中，如图2所示，所述的高斯混合模型包括以下参数:“模型均值O”、“模型均值I”、“模型均值2”、“方差O”、“方差I”、“方差2”、“权值”、“模型标记”。
[0114]在一种进一步优选的实施方式中，所述步骤(A2)中所述的初始化一个对于所述的像素点有效的高斯混合模型，具体为:根据当前像素点，将高斯混合模型的各所述参数设定为:“模型均值O” =当前像素值分量O、“模型均值I” =当前像素值分量1、“模型均值2” =当前像素值分量2、“方差O” =0、“方差I” =0、“方差2” =默认方差、“权值”=默认权值、“模型标记” =I O
[0115]在又一种该较优选的实施方式中，所述的步骤(BI)中利用所述的有效的高斯混合模型对所述的像素点进行背景识别，具体为:利用定点算法根据所述的高斯混合模型对所述的像素点进行背景识别。
[0116]该定点算法为:bg=(totalWeight〈TB*totalWeight)&&(dist2〈Tb*var)，其中bg为当前点是否为背景，totalWeight为模型权值累加和，TB为配置参数中的权值门限，dist2为当前像素点与当前模型之间在坐标系下的距离值，Tb为配置参数中的方差门限，var为当前模型中的方差。
[0117]所述的模型权值累加和totalWeight为通过所述的FIFO存储器一次性读取所有高斯混合模型数据中的所有高斯混合模型并累加获得。
[0118]在更优选的实施方式中，如图3所示，所述的模型更新单元具体用以根据所述的识别结果对所述的高斯混合模型中的均值、方差、权值进行更新。
[0119]该基于并行处理的图像数据背景快速识别系统中，如图4所示，所述的模型排序单元具体用以将当前待排序的高斯混合模型的权值与优先级更高的高斯混合模型权值进行比较，寻找到一个位置使得当前待排序的高斯混合模型的权值在新位置的前后两个高斯混合模型权值之间，将所述的高斯混合模型数据中的各高斯混合模型根据权值大小进行排序。
[0120]该基于并行处理的图像数据背景快速识别系统中，所述的归一化单元具体用以根据所述的高斯混合模型数据中的所有高斯混合模型的权值是否导致累加溢出或累加值过小导致误差太大，对所有高斯混合模型权值进行左右移位，在一个时钟周期内完成权值归一化操作。
[0121]该基于并行处理的图像数据背景快速识别系统中，所述的FIFO存储器用以输出高斯混合模型数据具体为:所述的FIFO存储器用以根据所述的模型排序单元对所述的高斯混合模型数据中的高斯混合模型进行排序的结果，依各高斯混合模型的权值大小，输出高斯混合模型数据。
[0122]在实际应用中，本发明的目的在于提供一种基于硬件实现的高速智能背景判别实现的应用，它不但具备混合高斯模型建模的背景识别算法的准确性，硬件实现的高速型，而且还具备逻辑资源少，时序性能强，可并行重用性高等特点。
[0123]其具体分为参数配置、数据输入、背景判别处理、数据输出这四个阶段。
[0124]在参数配置阶段，首先需要客户根据推荐的配置参数值或根据自行适当修改配置参数值输入到装置中，该部分参数可根据具体环境来进行修改以达到客户期望的检测效果O
[0125]具体而言，在初始化模型建立阶段，由于对模型采用并行初始化操作，即在一个时钟周期内就可完成一个模型的初始化，其中方差O和方差I是为了保持和其他背景判别算法接口的兼容性而设定。
[0126]在数据输入阶段，客户首先是要将模型数据按序存入高斯模型数据存入FIFO中，还需要将待处理图像的像素点按序存入FIFO中，并使能point_eval_start信号，数据输入模块会自动读取当前像素点的图像数据以及高斯模型数据，完成数据输入。
[0127]在背景判别处理阶段，初始化模型建立单元会根据当前模型是否有效来选择是否对模型进行初始化建立，必须是有效的模型才能进行背景判别否则应该为其建立初始化模型。有效的模型与当前像素点在背景判别单元进行相应的背景判别，为了尽早输出判别结果，实现上是在有只有一个有效模型时就已经开始进行判别并更新模型同时还要对空模型进行模型初始化建立使得装置有着高效的输出，并添加适当的标志位来避免重复判别和重复初始化模型来减少时钟周期数提高效率。
