方　浩　李艾华　王　涛

(第二炮兵工程大学　陕西 西安 710025)



基于DM6437的智能视频监控系统设计与实现

方浩*李艾华王涛

(第二炮兵工程大学陕西 西安 710025)

摘要针对阵地视频监控系统智能化程度低的问题，提出一种基于DM6437的智能视频监控系统解决方案。在图像处理算法方面，将ViBe算法中采用第一帧图像建模和基于随机策略进行模型更新的思想用于改进传统码本算法的训练和更新阶段，提出一种基于随机码本的运动目标检测算法以提高检测效果。提出在Mean Shift跟踪过程中采用Kalman滤波器预测目标位置，用于提高目标快速运动和遮挡等复杂情况下的跟踪效果。在系统实现方面，基于DM6437芯片设计了集图像采集与显示、检测与跟踪、JPEG压缩、网络传输等多种功能于一体的智能视频监控系统。模拟阵地环境下的实验结果表明，该系统能够准确地自动检测和跟踪目标，并且帧率可达6、7帧左右。

关键词智能视频监控DM6437ViBe码本Kalman滤波器Mean Shift

DESIGN AND REALIZATION OF A DM6437-BASED INTELLIGENT VIDEO MONITORING SYSTEM

Fang Hao*Li AihuaWang Tao

(The Second Artillery Engineering University,Xi’an 710025,Shaanxi,China)

AbstractTo solve the problem of low intellectualisation degree in video monitoring system of positions,in this paper we put forward a DM6437-based solution of intelligent video monitoring system. In terms of image processing algorithm,we proposed a random codebook-based moving targets detection algorithm for improving the detection performance,it is achieved by applying the ideas of adopting the first frame for modelling and updating the model based on random strategy in ViBe algorithm to improving the training and updating stages of traditional codebook algorithm. And then we proposed to use Kalman filter to predict the target position in Mean shift tracking process,so as to improve tracking effects in complicated cases such as rapid target motion and occlusion. In terms of system realisation,we designed an intelligent video monitoring system based on DM6437 chip with various functions,such as video capture and display,targets detection and tracking,JPEG compression and network transmission,integrated. And the result of experiments in simulating the environment of positions showed that the system could detect and track targets automatically and accurately with a rate up to 6 or 7 frames.

KeywordsIntelligent video monitoringDM6437ViBeCode bookKalman filterMean shift

0引言

视频监控是部队信息化建设的重要方面。目前，阵地视频监控子系统采用的是前端由各型摄像机进行视频采集，经由同轴电缆进行数据传输，后端由综合管理计算机和网络存储服务器进行综合管理的模式。这种系统仅能实现24小时录像监控功能，并且需要人员全天候值守，不仅极大地浪费人力物力，而且系统智能化程度不高，不利于阵地安全防范能力的提高。

针对上述问题，本文基于DM6437芯片设计了一套智能视频监控系统。主要功能是实现对静态场景中目标的自动检测与跟踪，为后续构建智能化阵地视频监控系统打基础。本文在充分分析ViBe[1]和码本[2]两种算法优缺点的基础上，提出一种基于随机码本的运动目标检测算法。该算法融合ViBe和码本两种算法的优点，将ViBe算法中采用第一帧图像建模的思路用于改进传统码本算法的训练阶段，将ViBe算法中基于随机策略进行模型更新的思想用于码本更新阶段。并通过实验证明该算法兼具两种算法的优点，不仅具有较小的计算量，而且检测效果更好，对背景变化的适应能力更强。在目标跟踪算法方面，Mean Shift[3]算法作为一种基于密度梯度的非参数估计方法，具有计算量小、实时性好、适用性强、能够快速高效地实现目标跟踪等优点，但由于没有在跟踪过程中利用目标的位置和速度等信息[4]，导致存在环境干扰或者运动速度过快时容易跟踪失败。针对这种情况，本文提出采用Kalman滤波器进行目标位置预测，以提高传统Mean Shift算法在目标快速运动和遮挡等情况下的跟踪效果。最后基于DM6437开发了智能视频监控系统，并在模拟阵地环境下取得了较好的检测和跟踪效果。

1基于随机码本的运动目标检测算法

1.1算法基本原理

ViBe算法和码本算法是两种典型的非参数化运动目标检测算法。ViBe[5]算法的特点是采用第一帧图像中像素点的空间领域点建立背景模型和按一定概率随机更新背景模型，这种方式计算量小，能够快速开始目标检测并对噪声和亮度变化等具有一定的鲁棒性[6，7]，但也存在无法较好抑制“鬼影”等问题。码本[8]算法通过长时间的码本训练来建立背景模型，然后基于亮度范围和颜色相似度来进行像素点分类。该算法鲁棒性强、计算效率高，建立的背景模型比较纯净[9]，但无法较好地适应背景变化，而且在前景和背景像素分布类似的情况下容易造成码字的更新错误[10]。本文融合两种方法的优点，在改进码本算法的基础上提出一种基于随机码本的运动目标检测方法。

