下载文档原格式
一种去抖动的运动目标检测方法卢志茂;殷梦妮【摘要】在视频图像序列中,经常会遇到摄像机平移、晃动等抖动现象.这些抖动现象会严重干扰对运动目标检测的效果,为了解决这个问题,实现了一种改进的钻石搜索方法的快速块运动估计方法,再经过运动补偿实现了将动态背景向静止背景下的转化,转化后的图像再采用帧间差分法就可以得到运动目标.经实验证明,该方法不仅可以解决基于钻石搜索的块运动估计中存在的过搜索和欠搜索问题;而且还可以有效提高图像运动估计的精度,对运动目标进行准确的检测.%In the video image sequence, jittering is existed in the video, for example the camera shift and shaking. These phenomena seriously affect the delected effect of moving targets. In order to resolve this prohlem, this paper implemented a improved diamond search method to detect moving object. The motion compensation would realize the transformation from dynamic background to static background. Obtained the moving target by using frame differential method, and this experimental result showed that this method could effectively solve the search and owe search problem in the diamond search method, and effectively improved the accuracy of the motion estimation, for moving targets can accurately detect.【期刊名称】《哈尔滨商业大学学报（自然科学版）》【年(卷),期】2012(028)003【总页数】5页(P295-299)【关键词】运动目标检测;钻石搜索法;运动补偿;帧间差分法【作者】卢志茂;殷梦妮【作者单位】哈尔滨工程大学信息与通信工程学院,哈尔滨150001;哈尔滨工程大学信息与通信工程学院,哈尔滨150001【正文语种】中文【中图分类】TP391在视频监控系统中检测运动目标，是计算机视觉研究领域的一个重要课题.当前用于静止背景下运动目标检测的主流方法主要有3种:背景减除法、帧间差分法、光流法［1］.但是在大多数情况下无法保证摄像机保持静止，例如风吹等原因造成摄像机发生偏移;当汽车路过，由于震动等原因造成摄像机发生晃动等情况，这些现象统称为视频抖动.由于抖动现象的存在，我们无法再用静止背景下的运动目标检测方法对目标进行检测.通常采用运动估计和运动补偿的方法来对目标进行检测.运动估计的方法是决定运动目标检测好坏的重要环节，当前运动估计的方法主要有以下几个方面:基于光流的方法、基于块的方法、基于特征的方法、像素递归的方法、最大后验概率密度估计方法等［2］.其中基于块的运动估计方法由于具有实现简单、计算量小的特点而广泛应用［3］.基于块的运动估计方法可以理解为将当前帧图像分为若干块，对当前帧中的每一块，在参考帧的搜索窗口内搜索得到最佳的匹配块.搜索最佳匹配块最准确的方法就是全搜索算法，但由于全搜索算法需对搜索块内所有的像素点进行计算，因此计算时间很长，很难保证实时性.因此，近些年来出现了很多基于块运动估计的改进方法，这些方法都是在保证效果尽量与全搜索方法差不多的情况下，使计算时间能有所提高.例如，文献［3］采用结合灰阶比特平面匹配和菱形搜索策略得到初步的估计结果，然后在其附近再以最小绝对差MAD为测度，使搜索结果更为准确.文献［4］采用将当前帧图像分块，取梯度值总数最大的一块作为背景特征区域块.然后对当前帧的背景特征块使用最小绝对差和匹配准则和3步法搜索策略在前后相邻帧中进行块匹配，以获得背景运动矢量.文献［5］首先将序列图像切分为r×c大小的视频窗口，然后提取窗口内区域图像累积帧间差矩阵的简单统计特征，针对每一帧序列图像，将视频窗口进行分类，把它们划分为运动目标窗口和非运动目标窗口(包括静止背景窗口和波动式干扰窗口)，最后将运动目标窗口合并为运动目标.