徐海剛，李朋偉

（1.河南工學(xué)院 計(jì)算機(jī)科學(xué)與技術(shù)系，河南 新鄉(xiāng)　453002；2.太原理工大學(xué) 信息工程學(xué)院，山西 太原　030024）

智能視頻監(jiān)控系統(tǒng)中多視角目標(biāo)跟蹤研究與FPGA實(shí)現(xiàn)

徐海剛1，李朋偉2

（1.河南工學(xué)院 計(jì)算機(jī)科學(xué)與技術(shù)系，河南 新鄉(xiāng)453002；2.太原理工大學(xué) 信息工程學(xué)院，山西 太原030024）

為了提高智能視頻監(jiān)控（IVS）系統(tǒng)中運(yùn)動(dòng)目標(biāo)跟蹤的可靠性和實(shí)時(shí)性，提出一種分布式架構(gòu)的高清多視角IVS系統(tǒng)。首先，前端FPGA模塊與高清IP攝像機(jī)相連，用于收集視頻并進(jìn)行初級(jí)視頻處理；然后，F(xiàn)PGA通過網(wǎng)絡(luò)與后端GPU服務(wù)器相連，GPU服務(wù)器執(zhí)行高級(jí)視頻處理；最終實(shí)現(xiàn)目標(biāo)在多攝像機(jī)間的連續(xù)跟蹤。實(shí)驗(yàn)結(jié)果表明該系統(tǒng)運(yùn)行穩(wěn)定，能夠在多視角下快速、準(zhǔn)確地跟蹤目標(biāo)。

智能視頻監(jiān)控系統(tǒng)；多視角目標(biāo)跟蹤；運(yùn)動(dòng)目標(biāo)跟蹤；FPGA

0引　言

由于低成本和高分辨率數(shù)字?jǐn)z像機(jī)的產(chǎn)生，基于互聯(lián)網(wǎng)的分布式智能攝像機(jī)網(wǎng)絡(luò)應(yīng)運(yùn)而生，這類網(wǎng)絡(luò)的一個(gè)重要應(yīng)用為智能視頻監(jiān)控（Intelligent Video Surveillance，IVS）［1］。IVS系統(tǒng)中包含視頻采集、傳輸和視頻分析（Video Analytics，VA）。通過對(duì)采集到的圖像序列進(jìn)行分析和處理，從而對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)和跟蹤［2］。IVS系統(tǒng)廣泛應(yīng)用于安防、刑偵、金融、醫(yī)療衛(wèi)生等領(lǐng)域。

然而，由于攝像機(jī)分辨率的提升導(dǎo)致VA任務(wù)的高計(jì)算需求，且有些IVS系統(tǒng)不能實(shí)時(shí)進(jìn)行監(jiān)控。因此，針對(duì)720p或1 080p的高清（High Definition，HD）視頻，開發(fā)一種能夠支持VA的實(shí)時(shí)IVS系統(tǒng)有重要意義。傳統(tǒng)IVS系統(tǒng)通常在PC平臺(tái)上開發(fā)，雖然有方便的編程環(huán)境和高計(jì)算能力，但其在長時(shí)間連續(xù)運(yùn)行時(shí)，穩(wěn)定性和可靠性較差。目前，嵌入式系統(tǒng)（例如RAM，DSPFPGA）在IVS攝像機(jī)架構(gòu)中的應(yīng)用引起了極大關(guān)注。利用嵌入式穩(wěn)定性高、尺寸小、硬件可裁剪、模塊化程度高而且支持以太網(wǎng)等特點(diǎn)，結(jié)合現(xiàn)代圖像處理技術(shù)，提高系統(tǒng)的智能化程度已經(jīng)成為技術(shù)改良的新方向［3］。

本文提出了一種支持高清、多視角和實(shí)時(shí)VA任務(wù)的分布式IVS系統(tǒng)，主要側(cè)重于移動(dòng)目標(biāo)的實(shí)時(shí)HD多視角檢測(cè)和跟蹤。其中，前端采用現(xiàn)場(chǎng)可編程門陣列（Field Programmable Gate Array，F(xiàn)PGA）嵌入式系統(tǒng)實(shí)現(xiàn)HD視頻的初級(jí)處理，后端采用圖像處理單元（Graphics Processing Units，GPU）服務(wù)器執(zhí)行高級(jí)處理，最終實(shí)現(xiàn)多視角視頻監(jiān)控。實(shí)驗(yàn)結(jié)果表明，本文系統(tǒng)能夠精確、多視角地追蹤目標(biāo)，具有很好的可靠性和實(shí)時(shí)性。

