嵌入式運動人體實時檢測系統(tǒng)的設(shè)計與實現(xiàn).pdf

1、對圖像序列中的運動目標進行檢測和識別是當前計算機視覺和模式識別領(lǐng)域的一個重要研究方向,在智能視覺監(jiān)控、圖像檢索和高級人機交互等領(lǐng)域有著非常重要的地位。本文對圖像序列中的運動人體檢測的相關(guān)內(nèi)容進行了深入的研究,并實現(xiàn)了一個基于嵌入式平臺的運動人體實時檢測系統(tǒng)。
　　運動人體檢測包括兩個方面的內(nèi)容:對圖像序列中的運動目標進行檢測和對提取的對象進行分類。在攝像機靜止的情況下,最常用的檢測算法是背景差分法,該算法通常需要構(gòu)建背景模型且需要

2、對背景圖像進行實時更新,容易受光線變化的影響。光流法不需要任何的背景信息就能提取出完整的運動目標,但是該算法運算復雜、實時性差且需要特殊硬件的支持。幀間差分法具有較強的自適應(yīng)性和實時性,但存在相鄰兩幀目標重疊部分不易檢測的問題,運動目標內(nèi)部容易出現(xiàn)空洞。針對嵌入式平臺資源有限的特點,本文在三幀差分法的基礎(chǔ)上進行改進,用或運算代替最后的與運算,實現(xiàn)了運動軌跡的累積,獲得了更多的目標運動區(qū)域,從而減少了內(nèi)部的空洞。采用最大類間方差法對差分圖

3、像進行動態(tài)閾值分割,然后對前景運動目標進行數(shù)學形態(tài)學處理,進一步消除目標內(nèi)部的空洞,最后通過連通域分析的方法提取出運動目標。
　　對人體進行識別和行為理解一直是機器視覺的研究熱點,主要是基于人的形體知識、皮膚顏色和運動學特征等方面對人體進行識別,其中最常用的是對人的形體特征進行分析,采用模式分類的方法進行識別。目前,模式分類的算法比較多,常用的有貝葉斯分類器、支持向量機、K近鄰法等。本文中判斷提取的運動目標屬于人體還是非人體是典型

4、的二分類問題,基于嵌入式平臺實時性方面的考慮,采用貝葉斯分類器對其進行分類。在特征的選擇上,首先根據(jù)人體的結(jié)構(gòu)特點對樣本進行網(wǎng)格劃分,然后統(tǒng)計網(wǎng)格內(nèi)各像素點的灰度值,最后將豎直方向和水平方向上的統(tǒng)計值組合起來作為分類器的特征向量。
　　本文最后將運動目標檢測和人體識別算法應(yīng)用于嵌入式視頻監(jiān)控,它能夠在無人值守的情況下,對靜態(tài)背景區(qū)域中是否有單個的運動人體進行智能判斷,當檢測到人體時則發(fā)出報警提示并將該時刻所采集的圖像信息自動保存到