引言
    數字視頻系統在智能交通、圖像識別以及安防監控等領域，都得到了廣泛的應用，運動目標檢測作為數字視頻系統的一個重要環節，是后續目標識別、目標跟蹤等應用的基礎。本文提出了一個基于DM642的實時運動目標檢測系統方案，依靠DM642芯片強大的運算能力，使目標檢測的數據吞吐量及實時性得到保證。本方案設計合理、可擴展性強，具有實際應用價值。

1 運動目標檢測算法
    實現運動目標檢測的算法很多，一般有光流法、背景差分法、相鄰幀間差分法等。光流法通過求解光流方程來實現運動檢測，其算法復雜、計算量大，且較難滿足實時要求；而相鄰幀間差分法雖然算法簡單、運算量小，但抗干擾能力很差，檢測效果不太理想；而背景差分法算法簡單、運算量小、且抗干擾能力強，因此本文采用該方法實現運動目標檢測。具體步驟如下：首先獲取數字圖像進行預處理，之后采用背景差分法實現運動檢測，再對所得的圖像用大津法進行自適應閥值分割，最后通過濾波得到檢測出的運動目標。圖1是本文運動目標檢測的流程圖。

1．1 圖像獲取及預處理
    在CCS中配置系統的視頻輸入以及視頻輸出FVID驅動，從TMS320DM642的VPORT口獲取到攝像頭采集的視頻流所對應的數字YUV視頻流，將其存放到緩存IMG_CURRENT、IMG_PREVIOUS、IMG_BACKGROUND里面，其中IMG CURRENT存放的是當前的圖像，IMG_PREVIOUS存放的是上一次存放的圖像，IMG BACKGROUND存放的圖像作為背景圖像。圖像的分辨率為720×576，每個分量為8比特。由于獲取的視頻圖像不可避免地含有噪聲，必須對這些噪聲加以抑制，本文采用高斯濾波對所得到的YUV視頻信息進行高斯濾波處理。濾波后的圖像保存到IMG_CURRENT緩存中。

1．2 背景差分法處理
    視頻圖像經過預處理后，采用背景差分法檢測出運動圖像，步驟如下：
    (1)獲取一幀圖像作為初始的背景Bg(x,y,tk)；
    (2)間隔4幀再次獲取下一幅圖像，作為當前圖像Curr(x,y,tk)；
    (3)按照背景差分法得到差分圖像Sub(x,y,tk)=|Curr(x,y,tk,)-Bg(x,y,tk)；
    (4)統計所有和值，與設定的閥值FF相比較，如果小于閥值FF，按下式進行背景更新Bg(x,y,tk)=α*Curr(x,y,tk)+(1-α)*Bg(x,y,tk-1)；
    (5)重復前面(2)到(3)的步驟。
    上述背景差分法中，可隨機獲取開機時刻的一幀圖像為初始背景圖像。為了讓圖像之間的差異更加明顯，按每間隔4幀來獲取下一幅圖像作為當前圖像，進行背景差分得到差分圖像，將差分圖像灰度的和與設定閥值FF相比較，判定是否需要更新當前背景，閥值FF為經驗值，本文取20000。背景更新公式中的系數a反映了背景更新快慢，其取值范圍在[0，1]之間，a越大，背景更新速度越快，a越小，背景更新速度越慢。
1．3 差分圖像的二值化
    對差分圖像按照下式二值化：
   
    式中的閥值TR采用大津法獲取。在實際測試時發現，直接采用大津法獲取的閥值TR對差分圖像二值化進行處理時，如果沒有物體運動，那么二值化得到的圖像為噪聲的二值化圖像，這樣直接處理得到的二值化噪聲圖像在后續的形態學濾波中很難完全消除，通過分析差分圖像的直方圖，發現當沒有物體運動時，差分圖像的直方圖主要分布在0～10間，此時大津法獲取的閥值為1～6之間；當有物體運動時，差分圖像的直方圖分布在0～255之間，此時大津法獲取的閥值為20以上。
    基于以上的分析，本文采用改進的方法，如果大津法獲取的閥值小于10，則說明沒有物體運動，否則說明有物體運動，當閥值小于10時，按照下式進行二值化處理
    f(x，y，tk)=0 當TR<10
    即當沒有物體運動時，獲取的二值化圖像應為全黑，這樣后續的形態學處理只需對有物體運動時的二值化圖像進行處理即可。圖2分別為無物體運動時直接二值化和采用改進方法二值化后的結果。其中a)為直接采用大津法獲取的閥值分割沒有物體運動時的差分圖像的結果，可以看出圖中布滿噪聲；b)為對大津法獲取的閥值進行判斷后，沒有物體運動時的差分圖像分割的結果，可以看出此時圖像為全黑，也即沒有運動物體，這與實際情況相符，簡化了后續的形態學處理。

