改进式背景差分算法研究
改进式背景差分算法,并应用于监控系统中。针对人流量较少的监控情况,提出一种基于计算机
视觉的嵌入式监控系统解决方案,其以 DSP DM642 为核心处理芯片,可对 3 路视频视角同时处理。系统利用动态权
值的改进式背景差分算法对视频流进行实时监控,若发现异常事件,则自动存储一段时间的视频数据,并利用 H.264
压缩后保存至外存中以供事后取证。由于监控算法巧妙,普通的 SD 卡即可替代传统的硬盘,系统精简,使用方便。试
验表明:该系统灵敏度可调,非常适用于外景和内景的库房监控。
-----------------------------------------------------------------------------------------------
更多详文请关注 2022年7月27日 晚20:00--22:00 微信视频号直播
微信搜索:AI技术与咨询 关注扣88可免费领取相关论文以及基础入门视频
-----------------------------------------------------------------------------------------------
1 以 DSP 为核心的硬件系统,本视频监控记录系统实现了智能化的嵌入式脱机工作,实现数字图像的采集,并进行相应的算法处理和软件压缩处理,然后拷贝至外存中供用户取证。硬件系统主要由多媒体处理模块、图像编解码模块、外部存储器模块以及电源模块等组成,硬件系统框架见图像处理芯片采用 TI 公司的 DSP-TMS320DM642芯片,它具有高速的 DSP 并行处理内核,主频达到600 MHz,计算能力达 4800MIPS;通过扩展 ATA 接口、PCI 接口可进行大容量的本地存储,处理器片内集成了 3 个带视频 FFIO 的高速视频口(VP0耀VP2)和1 个 MCASP 音频口,可同时实现 3 路视频监控数据的处理。视频专用处理芯片具有许多提高视频和图像处理性能的特有指令,能更快地执行视频和图像处理算法。TI 还提供了高效的视频图像处理函数库IMGLIB,该库含很多专用于视频图像处理算法的函数。运用这些库函数,可提高程序的实时运行性能。
异常捕捉算法
2.1.1 运动检测数学模型
在运动检测与分离处理方法中,主要有光流法、帧间差分法以及背景差分法,其中背景差分法应用较广泛[2-3]。背景差分法的基本思想是对视频流中相邻
两帧图像相同位置上的像素点进行比对,如果该点是运动物体,则对应该点的灰度值将发生较大的变化,因而其差值相对较大;反之,如果差值为 0 或者变化
很小,则认为此像素对应的三维监控位置处没有运
动物体通过[4-7]。如果在背景差分法之前使用了混合
高斯模型对背景图像进行预提取,并在背景差分之后对
前景进行形态学处理,可精确提取出前景物体[8-9]。此
种方法虽然具有较好的理论新意,但由于其算法复
杂,不适宜在嵌入式环境中实现。
嵌入式系统运算资源有限,往往需要在算法执行
效果与算法复杂度上做合理的折中考虑。考虑到库
房等监控场景人流量较少的特点,本文提出一种简单
而有效的基于背景差分法的改进算法。本方法简单
有效,适宜于嵌入式应用平台的实现,具体过程如下:
静态监控摄像头对固定场景进行连续的拍摄,
以 In(x)代表在 t=n 时刻的图像位置为 x 处的灰度值;
用 In-1(x)表示相同图像位置处在 t=n-1 时刻的灰度
值;用 In+1(x)表示 t=n+1 时刻的灰度值。如果 In(x)的值在相邻前后两帧图像中均发生变化,超过一定的帧间阈值 T,则表示当前帧的 x 处点为异常点,即可判定为运动点。式(1)描述了像素点的异常判定过程:
