袁曉東+牛晰
摘 要: 為了克服智能視頻監(jiān)控系統(tǒng)可視范圍有限,單純硬件改進(jìn)增加系統(tǒng)成本的問(wèn)題,提出一種運(yùn)動(dòng)目標(biāo)跟蹤系統(tǒng),運(yùn)用混合高斯背景模型的方法實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)的提取,采用卡爾曼濾波器和均值漂移算法相結(jié)合實(shí)現(xiàn)運(yùn)動(dòng)物體的跟蹤算法。使用TI公司達(dá)芬奇芯片中的DM6437對(duì)該算法進(jìn)一步優(yōu)化改進(jìn),并實(shí)現(xiàn)了運(yùn)動(dòng)目標(biāo)跟蹤系統(tǒng),通過(guò)對(duì)運(yùn)動(dòng)小車(chē)跟蹤測(cè)試可知,當(dāng)小車(chē)和背景在RGB色彩空間中反差很大時(shí),跟蹤的效果理想;反差很小時(shí),跟蹤的失敗率會(huì)有所提高,整體跟蹤效果良好。
關(guān)鍵詞: 智能跟蹤; Kalman濾波器; 均值漂移算法; 達(dá)芬奇芯片
中圖分類(lèi)號(hào): TN911.73?34 文獻(xiàn)標(biāo)識(shí)碼: A 文章編號(hào): 1004?373X(2017)07?0052?03
Research on moving target tracking system based on DM6437
YUAN Xiaodong, NIU Xi
(Zhengzhou University of Aeronautics, Zhengzhou 450000, China)
Abstract: Since the visible range of the intelligent video monitoring system is limited, and the improvement of the pure hardware can increase the cost of the system, a moving target tracking system is put forward. The method of using the mixed Gaussian background model is used to extract the moving target. The Kalman filter and mean?shift algorithm are combined to realize the moving target tracking algorithm. The DM6437 of Leonardo Da Vinci chip made by TI Company is used to optimize and improve the algorithm further, and implement the moving target tracking system. The moving car was performed with tracking test. The conclusion shows that the tracking effect is satisfied when the car and background have strong contrast in RGB color space, and the tracking failure rate will be improved and the overall tracking effect is good when the car and background have poor contrast.
Keywords: intelligent tracking; Kalman filter; mean?shift algorithm; Leonardo Da Vinci chip
視頻監(jiān)控技術(shù)在金融系統(tǒng)、交通系統(tǒng)、公安系統(tǒng)、教育系統(tǒng)和醫(yī)療系統(tǒng)中均有較為廣泛的應(yīng)用。通常由于普通攝像機(jī)可視范圍有限,對(duì)于大范圍的視頻監(jiān)控通常使用多角度安裝攝像頭的方式實(shí)現(xiàn),該方式不僅提高了系統(tǒng)的成本,增加了維護(hù)量,而且提高了操作的復(fù)雜度[1],為此,本文研究了一種通過(guò)達(dá)芬奇實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)跟蹤的智能跟蹤系統(tǒng),并通過(guò)TI公司的達(dá)芬奇系列芯片中的DM6437控制單臺(tái)球機(jī)實(shí)現(xiàn)了目標(biāo)跟蹤,經(jīng)過(guò)驗(yàn)證,跟蹤效果良好。
1 算法原理
常見(jiàn)的目標(biāo)跟蹤算法包括基于顏色、基于視圖、基于區(qū)域和基于形狀等幾種[2?3]。本研究中首先采用混合高斯背景模型的方法提取運(yùn)動(dòng)物體的信息,確定運(yùn)動(dòng)物體后,使用當(dāng)前運(yùn)動(dòng)物體的特征建立模型,在跟蹤過(guò)程中,首先使用卡爾曼濾波器對(duì)前幀的結(jié)果進(jìn)行預(yù)測(cè),再用均值漂移法快速迭代得出實(shí)際位置,最后更新模型,開(kāi)始下一輪跟蹤過(guò)程。本研究中對(duì)視頻先做下采樣處理,每幀采樣圖像大小為320×240。
