FPGA论文背景差分法论文
《基于FPGA的运动目标检测系统设计》范文
《基于FPGA的运动目标检测系统设计》篇一一、引言随着科技的不断进步，计算机视觉在众多领域的应用越来越广泛。
其中，运动目标检测是计算机视觉中的一个重要研究方向。
为了提高运动目标检测的实时性和准确性，本文提出了一种基于FPGA的运动目标检测系统设计。
该系统设计能够快速准确地检测出运动目标，并具有较高的实时性，为相关领域的应用提供了有力的技术支持。
二、系统设计概述本系统设计基于FPGA（现场可编程门阵列）实现运动目标检测。
FPGA具有并行计算、可定制和可扩展等优点，非常适合于实现复杂的图像处理算法。
系统设计主要包括图像采集、预处理、特征提取、目标检测和输出等模块。
三、图像采集与预处理图像采集模块负责获取视频流或图像序列。
预处理模块对采集到的图像进行去噪、灰度化、二值化等操作，以便后续的特征提取和目标检测。
去噪操作可以消除图像中的无关信息，提高图像的信噪比；灰度化和二值化操作可以将彩色图像转换为灰度图像或二值图像，简化后续处理。
四、特征提取与目标检测特征提取模块从预处理后的图像中提取出运动目标的特征。
这些特征包括形状、大小、纹理等，可以有效地描述运动目标的特性。
目标检测模块根据提取的特征，采用合适的算法（如背景减除法、光流法、帧间差分法等）检测出运动目标。
在FPGA上实现特征提取和目标检测时，需要采用并行化和流水线等技术，以提高处理速度。
此外，针对不同的应用场景和需求，可以定制不同的特征提取和目标检测算法，以提高系统的灵活性和适应性。
五、系统实现与优化系统实现过程中，需要选用合适的FPGA芯片和开发工具，如Xilinx或Altera的FPGA芯片和HDL语言（如Verilog或VHDL）进行开发。
在实现过程中，需要考虑到系统的实时性、功耗、面积等因素，进行优化设计。
为了进一步提高系统的性能，可以采取以下优化措施：1. 优化算法：针对特定的应用场景和需求，可以优化特征提取和目标检测算法，提高其处理速度和准确性。
一种新的基于背景差分的运动目标检测方法
一种新的基于背景差分的运动目标检测方法一种新的基于背景差分的运动目标检测方法【摘要】针对传统运动目标检测方法存在的缺点和缺乏，提出了一种基于背景差分，融合多种检测方式，有效地克服了传统方法存在的误检和空洞等问题。
实验结果说明该方法能够满足运动目标的实时检测要求。
【关键词】背景差分自适应目标检测运动目标的检测方法一般分为帧间差分法、背景差分法和光流法三种，每种检测方法而言都有各自的缺点和缺乏。
帧间差分法对差分时机的选取要求较高，如果目标运动速度较快且关键帧选取时间间隔过大，会造成两帧之间无覆盖区，运动目标无法分割；如果目标运动速度较慢且关键帧选取时间间隔过小，那么会造成过度覆盖甚至重叠，同样检测不到目标【1】。
光流法的计算复杂、耗时，对于过快或过慢的运动检测效果不好，难以满足实时检测的要求【2】。
与上述两种方法相比，背景差分法的优势是实现简单、目标分割完整，但存在背景自动获取和更新方面的问题，即如何自动获得合理背景以及在最正确时机更新背景【3】。
本文在这样的研究背景下提出了一种基于背景差分，融合动态背景建模、帧间差分和双置信值背景更新技术，实时准确的运动目标检测改良方法。
1 一种简单、有效的背景模型在背景差分法中，背景模型建立的准确与否，直接关系到最终检测结果的准确性。
国内外研究提出了一些背景模型，这些模型有的需要处理多帧图像来建立背景，制约了检测速度，不能到达实时性要求，如非参数模型；有的模型当运动物体较小且与背景的区分度不大时，分割的目标不完整，如W4模型；有的方法当噪声增多、背景比拟复杂时，背景变得不稳定，如高斯模型等等。
针对上述几种方法的缺乏，本文提出一种能够快速建立背景，并有一定自适应能力、保存背景差分目标分割完整这一优点的背景模型。
这种方法采用几次连续的帧间差分，能够快速地检测出视频序列图像中的背景区域，然后在检测出的背景的根底上确立每一个点的背景检测模型。
处理步骤为：捕获某一时间段的视频序列图像，其中N为视频序列的总帧数，k为帧序。
基于背景和帧间差分法的运动目标提取
背景差分法基本原理
背景差分法基本原理
背景差分法是一种用于运动目标检测的方法，其基本原理是利用图像序列中的当前帧和背景参考模型进行比较，以检测出运动物体。
这种方法的关键在于背景图像的建模和模拟，因为它们的准确程度直接影响检测效果。
具体来说，背景差分法通过从连续的图像序列中提取出运动物体的信息来检测运动物体。
首先，它会获取一段连续的图像序列，并从中选择一帧作为背景参考帧。
然后，它会将后续的帧与背景参考帧进行比较，计算出每个像素点之间的差异。
这些差异反映了运动物体的位置和速度信息。
背景差分法通常使用像素强度的绝对值作为差异度量，但也可以使用像素强度的平方差或其它度量方式。
在实际应用中，通常会使用阈值来判断像素点是否属于运动物体。
如果像素点的差异超过了阈值，那么该像素点就被认为是属于运动物体。
背景差分法的优点在于速度快、检测准确、易于实现。
然而，这种方法也存在着一些局限性。
例如，它对于场景的动态变化和光照变化比较敏感，需要定期更新背景模型以适应这些变化。
此外，如果场景中有一些物体的运动模式与背景相似，或者运动物体的速度与背景的速度相近，那么这种方法可能会出现误检。
总的来说，背景差分法是一种非常有用的运动目标检测方法，但它也需要针对特定场景进行适当的调整和优化。
基于背景差分法的运动目标检测
本科生毕业论文题目：基于背景差分法的运动目标检测院系：专业：学生姓名：学号：指导教师：（职称）二〇一一年四月摘要视频监控在现代社会的安保系统中发挥了非常重要的作用。
由于现代社会的复杂性，传统的那种由专门人员值守电视监控屏幕的视频监控系统已经无法满足现代社会安保的要求，于是智能视频监控技术应运而生。
智能监控技术是基于计算机视觉的具有高度智能的自动化监控技术，其核心内容包括运动检测、目标分类、目标跟踪、行为识别四个方面。
本文针对运动目标检测这一方面进行探究。
本文采用的检测方法为背景差分法，即从视频图像序列中将当前帧的图像与预先设定的背景图像做差分，则可得到运动目标的位置和大小等信息。
之后对差分图像进行阈值化和形态学处理等操作，并判断此运动物体的大小。
如果超过规定的范围，则认为出现了异常情况，将此运动目标加上红色矩形框显示出来，做出报警。
背景差分法计算复杂度适中，简单实用，易于实现。
在本文的试验中，对视频中运动目标的检测取得了良好的效果，实验结果令人满意。
关键词：智能监控；运动检测；行为识别；背景差分AbstractVideo surveillance in modern society plays a very important role in the security system. As the complexity of modern society, traditional video surveillance system which need specialized workers pay much attention on the television monitor screen has been unable to meet the security requirements of modern society, so intelligent video surveillance technology came into being. Intelligent monitoring technology based on computer vision is highly intelligent automated monitoring technology, and its core content, including motion detection, object classification, object tracking, behavior recognition four aspects.In this paper, I intend to explore the area of moving target detection. Detection methods used in this paper is background subtraction, make difference from the current frame video sequence of images and the pre-set background image , then we can get the information of the moving target location and size. After thresholding and morphological processing operations on differential image, determine the size of the moving object. If it excess the prescribed range, think that the anomaly occurred, mark this moving target with a red rectangle and make alarm.Background subtraction has moderate computational complexity, and is simple, practical, easy to implement. In this experiment, the moving object in video detection achieved good results, experimental results are satisfactory.Keywords: Intelligent Monitoring；Motion Detection;Behavior Identity; Background Subtraction目录摘要 (I)ABSTRACT (II)第一章前言 (1)1.1课题的研究背景及其意义 (1)1.2智能视频监控技术及其应用 (2)1.3国内外研究现状 (3)1.4论文的主要内容和组织结构 (4)第二章运动目标检测中的图像预处理技术 (5)2.1彩色和灰度图像转换 (5)2.2图像的去噪处理 (6)2.2.1频域去噪方法 (6)2.2.2时域去噪方法 (6)2.2.3空间域去噪方法 (7)2.3图像的阈值化处理 (9)2.4本章小结 (10)第三章运动目标检测的方法与分析 ................................................................................................ - 11 -3.1光流法 (11)3.2时域差分法 (12)3.3背景差分法 (13)3.4本章小结 (14)第四章实验结果分析及改进 ............................................................................................................ - 15 -4.1实验环境介绍 (15)4.2运动目标识别的流程 (17)4.3实验过程及结果分析 (18)4.2.1图像的预处理................................................................................................... - 18 -4.2.2运动目标的提取............................................................................................... - 20 -4.2.3运动目标的识别............................................................................................... - 24 -4.4本章总结 (26)第五章总结及展望............................................................................................................................ - 27 -参考文献..................................................................................................................................................... - 28 -致谢.................................................................................................................................... 错误!未定义书签。
基于混合高斯模型的背景差分法的FPGA实现
龙源期刊网
基于混合高斯模型的背景差分法的FPGA
实现
作者：韩剑辉崔猛强袁耀辉
来源：《哈尔滨理工大学学报》2013年第04期
摘要：针对视频中运动目标检测实时性问题，提出了一种基于混合高斯模型的背景差分法的FPGA实现方法.背景差分算法是运动检测算法中最常用的方法，该算法首先对实时得到的
图像序列进行建模，得到运动场景的背景模型.然后在运动目标分割中及时的根据场景变化更
新背景.考虑到实时性要求的高帧率、高分辨率视频分割任务，利用FPGA并行处理和硬件实
现的优点，对混合高斯模型进行修改来对它进行定制，以适合于硬件实现.最后，通过在FPGA 开发平台进行了仿真实现，结果验证了算法在硬件实现的正确性，以及在实时性能上的提高.。
基于帧差法和背景差分法的背景提取及检测模型
三基本假设
1.只针对该视频呈现信息，不考虑雨天、夜间等因素对视频分析的干扰。 2.将只有部分进入视频的车按整个计算。 3.不考虑车辆追尾和骤停等情况。 4.不考虑车辆经过或风出动时摄像头的轻微扰动。 5.除车辆以外道路上没有其它运动物体，即车辆是在场景中唯一运动的物体。 6.车辆在检测过程中，并无频繁换车道。 7.不考虑运动物体的临时停靠：由于高速公路停车危险很大，且现象较少，所以 假设没有静止的车辆。
关键词：直方图分析法
背景更新
HIS阴影检测
数学形态学
虚拟线圈检测
一问题重述
改革开放以后，随着经济的高速发展，交通问题越来越开始影响着人们的生 产和生活，由于汽车拥有量的急剧增加，城市交通问题日益严重，因此交通问题 开始成为人们关心的社会热点。 在我国， 近年来， 交通事故发生率居全世界之首， 公路交通死亡人数直逼十五万人，有效的交通监测和管理已迫在眉睫。 传统的视频监控由人工进行视频监测发现安全隐患或异常状态， 或者用于事后分 析，这种应用具有其固有的缺点，难以实现实时的安全监控和检测管理。因此， 及时适时的智能交通系统开始逐渐被运用起来。 智能交通系统指对交通系统的规 划、设计、实施与运行管理过程都实行智能化，交通运输系统的运营管理与组织 生产智能化其实质就是借助各种科技手段和高新技术，特别是信息技术、计算机 处理技术、数据通讯传输技术、电子控制技术、运筹学、人工智能等将其综合应 用，以实现交通故障处理的智能化，加强道路监管，保证人民的生产生活的正常 运转， 有效地预防了许多交通事故的发生。在不需要人干预或者很少人干预的 情况下， 通过对摄像机拍录的视频序列进行分析以实现车辆的定位、 识别和跟踪, 并在此基础上分析和判断车辆的行为，对车辆的行为给出语义描述，做到了既能 完成日常管理，又能在发生异常情况时做出及时反应。 在这里， 智能交通系统主要要用到视频分析， 即要做到智能区分监控对象的外形、 动作，主动收集数据和分析数据，根据预设条件执行报警、记录、分析等。对于 视频分析而言， 其关键技术是建立合理的数学模型。所以我们要对该视频进行处 理，分析其所包含的信息。关键是要通过提取合理有用的信息，解决以下问题： 一：根据提供的视频，建立提取附录提供的视频图像的数学模型。 二：结合已提取的背景，建立计算车流量数学模型。
《2024年差分进化算法的优化及其应用研究》范文
《差分进化算法的优化及其应用研究》篇一一、引言在优化技术不断发展的时代，差分进化算法（Differential Evolution Algorithm, DEA）作为一种全局优化算法，以其良好的搜索能力和简单的实现方式受到了广泛关注。
差分进化算法是一种启发式搜索算法，能够处理多种复杂的优化问题，在众多领域得到了广泛应用。
本文旨在探讨差分进化算法的优化及其应用研究，分析其性能及发展现状，并提出进一步的优化方向和策略。
二、差分进化算法的基本原理差分进化算法基于遗传算法的思路，采用个体之间的差异作为主要驱动力，以寻找问题的最优解。
该算法利用目标问题个体间的差异信息进行种群搜索和演化。
通过比较当前种群中个体的差异和性能，选择最优的个体进行交叉和变异操作，从而生成新的个体。
这种过程不断迭代，最终找到问题的最优解。
三、差分进化算法的优化研究1. 参数优化：差分进化算法的参数设置对算法的性能具有重要影响。
针对不同的问题，通过调整控制参数（如交叉概率、变异尺度因子等），可以优化算法的搜索能力和收敛速度。
目前，研究者们正尝试使用自适应、自调节等方式，使算法能够根据问题的特性自动调整参数。
2. 融合其他优化方法：为了进一步提高差分进化算法的性能，可以与其他优化方法进行融合。
例如，结合梯度信息与差分进化算法，实现混合搜索策略；将局部搜索策略与全局搜索策略相结合，形成协同进化等。
3. 并行计算与分布式计算：为了提高差分进化算法的计算效率，可以采用并行计算和分布式计算的方法。
通过将问题分解为多个子问题，并行处理每个子问题，可以显著提高算法的求解速度。
四、差分进化算法的应用研究1. 函数优化：差分进化算法在函数优化问题中表现出色，能够快速找到全局最优解。
在多模态函数、非线性函数等复杂函数优化问题中，差分进化算法具有较高的求解精度和效率。
2. 图像处理：差分进化算法在图像处理领域具有广泛应用。
例如，在图像分割、图像去噪、图像恢复等方面，差分进化算法能够快速找到最优的参数设置，提高图像处理的效果。
《2024年差分进化算法的优化及其应用研究》范文
《差分进化算法的优化及其应用研究》篇一一、引言差分进化算法（Differential Evolution Algorithm，简称DEA）是一种全局优化算法，它具有简单、高效、易于实现等优点，在解决复杂优化问题中表现出色。
本文旨在研究差分进化算法的优化及其应用，通过分析算法的原理和特点，探讨其优化方法，并进一步探讨其在不同领域的应用。
二、差分进化算法的原理及特点差分进化算法是一种基于群体进化的迭代算法，其基本思想是通过种群中个体之间的差异来引导搜索过程，以达到寻找最优解的目的。
算法的特点包括：简单易实现、全局搜索能力强、鲁棒性好等。
三、差分进化算法的优化（一）参数优化差分进化算法的参数设置对算法的性能具有重要影响。
针对不同的问题，需要合理设置种群大小、交叉概率、变异因子等参数。
通过大量实验和数据分析，可以找到针对特定问题的最优参数组合。
（二）混合优化策略为了提高差分进化算法的搜索能力和效率，可以将其他优化算法与差分进化算法相结合，形成混合优化策略。
例如，可以将局部搜索算法与差分进化算法相结合，以增强算法在局部区域的搜索能力。
（三）自适应策略自适应策略可以根据问题的特性和搜索过程的变化，动态调整算法的参数和策略。
通过引入自适应机制，可以提高差分进化算法的适应性和鲁棒性。
四、差分进化算法的应用研究（一）函数优化差分进化算法在函数优化问题中表现出色，可以有效地解决多峰、非线性、高维等问题。
通过与其他优化算法进行比较，可以验证差分进化算法在函数优化问题中的优越性。
（二）约束优化问题约束优化问题是实际生活中常见的问题，如生产调度、资源分配等。
差分进化算法可以通过引入约束处理机制来解决约束优化问题，具有较好的应用前景。
（三）机器学习领域应用差分进化算法在机器学习领域也有广泛应用，如神经网络训练、支持向量机参数优化等。
通过将差分进化算法与机器学习算法相结合，可以提高机器学习模型的性能和泛化能力。
五、结论本文对差分进化算法的优化及其应用进行了研究。
《基于FPGA的运动目标检测系统设计》范文
《基于FPGA的运动目标检测系统设计》篇一一、引言随着计算机视觉技术的快速发展，运动目标检测在众多领域中扮演着越来越重要的角色。
