基于SOPC的实时运动目标检测与跟踪系统

合集下载

基于OpenCV的运动目标检测与跟踪

基于OpenCV的运动目标检测与跟踪基于OpenCV的运动目标检测与跟踪摘要：运动目标检测与跟踪在计算机视觉和图像处理领域中具有重要的应用价值。

它可以应用于视频监控、自动驾驶、行人识别等多个领域。

本文将介绍如何使用OpenCV库实现运动目标的检测与跟踪，并通过实例演示其应用。

其中包括运动物体检测、运动轨迹跟踪和背景建模等关键技术。

通过对运动目标的检测和跟踪，可以提供实时的监控和追踪能力，为各种应用场景提供技术支持。

1. 引言运动目标检测与跟踪是计算机视觉领域的一个重要研究方向，它的核心任务是从图像序列中提取有意义的运动目标，并对其进行跟踪和分析。

运动目标检测与跟踪在实际应用中有着广泛的需求和应用场景。

例如，在视频监控系统中，可以通过运动目标的检测和跟踪来提供实时的监控和报警能力。

在自动驾驶系统中，可以通过识别和跟踪其他车辆和行人来实现智能的行车决策。

因此，研究和实现高效准确的运动目标检测与跟踪技术对于提升计算机视觉系统的性能和可靠性具有重要意义。

2. 基于OpenCV的运动目标检测与跟踪方法2.1 运动物体检测运动物体检测是运动目标检测与跟踪的第一步，其目标是从图像序列中分离出具有运动的物体。

在OpenCV中，可以使用背景差分法实现运动物体的检测。

背景差分法基于假设每一帧图像中静止部分为背景，通过对当前帧图像与历史帧图像之间的差异进行比较，提取出具有运动的前景物体。

这种方法简单有效，在实际应用中具有广泛的应用场景。

2.2 运动轨迹跟踪运动轨迹跟踪是对运动目标进行持续追踪的技术，其目标是实时获取目标物体在图像序列中的位置和运动情况。

在OpenCV中，可以使用卡尔曼滤波器实现运动轨迹的跟踪。

卡尔曼滤波器是一种能够根据过去的位置和速度信息来预测当前物体位置的滤波器。

通过不断更新目标物体的位置和速度信息，可以实现准确的运动轨迹跟踪。

2.3 背景建模背景建模是用于建立背景模型的方法，用于对比和识别运动目标。

《运动目标检测和跟踪系统的设计与实现》

《运动目标检测和跟踪系统的设计与实现》运动目标检测与跟踪系统的设计与实现一、引言随着计算机视觉技术的快速发展，运动目标检测与跟踪系统的应用逐渐扩展至众多领域，如智能安防、自动驾驶等。

