文獻標識碼： A
文章編號： 0258-7998(2012)03-0145-04
將視頻中的運動前景從背景中檢測出來是目標跟蹤、現場監控、行為分析等應用的基礎。目前，高斯混合模型(GMM)[1]和核密度估計模型(KDE)[2]是背景建模的兩種常用方法，兩者都考慮了每個像素的多模態特征的分布，且都能夠適應逐漸的、局部的背景變化。其中GMM需要指定建模的高斯數個數和參數，在處理復雜的場景空間變化時，性能不夠理想；KDE能夠較好地處理復雜的背景空間變化，但計算量大且需要大容量的存儲器，對硬件有較高的要求。參考文獻[3]中的算法通過簡化KDE算法，使數據運算量和數據存儲量大幅減少，但其顏色空間轉換和歐式距離的量化劃分仍比較耗時，不利于硬件實現。
本文通過改進參考文獻[3]中的算法進一步降低其對硬件內存和運算速度的要求，達到與本文嵌入式硬件系統結合的目的。系統采用三星公司ARM11內核的S3C6410[4] SoC芯片為控制核心構建一個嵌入式視頻監控系統，該系統對操作系統支持良好，開發流程簡單，軟硬件可裁剪，易于在同類型平臺下的移植和升級。軟件采用簡化KDE背景建模算法對場景背景進行建模和學習，能較好地區分出運動前景和動態背景，可用于復雜的場景，在視頻監控領域有較好的應用前景。
1 系統結構
動態背景分割系統由ARM11嵌入式硬件系統和軟件系統組成,系統結構原理圖如圖1所示。CMOS傳感器采集的視頻輸入S3C6410片上系統對視頻進行處理，構建現場背景模型，分割出運動前景，通過JPEG壓縮運動前景圖片,保存到SD卡進行數據存儲,以便用戶查看。
1.1 硬件結構
本嵌入式系統配置1 GB的NAND Flash固化UBOOT、內核和文件系統， 8 GB的SD卡存儲運動前景圖片，128 MB MOBILE DDR提供系統內存。CMOS攝像頭采用OmniVision公司的彩色攝像頭OV9650，分辨率達130萬像素，具有自動曝光控制、自動增益、自動白平衡等功能，速度可達60 f/s。
1.2軟件系統
軟件系統采用V4L2接口構建視頻采集系統，完成圖像采集、簡化KDE背景建模、運動分割和圖片的保存等任務。V4L2是Linux 2.6內核下開發視頻設備的一套API接口，有極好的靈活性和擴展性。
如圖2所示,系統開始后先對硬件系統初始化，然后通過V4L2操作視頻設備，步驟如下：
(1)打開視頻設備
fd=open(“/dev/video0”,O_RDWR);
(2)查詢設備信息
ret=ioctl(fd, VIDIOC_QUERYCAP,&caminf);
(3)設置視頻捕獲格式
ret=ioctl(fd, VIDIOC_S_FMT,&fmt);
系統設置圖像采集分辨率為640×480，圖像格式為 RGB565。
(4)啟動圖像采集
ret=ioctl(fd,VIDIOC_STREAMON, &type);
(5)讀取圖像數據
size=read(fd,img_buf, 640×480×2)。
系統啟動視頻采集后,對采集的視頻幀進行簡化KDE背景建模,再對新采集的視頻幀進行簡化KDE背景建模來完成場景的運動前景分割和背景模型更新。若判斷出有運動前景出現，則通過JPEG壓縮該幀圖片保存到SD卡。
2 背景建模
2.1 傳統的KDE背景建模算法
假設x1,x2,…,xN是連續視頻中關于一個像素點A的一組強度或顏色值樣本，則可以對像素點A的任意強度或顏色值進行核密度估計得到其概率分布。如式(1)所示，給定t時刻像素點A的強度或顏色值xt，則其核密度估計定義為： 
3 實驗結果與分析
通過利用系統在戶外進行實驗，并比較傳統KDE算法、參考文獻[3]算法和本文算法的運行結果。該實驗視頻持續時間為4 h 25 min 8 s，分割結果如圖3所示。可以看出，參考文獻[3]算法、本文算法和傳統KDE算法分割出的運動物體前景基本相同，不同的是前兩者都出現了分布較均勻的細小背景噪聲點，這些噪聲點可通過形態學處理去除干凈，不影響運動物體的分割。其中，參考文獻[3]算法與本文算法分割結果相似,只有局部細小差異。因此，本文算法的分割結果良好，能夠清晰地辨別出運動前景。
表1統計出圖3實驗中對應動態背景分割算法每個像素點的運行時間和模型個數。其中，參考文獻[3]的算法和本文算法的視頻序列中的模型最大個數分別為4、8，主要集中在隨風擺動背景樹葉處。背景模型個數越多，像素點所需運行時間越長，最大時間的消耗就發生在這些點上。如表1所示，傳統KDE算法平均時間是參考文獻[3]算法平均時間的35倍，左右參考文獻[3]算法平均時間是本文算法平均時間的1.5倍左右。
參考文獻[3]算法和本文算法通過對像素點的量化劃分和在線學習完成近似的核密度估計，代替傳統KDE計算中必須考慮像素點在觀察時間段內所有特征值這個缺點，從而大幅度降低了算法的運算復雜度。另外，只需保存已建立的模型特征值，減少對內存容量的需求，特別是當背景比較簡單的時候這個優點更是突出。不同的是量化后樣本粒度稍大，是背景場景的近似概率密度分布，出現了分布較均勻的細小背景噪聲點。本文算法和參考文獻[3]的算法相比，不用轉換顏色空間，簡化了量化劃分方式，兩者在分割結果相似的基礎上本文算法在速度上優于參考文獻[3]的算法，更滿足嵌入式系統內存小、主頻一般的情形。
本文設計的基于簡化KDE的動態背景分割系統，通過量化特征以及在線學習策略來簡化KDE背景建模算法，大幅度降低了運算的復雜度和對內存容量的需求。實驗驗證，算法運行結果良好，速度遠高于傳統KDE算法和參考文獻[3]的簡化算法，滿足了需要動態背景分割的現場監控應用。
參考文獻
[1] STAFFER C, GRIMSON W E L. Adaptive background mixture models for real-time tracking[A]. In: Proceedings of the Computer Society on Computer Vision and Pattern Recognition. FortCollins, USA, 1999.
[2] ELGAMMAL A, DURAISWAMI R, HARWOOD D, et al. Background and foreground modeling using nonparametric kernel density estimation for visual surveillance[J]. Proc.of the IEEE, 2002,90(7):1151-1163.
[3] Xu Shaoqiu. Dynamic background modeling for foreground segmentation[C].8th IEEE/ACIS International Conference on Computer and Information Science (ICIS 2009), Shanghai,
China, 2009: 599-604.
[4] Samsung Electronics Inc.S3C6410X,risc microprocessor[Z].
(REV 1.10)User′s Manual 2008.