为了满足实时性和准确性的需求，基于FPGA（Field Programmable Gate Array）的运动目标检测系统设计成为了研究的热点。
本文将详细介绍基于FPGA的运动目标检测系统设计，包括其设计原理、实现方法和应用前景。
二、系统设计原理1. 系统架构基于FPGA的运动目标检测系统主要由图像采集、预处理、特征提取、目标检测和输出五个部分组成。
其中，FPGA作为核心处理单元，负责实现图像处理算法的硬件加速。
2. 图像预处理图像预处理是运动目标检测的重要环节，主要包括去噪、灰度化、二值化等操作。
FPGA通过并行计算的方式，快速完成图像预处理，为后续的特征提取和目标检测提供良好的基础。
3. 特征提取特征提取是运动目标检测的关键步骤，主要通过提取图像中的关键特征，如边缘、纹理、颜色等，以区分目标和背景。
FPGA通过高速的数据处理能力，实现特征的快速提取。
4. 目标检测目标检测是运动目标检测系统的核心，主要采用背景减除、光流法、帧间差分法等方法。
FPGA通过实现这些算法的硬件加速，提高检测速度和准确性。
三、系统实现方法1. 硬件平台选择选择合适的FPGA芯片是系统实现的关键。
根据系统需求，选择具有高性能、低功耗、可编程等特点的FPGA芯片。
2. 算法优化针对运动目标检测的算法进行优化，以提高其在FPGA上的运行效率和准确性。
通过并行计算、流水线设计等方法，实现算法的硬件加速。
3. 系统集成与测试将FPGA与其他硬件设备（如摄像头、显示器等）进行集成，完成系统的搭建。
然后进行系统测试，验证系统的性能和稳定性。
四、应用前景基于FPGA的运动目标检测系统具有广泛的应用前景。
它可以应用于智能监控、智能交通、机器人视觉等领域，提高系统的实时性和准确性。
同时，随着人工智能技术的不断发展，基于FPGA的运动目标检测系统将更加智能化、高效化，为人们的生活带来更多的便利。
基于背景差分法的物体识别毕业设计论文
基于背景差分法的物体识别OBJECT RECOGNITION BY BACKGROUND DIFFERENCEMETHOD专业：自动化摘要图像识别技术在很多领域都是产业现代化的基础，所以在当今社会它成为了研究的热门学科。
由于被测物体会由于时间的不同，背景的不同，气候的不同,被测物体会表现出不同的外形特征，具有错综复杂和瞬间转变的性质［1］，所以图像识别的准确率一直是一个难以解决的课题。
而基于背景差分的图像识别技术则能很好地解决这一困难的问题，它是整个图像识别领域中最基础并且可靠性最高的一门科学［2］。
这种方法以将背景图片与实时图像作差分的方法有效提高普通图像识别方法的准确度［3］，也可以对运动物体做出准确性较高的识别，并且具有较快的处理速度，能在OpenCV1.0的帮助下完成目标。
目前，基于背景差分的图像识别主要应用于车辆流量检测技术［4］、车牌检测［5］、弱信号的目标检测、稻米粒优劣的判断、运动人体检测等领域。
本文使用USB外接摄像头从外界获得背景与被测视频流，在Windows系统下利用Visual Studio C++6.0与OpenCV 1.0结合编程的方法［6］，对背景与被测视频流做差分，从而达到物体识别的目的。
由于使用的摄像头分辨率较低，所以测量的结果精确度并不是很高，测量物体也较为简单，如何利用高分辨率的摄像头以及高版本OpenCV函数来识别更复杂的被测物体是今后的研究目标。
关键词：背景差分；图像识别； Opencv；Visual Studio C++6.0ABSTRACTImage Recognition has been one of the most popular deciplines because that it’s the key of Industrial modernization in numerous fields. The measured objects will be in difference shape for the difference of seasons; background and temperature.They are complex and variable, thus, it’s really a tough work to increase the accuracy of Image Recognition. Image recognition technology based on background subtraction, a subject that is very reliable and accurate in the Image Recognition field, solves that problem well.This method improves the accuracy effectively by differencing the video stream to a background picture, it also can identificat the moving subject effectively, it can progress a subject in high speed by the using of the opencv 1.0. At present, Image Recognition is often utilized in the field such as vehicle traffic detection technology，target detection of weak signals, judge the merits of rice and Human Movement detection,there we get backgroud and video stream from the outside world by USB external camera, programme with opencv 1.0 by visual studio C++6.0 in the operating system of Windows.Then we identificate a subject by differencing backgroud and video stream.The acurracy of Image Recognition is below the ideal situation because of the resolution of USB external camera.Also the subject is very simple.It’s our future research goals that using USB external camera with a high resolution and a high version of the opencv function to identificate more complex objects.Key words:Background difference；Image Recognition；opencv；visual studio C++6.0目录摘要 (I)ABSTRACT.............................................................................................. I I 目录................................................................................................... I II 第一章前言. (1)第一节计算机领域的物体识别的发展历史 (1)第二节计算机图像获取技术现状及前途 (2)第三节计算机图像识别技术现状及前途 (4)第四节色彩标准分类 (5)第二章差分法应用 (6)第一节数学中的差分法 (6)第二节背景差分法和帧间差分法 (6)第三章Opencv的介绍与使用 (8)第一节opencv简介 (8)第二节有关图像识别的opencv函数 (9)第四章利用C++实现图像获取与识别 (13)第一节C++的发展阶段 (13)第二节C++的特点 (14)第三节基于背景差分法的物体识别的程序 (14)第四节程序运行结果 (22)第五章结论 (27)参考文献 (28)致谢 (30)第一章前言本章主要介绍了与论文相关的计算机的发展历程和计算机图像识别和背景差分的发展现状，并列举了一系列的研究成果，论述了本实验的实验目的以及工作条件。
背景差分算法
背景差分算法背景差分算法是一种常用的图像处理算法，用于检测图像中的移动目标。
它通过对连续帧之间的差异进行分析，识别出目标物体的轮廓和位置信息。
本文将介绍背景差分算法的原理、应用场景以及一些改进方法。
一、原理背景差分算法基于以下假设：在静止场景中，背景像素的值变化较小，而目标物体的像素值变化较大。
该算法通过计算当前帧与背景帧之间像素值的差异，得到一个差分图像，然后通过一定的阈值处理和形态学操作，将目标物体从背景中分离出来。
具体步骤如下：1. 初始化：选择一帧作为背景帧，并设定阈值。
2. 帧差计算：将当前帧与背景帧进行像素值相减，得到差分图像。
3. 阈值处理：将差分图像进行二值化处理，得到目标物体的二值图像。
4. 形态学操作：对二值图像进行形态学腐蚀和膨胀操作，去除噪声并连接目标区域。
5. 目标检测：根据连通区域分析，识别目标物体的轮廓和位置。
二、应用场景背景差分算法在视频监控、运动检测、行人识别等领域有广泛的应用。
1. 视频监控：背景差分可以用于监控画面中的目标物体，如行人、车辆等，实现对异常事件的监测和报警。
2. 运动检测：背景差分可以用于检测运动物体，如体育比赛中的运动员、交通场景中的车辆等，实现对运动目标的跟踪和分析。
3. 行人识别：背景差分可以用于行人识别，通过提取行人的轮廓和位置信息，实现对行人的自动识别和统计。
三、改进方法虽然背景差分算法在一般情况下可以得到较好的效果，但在复杂场景下仍存在一些问题，如光照变化、动态背景等。
为了改进算法的性能，研究者们提出了一些改进方法。
1. 自适应阈值：传统的背景差分算法使用固定阈值进行二值化处理，但在光照变化等情况下容易产生误检测。