1.1 前景提取
前景提取主要通過(guò)高斯模型對(duì)像素點(diǎn)的均值與方差進(jìn)行考察,一旦偏差小于馬氏距離閾值[4],如式(1)所示,即認(rèn)為該像素與某個(gè)高斯模型匹配,將該像素納入到模型中去,并對(duì)模型的均值、方差和權(quán)值進(jìn)行如式(2)所示的方式更新,其他模型僅更新權(quán)值即可。
[λ=x-μiTΣi-1x-μi] (1)
[ωk,t=1-αωk,t-1+αMk,t] (2)
考察中如果沒(méi)有高斯模型與該像素點(diǎn)匹配,將舍掉這[n]個(gè)模型中出現(xiàn)次數(shù)最低的一個(gè),并建立新的高斯模型。按“權(quán)值/方差”的順序?qū)n]個(gè)高斯模型按降序進(jìn)行排序并進(jìn)行歸一化處理,計(jì)算前[n]項(xiàng)和。如果計(jì)算的和大于背景閾值,則認(rèn)為前[i]個(gè)模型中的點(diǎn)是背景[5]。本文中更新率取0.001,馬氏距離閾值取6.25,背景閾值取0.5,初始化權(quán)重為0.001。高斯模型的檢測(cè)范圍為:[x]坐標(biāo)80~240,[y]坐標(biāo)90~150。超過(guò)此范圍則進(jìn)入跟蹤階段。
1.2 建立運(yùn)動(dòng)模型
當(dāng)確定運(yùn)動(dòng)物體后,將利用運(yùn)動(dòng)物體的色彩直方圖為物體建立模型,這樣,每個(gè)待檢測(cè)物體將轉(zhuǎn)化成一個(gè)[n]維向量。假設(shè)物體在位置[x0,]那么物體的模型將可用式(3)表示[6]:
[qu=Ci=1nkxSi-x0h2δbxSi-u] (3)
式中:[C]是歸一化參數(shù);[k]是核函數(shù)。
核函數(shù)可理解為研究過(guò)程中的研究范圍,常用的有單位均勻核函數(shù)和單位高斯核函數(shù),這里為了簡(jiǎn)化運(yùn)算過(guò)程,選取矩形區(qū)域作為核函數(shù),并將物體模型的[R,][G]和B空間均設(shè)置為12個(gè)量化級(jí)。
1.3 運(yùn)動(dòng)預(yù)測(cè)
運(yùn)動(dòng)預(yù)測(cè)采用卡爾曼濾波器完成,卡爾曼濾波器是一種高效率的遞歸濾波器,在確定模型確切性質(zhì)的情況下,卡爾曼濾波器也能夠在不完全并包含噪聲的測(cè)量中完成動(dòng)態(tài)系統(tǒng)狀態(tài)的估計(jì)。要估計(jì)物體運(yùn)動(dòng)的坐標(biāo)位置,需要先建立模型,建立模型后就可以開(kāi)始濾波器的操作,具體操作分為兩個(gè)部分,即預(yù)測(cè)和矯正,第1.4節(jié)中確定實(shí)際位置的步驟應(yīng)放在預(yù)測(cè)與矯正之間。
預(yù)測(cè)過(guò)程如式(4),式(5)所示,矯正過(guò)程如式(6)~式(8)所示。
[x-k=Axk-1+Buk-1] (4)
[P-k=APk-1AT+Q] (5)
[Kk=P-kHTHP-kHT+R-1] (6)
[xk=x-k+Kkzk-Hx-k] (7)
[Pk=I-KkHP-k] (8)
式中:右上角標(biāo)“-”表示先驗(yàn);上標(biāo)“^”表示估計(jì);[A]為狀態(tài)變換模型;[B]為輸入控制模型;[x]為真實(shí)狀態(tài);[z]為測(cè)量值;[H]為觀察模型;[K]為卡爾曼增益;[P]為誤差相關(guān)矩陣;[Q]為過(guò)程噪聲協(xié)方差矩陣;[R]為觀測(cè)噪聲協(xié)方差矩陣。
本文中,[A,B,H,K,P,Q,R]均為預(yù)設(shè)值,分別初始化為[0]矩陣和單位矩陣。[x]表示上一次均值漂移算法確定的真實(shí)坐標(biāo)值,初始化為高斯模型檢測(cè)到的運(yùn)動(dòng)物體重心坐標(biāo),[z]為經(jīng)過(guò)運(yùn)算得到的預(yù)測(cè)坐標(biāo)值,以該坐標(biāo)為中心確定的鄰域就是下一次均值漂移算法的迭代范圍。
1.4 確定實(shí)際位置
由1.3節(jié)中的步驟得到的位于位置[y]的物體的模型可用式(9)表示,這樣搜索問(wèn)題就轉(zhuǎn)化成一個(gè)最優(yōu)化問(wèn)題,即尋找最優(yōu)的位置[y。]
[puy=Chi=1nhkxSi-yh2δbxSi-u] (9)
式(3)的[q]和式(9)的[p]的相似性可用Bhattacharrya系數(shù)[ρy]來(lái)度量:
[ρy≡ρpy,q=u=1mpuyqu] (10)
對(duì)式(10)泰勒展開(kāi),可由式(10)的最優(yōu)化問(wèn)題推導(dǎo)出均值漂移算法的迭代公式:
[y1=i=1nxiωigy0-xih2i=1nωigy0-xih2] (11)
其中:
[ωi=u=1mδbxi-uqupuy0] (12)
迭代法求y的過(guò)程如下:
(1) 初始化模型,并找到迭代開(kāi)始向量,即預(yù)測(cè)到的物體位置坐標(biāo)向量。
(2) 將該點(diǎn)設(shè)置成[y0,]通過(guò)迭代式(11)得到[y1。]
