張南++王叔洋

摘要：在監(jiān)護系統(tǒng)領域中，我國已經(jīng)有基于嵌入式系統(tǒng)對視頻進行監(jiān)護及PC機進行目標檢測與識別的先例，但是沒能對行為的實時進行判斷。本文以視覺和嵌入式系統(tǒng)為基礎對人體行為的檢測進行了監(jiān)護，尤其適用在成本低、圖像處理精度較低的場合。

關鍵詞：嵌入式系統(tǒng) 人體行為 檢測系統(tǒng)

中圖分類號：TP291 文獻標識碼：A 文章編號：1007-9416（2014）08-0152-01

本文以視覺和嵌入式系統(tǒng)為基礎對人體行為的檢測進行了監(jiān)護，尤其適用在成本低、圖像處理精度較低的場合。先去是系統(tǒng)被運用在了圖像采集和處理等多個環(huán)節(jié)中，通過不斷地改善使其在實時性、成本及準確性上都有著更高的水平。

1人體行為檢測系統(tǒng)硬件結構

硬件結構框圖如圖1所示[1]。

2 跌倒行為識別算法的實現(xiàn)

2.1 自適應背景減除

背景減除算法的原理是當前幀與背景幀之間的灰度差，通過與設定值之間的比較來判定人體是否發(fā)生運動。由于這種算法中對于背景變化的敏感度較高，自適應的背景減除算法就能夠很好地解決這一問題，背景能夠自適應的進行扣除來減小干擾，能夠大大提升檢測人體運動的準確性[2]。

首先，使用加權平均值法將RGB24圖像在亮度分量的基礎上實現(xiàn)8bpp灰度化，然后以無人背景下采取的N幀圖像為基礎，構建簡化單高斯模型的初始背景統(tǒng)計模型。公式如下：

其中，指的是點i在第t幀圖像中的灰度值。因此，所有點的成為了一個初始北京模型。

其中，前景區(qū)域是由所有標志=225的點構成的，背景區(qū)域是由=0的點構成的。

第t幀圖像中像素點i的灰度期望、方差和灰度值分別用來表示，自適應系數(shù)為，那么t+2時刻的北京模型就可以用下列公式表示：

像素級計算對于嵌入式系統(tǒng)的圖像處理的速度有著極大的影響，因此，通過隔幀方式實現(xiàn)背景模型的自適應更新。自適應背景減除后的圖像如圖2（b）所示。

2.2 二值形態(tài)學濾波

在圖像濾波處理算法中，孤立的點、線的噪聲主要通過中值濾波去除，但是中值濾波對于顆粒狀或空洞類的噪聲等就不能完全去除。由于本文中的圖像噪聲源呈現(xiàn)出多毛刺、空洞的特點，二值化數(shù)學形態(tài)學濾波就能夠較好的解決這一問題。本文中采用的是以中心點為原點的8鄰域結構算子進行濾波，對于毛刺和空洞噪聲的去除有較高效率。對了使目標輪廓連續(xù)與平滑有著更好的去除效果，本文采取了先閉后開的級聯(lián)濾波，提高濾波的效率。形態(tài)學濾波后的圖像如圖2（d）所示。

人體行為檢測系統(tǒng)硬件結構的核心是Samsung公司的處理器S3C2410X。為了使圖像處理的效率更高，嵌入式系統(tǒng)通過亮度和色度分量上的算法優(yōu)化來去陰影，在提取前景的時候利用了簡化了的高斯模型的自適應背景減除算法，通過形態(tài)學濾波，在目標寬高的比較中來判定人體是否發(fā)生運動行為。

參考文獻

[l]魏志強，紀筱鵬，馮業(yè)偉.基于自適應背景圖像更新的運動目標檢測方法[J].電子學報，2005，33（12）：2261-2264.

