隨著傳統(tǒng)的顯示－存儲－回放模式的監(jiān)控系統(tǒng)的普及，在已有監(jiān)控系統(tǒng)上提供增值服務的智能監(jiān)控技術成為行業(yè)發(fā)展的熱點。利用安裝在大型建筑、娛樂休閑場所、購物設施等公共場所的監(jiān)控系統(tǒng)，實現(xiàn)客流量的精確計數(shù)以及對人群密度進行估計，監(jiān)控人群活動，保證人群的安全性和分析客流分布規(guī)律等功能成為當前監(jiān)控應用中迫切需要的功能。
早期先后出現(xiàn)過光電監(jiān)測[1]、紅外對射、紅外光幕客流量計數(shù)器，由于這些方法計數(shù)精度差、不能判斷客流行進方向、易受外界干擾影響、而且維護成本高導致應用受限。近年來為克服光照等影響計數(shù)精度的干擾因素，出現(xiàn)了主動/被動紅外成像客流量計數(shù)器[2]，但由于其價格昂貴而限制了推廣。本文以傳統(tǒng)可見光攝像頭獲取的圖像為處理對象，在達芬奇系列處理器TMS320DM6437平臺上，提取HOG[3]特征實現(xiàn)人頭檢測，利用Mean-shift[4]實現(xiàn)人員跟蹤和計數(shù)，完成了客流量統(tǒng)計的嵌入式模塊化設計。
1 客流量統(tǒng)計模塊硬件構(gòu)成
基于視頻的客流量統(tǒng)計，按攝像頭放置位置與客流方向的關系有傾斜放置和垂直放置兩種。在進出客流量較大時，攝像頭傾斜放置時圖像中的人像之間不可避免會出現(xiàn)遮擋和重疊。為了解決遮擋和重疊問題實現(xiàn)精確計數(shù)，需要采用更復雜的計數(shù)算法，額外增加了較大的計算量。本文采用如圖1所示的攝像頭垂直放置，通過檢測和跟蹤人頭實現(xiàn)客流量的計數(shù)，既避免了遮擋和重疊導致計數(shù)精度下降的問題，又能使人頭檢測和跟蹤算法計算量適中。

1.1 TMS320DM6437芯片的特點
TMS320DM6437是TI公司首批支持達芬奇技術的純DSP器件，結(jié)合增強型TMS320C64X內(nèi)核與最新視頻處理子系統(tǒng)(VPSS)，實現(xiàn)超強的視頻處理能力。 TMS320C64X采用第二代高性能超長指令字(VLIW)的體系結(jié)構(gòu)，2級存儲器/高速緩存和EDMA引擎，非常適合高強度的數(shù)學運算；其內(nèi)核主頻高達600 MHz，峰值處理速度可達5 600 MIPS。內(nèi)核擁有兩級緩存結(jié)構(gòu)，第一級緩存(L1)包括80 KB的數(shù)據(jù)緩存(L1D)和32 KB 的程序緩存(L1P)，L1直接與CPU連接，數(shù)據(jù)寬度為128 bit。第二級緩存(L2)的容量大小為128 KB，可以被映射成緩存結(jié)構(gòu)也可被用作片內(nèi)存儲器。核內(nèi)部擁有兩個處理通路，每條通路包含4個功能單元，最高時可在一個時鐘并行處理8條指令；視頻處理子系統(tǒng)(VPSS)，以D1解析度實現(xiàn)高達H.264的視頻編碼。TMS320DM6437芯片還擁有豐富的外部接口，片內(nèi)包含4路視頻數(shù)模轉(zhuǎn)換芯片，可實現(xiàn)多種制式的模擬視頻信號輸出，為運行客流量統(tǒng)計程序提供了一個高性價比的硬件平臺。
1.2 系統(tǒng)硬件構(gòu)成
系統(tǒng)主要由圖像采集、圖像數(shù)據(jù)存儲、圖像數(shù)據(jù)處理和圖像顯示等部分組成。圖像采集部分使用TI公司的TVP5150專用圖像采集器。TVP5150的主要作用是把輸入的模擬視頻信號轉(zhuǎn)換成符合ITU-R BT.656標準的4:2:2 YUV全數(shù)字視頻信號。運行人頭檢測和跟蹤計數(shù)算法的處理器采用TI公司的高性價比媒體處理器TMS320DM6437。該處理器先從視頻轉(zhuǎn)換芯片TVP5150讀取數(shù)字視頻數(shù)據(jù)，然后運行人頭檢測和跟蹤計數(shù)程序，最后在檢測的人頭上加框后顯示統(tǒng)計的客流量。由于圖像數(shù)據(jù)量大，TMS320DM6437處理器運行客流量統(tǒng)計程序時，不可避免會將運行的中間數(shù)據(jù)存儲在片外高速RAM中(片外RAM采用256 MB的DDR2 DRAM存儲器)。視頻顯示芯片采用Philips公司的視頻編碼芯片SAA7126H，實現(xiàn)視頻顯示。系統(tǒng)基本的硬件結(jié)構(gòu)如圖2所示。

2 利用HOG特征實現(xiàn)人頭檢測
Dalal等人首先將HOG特征[3]用于靜態(tài)圖像中的行人檢測，其主要思想是利用局部區(qū)域的梯度方向直方圖來描述目標特征。本文用HOG特征結(jié)合支撐向量機SVM(Support Vector Machine)分類器進行頭部檢測，分為SVM分類器訓練和人頭檢測兩個階段。
2.1 HOG特征提取
提取目標的HOG特征步驟如下：首先按照式（1）和式（2）計算灰度圖像的梯度幅值和梯度方向。

其中，Gx、Gy分別是(x，y)的水平和豎直梯度，梯度的方向設定為0～?仔。本文梯度的方向反映該像素點周圍的灰度變化的方向，梯度的幅度反映灰度變化的大小。
然后進行子塊單元的劃分和方向直方圖統(tǒng)計。如圖3（a）所示，將圖像劃分為若干個圖像塊（BLOCK），每個塊劃分為若干個正方形圖像單元（CELL），圖像單元的邊長記為CELLSIZE。圖3（a）中CELL的大小為8×8個像素，即CELLSIZE=8；一個BLOCK包含2×2個圖像單元CELLNUM=4。以一個圖像單元為單位，進行方向梯度直方圖的統(tǒng)計。將梯度方向劃分為BIN個區(qū)間，對于各個區(qū)間的梯度相加，形成一個BIN維的向量來描述一個圖像單元。最后生成圖像的Hog描述子，對于每一個BLOCK對應的BIN×CELLNUM維向量可以根據(jù)實際需要按式（3）進行標準化：

最后所有CELL對應的向量構(gòu)成整個圖像的Hog描述子，如圖3（b）所示，圖像由16個CELL組成。

linux操作系統(tǒng)文章專題:linux操作系統(tǒng)詳解（linux不再難懂）

上一頁 1 2 下一頁