第 2 期方浩等 : 基于 DM6437 的智能视频监控系统设计与实现 193 检测算法 ViBe [5] 算法的特点是采用第一帧图像中像素点的空间领域点建立背景模型和按一定概率随机更

Size: px

Start display at page:

Download "第 2 期方浩等 : 基于 DM6437 的智能视频监控系统设计与实现 193 检测算法 ViBe [5] 算法的特点是采用第一帧图像中像素点的空间领域点建立背景模型和按一定概率随机更 "

町倪
7 years ago
Views:

1 第 33 卷第 2 期计算机应用与软件 Vol 33 No 年 2 月 ComputerApplicationsandSoftware Feb.2016 基于 DM6437 的智能视频监控系统设计与实现方浩李艾华王涛 ( 第二炮兵工程大学陕西西安 ) 摘要针对阵地视频监控系统智能化程度低的问题, 提出一种基于 DM6437 的智能视频监控系统解决方案在图像处理算法方面, 将 ViBe 算法中采用第一帧图像建模和基于随机策略进行模型更新的思想用于改进传统码本算法的训练和更新阶段, 提出一种基于随机码本的运动目标检测算法以提高检测效果提出在 MeanShift 跟踪过程中采用 Kalman 滤波器预测目标位置, 用于提高目标快速运动和遮挡等复杂情况下的跟踪效果在系统实现方面, 基于 DM6437 芯片设计了集图像采集与显示检测与跟踪 JPEG 压缩网络传输等多种功能于一体的智能视频监控系统模拟阵地环境下的实验结果表明, 该系统能够准确地自动检测和跟踪目标, 并且帧率可达 6 7 帧左右关键词智能视频监控 DM6437 ViBe 码本 Kalman 滤波器 MeanShift 中图分类号 TP391 文献标识码 A DOI: /j.isn x DESIGNANDREALIZATIONOFADM6437 BASEDINTELLIGENT VIDEO MONITORING SYSTEM FangHao LiAihua WangTao (TheSecondArtileryEngineringUniversity,Xi an710025,shaanxi,china) Abstract Tosolvetheproblem oflowintelectualisationdegreeinvideomonitoringsystem ofpositions,inthispaperweputforwarda DM6437 basedsolutionofinteligentvideomonitoringsystem.intermsofimageprocesingalgorithm,weproposedarandomcodebook based movingtargetsdetectionalgorithmforimprovingthedetectionperformance,itisachievedbyapplyingtheideasofadoptingthefirstframefor modelingandupdatingthemodelbasedonrandom strategyinvibealgorithm toimprovingthetrainingandupdatingstagesoftraditional