[2]胡長勃，馮濤，馬頌德，等.基于主元分析法的行為識別[J].中國圖象圖形學報：A輯，2000，5（10）：818-824.endprint

摘要：在監(jiān)護系統(tǒng)領域中，我國已經(jīng)有基于嵌入式系統(tǒng)對視頻進行監(jiān)護及PC機進行目標檢測與識別的先例，但是沒能對行為的實時進行判斷。本文以視覺和嵌入式系統(tǒng)為基礎對人體行為的檢測進行了監(jiān)護，尤其適用在成本低、圖像處理精度較低的場合。

關鍵詞：嵌入式系統(tǒng) 人體行為 檢測系統(tǒng)

中圖分類號：TP291 文獻標識碼：A 文章編號：1007-9416（2014）08-0152-01

本文以視覺和嵌入式系統(tǒng)為基礎對人體行為的檢測進行了監(jiān)護，尤其適用在成本低、圖像處理精度較低的場合。先去是系統(tǒng)被運用在了圖像采集和處理等多個環(huán)節(jié)中，通過不斷地改善使其在實時性、成本及準確性上都有著更高的水平。

1人體行為檢測系統(tǒng)硬件結構

硬件結構框圖如圖1所示[1]。

2 跌倒行為識別算法的實現(xiàn)

2.1 自適應背景減除

背景減除算法的原理是當前幀與背景幀之間的灰度差，通過與設定值之間的比較來判定人體是否發(fā)生運動。由于這種算法中對于背景變化的敏感度較高，自適應的背景減除算法就能夠很好地解決這一問題，背景能夠自適應的進行扣除來減小干擾，能夠大大提升檢測人體運動的準確性[2]。

首先，使用加權平均值法將RGB24圖像在亮度分量的基礎上實現(xiàn)8bpp灰度化，然后以無人背景下采取的N幀圖像為基礎，構建簡化單高斯模型的初始背景統(tǒng)計模型。公式如下：

其中，指的是點i在第t幀圖像中的灰度值。因此，所有點的成為了一個初始北京模型。

其中，前景區(qū)域是由所有標志=225的點構成的，背景區(qū)域是由=0的點構成的。

第t幀圖像中像素點i的灰度期望、方差和灰度值分別用來表示，自適應系數(shù)為，那么t+2時刻的北京模型就可以用下列公式表示：

像素級計算對于嵌入式系統(tǒng)的圖像處理的速度有著極大的影響，因此，通過隔幀方式實現(xiàn)背景模型的自適應更新。自適應背景減除后的圖像如圖2（b）所示。

2.2 二值形態(tài)學濾波

在圖像濾波處理算法中，孤立的點、線的噪聲主要通過中值濾波去除，但是中值濾波對于顆粒狀或空洞類的噪聲等就不能完全去除。由于本文中的圖像噪聲源呈現(xiàn)出多毛刺、空洞的特點，二值化數(shù)學形態(tài)學濾波就能夠較好的解決這一問題。本文中采用的是以中心點為原點的8鄰域結構算子進行濾波，對于毛刺和空洞噪聲的去除有較高效率。對了使目標輪廓連續(xù)與平滑有著更好的去除效果，本文采取了先閉后開的級聯(lián)濾波，提高濾波的效率。形態(tài)學濾波后的圖像如圖2（d）所示。

人體行為檢測系統(tǒng)硬件結構的核心是Samsung公司的處理器S3C2410X。為了使圖像處理的效率更高，嵌入式系統(tǒng)通過亮度和色度分量上的算法優(yōu)化來去陰影，在提取前景的時候利用了簡化了的高斯模型的自適應背景減除算法，通過形態(tài)學濾波，在目標寬高的比較中來判定人體是否發(fā)生運動行為。

參考文獻

[l]魏志強，紀筱鵬，馮業(yè)偉.基于自適應背景圖像更新的運動目標檢測方法[J].電子學報，2005，33（12）：2261-2264.