自适应阈值算法根据图像的局部特性来动态调整阈值，从而更好地适应不同场景。
2. 基于模型的背景建模：传统的背景差分算法使用单一的背景帧，对于动态背景会产生较大误差。
基于模型的背景建模方法采用多帧图像来建立背景模型，可以更准确地描述背景信息。
基于FPGA时域有限差分算法的设计与实现
ｆ ｏ ｒ ｍａ ｎ ｃ ｅ ｏ ｆＦＤＴＤ ｌｇ ａ ｏ ｒ ｉ ｔ ｈ ｍ． Ｋｅ ｙ ｗｏｒ ｄ ｓ： ｉｎ ｆ ｉ ｔ ｅ ｄ ｉ ｆ ｆ ｅ ｒ ｅ ｎ ｃ ｅ ｔ ｉ ｍｅ ｄｏ ｍａ ｉｎ ｌｇｏ ａ ｉｔ ｒ ｈ ｍ ；Ｆ ＰＧＡ ；Ｖｅ ｉｌ ｒ ｏ ｇ ＨＤＬ；２Ｄ ＴＭ ｗａ ｖ ｅ ｓ
矩量法、 有 限元 法 和 时 域 有 限 差 分 法 （ Ｆ ｉ ｎ ｉ ｔ ｅ
Ａｎ ＦＰＧＡ Ｉ ｍ ｐｌ ｅ ｍｅ ｎ ｔ ａ ｔ ｉ ｏ ｎ ｏ ｆ Ｆｉ ｎ ｉ ｔ ｅ Ｄｉ ｆｅ ｒ ｅ ｎ ｃ ｅ Ｔｉ ｍｅ
Ｄｏ ｍａ ｉ ｎ Ａｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ
Ｚ ＨＡ Ｏ Ｑｉ ａ ｎ
（ Ｓ ｃ ｈ ｏ ｏ ｌ ｏ ｆ Ｅ ｌ ｅ ｃ ｔ ｒ ｏ ｎ ｉ ｃ ｓ ａ ｎ ｄ Ｉ ｎ ｆ ｏ ｒ ｍ ａ ｔ ｉ ｏ ｎ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｉ ｒ ｎ ｇ ， Ｓ ｈ ａ ｎ ｇ ｈ ａ ｉ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆＥ ｌ ｅ ｃ ｔ ｒ ｉ ｃ Ｐ ｏ ｗ ｅ ｒ ， Ｓ ｈ ａ ｎ ｇ ａｉ ｈ ２ ０ ０ Ｏ ９ ０ ， Ｃ ｈ ｉ ｎ ａ ）
摘
要： 以时域有 限差分 法的二维形式为例 ， 用Ｖ ｅ ｒ ｉ ｌ ｏ ｇ Ｈ Ｄ Ｌ语 言加 以实现 ． 采用 ３ ２位 单精度 浮点数进 行加
减法 和乘法运算 ， 以保证 计算的精度． 通 过 ｍｏ ｄ ｅ ｌ ｓ ｉ ｍ 软件仿真 ， 以 Ａｌ ｔ ｅ ｒ ａ Ｆ Ｐ Ｇ Ａ 的硬件实现来确保设计 的正确 性． 实验结果显示 ， 基于 Ｆ Ｐ Ｇ Ａ 的时域有 限差分法硬件 实现方法 对提高速度效果明显 ， 是提高算法性能 的有效
ｂｙ ｔ ｈ ｅ ｈａ ｒｄ ｗａ ｒｅ ｉ ｍ ｐｌ ｅ ｍｅ ｎｔ ａｔ ｉ ｏ ｎ ｏ ｆ Ａｌ ｔ ｅ ｒ ａ ＦＰ ＧＡ． Ｔｈ ｅ ｅ ｘ ｐ ｅ ｉｍ ｅ ｒ ｎ ｔ ａ ｌ ｒ ｅ ｓ ｕ ｌ ｔ ｓ ｓ ｈｏ ｗ ｔ ｈａ ｔ ＦＰＧＡ ｉ ｍｐ ｌ ｅ — ｍｅ ｎ ｔ ａ ｔ ｉ ｏ ｎ ｓ ｐ ｅ ｅ ｄ ｓ ｕｐ ｈｅ ｔ ａ ｌ ｇｏ ｉｔ ｒ ｈ ｍ ｇ ｒ ｅ ａ ｔ ｌ ｙ．Ｔｈ ｕｓ ， ｉ ｔ ｂ ｅ ｃ ｏ ｍｅ ｓ ａ ｎ ｅ ｆ ｆ ｅ ｃ ｉｖ ｔ ｅ ｗａ ｙ ｔ ｏ ｉ ｍｐ ｒ ｏ ｖｅ ｈｅ ｔ ｐ ｅ ｒ —
基于混合高斯模型的背景差分法的FPGA实现
基于混合高斯模型的背景差分法的FPGA实现韩剑辉;崔猛强;袁耀辉【摘要】Aiming at the real-rime problem of moving object detection in video,this paper proposed a FPGA realization method of background subtraction algorithm based on Gaussian mixture model.Firstly,the algorithm model is built for image sequence,and the background model of moving scene is obtained.Then the background model is updated timely according to scene change in moving object segmentation.Considering the real-time requirements of high frame rate and high resolution,the paper modified the Gaussian mixture model for FPGA hardware implementation.The test results show that the algorithm is correct in the hardware implementation,and the real-time performance is improved.%针对视频中运动目标检测实时性问题,提出了一种基于混合高斯模型的背景差分法的FPGA实现方法.背景差分算法是运动检测算法中最常用的方法,该算法首先对实时得到的图像序列进行建模,得到运动场景的背景模型.然后在运动目标分割中及时的根据场景变化更新背景.考虑到实时性要求的高帧率、高分辨率视频分割任务,利用FPGA并行处理和硬件实现的优点,对混合高斯模型进行修改来对它进行定制,以适合于硬件实现.最后,通过在FPGA开发平台进行了仿真实现,结果验证了算法在硬件实现的正确性,以及在实时性能上的提高.【期刊名称】《哈尔滨理工大学学报》【年(卷),期】2013(018)004【总页数】5页(P89-93)【关键词】运动检测;背景差分;混合高斯模型;FPGA【作者】韩剑辉;崔猛强;袁耀辉【作者单位】哈尔滨理工大学计算机科学与技术学院,黑龙江哈尔滨150080;哈尔滨理工大学计算机科学与技术学院,黑龙江哈尔滨150080;哈尔滨理工大学计算机科学与技术学院,黑龙江哈尔滨150080【正文语种】中文【中图分类】TP3990 引言在现实生活中，运动图像包含有大量有意义的视觉信息.运动目标检测技术作为计算机视觉、运动图像分析、人机交互和智能视频监控技术的基础已广泛应用于军事、计算机辅助设计、航空航天、智能机器人等领域，其检测结果的好坏直接影响到目标定位、跟踪以及行为理解等后续处理［1，9］.运动目标检测的图像差分法一般可以分为两种:帧间差法与背景差法.其中背景差法能够快速、准确地分割出运动物体，但容易受环境和光照的变化影响，而且现实生活中的场景具有复杂性和不可控的变化，主要表现在如下几种情况:①背景中静止物体移动.当背景中原先静止的物体开始运动，或者场景中的静止物体被移到另一位置保持静止，都会产生虚影(ghost)，造成误检;②运动物体停在场景中;③场景的光照变化.包括自然光照的渐渐变化，天气阴晴突然变化以及室内的开关灯等;④混乱场景中有摆动的树枝树叶、闪烁的显示器、波动的水面及喷泉等.为了解决上述问题，提出了很多建立背景模型的方法［2］.本文针对混合高斯模型进行背景差分，为了提高实时性和处理速度，对高斯模型进行修改使其适合FPGA硬件实现.1 背景差分法1.1 背景差分法基本原理背景差法(background subtraction)是目前运动检测中的主流方法，它是利用含有运动目标的当前图像与背景图像的差分来检测运动区域的一种技术.背景减法基本思想是:首先，用事先存储或者实时得到的图像序列对每个象素进行统计建模，得到背景模型Dk(x，y);其次，将当前每一帧图像fk(x，y)和背景模型Bk(x，y)相减，其中 Dk(x，y)为作差后的结果;计算出在一定阈值T限制下当前图像中出现的偏离背景模型值较大的那些象素，则判定此象素为运动目标上的像素点，相减的阈值操作后得到的结果直接给出了目标的位置、大小、形状等，从而得到较完整的目标信息.1.2 背景建模背景建模是背景差分最关键的步骤，背景模型的选择决定后面的步骤采用的方法和具体实现，所以，很多背景差分的分类方法就是根据背景的模型来区分.不仅如此，背景模型的选择也决定背景差分算法的好坏.背景模型最简单的就是使用和每帧图像同样大小图像，在这种情况下，后面的背景差分步骤就和上面的帧间差方法一样，把当前真与背景模型图像差分即可.总之，背景模型选择的原则是要能较好的描述和表示背景的特点，并且此特点能用来区分背景和一前景，而且背景模型越简单越好，因为背景模型在整个过程算法运行过程中需要维护，简单的模型有利于保证算法的效率和实时性.但是在现实的环境中，背景的场景不可能一成不变，背景会随着光照变化、运动物体停在背景中或者背景中固定物体移除等特殊情况的变化而变化.考虑到这些问题，一个自适应的背景建立成为研究背景差分法的关键.因此，近些年，提出许多背景建模方法，大致可分为:基本背景模型(basic background modeling)、基于统计学的背景模型(statistical background modeling)、模糊背景模型(fuzzy background modeling)、背景估计模型(background estimation)等［3］.2 混合高斯模型分析Stauffer等提出的经典的自适应混合高斯背景提取模型，这种方法是基于像素的背景建模方法，它是根据视频中的每个像素在时间域上的分布情况来构建各个像素的颜色分布模型，以此达到对背景进行建模的目的.混合高斯背景模型是有限个高斯函数的加权和，它能够描述像素的多峰状态.适合于对光照渐变，树木摇摆等复杂背景进行准确建模［4］.2.1 混合高斯模型建模假设图像中的每一点的像素观测值和其他像素点的观测值相互独立，在某时刻t，设像素点的观测值为Xt，则时刻t观测值为Xt的概率可以用具有K个高斯分布的混合高斯模型建模［5］:其中:K是高斯分布的个数，一般取3至5个，ωi，t是第i个高斯分布的权重，也就是用该模型将下一帧出现的先验概率，并且是时刻 t第 i 个高斯分布的均值向量;是其相应的协方差矩阵;φ是高斯分布的概率密度函数.这里假设Xt互不相关，所以协方差就是一个对焦矩阵，可以用一个n维的方差表示.假设图像中某像素点，在1～t时刻的状态为{X1，X2，…，Xt}，权重ωi，t反应了像素点从1～t时间段内满足第i个高斯分布的后验概率，{X1，X2，…，Xt}中属于第i个高斯分布的观测样本越多，权重ωi，t就越大，方差越小.假设每一个像素点出现时背景的像素频率高于前景，K 个状态按照ωi，t/σi，t的比例值降序排列.这个比例值是相应状态的稳定性的指示.当ωi，t/σi，t变大，表示一个状态收敛或者变得稳定，说明这些点在1～t时间段内出现的概率较大，因此这些分布可以作为背景的描述.