·818· 智能系统学报 第17卷 3 系统软件设计 (1)描述： f(x,y)=R(x,y)x L(x,y) (1) 3.1中值滤波算法设计 把图像f(x,y)由看作光照分量L(x,y)和反射分 在火灾烟雾环境下采集的图像，不可避免 量Rx,y)的乘积，其中光照分量在空间内变化非常 的会产生噪声，严重影响行人密度检测的检测 缓慢，对应图像频域的低频段；反射分量反映的 效果，本系统使用中值滤波算法1820对烟雾图像 是图像的细节边缘特性，对应图像频域的高频 进行去噪操作。能够有效平滑图像内噪声，保护 段。因此在减少光照分量的同时增加反射分量， 图像边缘细节不被模糊。其基本原理是以各像素 能够有效地消除图像光照不均的影响，实现图像 点作为中心点，将该像素及其滤波尺寸内的相邻 灰度范围的调整。具体算法过程如图6及式(2) 像素作为滤波模板，计算出该模板内所有像素点 (7)所示。 灰度值的中值，作为增强后图像对应中心点的灰 In(f(x,y))=In(R(x.y))+In(L(x.y)) (2) 度值，可消除孤立的噪点，从而让图像中的像素 Z(u,v)=DFT(R(u,v))+DFT(L(u,v)) (3) 值更平滑达到去除噪声的效果，且具有硬件易实 S(u,v)=H(w,)×Z(,z) (4) s(x,y)=IDFT(S(u,v)) 现的优点。因此本文采用中值滤波算法去除噪 (5) 声，提高后续行人密度检测精度。其伪代码如下 g(x.y)=exps(x.y)=l(x,y)+r(x.y) (6) 所示。 Hu,=优-R1-e学+R (7) 输入图像X尺寸为m×n,滤波核尺寸为r 式中：R代表高频加权系数；R代表低频加权系数， 输出中值滤波处理后的图像Y D(,)代表频率(u,)距离滤波器中心的距离；Do代 1)for i=rto m-r do 表和o为0时D(u,v)的值，代表截止频率。 2)for j=r to nr do 3)以该点为中心根据滤波核尺寸划定矩阵， 输人图像 Yi,=划定矩阵中值 取对数 FFT H(u,v) 4)end 5)end 增强后图像 为此，在FPGA中构建基于AXI总线的中值 取指数 IFFT 滤波P核如图5所示，以太网接收的图像数据流 图6同态滤波算法P核 通过S00AXIS接口进入IP核应用中值滤波算 Fig.6 IP core of homomorphic filtering algorithm 法，输出32位处理后的流数据。 为此，在FPGA中构建基于AXI总线数据流 的同态滤波算法IP核如图7所示。中值滤波IP +S00 AXIS 核输出的32位数据由fin data输入到同态滤波 pe frame clken f data [31:0] P核中进行图像对比度增强，同态滤波P核输出 pe frame href pos frame clken pe frame vsync pos_frame href 的视频流数据通过DMA进行DDR3缓存。 s00 axis aclk pos frame vsync s00 axis aresetn median filter v1.0(Pre-Production) fin data [31:0] frame clken 图5AXI总线中值滤波P核 frame href Fig.5 AXI bus median filter IP core frame_vsync M00_AXIS+ m00 axis aclk 3.2同态滤波算法 m00 axis_aresetn 在光线比较暗的烟雾环境下，视频图像会出 现白色烟雾和低对比度的问题。为了解决光度补 light fill v1.0 (Pre-Production) 偿问题，恢复图像颜色、纹理等细节，使其更适合 图7同态滤波处理流程 进行行人检测任务，本系统采用同态滤波算法2训 Fig.7 Homomorphic filtering processing flow 能够在频域中同时进行对比度增强和压缩图像动 3.3 行人检测算法 态范围的滤波。根据光照反射模型，图像可用式 行人检测算法采用RFBNet模型，该模型3 系统软件设计 3.1 中值滤波算法设计 在火灾烟雾环境下采集的图像，不可避免 的会产生噪声，严重影响行人密度检测的检测 效果，本系统使用中值滤波算法[18-20] 对烟雾图像 进行去噪操作。