codebookalgorithm.andthenweproposedtousekalmanfiltertopredictthetargetpositioninmeanshifttrackingproces,soastoimprove trackingefectsincomplicatedcasessuchasrapidtargetmotionandocclusion.intermsofsystemrealisation,wedesignedaninteligentvideo monitoringsystembasedondm6437chipwithvariousfunctions,suchasvideocaptureanddisplay,targetsdetectionandtracking,jpeg compresionandnetworktransmision,integrated.andtheresultofexperimentsinsimulatingtheenvironmentofpositionsshowedthatthe systemcoulddetectandtracktargetsautomaticalyandaccuratelywitharateupto6or7frames. Keywords Inteligentvideomonitoring DM6437 ViBe Codebook Kalmanfilter Meanshift 0 引言视频监控是部队信息化建设的重要方面目前, 阵地视频监控子系统采用的是前端由各型摄像机进行视频采集, 经由同轴电缆进行数据传输, 后端由综合管理计算机和网络存储服务器进行综合管理的模式这种系统仅能实现 24 小时录像监控功能, 并且需要人员全天候值守, 不仅极大地浪费人力物力, 而且系统智能化程度不高, 不利于阵地安全防范能力的提高针对上述问题, 本文基于 DM6437 芯片设计了一套智能视频监控系统主要功能是实现对静态场景中目标的自动检测与跟踪, 为后续构建智能化阵地视频监控系统打基础本文在充分分析 ViBe [1] [2] 和码本两种算法优缺点的基础上, 提出一种基于随机码本的运动目标检测算法该算法融合 ViBe 和码本两种算法的优点, 将 ViBe 算法中采用第一帧图像建模的思路用于改进传统码本算法的训练阶段, 将 ViBe 算法中基于随机策略进行模型更新的思想用于码本更新阶段并通过实验证明该算法兼具两种算法的优点, 不仅具有较小的计算量, 而且检测效果更好, 对背景变化的适应能力更强在目标跟踪算法方面,Mean Shift [3] 算法作为一种基于密度梯度的非参数估计方法, 具有计算量小实时性好适用性强能够快速高效地实现目标跟踪等优点, 但由于没有在跟踪过程中利用目标的位置和速度等信息 [4], 导致存在环境干扰或者运动速度过快时容易跟踪失败针对这种情况, 本文提出采用 Kalman 滤波器进行目标位置预测, 以提高传统 MeanShift 算法在目标快速运动和遮挡等情况下的跟踪效果最后基于 DM6437 开发了智能视频监控系统, 并在模拟阵地环境下取得了较好的检测和跟踪效果 1 基于随机码本的运动目标检测算法 1.1 算法基本原理 ViBe 算法和码本算法是两种典型的非参数化运动目标收稿日期 : 方浩, 硕士生, 主研领域 : 计算机视觉, 智能仪器与系统李艾华, 教授王涛, 副教授