文献［6］在自适应十字搜索块匹配算法的基础上，根据小波域中各图像之间的相关性，提出一种分层块匹配算法——基于小波变换的改进的自适应十字模式搜索算法，该方法在小波变换域完成匹配块的搜索，有效地减少了匹配点的搜索个数.文献［7］采用一种块内降采样的新三步搜索算法，该算法利用图像的局部相似性特征，对搜索块的内部像素采用交叉采样方式做块匹配的运算以降低算法复杂度.尽管众多学者对基于块的运动估计方法进行了不同的改进，但是基于块的运动估计中大多数都是固定搜索模式步长的，若搜索步长太大，会引起不必要的过搜索，导致块运动估计精度下降;若搜索步长过小，则会导致搜索时间变慢.本文采用传统三步法的思想对钻石搜索法的块运动估计的方法进行改进，对具有抖动的视频进行运动目标检测.实验结果表明该方法可以有效解决搜索步长过大或过小，使估计精度提高，对具有抖动的视频目标进行有效检测.1 块运动估计模型运动估计可以理解为同一个目标在两帧图像之间的位置差.在基于块的运动估计中，我们假设块内的每个像素只做平移运动.实际上块内的每个像素点的运动不一定都相同，但是当块选取的较小时，就以将其视为只做平移的运动.1.1 块匹配算法块匹配算法就是将当前帧图像划分为块，针对每一个块，在参考帧中的某一搜索范围内搜索最佳匹配块.其具体做法如图1.图1 块匹配算法图1(A)为当前帧中选定的某一个块，其起始坐标为(p，q).在参考帧中的搜索范围内寻找一个同样大小的最佳匹配块，其运动的向量为(u，v).1.2 最佳匹配准则在搜索范围内寻找一个同样大小的匹配块，可能会不止一个，那么要确定一个最佳匹配块就需要确定最佳匹配块准则.可采用的最佳匹配准则有最小均方误差(MSE)准则和最小平均绝对值差(MAD)准则.1.2.1 最小均方误差(MSE)准则在上述公式中，块的大小为N×N，左上角的坐标为(p，q)，运动向量为(u，v)，I1和I2分别为当前帧和参考帧.在求得MSE后，最佳匹配块的运动向量为使MSE达到最小的向量，其公式如下:1.2.2 最小平均绝对值差(MAD)准则在实际的计算过程中，为了减少计算量，也经常采用MAD准则，其公式如下:其中变量的定义同上述公式(1)，其运动向量(u，v)的定义如下:因最小平均绝对差值(MAD)准则较为简单，因此，本文中采用MAD准则来实现寻找最佳匹配块.1.3 全搜索块匹配算法及图像质量判定的标准全搜索块匹配算法，即在搜索范围内的所有的像素点计算块匹配误差MAD.寻找完最佳匹配块后，得到块运动向量(u，v)，经过块运动补偿，来补偿当前帧的局部抖动.经过图像的运动估计和补偿后，可以得到去抖动后的视频图像.得到的视频图像质量的好坏评定标准如下式:上式中，Imax是图像视频信号的峰(最大值)，一般取值为255.2 快速的块运动估计算法虽然全搜索块匹配算法在搜索最佳块匹配方面是最准确的［2］，但是由于其需要计算每一个像素点的最小误差，耗费许多时间.为此出现了很多快速的块运动估计算法，它们仅仅在搜索的准确度上略微比全搜索块匹配算法有些下降，具体有:二维对数搜索法(2－D logarithmic search，LOGS)、3步搜索法(Three－step search，TSS)、新3步搜索法(New three－step search，NTSS)、4步法(Fourstep search，FSS)、菱形搜索法(Diamond search，DS)等［8］.其中，DS 菱形搜索法因其计算快，效果较好等优点被MPEG－4VM所采用.2.1 3步搜索法3步搜索法(TSS)，是一种快速的块运动估计算法.它的搜索过程如图2所示.如图2所示，3步搜索法的搜索过程为: 1)先在搜索范围内寻找原点(0，0)，以最大搜索长度的一半为搜索步长，计算原点与周围临近8个点的匹配误差，并找到最小匹配误差.2)以此最小匹配误差的点为中心，步长减半，再在周围临近的点中寻找最小匹配误差.图2 3步搜索法示例图3)直到搜索的步长为1时，停止搜索.3步搜索法，在计算的第一步时计算的步长比较大，对于运动较大的序列能快速找到局部的极小值点，计算简单方便.2.2 菱形搜索法菱形搜索法(DS)，也是一种快速、高效的块搜索方法.被广泛应用在MPEG－4VM 等应用设备当中.DS搜索方法有两种搜索模式，一种是大菱形块搜索(LDSP);另一种是小菱形块搜索(SDSP)，详见图3(A)和(B).