本范文旨在探讨运动目标检测与跟踪系统的设计与实现过程，以及关键技术手段和解决方案。

系统主要包含两个部分：运动目标检测和运动目标跟踪。

二、系统设计1. 总体设计运动目标检测与跟踪系统设计应遵循模块化、可扩展、实时性等原则。

系统主要由图像采集模块、预处理模块、目标检测模块、特征提取模块、目标跟踪模块以及用户交互模块等组成。

各模块之间通过接口进行数据传输和交互。

2. 图像采集与预处理图像采集模块负责捕获视频流或图像数据，为后续的目标检测和跟踪提供原始数据。

预处理模块对原始数据进行去噪、增强等处理，以便更好地进行后续的目标检测和跟踪。

3. 运动目标检测运动目标检测是整个系统的核心环节之一，主要通过背景减除法、光流法等方法对图像序列进行检测，从而识别出运动的目标。

该部分可结合深度学习技术，如卷积神经网络（CNN）等，提高目标检测的准确性和鲁棒性。

4. 特征提取与目标跟踪特征提取模块对检测到的运动目标进行特征提取，如颜色、形状、纹理等特征。

目标跟踪模块则根据提取的特征信息，结合卡尔曼滤波、光流法等算法，实现目标的实时跟踪。

三、技术实现1. 运动目标检测实现运动目标检测可采用基于深度学习的方法。

首先，通过卷积神经网络（CNN）对图像进行特征提取；然后，利用全连接层对特征进行分类和识别，从而判断出图像中是否存在运动目标。

此外，还可以结合背景减除法等方法，进一步提高目标检测的准确性和实时性。

2. 特征提取与目标跟踪实现特征提取模块采用多种特征提取算法，如SIFT、SURF等，提取出运动目标的颜色、形状、纹理等特征信息。

目标跟踪模块则根据提取的特征信息，结合卡尔曼滤波算法进行实时跟踪。

在跟踪过程中，可利用光流法等方法对目标进行定位和预测，以实现更准确的跟踪效果。

基于运动分析的运动目标实时跟踪系统

本文研究中，提出了一中基于运动分析的目标预测和跟踪方法，即：依据历史位置，采用最小二乘法拟合出一条运动轨迹曲线，根据运动轨迹曲线得到运动物体在下一个时刻的位置，同时，依据历史预测的精度来推断出适当的搜索范围，从而减小搜索的区域，准确快速的定位运动物体的实际位置。
这些研究虽然均能够实现对运动目标的精确控制，但是处理速度却不够想，图像速度最大仅仅１５－２０帧／ｓ。
对于实时性要求更苛刻的运动目标，这些方法很难满足应用要求。因此，针对性工作很快展开并取得一系列进展。李盛阳提出了基于网格的图像快速处理方法，将闲置的计算机组成局域网，分割任务，并行处理，实现了速度的大大提升；黄文杰提出图像快速处理的积分图方法，显著地加速空间域图像的处理速度；吴叶兰在运动目标的跟踪中，提出了用局部模版来缩短模版匹配时间。
ＵｎｉｖｅｒｓｉｔｙｏｆＭａｃａｏ，Ｍａｃａｏ９９９０７８，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｒｏｂｏｔｉｃｖｉｓｕａｌｓｅｌｗｏｓｙｓｔｅｍｉｓａｎｉｍｐｏｒｔａｎｔｒｅｓｅａｒｃｈｄｉｒｅｃｔｉｏｎｉｎｔｈｅｆｉｅｌｄｏｆｒｏｂｏｔｉｃｓ．Ｔｏｅｎｈａｎｃｅｐｅｒｆｏｒｍａｎｃｅｏｆｒｅａｌ—ｔｉｍｅｏｆｒｏｂｏｔｉｃｖｉｓｕａｌｆｅｅｄｂａｃｋｓｙｓｔｅｍ，ｍｅｔｈｏｄｆｏｒｒｅａｈｉｍｅｔｒａｃｋｉｎｇｏｆｍｏｖｉｎｇｔａｒｇｅｔｂａｓｅｄＯＤ

《基于SOPC的目标跟踪系统设计》范文

《基于SOPC的目标跟踪系统设计》篇一一、引言随着科技的不断进步，目标跟踪系统在众多领域中发挥着越来越重要的作用，如安防监控、自动驾驶、智能机器人等。

SOPC （System on a Programmable Chip，可编程芯片上的系统）作为一种集成了处理器、存储器、外设接口等功能的可编程系统，为设计高效、灵活的目标跟踪系统提供了良好的平台。

