中英文文献翻译-OpenCV兼容背景前景识别实时处理器.docVIP

附件1：外文资料翻译译文 OpenCV兼容背景前景识别实时处理器Email: ma.genovese@studenti.unina.it 摘要：背景识别方法被用于许多领域，如：视频监视和交通监控。本文提出一种基于高斯混合模型算法的硬件实现，它能够对高清图像进行背景识别。该电路是基于OpenCV实现，特别适合改善初始背景学习阶段。优化位宽度是为了降低硬件复杂度和提高工作速度。当在Virtex 5 FPGA上实现1920x1080电路可以每分钟处理22帧。OpenCV 引言 监视和交通监控的应用见文献[1]-[4]，它们均是依靠视频相关事件的序列识别。近几年目标检测技术已经被进行了研究并提出了不同的算法。 主要的实时识别算法是基于文献[5]-[7]的帧差算法或在[8]-[13]文献中的与参考模型（背景减除方法）比较的算法。文献[5]-[7]中的帧间差分的算法，用于检测比较连续帧的运动物体。该算法实现快速简单，但是输出依赖于运动物体的速度。 背景减除算法检测的前景与参考模型的帧比较。 文献[8]中，如果参考像素可以在相对较长的时间里保持一个恒定值，就可以考虑把它视作背景。当在其他场景不变的情况下，出现光照的变换，该方法失效。文献[9],[10]中使用Kalmann过滤器，而[11]提出了维纳滤波器，以适应背景模型。 其他方法有采用统计算法来获得背景的每个像素的统计模型，具体应用见文献[12]，[13]。对于新的帧，像素和统计的模型比较。如果该差值大于阈值，则像素被分类为前景。在文献[12]中一种每个像素的单高斯分布算法被提出。该算法是有效的，但不能描述阴影和目标重复运动（如涟漪波浪或whishing 叶）都存在的多种方式的背景。出于这个原因，在文献[13]中，每个像素被用混合的高斯分布建模。文献[13]中提到的技术被称为高斯混合模型（GMM），并且该技术在既有光照变化和多种背景的情况下提供了良好性能，由于其良好的性能，在OpenCV库[15]GMM算法已被选择为背景检测算法。 OpenCV（开源计算机视觉）是一个由英特尔开发的开放源码软件库。OpenCV提供了一个能够从图像提取相关细节和自动处理计算机视觉工具的共同基础。 在OpenCV库提出的GMM算法是一种算法的优化版本，其特别适合改善最初的学习阶段。 该高斯混合模型算法的主要缺点是需要众多的非线性计算来线性的增加每个像素的高斯数量和实时视频处理用软件无法实现的。 在文献[13]中，是一个小框大小为160 x120在SGI 02 RIOOOO处理器OpenCV的 GMM算法，但提高了处理能力和处理比较大的图像（基于38帧的1024×1024）。 本文提出了GMM的算法一种硬件实现，它能够对高清晰度和符合OpenCV的视频进行实时处理。 当在Virtex5 FPGA上实现时，电路处理22 fps的高清图像。可编程逻辑 XC5VLX50 FPGA的可编程序逻辑占5.5％47兆赫的频率功耗为27.6mW。 高斯混合模型 该高斯混合模型算法已经提出了通过斯托弗和以效率的目标模型多种方式的背景的Grimson[13]。它用K高斯分布的混合物组成的统计模型描述了每个象素的统计。使用多个高斯允许建模真实的情况。作为一个例子，其在框架上的一个点两个值之间的强度振荡是用两个高斯完全仿照。更大的是高斯分布的数目由算法采用，较高的是算法的精度和计算的复杂性的。一个GMM的算法描述如下。有关详情参考文献[13]和OpenCV的文档。 图1 背景识别电路框图 参数更新 当获取一帧，则使用被验证的K高斯函数条件去匹配每个像素。如果分布的平均值和像素之间的差值低于2.5个标准差，则像素和高斯函数匹配。匹配的条件是重要的，以确定是否像素值是否可以被认为是背景。当第k个高斯验证这一条件（匹配），其参数更新如下： （1） 其中，和是平均值，对于每一个高斯的变量和权重。和是两个不同的学习速率和 matchsum是在OpenCV的算法引入了一个计数器，这将在下面进行说明。对于那些没有匹配高斯分布的权重更新是根据： （2） 而平均值和方差是不变的。每个像素只能匹配单个高斯函数。如果像素接近一个高斯函数优先级参数则命名为适当，选择匹配的高斯分布。适当（F）的参数由下式给出： （3） 当高斯值有一个高F值，其代表高概率背景像素。对k个高斯值以F值递减的顺序进行排序（即F1 F2 F3...）。与像素相匹配的高斯值和最高的F值视为匹配的分布。一个具体的“不匹配”的更新程序时，执行的像素不匹配任何高斯值。在