能够有效平滑图像内噪声，保护 图像边缘细节不被模糊。其基本原理是以各像素 点作为中心点，将该像素及其滤波尺寸内的相邻 像素作为滤波模板，计算出该模板内所有像素点 灰度值的中值，作为增强后图像对应中心点的灰 度值，可消除孤立的噪点，从而让图像中的像素 值更平滑达到去除噪声的效果，且具有硬件易实 现的优点。因此本文采用中值滤波算法去除噪 声，提高后续行人密度检测精度。其伪代码如下 所示。 输入 图像 X 尺寸为 m×n，滤波核尺寸为 r 输出 中值滤波处理后的图像 Y 1) for i = r to m−r do 2) for j = r to n−r do 3) 以该点为中心根据滤波核尺寸划定矩阵， Y(i, j)=划定矩阵中值 4) end 5) end 为此，在 FPGA 中构建基于 AXI 总线的中值 滤波 IP 核如图 5 所示，以太网接收的图像数据流 通过 S00_AXIS 接口进入 IP 核应用中值滤波算 法，输出 32 位处理后的流数据。 S00_AXIS pe_frame_clken pe_frame_href pe_frame_vsync s00_axis_aclk s00_axis_aresetn f_data [31:0] pos_frame_clken pos_frame_href pos_frame_vsync median_filter_v1.0 (Pre-Production) 图 5 AXI 总线中值滤波 IP 核 Fig. 5 AXI bus median filter IP core 3.2 同态滤波算法 在光线比较暗的烟雾环境下，视频图像会出 现白色烟雾和低对比度的问题。为了解决光度补 偿问题，恢复图像颜色、纹理等细节，使其更适合 进行行人检测任务，本系统采用同态滤波算法[21-23] ， 能够在频域中同时进行对比度增强和压缩图像动 态范围的滤波。根据光照反射模型，图像可用式 (1) 描述： f(x, y) = R(x, y)× L(x, y) (1) f(x, y) L(x, y) R(x, y) 把图像 由看作光照分量 和反射分 量 的乘积，其中光照分量在空间内变化非常 缓慢，对应图像频域的低频段；反射分量反映的 是图像的细节边缘特性，对应图像频域的高频 段。因此在减少光照分量的同时增加反射分量， 能够有效地消除图像光照不均的影响，实现图像 灰度范围的调整。具体算法过程如图 6 及式 (2)~ (7) 所示。 ln(f(x, y)) = ln(R(x, y))+ln(L(x, y)) (2) Z(u, v) = DFT(R(u, v))+DFT(L(u, v)) (3) S (u, v) = H(u, v)×Z(u,z) (4) s(x, y) = IDFT(S (u, v)) (5) g(x, y) = exp s(x, y) = l(x, y)+r(x, y) (6) H(u, v) = (Rh −Rl) [ 1−e − ( D(u,v) D0 )2 ] +Rl (7) Rh Rl D(u, v) (u, v) D0 u0 v0 D(u, v) 式中： 代表高频加权系数； 代表低频加权系数， 代表频率 距离滤波器中心的距离； 代 表 和 为 0 时 的值，代表截止频率。 取对数 FFT H (u,v) 取指数 IFFT 输入图像 增强后图像 图 6 同态滤波算法 IP 核 Fig. 6 IP core of homomorphic filtering algorithm 为此，在 FPGA 中构建基于 AXI 总线数据流 的同态滤波算法 IP 核如图 7 所示。中值滤波 IP 核输出的 32 位数据由 fin_data 输入到同态滤波 IP 核中进行图像对比度增强，同态滤波 IP 核输出 的视频流数据通过 DMA 进行 DDR3 缓存。 fin_data [31:0] frame_clken frame_href frame_vsync m00_axis_aclk m00_axis_aresetn M00_AXIS light_fill_v1.0 (Pre-Production) 图 7 同态滤波处理流程 Fig. 7 Homomorphic filtering processing flow 3.3 行人检测算法 行人检测算法采用 RFBNet 模型[9] ，该模型 ·818· 智 能 系 统 学 报 第 17 卷