前B个状态出现的先验概率的和大于一个门限T 时(T∈(0，1))为将被标一记为背景，其余的标记为前景.因此，在大部分时间前景都是在场景中占较少的部分的应用中，GMM模型将表现的更好.2.2 模型更新当有新的观测点Xt+1来的像素值分别与K斯分布的均值ωi，t相比，同时计算观测点落入相应高斯分布的概率，并按某一判断法则选择匹配的高斯分布［6］，法则为据此，就可以选择出符合判断法则的高斯分布.当存在匹配的高斯分布时，则需要根据当前像素Xt+1，对这些高斯分布的权值、均值和方差参数进行更新处理.其中，α是学习速率，可以由用户指定，β是分布参数的更新速率.在这些匹配的高斯分布中，还需要按照各自的ωi，t/σi，t比值进行排序，然后从中选择最能代表背景的高斯分布，并以此来最终确定表征背景的高斯分布.2.3 混合高斯模型优点混合高斯模型算法与其他目标检测分割算法相比，混合高斯模型有一下几方面的优点:首先，混合高斯模型能够适应快速的光照变化.根据学习速率α，可以调整对光照变化的响应速率;与固定背景模型相比，混合模型的优越之处在于其可以及时更新背景，从而大幅减小了错误检测的概率.其次，混合高斯模型算法通过用多个高斯分布对背景进行建模，典型的混合高斯模型中高斯分布的数量在3～6个之间.假设有3个高斯分布用于高斯模型建模，其中2个用于背景建模，1个用于前景建模，这意味着背景建模中有一个高斯分布可以描述背景中反复运动的背景物体(如树叶摇摆)为背景而不被误判为前景运动物体.最后，混合高斯模型算法可以有效的减少由于摄像头抖动而造成的误判.3 混合高斯模型算法的FPGA实现FPGA是一种基于查找表结构的可编程逻辑器件，具有大量的灵活的逻辑单元，很好的在线可编程性和高速并行的结构特点.它可以方便地实现组合逻辑和时序逻辑功能［8］.FPGA较小的基本逻辑单元(LC)，可以通过级联实现较长的数据通路，适合实现流水线结构.本文中，选择Alera公司的Cyclone II系列FPGA作为处理平台.在硬件上实现算法在提高实时性能的同时对算法的复杂性也会有所要求，相对软件平台实现的复杂算法在硬件平台需要消耗大量硬件资源，有些甚至无法实现，下面对目前文献中提到的各种算法进行对比［7］，如下表所示:表1 比较不同的分割算法FD Median LPF GMM KDE算法性能快快中中低内存需求 1帧 50～300帧 1帧的平均N帧中K个高斯参数分割质量差低可接受好很好1帧的K个高斯参数复杂度非常低中低低高由表1可以看出，综合考虑各种算法，GMM最符合硬件实现，但是直接在FPGA 上实现混合高斯模型算法的话，需要很长的设计周期和消耗大量的硬件资源，使其综合性能大大削减.因此，在这一部分将对此算法进行修改降低其复杂性，适宜于硬件实现，权衡了算法在实际运用中的复杂性和精确度.3.1 混合高斯模型算法的修改该算法在考虑合理的设计周期和硬件资源消耗的前提下在硬件实现，对原始的算法进行修改时必不可缺的步骤.但是，修改后的算法应该几乎和原始算法具有相同的性能的同时还必须适宜硬件实现.本文中对算法的修改主要有两点如下:1)对分布的更新参数(在式(11)中定义的β)设置为常数，减少了硬件计算复杂度从而减少硬件资源消耗.2)为了保证算法的精确度，对于原始算法其他的计算部分保持不变.但是，为了提高硬件实现的效率，需要对计算的操作进行修改.比如:在式(6)中，把除法运算改为乘法和加法运算来实现，从而节省了设计周期和硬件资源.对于本文中混合高斯模型算法的修改，在适合硬件实现的基础上更加接近原始算法的精确度.3.2 算法的硬件实现此算法模块基于FPGA硬件实现总共分为控制匹配模块、参数更新和排序模块、参数存储模块和前/背景分割模块等几个模块.总体系统结构框图如图1所示.从图中可以看出，在整个算法结构中，参数更新模块是计算量最大的模块，在典型的软件实现混合高斯模型的算法中，由于计算量大很难符合实时性要求.此处利用FPGA 的并行处理和吞吐量大的特点，完全可以达到实时性要求.本文中，采用3个高斯模型，主要考虑到树叶、亮度等情况，参数更新和排序模块的部分verilog代码如下所示:图1 系统框图通过Synplify Pro工具综合后，参数更新和排序模块的RTL视图实现原理如图2所示.图2 参数更新和排序模块综合RTL视图3.3 基于FPGA的仿真结果本文中，对视频序列的第36帧和112帧的图像进行处理，采用 Quartus II和Modelsim 6.5b联合Matlab进行仿真.首先采用Matlab将视频帧原始图片转换mif文件作为Quartus II的输入，经过Quartus II仿真后得到仿真网表，将该网表作为Modelsim 6.5b的输入，最终通过将Modelsim的仿真输出结果输出到txt文件，然后再通过Matlab读取文件如图3所示.图3 仿真结果从仿真结果中可以看出，在精度方面，基于FPGA实现的混合高斯模型算法很好的分割了运动物体与背景图像，有效的解决了树叶摆动和光照变化对运动目标的干扰，保证了原算法的精确度.在速度方面，时钟频率为25 MHz时可达到30fps，完全满足了实时性要求，适合高速运动物体的检测.4 结语运动目标检测是目标跟踪和识别等后期处理的基础，也是研究成败的关键.本文将典型的基于混合高斯模型的背景差分方法利用FPGA实现，对于运动目标检测效果显著，而且有效提高了算法的速度，增强了在实时性方面的性能.同时，本文研究过程中也存在一定缺点，比如对阴影的影响［10］，但是在固定场景或者光照弱的情况下足以满足要求，在后续的研究中将在这方面进行改善.参考文献:【相关文献】［1］张鹤.运动目标检测算法研究［D］.武汉:武汉科技大学，2011.［2］李海霞，范红.基于背景差法的几种背景建模方法的研究［J］.工业控制计算机，2012，25(7):62-64.［3］BOUWMANS T，ElBAF.Background Modeling Using Mixture of Gaussians for Foreground Detection-A Survey［J］.Recent Patents on Computer Science，2008:219-237. ［4］吴晓军，宋展.基于高斯混合模型的视频背景建模技术初探［J］.先进技术研究通报，2010，4(7):75-79.［5］CHRIS Stauffer，GRIMSON W E L.Adaptive Background Mixture Models for Real-time Tracking［J］.Proceedings of IEEE Conference on Computer Vision and Pattern Recognition，1999，2:246-252.［6］朱碧婷，郑世宝.基于高斯混合模型的空间域背景分离法及阴影消除法［J］.中国图象图形学报，2008，13(10):1906-1909.［7］JIANG H，ARDO H，OWALL V.A Hardware Architecture for Real-time Video Segmentation Utilizing Memory Reduction Techniques［J］.IEEE Transactions on Circuits and Systems for Video Technology，2009:226-236.［8］潘松，黄继业.EDA技术实用教程［M］.北京:科学出版社，2005.［9］王洋，曾雪琴，范剑英.汽车牌照字符识别系统设计［J］.哈尔滨理工大学学报，2012，7(1):90-95.［10］刘雪，常发亮，王华杰.运动目标检测中的阴影去除方法［J］.微处理机，2008(5):116-117. ［11］徐柱.运动目标检测与阴影消除的研究［D］.镇江:江苏大学，2010.。
背景差分法
背景差分法又称背景减法，背景差分法的原理是将当前帧与背景图像进行差分来得到运动目标区域，这种方法较帧差法能更好的识别和提取运动目标，是目前运动分割中最常用的一种方法。
但是需要构建一幅背景图像，这幅背景图像必须不含运动目标，并且应该能不断的更新来适应当前背景的变化，构建背景图像的方法有很多，比较常用的有基于单个高斯模型的背景构建，基于混合高斯模型的背景构建，基于中值滤波器的背景构造，基于卡尔曼滤波器的背景构造，基于核函数密度估计的背景模型构造。
背景差分法法是静止背景下运动目标识别和分割的另一种思路。
如不考虑噪音n(x ，y ，t)的影响，视频帧图像I(x ，y ，t)可以看作是由背景图像b(x ，y ，t)和运动目标m(x ，y ，t)组成：(,,)(,,)(,,)I x y t b x y t m x y t =+ （4-14）由式(4-14)可得运动目标m(x ，y ，t)：(,,)(,,)(,,)m x y t I x y t b x y t =- （4-15）而在实际中，由于噪音的影响，式(4-15)不能得到真正的运动目标，而是由运动目标区域和噪音组成的差分图像d(x ，y ，t)，即：(,,)(,,)(,,)(,,)d x y t I x y t b x y t n x y t =-+ （4-16）得到运动目标需要依据某一判断原则进一步处理，最常用的方法为阈值分割的方法：(,,)(,,)(,,)0(,,)I x y t d x y t T m x y t d x y t T ≥⎧=⎨<⎩ （4-17） 式中T 为一阈值，图4-1为背景差分法的流程图：图4-1 背景差分法的流程图背景差分法较帧差法更能准确地提取运动目标，帧差法如果不与其他方法进行结合只能提取运动变化区域(包括真正的运动目标、被覆盖和显露的背景)而不能直接提取运动目标。
然而，当我们运用背景减法时还要考虑很多问题：（1）要得到背景图像b(x ，y ，t)，最简单的方法就是将第一帧没有运动目标的图像帧作为背景图像。
基于FPGA时域有限差分算法的设计与实现