将 ViBe 算法中采用第一帧图像建模和基于随机策略进行模型更新的思想用于改进传统码本算法的训练和更新阶段, 提出一种基于随机码本的运动目标检测算法以提高检测效果提出在 MeanShift 跟踪过程中采用 Kalman 滤波器预测

2 第 2 期方浩等 : 基于 DM6437 的智能视频监控系统设计与实现 193 检测算法 ViBe [5] 算法的特点是采用第一帧图像中像素点的空间领域点建立背景模型和按一定概率随机更新背景模型, 这种方式计算量小, 能够快速开始目标检测并对噪声和亮度变化等具有一定的鲁棒性 [6,7], 但也存在无法较好抑制 [8] 鬼影等问题码本算法通过长时间的码本训练来建立背景模型, 然后基于亮度范围和颜色相似度来进行像素点分类该算法鲁棒性强计算效率高, 建立的背景模型比较纯净 [9], 但无法较好地适应背景变化, 而且在前景和背景像素分布类似的情况下容易造成码字的更新错误 [10] 本文融合两种方法的优点, 在改进码本算法的基础上提出一种基于随机码本的运动目标检测方法在背景建模阶段, 随机选取第一帧图像中空间领域内像素点进行码本训练该方法具有以下优点 :1) 由于领域内像素点具有空间连续性, 因而经过长时间码本训练, 使得码字的聚类均值将逐渐向领域内所有像素点的均值靠拢这将逐渐淘汰出那些亮度色度与其他点差异较大的像素点 2) 采用第一帧图像进行码本训练, 使得模型能够从下一帧图像立即开始进行前景检测当背景变换时, 算法可以迅速丢掉原来的模型, 立即建立新的码本模型在背景更新阶段, 借鉴 ViBe 算法中随机更新的思想进行码本的实时更新具体步骤如下 : 首先定义 1 到 w 之间的伪随机序列 M, 从 M 中随机选取的一个样本 Sample, 定义背景像素点随机更新的概率 : P{Sample=1 Sample M}= 1 w (1) 对于每一个分类为背景的像素点, 在第一次选取的样本 Sample1=1 时, 更新对应码本中的任意一个码字这样可以保证模型中每一个像素点的寿命按指数形式衰减, 使模型始终能够实时更新, 从而提高模型的动态适应能力同时继续从伪随机序列中随机选取第二个样本 Sample2, 在 Sample2=1 情况下, 从该背景点的领域内随机选取一个像素点, 并更新其码本中的任一码字, 这样可以实现背景像素点的传播, 保证像素点的空间连续性反之则结束更新过程具体流程如图 1 所示图 1 码本更新过程流程图 1.2 实验结果对比图 2 为三种算法对 PETS2001 中的标准图像序列 Dataset2 的检测效果图可以看到, 基于随机码本的检测效果明显好于其他两种算法, 抗干扰能力更强同时, 在实际实验中还发现, 改进算法的实时性明显好于其他两种这是由于算法基于空间领域像素点建模, 模型中码字辨识度高, 且数目较少更新快图 2 运动目标检测效果图 2 结合 Kalman 和 Meanshift 的跟踪算法 2.1 算法基本原理 [11] Meanshift 跟踪的主要思路是沿着梯度增加的方向寻找与目标模型相似度最高的区域作为跟踪结果传统的 Mean shift 算法采用颜色分布直方图表征目标特征, 具有对目标旋转 [12] 变形及边缘遮挡不敏感的优点, 但由于缺乏对目标位置的预测机制, 使得在目标运动较快被遮挡等情况不能有效跟踪 Kalman 滤波器是一种基于最小均方误差对系统的状态进行最优估计的算法 [13], 能够以较小的计算量快速准确地估计目标的位置速度等信息因此本文中采用 Kalman 滤波器来预测运动目标的位置, 算法的主要步骤如下 : Step1 根据检测结果, 建立目标模型 ^q 如下 : ^q={^q u } u=1,2,,m ^q u = 1 (2) { C k( x i 2 )δ [ b n ( x ) -u] 其中,C = n k( x i 2 ),b(x i) 为像素点 i 在目标模型的颜色直方图中对应特征值,u 为目标模型的量化特征值,k(x) 为核函数 Step2 根据 Kalman 滤波器预测当前帧中目标的位置, 作为 MeanShift 迭代的起点假设 Kalman 滤波器的状态模型和预测模型分别如下 : X k =A k,k-1 X k-1 +W k-1 (3) Y k =H k X k +V k (4) 式中,X k,x k-1 为 k 和 k-1 时刻的状态变量,Y k 为 k-1 时刻的观测向量,A k,k-1 为对应的状态转移矩阵,H k 为观测矩阵,W V 分别代表状态噪声和观测噪声矩阵定义状态向量 X k =[x sk, y sk,x sk,y sk ], 观测向量 Y k =[x tk,y tk ] 则利用下式进行状态预测 : X^k,k-1 =A k,k-1 X^k-1 (5) P k,k-1 =A k,k-1 P k-1 A T k,k-1 +Q (6) 其中,X^k,k-1 为一步状态预测值,X^k-1 为状态估计,P k,k-1 为 i

型比较纯净 [9], 但无法较好地适应背景变化, 而且在前景和背景像素分布类似的情况下容易造成码字的更新错误 [10] 本文融合两种方法的优点, 在改进码本算法的基础上提出一种基于随机码本的运动目标检测方法在背景建模阶

