一种基于单片机的移动目标监控系统研究

张海波，刘远仲

（南充职业技术学院 四川 南充 637000）

随着IT产业的不断发展，视频监控不仅应用在安防系统，而且在交通系统、防洪系统、教育系统和医疗系统等方面都有着广泛应用。但在普通的视频监控系统中，许多监控系统只是对普通的目标物体进行简单摄像与记录，无法对我们一些感兴趣的目标物体进行有效追踪与记录，譬如在交通监控系统中要对某些重要车辆进行跟踪，在校园安防中要对某些可疑人员进行跟踪与记录等，所以如何低成本的设计一个系统能对所感兴趣的移动目标进行有效捕捉的智能监控系统是一个非常有价值的课题。

文中在考虑现有网络摄像头的发展情况、4G和各种WiFi信号的覆盖率以及无线路由器技术发展的前提下，充分利用现有资源，提出了一种基于单片机的移动监控系统。该系统直接利用现有的网络摄像机作为监控摄像头，以4G信号或各种WiFi信号为网络，将采集到的图像通过无线网络直接上传给单片机系统进行处理。文中重点给出了系统硬件设计方案以及系统软件算法思想并在最后给出了该方法在MATLAB环境中的仿真。

1 系统硬件方案设计

1.1 单片机发展概述

单片机（MCU）是一种计算机微处理器，发展的初始阶段多用于控制领域。随着电子产业的发展，目前51系列单片机已拥有了快速的处理速度、强大的运算能力以及更大的寻址范围，广泛应用在智能仪表、实时控制和分布式多机系统中。嵌入式单片机系统是单片机的发展的一个重要方向，它与其他设备相结合，使整个设备发挥出特有的功能。在本系统设计中，本系统采用AT89S52来作为我们的核心控制器件。

1.2 移动目标监控系统方案设计

文中以我市内车辆移动目标为例来介绍本系统的优越性并给出了系统仿真结果。系统首先是对移动目标进行捕捉，然后采用网络摄像机将现场的视频信号通过TCP/IP网络将信号发送至视频信号接收器端并接收主控制板发来的指令对移动目标控制，最后将捕捉到的移动目标信号传送给主控制板，由单片机进行图像数据的处理与运算并将结果送至终端输出观察。系统结构图如图1所示。

图1 系统结构图Fig.1 System structure diagram

1.3 系统软件算法设计

首先初始化程序，包括中断向量设置、定时器设置、串口设置等。当系统检测到移动图像时，首先判断是否需要标定当前图像。如果需要锁定，则立即对作为参考图像中的参数进行比较计算，进行阈值自适应的设定等，此项工作主要是寻找参考帧的图像。当移动目标图像锁定后，系统则立即进入实时监控与跟踪，使用单片机来计算当前帧和锁定帧的相似度，判断图像是否移动，并且将视频信息实时地输出并存储。当定时器完成定时后，中断程序将改变相应的标志位，使系统重新进行图像的检测，以保证参考帧数据的实时性。图2为本系统软件算法主流程图。

图2 系统软件算法流程图Fig.2 The flow chart of system software algorithm

2 系统图像处理分析

2.1 移动目标图像分割与区域检测

目前，Itti模型在感兴趣图像追踪过程中的应用日益增多。其主要理论是提取图像在颜色，亮度，方向方面与背景的对比值，该模型主要包括两个步骤：一是特征的提取，二是显著图的生成[1]。他提取图像像素点的原理可简单描述为：设有一尺度为S的移动目标图像，用R、G、B分别来表示该图像上某个像素点三基色分量，根据图像亮度计算公式，则该像素点的亮度特征可表示为：

由于Itti显著图是一种模拟生物体视觉的选择性注意模型，所以要得到移动目标图像的显著图首先要对目标图像像素点进行特征图归一化，以消除图像间的幅值差异，然后采用高斯卷积算法对图像S进行卷积并把运算结果叠加回原特征图最后以消除噪声对图像的干扰，通过对图像像素点的多次迭代与卷积，最后可以使图像少数几个最显著点均匀的分布在显著特征图上。接下来通过对图像像素点计算值分类、归一化并逐点求和处理就得到了图像S的显著特征图[2]。

本文采用红绿颜色对（RG）和蓝黄颜色对（BY）来度量移动目标图像的颜色特征，则在计算一幅尺度为S图像某象素点的颜色特征时，RG（S）和 BY（S）可分别描述为[3]：