基于FPGA时域有限差分算法的设计与实现赵倩【摘要】以时域有限差分法的二维形式为例,用Verilog HDL语言加以实现.采用32位单精度浮点数进行加减法和乘法运算,以保证计算的精度.通过modelsim软件仿真,以Altera FPGA的硬件实现来确保设计的正确性.实验结果显示,基于FPGA 的时域有限差分法硬件实现方法对提高速度效果明显,是提高算法性能的有效途径.【期刊名称】《上海电力学院学报》【年(卷),期】2017(033)001【总页数】5页(P69-72,96)【关键词】时域有限差分法;可编程逻辑器件;Verilog硬件描述语言;二维TM波【作者】赵倩【作者单位】上海电力学院电子与信息工程学院,上海200090【正文语种】中文【中图分类】TN791矩量法、有限元法和时域有限差分法(Finite Difference Time Domain,FDTD)是电磁计算方法中3个重要的数值方法,其中FDTD在分析复杂的目标、介质、环境中的电磁波传播、散射、辐射特性等方面的研究发展迅速,显示出突出的活力,并在天线分析、雷达截面计算等众多领域得到了广泛应用.实际上,FDTD是在空域内对电场值和磁场值进行交替计算,在时间域上对FDTD算法公式进行迭代更新的一种方法[1],其计算特点是在一个固定的空间网格中进行重复的算术运算,当空间差分产生较多网格时,需要耗费大量的计算资源与时间[2],因而制约了该算法的应用领域.为了提升算法的计算速度,人们尝试过各种软件设计方法,但依然无法满足需求,于是从硬件方面加速FDTD计算的研究也开始受到人们的关注.FPGA芯片可同时实现多个乘法器、加法器,轻易实现并行运算,因此采用基于FPGA芯片的硬件电路可以提高FDTD算法的计算速度.最早采用这一方法的是SCHNEIDER R N,目标芯片采用的是Xilinx公司生产的XCX300,他用定点整数格式实现了FDTD算法的一维运算,但元胞的个数仅10个[3],这种方法的效率比软件要高得多.文献[4]中,GANDHI P以32位单精度浮点数格式实现了FDTD算法的二维运算模型,但受限于当时FPGA的性能,他将计算数据存放在PC内存中,在计算过程中数据必须在PC和FPGA中来回传送,导致工作频率较低,未能体现硬件设计的优势.随着FPGA的集成度和速度的不断提高,芯片存储数据的读写速度进一步加快,用FPGA实现FDTD算法的优势将更加明显[5].本文根据IEEE-745标准,设计的数据格式均为32位单精度浮点数,通过Verilog HDL语言在Altera Cyclone Ⅱ的FPGA(EP2C35F672C6)目标板上实现二维FDTD算法.对于二维问题,设所有物理量均与z坐标无关,即∂/∂z = 0[6],此时电磁场的直角分量可划分为独立的两组,TE波和TM波.TE波由向量Ex,Ey,Hz组成;TM波由向量Hx,Hy,Ez组成[7].由于TE波和TM波之间的对偶关系,因此可以编写统一适用于两者的二维FDTD程序[8].以TM波为例,设观察点m为(i,j),时刻为nΔt,用FPGA实现FDTD算法的二维情形需要下面3个计算公式[9],分别用于进行Hx,Hy,Ez的数据更新.式中:μ0=4π×10-7 H/m;ε0=8.85×10-12 F/m.根据式(1)至式(3),整个运算电路结构设计如图1所示.由图1可知,为了完成TM波的各项数值更新,程序设计中需要多次用到浮点加减法器和浮点乘法器,所以设计浮点数加减器模块和浮点数乘法器模块是完成FDTD算法不可缺少的重要部分.本文给出了浮点数乘法模块的设计与仿真,由于篇幅的原因,省略了浮点数加减器模块的设计.2.1 浮点数乘法模块的设计浮点数乘法器模块的设计如图2所示.其中,start_sig和done_sig 是控制信号,作为启动和反馈信号,不同的是done_sig 信号有4位位宽,分别为{isOver,isUnder,isZero,isDone}.done_sig[3∶1]是用来反馈错误信息、价码上溢、价码下溢、尾数零值等;done_sig[0]才是传统意义上的完成信号.A和B是32位宽的操作数输入信号,result 则是32位宽的输出结果.根据IEEE754标准所定义,单精度浮点数由32位二进制数表示,分为符号位、指数位、尾数位3个区域[8].符号位S:第31位,当S=0时表示浮点数为正值;当S=1时表示浮点数为负值.指数位E:第30～23位.尾数位M:第22～0位,表示规格化浮点数的小数部分,它的转换格式为V=(-1)S×1.M×2E-127.浮点数乘法器设计的大致步骤如下.(1) 零值预判如果A和B中存在值为零的情况,则不需要进行步骤2及之后的操作.(2) 操作数预处理乘法运算和加减运算不一样的是,乘法运算没有“阶码对齐”步骤,除了不用移动尾数以外,更不需要外来的空间来补偿尾数因位移而失去的部分. (3) 运算符号位、阶码、尾数3个部分同时运算.符号位的运算可以用异或获得;阶码的运算可以用简单的加减运算符取得;尾数的乘法运算用默认的“*”运算符取得尾数A和B的相乘结果.(4) 结果调整Temp[47∶46]为乘积的整数位,如果乘积的整数位为2′b01,则尾数已经是规格化了;如果乘积的整数位为2′b10或2′b11,则需要把尾数右移1位,同时给阶码加1.(5) 输出和格式化检查阶码溢出或尾数零值等错误信息,并四舍五入尾数的结果.浮点乘法器运算过程仿真波形如图3所示.在浮点乘法器的运算过程中,Curosr1表示激励文件输入操作数A和B以后,将Start_Sig置1;Curosr2是操作数预处理,根据A和B赋入的值,声明位宽为33位的Ar和Br寄存器类型;Curosr3是移位预处理;Curosr4是阶码运算,因此在Curosr4的未来输出阶码结果;Curosr5是尾数运算,Ar和Br的尾数进行相乘,因此在Curosr5的未来输出相乘结果;Curosr6是结果调整,此时Temp[47∶46]的过去值为10,因此在Curosr6的未来输出Temp 右移1位以后的结果;Curosr7是输出和格式化,各种错误反馈没有发生,最后在Curosr7的未来输出单精度格式的结果. 2.2 二维 FDTD算法设计从用FPGA实现FDTD算法的3个计算公式中可以看到,需要进行14次浮点加减法或者浮点乘除法运算.为了便于观察每一次运算的结果是否符合预期,将此程序分为14个简单的运算模块,通过编写符合FDTD算法逻辑的测试代码,完成FDTD算法的FPGA实现.由于这14个模块并不是各自独立运行,它们之间具有逻辑先后顺序,所以在程序编写过程中,每一个模块都设置了start_sig和done_sig作为模块的开始信号和完成运算的结束信号,以确保在这3个计算式的运算过程中,各变量都能采集到正确的值后往下进行运算.对于图1中R1～R4部分电路,包括4个模块:在第1个模块中,将计算出Hx(i,j+1)和Hx(i,j)的差值,并将结果R1寄存;在第2个模块中,将计算出Ez(i,j+1)和Ez(i,j)的差值,并将结果R2寄存;在第3个模块中,将计算出Ez(i+1,j)和Ez(i,j)的差值,并将结果R3寄存;在第4个模块中,将计算出Hy(i+1,j)和Hy(i,j)的差值,并将结果R4寄存. 整个系统计算过程简述如下.首先,将R1～R4这4个模块的开始信号置1.在85 ps,R2和R3运算完成,经过10 ps后,done_sig2[0]和done_sig3[0]置1,同时start_sig5～start_sig8=1,后4个乘法模块开始运算.在85 ps,done_sig[0]和done_sig4[0]也置1,因此在95 ps时刻,start_sig11置1,start_sig和start_sig4清零.在155 ps,R5～R8运算完成,done_sig5[0]～done_sig8[0]=1.在165 ps,start_sig9～start_sig10=1,由于R11还未运算完,所以start_sig11仍为1.在175 ps,R11运算完成,done_sig11[0]置1.在185 ps,start_sig12～start_sig13置1,此时,R9和R10还未运算完成,所以start_sig9和start_sig10还是1.在245 ps,R12和R13运算完成,done_sig12[0]～done_sig13[0]置1.在255 ps,start_sig14置1.为了构成循环,让Hx(i,j),Hy(i,j),Ez(i,j)的值,即B,A4,B2中寄存的值得以更新,在第9,第10,第14模块完成后,要将运算得到的值赋入B,A4,B2中.在245 ps时刻已完成R9和R10的运算,故在255 ps,done _sig9[0]～done_sig10[0]为1,完成R9和R10的运算后,在255 ps,更新了Hx(i,j)和Hy(i,j),即B和A4的值.在335 ps,R14运算完成,在345 ps,done_sig14[0]为1,Ez(i,j)即B2的值进行了更新.在14个模块都运算完成后,要将第14个模块的开始信号置0,将第1至第4个模块的开始信号重新置为1,程序进入新一轮运算,部分代码如下.整个循环过程如图4所示.always@(done_sig9[0]& done_sig10[0])wait(done_sig9[0]& done_sig10[0])beginstart_sig9<=1′b0;start_sig10<=1′b0;B<=R9;A4<=R10;endalways@(done_sig14[0])wait(done_sig14[0])beginB2<=R14;done_sig14[0]<=1′b0;由图4可以看出,整个计算电路形成了循环更新,Hx(i,j),Hy(i,j),Ez(i,j)的值随着时间的推移不断变化,并且符合FDTD算法的3个更新公式.至此,完成了FDTD算法的设计.通过对这一系列数据的计算,可以看到32位单精度浮点数数据格式保证了结果具有较高的精度.为了比较FPGA的计算结果,同时用Visual C++6.0编写了软件程序,并在主频2.2 GHz的PC机上运行.FPGA工作频率为50 MHz,完成全部运算需要0.015 s,而软件实现时间是1.40 s,因此FPGA计算对提高FDTD算法速度的效果是十分明显的. 本文在介绍时域有限差分的基本原理上给出了二维FDTD算法设计,以及FPGA实现的详细过程.设计采用32位单精度浮点数进行加减法和乘法运算,保证了计算的精度要求.采用modelsim软件仿真及Altera FPGA的硬件验证确保了设计的正确性.通过实验验证了基于FPGA的FDTD硬件实现方法能够明显提高速度,从而使之成为提高FDTD算法性能的一条有效途径.相比于二维情形,三维FDTD的计算过程更复杂,需要消耗更多的FPGA内部资源,特别是存储单元,可以借用外部存储器存储数据,并借鉴二维FDTD实现方法设计出三维情形下的FDTD更新模块.