嵌入式系統(tǒng)期末報告---基于FPGA的實時目標檢測系統(tǒng)應(yīng)用于無人飛行器

1、嵌入式系統(tǒng)期末報告基于FPGA的實時目標檢測系統(tǒng)應(yīng)用于無人飛行器 姓 名： 班 級： 13電信2班 學 號： 2013302 指導(dǎo)老師： 日期： 2016.6.27 華南農(nóng)業(yè)大學電子工程學院電子信息工程系Hindawi Publishing CorporationInternational Journal of Recongurable Computing Volume 2016, Article ID 8457908, 16 pages /10.1155/2016/8457908研究文獻基于FPGA的實時目標檢測系統(tǒng)應(yīng)用于無人飛行器移動目標檢測在無人機(UAV

2、)最常見的任務(wù)是在空中移動監(jiān)視、發(fā)現(xiàn)和跟蹤我們感興趣的目標，例如協(xié)助民用的搜索、救援行動。在實時嵌入式系統(tǒng)使用現(xiàn)場可編程門陣列(FPGA) 可以實現(xiàn)復(fù)雜的檢測算法。這篇文章通過FPGA來介紹部署開發(fā)無人機的實時移動目標檢測芯片系統(tǒng)(SoC)。檢測算法利用包括運動估計和對象分割過程的成立圖像配準技術(shù)。運動目標檢測系統(tǒng)的實現(xiàn)雛形為集成低成本并且配備了TRDB-D5M相機的FPGA開發(fā)板-Terasic DE2-115。該系統(tǒng)由Nios II處理器和面向數(shù)據(jù)流的專用硬件加速器組成，專用硬件加速器時鐘頻率為100 MHz，能夠以30幀每秒的處理速度對640480像素的灰度分辨率視頻進行處理。1. 介紹

3、 無人機(UAV)在移動空中監(jiān)視操作中扮演了一個重要的角色，而且被廣泛應(yīng)用到不同的領(lǐng)域中，例如空中偵察、邊境巡邏、資源勘探、戰(zhàn)斗和軍事應(yīng)用。由于其移動特性,無人機還被部署到了災(zāi)難地區(qū)，通過收集高分辨率的圖像完成搜索救援行動1。除此之外,無人機在交通監(jiān)控的應(yīng)用也被做過一些研究2、3。因為大多數(shù)監(jiān)控系統(tǒng)需要檢測和跟蹤感興趣的對象,所以移動目標探測是無人機監(jiān)控系統(tǒng)的一個典型的步驟4。移動目標檢測就是通過相機捕獲的一系列視覺圖像之中，定位移動對象(前景)在靜態(tài)場景(背景)駐留的過程。因為對象發(fā)生的位移需要在后續(xù)視頻幀來定義其運動，所以至少需要對兩個連續(xù)的視頻幀進行處理。如果在一個對象的在不同的時間間隔

4、選定的幀，而它位于相同背景的兩個不同位置，那么這個對象會被定義為一個移動的目標。因此，在分割移動物體之前需要一個背景模型來表征即將到來的靜態(tài)場景視頻幀。 背景模型可以依據(jù)相機運動的類型來分類5，相機運動類型包括了固定式相機，可轉(zhuǎn)動變焦相機，自由平面場景移動相機，和具有自由幾何復(fù)雜場景運動的攝像機。移動物體在靜止背景(靜態(tài)攝像頭)的檢測和分割可以通過簡單的執(zhí)行背景減法技術(shù)得到6-11，而圖像配準技術(shù)需要在對象的分割之前，使移動背景(移動相機)，包括涉及到的相機的自我估計和補償，要跟之前選定的背景視頻幀相匹配。無人機視頻航拍成像被人們視為平面的一種場景12。平面場景的自我運動估計，可以通過單應(yīng)性變

5、換估計方法，例如建立仿射模型。因此,移動物體可以通過登記記錄的視頻幀為估計模型并采用背景減法處理登記模型的手段被檢測出來。這種方法沒有考慮到出現(xiàn)明顯的深度變化的情況，雖然它會因為視差導(dǎo)致不正確的目標登記。 由于計算機視覺算法的復(fù)雜性，在航空成像檢測移動目標會是一個十分耗費時間的過程。檢測移動目標實際也不完全依賴地面處理站無線電線路，因為視頻質(zhì)量將極大地取決于無線通信的速度和穩(wěn)定性。另外，完全自主的無人機是滿足需要的,因為它可以在最少的人工干預(yù)條件下，針對檢測目標進行操作和兩者之間的反應(yīng)13。因此,自主無人機系統(tǒng)要求具有高機動性和高計算能力，來完成執(zhí)行對系統(tǒng)平臺本身的檢測。 使用現(xiàn)場可編程門陣列