(|In(x)- In - 1(x)|跃 T)and(|In + 1(x)-In(x)|跃 T)
(1)
对于当前点图像进行二值化处理,用 Bn(x)代表
对 In(x)二值化处理后的结果,如式(2)所示。
Bn(x)= 1 In(x)s . t .(1)
0 else
嗓 (2)
二值化处理情况如图 2 所示,图中有一块“放大”的图块示意图,在整幅图像的每一图块的每一像素点,均需要经过式(1)判定,满足式(1)的像素点为异常点。当该像素点异常,则在二值化处理中将该像素点置 1,图中用黑色像素点表示;当该像素点正常,则在将该像素点置 0,图中用白色像素点示意。对于经过二值化处理的 Bn(x)图像,可分割为8伊8 像素的图块,边界处若不满足整除,则舍去余数。这样就将 Bn(x)图像分割成 M伊N 个图块,图块编号为 Block(i,j),每个图块也相当于一个 伊8 的矩阵。同时在内存中开辟一段区域,存储一个 M伊N 大小的系数矩阵 S,图块编号 Block(i,j)与系数矩阵元素 S(i,j)一一对应。在每个图块内判定该图块的系数之和Sum(Block(i,j).In(x))是否大于图块阈值 G。对于一个具有 64 个像素的小图块,如果异常像素数大于图块阈值 G,则表征该图块为异常图块。同时将该图块对应的系数矩阵 S(i,j)置为 1。式(3)表述了上述基于图块的异常判定过程:S(i ,j)= 1 Sum(Block(i,j).In(x))跃 G
0 else嗓 (3)图 2 直观的描述了这一个过程。一幅图像中的每个图块都需经过式(3)的阈值判定,若该图块判定异常,则将该图块编号 Block(i,j)对应的矩阵 S 的系数 S(i,j)置 1。被判定为异常的图块在图 2 中标记为黑色,其余图块是判定为正常的图块标记为白色。在图 2 中整幅图像只有右下角的 6 个图块判定异常。在获得了针对 Bn(x)图像的异常表征系数矩阵 S(i,j)之后,就可对该矩阵进行求和,如果其和大于一个人为设定的图像阈值 W,则表征当前的图像有异常事件触发,该过程如式(4)所示。
移S(i ,j)跃 W (4)
2.1.2 图像阈值 W 的设定
图像阈值 W 可以认为是系统灵敏度,用户需利用系统外设按键人为设定。不同的监控场景,设定不同的图像阈值 W。例如在针对库房外景进行监控时,由于景象比较远,图像元素较小,人员进入可能只需要 1耀2 个图块异常就可以判定为异常;针对库房内景进行监控时,则往往需要设定 10 个以上的图块面积异常才能确定是人员进入。为了给用户一个直观的视觉感受,若发现异常,则监控显示屏右上角以 8伊8大小红色图块显示,并在该图块中显示当前系统设定的图像阈值。
2.1.3 动态权值 兹(i,j)的处理式
(4) 所示的是固定阈值的图块异常判定算法,对于图像中的每个图块具有相同的权重,这样在实际应用中存在不合理性。如风吹叶动等扰动现象,依照式(4)可以判定为异常事件,就会导致监控算法的误判。因此,必须将相同权重变为动态权值,即对异常表征系数矩阵 S(i,j)采用动态权值 兹(i,j)进行加权处理。动态权值 兹(i,j)的设定原则为:0约兹(i,j)臆1。权值 兹(i,j)初始默认设定为 1,如果某帧图像的某个图块在本帧被判定为异常块,则该图块的权值会减去一等差权值 d。全部图块的权值整体增加一全增量权值 a,a 应远小于 d 值。这样就可以降低经常扰动的图块权值,从而降低误判情况,同时在扰动去除后给予恢复权值的机会。经过动态权值处理后,对于经常扰动的景物,经过一小段时间后,其权值就会以 d-a的步长逐渐衰减至 0,即误判情形仅会发生在系统初始时的一小段时间内。