1　本文IVS系統(tǒng)架構(gòu)

本文系統(tǒng)硬件采用模塊化設(shè)計(jì)，其中前端網(wǎng)絡(luò)協(xié)議（IP）攝像機(jī)分別連接到FPGA嵌入式系統(tǒng)，用于對(duì)視頻進(jìn)行初步處理；然后多個(gè)FPGA嵌入式單元連接到一個(gè)GPU服務(wù)器，用于執(zhí)行高級(jí)VA算法。另外，服務(wù)器連接到網(wǎng)絡(luò)，以支持分布式處理和遠(yuǎn)程數(shù)據(jù)訪問。硬件系統(tǒng)框圖如圖1所示。

圖1　本文IVS系統(tǒng)的硬件結(jié)構(gòu)框圖

一些低級(jí)VA算法［4］，例如背景建模（BM）、連通區(qū)域標(biāo)記（CCL）和單視角目標(biāo)跟蹤，在攝像機(jī)端的FPGA上執(zhí)行，以便獲取實(shí)時(shí)動(dòng)作。后端GPU服務(wù)器主要用于存儲(chǔ)壓縮視頻和支持高級(jí)VA算法［5］，例如深度估計(jì)和多視角目標(biāo)跟蹤。本文系統(tǒng)中軟件處理流程如圖2所示。

圖2　本文IVS系統(tǒng)的視頻軟件處理流程圖

2　前端FPGA上初級(jí)視頻分析

盡管目前已有關(guān)于BM，CCL和單視角目標(biāo)跟蹤的硬件設(shè)計(jì)的研究，但通常針對(duì)的是標(biāo)清視頻。本文針對(duì)HD視頻的新的嵌入式架構(gòu)，提出了多種新的方法，以此來減少計(jì)算量，使其能夠應(yīng)用于FPGA中處理HD視頻。

2.1背景建模（BM）

基于像素的BM的主要目標(biāo)是確定像素是屬于背景（BG）還是前景（FG）［6］。本文將構(gòu)建成一個(gè)高斯混合模型（Gaussian Mixture Model，GMM）［7］，通過計(jì)算當(dāng)前像素為BG或FG的后驗(yàn)概率的比值確定像素來源。設(shè)定在時(shí)間t時(shí)的像素為x（t），概率因子R計(jì)算如下：

如果R很小，則檢測(cè)到的像素為FG。然而，一般情況下不清楚FG的分布，因此通常假設(shè)其為具有的均勻分布，所以，如果像素值滿足式（2），則視作BG：

為了使系統(tǒng)適應(yīng)光照變化的場(chǎng)景［8］，需用T個(gè)樣本的時(shí)間窗來連續(xù)更新數(shù)據(jù)集 χ。因此，在時(shí)刻t，數(shù)據(jù)集為 χT=｛xt，xt-1，…，xt-T｝。對(duì)于每個(gè)輸入樣本，更新數(shù)據(jù)集 χT和相應(yīng)的密度。由于這些樣本可能同時(shí)包含BG和FG信息，估計(jì)的密度實(shí)際為 p（x（t）|χT，BG+FG）。由于BG模型變化緩慢，新的FG樣本通常對(duì)應(yīng)于整體分布中的偏遠(yuǎn)模式，所以，可以以此分離出新FG。為了建模 p（x（t）|χT，BG+FG），基于具有M個(gè)組件的GMM方法是一種有效的方法，如下：

如果所有M個(gè)組件中沒有狀態(tài)為“接近”的組件，則會(huì)產(chǎn)生具有的新組件，其中σ20為初始變量。另外，組件的最大數(shù)為有限值，因此具有最小權(quán)重的組件應(yīng)該被丟棄。該算法中，前景目標(biāo)通常顯示為具有小權(quán)重的集群，因此，可從混合信息中大致分離出背景，利用大權(quán)重的集群構(gòu)建背景模型：

式中B通過降序分配組件的權(quán)重確定：

式中cf為前景目標(biāo)的估計(jì)分?jǐn)?shù)。如果一個(gè)新樣本來自一幅圖像，且停留了很長時(shí)間，當(dāng)其權(quán)重變得大于cf時(shí)，則將它視作背景目標(biāo)。