同理公式（1），为了得到图像颜色特征显著图，需先对图像颜色特征进行高斯求和与归一化运算，然后得到多幅颜色特征图。根据Itti显著图合成原理，当分割出图像的亮度特征图与颜色特征图后，采用不同的权重分量叠加图像便可得到图像的显著图，这里我们用ω1和ω2来分别表示图像的颜色特征分量与亮度特征分量，用T（S）来表示图像的显著特征图，则 T（S）可表示为[4]：

本系统图像处理部分采用单片机AT89S52来作为主控芯片，通过网络摄像机捕捉图像，对采集到的图像通过视频信号接收器编解码芯片将图像直接转换为YCrCb格式图像，其中Y为图像亮度，Cr和Cb分别为图像的色度，根据彩色图像像素点三基色合成原理（如公式（5））可计算得到RGB 格式图像，根据公式（1）～（4），分别提取出图像的的颜色特征与亮度特征，最终得到我们感兴趣目标物的显著特征图[5]。

为了提高单片机的工作效率，减小单片机的运算量，现设置图像S的尺度为1，3，7。则在这3个尺度上先分别提取出图像的亮度特征与颜色特征，然后对特征图分别用二维高斯差函数进行卷积运算，并把卷积结果叠加回原特征图，最后使用阈值分割算法来提取移动目标物体。为了检验该方法的有效性，文中使用MATLAB软件对本系统进行了模拟仿真，仿真如图4所示。该仿真表明使用本文简化的Itti算法，能够满足系统对移动目标的提取要求。

2.2 移动目标物质心与相似度

要想有效的跟踪到目标物，最重要的是要检测出目标物在图像画面中的位置变化，本文采用计算目标物的质心来锁定目标的位置，当目标物发生移动时，则当前帧图像质心将会与前一参考帧图像质心发生较明显的偏移。根据图像区域几何特征不变矩描述理论，图像的质心计算可表示为[5]：

图3 算法仿真实验结果Fig.3 Algorithm simulation results

（式中，N 为非负整数，（xdz，ydz）分别为第 z幅图像中移动目标图像的横纵质心坐标）

在处理动态的视频图像时，由于移动目标图像要受到外部的环境影响（例如灰尘，噪声，光照等）导致计算出的质心点位置不稳，所以在计算前一参考帧的图像质心十分重要，本系统采用捕获前n帧视频图像并进行差值处理来作为当前画面感兴趣移动目标的基准质心坐标。

令Δx为目标图像中质心横坐标的差值，Δxmax为目标图像质心横坐标的最大差值，则Δx，Δxmax可表示为=med（，，…，）；Δxmax=max（||，…，|）；同样定义纵坐标和Δymax，则当前帧值移动目标与前一帧值移动目标的质心坐标可表示为：

在计算当前图像与前一幅图像的相似度时，可根据公式（8）先算出当前画面中移动目标的质心坐标，然后调整质心坐标差值，根据相似度计算公式（9）计算出两幅图像的相似度值Sim[7]。

式中，wz为图像中第z个移动目标的权值，ydz）前一帧值第z个移动目标的质心坐标，（）为当前帧中图像第z个移动目标的质心坐标。σ为特征方差调整系数，取常值0.5。则移动目标的移动阈值Ts可表示为：

当当前画面中所跟踪的移动目标与前一幅画面移动目标的相似度Sim大于移动阈值Ts则主控制板立即修改当前质心坐标，一边跟进新的移动目标物。

3 系统仿真

为了检验系统的有效性，系统在Windows7 Professional微机上运行，软件算法仿真环境为Matlab2009a。

1）移动目标检测。为了得到先验统计数据，我们先使用Matlab软件对100幅前期采集图像进行运算与记录，也就是说，将图像面积为12096控制在监控设备（面积720576）的画面中，这样可得到一组较为理想的先验统计数据。为了降低运算量和提高系统处理效率，在计算监控画面时这里去除了移动目标以外的区域。

设定移动目标检测图像帧数n为10帧，对公路上100个真实目标物进行检测并调整上式（4）不同的颜色特征分量与亮度特征分量值。检测结果如表l所示。

表1 实验检测统计表Tab.1 The experimental test statistics

以上数据表明：由于外界环境的干扰，在实验室条件下，移动目标物的分割正确比较理想。当取特征分量权值w1=0.7和w2=0.3时，采集到的视频画面中移动目标检测分割正确率最高，平均可达到87.7%。