两种方法结合在一起使用.其搜索步骤如下所示:图3 菱形搜索法示例图1)将大菱形搜索模块(LDSP)的中心放在搜索范围的原点上，比较大菱形搜索模块(LDSP)上的九个点的匹配误差，如果中心点上的匹配误差最小，则转向步骤3.否则，如果匹配误差最小点在其他的点上，则转向步骤2.2)以上一步找到的匹配误差最小点为中心点，形成新的大菱形搜索模块(LDSP)，此时只需再多计算3～5个新的匹配误差点即可.如果最小匹配误差点为中心点，则转向步骤3.否则，重复执行步骤2.3)将大菱形搜索模块(LDSP)转为小菱形搜索模块(SDSP)，小菱形搜索模块(SDSP)上最小搜索误差点的坐标为最终求解的运动向量.菱形搜索法的搜索方法示意图如下图2(C)所示.菱形搜索法(DS)，计算简单、高效、计算时间短.能广泛用于MPEG－4VM等应用设备当中.3 改进菱形搜索法运动估计虽然菱形搜索法(DS)，能计算简单、高效.但若搜索方式和实际的运动图像序列不符时，就会出现过搜索或欠搜索现象.若搜索步长太大，会引起不必要的过搜索，导致块运动估计精度下降;若搜索步长过小，则会导致搜索时间变慢.同时，菱形搜索法在搜索运动步长较大的运动图像时，因其固定的搜索模式，导致菱形搜索法的效果变差.而3步搜索法因其搜索步长较大，所以在运动较快速的视频图像上效果较好，但是在运动速度较慢的视频图像上效果没有菱形搜索法的效果好.因此本文利用3步搜索法的思想来改进菱形搜索法来对含有抖动的图像进行运动估计，之后再采用运动补偿方式将图像去抖动，最后采用帧差法对视频图像进行运动目标检测.本文改进菱形搜索法的处理流程为:1)先在搜索范围内寻找原点(0，0)，以最大搜索长度的一半为搜索步长，计算原点与周围临近8个点的匹配误差，并找到最小匹配误差.2)将大菱形搜索模块(LDSP)的中心放在最小匹配误差的点上，比较大菱形搜索模块(LDSP)上的九个点的匹配误差，如果中心点上的匹配误差最小，则转向步骤3.否则，如果匹配误差最小点在其他的点上，则转向步骤3.3)以上一步找到的匹配误差最小点为中心点，形成新的大菱形搜索模块(LDSP)，此时只需再多计算3～5个新的匹配误差点即可.如果最小匹配误差点为中心点，则转向步骤4.否则，重复执行步骤3.4)将大菱形搜索模块(LDSP)转为小菱形搜索模块(SDSP)，小菱形搜索模块(SDSP)上最小搜索误差点的坐标为最终求解的运动向量.4 实验结果与分析为验证本文提出算法的有效性和鲁棒性，本文选择的测试视频为某城市主干道的视频图像分辨率为320×240、摩托车的视频图像分辨率为176× 144和高速公路测试视频图像分辨率为320×240.本实验在T4200 2.00 GHz CPU、内存2 G的普通PC机上完成，图4～6为本实验采用方法的最终效果图.表1～3为实验分别通过3步搜索法、菱形搜索法与本文采用的方法在平均计算点数、PSNR及计算时间方面作对比.图6 高速公路视频去抖动运动目标检测表1 不同算法中的平均计算点数比较主干道摩托车高速公路TSS 30.4333 3 16.482 3 30.603 3 DS 15.763 3 15.974 1 23.010 0本文方法12.566 7 13.923 6 15.636 7表2 不同算法中的PSNR比较主干道摩托车高速公路TSS/dB 30.179 28.176 8 23.875 7 DS/dB 28.396 3 29.790 1 22.408 3本文方法/dB 30.730 7 29.840 5 25.690 8表3 不同算法中的计算时间比较主干道摩托车高速公路TSS/s 0.375 0 0.421 0 0.375 0 DS/s 0.250 0 0.610 0 0.563 0本文方法/s 0.401 0 0.710 0 0.592 0通过以上对比实验可以看出，虽然本文所采用的方法在计算时间上稍微比三步搜索法和菱形搜索法慢一些，但是在平均搜索点数及PSNR去抖动后的图像效果方面却大大增强.可以有效的去除抖动给视频带来的影响.5 结语针对具有抖动的视频图像不能采用静止背景运动目标检测方法有效的提取出运动目标，同时抖动严重影响了视频图像的质量，本文实现了一种改进的菱形块搜索方法对具有抖动的视频图像进行运动估计，再通过运动补偿有效的将“动”态图像序列转化为静态图像序列，通过帧间差分方法有效检测出运动目标.实验证明，该方法可以有效的去除抖动，同时与传统方法相比，更能有效的提高图像效果质量.