基于DM8148的警戒区域告警算法的实现

丁偲偲，王 锋

（1.武汉邮电科学研究院 湖北 武汉 430074；2.武汉烽火众智数字技术有限责任公司 湖北 武汉 430074）

安防产业是随着现代社会安全需求应运而生的产业。随着信息技术的进步，其科技含量越来越高，对智能化的应用需求也在提升。通过智能视频监控预测可疑行为，例如人员穿越警戒线、警戒区域、长时间滞留，可疑物品遗留/遗失等，系统会对当前情况做出判断或预判，如果认为可疑人员正在或将要实施犯罪，提醒或警示值班人员采取适当的措施。本文提出的警戒区域告警算法是在嵌入式DM8148平台上实现的对人运动轨迹的识别跟踪，对警戒区域的异常行为进行告警，在一定程度上避免事件的发生，或者加快事后的处理速度。运用该算法的监控设备适合小区、银行、仓库等场所的监控与防范。

1 DM8148平台和OpenCV

DM8148[1]视频处理器是一款高度集成的可编程平台，借助TI的DaVinci处理器技术优势，可以很好地应用于视频监控、网络摄像机、媒体播放器等产品。DM8148处理器包含一个高达1GHz的ARM Cortex-A8 RISC内核，协调和控制各个任务模块，并监控程序正常运行及纠错；一个高达750 MHz的C674x超长指令字数字信号处理器（DSP），进行智能算法的快速处理；一个含有2个ARM Cortex-M3架构处理器的媒体控制器，用于视频图像的相关处理。

OpenCV[2]是一种用于数字图像处理和计算机视觉的函数库，可以在Windows、Linux等系统上运行，由C函数和C++类构成，提供了丰富的帧提取函数和标准的图像处理算法应用于bitmap图像，video文件和网络摄像机等形式的源文件，这些函数库都是开源的源代码，可以直接在具体的视频开发项目中调用。高斯混合模型应用于背景提取，Kalman滤波应用于目标预测跟踪，这些算法在OpenCV中都有具体的函数实现。

虽然OpenCV提供的图像处理函数是开源的，但直接移植到DM8148平台的DSP处理器会缺乏关联库，需结合算法原理在DSP中单用C函数实现。另一个关键的限制因素是嵌入式系统的实时性，需在给定帧率的前提下适当调整智能算法处理次数，以保证帧率的稳定。

2 警戒区域告警算法流程

警戒区域告警算法属于智能视频监控在人运动轨迹识别方面的应用，主要包括视频图像中移动目标检测、目标跟踪和目标行为分析。

该算法通过混合高斯模型进行背景建模，利用背景减法结合背景更新实现对移动目标的检测提取，然后结合线性预测、Blob匹配和最邻近跟踪原则对二值前景图进行移动目标匹配跟踪，最后对移动目标进行轨迹分析，从而实现对警戒区域入侵行为的检测，及时上报提示或告警信息。具体流程如图1所示。

图1 警戒区域告警流程图Fig.1 Flow chart of the precautionary area alarm algorithm

3 算法具体实现

3.1 移动目标检测

背景减法[3]是一种主流的移动目标检测的算法，是通过建立背景模型，将当前帧与背景模型进行对比，最后根据对比结果阈值化来区分前景和背景，提取运动区域。其中，背景模型既需要一定的灵敏性对前景和背景进行分辨，又需要一定的鲁棒性满足动态背景的干扰，所以背景模型的建立至关重要。另外由于算法应用于嵌入式DM8148平台，过大的数据计算量会影响系统的实时性，需在背景建模前进行图像的缩放。

背景建模采用混合高斯模型[4]，采用K个高斯模型来代表图中像素点的特征，在获得下一帧图像时更新背景模型，将当前帧的每个像素点与背景模型匹配，匹配成功则为背景，从而提取前景运动区域。K是高斯模型数，K取值大，算法计算量越大，能适应越复杂的场景，考虑到在嵌入式DM8148平台的运用，过于复杂的算法并不适宜，故K值取3。

背景模型的更新包括均值μ、方差σ2、权值ω的更新。简单分为以下几种情形：

①K个高斯分布中有匹配当前像素值的分布，按如下表达式更新该像素点的权值：

ωn，t表示 t时刻第 n个高斯分布的权值，α为学习率，决定分布参数变化的速度。对于匹配的分布Mn，t取值为1，其余分布均取值0。

对于不匹配的分布，均值和方差不变，匹配的分布按如下表达式更新均值和方差：

Xt表示当前像素值，ρ定义为表示高斯密度函数：

②K个高斯分布中没有匹配当前像素值的分布，以当前Xt为均值，给定较大的初始方差302，构建新的高斯模型取代当前ω/σ最小的模型。

二值前景图由于噪声和背景的细微变化往往不是完整的轮廓，需要通过形态学处理[5]降噪。本文采用腐蚀和膨胀的方法处理二值前景图。腐蚀和膨胀[6]都是遍历图像的每个像素，与覆盖的二值图像区域进行图像“与”运算。不同的是，腐蚀令运算后全为1的像素点为1，否则为0，从而去掉毛刺和孤立的斑点；膨胀令运算后全为0的像素点为0，否则为1，从而填充边缘、消除噪声引起的空洞。