本文将详细介绍基于SOPC的目标跟踪系统设计，包括其设计思路、关键技术及实现方法。

二、系统设计思路基于SOPC的目标跟踪系统设计主要分为以下几个步骤：需求分析、硬件设计、软件设计及系统集成。

首先，需求分析是系统设计的第一步。

我们需要明确目标跟踪系统的应用场景、性能指标及功能需求。

例如，在安防监控领域，我们需要设计一个能够实时监测、追踪并识别异常目标的系统。

其次，硬件设计是系统设计的核心部分。

我们需要在SOPC 平台上选择合适的处理器、存储器、外设接口等硬件资源，并根据需求进行配置和优化。

此外，还需要考虑硬件的功耗、稳定性及可扩展性等因素。

然后，软件设计是系统设计的另一重要部分。

我们需要编写相应的算法程序，实现目标检测、特征提取、目标跟踪等功能。

同时，还需要考虑软件的实时性、鲁棒性及可维护性等因素。

最后，系统集成是将硬件和软件进行整合，形成一个完整的系统。

在系统集成过程中，我们需要对硬件和软件进行调试和优化，确保系统的性能和稳定性达到预期要求。

三、关键技术基于SOPC的目标跟踪系统设计涉及的关键技术主要包括目标检测、特征提取和目标跟踪。

目标检测是目标跟踪系统的第一步，其主要任务是在图像或视频中检测出目标的位置。

常用的目标检测方法包括基于模板匹配的方法、基于背景减除的方法等。

特征提取是目标跟踪的关键技术之一，其主要任务是提取出目标的特征信息，如颜色、形状、纹理等。

这些特征信息将被用于后续的目标跟踪和识别。

常用的特征提取方法包括基于灰度的方法、基于边缘的方法等。

《基于SOPC的目标跟踪系统设计》范文

《基于SOPC的目标跟踪系统设计》篇一一、引言随着科技的不断进步，目标跟踪系统在众多领域如安防监控、自动驾驶、军事侦察等得到了广泛应用。

SOPC（System on a Programmable Chip，可编程芯片上的系统）作为一种集成度高、可定制性强的硬件平台，为目标跟踪系统的设计提供了新的可能性。

本文将探讨基于SOPC的目标跟踪系统设计，包括其设计原理、实现方法以及应用前景。

二、SOPC在目标跟踪系统中的应用SOPC作为一种高度集成的硬件平台，具有高性能、低功耗、可定制等优点，因此在目标跟踪系统中得到了广泛应用。

SOPC 可以实现对图像数据的实时处理和快速响应，从而实现对目标的准确跟踪。

在目标跟踪系统中，SOPC可以承担数据采集、处理、传输等任务，同时还可以与其它系统进行无缝集成，提高整个系统的性能。

三、目标跟踪系统设计原理目标跟踪系统的设计主要包括硬件设计和软件算法设计两部分。

硬件设计主要是选择合适的SOPC平台，并进行电路设计、芯片选型等工作。

软件算法设计则是实现目标跟踪的核心，包括图像预处理、特征提取、目标检测和跟踪等步骤。

1. 图像预处理：对采集到的图像进行去噪、增强等处理，以提高后续处理的准确性。

2. 特征提取：通过算法提取出目标在图像中的特征，如颜色、形状、纹理等。

3. 目标检测：根据提取的特征，在图像中检测出目标的位置。

4. 目标跟踪：根据检测到的目标位置，通过算法实现目标的实时跟踪。

四、基于SOPC的目标跟踪系统实现方法基于SOPC的目标跟踪系统实现方法主要包括硬件设计和软件算法设计两部分。

在硬件设计方面，需要选择合适的SOPC平台，并进行电路设计、芯片选型等工作。

在软件算法设计方面，需要采用合适的图像处理算法和目标跟踪算法，以实现对目标的准确跟踪。

具体实现步骤如下：1. 确定系统需求和性能指标，选择合适的SOPC平台。

2. 设计电路原理图和PCB板图，完成硬件电路的搭建。

基于SOPC的实时运动目标检测与跟踪系统.

