基于TI DM6437的行人跟踪算法研究

论文摘要

行人跟踪是智能视频分析领域的一个重要研究方向。在行人跟踪算法基础上可以直接实现人流统计、越界检测等智能视频监控方面的应用,而行人跟踪作为一些更高层次的智能视频分析算法的基础,可以被应用在异常行为检测、身份识别等领域。同时,嵌入式系统具有功耗低、便携性好等优点,因此,研究基于嵌入式芯片的行人跟踪算法具有重要的意义。本文首先概要的介绍了基于DM6437的软硬件开发环境。然后,分析、比较了若干种现存的效果较好的背景差方法。在此基础上,针对背景差方法经常遇到的迷彩前景和阴影问题,本文提出了一种基于分水岭分割对背景差进行补偿的算法。该方法可以缓解迷彩前景导致的目标断裂、破碎问题,并可以剔除某些在使用形态学处理后依然存在的伪前景区域。初步的试验结果表明,该方法能较好的降低阴影检测的虚警率。接下来,本文介绍了相关的行人检测、跟踪方法,并给出了基于目标位置估计和灰度直方图特征的跟踪算法框架。最后,针对算法在DM6437平台上实现的问题,本文介绍了基于DSP/BIOS实时操作系统的软件开发方法和算法优化手段,并测试、分析了行人跟踪算法在DM6437上的跟踪效果。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 选题意义与背景
• 1.2 国内外研究现状
• 1.3 行人跟踪算法框架
• 1.3.1 环境建模
• 1.3.2 运动目标分割
• 1.3.3 目标分类和跟踪
• 1.4 难点和主要工作
• 1.5 论文章节安排
• 2 嵌入式开发平台概述
• 2.1 TMS320DM6437芯片概述
• 2.2 SEED-DEC6437开发板概述
• 2.3 软件开发环境
• 2.3.1 Code Composer Studio 3.3概述
• 2.3.2 DSP/BIOS实时操作系统概述
• 2.3.3 软件库说明
• 3 背景差方法
• 3.1 早期的背景差方法
• 3.1.1 非自适应方法
• 3.1.2 自适应方法
• 3.1.3 早期方法的主要问题
• 3.2 高斯模型
• 3.2.1 模型的提出
• 3.2.2 模型的初始化和更新
• 3.2.3 存在的问题
• 3.3 混合高斯模型
• 3.3.1 混合高斯模型说明
• 3.3.2 改进的初始化及在线更新算法
• 3.3.3 模型总结
• 3.4 ViBe:Visual Background Extractor
• 3.4.1 ViBe背景模型
• 3.4.2 模型的初始化
• 3.4.3 模型的更新
• 3.4.4 模型总结
• 4 行人跟踪
• 4.1 迷彩前景补偿
• 4.1.1 分水岭算法概述
• 4.1.2 排序算法
• 4.1.3 泛洪算法
• 4.1.4 输入图像的选择
• 4.1.5 基于分水岭分割的迷彩前景目标补偿（WSOC）
• 4.2 阴影抑制
• 4.2.1 阴影抑制概述
• 4.2.2 基于RGB颜色空间的方法
• 4.2.3 基于HSV颜色空间的方法
• 4.2.4 结合ViBe的有修正阴影抑制
• 4.3 行人检测和跟踪算法
• 4.3.1 行人检测
• 4.3.2 行人位置估计
• 4.3.3 直方图匹配
• 4.3.4 行人跟踪算法
• 4.4 本章小结
• 5 基于DM6437的算法实现
• 5.1 硬件系统介绍
• 5.2 DSP/BIOS操作系统
• 5.2.1 平台配置脚本
• 5.2.2 中断管理
• 5.2.3 线程调度
• 5.2.4 内存管理
• 5.3 背景差和迷彩前景补偿在DM6437上的实现
• 5.3.1 程序实现和优化方法概述
• 5.3.2 ViBe方法的移植
• 5.3.3 WSOC方法的移植
• 5.4 行人跟踪算法的实现
• 5.4.1 算法优化
• 5.4.2 跟踪效果
• 5.5 本章小结
• 6 总结和展望
• 6.1 总结
• 6.2 不足和展望
• 致谢
• 参考文献