(3) 如果[y0]與[y1]重合,或兩點(diǎn)間的距離小于算法設(shè)定的閾值,則終止迭代過(guò)程,將[y1]作為搜索到的結(jié)果;否則,將[y1]作為[y0,]重復(fù)步驟(2)。本研究中,均值平移的距離閾值設(shè)為2像素。
2 算法實(shí)現(xiàn)
研究中通過(guò)TI公司的DM6437芯片搭建了一套智能跟蹤系統(tǒng),系統(tǒng)結(jié)構(gòu)如圖1所示。該系統(tǒng)包括:DM6437板卡,用于采集視頻并可360°旋轉(zhuǎn)的智能高速球機(jī),用于顯示的終端監(jiān)視器,用于測(cè)試的遙控玩具汽車(chē)。
軟件系統(tǒng)搭建采用TI提供的DVSDK中的視頻開(kāi)發(fā)工具包,該工具包將采集到的視頻信號(hào)以UYVY格式保存在特定位置[7?8],經(jīng)核心算法處理后保存到特定位置,工具包將該幀回顯。DSP程序的核心算法流程圖如圖2所示。
在此基礎(chǔ)上,研究中通過(guò)EDMA方式將式(11)的算法在L1D與L1P上實(shí)現(xiàn),進(jìn)一步增加算法的效率,經(jīng)優(yōu)化后,系統(tǒng)的運(yùn)行效率可達(dá)11 f/s左右,能夠?qū)崿F(xiàn)目標(biāo)的實(shí)時(shí)追蹤。跟蹤運(yùn)行效果如圖3所示。
3 實(shí)驗(yàn)結(jié)果
研究中模型在彩色空間建立,所以通過(guò)不同顏色的遙控小車(chē)從不同方向進(jìn)入到不同顏色的地面上并駛出測(cè)試區(qū)域的方式進(jìn)行試驗(yàn),如果鏡頭可以跟蹤直至小車(chē)駛離該區(qū)域即認(rèn)為成功,否則為失敗[9]。不同顏色的小車(chē)與不同顏色的地面進(jìn)行組合,每種組合情況各測(cè)試10次,統(tǒng)計(jì)其跟蹤成功率。小車(chē)跟蹤的成功率統(tǒng)計(jì)結(jié)果如表1所示。
4 結(jié) 語(yǔ)
根據(jù)試驗(yàn)結(jié)果的數(shù)據(jù)分析,小車(chē)和背景在RGB色彩空間中反差很大時(shí),系統(tǒng)跟蹤準(zhǔn)確;而當(dāng)小車(chē)和背景在RGB色彩空間中的反差很小時(shí),跟蹤的失敗率會(huì)有所提高[10]。出現(xiàn)這樣的結(jié)果主要是因?yàn)榫灯扑惴ㄖ惺褂昧薘GB彩色模型,而均值漂移算法以搜索局部極小值為核心思想,所以當(dāng)背景與運(yùn)動(dòng)物體差異小時(shí),容易出現(xiàn)跟蹤失敗的狀況,并且,當(dāng)亮度變低導(dǎo)致小車(chē)與背景在色彩空間中的差異很小時(shí),跟蹤率也會(huì)急劇降低。
參考文獻(xiàn)
[1] 王江濤.滑模攤鋪機(jī)的動(dòng)態(tài)監(jiān)控[D].西安:長(zhǎng)安大學(xué),2013.
[2] 任阿龍.基于DSP的井下圖像采集系統(tǒng)研究[D].西安:西安石油大學(xué),2011.
[3] 唐杰,孫堅(jiān),鐘紹俊,等.基于DM6437的接插件產(chǎn)品在線檢測(cè)系統(tǒng)的研究[J].儀表技術(shù)與傳感器,2013(3):91?92.
[4] 羅浩,趙厚奎,尹迪.一種單站純方位目標(biāo)跟蹤中的最小二乘遞推方法[J].艦船科學(xué)技術(shù),2008,30(4):130?133.
[5] 石章松,董銀文,肖文凱.一種岸上目標(biāo)跟蹤算法[J].艦船科學(xué)技術(shù),2013,35(3):106?110.
[6] ISARD M, BLACK A. Condensation: conditional density propagation for visual tracking [J]. International journal of computer vision, 1998, 29(1): 5?28.
[7] LIU T L, CHEN H T. Real?time tracking using trust?region methods [J]. IEEE transactions on pattern analysis and machine intelligence, 2004, 26(3): 397?402.
[8] LI P H, ZHANG T W, PECE A E C. Visual contour tracking based on particle filters [J]. Image and vision computing, 2003, 21(1): 111?123.
[9] LIPTON A, FUJIYOSHI H, PATIL R. Moving target classification and tracking form real time video [C]// Proceedings of 1998 IEEE Workshop on Application of Computer Vision. Princeton: IEEE, 1998: 47?58.
[10] 奚吉,蔣銀忠.基于物聯(lián)網(wǎng)和視頻分析技術(shù)的監(jiān)獄智能監(jiān)控系統(tǒng)[J].電子器件,2014,37(6):1183?1188.