96 重庆理工大学学报 tern A nalysis andM ach ine Intelligence , 2000 , 22( 8: 809 - 830 . [ 3] L ipton A, F ujiyoshi H, Pa til R. M ov ing targe t classifica tion and track ing fro m rea l ti m e v ideo [ C] / /Proceedings o f IEEE W o rkshop on A pp lica tions o f Computer V ision. U SA: IEEE, 1998 : 8- 14. [ 4] G ao Hong zh,i G reen R. A R obustM ov ing O bject Seg m entation A lgo rithm [ C ] / /P roceedings of the 2007 Interna tiona l Conference on Computer V ision and P attern R ecog nition. Chr istchurch : [s . n. ], 2007( 1: 214- 217. [5] Stauffer C, G ri m son W. A daptive background m ix ture models fo r real ti m e tracking[ C ] / /P roceed ings o f I EEE Conference on Co m puter V ision and P attern R ecognition. 图 6 目标跟踪的卡尔曼滤波结果 [ 6] U SA: IEEE, 1999 : 246- 252 . Barron J , F leet D, Beauche m in S . Perfor m ance o f optical flow techn iques [ J]. Internationa l Journal of Computer V ision , 1994 , 12( 1: 42- 77 . 中横坐标为目标质心 x 坐标位置 , 纵坐标为目标质心 y 坐标位置, 3 条曲线分别表示预测、观测和滤波结果。

基于SOPC的多导联ECG实时监测系统

基于SOPC的多导联ECG实时监测系统！张梦新，廖远，刘文涵，黄启俊(武汉大学物理科学与技术学院，湖北武汉430072)摘要：针对家用心电监护系统的需求，设计了一种基于S0P C的多导联E C G实时监测系统。

系统以A D S1298为心电信号采集前端，通过Z i g B e e将多个导联的心电数据发送到后端处理。

系统后端采用内嵌了A R M Cortex A9双核处理器的F P G A，并在A R M上搭建了L i n u x开发环境。

在F P G A中通过并行处理、流水线设计和自定义I P核实现对心电数据的接收、格式转换、F I R滤波、L M S自适应陷波和数据缓存；在A R M上实现了 Q R S检测算法、心率变异性分析和心梗检测算法，并通过S D卡和L C D屏实现心电数据的长时间存储及心电波形与诊断结果的实时显示。

关键词！S0P C&多导联；实时；监测中图分类号：T P274.2 文献标识码！A D O I :10.16157/j.issn.0258-7998.180064中文引用格式！张梦新，廖远，刘文涵，等.基于S0P C的多导联E C G实时监测系统[J].电子技术应用，2018,44(8):56-59. 英文弓I用格式：Zhang Meng x i n，Liao Y u a n，Liu W e n h a n，et al.Multi- lead real- time E C G monitoring system based on S0P C[J]. Application of Electronic Technique，2018，44(8) ：56-59.Multi-lead real-time ECG monitoring system based on S0PCZhang M engxin，Liao Y u a n，Liu W enhan，Huang Qijun(School of Physics and Technology，W u h a n University，W u h a n 430072，China)Abstract：Aiming at the demand for household E C G monitoring,a multi- lead real- time E C G monitor system based on S0P C i s designed.The system uses A D S1298 as the E C G signal acquisition front- e n d,and the data of multi- lead are sent to the back- end by ZigBee to be processed.The back end of the system i s F P G A embedded with A R M Cortex A9 dual core processor.The Linux operating system i s transplanted on A R M.The E C G data receiving,format conversion,FIR filtering,L M S adaptive notch f i l t e r and data cache are realized by parallel processing,pipeline design and custom IP core in F P G A.Q R S detection algorithm,analysis of heart rate variability and myocardial infarction detection algorithm are implemented on A R M.E C G data are received,filtered, and stored in S D card and analyzed in real time,and the E C G waveform and analysis results are displayed on the L C D.K e y w o r d s：S0P C$multi-lead$real-time$monitor〇引言目前，心血管疾病的发病率迅速上升，已经成为威胁人类身体健康的主要因素之一。

