足大规模的应用。

嵌入式DSP的发展使运动目标检测的分布式运算成为可能。

随着DSP的迅猛发展，基于DSP的嵌入式运动目标检测系统也得到了快速发展[1,2]。

但是现有的产品在面对复杂场景，如摇动的树叶、波动的水面和闪烁的显示器等时，无法得到理想的效果。

本文改进了传统的混合高斯算法，并以高性能的DM642芯片作为嵌入式核心处理器，应用改进的混合高斯算法进行复杂场景下的运动目标检测，取得了较好的效果。

2 运动目标检测算法2.1 混合高斯模型混合高斯模型最初是由Staufer 和Grimson 提出的[3]，和单高斯模型为每一个象素建立一个高斯模型不同，混合高斯模型为每一个象素建立K 个高斯模型，代表该象素点的多种模态，K 值越大，可以描述的象素状态值越多。

混合高斯模型算法的具体步骤是：首先定义每个象素的分布模型为由多个单高斯分布模型组成的集合，然后根据每一个新的象素值更新模型参数，最后按照一定的准则来判断哪些单高斯模型表示背景象素。

2.1.1 象素模型的建立对视频中的每一个象素建立高斯模型，设象素系列为{x1，x2，x3，……，xi}，则定义一个由多个单高斯模型组成的集合[4]如下式(1)所示： ,(,){|1,...,}i i t p x y p i k == (1)其中，,,,,[,,]i t i t i t i t p w m l =，,11k i t i w ==∑。

,i t p 为每一个单模型，由3个参数组成，,i t w 为单模型的权值，其大小体现了当前象素值由此模型表示的可靠程度。

,i t m 为此单模型均值，其体现了每个单高斯模型分布的中心。

,i t l 为此单高斯模型的方差，其大小体现了单峰分布相对于均值处的宽度离散值，即象素值的不稳定程度。

K 是单模型的个数，表示多峰分布的峰个数，通常取值为3到5之间，本文取值3。

2.1.2 背景模型的建立与更新背景模型建立的步骤：(1)初始化模型：将第一幅图象的每个象素点的值作为均值m ，给定方差l 和权值w ，将其作为第一个高斯混合背景的模型。

其中，方差l 应较大，权值w 应较小。

(2)背景模型学习：取新一帧的背景图象，将每个象素与该象素已有的()i i k ≤个高斯模型相比较，若满足：,,||i i t i t X m l τ-< ………………………………………………………（2） 则表明i X 与,i t p 相匹配，其中τ为全局阈值，一般 2.5τ=。

此时若满足式(2)且i k <，就将此帧图象按照(1)的方法增加一个高斯模型；若i k =，则将此帧图象按照(1)的方法形成新的高斯分布，用以代替优先级最低的高斯模型。

这样用背景帧样本不断地进行训练，最终得到混合高斯分布背景的模型。

(3)参数的更新：多高斯模型的参数主要包含：权值、均值、方差。

在模型学习过程中，应根据图象新一帧与模型匹配与否对参数进行更新。

对于与新的背景图象匹配的单高斯模型，应按照式(3)加大其权值；对于不匹配的模型，认为这个新到的背景图象对此模型未做任何贡献，应按照式(4)减小其权值。

每次权值更新后，都要对权值进行归一化处理。

式(3)(4)中α，为学习率，1/α决定模型自适应更新速度。

,,1(1)i t i t w w αα-=-+ …………………………………………（3） ,,1(1)i t i t w w α-=- ……………………………………………………（4） 对于未匹配的高斯分布，不需更新。

对于匹配的模型采用式(5)更新其均值和方差。

,,1222,,,1(1)(1)()i t i t i i ti t i i t m m x l l x m ββββ--=++⎧⎨=++-⎩ …………………………………（5） 对建立的初始化模型，不断地使用新一帧的图象进行模型学习，并实时更新模型的参数，便可得到相对稳定的多高斯模型。

