一种基于FPGA的运动目标检测与识别设备及方法

技术领域

本发明涉及运动目标检测与识别技术领域，具体为一种基于FPGA的运动目标检测与识别设备及方法。

背景技术

运动目标识别与跟踪技术作为机器视觉领域的重要分支，近年来成为研究的重要方向，目前，此类系统在制导、视觉导航、机器人、公共安全、智能家居等领域有着广泛的应用前景。

现有技术中，目前对于运动目标的检测与识别绝大多数都是基于PC机和ARM实现的，其采用的算法相对比较复杂，从实时性、功耗、成本和小型化等方面都难以满足不同应用的需求。

发明内容

本发明的目的在于提供一种基于FPGA的运动目标检测与识别设备及方法，以解决上述背景技术提出的目前对于运动目标的检测与识别绝大多数都是基于PC机和ARM实现的，其采用的算法相对比较复杂，从实时性、功耗、成本和小型化等方面都难以满足不同应用的需求的问题。

为实现上述目的，本发明提供如下技术方案：一种基于FPGA的运动目标检测与识别设备，包括外壳，所述外壳的底面贯穿开设有限位转槽，所述限位转槽的内壁转动连接有蜗轮，所述蜗轮的底面固定连接有固定架，所述固定架数量设置有三个，三个所述固定架的底端均安装有摄像头，所述摄像头的外部设置有透明罩，所述透明罩固定连接在外壳的底面，所述蜗轮的内壁转动连接有固定板，所述固定板的底面安装有FPGA模块，所述FPGA模块与摄像头之间电性连接，所述外壳的内壁安装有伺服电机，所述伺服电机的输出轴端固定连接有蜗杆，所述蜗杆与蜗轮之间啮合连接。

优选的，所述外壳的顶面安装有无线通信模块，所述无线通信模块的一侧设置有安装架，所述安装架的一端与外壳的顶面固定连接。

优选的，所述外壳的内壁固定连接有固定杆，所述固定杆的底端与固定板的顶面固定连接，所述外壳的外壁安装有补光灯。

一种基于FPGA的运动目标检测与识别方法，包括以下步骤：

S1、图像采集与预处理：使用三组摄像头采集实时视频图像，并对图像进行预处理，包括去噪和增强对比度；

S2、运动目标检测及捕捉：采用基于帧间差分和背景差分法结合，对图像序列进行处理，提取运动目标的位置和轨迹信息；

S3、特征提取与表示：对检测到的运动目标进行特征提取与表示；

S4、目标识别与分类：使用机器学习算法，对提取到的目标特征进行训练和分类，实现对不同目标的识别和分类；

S5、FPGA实现：将运动目标检测与识别算法进行优化和硬件化，使用FPGA模块进行实现，由以下模块组成：IIC配置模块、并行视频数据缓存模块、灰度化模块、中值滤波模块、自适应阈值产生及二值化模块、帧间差分模块、背景暂存模块、背景合成模块、VGA接口模块和状态机模块；

S6、上位机数据交互显示：通过无线通信模块与上位机进行无线网络通信连接，建立数据连接通道，进行结果输出。

优选的，在步骤S1中，所述图像采集与预处理包括以下步骤：

S11、利用三组摄像头对画面进行实时采集，三组采集画面进行重合特征识别；

S12、通过计算图像中相邻像素之间的变化量，判断图像的清晰度；当相邻像素之间的变化量较大图像清晰时，则图像清晰进行后续处理；当相邻像素之间的变化量较小时，则图像模糊，控制摄像头进行范围偏转跟随移动目标移动，重新获取图像；