基于SOPC的实时运动目标检测与跟踪系统

[ 6- 7] [ 5] [ 3 - 4] [ 2]
15 625 kH z , 场扫描频率 50 H z, 视频解码器 ADV7181B 将模拟信号转换成 YCbC r4 : 2 : 2格式数字信号 , 在 DMA 控制器控制下通过 Ava lo n 总线, 送到 SRAM 图像储存空间以及 SDRAM 系统运行主存, 通过图像检测和跟踪模块处理后, 将图像数据由 YCbC r转换成 RGB 格式, 再通过 ADV7123 视频编码器将数据转换成模拟视频信号, 输出到 VGA 显示器上显示。视频编解码器由 FPGA 构建的 I C 总线配置模块来进行初始化和控制。系统处理器由 N io sII软核下载到 FPGA 实现 , 系统上电后由 EPCS16 进行引导和配置, 系统主程序储存在 FLAS H 中。系统硬件结构如图 1所示。
CB n , j = i CB n- 1 i, j
1CB n- 1
, j = 1 i , j = 0 i
整体 , 整体像素值大于一定阀值即为检测出的运动目标, 同时将小于阀值的像素点去除。 2 . 4 检测算法流程运动目标检测算法流程如图 2 所示。由视频解码器 ADV7181B 解码后的输入图像, 经过灰度图像转换 , 高斯平滑滤波后 , 作为当前帧图像与背景模型进行差分运算 , 然后经过二值化 , 开运算以
( 1) ( 2)
2
景图像相减: DM k i, j = P k i, j - CB k i , j ( 7)
其中: G i , j 为高斯算子 ; p i , j 和 P i, j 为原像素和卷积后像素的灰度值; i, j 分别为行数和列数。为了提高运算速度, 将高斯算子 G 转化为矩阵形式 G。 1 G = 1 8 2 1 2 4 2 1 2 1 ( 3)