3 194 计算机应用与软件 2016 年 X^k,k-1 的协方差矩阵,P k 为 X^k-1 的协方差矩阵,Q 为状态噪声协方差矩阵 Step3 根据 X k,k-1 提取目标位置信息, 建立待选区域的模型 ^p(y) 如下 : ^p(y)={^p { u (y)} u=1,2,,m ^p u (y)= 1 n h C h k y-x 2 i ( h ) δ[b(x i )-u ] n h 其中,C h = k 2 ( ) y-x i h (7),b(x i ) 为像素点 i 在待选模型的颜色直方图中对应特征值其他参数与式 (2) 定义相同 Step4 计算目标模型和待选模型的相似度采用 Bhata charyya 系数 ρ(^p(y),^q) 如下 : ρ(^p(y),^q) 1 2 m u=1 ^p u (y 0 )^q 槡 u+ C h n h 2 { ( 2 )} w i k y-x i h (8) 式中,w i = m δ[b(x i )-u] ^q u u=1 槡 ^p u (y 0 ) 第一项为定值, 第二项看成加权核密度估计问题, 因而可通过 Meanshift 迭代来求解 Step5 Meanshift 迭代计算待选模型新位置对 ρ(^p(y),^q) 第二项进行 Meanshift 迭代求解, 可得计算待选模型下一新位置 y i 公式如下 : y i = i=n x i w i (9) i=n w i Step6 运动目标实际位置判定当相邻帧中待选模型位置满足下式 : y i+1 -y i ε (10) 则停止迭代, 认为找到与目标模型足够相似的待选区域, 并将其作为运动目标在当前帧中的实际位置否则返回 Step3 Step7 校正 Kalman 滤波器由于目标的位置不是收敛的而是按照一定轨迹变化的, 因此在跟踪完成后采用目标的最终位置对 Kalman 滤波器进行修正, 使滤波器能够及时跟上目标位置的变化校正 Kalman 滤波器实际上也是更新 Kalman 滤波器状态的过程按照下列公式进行 : P k =(I-K k H k )P k,k-1 (11) K k =P k,k-1 H T k(h k P k,k-1 H T k +R) (12) 图 3 快速运动目标跟踪效果对比图 3 智能视频监控系统的实现 3.1 硬件平台结构设计整个平台以 DM6437 为核心, 如图 4 所示主要包括视频采集模块输出显示模块通信模块存储模块时钟模块和电源模块六部分视频采集模块的主要作用是接受普通摄像机采集的视频信号并进行必要的预处理输出显示模块的主要作用是输出驱动显示器显示实时采集的图像通信模块包括 RS485 JTAG Ethernet 三类接口, 分别用于控制云台转动下载程序和系统调试网络通信等存储模块包括 DDR2 NOR FLASH EEPROM 三类存储器, 分别用于缓存实时图像数据存储 DSP 程序代码存储系统核心参数, 如 IP 地址 MAC 地址网关地址等时钟模块可以为整个 DSP 系统提供必要的时间信息电源模块为板上所有模块提供不同等级的稳定电压 X^k =X^k,k-1 +K k [Y k -H k X^k,k-1] (13) 式中,K k 为 Kalman 器的增益矩阵, 其他参数与 Step2 中定义相同 2.2 实验结果对比结果如图 3 所示, 对快速运动的足球进行跟踪实验, 左右两侧分别为传统 MeanShift 算法和改进算法的跟踪效果对比图可以看到, 随着足球飞行速度的加快, 采用传统 Mean Shift 算法跟踪误差越来越大, 而采用改进算法则能用跟踪框较好地锁定足球的位置这主要是由于 Kalman 滤波器预测能够准确地预测目标位置, 从而提高了跟踪效果上述实验结果也充分说明改进算法有助于提高对于快速运动目标的跟踪效果图 4 系统结构图 3.2 核心程序设计本文所设计的智能视频监控系统集图像采集与显示运动目标检测和跟踪 JPEG 压缩编码和网络传输等多种功能于一体为实现上述功能, 系统在实时操作内核 DSP/BIOS 的基础

$系数 ρ(^p(y),^q) 如下 : ρ(^p(y),^q) 1 2 m u=1 ^p u (y 0 )^q 槡 u+ C h n h 2 { ( 2 )} w i k y-x i h (8) 式中,w i = m δ[b(x i )-u] ^q u u=1 槡 ^p u (y 0 ) 第一项为定值, 第二项看成加权核密度估计问题, 因而可通过$