2.2連通區(qū)域標(biāo)記（CCL）

在準(zhǔn)備進(jìn)行目標(biāo)跟蹤時(shí)，通常執(zhí)行CCL檢測(cè)FG/BG二進(jìn)制圖像中的連通區(qū)域［9］。由于現(xiàn)有CCL算法要么具有高計(jì)算復(fù)雜度，不易在FPGA上實(shí)現(xiàn)，要么具有較低的性能。為此，本文提出了一種增強(qiáng)型Two-Pass算法［10］，主要包含兩部分，即首次標(biāo)記和二次標(biāo)記。首次標(biāo)記時(shí)，在背景圖像中的每行執(zhí)行向前掃描和向后掃描；第二次標(biāo)記中，使用最終等價(jià)表獲得最終標(biāo)記的圖像。提出的CCL架構(gòu)如圖3所示，該方法具有較高的標(biāo)記性能，且具有較低的計(jì)算復(fù)雜度，易于在FPGA上實(shí)現(xiàn)。

圖3　CCL處理架構(gòu)

由于背景圖像以柵格方式掃描，在第一次掃描時(shí)，分配臨時(shí)標(biāo)簽給目標(biāo)像素，在第二次掃描（重新標(biāo)記）時(shí)，根據(jù)最終等價(jià)表執(zhí)行最終標(biāo)簽分配。第一次掃描包括向前和向后掃描，例如，圖4（a）描述了目標(biāo)像素A，其被從B到I的8個(gè)鄰居包圍，圖4（b）和（c）分別表示用于向前掃描和向后掃描的掩碼。

圖4　當(dāng)前像素A的鄰域以及第一次掃描中使用的掩碼

向前掃描中，包含C，D和E的行是最后一行向后掃描的結(jié)果。如果當(dāng)前像素A屬于目標(biāo)像素，則分配向前掃描掩碼中其4個(gè)鄰居標(biāo)簽中的最大值給A，否則，分配0值。如果其4個(gè)鄰居沒有一個(gè)屬于目標(biāo)像素，則分配一個(gè)新標(biāo)簽給當(dāng)前像素A。在第一次掃描時(shí)，當(dāng)分配兩個(gè)不同的標(biāo)簽給兩個(gè)具有相同標(biāo)簽的目標(biāo)像素時(shí)，等價(jià)情況出現(xiàn)。例如，當(dāng)D不屬于目標(biāo)而C，B，E或A屬于目標(biāo)時(shí)，該情況發(fā)生。將兩個(gè)等價(jià)標(biāo)簽存儲(chǔ)于列表中用于重新標(biāo)記。向后掃描中，當(dāng)A和F是等價(jià)標(biāo)簽對(duì)時(shí)，分配其本身和鄰居F之間的最小標(biāo)簽給當(dāng)前像素，如果A和F均沒有任何其他等價(jià)關(guān)系，則從等價(jià)表中移除它們的等價(jià)關(guān)系，否則保留它們。

圖5描述了提出的CCL方法的實(shí)例，其中綠色框和白色框分別表示FG和BG像素。假設(shè)兩個(gè)新標(biāo)簽“3”和“4”由圖5（a）第三行中向前掃描產(chǎn)生。圖5（b）中，通過運(yùn)用向后掃描掩碼，將具有標(biāo)簽“3”的像素設(shè)為“1”，因?yàn)槠渑c右邊具有標(biāo)簽“1”的像素相連接，并從等價(jià)表中刪除等價(jià)標(biāo)簽對(duì)。首次標(biāo)記以及第二次標(biāo)記的最終CCL結(jié)果如圖5（c）和（d）所示。

圖5　CCL算法的例子

2.3單視角目標(biāo)跟蹤

本文使用斑點(diǎn)匹配［11］執(zhí)行單視角目標(biāo)跟蹤，如果一幀中的一個(gè)新斑點(diǎn)與當(dāng)前幀的斑點(diǎn)列表中的一個(gè)舊斑點(diǎn)匹配，則認(rèn)為成功跟蹤了該新斑點(diǎn)。目標(biāo)跟蹤包括兩個(gè)主要操作：遮擋處理；斑點(diǎn)匹配和斑點(diǎn)列表更新。單視角目標(biāo)跟蹤流程圖如圖6所示。

