項(xiàng)目實(shí)施背景及可行性分析：

智能視頻監(jiān)控是計(jì)算機(jī)視覺(jué)的一個(gè)重要應(yīng)用領(lǐng)域，有著廣闊的應(yīng)用前景，尤其是那些對(duì)安全要求比較敏感的場(chǎng)合，如飛機(jī)場(chǎng)、地鐵站、銀行、超市等。

因?yàn)樵谝曨l監(jiān)控場(chǎng)景中出現(xiàn)的行人是事件發(fā)生的主體，所以行人是智能視頻監(jiān)控系統(tǒng)研究的主要對(duì)象，系統(tǒng)對(duì)這些行人目標(biāo)進(jìn)行實(shí)時(shí)檢測(cè)、跟蹤與識(shí)別，進(jìn)而分析他們的運(yùn)動(dòng)或行為。而我們的研究課題——行人檢測(cè)就屬于智能監(jiān)控系統(tǒng)中的目標(biāo)分類功能部分，它的作用是將視頻中的行人與其他物體區(qū)分開來(lái)，并準(zhǔn)確定位。檢測(cè)性能的好壞將直接影響后續(xù)工作以致整個(gè)智能監(jiān)控系統(tǒng)的性能。因而這將是一個(gè)有著現(xiàn)實(shí)應(yīng)用意義的課題項(xiàng)目

在視頻圖像中進(jìn)行行人檢測(cè)可轉(zhuǎn)化為一個(gè)目標(biāo)分類問(wèn)題，設(shè)計(jì)行人檢測(cè)系統(tǒng)的前提就是分類器的訓(xùn)練。訓(xùn)練分類器的主要步驟包括目標(biāo)特征提取和機(jī)器學(xué)習(xí)算法的選擇。利用特征對(duì)目標(biāo)進(jìn)行建模比直接使用圖像的像素值在計(jì)算上更加方便快捷，另外特征提取有利于減小同類目標(biāo)對(duì)象的類內(nèi)距離，同時(shí)增大不同類對(duì)象之間的類間距離，使最終的分類結(jié)果更加準(zhǔn)確。目前矩形特征經(jīng)常被同來(lái)表述行人形狀的邊緣信息，此類特征在樣本圖像中的大小和位置都是可變的，在逐像素遍歷的情況下特征總數(shù)目還是非常龐大，因此需要一個(gè)特征選擇算法來(lái)選擇對(duì)分類最有的特征，而級(jí)聯(lián)Adaboost算法正具有此功能。級(jí)聯(lián)Adaboost算法成熟、快速，具有很強(qiáng)的實(shí)用性。綜上所述，成熟的行人檢測(cè)算法為本研究項(xiàng)目奠定了堅(jiān)實(shí)的理論基礎(chǔ)。

項(xiàng)目實(shí)施方案：

1 項(xiàng)目基本框圖及描述：

從實(shí)用角度出發(fā)，本文涉及的行人檢測(cè)系統(tǒng)，共有三個(gè)功能模塊，系統(tǒng)框圖如圖一所示。第一部分的作用是通過(guò)背景建模進(jìn)行前景目標(biāo)的提??；第二部分完成對(duì)行人目標(biāo)的多尺度檢測(cè)功能，其中的行人分類器是由級(jí)聯(lián)Adaboost算法使用矩形特征訓(xùn)練出來(lái)的；第三部分的作用是將同一目標(biāo)產(chǎn)生的多個(gè)檢測(cè)結(jié)果進(jìn)行合并，完成最終的檢測(cè)定位功能。

圖一：行人檢測(cè)系統(tǒng)框圖

　　2 背景建模

　　真實(shí)的視頻監(jiān)控場(chǎng)景中，存在著大量的背景區(qū)域。本系統(tǒng)引入背景建模用來(lái)提取前景目標(biāo)，有利于減少目標(biāo)的搜索范圍，從而加快檢測(cè)速度。本系統(tǒng)采用單高斯背景建模法來(lái)獲取前景目標(biāo)。

　　單高斯分布背景模型為每一圖像像素的灰度值分布建立了用單個(gè)高斯分布表示的模型，其中下標(biāo)t表示幀號(hào)，和分別表示高斯分布的矩陣和方差。設(shè)圖像當(dāng)前像素點(diǎn)的灰度值為，若，其中T為概率閾值，則該像素點(diǎn)被判為前景點(diǎn)，否則為背景點(diǎn)。在實(shí)際應(yīng)用中，記，則取概率閾值為。

　　對(duì)于單高斯分布模型的更新，即各圖像點(diǎn)高斯分布參數(shù)的更新，我們引入如下更新公式：

　　其中為更新率，的取值對(duì)前景目標(biāo)的提取起著關(guān)鍵的作用。如果太小，則會(huì)使背景模型跟不上實(shí)際背景的更新速度；如果取太大，則可能將速度較慢的運(yùn)動(dòng)物體更新為背景模型的一部分。本系統(tǒng)將取值為0.005。