6、(FPGA)將滿足無人機系統(tǒng)的低功耗，高計算能力和小型電路要求。FPGA系統(tǒng)是解決在移動平臺的實時計算機視覺問題的一個好方案14，它可以根據(jù)應(yīng)用所需來重新配置來處理不同的任務(wù)。 文章介紹了FPGA在實現(xiàn)無人機的實時運動目標檢測系統(tǒng)的應(yīng)用。檢測算法利用圖像配準技術(shù)，首先估計自我運動，然后從兩個后續(xù)幀使用塊匹配(成立匹配)和隨機樣本共識(RANSAC)算法。完成補償自我運動之后，幀差分,利用中值濾波和形態(tài)學方法都會被用于移動物體的分割。本文的貢獻如下：（1）開發(fā)的實時移動目標檢測芯片系統(tǒng)(SoC)，640480像素的視頻處理速度達到每秒30幀(fps)；（2）運動目標檢測系統(tǒng)的實現(xiàn)雛形為集成低成本

7、并且配備了TRDB-D5M相機的FPGA開發(fā)板-Terasic DE2-115，占領(lǐng)只有組合函數(shù)總量的13%和13%的總內(nèi)存碎片；（3）分區(qū)和管道調(diào)度檢測算法的硬件/軟件(HW / SW)代碼最大處理吞吐量。（4）包括塊匹配和對象分割模塊的面向流的硬件加速器，能在一個周期操作一個像素。（5）在不同密度的成立無人機自我運動估計和幀差分閾值情況下分析檢測性能。 其余報告如下：第二節(jié)討論了運動目標檢測的文獻；第三節(jié)討論了運動目標檢測算法；第四節(jié)描述了SoC發(fā)展和專門的硬件架構(gòu)的移動目標檢測；第五節(jié)介紹了檢測結(jié)果的完整的原型；第六節(jié)總結(jié)本文。2. 相關(guān)工作 在過去幾十年天線視頻或者無人機應(yīng)用方面的移動

8、目標檢測定位就已經(jīng)被廣泛研究了。全局運動補償，運動檢測和對象跟蹤已經(jīng)組成了一個開發(fā)框架15。當作者們利用到累積幀差分和背景減法時，過去往往使用特征和基于梯度的技術(shù)的組合來補償自運動從而達到天線視頻車輛檢測目的。表1:相關(guān)工作中FPGA對象檢測在上文提出的系統(tǒng)中不同的應(yīng)用的比較:表1文章研究16提出了通過使用基于分類器的梯度層次結(jié)構(gòu)(方向梯度直方圖)兩種不同的方法來檢測和跟蹤移動車輛和人。注釋17文獻的工作是：提出了一個通過執(zhí)行運動補償,運動檢測,包括數(shù)據(jù)捕獲和協(xié)作控制模塊的并行和跟蹤的移動目標檢測方法。注釋18文獻中則提出了多個目標檢測算法，這適應(yīng)了在廣域監(jiān)視大量的移動目標的應(yīng)用。注釋19文獻

9、提出了不同的高度下對移動目標的檢測和跟蹤，同時在UAV視頻上捕獲和顯示移動目標。在注釋20文獻提出了基于特征圖像配準技術(shù)：在無人機視頻中檢測運動目標。該作者利用后續(xù)的視頻幀角點，將它作為執(zhí)行自運動估計和補償特性的特征。在注釋21文獻,航拍視頻的多模型估計方法被提出，作為在復(fù)雜的背景探測移動物體的手段，該方法在檢測中能夠消除建筑物、樹木和其他假警報。因為這些文獻專注于在不同的情況下改善檢測算法,沒有考慮到無人機自主調(diào)度,他們一般把系統(tǒng)改進成常見的平板電腦17,19-21或圖形處理單元(GPU)加速環(huán)境22。如表1所闡述，大多數(shù)基于FPGA的目標檢測系統(tǒng)的文獻都使用611靜態(tài)照相機。他們利用背景減

