基于FPGA的行人檢測(cè)系統(tǒng)設(shè)計(jì)，實(shí)現(xiàn)智能視頻監(jiān)控

項(xiàng)目實(shí)施背景及可行性分析：

智能視頻監(jiān)控是計(jì)算機(jī)視覺的一個(gè)重要應(yīng)用領(lǐng)域，有著廣闊的應(yīng)用前景，尤其是那些對(duì)安全要求比較敏感的場(chǎng)合，如飛機(jī)場(chǎng)、地鐵站、銀行、超市等。

因?yàn)樵谝曨l監(jiān)控場(chǎng)景中出現(xiàn)的行人是事件發(fā)生的主體，所以行人是智能視頻監(jiān)控系統(tǒng)研究的主要對(duì)象，系統(tǒng)對(duì)這些行人目標(biāo)進(jìn)行實(shí)時(shí)檢測(cè)、跟蹤與識(shí)別，進(jìn)而分析他們的運(yùn)動(dòng)或行為。而我們的研究課題——行人檢測(cè)就屬于智能監(jiān)控系統(tǒng)中的目標(biāo)分類功能部分，它的作用是將視頻中的行人與其他物體區(qū)分開來，并準(zhǔn)確定位。檢測(cè)性能的好壞將直接影響后續(xù)工作以致整個(gè)智能監(jiān)控系統(tǒng)的性能。因而這將是一個(gè)有著現(xiàn)實(shí)應(yīng)用意義的課題項(xiàng)目

在視頻圖像中進(jìn)行行人檢測(cè)可轉(zhuǎn)化為一個(gè)目標(biāo)分類問題，設(shè)計(jì)行人檢測(cè)系統(tǒng)的前提就是分類器的訓(xùn)練。訓(xùn)練分類器的主要步驟包括目標(biāo)特征提取和機(jī)器學(xué)習(xí)算法的選擇。利用特征對(duì)目標(biāo)進(jìn)行建模比直接使用圖像的像素值在計(jì)算上更加方便快捷，另外特征提取有利于減小同類目標(biāo)對(duì)象的類內(nèi)距離，同時(shí)增大不同類對(duì)象之間的類間距離，使最終的分類結(jié)果更加準(zhǔn)確。目前矩形特征經(jīng)常被同來表述行人形狀的邊緣信息，此類特征在樣本圖像中的大小和位置都是可變的，在逐像素遍歷的情況下特征總數(shù)目還是非常龐大，因此需要一個(gè)特征選擇算法來選擇對(duì)分類最有的特征，而級(jí)聯(lián)Adaboost算法正具有此功能。級(jí)聯(lián)Adaboost算法成熟、快速，具有很強(qiáng)的實(shí)用性。綜上所述，成熟的行人檢測(cè)算法為本研究項(xiàng)目奠定了堅(jiān)實(shí)的理論基礎(chǔ)。

項(xiàng)目實(shí)施方案：

1 項(xiàng)目基本框圖及描述：

從實(shí)用角度出發(fā)，本文涉及的行人檢測(cè)系統(tǒng)，共有三個(gè)功能模塊，系統(tǒng)框圖如圖一所示。第一部分的作用是通過背景建模進(jìn)行前景目標(biāo)的提??；第二部分完成對(duì)行人目標(biāo)的多尺度檢測(cè)功能，其中的行人分類器是由級(jí)聯(lián)Adaboost算法使用矩形特征訓(xùn)練出來的；第三部分的作用是將同一目標(biāo)產(chǎn)生的多個(gè)檢測(cè)結(jié)果進(jìn)行合并，完成最終的檢測(cè)定位功能。

圖一：行人檢測(cè)系統(tǒng)框圖