　　通過(guò)高斯背景建模，可以生成當(dāng)前幀圖像的前景像素點(diǎn)，將這些前景像素點(diǎn)標(biāo)記為1，背景像素點(diǎn)標(biāo)記為0，生成一張前景標(biāo)記圖像。在后續(xù)的多尺度檢測(cè)過(guò)程中，通過(guò)判斷子窗口中是否含有前景像素點(diǎn)以決定是否檢測(cè)。子窗口的遍歷不需要花費(fèi)很多時(shí)間，但級(jí)聯(lián)分類器的特征計(jì)算是非常耗時(shí)的，因此這樣做可以大大減少檢測(cè)時(shí)間。

　　3 多尺度檢測(cè)

　　本系統(tǒng)采用的檢測(cè)方法是利用檢測(cè)窗口逐像素多尺度遍歷圖像區(qū)域，用訓(xùn)練好的級(jí)聯(lián)Adaboost行人分類器檢測(cè)檢測(cè)窗口內(nèi)是否存在行人，其中檢測(cè)窗口的尺寸等于訓(xùn)練樣本的尺寸。在實(shí)際的視頻場(chǎng)景中，人的尺寸是隨著與攝像機(jī)之間的距離變化而變化的，因此需要考慮檢測(cè)目標(biāo)與樣本尺寸匹配的問(wèn)題。針對(duì)這個(gè)問(wèn)題，本系統(tǒng)采用逐層縮小原始圖像的方法，以保證檢測(cè)目標(biāo)與檢測(cè)窗口尺寸的一致性。

　　對(duì)于縮放系數(shù)的選擇，也是影響檢測(cè)效果的因素之一。若縮放系數(shù)太低，可能導(dǎo)致目標(biāo)形狀的畸變，從而影響檢測(cè)結(jié)果；但如果縮放系數(shù)太高，又會(huì)增加縮放次數(shù)，降低檢測(cè)效率。折衷考慮，我們選擇0.85為逐層縮放圖像的系數(shù)，圖像的逐層縮放需要在原始圖像和前景目標(biāo)圖像上同時(shí)進(jìn)行，直至圖片的尺寸小于檢測(cè)窗口的尺寸。

　　4 多檢測(cè)窗口的合并

　　由于本系統(tǒng)采用的檢測(cè)方法是逐像素多尺度遍歷檢測(cè)，可能導(dǎo)致對(duì)同一目標(biāo)產(chǎn)生多個(gè)檢測(cè)結(jié)果（如圖二（a）所示），因此需要將這些重疊的窗口合并成一個(gè)檢測(cè)結(jié)果（如圖二（b）所示）。在合并的過(guò)程中，首先判斷當(dāng)前窗口是否有足夠的臨近窗口。所謂臨近窗口就是兩個(gè)窗口R1和R2相交的面積S（如圖二（c）陰影部分所示）與兩個(gè)窗口面積的比值均大于0.6。如果有足夠多的臨近窗口，那么保留此窗口，并且將此窗口與其臨近窗口兩兩求平均合并為一個(gè)新的窗口（如圖二（c）虛框所示）；如果沒(méi)有足夠多的臨近窗口，就將此窗口當(dāng)是錯(cuò)誤檢測(cè)結(jié)果刪除。

　　圖二：（a）合并前 （b）合并后 （c）矩形窗口合并方法

　　項(xiàng)目設(shè)計(jì)目標(biāo)：

　　對(duì)于視頻圖像，我們采用以下兩個(gè)性能指標(biāo)來(lái)統(tǒng)計(jì)檢測(cè)系統(tǒng)的性能：

　　1、虛警率：所有幀內(nèi)圖像發(fā)生錯(cuò)檢的非行人窗口數(shù)目總和/所有幀內(nèi)檢測(cè)窗口數(shù)目總和；

　　2、檢測(cè)率：所有幀內(nèi)圖像檢測(cè)正確的行人窗口數(shù)目總和/所有幀內(nèi)檢測(cè)窗口數(shù)目總和

　　本系統(tǒng)的設(shè)計(jì)目標(biāo)是實(shí)現(xiàn)實(shí)時(shí)檢測(cè)，并且在復(fù)雜的圖像背景條件下，達(dá)到高檢測(cè)率和低虛警率。

? ? ? ?實(shí)驗(yàn)資源：

　?。?）實(shí)驗(yàn)平臺(tái)

　　FPGA開發(fā)平臺(tái)以及相應(yīng)的JTAG調(diào)試和開發(fā)工具

　　目標(biāo)平臺(tái)為Xilinx Virtex –V5開發(fā)平臺(tái)，原因如下：本項(xiàng)目屬于數(shù)字通信和高速電路領(lǐng)域，可以用在航空和軍事領(lǐng)域，需要硬件處理平臺(tái)具有較高的處理速度和豐富的邏輯資源，Xilinx-V5平臺(tái)是目前Xilinx公司推出的最新FPGA開發(fā)平臺(tái)，核心FPGA芯片的數(shù)據(jù)處理能力可達(dá)到3.1G，可實(shí)現(xiàn)高速數(shù)字信號(hào)的串并變換、時(shí)鐘處理、延遲處理等邏輯功能。

　　（2）測(cè)試設(shè)備：

　　包括直流穩(wěn)壓電源、萬(wàn)用表

　?。?）仿真、開發(fā)工具：

　　包括Opencv、ModelSim、Xilinx ISE等。