10、法技術(shù),如高斯混合模型(GMM)和視覺背景提取器來執(zhí)行在靜態(tài)背景視頻的前景對象分割。在23文獻提出了基于FPGA運動目標檢測的步行機器人。他們使用基于硬件/軟件一體設(shè)計系統(tǒng)的光流技術(shù)和幀差分技術(shù)，以此實現(xiàn)自運動估計。也有一些文獻提出基于FPGA無人機檢測應(yīng)用。研究文獻24在提出了一種使用基于FPGA的硬件/軟件結(jié)合設(shè)計，進行無人機特征檢測和跟蹤。軟件在根據(jù)特征進行對象的跟蹤時，作者一般使用專用硬件哈里斯特征檢測器從航拍視頻中提取對象特征。無人機實時檢測的實現(xiàn)，文獻13中描述了一個例子：根據(jù)汽車的形狀，大小，和顏色來檢測移動目標。然而,在文獻13、24進行的檢測工作和基于對象特性進行的跟蹤并不集

11、中于移動目標?；贔PGA的無人機目標檢測回避系統(tǒng)應(yīng)該有一個合適的運動目標檢測算法，在文獻25提出通過使用區(qū)域相位的相關(guān)技術(shù)，但是他們沒有創(chuàng)建一個完整的FPGA系統(tǒng)原型裝置。此外，研究文獻26也指出無人機航拍的硬件設(shè)計和實時自運動估計的架構(gòu)。因此,文獻中只有數(shù)量有限的專注于發(fā)展一個完整的基于FPGA實時檢測移動目標的無人機應(yīng)用原型。3.移動目標檢測算法 因為無人機是一個移動的平臺，所以在提出的移動目標檢測算法采用了圖像配準技術(shù)，它可以在目標分割之前完成自我運動補償。圖像配準算法可以被分為基于特征和基于區(qū)域（基于強度）的方法 27，28 。在基于特征的方法中，從兩個后續(xù)的幀檢測到的特征比如角 2

12、9，30 或沖浪 31 ，從中一個框架到另一個找到每個特征的運動是相互關(guān)聯(lián)的。據(jù)報道，在軟件中實現(xiàn)基于特征的圖像配準會計算的更快，因為無論像素數(shù)的多少，它都只使用一個小數(shù)量的點去匹配。然而被檢測到的特征數(shù)量是無法預(yù)測的，因為它取決于所捕獲的場景的幀，因此計算數(shù)量和要占用的存儲資源也是不可預(yù)知的，這也導(dǎo)致很難在高度并行的硬件中實現(xiàn)特征檢測。我們可以通過排序或優(yōu)先排序的得分（即特征強度）的額外步驟 24 ，從而出選擇他們最強的特征，使特征的數(shù)目可以減少到一個可預(yù)測的常數(shù)。然而，它提出了一些限制，因為只有高度紋理的像素區(qū)域會被選中，而忽略掉像素均勻區(qū)域 32 。此外，基于特征的方法要求不規(guī)則地訪問內(nèi)

13、存，這個方式不適合數(shù)據(jù)流訪問模式的計算機硬件。 與之相反，基于區(qū)域的技術(shù)通過尋找從一個幀到另一個幀最類似的紋理的塊（區(qū)），在框架之間構(gòu)造了點對點的對應(yīng)關(guān)系。它適用于并行和流處理，因為它具備給硬件實現(xiàn)的幾個優(yōu)點：1. 它具有高度并行的操作的特性，使它適合在硬件中的實現(xiàn)并行處理。2. 它允許簡單的控制流，不要求圖像像素的不規(guī)則訪問。3. 它具有固定大小的可預(yù)測的內(nèi)存需求計算數(shù)據(jù)量。該算法的整體流程化的圖1。它由兩個主要的過程組成，即運動估計和對象分割。在這項工作中使用基于區(qū)域的圖像配準技術(shù)。對系統(tǒng)的輸入是當前和前一幀連續(xù)兩灰度的視頻幀。首先，塊匹配在這兩個框架上進行產(chǎn)生點對點的幀間運動。圖1無人機