在背景建模阶段，随机选取第一帧图像中空间领域内像素点进行码本训练。该方法具有以下优点：1) 由于领域内像素点具有空间连续性，因而经过长时间码本训练，使得码字的聚类均值将逐渐向领域内所有像素点的均值靠拢。这将逐渐淘汰出那些亮度、色度与其他点差异较大的像素点。2) 采用第一帧图像进行码本训练，使得模型能够从下一帧图像立即开始进行前景检测。当背景变换时，算法可以迅速丢掉原来的模型，立即建立新的码本模型。

在背景更新阶段，借鉴ViBe算法中随机更新的思想进行码本的实时更新。具体步骤如下：首先定义1到w之间的伪随机序列M，从M中随机选取的一个样本Sample，定义背景像素点随机更新的概率：

(1)

对于每一个分类为背景的像素点，在第一次选取的样本Sample1=1时，更新对应码本中的任意一个码字。这样可以保证模型中每一个像素点的寿命按指数形式衰减，使模型始终能够实时更新，从而提高模型的动态适应能力。同时继续从伪随机序列中随机选取第二个样本Sample2，在Sample2=1情况下，从该背景点的领域内随机选取一个像素点，并更新其码本中的任一码字，这样可以实现背景像素点的传播，保证像素点的空间连续性。反之则结束更新过程。具体流程如图1所示。

图1　码本更新过程流程图

1.2实验结果对比

图2为三种算法对PETS2001中的标准图像序列Dataset2的检测效果图。可以看到，基于随机码本的检测效果明显好于其他两种算法，抗干扰能力更强。同时，在实际实验中还发现，改进算法的实时性明显好于其他两种。这是由于算法基于空间领域像素点建模，模型中码字辨识度高，且数目较少、更新快。

图2　运动目标检测效果图

2结合Kalman和Mean shift的跟踪算法

2.1算法基本原理

Meanshift跟踪[11]的主要思路是沿着梯度增加的方向寻找与目标模型相似度最高的区域作为跟踪结果。传统的Mean shift算法采用颜色分布直方图表征目标特征，具有对目标旋转、变形及边缘遮挡不敏感[12]的优点，但由于缺乏对目标位置的预测机制，使得在目标运动较快、被遮挡等情况不能有效跟踪。Kalman滤波器是一种基于最小均方误差对系统的状态进行最优估计的算法[13]，能够以较小的计算量快速准确地估计目标的位置、速度等信息。因此本文中采用Kalman滤波器来预测运动目标的位置，算法的主要步骤如下：

(2)

Step 2根据Kalman滤波器预测当前帧中目标的位置，作为Mean Shift迭代的起点。假设Kalman滤波器的状态模型和预测模型分别如下：

Xk=Ak,k-1Xk-1+Wk-1

(3)

Yk= HkXk+ Vk

(4)

(5)

(6)

(7)

(8)

(9)

Step 6运动目标实际位置判定。当相邻帧中待选模型位置满足下式：

|yi+1-yi|≤ε

(10)

则停止迭代，认为找到与目标模型足够相似的待选区域，并将其作为运动目标在当前帧中的实际位置。否则返回Step 3。

Step 7校正Kalman滤波器。由于目标的位置不是收敛的而是按照一定轨迹变化的，因此在跟踪完成后采用目标的最终位置对Kalman滤波器进行修正，使滤波器能够及时跟上目标位置的变化。校正Kalman滤波器实际上也是更新Kalman滤波器状态的过程。按照下列公式进行：

Pk=(I-KkHk)Pk,k-1

(11)

(12)

(13)

式中，Kk为Kalman器的增益矩阵，其他参数与Step 2中定义相同。

2.2实验结果对比

结果如图3所示，对快速运动的足球进行跟踪实验，左右两侧分别为传统Mean Shift算法和改进算法的跟踪效果对比图。可以看到，随着足球飞行速度的加快，采用传统Mean Shift算法跟踪误差越来越大，而采用改进算法则能用跟踪框较好地锁定足球的位置。这主要是由于Kalman滤波器预测能够准确地预测目标位置，从而提高了跟踪效果。上述实验结果也充分说明改进算法有助于提高对于快速运动目标的跟踪效果。

图3　快速运动目标跟踪效果对比图

3智能视频监控系统的实现

3.1硬件平台结构设计

整个平台以DM6437为核心，如图4所示。主要包括视频采集模块、输出显示模块、通信模块、存储模块、时钟模块和电源模块六部分。视频采集模块的主要作用是接受普通摄像机采集的视频信号并进行必要的预处理。输出显示模块的主要作用是输出驱动显示器显示实时采集的图像。通信模块包括RS485、JTAG、Ethernet三类接口，分别用于控制云台转动、下载程序和系统调试、网络通信等。存储模块包括DDR2、NOR FLASH、EEPROM三类存储器，分别用于缓存实时图像数据、存储DSP程序代码、存储系统核心参数，如IP地址、MAC地址、网关地址等。时钟模块可以为整个DSP系统提供必要的时间信息。电源模块为板上所有模块提供不同等级的稳定电压。

