基于DM8148的警戒區(qū)域告警算法的實(shí)現(xiàn)

丁偲偲，王 鋒

（1.武漢郵電科學(xué)研究院 湖北 武漢 430074；2.武漢烽火眾智數(shù)字技術(shù)有限責(zé)任公司 湖北 武漢 430074）

安防產(chǎn)業(yè)是隨著現(xiàn)代社會(huì)安全需求應(yīng)運(yùn)而生的產(chǎn)業(yè)。隨著信息技術(shù)的進(jìn)步，其科技含量越來(lái)越高，對(duì)智能化的應(yīng)用需求也在提升。通過(guò)智能視頻監(jiān)控預(yù)測(cè)可疑行為，例如人員穿越警戒線、警戒區(qū)域、長(zhǎng)時(shí)間滯留，可疑物品遺留/遺失等，系統(tǒng)會(huì)對(duì)當(dāng)前情況做出判斷或預(yù)判，如果認(rèn)為可疑人員正在或?qū)⒁獙?shí)施犯罪，提醒或警示值班人員采取適當(dāng)?shù)拇胧１疚奶岢龅木鋮^(qū)域告警算法是在嵌入式DM8148平臺(tái)上實(shí)現(xiàn)的對(duì)人運(yùn)動(dòng)軌跡的識(shí)別跟蹤，對(duì)警戒區(qū)域的異常行為進(jìn)行告警，在一定程度上避免事件的發(fā)生，或者加快事后的處理速度。運(yùn)用該算法的監(jiān)控設(shè)備適合小區(qū)、銀行、倉(cāng)庫(kù)等場(chǎng)所的監(jiān)控與防范。

1 DM8148平臺(tái)和OpenCV

DM8148[1]視頻處理器是一款高度集成的可編程平臺(tái)，借助TI的DaVinci處理器技術(shù)優(yōu)勢(shì)，可以很好地應(yīng)用于視頻監(jiān)控、網(wǎng)絡(luò)攝像機(jī)、媒體播放器等產(chǎn)品。DM8148處理器包含一個(gè)高達(dá)1GHz的ARM Cortex-A8 RISC內(nèi)核，協(xié)調(diào)和控制各個(gè)任務(wù)模塊，并監(jiān)控程序正常運(yùn)行及糾錯(cuò)；一個(gè)高達(dá)750 MHz的C674x超長(zhǎng)指令字?jǐn)?shù)字信號(hào)處理器（DSP），進(jìn)行智能算法的快速處理；一個(gè)含有2個(gè)ARM Cortex-M3架構(gòu)處理器的媒體控制器，用于視頻圖像的相關(guān)處理。

OpenCV[2]是一種用于數(shù)字圖像處理和計(jì)算機(jī)視覺的函數(shù)庫(kù)，可以在Windows、Linux等系統(tǒng)上運(yùn)行，由C函數(shù)和C++類構(gòu)成，提供了豐富的幀提取函數(shù)和標(biāo)準(zhǔn)的圖像處理算法應(yīng)用于bitmap圖像，video文件和網(wǎng)絡(luò)攝像機(jī)等形式的源文件，這些函數(shù)庫(kù)都是開源的源代碼，可以直接在具體的視頻開發(fā)項(xiàng)目中調(diào)用。高斯混合模型應(yīng)用于背景提取，Kalman濾波應(yīng)用于目標(biāo)預(yù)測(cè)跟蹤，這些算法在OpenCV中都有具體的函數(shù)實(shí)現(xiàn)。

雖然OpenCV提供的圖像處理函數(shù)是開源的，但直接移植到DM8148平臺(tái)的DSP處理器會(huì)缺乏關(guān)聯(lián)庫(kù)，需結(jié)合算法原理在DSP中單用C函數(shù)實(shí)現(xiàn)。另一個(gè)關(guān)鍵的限制因素是嵌入式系統(tǒng)的實(shí)時(shí)性，需在給定幀率的前提下適當(dāng)調(diào)整智能算法處理次數(shù)，以保證幀率的穩(wěn)定。

2 警戒區(qū)域告警算法流程

警戒區(qū)域告警算法屬于智能視頻監(jiān)控在人運(yùn)動(dòng)軌跡識(shí)別方面的應(yīng)用，主要包括視頻圖像中移動(dòng)目標(biāo)檢測(cè)、目標(biāo)跟蹤和目標(biāo)行為分析。