圖6　單視角目標(biāo)跟蹤流程圖

從圖6可以看出，輸入斑點(diǎn)首先經(jīng)過遮擋檢測(cè)，如果未遮擋，則進(jìn)行斑點(diǎn)匹配和斑點(diǎn)列表更新，否則，啟動(dòng)遮擋處理過程。遮擋處理主要解決的問題是，當(dāng)目標(biāo)在遮擋后與遮擋物分離時(shí)，如何正確的跟蹤目標(biāo)。然后執(zhí)行斑點(diǎn)匹配過程，其用于判斷輸入斑點(diǎn)是否與斑點(diǎn)列表中的舊斑點(diǎn)匹配，斑點(diǎn)匹配之后更新斑點(diǎn)列表。斑點(diǎn)列表中有三類斑點(diǎn)：舊斑點(diǎn)、匹配的斑點(diǎn)和不匹配的斑點(diǎn)。

2.3.1斑點(diǎn)匹配

斑點(diǎn)匹配在單視角目標(biāo)跟蹤中扮演著重要角色，其流程圖如圖7所示，從中可以看出，其包含三個(gè)主要操作，即計(jì)算邊界框距離度量，距離矩陣閾值，斑點(diǎn)關(guān)聯(lián)。

圖7　基于邊界框距離的斑點(diǎn)匹配框圖

（1）邊界框距離度量：斑點(diǎn)可由表示其輪廓的參數(shù)（如大小和速度）的邊界框來描述。通常，兩個(gè)邊界框之間的距離為質(zhì)心之間的歐式距離［12］。

（2）距離矩陣閾值：計(jì)算出邊界框距離后，需設(shè)定適當(dāng)閾值獲得二進(jìn)制匹配矩陣，關(guān)聯(lián)輸入斑點(diǎn)與舊斑點(diǎn)。常用的閾值估計(jì)方法有卡爾曼濾波（KF）［13］，但是，KF的硬件實(shí)現(xiàn)非常復(fù)雜，所以本文基于輸入斑點(diǎn)的運(yùn)動(dòng)速度來估計(jì)閾值。為了計(jì)算斑點(diǎn)的速度，需要獲知連續(xù)幀期間兩個(gè)匹配斑點(diǎn)質(zhì)心之間的位移。由于舊斑點(diǎn)和輸入斑點(diǎn)在當(dāng)前圖像幀中尚未匹配，所以根據(jù)前n幀中的速度值估計(jì)當(dāng)前斑點(diǎn)速度：

式中F是幀率。若所有閾值可用，則可獲得一個(gè)二進(jìn)制匹配閾值：

式中：Db（i，j）為二進(jìn)制匹配矩陣中的二進(jìn)制值；i和 j分別為行列號(hào)；α為閾值方差的遺忘因子。獲得的對(duì)應(yīng)矩陣中，每行或每列包含多于1個(gè)非零元素，每個(gè)非零元素表示一個(gè)輸入斑點(diǎn)和一個(gè)舊斑點(diǎn)已經(jīng)匹配。

（3）斑點(diǎn)關(guān)聯(lián)：斑點(diǎn)匹配中最后一項(xiàng)操作是關(guān)聯(lián)當(dāng)前幀中的匹配斑點(diǎn)來跟蹤前幾幀中的斑點(diǎn)。首先為當(dāng)前幀中每個(gè)匹配的斑點(diǎn)產(chǎn)生一個(gè)惟一身份標(biāo)識(shí)（ID）。然后，將其存儲(chǔ)到注冊(cè)表中，用于標(biāo)記視頻中匹配的目標(biāo)。在斑點(diǎn)匹配結(jié)束后，需更新斑點(diǎn)列表。

2.3.2遮擋處理

目前，針對(duì)遮擋處理的主流方法有粒子濾波（Particle Filter）［14］。但是，粒子濾波的實(shí)現(xiàn)需要很多硬件資源，為此，本文提出一種簡單方法，目的是減小硬件需求。