参考文献:［1］代科学，李国辉，徐丹，等.监控视频运动目标检测减背景技术的研究现状和展望［J］.中国图像图形学报，2006，11 (7):919－925.［2］禹晶，苏开娜.块运动估计的研究进展［J］.中国图形图像学报，2007，12(12):2031－2041.［3］罗军，董鸿雁，沈振康.基于位平面匹配和卡尔曼滤波的视频稳定［J］.红外与激光工程，2008，37(2):304－307.［4］陆军，李凤玲，姜迈.摄像机运动下的运动目标检测与跟踪［J］.哈尔滨工程大学学报，2008，29(8):831－835.［5］周建锋，苏小红，马培军.一种解决波动式干扰影响的序列图像运动目标检测方法［J］.电子与信息学报，2010，32 (2):388－393.［6］孙琰癑，何小海，宋海英，等.一种用于视频超分辨率重建的块匹配图像配准方法［J］.自动化学报，2011，37(1):37－43.［7］许海峰，赵文庆，孙峥，等.一种基于降采样的块匹配三步搜索改进算法［J］.复旦学报:自然科学版，2010，49(6): 653－659.［8］王伟，李伟.基于可变分块尺寸的多模板运动估计算法［J］.自动化学报，2009，35(1):34－38.。
《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。
运动目标检测及运动轨迹分析的开题报告一、研究背景运动目标检测及运动轨迹分析是机器视觉领域的一个热点研究方向。
它可以应用于各种场景下的目标跟踪、运动分析、行为识别等问题。
在物联网、智能家居、智慧城市等应用场景下，运动目标检测及运动轨迹分析可以为人们提供更智能、更高效的服务。
例如，在智能家居中，通过识别家中居民的运动轨迹，可以根据不同时间段、不同区域的人流情况来智能控制灯光、电器等设备的运行状态。
在公共安全领域，运动目标检测及运动轨迹分析也具有重要的应用价值。
例如，在安保监控中，通过运动目标检测及运动轨迹分析，可以及时发现、识别异常行为，从而避免或减少安全事件的发生。
二、研究内容本文将针对运动目标检测及运动轨迹分析问题展开深入研究，主要内容包括以下几个方面：1. 运动目标检测算法设计本文将设计基于深度学习的运动目标检测算法，包括单目标检测和多目标检测。
其中，单目标检测算法采用卷积神经网络架构，能够对单个运动目标进行精准识别。
多目标检测算法将采用YOLO、RCNN、SSD等现有框架为基础，将其与深度学习中的注意力机制、半监督学习等方法相结合，以提高多目标检测的精度和效率。
2. 运动轨迹分析算法设计本文将设计基于深度学习的运动轨迹分析算法，能够对目标的运动路径、速度、加速度等运动信息进行分析。
该算法将采用卷积神经网络架构，通过对目标运动轨迹进行序列建模，并结合先验知识，以提高运动轨迹分析的准确性和稳定性。
3. 算法实验及性能分析本文将在公共安全监控、智能家居等场景下测试算法的效果，并进行对比分析。
以公共安全监控为例，将利用已标注的数据集进行运动目标检测和运动轨迹分析，分析算法在不同场景、不同时间段的准确性和稳定性。
同时，本文也将对目标跟踪、行为识别等问题进行探究，以提高运动目标检测及运动轨迹分析在实际场景下的应用价值。
三、研究意义本文将对运动目标检测及运动轨迹分析算法进行研究，其意义主要如下：1. 在公共安全、智能家居等领域提供更智能、更高效的服务。
第31卷第6期 红外与激光工程 2002年12月Vol.31No.6 Infrared and Laser Engineering Dec.2002序列图像运动点目标快速检测与跟踪方法3李正周1,董能力1,2,金 钢1,2(1.中国科学院光电技术研究所,四川成都 610209;2.中国空气动力研究与发展中心,四川绵阳 621000) 摘要:为解决低信噪比运动点目标在实时检测中的系统抖动和信噪比低等问题,根据运动点目标的特点,提出了基于数学形态学滤波、目标光强度连续性和假设检验的点目标检测方法。
基于数学形态学的高通滤波器能较强地抑制背景噪声并增强目标;利用光强度时空连续性识别目标;假设检验对解决目标丢失和新目标出现都具有较好的效果。
用TMS320C6201高速信号处理器的处理结果表明:算法对信噪比约为2的点目标检测性能较为满意。