【相关文献】[1] YEE K S.Numerical solution of initial boundary value problems involving maxwell’s equation in isotropic media[J].IEEE TransAntennas Propagate,1966(14):302-307.[2] 丁伟.时域有限差分法关键技术及其应用研究[D].西安:西安电子科技大学,2007.[3] SCHNEIDER R N,TURNER L E,OKONIEWSKI M M.Application of FPGA technology to accelerate the Finite-Difference Time-Domain(FDTD) method[C].The 2002 ACM International Symposium on Field-Programmable Gate Arrays(FPGA’02),2002:24-26. [4] CHEN W,KOSMAS P,LEESER M,et al.An FPGA implementation of the two-dimensional finite-difference time-domain (FDTD) algorithm[C].Interntional Symposium on Field Programmable Gate Arrays,Proceedng of the 2004ACM/SIGDA 12th International Symposium on Field Programmable Gate Arrays,2004:213-222.[5] 徐奇澎,郭裕顺.FDTD算法的FPGA实现[J].电子器件,2012(2):236-239.[6] 葛德彪,闰玉波.电磁波时域有限差分方法[M].西安:西安电子科技大学出版社,2002:120-125.[7] 王长清,祝西里.电磁场计算中的时域有限差分法[M].北京:北京大学出版社,1994:79-83.[8] 周磊,成开友,孙宏国.单精度浮点数到十进制数转换的IP核设计[J].盐城工学院学报:自然科学版,2011(1):51-53.[9] DENNIS M.Sullivan,electromagnetic simulation using the FDTD method[C].IEEE Microwave Theory and Techniques Society,2000:50-55.。
基于背景差分法的行人检测研究汇编
2016届计算机科学与技术专业毕业设计（论文）毕业设计（论文）题目基于背景差分法的行人检测研究专业计算机科学与技术班级学生指导教师2016 年刘姗姗：基于背景差分法的行人检测研究摘要现阶段许许多多的监控类系统的运作进行方式依然需要很多相关工作人员不断地监视和分析视频内的场景，不仅没有休息时间，而且工作量特别大，实时性信息和监控实时性两者矛盾越来越明显。
这便是研究本课题的意义，本论文阐述了本课题的研究现状、实现它所涉及到的背景建模方法、特征提取方法和背景更新等。
此课题研究的内容是基于背景差分法行人的视频监控系统：在不需要人为进行干预的前提下，利用视频分析和机器学习等的一些方法，通过针对于截取到的图像进行实时的场景以及目标物做出有可行性的分析，将摄像机截取到的视频图像的帧通过自动化的检测分析处理，进而达到对动态的场景中目标的行以及其和位置进行确定的目的，然后进行跟踪检测，并且对于检测到的目标的行为进行分析、语义的描述以及理解，实现模仿与人类相似的生物视觉和分析的功能。
但由于很多的方法还是不够成熟和稳健，因此有必要做大量的研究以提高在较为复杂的环境中检测运动目标的成熟度和准确率，进而提高实用化的效果。
此程序是以MATLAB进行实现，开始利用了混合高斯模型从当前复杂的背景图像序列中构建背景模型，此时首先需要使用方差、均值以及权值来进行计算建模所需要的数据，如马兹距离等，在此过程中，方差尽量大一些，权值尽量小一些，这样有利于获得高斯模型；然后据此模型采用联通区域轮廓特征进行提取2016届计算机科学与技术专业毕业设计（论文）行人特征。
在以上过程中以加权更新的方法构建实时的模型更新机制，从而规避了背景被污染。
关键字：混合高斯，联通区域，特征提取，加权更新刘姗姗：基于背景差分法的行人检测研究ABSTRACTTo present many monitoring of such systems works still need a lot of related staff continually monitoring and analysis in the video scene, not only no time to rest, and particularly large workload, real-time information and real-time monitoring is the contradiction is more and more obvious. This is we attentively studies the significance of this topic, this paper expounds this topic research present situation, implement it involved background modeling method, the feature extraction method and background, etc.My study is the content of the video monitoring system based on background difference method pedestrians: on the premise of without the need for human intervention, using some methods of video analysis and machine learning and so on, through to the image on the real-time scene make a feasibility analysis, and target of the camera to capture the video image frame through the analysis of the test automation processing, thus achieve the goal of the dynamic scene line as well as its purpose, and location to determine and track detection, and to analysis the behavior of the detected target, the semantic description and understanding, imitation is similar to human biological vision and the analysis of the function. But as a result of a lot of methods are not enough mature and steady, so it is necessary for us to do a lot of research in order to improve the moving target detection in complex environment of maturity and accuracy, and improve the effect of practical application.2016届计算机科学与技术专业毕业设计（论文）This program based on matlab implementation, began using the gaussian mixture model from the current complex background image sequences to construct background model, first you need to use at this time, the mean and variance weights to calculate needed for modeling data, such as horse, distance etc., in the process, the variance as far as possible a few bigger, weights of less as far as possible, that is conducive to gain gaussian model; Then according to this model USES the unicom area contour features extracted to pedestrians. In the process of the above with weighted update method to build model of real-time update mechanism, so as to avoid the contamination in the background.Key words:mixed gaussian，connected regions,feature extraction,weighted update刘姗姗：基于背景差分法的行人检测研究目录第一章绪论 (1)1.1选题背景及研究意义 (1)1.1.1 选题背景 (1)1.1.2 研究意义 (2)1.1.3在智能视频监控领域的应用 (2)1.2 国内外研究现状及发展趋势 (4)1.2.1 国外研究现状 (4)1.2.2 国内研究现状 (5)1.3论文主要工作 (5)1.3.1 主要工作.................................................. 错误！未定义书签。
基于FPGA的帧间差分算法实现调研报告