當(dāng)遮擋發(fā)生時(shí)，本文將重疊目標(biāo)視作新目標(biāo)，以此減少了遮擋后目標(biāo)分離的跟蹤目標(biāo)步驟。例如，在遮擋分離后，在舊的匹配斑點(diǎn)中搜索分離后的對(duì)應(yīng)斑點(diǎn)，即遮擋之前和之后斑點(diǎn)ID相同的斑點(diǎn)，本文稱該過程為“遮擋恢復(fù)”。但是，每個(gè)斑點(diǎn)的位置可能發(fā)生很大變化，這使得邊界框距離度量不可靠。因此，遮擋恢復(fù)的關(guān)鍵問題是找出分離后斑點(diǎn)之間的對(duì)應(yīng)關(guān)系。大部分遮擋不會(huì)持續(xù)很長時(shí)間，所以連續(xù)幀的運(yùn)動(dòng)方向與速度高度相關(guān)，尤其是在高幀率下。因此，本文使用速度信息匹配對(duì)應(yīng)目標(biāo)，完成遮擋恢復(fù)?；谒俣鹊恼趽趸謴?fù)機(jī)制框圖如圖8所示。

圖8　基于速度的遮擋恢復(fù)機(jī)制

遮擋恢復(fù)中包含三個(gè)操作，即運(yùn)動(dòng)方向匹配（MDM）、速度值匹配（VVM）和斑點(diǎn)關(guān)聯(lián)。如果輸入斑點(diǎn)的速度 vb和舊斑點(diǎn)的速度 vr滿足 vb∈（1-λ）vr，（1+λ）vr），其中λ為用戶定義的歸一化方差因子，本文中設(shè)為0.125，則斑點(diǎn)可視為匹配。

3　后端GPU服務(wù)器上高級(jí)視頻分析

如前所述，初級(jí)VA算法在前端攝像機(jī)側(cè)執(zhí)行，以便獲取及時(shí)動(dòng)作。然后，在后端高性能圖形處理器（GPU）上執(zhí)行更復(fù)雜的高級(jí)VA算法，例如全局目標(biāo)標(biāo)記和跟蹤。

本文中，后端GPU服務(wù)器執(zhí)行兩項(xiàng)高級(jí)VA任務(wù)：跟蹤目標(biāo)的平均深度估計(jì)；多視角目標(biāo)跟蹤。目前，很少有IVS系統(tǒng)計(jì)算目標(biāo)的深度映射，這是由于其具有高計(jì)算復(fù)雜性和相對(duì)低可靠性。本文側(cè)重于平均深度值，其計(jì)算更可靠，所需計(jì)算資源也較少。此外，本文提出了一種多視角跟蹤算法，結(jié)合了平均深度信息，提供攝像機(jī)視角間更可靠的切換。

3.1多視角目標(biāo)跟蹤

本文系統(tǒng)的重要優(yōu)勢(shì)為可由單視角跟蹤擴(kuò)展到基于多個(gè)攝像機(jī)的多視角目標(biāo)跟蹤。該過程可劃分成兩步：確定每個(gè)攝像機(jī)的視角線；當(dāng)以多個(gè)視角檢測(cè)一個(gè)新目標(biāo)時(shí)，執(zhí)行跨攝像機(jī)視角的連通域標(biāo)記。

由于假設(shè)攝像機(jī)已校準(zhǔn)，所以很容易獲取每個(gè)攝像機(jī)的視角線。圖9為多視角視頻監(jiān)控系統(tǒng)的一個(gè)實(shí)例，其中黑色框表示左右兩相機(jī)的視角線。本文受文獻(xiàn)［15］啟發(fā)，提出一種全局目標(biāo)標(biāo)記方法，使用顏色不相似度和目標(biāo)到視角線的距離實(shí)現(xiàn)跟蹤目標(biāo)在各攝像機(jī)視角間的切換。因此，其具有高效性且計(jì)算復(fù)雜度低，但是，如果兩個(gè)目標(biāo)具有相似的顏色分布和到視角線的距離，則其性能將會(huì)降低。本文在線估計(jì)移動(dòng)目標(biāo)的平均深度，可用來進(jìn)一步輔助連通標(biāo)記，獲得更可靠的切換。

圖9　視角線圖解

3.2深度輔助連通標(biāo)記

（1）不相似度量的計(jì)算。通過假設(shè)到視角線的距離為高斯分布，根據(jù)與視角線的距離，匹配兩個(gè)目標(biāo)的概率為：

式中：σd用于在選擇可能候選匹配時(shí)，控制區(qū)域的比例或?qū)挾取Ｎ墨I(xiàn)［15］中，兩個(gè)目標(biāo)的顏色不相似度定義為：