2）图像实时跟踪部分。如前所述，现实监控环境中存在诸多干扰，系统有可能会出现误判与跟丢目标物的现象，为了解决这种情况，必须调整上位机定时时间Ti，当本次跟踪定时结束时，立即更新数据，重新加载目标物检测与分割。

为了检验数据的的正确性，我们对摄像机采集到的图像进行了分析，系统在60 s中共采集了1 420帧图像，差不多每帧图像处理时间为24 ms左右，每秒处理23帧图像，基本上可以满足实时图像处理。实验记录结果如表2所示。

表2 实验检测时间记录Tab.2 The Record of test time

从表2可以看出，在规定的时间段中，系统对跟踪的移动目标物正确分割维持在81%以上。

3）系统整体测试。在本系统中，系统以我市内公路上移动的汽车为例进行了跟踪测试。首先根据公式（10）设定移动阈值Ts，然后采集图像并对图像进行区域检测与分割，得到图像显著图，然后计算图像的质心坐标与相似度Sim，当移动阈值Ts有变动时，立即更新芯片数据，重新计算质心坐标与相似度Sim。下面是我市拍摄到的监控图像，图5（a）双向前进中的汽车，当我们所感兴趣的4辆汽车移动到（b）所在的位置时，由于（a）图中左边的第1辆汽车跨越了监控区，系统则立即更新数据跟踪到随后而来的第2辆汽车，而在（a）图中右边的2辆汽车一直在系统的监控范围，只是画面中的移动目标质心发生了变化，所以系统跟新数据后有效的锁定了目标。

图4 MATLAB对移动目标跟踪处理结果Fig.4 The moving target tracking processing results

图5 系统对移动目标实物跟踪处理结果Fig.5 The moving target tracking results based on this system

图6为本系统对实物小汽车移动目标的监控与跟踪，从图6（a）（b）结果可以看出，只要设定好系统移动目标阈值T（s），当我们对当前画面感兴趣的移动目标进行跟踪锁定后，只要移动目标不超出摄像头的监控范围，那么图像就会一直在控制范围类锁定并追踪，当移动目标超出监控范围后，系统调整立即更新数据已对下一目标重新进行检测与分割并能迅速锁定目标，具有较强的自适应性，灵敏性和可靠性。

4 结束语

文中设计的这一款基于单片机的移动目标监控系统，该系统直接利用现有的网络摄像机作为监控摄像头，以3G信号或各种WiFi信号为网络，将采集到的图像通过无线网络直接上传给单片机系统进行处理。该系统充分利用了现有的各种资源，系统制作简单，维护方便，同时采用模块化设计，可移植性很强，在危险、未知环境的探测、监控等领域有很好的应用价值。

[1]Osama Masoud，Nikolaos P.Papanikolopoulos A novel method for tracking and counting pedestrians in real-time using a single camera[J].IEEE Transactions on Vehicular Technology，2001，20（5）:1267-1278.

[2]乔鸿海，薛静，徐继伟，等.基于DSP的车载智能移动报警监控系统设计与实现[J].西北工业大学学报，2013，31（2）:189-194.QIAO Hong-hai，XUE Jing，XU Ji-wei，et al.Implementation and design of vehicle movement intelligent monitoring system based on DSP[J].Journal of Northwestern Polytechnical University，2013，31（2）:189-194.

[3]张德丰著.MATLAB数字图像处理[M].北京:机械工业出版社，2009.

[4]阮秋琦.数字图像处理学[M].北京:电子工业出版社，2004.

[5]Kenneth R.Castleman著.数字图像处理[M].朱志刚，等译.北京：电子工业出版社，2002.

[6]Cucchiara R，Grana C，Piccardi M，et al.Statistic and knowledge-based moving object detection in traffic scenes intelligent transportation systems[J].Proceedings，2000:27-32.

[7]梁振涛，樊泽明，任永亮，等.基于单片机的移动监控系统硬件设计[J].微型机与应用，2014，33（22）:25-27.LIANG Zhen-tao，FAN Ze-ming，REN Yong-liang，et a.The Mobile monitoring system design based on single chip microcomputer[J].Micro Computer and Application，2014，33（22）:25-27.