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

２的ＩＣ总线配置模块来进行初始化和控制。系统
场景中的人进行识别并监控其活动的问题。智能视频监控系统正在向智能化、实时化、小型化发展，系统各类算法日益复杂，实时性要求也越来越高。可编程片上系统ＳＯＰＣ（ｓｙｓｔｅｍｏｎａｐｒｏｇｒａｍ）是一种基于ＦＰＧＡ的软硬件均可编程ｍａｂｌｅｃｈｉｐ的嵌入式单片系统，能在一个系统中实现多个微处理器，具有高速处理和并行多任务的能力，以及灵活编程设计的特性。在ＳＯＰＣ中实现运动目标检测与跟踪系统，可以极大地提高系统性能。运动目标检测是将目标区域从图像中提取，常用的算法有帧差法，背景减除法，光流法等。帧
Ａｂｓｔｒａｃｔ：Ｔｈｅｒｅａｌｔｉｍｅｐｅｒｆｏｒｍａｎｃｅｈａｓｂｅｅｎｉｎｃｒｅａｓｉｎｇｌｙｒｅｑｕｉｒｅｄｗｉｔｈｔｈｅｐｒｏｇｒｅｓｓｏｆｉｎｔｅｌｌｉｇｅｎｔｖｉｄｅｏｓｕｒｖｅｉｌｌａｎｃｅｓｙｓｔｅｍ，ｂｕｔｒｅｌｅｖａｎｔａｌｇｏｒｉｔｈｍｉｓｉｎｃｒｅａｓｉｎｇｃｏｍｐｌｅｘ．Ｔｏｒｅａｌｉｚｅｔｈｅｒｅａｌｔｉｍｅｍｏｖｉｎｇｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎａｎｄｔｒａｃｋｉｎｇ，ｉｔａｌｗａｙｓｕｔｉｌｉｚｅｓｔｈｅｓｙｓｔｅｍｏｎａｐｒｏｇｒａｍｍａｂｌｅｃｈｉｐ（ＳＯＰＣ）ｗｉｔｈｈｉｇｈｓｐｅｅｄａｎｄｃｏｎｃｕｒｒｅｎｔｆｌｏｗｐｒｏｃｅｓｓｉｎｇａｂｉｌｉｔｙ，ｗｈｉｃｈｈａｓａｗｉｄｅａｐｐｌｉｃａｔｉｏｎｐｒｏｓｐｅｃｔ．ＴｈｉｓａｒｔｉｃｌｅｄｅｓｉｇｎｅｄａｒｅａｌｔｉｍｅｍｏｖｉｎｇｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎａｎｄｔｒａｃｋｉｎｇｓｙｓｔｅｍａｄｏｐｔｅｄｂｙＦＰＧＡａｓｃｏｒｅｐｒｏｃｅｓｓｏｒ．Ｔｈｅｓｙｓｔｅｍｕｓｅｄｂａｃｋｇｒｏｕｎｄｓｕｂｔｒａｃｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎａｃｃｕｍｕｌａｔｉｖｅｄｉｆｆｅｒｅｎｃｅｕｐｄａｔｉｎｇｆｏｒｄｅｔｅｃｔｉｎｇｍｏｖｉｎｇｏｂｊｅｃｔ．ＴｈｅＫａｌｍａｎｆｉｌｔｅｒａｎｄｈｉｓｔｏｇｒａｍｍａｔｃｈｉｎｇａｌｇｏｒｉｔｈｍｈａｖｅｂｅｅｎｕｓｅｄｆｏｒｏｂｊｅｃｔｔｒａｃｋｉｎｇ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｓｙｓｔｅｍｃａｎｔｉｍｅｌｙｒｅａｌｉｚｅｔｈｅｍｏｖｉｎｇｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎａｎｄｔｒａｃｋｉｎｇｆｏｒｖｉｄｅｏｓｅｑｕｅｎｃｅｉｎｓｔａｔｉｃｓｃｅｎｅｅｆｆｅｃｔｉｖｅｌｙ．Ｋｅｙｗｏｒｄｓ：ｖｉｄｅｏｓｅｑｕｅｎｃｅ；ｄｅｔｅｃｔｉｏｎａｎｄｔｒａｃｋｉｎｇ；ＳＯＰＣ；ｂａｃｋｇｒｏｕｎｄｓｕｂｔｒａｃｔｉｏｎ；Ｋａｌｍａｎｆｉｌｔｅｒ
１８的硬件乘法器，由其构建的ＤＳＰ核，能使用各
李月静，等：基于ＳＯＰＣ的实时运动目标检测与跟踪系统９３２．１图像序列预处理系统获取的图像经解码后，首先需将亮度信号Ｙ与色度信号Ｃｂ，Ｃｒ分离，使图像转换为灰度图像。然后对图像进行滤波，消除图像中存在的干扰和噪声。本系统采用３× ３处理窗口对图像进行高斯平滑滤波，算法如下：
重庆理工大学学报９２视频序列中运动目标检测与跟踪是智能视频监控（ｉｎｔｅｌｌｉｇｅｎｔｖｉｄｅｏｓｕｒｖｅｉｌｌａｎｃｅ）系统的重要研究内容，目前在该领域已经开展了大量研究。视ＳＡＭ研究了对混乱环境下的人觉监控重大项目Ｖ和车辆进行连续跟踪的问题。实时视频监控系统