基于FPGA的帧间差分算法调研报告一、背景与重要意义：帧间差分法是一种通过对视频图像序列中相邻两帧作差分运算来获得运动目标轮廓的方法，它可以很好地适用于存在多个运动目标和摄像机移动的情况。
当监控场景中出现异常物体运动时，帧与帧之间会出现较为明显的差别，两帧相减，得到两帧图像亮度差的绝对值，判断它是否大于阈值来分析视频或图像序列的运动特性，确定图像序列中有无物体运动。
图像序列逐帧的差分，相当于对图像序列进行了时域下的高通滤波。
帧间差分法的优点是：算法实现简单，程序设计复杂度低；对光线等场景变化不太敏感，能够适应各种动态环境，稳定性较好。
Altera公司推出的FPGA内部含有可以编程的输入/输出单元、可编程逻辑单元、嵌入式块RAM、丰富的布线资源、底层嵌入式功能单元和内嵌专用内核,利用这些资源可以方便的搭建系统,所以本设计采用FPGA作为主控芯片。
随着FPGA技术的不断创新和发展,其必定会在计算机视觉领域发挥越来越重要的作用。
二、国内外研究现状(2009~2014)：课题相关国内论文调研：期刊论文：1肖丽君肖丽君（1969-），女，副教授，硕士，主要从事人工智能、计算机视觉研究.[1]肖丽君.基于背景减与帧间差分结合的视频运动目标分割[J].北华大学报（自然科学版），2010,05:1009-48222郑锵郑铿(1988-)，男，硕士研究生。
研究方向：图像处理，机器视觉.[1]郑铿，李榕.基于FPGA的视频跟踪系统设计与实现[J]，激光杂志，2014,3:0523-27433李金屏李金屏( 1968－)，男，教授，博士，硕士生导师．研究方向: 人工智能模式识别和图像处理[1]李金屏,王磊,张中方. 利用FPGA实现视频移动目标的有效检测[J]. 计算机工程与应用,2010,26:162-165.[2]王磊,张中方,李金屏. 基于FPGA的静态背景下移动目标检测[J]. 济南大学学报(自然科学版),2009,04:342-346.硕士生毕业论文：4姜宇姜宇，男，工学硕士，研究方向：电子科学与技术[1]姜宇.基于FPGA的运动目标检测系统的研究[D].大连海事大学，2012.5廖马腾廖马腾，男，工学硕士，研究方向：图像识别[1]廖马腾. 基于基于FPGA的运动车辆检测算法研究[D].五邑大学,20136黄宇黄宇，男，工学硕士，研究方向：电路与系统[1]黄宇.基于FPGA的运动目标检测系统设计与实现[D].河北工业大学，2011课题相关国外论文调研：1 Ping Hu[1]Ping Hu, Jin Hua Polytechnic.An Area Invasion Algorithm Based on Background Difference and Frame Difference[C]//Information Theory and Information Security(ICITIS),2011 Conference on IEEE International, 2011.2 Quan Tang[1]Quan Tang,Shu Guang Dai, Jie Yang.Object Tracking Algorithm Based on Camshift Combining Background Subtraction with Three Frame Difference [C]//Applied Mechanics and Materials,2013:373-375.3 Jun Yang[1]Jun Yang,Tusheng Lin,Bi Li.Dual frame differences based background extraction algorithm [C]// Computational Problem-Solving (ICCP), 2011 International Conference on ,2011.4 Tomasz Kryjak[1] Kryjak T, Komorkiewicz M, Gorgon M. FPGA implementation of real-timehead-shoulder detection using local binary patterns, SVM and foreground object detection[C]//Design and Architectures for Signal and Image Processing (DASIP), 2012 Conference on. IEEE, 2012: 1-8.[2] Kryjak T, Komorkiewicz M, Gorgon M. Real-time moving object detection for video surveillance system in FPGA[C]//Design and Architectures for Signal and Image Processing (DASIP), 2011 Conference on. IEEE, 2011: 1-8.基于FPGA运动帧间差分算法的研究现状总结帧间差分法运动目标检测算法就目前的发展，相对于静态图像中的目标检测而言，运动目标检测是指在视频图像序列中判断是否有前景目标的运动，如果有则对目标进行初始定位的检测过程。
- 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)。
FPGA论文背景差分法论文
摘要：视频图像处理对处理器的数据处理能力和实时性要求都非常高。
设计基于fpga和背景差分算法的静态背景下运动目标检测系统，并详细介绍了系统的设计过程。
采用fpga硬件实现系统设计，极大的提高了系统的实时性，能准确的检测出运动目标。
关键词：fpga；目标检测；视频处理；背景差分法
moving target real-time detection of fpga-based static background
chen quanjin,zhang yide
(school of optoelectronic information,university of electronic science and technology of
china,chengdu610054,china)
abstract:a video detection system of moving objects based on fpga and background difference algorithm is designed.and introduces the realization in detail.the system processing speed has been enhanced greatly,and the moving object can be detected in realtime and accurately under the staticbackground.
keywords:fpga; object detection;video processing;background differencing
一、系统总体方案设计
系统主要分为视频采集、视频格式转换、视频预处理、视频运动目标检测、vga视频显示和系统报警六个部分。
图1为系统的整体总体框图。
（一）各部分模块的功能
1.视频采集：将模拟视频数据通过解码芯片转换为数字视频数据。
2.视频格式转换：将解码后的视频数据转换成rgb 格式。
3.视频的预处理：包括将rgb数据存储在片外sdram 中，图像重构和存储背景。
4.视频移动目标检测：从存有当前视频图像和背景图像的sdram中读出背景图像和当前图像，根据背景差分算法，将背景差进行图像去噪和形态学处理，找出移动目标。
5.vga视频显示：将检测后的结果实时的在显示器上显示出来。
6.系统报警：当检测到运动目标时，系统发出报警信号。
（二）系统硬件电路设计
系统采用cmos模拟摄像头wv-gp240，解码芯片adv7180进行视频采集，将模拟视频信号转换成fpga能够处理的数字视频信号，fpga作为核心处理器，负责视频的格式转换，预处理以及移动目标的检测功能，当有移动目标出现时，发出警报。
差分后图像或背景图像或当前图像经数模转换芯片adv7123转化为模拟信号，通过vga接口显示在显示器上。
图2为系统硬件结构图。
二、系统方案的设计实现
（一）视频处理模块
为了对完整的视频图像进行处理，必须对视频图像进行缓存：在sdram中开辟两个大小为一幅视频图像的存储区，采用ping-pong操作，当在传输和存储重构当前帧图像的时候，对上一帧图像进行后续处理。
如此反复交错的进行存储重构和处理，从而提高系统的吞吐量和处理速度。
（二）运动目标检测模块
本系统采用背景差分法。
算法实现的流程如图3。
将当前帧图像和背景图像的灰度进行背景差计算。
背景差分算法实现过程为：将当前帧图片和背景图片同时送入背景差分模块中，对两幅图像中对应的像素的相关分量进行相减运算并取绝对值。
当运算结果小于某个阈值t时，认为当前帧图像和背景图像在该像素点上相同，将像素的灰度值置为255；当运算结果大于阈值t时，认为当前帧图像和背景图像在该像素点上发生了变化，表示有移动目标出现，将像素的灰度值置为0。
为了使检测到的移动目标区域充实准确，引入了数学形态学处理中的腐蚀、膨胀算法。
运用腐蚀算子去除孤立的噪声点，运用膨胀算子填补目标区域的空洞，这样既消除了图像中分散的碎杂噪声点，又保留了目标的边缘特征。
三、验证和测试
本设计采用altera公司cyclone ii系列fpga芯片（ep2c70）作为系统的硬件平台。
以上算法均采用verilog 硬件描述语言设计。
图4为实验结果，a为背景图，b为当前帧图像，c为背景差值图像，d为差值图像二值化处理后的图像。
由实验结果可以看出：在简单静态背景下，利用背景差分算法能够有效的检测出完整的运动目标，检测效果比较好。
能够充分检测出运动目标的形状和姿态等。
采用的是fpga作为处理器，运算速度非常快，采集视频图像时采用ping-pong结构，采集过程和目标检测采用流水线处理结构，实现了目标检测的实时性。
参考文献：
[1]孙景琪.视频技术与应用[m].北京:北京工业大学出版社,2003
[2]贾国锋,韩磊.基于fpga的视频颜色空间转换电路设计[j].系统仿真学报,2006,8:110-112。