14、視頻中的航空成像被假定為在平面場景有自由的相機運動與 5 ，并采用仿射模型估計自我運動。然后用RANSAC來去除所有點之間的微小的運動（異常值），導(dǎo)致了屬于仿射變換矩陣條件的自我運動。在使用仿射變換矩陣中的參數(shù)保證前一幀與當前幀對齊之后，幀間差分可以通過像素相減兩幀的像素進行排列，其次是經(jīng)過閾值處理生成一個二值圖像。二值圖像進行中值濾波和形態(tài)學處理的，可以消除噪聲，使得只有檢測到的移動目標凸顯。該算法是使100MHz的NiosII嵌入式軟處理器可以在SoC環(huán)境運行。然而，大多數(shù)在NiosII運行的進程都很慢，不足以實現(xiàn)實時性能。為了實現(xiàn)一個實時的運動目標檢測系統(tǒng)，在這項工作中的所有進程都必須在

15、完全專用硬件加速器完成，除了部分硬件加速的RANSAC。3.1.塊匹配塊匹配包括兩個步驟：提取與匹配，這需要兩個連續(xù)的幀。 提取過程將從一個框架模板存儲幾個塊或圖像像素的補丁，在匹配過程中，將在第二幀中找到它們最相似的塊。通過與以塊的中心點的參考比較，從而產(chǎn)生許多對對應(yīng)的點，這表明了兩個連續(xù)的幀之間的點對點的運動（像素的運動）。這兩個框架的成對的點將被使用到RANSAC的自運動估計。塊提取是存儲從一個視頻幀的一個預(yù)定義的位置的9個像素的9個像素的無數(shù)塊的過程。這些塊將被用作在匹配過程中的模板,模板塊的位置均勻分布在圖像上。提取過程中沒有數(shù)學計算，因為它是只涉及從視頻流到臨時存儲器的圖像修補程序

16、的直接復(fù)制。匹配過程中起到的作用是從當前幀的每一個提取的模板塊找到最相似的塊，而這些模板塊都是從以前的框架提取的。這是通過關(guān)聯(lián)的模板塊與下一個框架，在相似性度量的基礎(chǔ)上找到他們相應(yīng)的位置。由于硬件實現(xiàn)簡單，絕對差和被選作相關(guān)的匹配標準過程。絕對差和也會在相似性錯誤評級（前一幀）和匹配塊（從當前幀）之間，產(chǎn)生像素到像素相似性錯誤評級的相關(guān)性。如果這兩個塊是由像素相同的像素，絕對差和將產(chǎn)生零的結(jié)果。塊匹配是計算密集型的，因為每個模板塊必須在其搜索區(qū)域內(nèi)通過執(zhí)行的每個塊的絕對差和，來搜索出其最相似的對。一些減少計算量的搜索技術(shù)已經(jīng)在文獻提出了，它們通過減少搜索區(qū)域，如三步搜索技術(shù)33，34 ，四步搜

17、索技術(shù) 35 ，和鉆石搜索 36 。然而，這些技術(shù)大多數(shù)是針對那些在不規(guī)則的方式讀取圖像的通用處理器，所以是不適合的數(shù)據(jù)流硬件架構(gòu)。 這項工作使用傳統(tǒng)的全搜索技術(shù) 37 ，由于其定期訪問圖像的特性，所以它在流為導(dǎo)向的硬件執(zhí)行是非常有效的。它們所需的匹配計算量的數(shù)目是與塊（密度）和相應(yīng)的搜索區(qū)域的數(shù)目成比例的。更高密度的塊匹配給自運動估計提供了更多的點，以減少圖像配準誤差，但同時也提出了更高的硬件成本要求（硬件計算單元的數(shù)量）。為了降低硬件成本，這項工作只利用了一個低密度塊（基于區(qū)域的）匹配，而非對幀到幀的每一個像素的運動進行估計。為了進一步優(yōu)化面向數(shù)據(jù)流結(jié)構(gòu)的硬件資源，最適合和不重疊搜索區(qū)域被

18、用來確保只有對每個輸入像素進行計算一個絕對差和。對于一些行塊m，和一些列塊n，搜索區(qū)域被均勻地分布為每個塊，并分別用圖像寬度和圖像高度制定一個表格，表示 個像素。制定的公式如下：模板塊位置（藍色）和它們的相應(yīng)的搜索區(qū)域（綠色）如圖2所示。在每個時鐘周期中，只有一個模板塊可以在它的相應(yīng)的搜索區(qū)域與另一個塊匹配。因為每個模板塊只會在其專用的搜索區(qū)域搜索，而不妨礙其他地區(qū)，整個塊匹配過程只占用對整個圖像處理的一個絕對差和計算單元，所以允許行m和列n在運行時上下文切換。這個提出的方法是以相同的硬件成本為基礎(chǔ)的，能夠在不同的密度的區(qū)域執(zhí)行。然而，更高的密度降低了每個塊的搜索區(qū)域，從而限制了流量位移（即每

