基于FPGA+DM6467智能监控系统设计

赵 攀，卢 彬

(重庆邮电大学，a.通信新技术应用研究所;b.重庆信科设计有限公司，重庆 400065)

随着科技的发展，智能视频监控系统已普遍应用于军事、交通、商业、农业、医学等领域。传统的监控系统多数基于PC，由工作人员定时定点对监控视场进行控制，其不但实时性差，而且不具备智能性，使得应用具有局限性。

近年来，随着高速数字信号处理器的出现，以嵌入式系统为依托、以网络为通信平台的智能视频处理系统成为研究的热点。笔者设计了用FPGA作为视频预处理器，用TMS320DM6467(简称DM6467)作为视频主处理器，结合运动目标检测法和目标跟踪法的智能视频监控系统。本系统和其他视频处理系统相比，具有体积小、功耗低、运行稳定、便于扩展等技术优势，有着广泛的应用前景。

1 系统总体方案

本系统是基于FPGA+DM6467的智能视频监控系统，它主要包括视频采集、视频预处理、目标检测与跟踪、网络传输、客户端播放、报警系统等模块。如图1所示，摄像头在前端进行视频采集，FPGA对采集图像进行预处理，并将其结果存放在SDRAM中，DM6467从SDRAM中提取图像进行智能目标检测与跟踪，然后通过网络将视频数据发送到客户端进行播放，当检测到异常事件时，自动开启报警系统及时地发出警告。

图1 总体设计图

2 系统硬件设计

本系统的硬件主要由客户端和监控终端两部分组成，客户端硬件设计是由高配置的计算机组成，视频终端则主要由视频采集模块和视频处理模块组成。系统终端硬件设计图如图2所示。

图2 系统终端硬件设计图

视频采集模块采用摄像机和高达800万门Xilinx Virtex－4 FPGA处理器。摄像机采用CMOS的方式采集数据，通过A/D转换器TV5158将采集数据传递给FPGA处理器，FPGA处理器支持YCbCr/HDMI/HDSDI/VGA多种高清视频输入接口，并采用时分复用提高多路信号的输入，利用DMA方式传输数据到DDR2中供DM6467使用，FPGA处理器的视频预处理能力提高了监控系统的实时性。

视频处理模块采用TI DM6467T芯片作为核心处理器，该芯片集成了高性能的TMS320C64x+DSP内核和1个ARM926EJ－S内核，内置2组独立的HDVICP协处理器单元，时钟频率达到1 GHz，能够以5800 MI/s(百万条指令/秒)的速度处理信息。其中DSP主要负责算法对视频数据的处理，ARM主要负责与外设的通信，并将DSP处理后的数据通过网络发送到监控中心，它们之间也是通过DDR2进行数据交互的，而DDR2缓存实行两级缓存的方式，提高了系统的时效性。另外DM6467T还包含丰富的外设，例如USB、以太网接口、硬盘等，不仅扩展了系统的缓存，还为数据的传输和存储提供了可靠性。

3 系统软件设计

本系统的软件客户端采用流媒体播放器和socket通信，监控端则采用移植在DM6467平台上的Linux系统作为开发环境。图3所示是视频的采集、检测、跟踪、播放模块的软件流程设计。采集模块主要负责视频的采集和存储，并响应客户端的云台控制;检测模块则采用背景模型建立分割目标的方法进行检测，目标跟踪则根据检测结果进行物体主动轮廓跟踪法进行跟踪，并将结果发送给客户端播放。

4 系统算法设计及实现

4.1 运动目标检测

运动目标检测常用的方法有帧间差分法、背景减除法、光流法［1－6］，但其对于背景比较复杂的场景不适用，因而本文采用核密度估计(KDE)法来检测运动物体。它是基于图像在时间域和空间域上的马尔可夫性，利用历史帧数据来估计当前帧像素的概率密度，通过阈门值来判断当前像素为运动前景物体或背景的。

核密度估计通过加权平均中心点位于采样值的局部函数来估计未知的密度分布。从理论上讲，只要有足够多的样本数，它可渐进收敛于任何形式的密度函数。给定某像素特征空间的一个样本集{x1，x1，…，xN}，观测值xt的密度分布用P(xt)来估计，公式为

图3 系统软件设计图

式中:权值ai=，Kh=K(t/h)为核函数，h 表示窗宽或带宽，其中样本容量N→∞ ，带宽N→0。

在实际应用中，核函数的选取对估计结果影响不大，但核带宽h的选取更为重要。带宽h过小，估计偏差过高，估计得到的密度函数不够光滑，容易受到噪声影响;带宽h过大容易造成过光滑，从而丢失重要信息。

本文采用常见的高斯密度函数作为核函数，采用相邻两帧样本的灰度绝对差的中间位数作为背景估计的带宽。假设局部分布服从N(μ，h2)高斯分布，那么(xixi+1)的绝对差值将服从高斯分布N(μ，2h2)。所以有高斯分布的对称行及样本中位数的定义，可得h=m/(0.68。其中，m为样本中(x1－xi+1)的绝对值中位数。

运动目标检测如图4所示。

4.2 运动目标跟踪

目标跟踪算法实质上就是基于区域、特征、模型的图像匹配问题［7］，考虑到区域匹配和特征匹配的精确性问题，本文采用基于动态轮廓snake模型的跟踪算法，它不仅适用于复杂的环境，而且具有良好的稳健性。

式中:α为曲线的连续性控制参数，β为曲线的光滑性控制参数，Xs和Xss分别为X(s，t)对s的一阶导数和二阶导数。

外部能量函数Eext=γEimage(X(s，t))由图像的灰度、边缘等特征获得。对于I(x，y)一般采用以下图像能量函数

式中:Gσ(x，y)为标准差为σ的二维高斯函数，▽为梯度算法。为了使能量函数最小，snake必须满足欧拉方程，即αX"(s，t)－βX‴(s，t)－▽Eext=0 。能量平衡方程可视为驱动力的平衡方程 Fint+Fext=0 。其中，Fint=αX"(s，t)－ βX‴(s，t)，控制着曲线的特性;Fext=－▽Eext，将活动轮廓吸引到目标轮廓，snake在内力Fint的吸引驱动下向目标轮廓移动，而外力Fext在保持snake拓扑性的同时，随着snake的移动变化，最终达到内外力之和等于零，这时，snake就停留在目标轮廓上。

目标跟踪结果如图5所示。

5 结论

本文针对以往监控系统的不足，结合目标检测跟踪算法和嵌入式技术，设计了智能监控系统。实验结果表明，该系统具有良好的稳定性和稳健性，可广泛应用于远程家居监控、交通监控、社区安防监控等方面，为物联网的发展奠定了基础。

［1］HARITAOGLU I D H，DAVIS L.W4:Realtime surveillance of people and their activities［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2000，22(8):809－830.

［2］WREN C R，AZARBAYEJANI A.Pfinder:real－time tracking of the human body［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，1997，19(7):780－785.

［3］陈锋强.复杂场景下运动物体检测与跟踪算法的研究［D］.上海:上海交通大学，2008.

［4］龚光鲁，钱敏平.应用随机过程教程及在算法和智能计算中的随机模型［M］.北京:清华大学出版社，2004.

［5］刘亚，艾海舟，徐光佑.一种基于背景模型的运动目标检测与跟踪［J］.信息与控制，2002，31(7):315－319.

［6］丁忠校.视频监控图像的运动目标检测方法综述［J］.电视技术，2008，32(5):72－76.

［7］滕游，董辉，俞立.基于DSP的运动目标检测与跟踪系统设计［J］.浙江工业大学学报，2009，37(6):607－609.