应用OK6410的嵌入式实验室智能值守系统的研究*

李 毅，李珊珊

(1.天津科技大学 电子信息与自动化学院，天津 300222；2.天津城建大学 土木工程学院，天津 300384)

无人值守的实验室面临着不小的安全威胁，虽然各种探测器已经可以很好地监测烟火事故，但对于人员非法进入仍缺乏有效监测手段[1]。

因此，这里提出应用OK6410的嵌入式实验室智能值守系统的处理方案，为实验室安保智能化方面做出探索。

1 算法原理

1.1 算法的基本思路

人通过分析理解画面内容获取信息——一旦有目标进入场景，原有的部分画面被遮挡，视觉神经会得出画面改变、目标出现的结论[2]。

与之类似，智能值守系统也通过一定的准则来确认画面内是否出现目标，即是否存在灰度明显变化的区域。由于实验室是稳定的室内环境，一旦有目标的进入，当前帧与背景画面之间就会存在明显差异，只要能将其捕捉，就可以确认可疑目标出现并摄录取证报警。

1.2 应用背景差分法捕获目标

本系统选择背景差分法(Background Subtraction)作为捕获移动目标的工具，这种算法利用输入视频帧和背景图像的差来进行运动检测[3]。

具体来讲，一旦有目标出现，该帧图像和背景模型间就会存在显著差异，将两者进行差分运算，再进行去噪处理后，就可以获得出现目标的具体区域。如式(1)所示：

Dk(i,j)=|X(i,j)-B(i,j)| .

(1)

X(i,j)∈FG 如果Dk(i,j)≥Ttarget

X(i,j)∈BG 如果Dk(i,j)

其中，X(i,j)为待判断图像中某点的像素值，B(i,j)为高斯背景模型。FG为前景目标区域，BG为背景区域，Ttarget为判断阈值。

1.3 应用多高斯模型建立背景模型

这里选择多高斯模型建立稳定的参考背景[4]。

图像中每个像素点X(x,y)的灰度值的变化取值符合高斯分布，其均值μ和方差σ2分别为：

(2)

(3)

P(Xt)≤Tbackground.

(4)

则该点归属目标区域，否则归属背景区域，这种背景模型被称为单高斯模型[5]。对于恒定不变的单模态场景，该模型可以有效地表示背景，但如果背景中有动态因素时，图像中同一个位置的像素值在一个时间段内可能存在几个范围的分布，单高斯背景模型的性能会急剧下降。Stauffe等人提出了混合高斯背景模型算法，可以有效地解决这一问题，其基本思想是利用多个高斯分布来描述背景中同一个像素点像素值的分布情况[6]。对每个像素点建立N个高斯分布，共同模拟此点的背景值，即：

(5)

(6)

这样，各点的高斯背景就由静态分布变为了动态分布，并依如下方式进行模型更新：首先，按照前几帧图像的灰度分布情况为每一像素点建立相应的混合高斯分布模型，之后，将新缓冲图像的每个像素点与该点已有的若干高斯模型相比较，若不匹配，则增加新的高斯模型[7]。若匹配，则按式(7)～式(9)更新该高斯分布的参数：

ωi,t=(1-a)ωi,t-1+a.

(7)

μi,t=μi,t-1+β(Xt-μi,t-1) .

(8)

(9)

其中，α∈[0, 1]，为自定义学习率，β为方差更新权值。

1.4 算法流程

本系统的算法流程如图1所示，首先用多高斯法建立背景模型，之后用背景差分法计算新获取的图像与背景的差值，一旦发现目标进入，启动报警程序，并将现场画面传出。

图1 算法流程

2 实验室智能值守系统的组成

2.1 系统硬件组成

本系统的硬件组成如图2所示，摄像头负责采集图像，网络模块负责传输数据，而OK6410开发板负责算法的执行。

图2 系统硬件组成

2.2 系统的软件构成

本系统软件组成如图3所示，选择内核为3.0.1的嵌入式linux作为操作系统，同时添加摄像头驱动、网卡驱动及声卡驱动，使OK6410开发板具备完整的软硬件功能。

图3 系统软件组成

软件程序编写分为图像采集、背景模型建立、背景差分循环及网络报警等部分。其中，多高斯背景模型学习的时长为500帧，背景模型建立后与新获取的图像进行差分运算，一旦发现目标，即驱动声卡进行语音报警，之后每隔0.5 s将现场照片通过网络上传。

3 实验结果及分析

图4为部分实验结果，其中，监测到的目标用方框标记。可以看到，当可疑人员进入实验室后，系统会第一时间捕捉目标并持续上传现场照片，说明本系统达到了预期设计目的。

图4 部分实验结果

4 结束语

本系统运用图像处理的手段完成对实验室异常进入目标的实时监测，体积小巧、反应灵敏，具备实用价值，为实验室安保的智能化、网络化发展做了有益探索。

[1] 黄坤,李彦启.我国高校实验室安全管理现状分析与对策[J].实验室研究与探索,2015,34(1):280-283.

[2] 刘晓玲.视觉神经生理学[M].北京:人民卫生出版社,2012:45-52.

[3] 仓园园,孙玉宝,刘青山.基于分层鲁棒主成分分析的运动目标检测[J].计算机辅助设计与图形学学报,2014,26(4):538-544.

[4] Feng Guo,Jingchang Huang,Xin Zhang, et al. A Classification Method for Moving Targets in the Wild Based on Microphone Array and Linear Sparse Auto-encoder[C].Neurocomputing,2017,241:28-37.

[5] Lin L,Xu Y,Liang X,et al.Complex Background Subtraction by Pursuing Dynamic Spatio-temporal Models[J].IEEE Transactions on Image Processing, 2015,23(7):3191-3202.

[6] Song YM,Noh SJ,Yu J, et al. Background Subtraction Based on Gaussian Mixture Models Using Color and Depth Information [C]. International Conference on Control,2015 :132-135.

[7] Elharrouss O,Moujahid D,Tairi H. Motion Detection Based on the Combining of the Background Subtraction and the Structure-texture Decomposition[J].Optik-International Journal for Light and Elec.,2015,126(24):5992-5997.