图4　系统结构图

3.2核心程序设计

本文所设计的智能视频监控系统集图像采集与显示、运动目标检测和跟踪、JPEG压缩编码和网络传输等多种功能于一体。为实现上述功能，系统在实时操作内核DSP/BIOS的基础之上，创建了对应的图像采集与显示、智能视频分析、编码压缩、网络传输(包含网络发送和参数设置两类)等线程，同时充分利用邮箱等机制实现线程之间的调度与数据共享结合。在实际设计过程中，结合TI提供的相关软件，可以很方便地采用PSP库(用于开发视频采集与显示驱动)、JPEG软件编码器和NDK网络套件分别实现上述相关功能。因此，整个程序设计的重点在于运动目标检测与跟踪算法的移植。

在检测阶段，首先对于每一帧图像进行灰度化处理以提取亮度信息，然后采用均值金字塔进行图像分解以降低待处理图像分辨率。其次，进行运动目标检测，得到前景区域。然后结合形体学滤波进行噪点处理，运用两次扫描法提取目标特征。同时，考虑到刚进入场景时目标检测的完整性，在连续5帧均检测到目标时提取第5帧图像目标特征并开启跟踪过程。

在跟踪阶段，根据检测结果特征建立目标模型，并采用Kalman滤波器预测目标位置，随后将该位置作为起始位置进行Mean Shift跟踪，在跟踪结束后计算预测位置与实际位置的几何距离。如果该距离小于一定阈值ε，表明跟踪有效，并利用目标的实际位置校正Kalman滤波器，反之则结束跟踪过程。具体的检测和跟踪流程如图5所示。

图5　检测和跟踪流程图

4实验结果及分析

开发简易的PC端播放软件，用于实时查看DSP端的检测和跟踪效果。并在室内室外两种情况下模拟阵地典型环境进行实验，结果如图6所示。可以看到，上位机播放软件画面清晰，无明显失真，并且在室内室外两种场景下都能够以较高的精度检测运动目标，实现准确有效地跟踪。同时经测定，系统帧率达到6、7帧左右，能在一定程度上满足实时性要求。

图6　系统检测和跟踪效果图

5结语

本文旨在开发嵌入式智能视频监控系统以提升阵地视频监控系统的智能化程度。该系统中主要有两点创新：

1) 提出了一种基于随机码本的运动目标检测算法，提高了在不同场景下的检测效果和实时性，使得算法比较适合在嵌入式系统中使用；

2) 融入Kalman滤波器预测改进了传统的Mean Shift跟踪算法，提高了系统在不同场景下的跟踪效果。

同时基于DM6437芯片实现了整个系统的开发。目前，该系统在室内和室外两种典型的模拟阵地环境下都取得了不错的检测和跟踪效果，且帧率可达6、7帧，具备一定的实用价值。

参考文献

[1] Olivier Barnich,Marc Van Droogenbroeck. ViBe: A universal background subtraction algorithm for video sequences[J]. IEEE Transactions on Image Processing,2011,20 (6):1709-1724.

[2] Kim K,Chalidabhongse T H,Harwood D,et al. Real-time foreground-background segmentation using codebook model[J]. Real-time imaging,2005,11(3): 172-185.

[3] Comaniciu D,V Ramesh,P Meer. Kernel-based object tracking[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2003,25(2): 564-577.

[4] 常发亮,刘雪,王华杰. 基于均值漂移的卡尔曼滤波器的目标跟踪算法[J].计算机工程与应用，2007,43(12):50-52.

[5] Olivier Barnich,Marc Van Droogenbroeck. VIBE: A Powerful Randon Technique to Eatimate the Backround in Video Sequences[C]//International Conference on Acoustics,Speech,and Signal Processing,2009:945-948.

[6] 蒋建国,王涛,齐美彬,等. 基于ViBe的车流量统计算法[J].电子测量与仪器学报,2012,26(6):558-563.

[7] 余烨,曹明伟,岳峰. EVibe: 一种改进的Vibe运动目标检测算法[J].仪器仪表学报,2014,35(4): 924-931.

[8] 代科学,李国辉.一种基于码本的监控视频运动目标检测算法[J].计算机工程，2007,33(14):27-29.

[9] 郭春生,王盼.一种基于码本模型的运动目标检测算法[J].中国图象图形学报,2010,15(7): 1079-1083.

[10] 姜柯，李艾华，苏延召.基于改进码本模型的视频运动目标检测算法[J].电子科技大学学报,2012,41(6):932-936.

[11] 朱胜利，朱善安，李旭超,等.快速运动目标的Mean Shift跟踪算法[J].光电工程,2006,33(5):66-70.

[12] 刘璞,王春平,徐艳.基于Mean Shift重要性采样的粒子滤波跟踪算法[J].计算机工程与设计,2014,35(3):909-914.

[13] 杨红霞，杭亦文，刘旭.基于Meanshift与kalman滤波器的视频目标跟踪算法[J].武汉理工大学学报:信息与管理工程版,2012,34(2):147-151.

中图分类号TP391

文献标识码A

DOI:10.3969/j.issn.1000-386x.2016.02.046

收稿日期：2014-09-04。方浩，硕士生，主研领域：计算机视觉，智能仪器与系统。李艾华，教授。王涛，副教授。