基于FPGA+DM6467智能監控系統設計

趙 攀，盧 彬

(重慶郵電大學，a.通信新技術應用研究所;b.重慶信科設計有限公司，重慶 400065)

隨著科技的發展，智能視頻監控系統已普遍應用于軍事、交通、商業、農業、醫學等領域。傳統的監控系統多數基于PC，由工作人員定時定點對監控視場進行控制，其不但實時性差，而且不具備智能性，使得應用具有局限性。

近年來，隨著高速數字信號處理器的出現，以嵌入式系統為依托、以網絡為通信平臺的智能視頻處理系統成為研究的熱點。筆者設計了用FPGA作為視頻預處理器，用TMS320DM6467(簡稱DM6467)作為視頻主處理器，結合運動目標檢測法和目標跟蹤法的智能視頻監控系統。本系統和其他視頻處理系統相比，具有體積小、功耗低、運行穩定、便于擴展等技術優勢，有著廣泛的應用前景。

1 系統總體方案

本系統是基于FPGA+DM6467的智能視頻監控系統，它主要包括視頻采集、視頻預處理、目標檢測與跟蹤、網絡傳輸、客戶端播放、報警系統等模塊。如圖1所示，攝像頭在前端進行視頻采集，FPGA對采集圖像進行預處理，并將其結果存放在SDRAM中，DM6467從SDRAM中提取圖像進行智能目標檢測與跟蹤，然后通過網絡將視頻數據發送到客戶端進行播放，當檢測到異常事件時，自動開啟報警系統及時地發出警告。

圖1 總體設計圖

2 系統硬件設計

本系統的硬件主要由客戶端和監控終端兩部分組成，客戶端硬件設計是由高配置的計算機組成，視頻終端則主要由視頻采集模塊和視頻處理模塊組成。系統終端硬件設計圖如圖2所示。

圖2 系統終端硬件設計圖

視頻采集模塊采用攝像機和高達800萬門Xilinx Virtex－4 FPGA處理器。攝像機采用CMOS的方式采集數據，通過A/D轉換器TV5158將采集數據傳遞給FPGA處理器，FPGA處理器支持YCbCr/HDMI/HDSDI/VGA多種高清視頻輸入接口，并采用時分復用提高多路信號的輸入，利用DMA方式傳輸數據到DDR2中供DM6467使用，FPGA處理器的視頻預處理能力提高了監控系統的實時性。

視頻處理模塊采用TI DM6467T芯片作為核心處理器，該芯片集成了高性能的TMS320C64x+DSP內核和1個ARM926EJ－S內核，內置2組獨立的HDVICP協處理器單元，時鐘頻率達到1 GHz，能夠以5800 MI/s(百萬條指令/秒)的速度處理信息。其中DSP主要負責算法對視頻數據的處理，ARM主要負責與外設的通信，并將DSP處理后的數據通過網絡發送到監控中心，它們之間也是通過DDR2進行數據交互的，而DDR2緩存實行兩級緩存的方式，提高了系統的時效性。另外DM6467T還包含豐富的外設，例如USB、以太網接口、硬盤等，不僅擴展了系統的緩存，還為數據的傳輸和存儲提供了可靠性。

3 系統軟件設計

本系統的軟件客戶端采用流媒體播放器和socket通信，監控端則采用移植在DM6467平臺上的Linux系統作為開發環境。圖3所示是視頻的采集、檢測、跟蹤、播放模塊的軟件流程設計。采集模塊主要負責視頻的采集和存儲，并響應客戶端的云臺控制;檢測模塊則采用背景模型建立分割目標的方法進行檢測，目標跟蹤則根據檢測結果進行物體主動輪廓跟蹤法進行跟蹤，并將結果發送給客戶端播放。

4 系統算法設計及實現

4.1 運動目標檢測

運動目標檢測常用的方法有幀間差分法、背景減除法、光流法［1－6］，但其對于背景比較復雜的場景不適用，因而本文采用核密度估計(KDE)法來檢測運動物體。它是基于圖像在時間域和空間域上的馬爾可夫性，利用歷史幀數據來估計當前幀像素的概率密度，通過閾門值來判斷當前像素為運動前景物體或背景的。

