阴影抑制算法改进与优化.docVIP

阴影抑制算法改进与优化 　　摘 要 为了提高视频监控系统的实时性，本文对研究阴影抑制算法的进行改进，结合硬件载体数字媒体处理芯片TMS320DM642的特点进行算法级改进并优化。算法级的优化减少了算法的复杂度，而程序级和指令级的优化非常适用于有流水线处理特征的微控制器和微处理器。实验表明针对传统的HSV色彩信息的阴影抑制算法来讲目标轮廓抽取准确性提高。 　　关键词 阴影抑制；智能跟踪；DSP 　　中图分类号TP39 文献标识码A 文章编号 1674-6708（2012）72-0236-02 　　1 介绍 　　基于在智能实时跟踪系统中强大的目标检测需求，本文的重点在于阴影抑制算法的应用与优化。本文在阴影抑制算法中添加了快速填充与噪声消除算法使阴影抑制算法的整体性能得到提高，同时做到了对于算法复杂度和性能之间的相互协调。然后将此技术（阴影抑制算法外加优化）用于目标跟踪系统。优化方面，可分为三大等级??算法级的优化（ALO），程序级的优化（PLO）以及指令级的优化（ILO）。ALO目的在于简化算法，PLO以及ILO目的在于芯片硬件资源的充分利用。在此系统中我们选用德州仪器公司生产出的一款高性能的数字媒体处理芯片TMS320DM642。 　　2 阴影抑制研究 　　2.1智能视频分析系统算法 　　智能视频分析系统主要是用来进行动态目标识别与跟踪任务。因此，整个系统被分为三部分：动态目标检测，动态目标识别以及自动跟踪部分。 　　这些算法首先对于输入图像进行预处理，然后利用自适应性背景提取算法得到背景。通过计算背景帧与当前帧的差可以得到前景图像，然后通过阴影抑制算法得到目标掩膜。在目标识别阶段，支持向量机能够在特征抽取以后将目标归类。随后即实现目标跟踪。在此系统中我们选用在目标识别与跟踪设备中常用的Kalman滤波器。 　　2.2基于HSV色彩信息的阴影抑制算法 　　近年来科学家提出了许多关于阴影识别与消除的算法，通过对比不难发现更好的算法总是具有更加复杂的计算过程，这在应用中对DSP芯片等器件的硬件资源要求很高，我们选用Cucchiara提出的方法。 　　这种算法是在HSV颜色空间中实现的。整体的过程通过以下的等式来实现： 　　式子（1） 　　其中， 定义为在坐标点（x，y）处的前影掩膜，当某一点经分类属于前影点时，该点为1，否则为零。作为目标掩膜同样如此。对于一个背景像素点，该点的为0，因为它不是目标的一部分。阴影检测识别是相对于前影像素点而言的。如果某一像素点被检测为阴影，该像素点也为0，只有为目标像素点时才为1。因此，通过的判断，排除了阴影像素点，就获得了目标。 　　在（1）式中，以及分别是前景图像和背景图像在坐标（x，y）处像素值中的V分量。此方程式表明为了实现阴影检测，首先应满足三个条件。根据Lambertian假设，第一个条件是对于亮度（即V分量）而言的，α用来考虑光源的效果，β是用来估计噪声的影响。研究还表明某一点的饱和度（即S分量）以及色度（H分量）如果被阴影笼罩，变化不太明显。所以在第二以及第三个条件中这两个分量的阈值很小，τs以及τh的典型值均为0.15。 　　阴影抑制可以消除由于阴影与目标的错误识别分类造成的偏差，然而这种技术增大了CPU的占用率。因此对于实时系统来讲，该算法必须通过优化才能提高其性能。 　　3 算法级的改进与优化 　　公式(1)是该优化的关键。除了对V分量的比较环节以外，利用该等式进行操作的其他环节相对简单。在用DSP实现算法时，由于相除的结果大小是从0到255之间的浮点数，因此V分量的比较是一个浮点数之间的操作。然而，DM642是一种整型数操作的DSP，虽然能够进行部分的浮点数操作但是这些操作会更耗时，因此，在软件编程中我们尽量避免浮点数的操作。 　　将亮度计算式的两端同乘以分母，我们能够得到下列等式： 　　式中α和β是固定的十进制小数，V分量是一个整数，因此亮度值的比较成为整型数之间的运算，避免了浮点运算与除法运算。 　　在（1）式中的另一个难点是获取像素点的H，S，V分量。首先，我们将YUV图像转换为RGB图像。然后，我们将（R，G，B）彩色图像转化为（H, S, V）的，由于此转化为非线性转换因此该步骤较复杂。另外，在转换方程中有相当多的除法运算。为了避免这一问题，我们又定义了两个变量H和S。令 　　式中max和min是三个分量（R, G, B）中的最大值与最小值。通过将（3）式和（4）式与RGB值到HSV值的转换公式对比，我们发现变量之间的关系可以简化为： 　　式子（5） 　　式子（6） 　　因此（2）式也可写为如下形式： 　　式子（7） 　　从式中可以看出该阴影抑制算法会变得更加复杂，所以我们选用的处理器芯片是考虑了适合于这些复杂操作的DSP芯片，我们将在以后章节讨论。 　　因此系统