19、一點的行程距離）。在水平和垂直的位移限制分別為 = /2和 = /2。由于無人機的位置和運動（高度、速度等）以及捕獲的空中視頻的幀速率會影響兩個連續(xù)的幀之間點對點的位移，如果幀之間的點對點位移超過在水平 或垂直，就會導(dǎo)致所提出的技術(shù)產(chǎn)生錯誤的圖像配準結(jié)果。3.2 RANSAC塊匹配階段之后，從兩個連續(xù)的幀的一組點對運動（點對點運動）會被確定?；谶@些點對，自運動估計會被執(zhí)行。在這些點對之中通常出現(xiàn)異常值（矛盾運動），而RANSAC算法就是被應(yīng)用至從數(shù)據(jù)中刪除異常。RANSAC是目前最好的迭代算法，它可以描述兩個后續(xù)幀變換的仿射模型。不同于傳統(tǒng)的RANSAC算法 38 ，這個項目使用一個上限的時

20、間限定RANSAC算法的計算（類似于 39 ），而無論實時迭代次數(shù)大小（如算法1所示）。在每次迭代中，RANSAC算法選擇三個不同的點對作為隨機樣本。 然后仿射變換的假設(shè)模型就會從所選擇的樣本的基礎(chǔ)上建立：在i表示仿射模型的參數(shù)進行估計，和是選擇的采樣點的坐標，和代表他們的對應(yīng)點對。圖 2: 在相同的硬件成本前提下，塊匹配的視頻幀中模板塊（藍色）和搜索區(qū)域（綠色）的位置文獻 40 試驗提出的應(yīng)用于算法，如果假設(shè)模型距離實際很大，就會跳過以下步驟（步驟（4）和（5）來加快RANSAC計算速度。然后假設(shè)的合適度會被評估，并通過擬合其參數(shù)對所有點對評分。 最好的假設(shè)模型會在每一次迭代不斷地更新，RA

21、NSAC把到達上限時間終止的結(jié)果作為最終的結(jié)果。因為RANSAC在全部的運動目標檢測算法之中是計算量最少的，所以它作為軟件程序只與合適度評分步驟（步驟4）一起被硬件加速。合適度評分是對一個假設(shè)的適應(yīng)度的計算，它是對面向所有輸入數(shù)據(jù)（點對從塊匹配）的模型，如算法2中所描述的那樣。如果擬合誤差小于一個預(yù)定義的距離閾值，則每個數(shù)據(jù)被認為在范圍之內(nèi)，閾值th（dist）反之亦然。合適度評分是其擬合誤差，而離群點為常數(shù)閾值th（dist）。合適度得分通過積累所有的個人分數(shù)為每個數(shù)據(jù)計算結(jié)果，一個完美的擬合將有零計算得分。由于合適度得分是所有數(shù)據(jù)的一個迭代過程，計算數(shù)量增加與數(shù)據(jù)的大小有關(guān)。 RANSAC

22、 是一個隨機算法，當給予有限的迭代時它可能不會產(chǎn)生最佳仿射模型。3.3對象分割自運動估計完成后，兩個連續(xù)的幀之間的相機運動要在對象的前景檢測之前完成補償。前一幀會被轉(zhuǎn)換，并且通過RANSAC算法估計仿射參數(shù)，實現(xiàn)與當前幀的拼接。逆向映射技術(shù)被應(yīng)用于計算源圖像中的目標像素相應(yīng)位置。仿射變換方程顯示在哪里， 和 是圖像目標像素的坐標，和表示對應(yīng)的源圖像像素坐標，是 RANSAC算法估計的最適合仿射參數(shù)。各參數(shù)關(guān)系如下：3.4 流水線調(diào)度為了建立一個數(shù)據(jù)流媒體視頻的實時運動目標檢測系統(tǒng)，應(yīng)該利用適當?shù)牧魉€調(diào)度，可以充分發(fā)揮系統(tǒng)的整體吞吐量。該算法可以通過每個獨立的工作在不同幀的硬件加速器劃分為幾個