[0128]具体而言，在背景判别单元，使用定点算法和多位宽数据拆分进行实现以保证电路逻辑的计算快速性和时序高速性，在基于软件实现的背景判别中通常是利用:bg =(1:<^31?618111:〈113)&&((118七2〈1'13抑31')这样的浮点运算进行实现(其中&8表示当前点是否为背景，totalWeight为模型权值累加和，TB为配置参数中的权值门限，dist2为当前像素点与当前模型之间在坐标系下的距离值，Tb为配置参数中的方差门限，var为当前模型中的方差)，在本装置中由于改进了权值归一化为左右移位实现，故将TB这一项参数换做TB*totalWeight可以解决权值只进行移位而未进行归一化导致的误差问题，而totalWeight则在一次性读入所有模型存入FIFO的过程中不断累加就能够得到，则这一 FIFO的引入一方面解决了定点算法的移位误差问题，还提升了系统效率。而dist2和TB*var等算式由于大数据位宽的乘法较多，故全部采用乘法拆分方式进行流水线实现，且该部分判决的所有判决条件的计算都是硬件并行化进行，能够在几个时钟周期内就能完成相关判别。在对当前点是否符合当前模型分布的计算部分，即对dist〈tg*var是否成立进行判断，基于软件的背景判别算法的做法通常是以顺序执行的方式在对当前点是否是背景点进行判别之后才进行，而该装置则充分利用硬件并行化将其在同一时钟周期内并行计算完毕，实现了并行高速判别。
[0129]硬件算法整体采用定点算法实现，可以避免使用资源消耗很大的浮点运算单元，使得逻辑更为简化。在具体算法实现上又将多位宽的乘法拆分为多个小位宽数据的乘加运算并嵌入适量的寄存器来减小冗长的组合逻辑从而提升时序性能。
[0130]本发明不但具备硬件处理高效性，还具有算法逻辑上的高度并行性，且使用定点算法来替代浮点算法实现，不论在处理速度还是功耗面积上都要比通用计算机软件算法实现更高效，只要用户提供相应的外围数据逻辑就能实现高速智能背景判别。
[0131]在逻辑设计层次上采用主状态机嵌套子状态机的方式，此举可以大大降低逻辑复杂度使得逻辑实现上能够得到更好的优化，还能更容易保证逻辑实现的准确性和可靠性，可以提供更好的布局布线自由度来换取更好的时序性能。
[0132]模型排序部分摒弃传统的冒泡排序的方式，改良为前向比较插队调序记录序号的方式实现，大大减少了冒泡排序所消耗的大量时钟周期。
[0133]参见图3，模型更新单元对模型参数的均值、方差、权值进行更新，充分将更新算法进行了并行化处理，缩短了模型更新所需的时间。
[0134]最弱模型替换单元使用了与初始化模型建立类似的原理，在一个时钟周期内完成最小权值的模型参数的替换。
[0135]模型排序单元直接使用前向比较策略来进行排序，将当前待排序的模型的权值与优先级更高的模型权值进行比较，寻找到一个位置使得其权值在新位置的前后两个模型权值之间，由于模型是按权值大小按序排列，一次判别更新模型或者替换模型只会影响到一个模型的权值大小，所以最坏情况下也仅使用四个时钟周期就能完成排序，比冒泡排序所需的时钟周期数减少许多，该阶段只执行排序顺序确定，不作实际顺序替换，将顺序替换保留到模型输出时直接插队排序完成以减少时钟周期。
[0136]权值归一化单元充分利用定点算法并行化优势，摒弃了传统的权值累加和与各个权值逐一做除法，节约了除法逻辑和累加逻辑资源，更大大减少了归一化所需的计算时间。该算法按照所有模型权值是否可能导致累加溢出或累加值过小导致误差太大来对所有权值统一进行左右移位，能充分保证每个权值之间的大小关系，该方式可以在一个时钟周期内完成权值归一化操作，实现简单可靠且大大节约了硬件资源和计算时间。相较于现有技术，将归一化的累加和对其做除法进行改良为一定范围内的左右移位实现，大大减少了该部分归一化算法所花费的时钟周期数以及逻辑资源量。
[0137]数据输出阶段，将判别结果输出给判别结果FIFO，并根据调序记录的序号来对模型进行输