摘 要： 結合DM8168多核多通道的特點，設計了一個實時運動目標檢測系統，能夠實現視頻數據的采集、實時運動檢測、編解碼以及傳輸等功能。采用ViBe的目標檢測算法，并利用中值濾波進行改進，解決了背景中容易出現Ghost區的問題，提高了運動目標識別能力。最后采用像素掃描標記法實現了目標跟蹤。實驗結果表明，所提出的方法能在達芬奇平臺上實現實時魯棒的運動目標檢測和跟蹤。
關鍵詞： 智能監控；目標檢測；中值濾波；像素標記法
0 引言
迅速發展的視頻監控在日常生活中起著十分重要的作用，實時處理和智能化分析已經成為視頻監控發展的一種趨勢。當前，TI公司推出的TMS320DM8168 Davinci平臺集成了多個處理器與高效的異構多核和多通道軟件開發框架，極大地滿足了人們對高集成度、多功能視頻監控的需求。本文綜合利用DM8168及其異構多核視頻的開發套件DVRRDK，設計并實現了嵌入式平臺的實時運動目標檢測系統。
傳統的運動目標檢測方法[1]存在魯棒性較低，計算量較大且適應復雜背景變化的問題。為了適應嵌入式平臺的軟硬件系統，本文采用并改進ViBe運動目標檢測算法，在運動檢測中能有效應對光照變化和抖動等影響，而且計算量非常小。最后，在檢測的基礎上利用像素掃描標記方法[2-4]對目標進行分類，根據分類結果實現運動目標的跟蹤。
1 系統結構設計與實現
1.1 總體結構設計
系統采用TI DM8168評估板，由一塊負責視頻處理的母板和一塊主要負責輸入輸出的子板組成，系統高度集成了Cortex-A8主處理器、視頻處理子系統VPSS、C674x DSP、3D加速模塊等。視頻采集采用子板上的TVP5158芯片，采用Linux操作系統下的TCP/IP協議進行網絡傳輸，VPSS用來實現本地顯示。一個網絡監控系統主要包括視頻采集、編碼、處理、網絡發送、傳輸、接收、解碼與播放等模塊，整體框架如圖1所示。
攝像頭將采集的模擬信號譯碼成數字視頻YUV格式后交給DM8168進行處理，算法主要是在DSP上實現，在Video-M3協處理器上實現編解碼，本地回放與測試通過Vpss-M3實現，Cortex-A8核協調各處理器運行，把處理后的視頻幀通過Linux下的網絡設備驅動發送到網絡。
1.2 系統軟件的實現
1.2.1 系統軟件框架
為了實現視頻監控的基本功能，系統采用DVRRDK開發套件，基于MCFW[5]軟件框架，其結構如圖2所示。本系統主要由3個從處理器和1個主處理器構成，主處理器為Cortex-A8，負責外圍設備驅動、引導、加載各個從處理器等。3個從處理器分別負責視頻捕獲、播放、隔行轉逐行、視頻的編解碼、運動目標檢測等各類視頻處理計算。本系統MCFW API包含4個子系統：視頻捕獲、視頻顯示、視頻編碼和視頻解碼子系統。各個子系統由若干Link API構成，MCFW API通過其下層的Link API實現，構成視頻處理數據通路。
1.2.2 視頻處理數據通路
系統的VPSS-M3通過CaptureLink獲得一路視頻數據并傳給DSP，經過DSP視頻算法的處理后進行編碼，然后經過DupLink復制出兩路視頻數據，一路進行本地測試，一路傳給ARM HOST A8。
本系統使用CCS編寫TI標準的代碼，生成庫文件并加入到MCFW目錄中，以供調用。本文的運動檢測算法庫文件運行在DSP上，算法接口實現于alg_link中。運動目標檢測事件的觸發是用基于sys/link的支持在異構多核之間傳遞消息的組件。
2 結合中值濾波的ViBe運動目標檢測算法
2.1 ViBe運動目標檢測算法
ViBe（Visual Background extractor）是VAN D M[6]等人提出一種像素級的背景減除算法。與傳統的GMM[7]等方法需要假設模型不同的是，ViBe建立的是樣本模型，采用隨機更新策略，計算量小，對于光照的變化和抖動等其效果都十分穩定。該算法過程主要包括：建立背景模型、前景檢測和模型更新。由于在第一幀中沒有包含像素的歷史信息，在初始建模時容易因存在運動目標和噪聲而產生Ghost現象。
針對上述提到的不足，本文結合中值濾波提出了改進方法。在初始化模型的過程中，利用前L幀選取中間的K個像素值作為初始背景模型。實驗效果如圖3所示，利用中值濾波能在建立背景模型時有效避免Ghost區的出現，同時過濾其他隨機噪聲。
2.2 基于改進ViBe算法的實時運動檢測
（1）建立背景建模。利用中值濾波方法得到初始背景模型M0；然后對于當前的第t幀建立背景模型，如圖4所示：設x點處的像素值為p（x），通過歷史t幀的選擇和更新結果建立其包含N個樣本的背景樣本集：