該算法通過(guò)混合高斯模型進(jìn)行背景建模，利用背景減法結(jié)合背景更新實(shí)現(xiàn)對(duì)移動(dòng)目標(biāo)的檢測(cè)提取，然后結(jié)合線性預(yù)測(cè)、Blob匹配和最鄰近跟蹤原則對(duì)二值前景圖進(jìn)行移動(dòng)目標(biāo)匹配跟蹤，最后對(duì)移動(dòng)目標(biāo)進(jìn)行軌跡分析，從而實(shí)現(xiàn)對(duì)警戒區(qū)域入侵行為的檢測(cè)，及時(shí)上報(bào)提示或告警信息。具體流程如圖1所示。

圖1 警戒區(qū)域告警流程圖Fig.1 Flow chart of the precautionary area alarm algorithm

3 算法具體實(shí)現(xiàn)

3.1 移動(dòng)目標(biāo)檢測(cè)

背景減法[3]是一種主流的移動(dòng)目標(biāo)檢測(cè)的算法，是通過(guò)建立背景模型，將當(dāng)前幀與背景模型進(jìn)行對(duì)比，最后根據(jù)對(duì)比結(jié)果閾值化來(lái)區(qū)分前景和背景，提取運(yùn)動(dòng)區(qū)域。其中，背景模型既需要一定的靈敏性對(duì)前景和背景進(jìn)行分辨，又需要一定的魯棒性滿足動(dòng)態(tài)背景的干擾，所以背景模型的建立至關(guān)重要。另外由于算法應(yīng)用于嵌入式DM8148平臺(tái)，過(guò)大的數(shù)據(jù)計(jì)算量會(huì)影響系統(tǒng)的實(shí)時(shí)性，需在背景建模前進(jìn)行圖像的縮放。

背景建模采用混合高斯模型[4]，采用K個(gè)高斯模型來(lái)代表圖中像素點(diǎn)的特征，在獲得下一幀圖像時(shí)更新背景模型，將當(dāng)前幀的每個(gè)像素點(diǎn)與背景模型匹配，匹配成功則為背景，從而提取前景運(yùn)動(dòng)區(qū)域。K是高斯模型數(shù)，K取值大，算法計(jì)算量越大，能適應(yīng)越復(fù)雜的場(chǎng)景，考慮到在嵌入式DM8148平臺(tái)的運(yùn)用，過(guò)于復(fù)雜的算法并不適宜，故K值取3。

背景模型的更新包括均值μ、方差σ2、權(quán)值ω的更新。簡(jiǎn)單分為以下幾種情形：

①K個(gè)高斯分布中有匹配當(dāng)前像素值的分布，按如下表達(dá)式更新該像素點(diǎn)的權(quán)值：

ωn，t表示 t時(shí)刻第 n個(gè)高斯分布的權(quán)值，α為學(xué)習(xí)率，決定分布參數(shù)變化的速度。對(duì)于匹配的分布Mn，t取值為1，其余分布均取值0。

對(duì)于不匹配的分布，均值和方差不變，匹配的分布按如下表達(dá)式更新均值和方差：

Xt表示當(dāng)前像素值，ρ定義為表示高斯密度函數(shù)：

②K個(gè)高斯分布中沒(méi)有匹配當(dāng)前像素值的分布，以當(dāng)前Xt為均值，給定較大的初始方差302，構(gòu)建新的高斯模型取代當(dāng)前ω/σ最小的模型。

二值前景圖由于噪聲和背景的細(xì)微變化往往不是完整的輪廓，需要通過(guò)形態(tài)學(xué)處理[5]降噪。本文采用腐蝕和膨脹的方法處理二值前景圖。腐蝕和膨脹[6]都是遍歷圖像的每個(gè)像素，與覆蓋的二值圖像區(qū)域進(jìn)行圖像“與”運(yùn)算。不同的是，腐蝕令運(yùn)算后全為1的像素點(diǎn)為1，否則為0，從而去掉毛刺和孤立的斑點(diǎn)；膨脹令運(yùn)算后全為0的像素點(diǎn)為0，否則為1，從而填充邊緣、消除噪聲引起的空洞。

經(jīng)形態(tài)學(xué)處理后的效果圖如圖2所示。

圖2 形態(tài)學(xué)處理效果圖Fig.2 Rendering of morphological processing

圖2 （a）是一幀視頻圖像通過(guò)格式轉(zhuǎn)換和亮度分量提取后的圖像，圖2（b）是背景圖像，圖2（c）是差分處理并二值化后的前景圖，圖中目標(biāo)區(qū)域出現(xiàn)空洞，背景區(qū)域包含若干噪點(diǎn)。圖2（d）是形態(tài)學(xué)處理后效果圖，到達(dá)填充前景空洞，消除背景噪聲的作用。