S13、将三组图像进行拼接组成360度全方位画面，通过8bit并行接口向FPGA模块传输640×480的3×10

S14、对图像进行去噪以及对比度增强处理。

优选的，在步骤S2中，所述运动目标检测及捕捉包括以下步骤：

S21、从摄像头采集来的图像数据经过端口完成异步时钟域的数据交互，最终储存于片外SDRAM中；

S22、连续存储2帧的图像数据，读出的2帧数据分别做灰度化处理、中值滤波、二值化处理后相减，得到运动物体的图像；

S23、差分结果的绝对值为255或者0；将值为255的像素点坐标(x，y)保存于片内RAM中；

S24、保存RAM的同时，通过遍历查找出x和y的最小和最大值，即获得包围盒左上角坐标和右下角坐标；

S25、最后将包围盒左上角和右下角连成一个矩形跟踪框，叠加在背景图像上，最终输出。

优选的，在步骤S3中，所述特征提取与表示包括以下步骤：

S31、使用像素级的分割方法将图像中的运动目标从背景中分割出来；

S32、在目标分割后，需要从分割出的目标区域中提取特征，包括颜色、纹理、形状、边缘等；

S33、将提取到的特征进行表示，对提取到的特征进行降维处理减少特征的维度；

S34、如果特征维度较高，可以使用特征选择方法选择最相关的特征子集，以减少特征冗余和提高分类性能。

优选的，在步骤S4中，所述目标识别与分类包括以下步骤：

S41、将图像数据分为数据集和特征向量，通过深度神经网络训练目标识别与分类模型；

S42、训练过程中，可以使用交叉验证等方法评估模型的性能，并进行模型参数的调优；

S43、使用训练好的模型对新的目标样本进行识别与分类，将目标样本提取的特征输入到模型中，模型将输出目标的分类结果。

优选的，在步骤S5中，有限状态机模块决定着电路动作的步调，从配置摄像头模块，到采集并行视频数据，然后对图像进行处理，并最终实现动态目标的显示，由状态机对电路动作的先后顺序进行控制。

与现有技术相比，本发明的有益效果是：

1、本发明充分利用FPGA的高速并行处理能力，配以图像采集单元和VGA显示器，实现了基于FPGA的运动目标检测及跟踪，通过采用基于帧间差分和背景差分法结合，对图像序列进行处理，提取运动目标的位置和轨迹信息既方便FPGA电路实现，又提高算法效率，且具有低功耗和低成本的特点。

2、本发明通过在图像捕捉中，通过计算采集图像中相邻像素之间的变化量，判断图像的清晰度，在图像模糊时，通过控制伺服电机驱动蜗杆转动，带动蜗轮使摄像头进行范围角度偏移，使目标图像更加清晰，提高运动目标的识别精度。

附图说明

图1为本发明一种基于FPGA的运动目标检测与识别设备及方法的设备立体结构示意图；

图2为本发明一种基于FPGA的运动目标检测与识别设备及方法的摄像头结构示意图；

图3为本发明一种基于FPGA的运动目标检测与识别设备及方法的外壳内部结构示意图；

图4为本发明一种基于FPGA的运动目标检测与识别设备及方法的方法流程图。

图中：1、外壳；11、限位转槽；12、伺服电机；13、蜗杆；2、补光灯；3、透明罩；4、安装架；5、无线通信模块；6、摄像头；61、固定架；7、蜗轮；8、FPGA模块；9、固定板；91、固定杆。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施条例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参照图1－图4所示：一种基于FPGA的运动目标检测与识别设备，包括外壳1，外壳1的底面贯穿开设有限位转槽11，限位转槽11的内壁转动连接有蜗轮7，蜗轮7的底面固定连接有固定架61，固定架61数量设置有三个，三个固定架61的底端均安装有摄像头6，摄像头6的外部设置有透明罩3，透明罩3固定连接在外壳1的底面，蜗轮7的内壁转动连接有固定板9，固定板9的底面安装有FPGA模块8，FPGA模块8与摄像头6之间电性连接，外壳1的内壁安装有伺服电机12，伺服电机12的输出轴端固定连接有蜗杆13，蜗杆13与蜗轮7之间啮合连接，外壳1的顶面安装有无线通信模块5，无线通信模块5的一侧设置有安装架4，安装架4的一端与外壳1的顶面固定连接，外壳1的内壁固定连接有固定杆91，固定杆91的底端与固定板9的顶面固定连接，外壳1的外壁安装有补光灯2。