式中：hi和hj分別為的顏色分布（直方圖）；d（hi，hj）為兩個(gè)分布之間的馬氏距離。

為了進(jìn)一步減少兩個(gè)相鄰視角之間由于估計(jì)目標(biāo)位置、視角線和相似度分布中的誤差造成的切換模糊，本文引入了目標(biāo)之間的深度不相似度參數(shù)：

如果由式（16）計(jì)算的具有最大概率的目標(biāo)已經(jīng)在全局斑點(diǎn)列表BG中標(biāo)記，則分配其全局標(biāo)記給Oni，否則，分配一個(gè)新全局標(biāo)記給它們。

4　實(shí)驗(yàn)及分析

為了評(píng)估本文硬件系統(tǒng)和VA算法，本文采用幀率為60 f/s，分辨率為720 p/1 080 p的TI-DM385 IP攝像機(jī)采集高清視頻數(shù)據(jù)。圖10描述了本文IVS的實(shí)體結(jié)構(gòu)，其包含基于GPU的視頻服務(wù)器、IP攝像機(jī)、FPGA板和圖形用戶接口（GUI），GUI可同時(shí)接收和顯示9個(gè)不同的視頻流，也能控制每個(gè)IP攝像機(jī)的視頻流，例如開始、停止和暫停。

圖10　提出的IVS系統(tǒng)實(shí)物圖

實(shí)驗(yàn)中，對(duì)于遮擋處理，比較了本文方法與基于顏色的粒子濾波方案?；陬伾牧Ｗ訛V波方案具有較高的計(jì)算復(fù)雜度，不適合在FPGA上實(shí)現(xiàn)。然而，其使用顏色分布（直方圖）表示目標(biāo)，在遮擋過程中能夠精確地分配正確標(biāo)簽到各種遮擋目標(biāo)。圖11描述了兩種方法下，單視角目標(biāo)跟蹤的比較結(jié)果，分別用紅色矩形和藍(lán)色矩形表示本文方法和粒子濾波的結(jié)果。圖11（b）描述了人群目標(biāo)被汽車遮擋，圖11（c）描述了目標(biāo)與遮擋物分離?？梢钥闯鰞煞N方法都能成功跟蹤移動(dòng)目標(biāo)，結(jié)果表明，本文基于FPGA的視頻監(jiān)控方案不僅具有較低計(jì)算復(fù)雜度，還能夠?qū)崿F(xiàn)與粒子濾波方案近似的性能。

圖11　具有遮擋場(chǎng)景的單視角目標(biāo)跟蹤

圖12描述了戶外雙視角目標(biāo)跟蹤的實(shí)驗(yàn)結(jié)果，圖中上半部分描述了當(dāng)目標(biāo)穿越相鄰攝像機(jī)的視角線時(shí)，執(zhí)行深度輔助的全局連通標(biāo)記結(jié)果。可以看出，當(dāng)目標(biāo)穿過一個(gè)攝像機(jī)的視角線到另一個(gè)攝像機(jī)的視角中時(shí)，本文系統(tǒng)能夠成功地維持目標(biāo)標(biāo)簽，從而實(shí)現(xiàn)目標(biāo)跟蹤。圖中下半部分描述了去除背景后，目標(biāo)對(duì)應(yīng)的平均深度。

圖12　雙視角戶外目標(biāo)跟蹤

5結(jié)　語

本文提出一種高清多視角IVS系統(tǒng)的設(shè)計(jì)方案，并在FPGA嵌入式系統(tǒng)上實(shí)現(xiàn)。以FPGA作為前端連接攝像機(jī)，執(zhí)行初步視頻處理任務(wù)。以GPU服務(wù)器作為后端，執(zhí)行高級(jí)處理任務(wù)，最終實(shí)現(xiàn)多視角目標(biāo)跟蹤。本文對(duì)FPGA系統(tǒng)中的算法進(jìn)行了簡化改進(jìn)，在不顯著降低性能的前提下，有效降低了計(jì)算復(fù)雜度，使其能夠應(yīng)用于FPGA系統(tǒng)中。實(shí)驗(yàn)結(jié)果表明，本文系統(tǒng)運(yùn)行穩(wěn)定，能夠精確快速跟蹤目標(biāo)，可廣泛應(yīng)用于實(shí)時(shí)性要求較高的智能視頻監(jiān)控中。

［1］黃凱奇，陳曉棠，康運(yùn)鋒，等.智能視頻監(jiān)控技術(shù)綜述［J］.計(jì)算機(jī)學(xué)報(bào)，2015，38（6）：1-10.