关 键 词: 目标检测; 数学形态学; 假设检验; 点目标中图分类号:TP391.4 文献标识码:A 文章编号:100722276(2002)0620473205Method of quickly detecting and tracking dim moving pointtarget in im age sequences3L I Zheng2zhou1,DON G Neng2li1,2,J IN G ang1,2(1.Institute of Optics and Electronics,Chinese Academy of Sciences,Chengdu610209,China;2.China Aerodynamics Research&Development Center,Mianyang621000,China)Abstract:To resolve the problems in real time detection of moving dim small target,such as sys2 tem dithering and low signal noise ratio,a new method based on mathematical morphology filtering,the continuity of target’s intensity and hypothetical test according to the characters of moving dimsmall target is presented.High2pass filter based on mathematical morphology can suppress clutters andemphasize the target2like peaks.The continuity of the target’s photic intensity can be used to identifytarget effectively.Hypothetical test has attractive result to resolve the problems of target missing andnew target occurring.The algorithm has been realized on the TMS320C6201digital signal processor(DSP),and the experiment results show that the method of detecting the moving dim point target isefficasious when S N R is about2.K ey w ords: Target detection; Mathematical morphology; Hypothetical test; Point tar2get 收稿日期:2002202205; 修订日期:2002205210 3基金项目:国家863计划光束控制重点实验室资助项目(8632802、845)作者简介:李正周(19742),男,重庆市垫江县人,博士生,主要从事目标检测、跟踪与DSP应用研究工作。
运动目标检测和跟踪的研究及应用的开题报告一、选题背景随着计算机视觉和目标检测技术的飞速发展，人们对运动物体的目标识别、跟踪和分析需求不断增大。
在各种实际应用中，比如智能交通、智能安防、自主驾驶等都需要高效且准确地实现对多个运动目标的检测和跟踪。
目标检测一般使用的是图像处理方法，而且需要针对不同的场景和任务选择不同的模型和算法。
在运动目标的识别、跟踪中，常常会出现比较复杂的场景，如目标的速度快、背景复杂等情况，这些都对目标检测和跟踪的精度和速度提出了更高的要求。
因此，本文将探讨和研究一种高效且准确的运动目标检测和跟踪的方法，以实现更加精确和实时的运动物体目标检测和跟踪。
二、研究内容和意义本文将目标检测和跟踪技术相结合，主要研究以下内容：1. 运动目标检测的算法设计，包括单张图片的检测和视频流的检测，并分析各种算法的优缺点。
2. 运动目标的跟踪方式，包括基于卡尔曼滤波、粒子滤波、深度学习等多种算法进行研究并比较不同算法的效果和适用场合。
3. 利用深度学习技术提高运动目标检测和跟踪的精度和速度，探讨和优化检测和跟踪模型的网络结构和参数设置。
本文的意义在于：1. 研究高效且准确的运动目标检测和跟踪方法，为各种实际应用提供基础支持。