M（x）={p1，p2，…，pN}（1）
?。?）前景檢測。SR（p（x））是以x為中心、R為半徑的球體區域，用球體SR（p（x））和背景模型M（x）的交集來衡量p（x）與M（x）的相似度：
Sim（x）={SR（p（x）∩{p1，p2，…，pN}）（2）
若Sim（x）大于閾值Th，則待分類點p（x）與背景模型相似，那么x點屬于背景點，否則為前景。
?。?）背景模型更新。采用隨機更新粗略：在新的一幀中，當像素點p（x）被判斷為背景點時，在N個樣本中選擇替換的樣本值時，一個樣本值在時刻t被更新的概率只有1/N，那么在經過時間dt后，樣本值不被更新的概率是：
式（3）表明，當前樣本值在背景模型中被替換的概率與當前時間t無關。
?。?）輸出。對每一幀設置一個前景點統計量F，當F大于設定的閾值時就輸出當前幀。
3 運動目標跟蹤
本文在上述的檢測結果基礎上結合像素掃描標記方法進行實時的運動目標跟蹤，使目標檢測系統能應用于實際的車流量統計、目標軌跡提取等方面。具體方法如下：
?。?）設當前像素所屬的目標類為Cxy；M為當前矩形框的最小類別號；List={V1，V2，…}表示屬于同一個矩形框的類別號集合；set_List={L1，L2，...}表示所有List的集合。初始化所有像素和背景的類別號都為0。
（2）第一次掃描。將檢測得到的二值化圖像進行掃描，檢查掃描框中像素的最小類別號，對每個像素進行標記分類。分類方法如下：用V表示掃描過程中的所有分類標記的類別數。如果像素值為1，則檢查該像素所在矩形框中所有像素的最小類別號M：
當M為0時，如圖5（a）所示，將當前像素標記為新的類別號V+1，并將Cxy更新為V+1。
最小M不為0時，類似于圖5（b）所示的情況，將當前像素標記為M類，將Cxy更新為M。
?。?）歸并。所有的List集合中至少有一個相同的類別號時，歸并為新集合并標記新類別號。此時，這些相同標記的點就是一個完整的目標所在區域。
4 實驗與分析
4.1 算法仿真實驗
為了驗證算法的有效性，首先在4 GB內存、主頻3.2 GHz的PC平臺上進行仿真實驗，并與參考文獻[7]、[8]幾種經典的背景建模方法進行比較，最終得到表1所示的仿真實驗結果。由表1可以看到，在仿真實驗中改進的ViBe目標檢測算法的時間比幾種傳統的背景建模要更快速。
4.2 TI DM8168平臺上的實時運動目標檢測實驗
基于TI DM8168 EVM平臺的實時運動目標檢測實驗，在移植過程中，為了降低DSP的運算量，本文將一些浮點運算改為定點計算，減少了循環中的復雜運算。如圖6、圖7所示，改進的ViBe算法能在嵌入式平臺中克服背景抖動，實現實時魯棒的目標檢測；采用像素標記法能夠準確掃描并跟蹤目標。
5 結論
設計并實現了基于DM8168的實時視頻監控系統，利用中值濾波方法解決了ViBe算法中容易出現Ghost的問題；然后結合像素標記方法對目標進行分類并實現跟蹤；最后，通過將該算法融合到TI的視頻監控軟件框架中，實現了嵌入式平臺的實時運動目標檢測。經過對系統進一步優化，本文提出的方案還可以應用于安防報警、數量統計等系統的應用中。
參考文獻
[1] 蘇松志，李紹滋，陳淑媛，等.行人檢測技術綜述[J].電子學報，2012，40（4）：814-820.
[2] 衛保國，曹慈卓.一種基于標記修正和樣本更新的目標跟蹤算法[J].計算機應用研究，2012，29（5）：1963-1966.
[3] 宋南，趙晶.基于改進型像素標記算法的目標定位[J].現代電子技術，2012，35（5）：52-54.
[4] 胡小冉，孫涵.一種新的基于ViBe的運動目標檢測方法[J].計算機科學，2014（2）：149-152.
[5] 朱海.基于DM8168的視頻監控系統的實現[D].成都：電子科技大學，2013.
[6] VAN D M， PAQUOT O. Background subtraction： experiments and improvements for ViBe[C]. 2012 IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops（CVPRW）， IEEE， 2012： 32-37.
[7] 徐成，田崢，李仁發.一種基于改進碼本模型的快速運動檢測算法[J].計算機研究與發展，2010，47（12）：2149-2156.
[8] 劉靜，王玲.混合高斯模型背景法的一種改進算法[J].計算機工程與應用，2010，46（13）：168-170.0