［2］侯宏錄，李寧鳥，劉迪迪，等.智能視頻監(jiān)控中運(yùn)動(dòng)目標(biāo)檢測(cè)的研究［J］.計(jì)算機(jī)技術(shù)與發(fā)展，2012，22（2）：49-52.

［3］蔣巍，張健，曾浩.基于智能視頻監(jiān)控系統(tǒng)的運(yùn)動(dòng)目標(biāo)檢測(cè)和跟蹤［J］.電視技術(shù)，2012，36（5）：110-114.

［4］SAHITHI V M.Remote based intelligent video surveillance system［J］.International journal of computer trends&technology， 2012，3（4）：48-56.

［5］ELARBI-BOUDIHIR A S A M.Intelligent video surveillance system architecture for abnormal activity detection［J］.Philosophy，2012，24（8）：102-111.

［6］桑農(nóng)，張濤，李斌，等.基于字典學(xué)習(xí)的背景建模［J］.華中科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2013，41（9）：28-31.

［7］宋佳聲，胡國清.基于時(shí)空熵分析的組合高斯背景建模方法［J］.華南理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2012，40（9）：116-122.

［8］趙旭東，劉鵬，唐降龍，等.一種適應(yīng)戶外光照變化的背景建模及目標(biāo)檢測(cè)方法［J］.自動(dòng)化學(xué)報(bào)，2011，37（8）：915-922.

［9］趙菲，張路，張志勇，等.基于硬件加速的實(shí)時(shí)二值圖像連通域標(biāo)記算法［J］.電子與信息學(xué)報(bào)，2011，33（5）：1069-1075.

［10］JOSHI K A，THAKORE D G.A survey on moving object detection and tracking in video surveillance system［J］.International journal of soft computing&engineering，2012，2（3）：135-144.

［11］LAMBERT H C.Cramer-Rao bounds for target tracking problems involving colored measurement noise［J］.IEEE transactions on aerospace&electronic systems，2012，48（1）：620-636.

［12］謝立，胡玲玲，呂一品，等.面向智能視頻監(jiān)控系統(tǒng)運(yùn)動(dòng)目標(biāo)檢測(cè)的輪廓提取方法［J］.東南大學(xué)學(xué)報(bào)（自然科學(xué)版），2012，42（z1）：31-35.

［13］YANG D H，ZHANG Y，WANG Y P.Automatic target segmentation and tracking in intelligent video surveillance［J］. Applied mechanics&materials，2014（496）：2073-2077.

［14］許慧芳，許亞軍.智能視頻監(jiān)控系統(tǒng)中運(yùn)動(dòng)目標(biāo)跟蹤的研究［J］.電視技術(shù)，2014，38（19）：202-206.

［15］WANG H，WANG X，ZHENG J，et al.Video object matching across multiple non-overlapping camera views based on multifeature fusion and incremental learning［J］.Pattern recognition，2014，47（12）：3841-3851.

Research on multi-view target tracking in intelligent video surveillance system and its implementation by FPGA

XU Haigang1，LI Pengwei2
（1.Department of Computer Science and Technology，Henan Institute of Technology，Xinxiang 453002，China；2.College of Information Engineering，Taiyuan University of Technology，Taiyuan 030024，China）

To improve the reliability and real-time performance of moving target tracking in intelligent video surveillance （IVS）system，a high definition multi-view IVS system with distributed architecture is proposed.In the system，the front-end FPGA module is connected with the high definition IP camera for video collection and primary video processing.And then，the FPGA is connected with the back-end GPU server through the network，and the GPU server is used to execute the advanced video processing.The target continuous tracking of multiple cameras was realized.The experimental results show that the system can run stably，and track the target in multi-view quickly and accurately.

intelligent video surveillance system；multi-view target tracking；moving target tracking；FPGA

TN948.43-34；TP391

A

1004-373X（2016）17-0006-06

10.16652/j.issn.1004-373x.2016.17.002

2015-10-19

國家自然科學(xué)基金項(xiàng)目（51205276）

徐海剛（1981—），男，河南開封人，碩士，講師。研究領(lǐng)域?yàn)榍度胧?、控制裝置及自動(dòng)化等。李朋偉（1981—），男，河南周口人，博士，副教授。研究領(lǐng)域?yàn)榍度胧较到y(tǒng)等。