2. 探讨运动目标检测和跟踪领域的最新研究成果和技术进展，为相关研究人员提供参考。
3. 提高运动目标检测和跟踪的精度和速度，以适应更多场景和任务需求。
三、研究方法本文采用实验研究的方法，通过对比不同算法的表现和参数设置的改进，以提高运动目标检测和跟踪的效率和准确度。
具体实验流程如下：1. 获取目标数据集和背景视频，并进行数据预处理和标注。
2. 选择不同的算法进行运动目标检测和跟踪，并进行实验。
3. 对比实验结果，分析算法的优缺点，并针对实验结果进行参数优化和算法改进。
4. 通过实验结果评估算法的准确度和速度，并提出结论和未来工作建议。
四、研究计划本文的研究计划如下：第一周：调研和阅读相关文献，了解目标检测和跟踪的研究进展。
运动序列目标检测算法研究及DSP实现李文艳，王月琴，张笑微（西南科技大学信息工程学院四川绵阳621010）摘要：由于实际场景的多样性，目前常用的运动目标检测算法都还存在一定程度的缺陷，因此本文提出了一种将帧差法和背景减法相结合的方法，实现快速精确地检测和提取运动目标。
实验结果表明，本方法是比较实用的，能较好满足实时视频监控系统的要求。
最后将程序移植到基于DSP的平台上，进行相应的优化后基本满足了实时性的要求。
关键词：目标检测；帧差法；背景减法中图分类号：TP751.1 文献标识码：AAlgorism Research of Moving Object Detection and DSP ImplementationLI Wen-yan，WANG Yue-qin，ZHANG Xiao-wei(Southwest University of Science and Technology Mianyang Sichuan China 621010) Abstract: Because of the environment’s variety, the methods that have been used for moving object detection need to be improved. An algorithm based on two consecutive frames subtraction and background subtraction is presented and it can detect and extract object quickly and accurately. The results show that the proposed method is a practical one. It can meet the need of the real time video surveillance and monitoring system. The coding is transplanted in DSP, and the project is executed successfully on CCS simulator.Keywords: Object detection; Frames subtraction; Background subtraction引言运动目标的检测在智能监控等领域中得到了广泛的应用。
运动目标的检测就是从视频流中去除静止背景提取出运动的目标，运动目标的有效分割对跟踪等后期处理非常关键。
本文提出了将帧间差分和背景减法相结合的方法。
首先选取一帧作为背景帧, 建立各像素点的高斯模型。
再运用帧间差分法对相邻两帧图像进行差分处理, 区分出背景点和变化的区域。
然后将变化区域与背景帧的对应区域进行模型拟合区分出显露区和运动物体。
1 运动目标检测算法总体流程采用帧间差分与背景减法相结合的算法进行运动目标检测，包括运动目标的检测和将检测到的运动目标从背景中分割出来两部分，其系统框架流程图如图1所示。
图1 运动目标检测流程图这种设计充分利用了被检测区域部分时间静止的特点，具有智能检测的功能，它只在检测到“报警”时才存储视频内容到存储设备，能大大节约存储设备的容量。
2 视频序列运动目标的检测2.1 背景模型的建立现有的一些背景模型获取方法大都在场景中没有运动目标的情况下进行，但在实际应用中有时无法满足这种要求。
本文提出一种基于统计的背景模型提取方法，即假设在背景模型提取阶段，运动目标可以在监视区域中运动，但不会长时间地停留在某一位置上。