(ｉ ) ＝ｐ (ｉ )·Ｇ (ｉ ) Ｐ，ｊ，ｊ，ｊ
２２ ) －( ｉ１＋ｊ (ｉ ) ＝Ｇｅｘｐ，ｊ２２２ π σ ２ σ
由于当前帧更能反映背景变化情况，且随着帧数的增加，背景波动纹理增多，误差增大，因此选择适当的权值 ω ， ω １２以及计数值Ｑ是建立背景较模型的关键。背景模型随帧图像实时更新，好地消除了场景变化带来的干扰。２．２．２运动目标提取建立背景模型ＣＢ将当前帧图像Ｐｋ后，ｋ与背
收稿日期：２０１０－１２－０２
基金项目：四川省重点学科基金资助项目（ＳＺＤ０５０３－０９－０）作者简介：李月静（１９８５ —），男，重庆人，硕士研究生，主要从事图像处理、嵌入式系统的研究；谢维成（１９７３ —），男，副教授，硕士生导师，主要从事信号检测与信息处理的研究。
第２５卷学）
２０１１年４月
Ａｐｒ．２０１１ＪｏｕｒｎａｌｏｆＣｈｏｎｇｑｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅ）Ｖｏｌ．２５Ｎｏ．４
法，并做出改进。运动目标跟踪是确定序列帧中的目标位置，得到运动轨迹。卡尔曼滤波算法是一种快速有效，计算量小的目标跟踪算法，具有实
８］时性和鲁棒性好的特点［。综合考虑以上因素，
本文采用基于累积差分更新的背景减除法和卡尔曼滤波算法，设计并实现了一种基于ＳＯＰＣ的运动目标检测与跟踪系统。
基于ＳＯＰＣ的实时运动目标检测与跟踪系统
李月静１，谢维成１，石一兴２，陈昌敏１
（１．西华大学电气信息学院，成都６１００３９；２．四川大学电子信息学院，成都６１００６４）
摘要：设计了一种以ＦＰＧＡ为核心处理器件的实时运动目标检测与跟踪系统，采用基于累积差分更新的背景减除法检测运动目标，卡尔曼滤波和直方图匹配算法对目标进行跟踪。实验结果表明，该系统能对静态背景视频序列中的运动目标实时有效地进行检测和跟踪。关键词：视频序列；检测与跟踪；ＳＯＰＣ；背景减除；卡尔曼滤波中图分类号：ＴＰ３９１文献标识码：Ａ文章编号：１６７４－８４２５（２０１１）０４－００９１－０６
ＲｅａｌｔｉｍｅＭｏｖｉｎｇＯｂｊｅｃｔＤｅｔｅｃｔｉｏｎａｎｄＴｒａｃｋｉｎｇＳｙｓｔｅｍｂａｓｅｄｏｎＳＯＰＣ
１１２１ＬＩＹｕｅｊｉｎｇ，ＸＩＥＷｅｉｃｈｅｎｇ，ＳＨＩＹｉｘｉｎｇ，ＣＨＥＮＣｈａｎｇｍｉｎ
９］３３２１６个逻辑单元，１０５个Ｍ４Ｋ块［，３５个１８×
区域。本系统采用算法复杂度较小的背景减除法，其原理是将当前帧与背景模型差分，缺点是对场景的变化特别敏感。因此，建立并维持一个良好的背景模型是准确提取运动物体的关键。本系统采用累积差分更新法建立背景模型，能较好地去除噪声干扰。
图１系统硬件结构
２运动目标检测
运动目标检测是目标跟踪的前提，通过对视频序列图像进行处理，提取出图像中的运动物体
１系统硬件结构
系统采用Ａｌｔｅｒａ公司第二代低成本可编程门阵列系列ＣｙｃｌｏｎｅＩＩＥＰ２Ｃ３５Ｆ６７２Ｃ６ＦＰＧＡ作为核心处理芯片，该芯片采用９０ｎｍ低ｋ绝缘工艺，６７２脚ＢＧＡ封装，最多后４７５个Ｉ／Ｏ口供用户使用。
［２］Ｗ４针对夜晚和光线较差的室外环境，研究了对
ＳＰ算法，实现比真正ＤＳＰ更快的数字种成熟的Ｄ信号处理。本系统采用ＣＣＤ摄像机输出ＰＬＡ制式模拟信号，扫描输出像素７２０× ５７６，行扫描频率１５６２５ｋＨｚ，场扫描频率５０Ｈｚ，视频解码器ＡＤＶ７１８１Ｂ将模拟信号转换成ＹＣｂＣｒ４：２：２格式数字信号，在ＤＭＡ控制器控制下通过Ａｖａｌｏｎ总线，送到ＳＲＡＭ图像储存空间以及ＳＤＲＡＭ系统运行主存，通过图像检测和跟踪模块处理后，将图像数据由ＹＣｂＣｒ转换成ＲＧＢ格式，再通过ＡＤＶ７１２３视频编码器将数据转换成模拟视频信号，输出到ＶＧＡ显示器上显示。视频编解码器由ＦＰＧＡ构建