3.2 目標(biāo)跟蹤

目標(biāo)跟蹤算法[7]的種類很多，本文提出一種結(jié)合線性預(yù)測(cè)、Blob匹配，和最鄰近跟蹤的目標(biāo)跟蹤方法。視頻的幀率一般為25或30幀/秒，因此相鄰兩幀的時(shí)間間隔很短，可以假設(shè)每一個(gè)移動(dòng)目標(biāo)的移動(dòng)速度在兩幀之間是恒定的，從而構(gòu)成一個(gè)線性動(dòng)態(tài)系統(tǒng)，利用Kalman濾波進(jìn)行線性預(yù)測(cè)。Blob匹配[8]是指利用Blob信息，即移動(dòng)目標(biāo)區(qū)域塊的位置、大小、周長(zhǎng)等幾何信息，去匹配候選目標(biāo)。

具體的目標(biāo)跟蹤算法流程分為以下幾步：

①候選目標(biāo)鏈Candidate成員的選定

在經(jīng)過(guò)形態(tài)學(xué)處理后的前景圖像中，目標(biāo)區(qū)域已經(jīng)成為一個(gè)個(gè)連通區(qū)域，將區(qū)域面積大于閾值MINAREA（本文采用3*3）的連通區(qū)域標(biāo)記為一個(gè)Blob，記錄其位置，作為候選目標(biāo)鏈Candidate成員。

②對(duì)前一幀檢測(cè)到的目標(biāo)鏈Destination成員進(jìn)行線性預(yù)測(cè)，計(jì)算預(yù)測(cè)位置與候選鏈Candidate成員的距離，尋找距離最短的Candidate。

③比較②中的最短距離與設(shè)定的距離閾值，即最大可能移動(dòng)的距離。

若最短距離<距離閾值，用距離最短的Candidate目標(biāo)位置更新Destination當(dāng)前位置；

若最短距離＞距離閾值，Destination中該目標(biāo)丟失，刪除此目標(biāo)。將Candidate中未匹配上的成員作為新目標(biāo)加入Destination鏈。

④若存在多個(gè)Destination鏈成員與同一Candidate目標(biāo)匹配，則保留最早出現(xiàn)的Destination，刪除其他成員。

目標(biāo)跟蹤的效果圖如圖3所示。

圖3驗(yàn)證了線性預(yù)測(cè)結(jié)合Blob匹配的跟蹤效果，圖3（a）中兩個(gè)目標(biāo)跟蹤區(qū)域即將重合；圖3（b）由于兩個(gè)目標(biāo)區(qū)域運(yùn)動(dòng)方向相同，前景Blob融合在一塊；圖3（c）中目標(biāo)區(qū)域分離，根據(jù)Blob匹配重新區(qū)分目標(biāo)進(jìn)行跟蹤。

3.3 目標(biāo)行為判斷處理

目標(biāo)行為的判斷是在移動(dòng)目標(biāo)檢測(cè)和跟蹤的基礎(chǔ)上，使用有效的算法對(duì)人行為模式，即運(yùn)動(dòng)軌跡，進(jìn)行分析、判斷、處理，達(dá)到提前預(yù)警的效果，一定程度上避免了事件的發(fā)生。

對(duì)于警戒區(qū)域告警的判斷分為如下幾種情況：

①目標(biāo)存在沒(méi)有超過(guò)5～10幀，不進(jìn)行處理。

②目標(biāo)存在超過(guò)5～10幀，未標(biāo)記進(jìn)出警戒區(qū)域標(biāo)志。若目標(biāo)當(dāng)前位置和前一幀位置分別位于警戒區(qū)域內(nèi)外，且符合報(bào)警方向，標(biāo)記該目標(biāo)，記錄跨越區(qū)域方向，即進(jìn)入或離開。

圖3 目標(biāo)跟蹤效果圖Fig.3 Rendering of target tracking

③目標(biāo)存在超過(guò)5～10幀，已標(biāo)記進(jìn)出警戒區(qū)域標(biāo)志。若目標(biāo)進(jìn)出警戒區(qū)行為與警戒區(qū)域告警方向一致，根據(jù)持續(xù)時(shí)間上報(bào)提示或警告信息。

