基于FPGA的行人检测系统设计，实现智能视频监控

2 背景建模

真实的视频监控场景中，存在着大量的背景区域。本系统引入背景建模用来提取前景目标，有利于减少目标的搜索范围，从而加快检测速度。本系统采用单高斯背景建模法来获取前景目标。

单高斯分布背景模型为每一图像像素的灰度值分布建立了用单个高斯分布表示的模型，其中下标t表示帧号，和分别表示高斯分布的矩阵和方差。设图像当前像素点的灰度值为，若，其中T为概率阈值，则该像素点被判为前景点，否则为背景点。在实际应用中，记，则取概率阈值为。

对于单高斯分布模型的更新，即各图像点高斯分布参数的更新，我们引入如下更新公式：

其中为更新率，的取值对前景目标的提取起着关键的作用。如果太小，则会使背景模型跟不上实际背景的更新速度；如果取太大，则可能将速度较慢的运动物体更新为背景模型的一部分。本系统将取值为0.005。

通过高斯背景建模，可以生成当前帧图像的前景像素点，将这些前景像素点标记为1，背景像素点标记为0，生成一张前景标记图像。在后续的多尺度检测过程中，通过判断子窗口中是否含有前景像素点以决定是否检测。子窗口的遍历不需要花费很多时间，但级联分类器的特征计算是非常耗时的，因此这样做可以大大减少检测时间。

3 多尺度检测

本系统采用的检测方法是利用检测窗口逐像素多尺度遍历图像区域，用训练好的级联Adaboost行人分类器检测检测窗口内是否存在行人，其中检测窗口的尺寸等于训练样本的尺寸。在实际的视频场景中，人的尺寸是随着与摄像机之间的距离变化而变化的，因此需要考虑检测目标与样本尺寸匹配的问题。针对这个问题，本系统采用逐层缩小原始图像的方法，以保证检测目标与检测窗口尺寸的一致性。

对于缩放系数的选择，也是影响检测效果的因素之一。若缩放系数太低，可能导致目标形状的畸变，从而影响检测结果；但如果缩放系数太高，又会增加缩放次数，降低检测效率。折衷考虑，我们选择0.85为逐层缩放图像的系数，图像的逐层缩放需要在原始图像和前景目标图像上同时进行，直至图片的尺寸小于检测窗口的尺寸。

4 多检测窗口的合并

由于本系统采用的检测方法是逐像素多尺度遍历检测，可能导致对同一目标产生多个检测结果（如图二（a）所示）,因此需要将这些重叠的窗口合并成一个检测结果（如图二（b）所示）。在合并的过程中，首先判断当前窗口是否有足够的临近窗口。所谓临近窗口就是两个窗口R1和R2相交的面积S（如图二（c）阴影部分所示）与两个窗口面积的比值均大于0.6。如果有足够多的临近窗口，那么保留此窗口，并且将此窗口与其临近窗口两两求平均合并为一个新的窗口（如图二（c）虚框所示）；如果没有足够多的临近窗口，就将此窗口当是错误检测结果删除。

图二：（a）合并前 （b）合并后 （c）矩形窗口合并方法