经形态学处理后的效果图如图2所示。

图2 形态学处理效果图Fig.2 Rendering of morphological processing

图2 （a）是一帧视频图像通过格式转换和亮度分量提取后的图像，图2（b）是背景图像，图2（c）是差分处理并二值化后的前景图，图中目标区域出现空洞，背景区域包含若干噪点。图2（d）是形态学处理后效果图，到达填充前景空洞，消除背景噪声的作用。

3.2 目标跟踪

目标跟踪算法[7]的种类很多，本文提出一种结合线性预测、Blob匹配，和最邻近跟踪的目标跟踪方法。视频的帧率一般为25或30帧/秒，因此相邻两帧的时间间隔很短，可以假设每一个移动目标的移动速度在两帧之间是恒定的，从而构成一个线性动态系统，利用Kalman滤波进行线性预测。Blob匹配[8]是指利用Blob信息，即移动目标区域块的位置、大小、周长等几何信息，去匹配候选目标。

具体的目标跟踪算法流程分为以下几步：

①候选目标链Candidate成员的选定

在经过形态学处理后的前景图像中，目标区域已经成为一个个连通区域，将区域面积大于阈值MINAREA（本文采用3*3）的连通区域标记为一个Blob，记录其位置，作为候选目标链Candidate成员。

②对前一帧检测到的目标链Destination成员进行线性预测，计算预测位置与候选链Candidate成员的距离，寻找距离最短的Candidate。

③比较②中的最短距离与设定的距离阈值，即最大可能移动的距离。

若最短距离<距离阈值，用距离最短的Candidate目标位置更新Destination当前位置；

若最短距离＞距离阈值，Destination中该目标丢失，删除此目标。将Candidate中未匹配上的成员作为新目标加入Destination链。

④若存在多个Destination链成员与同一Candidate目标匹配，则保留最早出现的Destination，删除其他成员。

目标跟踪的效果图如图3所示。

图3验证了线性预测结合Blob匹配的跟踪效果，图3（a）中两个目标跟踪区域即将重合；图3（b）由于两个目标区域运动方向相同，前景Blob融合在一块；图3（c）中目标区域分离，根据Blob匹配重新区分目标进行跟踪。

3.3 目标行为判断处理

目标行为的判断是在移动目标检测和跟踪的基础上，使用有效的算法对人行为模式，即运动轨迹，进行分析、判断、处理，达到提前预警的效果，一定程度上避免了事件的发生。

对于警戒区域告警的判断分为如下几种情况：

①目标存在没有超过5～10帧，不进行处理。

②目标存在超过5～10帧，未标记进出警戒区域标志。若目标当前位置和前一帧位置分别位于警戒区域内外，且符合报警方向，标记该目标，记录跨越区域方向，即进入或离开。

图3 目标跟踪效果图Fig.3 Rendering of target tracking

③目标存在超过5～10帧，已标记进出警戒区域标志。若目标进出警戒区行为与警戒区域告警方向一致，根据持续时间上报提示或警告信息。

4 检测结果

设计初期，为了验证警戒区域告警算法的性能，在Windows 7操作系统上用Visual Studio2008开发工具和OpenCV视觉函数库实现算法。后期将算法中调用的创建、更新混合高斯模型，形态学处理等图像处理函数移植到DM8148的DSP处理器中，从而实现智能视频监控系统的前端智能。

在实际应用中，视频帧速率为25帧/秒，主码流分辨率为1 920*1 080，进行缩放后算法处理的图像分辨率为352*288。应用检测效果如图4所示。

图4验证了警戒区告警算法的实际应用效果，图4（a）为任意划定的警戒区域，图4（b）中跟踪目标即将进入警戒区。图4（c）为跟踪目标进入警戒区，上报Alarm In告警信息的情况，图4（d）为跟踪目标离开警戒区，上报Alarm Out告警信息的情况。

5 结论

本文提出了一种应用于智能视频监控系统的警戒区域告警算法，并在嵌入式DM8148平台上实现。算法能实时检测、跟踪监控区域人员，记录其运动轨迹，并对可疑入侵行为进行识别处理，对动态背景的干扰具有一定的鲁棒性。该算法已经在基于DM8148的智能高清网络摄像机项目中得到应用，今后可在提高跟踪准确率的基础上扩展人流量统计功能。

图4 应用检测图Fig.4 Detection figure of application

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

[2]梁艳．基于OpenCV的ARM嵌入式网络视频监控系统[J]．微型机与应用，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]周维．视频监控中运动目标发现与跟踪算法研究[D]．北京：中国科学技术大学，2012．

[4]李明，赵勋杰．改进的基于高斯混合模型的运动目标检测算法[J]．计算机工程与应用，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．智能视频监控下的多目标跟踪技术研究 [D]．北京：中国科学技术大学，2013．

[6]董坤．视频监控中运动人体检测与异常行为分析研究[D]．南京：南京邮电大学，2013．

[7]孙红，王晓婉，吴钱忠，等．目标实时跟踪与预测算法研究[J]．信息技术，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]袁国武．智能视频监控中的运动目标检测和跟踪算法研究[D]．云南： 云南大学，2012．