式(5)中，β为学习率。

2.2 YUV 空间混合高斯算法改进2.2.1 色彩空间的转换经典的混合高斯模型是基于RGB 色彩空间的，模型建立的过程通常基于RGB 三通道独立且方差相同的假设。

而DSP 采集到的多数是基于YCbCr 色彩空间的数据[5]，所以本文利用RGB 色彩空间与YCbCr 色彩空间存在线性关系(6)的特性，采用YCbCr 直接建立背景模型。

0.29990.58700.114000.16870.33130.50001280.50000.41870.0873128100011Y R Cb G Cr B ⎡⎤⎡⎤⎡⎤⎢⎥⎢⎥⎢⎥--⎢⎥⎢⎥⎢⎥=⎢⎥⎢⎥⎢⎥-⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦⎣⎦……………（6） 2.2.2 利用Y 通道灰度特性改进匹配算法灰度图象在视频处理中是一种常用的图象格式，许多运动目标检测算法也是在灰度图象中进行的，究其原因，主要是因为运动目标象素值在灰度空间上绝大多数与背景有明显差异。

本文基于此对模型匹配进行简化。

YCbCr 色彩空间中Y 通道代表亮度，从Y 通道可以直接提取图象的灰度图，不受CbCr 的影响。

由于混合高斯的背景更新过程需要先对每一层进行模型匹配，然后根据匹配结果进行更新。

匹配的过程中，需要计算三通道方差和与当前层的方差进行对比，过程中用到多次浮点乘法，非常耗费时间，利用灰度图象先判断当前象素是否与当前层灰度具有明显差异，如果有明显差异，则进一步进行CbCr 色彩的判断。

利用Y 通道值简化了大部分背景象素的匹配，取得了很好的效果，匹配速度也得到较大提升。

2.2.3 初始背景的学习混合高斯模型初始化建立时，通常将第一层的权值设置为1，方差设置为一个很大的值，然后利用匹配结果根据公式(3)(4)(5)进行更新，这样带来的问题是背景模型初始更新的速度很慢，在很长一段时间内得不到准确的背景，另外，当遇到场景发生全局改变时，很难快速地恢复成当前场景。

本文对背景初始化建立过程做了部分改进，使之能够快速的学习和恢复背景。

所采用的方式是根据学习率α确定一个快速恢复背景期，当帧计数器小于1/α时采用如下的更新方式：(1)象素点匹配到某一层模型，采用公式(7)进行更新，11w M =+∑……………………………………………………………（7） 其中M ∑表示当前层的匹配信息，w 为权重学习率，w 随时间的增加而降低，却总是高于学习率；(2)如果象素点没有匹配到当前模型，则新建模型层，然后重新根据各层匹配的帧数使用公式(8)进行权重分配，经过这样的初始化建立，混合高斯模型可以进行快速的建立和恢复。

M w M =∑………………………………………………………………（8） 2.3 YUV 空间下阴影检测混合高斯运动目标检测对阴影十分敏感[6]，得到的目标区域往往包括大片的阴影，而阴影消除也是目前运动目标精确检测的主要挑战之一。

目前阴影检测方法主要有基于模型的方法和基于颜色特征的方法两种。

基于颜色特征的方法主要根据目标和阴影不同的光学和颜色特征来分离目标和阴影，是目前常用的阴影检测方法。

阴影在图象中可以看作半透明区域，漫反射物体被阴影遮挡时其表面物理反射特性并没有发生任何改变，即同一象素点的颜色配比在正常光照条件下和阴影条件下基本不变，利用这一特性，可以有效地进行阴影检测。

YUV 色彩空间中，象素点被阴影覆盖后，Y 、U 、V 三通道衰减的比例近似相等，这一假设在一般的视频监控环境下均成立。

则设t 时刻，背景图象中(x ，y)处的象素点的象素值为(,,)y u v b b b ，当前输入图象(x ，y)处的象素点的象素值为(,,)y u v p p p ，先计算该处象素点颜色Y 分量的衰减值/y y p b α=，再通过公式(9)判断(x ，y)处象素点是否阴影点。