[发明专利]一种自动侦测运动目标的嵌入式智能监视系统

权利要求书

1.一种自动侦测运动目标的嵌入式智能监视系统，包括：

一视频输入设备，用于获得视频数据；

一视觉分析系统，由通过DPRAM接口模块相连接的嵌入式CPU和DSP处理器组成，用于处理视频输入系统获得的视频数据；

一网络输入输出设备，用于将视觉分析系统处理后的视频数据输出和输入用于控制视觉分析系统的指令；

为进行运动目标的实时侦测，所述的DSP处理器执行以下步骤：

(1)DSP处理器初始化后对视频输入系统获取的监控背景区域像素进行连续采样N个像素值；

(2)将采样得到的N个像素值在色度和亮度空间判断像素的变化范围，对监控背景区域进行区域分割，得到稳定区域和动态区域；

(3)对动态区域先采用通用合并方法进行像素合并和边界扩充，其目的是提高区域分割对动态环境的适应性，然后采用双阀值顺序算法方案把所有的背景采样值聚类成几个高斯分布类，其目的是加速新采样值的核密度计算速度；

(4)进行自适应单高斯模型和非参数化模型模型的参数更新；

(5)稳定区域采用自适应单高斯模型，动态区域采用非参数化模型对场景进行实时检测，提取监控背景区域的运动目标；

(6)将提取的运动目标进行阴影消除、形态滤波后通过网络输入输出系统输出。

2.根据权利要求1所述的一种自动侦测运动目标的嵌入式智能监视系统，其特征在于，所述的嵌入式CPU采用实时操作系统RTOS，所述的DSP处理器采用定时中断循环驱动模式。

3.根据权利要求1所述的一种自动侦测运动目标的嵌入式智能监视系统，其特征在于，步骤(3)中对动态区域采用通用合并方法进行像素合并和边界扩充的方法包括以下步骤：

(1)定义所述的通用合并方法中两个像素集合c_i和c_j之间的不相似测度如下：

dminss(ci,cj)=mina∈ci,b∈cjd2(a,b)---(4)]]>

式中d₂(a，b)表示两个像素位置a和b之间的欧式距离；

(2)定义所述的通用合并方法中两个像素集合c_i和c_j的聚类准则如下：

式中是所有聚类组成的集合，d^T1是预设门限参数，可以动态设置；

(3)将动态区域中每个动态类型的像素的8-邻域像素N8均设置成动态类型；

(4)为每个动态类型像素创建一个初始聚类c_i＝{S_i}，其中i表示像素位置，并初始，t＝0；

(5)设置t＝t+1；

(6)对中所有的聚类，若聚类c_i和c_j满足步骤(2)中的式(5)，则创建一个新的聚类c_n＝c_i∪c_j，并更新

(7)重复步骤(5)-(6)，直到没有新的聚类被创建，最后得到的聚类集合为

(8)对中一个聚类c_i的每一行像素，若该行中两个相邻像素位置a和b之间的欧式距离d₂(a，b)≤d^T2，其中d^T2是预设门限参数，则该行中处于这两个位置之间的像素也被设置为动态类型；

(9)对中每个聚类c_i的每一列像素，若该列中两个相邻像素位置a和b之间的欧式距离d₂(a，b)≤d^T2，其中d^T2是预设门限参数，则该列中处于这两个位置之间的像素也被设置为动态类型；

(10)重复步骤(8)-(9)，直到中所有聚类被处理，即完成像素合并和边界扩充。

4.根据权利要求1所述的一种自动侦测运动目标的嵌入式智能监视系统，其特征在于，步骤(3)中采用双阀值顺序算法方案把所有的背景采样值聚类成几个高斯分布类的方法包括以下步骤：

(1)设双阀值顺序算法方案中两个预设门限参数分别为Θ₁和Θ₂；

(2)定义背景采样值S_i和中的某个高斯分布c_m之间的不相似测度如式(6)：

dmaxps(si,cm)=maxs∈cmtr {[d(si,s][d(si,s)]T}]]>

        =maxs∈cmtrd12(si,s)000d22(si,s)000d32(si,s)---(6)]]>

        =maxs∈cmΣq=1rdq2(si,s)]]>

式中tr表示矩阵的迹，d_q(S_i，S)表示两个背景像素采样值S_i和S所采用的颜色空间中的第q个颜色分量之差；

定义双阀值顺序算法方案中背景采样值S_i和中的某个高斯分布c_m的聚类准则式(7)和式(8)：

dmaxps(si,cm)≤Θ1---(8)]]>

表示所有的高斯分布。

定义两个高斯分布类c_i和c_j之间的不相似测度如式：

dmeanss(ci,cj)=tr{[d(mi,mj][d(mi,mj)]T}]]>

                           (9)

=Σq=1rdq2(mi,mj)]]>

式中m_i和m_j分别表示高斯分布类c_i和c_j中背景采样值的均值；

定义两个高斯分布类c_i和c_j之间的聚类准则如(10)式：

 

式中M^T表示预设门限参数，可以动态设置；

(3)创建初始聚类集合设置i＝0，m＝0，first_loop＝1，cur_change＝0，prev_change＝0，exists_change＝0，其中first_loop表示在一次循环中首次轮询到未被分配的背景采样值，cur_change表示到当前循环为止被分配的背景采样数，prev_change表示到上一次循环为止被分配的背景采样数，exists_change表示上一次循环中存在未被分配的背景采样被分配；

(4)若背景采样值S_i未分配给一个高斯分布类，且first_loop＝＝1，exists_change＝＝0，则设置m＝m+1，cur_change＝cur_change+1，first_loop＝0，并创建一个新的聚类c_m＝{S_i}，；

(5)若S_i未分配给一个高斯分布类，且first_loop＝＝0，则：若S_i和中的某个高斯分布c_m满足(8)式，则c_m＝c_m∪{S_i}，设置cur_change＝cur_change+1；否则若dmaxps(si,cm)≥Θ2,]]>则设置m＝m+1，cur_change＝cur_change+1，并创建一个新的聚类c_m＝{Si}，；

(6)若S_i已分配给一个高斯分布类，则设置cur_change＝cur_change+1；

(7)设置i＝i+1；

(8)重复步骤(4)-(7)，直到所有背景采样值被遍历，即i＝N-1；

(9)设置exists_change＝|cur_change-prev_change|，i＝0，first_loop＝1，prev_change＝cur_change，cur_change＝0；

(10)重复步骤(4)-(9)，直到所有背景采样值被分配；

(11)对中所有聚类，若c_i和c_j之间满足(10)式，则创建一个新的聚类c_n＝c_i∪c_j，；

(12)重复步骤(11)，直到没有聚类被合并；

(13)重分配所有背景采样：若背景采样S_i和中聚类c_m满足(7)式，则设置b[i]＝m；

(14)对中每个聚类c_m，重新设置c_m＝{S_i：b[i]＝m，0≤i≤N-1}；

(15)重复步骤(3)-(14)，直到动态类型区域像素都被处理；

(16)计算中每个聚类的均值。