4 第 2 期方浩等 : 基于 DM6437 的智能视频监控系统设计与实现 195 之上, 创建了对应的图像采集与显示智能视频分析编码压缩网络传输 ( 包含网络发送和参数设置两类 ) 等线程, 同时充分利用邮箱等机制实现线程之间的调度与数据共享结合在实际设计过程中, 结合 TI 提供的相关软件, 可以很方便地采用 PSP 库 ( 用于开发视频采集与显示驱动 ) JPEG 软件编码器和 NDK 网络套件分别实现上述相关功能因此, 整个程序设计的重点在于运动目标检测与跟踪算法的移植在检测阶段, 首先对于每一帧图像进行灰度化处理以提取亮度信息, 然后采用均值金字塔进行图像分解以降低待处理图像分辨率其次, 进行运动目标检测, 得到前景区域然后结合形体学滤波进行噪点处理, 运用两次扫描法提取目标特征同时, 考虑到刚进入场景时目标检测的完整性, 在连续 5 帧均检测到目标时提取第 5 帧图像目标特征并开启跟踪过程在跟踪阶段, 根据检测结果特征建立目标模型, 并采用 Kalman 滤波器预测目标位置, 随后将该位置作为起始位置进行 MeanShift 跟踪, 在跟踪结束后计算预测位置与实际位置的几何距离如果该距离小于一定阈值 ε, 表明跟踪有效, 并利用目标的实际位置校正 Kalman 滤波器, 反之则结束跟踪过程具体的检测和跟踪流程如图 5 所示图 6 系统检测和跟踪效果图 5 结语本文旨在开发嵌入式智能视频监控系统以提升阵地视频监控系统的智能化程度该系统中主要有两点创新 : 1) 提出了一种基于随机码本的运动目标检测算法, 提高了在不同场景下的检测效果和实时性, 使得算法比较适合在嵌入式系统中使用 ; 2) 融入 Kalman 滤波器预测改进了传统的 MeanShift 跟踪算法, 提高了系统在不同场景下的跟踪效果同时基于 DM6437 芯片实现了整个系统的开发目前, 该系统在室内和室外两种典型的模拟阵地环境下都取得了不错的检测和跟踪效果, 且帧率可达 6 7 帧, 具备一定的实用价值参考文献 4 实验结果及分析图 5 检测和跟踪流程图开发简易的 PC 端播放软件, 用于实时查看 DSP 端的检测和跟踪效果并在室内室外两种情况下模拟阵地典型环境进行实验, 结果如图 6 所示可以看到, 上位机播放软件画面清晰, 无明显失真, 并且在室内室外两种场景下都能够以较高的精度检测运动目标, 实现准确有效地跟踪同时经测定, 系统帧率达到 6 7 帧左右, 能在一定程度上满足实时性要求 [1] OlivierBarnich,MarcVanDroogenbroeck.ViBe:Auniversalback groundsubtractionalgorithmforvideosequences[j].ieeetransac tionsonimageprocesing,2011,20(6): [2]KimK,ChalidabhongseTH,HarwoodD,etal.Real timeforeground backgroundsegmentationusingcodebookmodel[j].real timeima ging,2005,11(3): [3] ComaniciuD,VRamesh,PMeer.Kernel basedobjecttracking[j]. IEEE Transactionson Patern Analysisand MachineInteligence, 2003,25(2): [4] 常发亮, 刘雪, 王华杰. 基于均值漂移的卡尔曼滤波器的目标跟踪算法 [J]. 计算机工程与应用,2007,43(12): [5] OlivierBarnich,MarcVanDroogenbroeck.VIBE:APowerfulRandon TechniquetoEatimatetheBackroundinVideoSequences[C]//Inter nationalconferenceon Acoustics,Speech,and SignalProcesing, 2009: [6] 蒋建国, 王涛, 齐美彬, 等. 基于 ViBe 的车流量统计算法 [J]. 电子测量与仪器学报,2012,26(6): [7] 余烨, 曹明伟, 岳峰.EVibe: 一种改进的 Vibe 运动目标检测算法 [J]. 仪器仪表学报,2014,35(4):