比较相邻两帧图像可以发现背景像素点在一定的时间里差别不大，随时间变化缓慢，而前景目标的变化区域像素点变化很大。
自然界中的许多场景如水面的波纹、摇摆的树枝、飘扬的旗帜等都呈现出多模态特性。
因此对选取的背景帧的每一个像素点利用高斯模型建模。
在背景图像的估计算法中，在一段较长时间段内计算视频序列图像每一像素的平均亮度0µ及像素亮度的方差20σ，组成了具有高斯分布的图像0B 作为初始的背景估计图像：2000[,]B µσ= （1） 其中001(,)(,)T i t x y f x y T µ==∑，220001(,)[(,)(,)]T i i x y f x y x y T σµ==−∑图2（b ）为用高斯模型建立的背景图像。
（a ）原始背景模型 （b ）高斯背景模型图2 背景模型的建立 背景模型的建立是通过不断学习新帧而得到的，兼顾了过去的背景信息，所以该方法对实际图像中的偶然变化有一定的抑制作用。
2.2 运动目标的提取首先利用帧差法确定相邻两帧间发生变化的区域，将视频序列中连续的两帧图像的灰度进行差分处理，设(,)k f x y 和1(,)k f x y +是视频序列中连续两帧图像，检测规则如下：111(,)(,)|(,)(,)|(,)(,)k k k k T B x y f x y f x y f x y T M x y f x y +++<=⎧−⎨≥=⎩则则 （2）T 表示灰度阈值，前后两帧图像的差值小于这个阈值的区域被认为是背景区域B(x,y)，差值大于此阈值的区域被认为是运动变化的区域M(x,y)。
通过帧间差分法检测出了相邻两帧间发生变化了的区域，包括运动物体在前一帧所覆盖的区域即显露区和运动物体在当前帧中所覆盖的区域即运动物体本身。
然后利用背景减法去除显露区，即可得到运动物体在当前帧中所覆盖的区域即运动物体本身。
方法是将分割出的运动变化区域M(x,y)中的像素点与各自的高斯模型拟合。
检测规则如下：12i 0(,)(,)|(,)B (,)1i i i i f x y B x y w x y w f x y σ⎧−>⋅+=⎨⎩如果|其他（3） 其中，1w ，2w 为常数。
实验中取1w =2，2w =0.02。
图3分别为检测到的单个和多个运动目标的图像。
(a)检测单个运动目标 (b)检测多个运动目标图3 运动目标的检测2.3 背景更新 要使背景模型能够对外界光线变化具有自适应性，必须实时地对背景模型进行更新。
背景中固定的部分也可能发生移动，发生移动后的区域在一段时间内将被误检测为运动目标，但不应该永远将其看作是运动目标，这也需要有一个有效的背景更新策略。
另外，运动目标也可能长时间停止在场景中，对这部分区域在一段时间后将其看作是背景的一部分。
背景区域B(i,j)的像素点会按照如下的更新规则不断更新。
2[,]i i i B µσ= （4）其中：1(1)i i i f µαµα−=−⋅+⋅ ，2221(1)()i i i i f σασαµ−=−⋅+⋅− α为更新率，为一给定的[0, 1]之间的常数。
当α较小时修正背景图像的过程比较缓慢，α较大时则是一种较快更新背景图像的过程，α体现了模型对背景适应的快慢。
3 运动目标的分割3.1 去除噪声噪声的影响，会使一些背景区域被检测成运动区域，也可能使运动目标内的部分区域被漏检；另外，背景的扰动如树枝、树叶的轻微摇动，也会使这部分被误判断为运动目标。
本文采用形态学处理的方法对检测到的运动目标进行处理，思想是先腐蚀后膨胀。
腐蚀的作用是消除物体的边界点，膨胀是把图像周围的背景点合并到物体中，如果两个物体之间距离小于膨胀的结构元素，那么膨胀运算会使这两个物体连通在一起，对填补图像分割后的空洞很有效。
如图4所示，一次开运算能够滤除大部分的噪声点，得到较为清晰的目标。
(a)检测到运动目标 (b)腐蚀 (c)膨胀图4 形态学滤波3.2 连通单元标记 连通单元标记的目的是确定各运动区域在图像中的具体位置，另外可以提取到运动区域的重心、面积等信息，为进一步的运动目标跟踪服务。
具体算法是按照一定的规则寻找一幅图像中所有的连通单元，并赋予同一单元唯一的标记。
连通单元标记如图5所示。
图5 连通单元标记4 运动目标检测的DM642实现DSP芯片以数字器件特有的高速性、稳定性、可重复性、可大规模集成、可编程、易于实现自适应处理等特点，在数字图像处理上得到了广泛的应用。
其中TI公TMS320DM642其主频达到600MHz，能够进行流水线工作，可同时执行8条指令，能够满足视频图像的实时性要求。