2 算法的TMS320DM642實現
2．1 硬件平臺
    硬件平臺采用TMS320DM642作為CPU，該芯片主頻600MHz。視頻編解碼芯片采用SAA7115H和SAA7105H。另外采用了兩片SDRAM(共4M×64bi-t)芯片作為存儲介質，用于圖像的暫時存儲，同時還采用一片FLASH用于實現自啟動，硬件平臺框圖見圖3。

    此硬件平臺從攝像機獲取模擬圖像，經過SAA7115解碼得到標準的。BT．656格式的YUV4：2：2數字圖像碼流，然后通過DM642的EDMA功能將碼流暫存到SDRAM，再用算法進行處理后，然后通過DM642的EDMA功能送入到SAA7105進行解碼，經過CVBS引腳輸出，這樣系統的處理結果就可以在顯示器上實時地顯示。
2．2 算法的DM642實現
    系統的軟件在TI提供的集成開發環境CCS完成，編程用C語言和匯編語言實現，軟件采用TI推薦的RF-5架構，采用了三個線程tsk_inpu-t、tsk_process、tsk_output。
    軟件的執行流程如下：
    (1)TMS320DM642的初始化。包括初始化BIOS、CSL、設置CACKE；
    (2)初始化RF-5模塊。用CHAN_init，ICC_init，SCOM_init分別初始化CHAN模塊、ICC模塊、SCOM模塊；
    (3)DSP／BIOS根據操作系統的調度規則環調度執行tsk_input、tsk_process、tsk_output三個線程。其中tsk_inpufi通過按照順序調用FVID_create、FVID_control、FVID_aUoc函數實現對FVID驅動的調用，打開輸入通道，實現得到SAA7ll5獲取的BT．656格式的YUV422數字視頻碼流。tsk_process負責對tsk_input線程獲取的數字圖像進行運動圖像檢測算法的處理，其中要調用到上一節所述的算法函數，經過處理，運動目標被分割出來。tsk-output負責調用FVID_create、FVID_control、FVID_alloc函數，打開輸出通道實現對已經分割處理的數字視頻流通過SAA7105輸出，在顯示器上予以顯示。這三個線程在DSP／BIOS的調度下循環并行運行，三個線程之間的數據交換通過SCOM模塊實現。
    上述程序中，核心程序為tsk_process線程，其主要代碼如下：
    While(1)
    {……
    Background()：／／獲取背景并根據條件更新
    Diff_picture()：／／背景與當前圖像差分
    Otsu_binary()： ／／由改進的大津法進行閥值分割并二值化
    Filter_obitct()：／／對二值化圖像進行濾波得到運動的物體，即為檢測的結果。
    ……
    }
2．3 軟件優化
    應用TMS320DM6425開發運動目標檢測系統時，為保證檢測結果的高效、實時，軟件代碼的優化顯得尤為重要。基于TMS320DM642編程時，我們參照該芯片的特點在編寫算法時進行了如下的優化：
    (1)使用流水線技術。采用編譯選項-o2、-o3，充分利用軟件流水線方式提高運行效率。
    (2)對寄存器進行優化，通過CCS自帶的性能分析工具Profiler對調用頻率高的C語言代碼采用匯編語言改寫，并采用匯編優化器進行優化，使代碼的執行效率得到最大限度提升。
2．4 實驗結果
    基于DM642的運動目標檢測系統實驗結果如圖3所示。

3 結論
    本文采用TI的專用圖像處理芯片TMS320DM642構建硬件平臺，采用背景差分法來檢測運動物體，采用大津法獲取自適應閥值，并按閥值取值來判斷是否有物體運動，這樣簡化了后續的形態學處理，然后再對差分圖像進行二值化處理，最后用形態學處理消除孤立的點，經過試驗，本文的運動檢測系統有很強的適應能力，能避免背景死鎖情況，并能最大程度抑制拖影和空洞現象的產生。