[2]胡長勃，馮濤，馬頌德，等.基于主元分析法的行為識別[J].中國圖象圖形學報：A輯，2000，5（10）：818-824.endprint

摘要：在監(jiān)護系統(tǒng)領域中，我國已經(jīng)有基于嵌入式系統(tǒng)對視頻進行監(jiān)護及PC機進行目標檢測與識別的先例，但是沒能對行為的實時進行判斷。本文以視覺和嵌入式系統(tǒng)為基礎對人體行為的檢測進行了監(jiān)護，尤其適用在成本低、圖像處理精度較低的場合。

關鍵詞：嵌入式系統(tǒng) 人體行為 檢測系統(tǒng)

中圖分類號：TP291 文獻標識碼：A 文章編號：1007-9416（2014）08-0152-01

本文以視覺和嵌入式系統(tǒng)為基礎對人體行為的檢測進行了監(jiān)護，尤其適用在成本低、圖像處理精度較低的場合。先去是系統(tǒng)被運用在了圖像采集和處理等多個環(huán)節(jié)中，通過不斷地改善使其在實時性、成本及準確性上都有著更高的水平。

1人體行為檢測系統(tǒng)硬件結構

硬件結構框圖如圖1所示[1]。

2 跌倒行為識別算法的實現(xiàn)

2.1 自適應背景減除

背景減除算法的原理是當前幀與背景幀之間的灰度差，通過與設定值之間的比較來判定人體是否發(fā)生運動。由于這種算法中對于背景變化的敏感度較高，自適應的背景減除算法就能夠很好地解決這一問題，背景能夠自適應的進行扣除來減小干擾，能夠大大提升檢測人體運動的準確性[2]。

首先，使用加權平均值法將RGB24圖像在亮度分量的基礎上實現(xiàn)8bpp灰度化，然后以無人背景下采取的N幀圖像為基礎，構建簡化單高斯模型的初始背景統(tǒng)計模型。公式如下：

其中，指的是點i在第t幀圖像中的灰度值。因此，所有點的成為了一個初始北京模型。

其中，前景區(qū)域是由所有標志=225的點構成的，背景區(qū)域是由=0的點構成的。

第t幀圖像中像素點i的灰度期望、方差和灰度值分別用來表示，自適應系數(shù)為，那么t+2時刻的北京模型就可以用下列公式表示：

像素級計算對于嵌入式系統(tǒng)的圖像處理的速度有著極大的影響，因此，通過隔幀方式實現(xiàn)背景模型的自適應更新。自適應背景減除后的圖像如圖2（b）所示。

2.2 二值形態(tài)學濾波

在圖像濾波處理算法中，孤立的點、線的噪聲主要通過中值濾波去除，但是中值濾波對于顆粒狀或空洞類的噪聲等就不能完全去除。由于本文中的圖像噪聲源呈現(xiàn)出多毛刺、空洞的特點，二值化數(shù)學形態(tài)學濾波就能夠較好的解決這一問題。本文中采用的是以中心點為原點的8鄰域結構算子進行濾波，對于毛刺和空洞噪聲的去除有較高效率。對了使目標輪廓連續(xù)與平滑有著更好的去除效果，本文采取了先閉后開的級聯(lián)濾波，提高濾波的效率。形態(tài)學濾波后的圖像如圖2（d）所示。

人體行為檢測系統(tǒng)硬件結構的核心是Samsung公司的處理器S3C2410X。為了使圖像處理的效率更高，嵌入式系統(tǒng)通過亮度和色度分量上的算法優(yōu)化來去陰影，在提取前景的時候利用了簡化了的高斯模型的自適應背景減除算法，通過形態(tài)學濾波，在目標寬高的比較中來判定人體是否發(fā)生運動行為。

參考文獻

[l]魏志強，紀筱鵬，馮業(yè)偉.基于自適應背景圖像更新的運動目標檢測方法[J].電子學報，2005，33（12）：2261-2264.

[2]胡長勃，馮濤，馬頌德，等.基于主元分析法的行為識別[J].中國圖象圖形學報：A輯，2000，5（10）：818-824.endprint