智能視頻監(jiān)控算法及硬件實(shí)現(xiàn)研究.pdf

1、隨著經(jīng)濟(jì)技術(shù)的發(fā)展和人們安全意識(shí)的提高，作為在安全方面應(yīng)用最早且最廣泛使用的視頻監(jiān)控顯得愈發(fā)重要。它利用攝像機(jī)使相關(guān)人員能夠遠(yuǎn)程實(shí)時(shí)監(jiān)控一些重要的區(qū)域。目前視頻監(jiān)控正向智能視頻監(jiān)控方向發(fā)展。智能視頻監(jiān)控具有人所沒(méi)有的優(yōu)點(diǎn)，逐漸將人從視頻監(jiān)控中解放出來(lái)。它主要基于對(duì)視頻內(nèi)容的分析，檢測(cè)出目標(biāo)，對(duì)目標(biāo)跟蹤和識(shí)別，并分析其行為特征。智能視頻監(jiān)控離不開準(zhǔn)確而可靠的視頻分析算法，這些算法往往需要處理大量數(shù)據(jù)，消耗相當(dāng)多的計(jì)算資源，給監(jiān)控的實(shí)時(shí)性帶

2、來(lái)很大的挑戰(zhàn)。目前出現(xiàn)了很多基于FPGA或芯片的硬件模塊或平臺(tái)作為視頻分析引擎用于智能視頻監(jiān)控，加快了視頻處理速度使監(jiān)控更加流暢。本文從智能視頻監(jiān)控算法和視頻分析引擎中硬件實(shí)現(xiàn)這兩部分開展研究，主要完成以下幾個(gè)方面的工作。
　　 (1)研究了運(yùn)動(dòng)檢測(cè)中的背景建模方法，提出一種基于拉普拉斯分解和混合高斯模型的背景建模算法。利用金字塔變換把圖像分解為圖像的高頻和低頻部分，只對(duì)低頻部分信息中像素的靜態(tài)特征和動(dòng)態(tài)特征用混合高斯模型建模，

3、最后用高頻信息還原得到原始尺度下的運(yùn)動(dòng)物體。該方法降低了易受擾動(dòng)的高頻部分對(duì)模型的干擾，也減少了存儲(chǔ)低頻信息所需的存儲(chǔ)空間，在測(cè)試時(shí)取得良好的效果。同時(shí)還提出了改進(jìn)的相鄰幀差法并用硬件實(shí)現(xiàn)了該算法功能，極大的提高了檢測(cè)速度和效率。
　　 (2)分析Adaboost算法特點(diǎn)及其改進(jìn)形式，研究了其在人臉檢測(cè)和目標(biāo)跟蹤中的應(yīng)用，并通過(guò)實(shí)驗(yàn)比較分析了幾種基于boosting的目標(biāo)跟蹤算法。
　　 (3)人臉實(shí)時(shí)檢測(cè)需要龐大的計(jì)算

4、量和軟硬件的支持，研究了基于Adaboost算法的人臉檢測(cè)硬件實(shí)現(xiàn)架構(gòu)，提出一種并行計(jì)算Haar矩形特征實(shí)現(xiàn)人臉檢測(cè)的架構(gòu)。通過(guò)將分類器特征分組并定義相應(yīng)的處理單元，引入多組架構(gòu)進(jìn)一步提升并行計(jì)算能力，為了減少因流水線深度增加帶來(lái)的負(fù)面影響，在分類器中不同階段采用不同的預(yù)測(cè)方式。同時(shí)還提出了基于ASIC的人臉檢測(cè)硬件架構(gòu)。
　　 （4)在視頻監(jiān)控所用的芯片中，集成視頻分析引擎的芯片往往規(guī)模很大，會(huì)生成大量的測(cè)試向量。研究了測(cè)試向