核密度估計通過加權平均中心點位于采樣值的局部函數來估計未知的密度分布。從理論上講，只要有足夠多的樣本數，它可漸進收斂于任何形式的密度函數。給定某像素特征空間的一個樣本集{x1，x1，…，xN}，觀測值xt的密度分布用P(xt)來估計，公式為

圖3 系統軟件設計圖

式中:權值ai=，Kh=K(t/h)為核函數，h 表示窗寬或帶寬，其中樣本容量N→∞ ，帶寬N→0。

在實際應用中，核函數的選取對估計結果影響不大，但核帶寬h的選取更為重要。帶寬h過小，估計偏差過高，估計得到的密度函數不夠光滑，容易受到噪聲影響;帶寬h過大容易造成過光滑，從而丟失重要信息。

本文采用常見的高斯密度函數作為核函數，采用相鄰兩幀樣本的灰度絕對差的中間位數作為背景估計的帶寬。假設局部分布服從N(μ，h2)高斯分布，那么(xixi+1)的絕對差值將服從高斯分布N(μ，2h2)。所以有高斯分布的對稱行及樣本中位數的定義，可得h=m/(0.68。其中，m為樣本中(x1－xi+1)的絕對值中位數。

運動目標檢測如圖4所示。

4.2 運動目標跟蹤

目標跟蹤算法實質上就是基于區域、特征、模型的圖像匹配問題［7］，考慮到區域匹配和特征匹配的精確性問題，本文采用基于動態輪廓snake模型的跟蹤算法，它不僅適用于復雜的環境，而且具有良好的穩健性。

式中:α為曲線的連續性控制參數，β為曲線的光滑性控制參數，Xs和Xss分別為X(s，t)對s的一階導數和二階導數。

外部能量函數Eext=γEimage(X(s，t))由圖像的灰度、邊緣等特征獲得。對于I(x，y)一般采用以下圖像能量函數

式中:Gσ(x，y)為標準差為σ的二維高斯函數，▽為梯度算法。為了使能量函數最小，snake必須滿足歐拉方程，即αX"(s，t)－βX?(s，t)－▽Eext=0 。能量平衡方程可視為驅動力的平衡方程 Fint+Fext=0 。其中，Fint=αX"(s，t)－ βX?(s，t)，控制著曲線的特性;Fext=－▽Eext，將活動輪廓吸引到目標輪廓，snake在內力Fint的吸引驅動下向目標輪廓移動，而外力Fext在保持snake拓撲性的同時，隨著snake的移動變化，最終達到內外力之和等于零，這時，snake就停留在目標輪廓上。

目標跟蹤結果如圖5所示。

5 結論

本文針對以往監控系統的不足，結合目標檢測跟蹤算法和嵌入式技術，設計了智能監控系統。實驗結果表明，該系統具有良好的穩定性和穩健性，可廣泛應用于遠程家居監控、交通監控、社區安防監控等方面，為物聯網的發展奠定了基礎。

［1］HARITAOGLU I D H，DAVIS L.W4:Realtime surveillance of people and their activities［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2000，22(8):809－830.

［2］WREN C R，AZARBAYEJANI A.Pfinder:real－time tracking of the human body［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，1997，19(7):780－785.

［3］陳鋒強.復雜場景下運動物體檢測與跟蹤算法的研究［D］.上海:上海交通大學，2008.

［4］龔光魯，錢敏平.應用隨機過程教程及在算法和智能計算中的隨機模型［M］.北京:清華大學出版社，2004.

［5］劉亞，艾海舟，徐光佑.一種基于背景模型的運動目標檢測與跟蹤［J］.信息與控制，2002，31(7):315－319.

［6］丁忠校.視頻監控圖像的運動目標檢測方法綜述［J］.電視技術，2008，32(5):72－76.

［7］滕游，董輝，俞立.基于DSP的運動目標檢測與跟蹤系統設計［J］.浙江工業大學學報，2009，37(6):607－609.