移植在检测阶段, 首先对于每一帧图像进行灰度化处理以提取亮度信息, 然后采用均值金字塔进行图像分解以降低待处理图像分辨率其次, 进行运动目标检测, 得到前景区域然后结合形体学滤波进行噪点处理, 运用两次扫描法提取目

5 196 计算机应用与软件 2016 年 [8] 代科学, 李国辉. 一种基于码本的监控视频运动目标检测算法 [J]. 计算机工程,2007,33(14): [9] 郭春生, 王盼. 一种基于码本模型的运动目标检测算法 [J]. 中国图象图形学报,2010,15(7): [10] 姜柯, 李艾华, 苏延召. 基于改进码本模型的视频运动目标检测算法 [J]. 电子科技大学学报,2012,41(6): [11] 朱胜利, 朱善安, 李旭超, 等. 快速运动目标的 MeanShift 跟踪算法 [J]. 光电工程,2006,33(5): [12] 刘璞, 王春平, 徐艳. 基于 MeanShift 重要性采样的粒子滤波跟踪算法 [J]. 计算机工程与设计,2014,35(3): [13] 杨红霞, 杭亦文, 刘旭. 基于 Meanshift 与 kalman 滤波器的视频目标跟踪算法 [J]. 武汉理工大学学报 : 信息与管理工程版,2012,34 (2): ( 上接第 152 页 ) 图像的信息了因此, 在后面的实验中执形 LE 算法时都采用夹角余弦选择邻域, 使用 2 个流形特征进行裂缝识别 4.2 不同特征对分类结果的影响为了比较不同特征对分类结果的影响, 分别利用第 1.2 节中介绍的 3 种特征提取方法从路面图像中提取 2 个投影特征,3 个破损密度因子和 2 个流形特征然后利用 KNN SVM ELM 和 BP 神经网络在这些特征上进行识别, 如表 2 所示表 2 在三种特征上的识别精度 (%) 分类方法破损密度因子坐标投影流形特征 KNN SVM ELM BP 神经网络由表 2 可以看出,4 种分类方法在流形特征上的识别结果与破损密度因子和投影特征上的结果相近, 说明流形特征与投影特征和破损密度因子特征一样可以较好地区分各种类型的路面破损密度因子法通过选用不同的滤波算子, 获得路面子块图像的破损值, 对识别网状块状裂缝较为有效基于投影理论的特征提取算法根据不同类型裂缝在水平和垂直方向上的灰度值投影来区分不同的裂缝, 可有效区分横向裂缝和纵向裂缝流形特征通过提取裂缝低维流形, 对每种裂缝都有较好的识别效果 4.3 融合流形特征的有效性验证为了检验融合流形特征和其他特征融合后对裂缝识别的影响, 在实验中首先从预处理后的路面图像中提取 2 个投影特征 3 个破损密度因子特征和 2 个流形特征, 两两融合后再识别裂缝类别, 如表 3 所示表 3 不同特征融合的结果 (%) 分类方法破损密度因子坐标投影破损密度因子 + 流形特征 + 流形特征 + 坐标投影 KNN SVM ELM BP 神经网络在表 3 中, 流形特征 + 破损密度因子表示融合流形特征和破损密度因子特征后进行分类, 其他两种情况含义相同从实验结果可以看出, 将 3 种特征两两融合后, 相对于单一特征识别, 识别精度都得到了明显的提升而且在 3 种不同的融合方式中, 流形特征融合破损密度因子或者投影特征的识别精度要优于破损密度因子融合投影特征的结果从总体上看, 流形特征融合破损密度因子的识别效果最好这表明通过融合流形特征和破损密度因子或投影特征可以有效提高路面裂缝的识别精度 5 结语在路面破损图像识别中, 路面图像的特征提取直接关系到破损图像的识别结果本文提出一种融合流形特征的路面破损图像识别方法, 该方法首先提取破损密度因子特征或坐标投影特征 ; 然后利用流形 LE 算法提取 2 维流形特征 ; 最后将 2 维流形特征与破损密度因子特征或坐标投影特征融合实验结果表明, 融合流形特征的识别方法极大地提高了裂缝识别的精度下一步的工作是将所提出的模型应用在实际的路面破损图像识别系统中参考文献 [1] 彭博, 蒋阳升. 路面裂缝图像识别算法研究进展 [J]. 中外公路, 2013,33(6): [2] 肖旺新, 张雪, 黄卫. 基于破损密度因子的路面破损识别新方法 [J]. 交通运输工程与信息学报,2004,2(2): [3] 张丽丽. 基于 Prewit 算子的路面破损图像识别和分析 [J]. 