23、子過程，直到檢測周期結(jié)束之前，將中間結(jié)果從一個過程轉(zhuǎn)到另一個過程。因此，在每一個固定的延遲后，系統(tǒng)總是產(chǎn)生一個輸出。 整個過程分為四個階段，如圖3所示。4. 運動目標檢測系統(tǒng)的提出運動目標檢測系統(tǒng)的開發(fā)原型為基于DE2-115開發(fā)板的友晶Altera Cyclone IV FPGA設(shè)備。該系統(tǒng)由硬件/軟件協(xié)同設(shè)計，在硬件是專用加速器，算法是利用Verilog硬件描述語言（HDL）經(jīng)過執(zhí)行軟件程序編碼得到，它使用Nios II軟核處理器，其中軟件存儲器為SDRAM。運動目標檢測系統(tǒng)架構(gòu)如圖4所示。圖3圖44對象分割4.1 運動目標檢測的硬件加速移動目標檢測器的硬件結(jié)構(gòu)顯示在圖5。它的組成部分是運

24、動估計核，對象分割的核，圖像采集卡以及其他接口。圖54.2 運動估計硬件加速器運動估計的核心由塊匹配和RANSAC硬件加速器組成。因為RANSAC需要點對的完整數(shù)據(jù)，點對由塊匹配計算提供，因此需要額外的緩沖區(qū)暫存每兩個后續(xù)幀對應(yīng)的點對。運動估計過程的硬件結(jié)構(gòu)如圖6所示。圖64.2.1 塊匹配硬件加速器 圖7顯示了塊匹配硬件加速器的體系結(jié)構(gòu)，執(zhí)行模板塊是從一個幀和下一幀的模板塊匹配中提取的，這些模板塊都在相應(yīng)的搜索區(qū)域內(nèi)。整個過程都在數(shù)據(jù)流中完成，不需要緩沖整個幀就能得到兩個后續(xù)幀的點對點運動（點對）。圖74.2.2 RANSAC算法的硬件加速器RANSAC的硬件設(shè)計利用在這項工作中只有加快合適

25、度得分計算一步。在算法2中描述的，合適度得分是一個迭代的過程，它把假設(shè)模型基礎(chǔ)上所有的數(shù)據(jù)樣本進行類似的計算。這一數(shù)據(jù)密集型過程中執(zhí)行流水線的數(shù)據(jù)通路如圖8所示?？刂茊卧糜谧x取輸入的數(shù)據(jù)， 每個時鐘周期內(nèi)，塊匹配的緩沖和數(shù)據(jù)流這些通路單元都會提供輸入數(shù)據(jù)。圖84.3 對象分割硬件結(jié)構(gòu) 對象的分割可以在一個光柵掃描執(zhí)行，面向流的架構(gòu)如圖9所示。所有子進程都在流媒體視頻管道中被執(zhí)行的，同時沒有額外的幀緩沖。 對象分割過程是 由軟件處理器設(shè)置仿射PE為仿射參數(shù)，進而執(zhí)行RANSAC算法。從幀緩沖區(qū)的兩幀（SRAM）需要分割運動目標。圖95 實驗結(jié)果5.1 片上系統(tǒng)執(zhí)行驗證移動目標檢測系統(tǒng)驗證使用數(shù)

26、據(jù)庫中的離線檢測模式。測試影片大小是640480像素，并在驗證過程之前進行了灰度壓縮，測試視頻通過系統(tǒng)被傳送到一個USB海量存儲設(shè)備。在SOC進行檢測后，結(jié)果會顯示在VGA圖像，同時也存儲在USB驅(qū)動提供給后來的驗證。 圖10顯示了使用不同的采樣視頻，片上系統(tǒng)的運動目標檢測結(jié)果。檢測到的區(qū)域（紅色）疊加在輸入框。在大多數(shù)情況下，片2上系統(tǒng)是能夠檢測到連續(xù)幀中的運動目標。5.2 檢測算法的性能評價 檢測算法實現(xiàn)的性能評價使用數(shù)學性能指標，并涉及到幾個參數(shù)：1、 真陽性(TP)：檢測到的運動物體；2、 假陽性(FP)：檢測區(qū)域中任何不符合的移動物體；3、 假陰性(FN)：不被檢測到的移動對象；4、 檢出率(DR)：TP/(TP+FN)5、 誤報率(FAR): FP/(TP+FP)5.3 對比全軟件實現(xiàn)的速度文章提出的運動目標檢測系統(tǒng)的計算速度與不同平臺上的軟件計算做了比較，包括現(xiàn)代的桌面計算機CPU（英特爾酷睿i5）和嵌入式處理器（ARM）。在使用相同測試視頻 41