一种基于FPGA的运动目标检测与识别方法，包括以下步骤：

步骤一、图像采集与预处理：使用三组摄像头6采集实时视频图像，并对图像进行预处理，包括去噪和增强对比度；

具体的，图像采集与预处理包括以下步骤：

11)利用三组摄像头6对画面进行实时采集，三组采集画面进行重合特征识别；

12)通过计算图像中相邻像素之间的变化量，判断图像的清晰度；当相邻像素之间的变化量较大图像清晰时，则图像清晰进行后续处理；当相邻像素之间的变化量较小时，则图像模糊，控制摄像头6进行范围偏转跟随移动目标移动，重新获取图像；

13)将三组图像进行拼接组成360度全方位画面，通过8bit并行接口向FPGA模块(8)传输640×480的3×10

14)对图像进行去噪以及对比度增强处理。

步骤二、运动目标检测及捕捉：采用基于帧间差分和背景差分法结合，对图像序列进行处理，提取运动目标的位置和轨迹信息；

具体的，运动目标检测及捕捉包括以下步骤：

21)从摄像头6采集来的图像数据经过端口完成异步时钟域的数据交互，最终储存于片外SDRAM中；

22)连续存储2帧的图像数据，读出的2帧数据分别做灰度化处理、中值滤波、二值化处理后相减，得到运动物体的图像；

23)差分结果的绝对值为255或者0；将值为255的像素点坐标(x，y)保存于片内RAM中；

24)保存RAM的同时，通过遍历查找出x和y的最小和最大值，即获得包围盒左上角坐标和右下角坐标；

25)最后将包围盒左上角和右下角连成一个矩形跟踪框，叠加在背景图像上，最终输出。

其中，二值化处理时阈值的选取采用从背景中提取的方式，由公式的灰度最大值和最小值之和右移2bit得到阈值，公式如下：

K

式中，K

步骤三、特征提取与表示：对检测到的运动目标进行特征提取与表示；

具体的，特征提取与表示包括以下步骤：

31)使用像素级的分割方法将图像中的运动目标从背景中分割出来；

32)在目标分割后，需要从分割出的目标区域中提取特征，包括颜色、纹理、形状、边缘等；

33)将提取到的特征进行表示，对提取到的特征进行降维处理减少特征的维度；

34)如果特征维度较高，可以使用特征选择方法选择最相关的特征子集，以减少特征冗余和提高分类性能。

步骤四、目标识别与分类：使用机器学习算法，对提取到的目标特征进行训练和分类，实现对不同目标的识别和分类；

具体的，目标识别与分类包括以下步骤：

41)将图像数据分为数据集和特征向量，通过深度神经网络训练目标识别与分类模型；

42)训练过程中，可以使用交叉验证等方法评估模型的性能，并进行模型参数的调优；

43)使用训练好的模型对新的目标样本进行识别与分类，将目标样本提取的特征输入到模型中，模型将输出目标的分类结果。

步骤五、FPGA实现：将运动目标检测与识别算法进行优化和硬件化，使用FPGA进行实现，由以下模块组成：IIC配置模块、并行视频数据缓存模块、灰度化模块、中值滤波模块、自适应阈值产生及二值化模块、帧间差分模块、背景暂存模块、背景合成模块、VGA接口模块和状态机模块；其中，有限状态机模块决定着电路动作的步调，从配置摄像头模块，到采集并行视频数据，然后对图像进行处理，并最终实现动态目标的显示，由状态机对电路动作的先后顺序进行控制。

步骤六、上位机数据交互显示：通过无线通信模块5与上位机进行无线网络通信连接，建立数据连接通道，进行结果输出。

本发明中，充分利用FPGA的高速并行处理能力，配以图像采集单元和VGA显示器，实现了基于FPGA的运动目标检测及跟踪，通过采用基于帧间差分和背景差分法结合，对图像序列进行处理，提取运动目标的位置和轨迹信息既方便FPGA电路实现，又提高算法效率，通过在图像捕捉中，利用三组摄像头6对画面进行360度全方位画面实时采集，通过计算图像中相邻像素之间的变化量，判断图像的清晰度，在图像模糊时，通过控制伺服电机12驱动蜗杆13转动，带动蜗轮7使摄像头6进行范围角度偏移，使目标图像更加清晰，提高运动目标的识别精度。

尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。