4 檢測(cè)結(jié)果

設(shè)計(jì)初期，為了驗(yàn)證警戒區(qū)域告警算法的性能，在Windows 7操作系統(tǒng)上用Visual Studio2008開發(fā)工具和OpenCV視覺函數(shù)庫(kù)實(shí)現(xiàn)算法。后期將算法中調(diào)用的創(chuàng)建、更新混合高斯模型，形態(tài)學(xué)處理等圖像處理函數(shù)移植到DM8148的DSP處理器中，從而實(shí)現(xiàn)智能視頻監(jiān)控系統(tǒng)的前端智能。

在實(shí)際應(yīng)用中，視頻幀速率為25幀/秒，主碼流分辨率為1 920*1 080，進(jìn)行縮放后算法處理的圖像分辨率為352*288。應(yīng)用檢測(cè)效果如圖4所示。

圖4驗(yàn)證了警戒區(qū)告警算法的實(shí)際應(yīng)用效果，圖4（a）為任意劃定的警戒區(qū)域，圖4（b）中跟蹤目標(biāo)即將進(jìn)入警戒區(qū)。圖4（c）為跟蹤目標(biāo)進(jìn)入警戒區(qū)，上報(bào)Alarm In告警信息的情況，圖4（d）為跟蹤目標(biāo)離開警戒區(qū)，上報(bào)Alarm Out告警信息的情況。

5 結(jié)論

本文提出了一種應(yīng)用于智能視頻監(jiān)控系統(tǒng)的警戒區(qū)域告警算法，并在嵌入式DM8148平臺(tái)上實(shí)現(xiàn)。算法能實(shí)時(shí)檢測(cè)、跟蹤監(jiān)控區(qū)域人員，記錄其運(yùn)動(dòng)軌跡，并對(duì)可疑入侵行為進(jìn)行識(shí)別處理，對(duì)動(dòng)態(tài)背景的干擾具有一定的魯棒性。該算法已經(jīng)在基于DM8148的智能高清網(wǎng)絡(luò)攝像機(jī)項(xiàng)目中得到應(yīng)用，今后可在提高跟蹤準(zhǔn)確率的基礎(chǔ)上擴(kuò)展人流量統(tǒng)計(jì)功能。

圖4 應(yīng)用檢測(cè)圖Fig.4 Detection figure of application

[1]Texas Instrument.TMS320DM814x DaVinci Digital Media Processors[EB/OL].http://www.ti.com/lit/gpn/tms320dm8148.

[2]梁艷．基于OpenCV的ARM嵌入式網(wǎng)絡(luò)視頻監(jiān)控系統(tǒng)[J]．微型機(jī)與應(yīng)用，2013，32（9）： 29－31．LIANG Yan.ARM embedded network video monitoring system based on openCV[J].Microcomputer&Its Applications，2013，32（9）:29－31.

[3]周維．視頻監(jiān)控中運(yùn)動(dòng)目標(biāo)發(fā)現(xiàn)與跟蹤算法研究[D]．北京：中國(guó)科學(xué)技術(shù)大學(xué)，2012．

[4]李明，趙勛杰．改進(jìn)的基于高斯混合模型的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J]．計(jì)算機(jī)工程與應(yīng)用，2011，47（8）： 204-206．LI Ming，ZHAO Xun-jie.Improved moving objects detection algorithm based on gaussian mixture model[J].Computer Engineering and Applications，2011，47（8）:204-206.

[5]李彤．智能視頻監(jiān)控下的多目標(biāo)跟蹤技術(shù)研究 [D]．北京：中國(guó)科學(xué)技術(shù)大學(xué)，2013．

[6]董坤．視頻監(jiān)控中運(yùn)動(dòng)人體檢測(cè)與異常行為分析研究[D]．南京：南京郵電大學(xué)，2013．

[7]孫紅，王曉婉，吳錢忠，等．目標(biāo)實(shí)時(shí)跟蹤與預(yù)測(cè)算法研究[J]．信息技術(shù)，2014（3）： 55-57．SUN Hong，WANG Xiao-wan，WU Qian-zhong，et al.Algorithm of real-time object tracking and prediction[J].Information Technology，2014（3）:55-57.

[8]袁國(guó)武．智能視頻監(jiān)控中的運(yùn)動(dòng)目標(biāo)檢測(cè)和跟蹤算法研究[D]．云南： 云南大學(xué)，2012．