公路交通科技 : 应用技术版,2011,9(4): [4] 储江伟, 初秀民, 王荣本, 等. 沥青路面破损图象特征提取方法研究 [J]. 中国图象图形学报 :A 辑,2004,8(10): [5] LeeBJ.Developmentofanintegrateddigitalpavementimagingand neuralnetworksystem[m].theuniversityoflowa,2001. [6] 初秀民, 王荣本. 基于不变矩特征的沥青路面破损图像识别 [J]. 吉林大学学报 : 工学版,2003,33(1):1 7. [7]WangH,ChenZ,SunL.Imagepreprocesingmethodstoidentifymi cro cracksofroadpavement[j].opticsandphotonicsjournal,2013,3 (3): [8] NejadFM,ZakeriH.Anoptimumfeatureextractionmethodbasedon wavelet radontransformanddynamicneuralnetworkforpavementdis tresclasification[j].expertsystemswithapplication,2011,38(8): [9] 黄启宏, 刘钊. 流形学习中非线性维数约简方法概述 [J]. 计算机应用研究,2007,24(11): [10] 徐蓉, 姜峰, 姚鸿勋. 流形学习概述 [J]. 智能系统学报,2006,1 (1): [11] SeungHS,LeeDD.Themanifoldwaysofperception[J].Science, 2000,290(5500): [12]CriminisiA,ShotonJ,KonukogluE.DecisionForests:Aunifiedframe workforclasification,regresion,densityestimation,manifoldlearning andsemi supervisedlearning[j].foundationsandtrendsincomputer GraphicsandVision,2012,7(2 3): [13]ChambonS,GouraudC,MoliardJM,etal.Roadcrackextractionwith adaptedfilteringandmarkovmodel basedsegmentation:introduction andvalidation[c]//internationaljointconferenceoncomputervision TheoryandApplications,VISAPP,2010: [14]BlekasK,LikasA,GalatsanosNP,etal.Aspatialyconstrainedmix turemodelforimagesegmentation[j].neuralnetworks,ieeetrans actionson,2005,16(2):

快速运动目标的 MeanShift 跟踪算法 [J]. 光电工程,2006,33(5):66 70. [12] 刘璞, 王春平, 徐艳. 基于 MeanShift 重要性采样的粒子滤波跟踪算法 [J]. 计算机工程与设计,2014,35(3):909 914. [13] 杨红霞, 杭亦文, 刘旭.

标题

. 4 2013 年湖南省财政厅电子政务发展形势分析及 2014 年发展展望湖南省财政厅 2013 年, 省财政厅高度重视电子政务工作, 将电子政务作为优化工作流程提高工作效率提升服务水平建设透明廉洁财政的重要途径, 信息化水平不断提

第 2 期 方 浩 等 : 基 于 DM6437 的 智 能 视 频 监 控 系 统 设 计 与 实 现 193 检 测 算 法 ViBe [5] 算 法 的 特 点 是 采 用 第 一 帧 图 像 中 像 素 点 的 空 间 领 域 点 建 立 背 景 模 型 和 按 一 定 概 率 随 机 更

第 2 期方浩等 : 基于 DM6437 的智能视频监控系统设计与实现 193 检测算法 ViBe [5] 算法的特点是采用第一帧图像中像素点的空间领域点建立背景模型和按一定概率随机更