DM642硬件系统主要由图像采集模块、视频解码模块、存储模块、DSP核心运算控制模块、视频编码模块和图像显示模块六个部分组成。
系统框图如图6所示。
图6 DM642系统硬件框图图7基于DSP的目标检测算法的移植的过程是先不考虑C6000的相关知识，完全根据任务编写C代码，然后对代码进行移植，在DSP环境下运行验证其功能正确，再用CCS的调试工具分析应用程序是否达到规定要求，找到程序中影响性能的低功率段，并进行代码优化。
进行代码优化可以提高代码性能。
本文主要是通过内联函数、数据打包、软件流水和优化编译器结合使用来实现其优化的。
实验结果如图7所示，本文的运动目标检测算法能够较好检测到运动目标，进行相应的优化后基本满足了实时性的要求。
5 小结帧间差分与背景减法相结合的运动目标检测的优点：(1)允许有运动物体存在的情况下进行背景建模 (2)静止下来的物体会在相邻帧差分处理时减掉, 不会误检为运动物体, 且能很快更新到背景中去 (3) 用背景差分时仅对帧差处理后的运动变化区域进行处理, 也缩短了处理时间。
实验表明该方法快速、准确、有着广泛的适用性。
在对TI公司DSP的内部结构和开发流程的研究学习基础上，将本文的运动目标检测算法移植到DSP上，进行相应的优化能够较好检测到运动目标，为应用到实时系统中打下了基础。
本文作者创新点：在研究现有运动目标检测算法的基础上，将已有的算法帧间差分与背景减法相结合，提高了检测的准确度，具有一定鲁棒性，将算法移植到TMS320DM642上能够实时的检测到运动目标，在算法和硬件使用上具有先进性。
参考文献[1]蓝照华，傅文利，赵进创，陈涛. 边缘面积值绝对差数累积运动检测算法[J].微计算机信息，2006，11-3：289-290.[2]欧扬，张宗杰.低照度视频序列运动目标的检测与提取[J]. 微计算机信息，2005，12-1：91-92.[3]魏星.智能视频监控系统中运动目标检测与跟踪技术的研究及其DSP实[C] .合肥工业大学，2005,5.[4]周嘉伟.自适应背景下的运动目标检测[J].长春大学学报，2006,16-2：66-68.[5]宋胜利，刘党辉，曾峦.一种联合图像分割与背景建模的运动目标检测算法[J].测控技术，2006,25-5：36-38.[6]王伟，孙敏.一种交通场景下运动目标检测的新算法[J].计算机应用与软件，2005,22-4：90-92.项目资助：四川省教育厅重点资助项目，编号：2006A097作者简介：李文艳：女，（1981-），山东烟台，汉，硕士研究生，研究方向：控制理论与控制工程，西南科技大学王月琴: 女，(1980-)，安徽安庆，汉，硕士研究生，研究方向：模式识别与智能系统，西南科技大学张笑微：女，(1955-)，四川成都，汉，教授，研究方向：模式识别与智能系统，西南科技大学Resume:LiWenyan (1981-). female. born in Yantai city, Shandon province. a graduate student in School of Information Engineering, Southwest University of Science and Technology(SWUST). Main Research：Control Theory and Control Projiect.WangYueqin (1980-). female. born in Anqin city, Anhui province. a graduate student in School of Information Engineering, Southwest University of Science and Technology(SWUST). Main Research：PR and AI.ZhangXiaowei (1955-).female. born in Chengdu city,Sichuan province. professor in School of Information Engineering, Southwest University of Science and Technology(SWUST). main research：PR and AI.联系方式：姓名：李文艳通讯地址：四川绵阳西南科技大学新区东苑8A－618邮编：621010。