同理,当其扰动停止之后,则其权值又能够以全局增量权值 a 的步长缓慢地恢复回来。式(5)描述了动态权值处理的过程:移兹(i ,j)S(i ,j)跃 W (5)动态权值的处理方法可简单有效地规避树叶扰动等景物的响,增强了算法的健壮性。2.2 视频存储的 H.264 压缩视频图像信息的数据量非常大,以 CIF 格式的彩色视频信号为例,若采样的速率为 25 帧/秒,采样比YUV 为 4颐2颐0 的形式,则一秒钟的数据量为:352伊288伊1.5伊8伊25=30.8Mbit,对于系统,1G 的空间仅能存储不足 2 min 的视频数据量,因此必须对采集到的视频数据压缩处理。视频数据的压缩,可以采用软件压缩和硬件压缩两种处理方法。本系统采用了软件 H.264 方法进行视频数据的压缩。H.264 具有很高的数据压缩比率,在同等图像质量的条件下,H.264 的压缩比是 MPEG-2的 2 倍以上,是 MPEG-4 的 1.5耀2 倍。
2.3 软件系统框架
在 DSP 的软件架构中,利用 CSL 芯片库、类/微型驱动模型等资源实现对底层视频编码/解码芯片以及其他外设的驱动。在视频编解码芯片驱动的基础上,可方便实现基于背景差分法的异常状态捕捉算法以及视频数据的 H.264 压缩算法。首先对采集进来的视频流数据取出相邻 3 帧,进行背景差分算法检测,并进行二值化处理得到 Bn(x),进而把 Bn(x)图像分割为 M伊N 个图块,根据图块异常检测结果得到内存中的系数矩阵 SM伊N,最后对系数矩阵进行动态加权求和,判定是否超过图像阈值 W,从而判定是否发生异常。当判定有异常状态发生,则立刻停止检测算法同时开启 H.264 压缩算法。在保存一定时间的数据之后,则停止压缩算法,经过H.264 压缩的数据拷贝至外部存储器中。拷贝行为完成后则再次开启异常状态捕捉的检测算法,依次循环。由于异常监测算法与 H.264 算法不会同时执行,因此该算法的复杂度是可以被 DSP 所承受的,上述过程实验结果实验时,系统帧间阈值 T 设置为 20,图块阈值G 设置为 30,图像阈值 W 设置为 17,等差权值 d 设定为 0.05,全局增量权值 a 设定为 0.001,在某库房外的固定场景进行长时间监控。结果显示:系统能自动捕捉并存储异常物体进入后的 40 s 视频流,异常物体包括汽车的驶入以及人员的进入,截取其中存储的某段视频流截图如图 4 所示,图中右上角异常标志为 8伊8 大小的红色图像块,左上角为系统时间,以及系统的当前设定的灵敏度。本系统所使用的基于改进式背景差分法的运动物体检测算法对于进入统中心区域的人员或者汽车不会出现漏捕捉现象。基于计算机视觉的嵌入式监控系统。该系统采用 DSP 为核心处理器,辅以视频编解码、逻辑扩展以及电源模块,可以实现 3 路实时数据的采集和处理。系统软件具有智能监控算法,可自动监控并捕捉到进入场景中的人体。该算法以背景差分法为基础,在像素点异常的基础上判定块异常,在块异常的基础上结合场景情况对图像异常进行判定。在图像异常综合判定中,引入动态权值的处理方法,能在一定程度上规避树木晃动等引起的误判情形。系统软件设有灵敏度参数,用户可依照场景情况对灵敏度进行人为设定,从而使其适用于库房远景和近景的监控。在捕捉到异常情形后,系统会自动开启H.264 算法,对读入的视频数据流进行压缩并保存至外部存储器中,以便取证使用。本系统较传统的监控平台省去了大容量硬盘,实现了脱机工作,并仅保存异常视频段,在使用及事后取证方面均较为方便。系统可靠、实用,可以广泛应用于库房等人流量少的监控情形,具有一定的社会和经济价值。
联系客服