俞文靜，莫健彬，黃嘉鏘

（廣州大學華軟軟件學院，廣州 510990）

0 引言

隨著科學技術的不斷進步，人們工作生活的各個領域逐步向自動化、智能化方向發(fā)展。尤其伴隨著計算機圖像處理技術及各種微電腦硬件的進步，基于圖像分析及處理能力的智能監(jiān)控型機器人技術得到了廣泛的重視，該技術在偵察、醫(yī)學護理、媒體傳播等方面，有著相當廣闊的應用前景。近年來，許多研究者嘗試著基于圖像處理的智能機器人研發(fā)，也取得了一些相關進展，然而將微電腦硬件與圖像處理算法很好地結合，并做到利用攝像頭智能捕獲跟蹤目標的監(jiān)控機器人系統(tǒng)比較少，本文就是基于樹莓派微電腦系統(tǒng)結合OpenCV下的粒子濾波跟蹤算法實現(xiàn)了一個智能機器人監(jiān)控跟蹤系統(tǒng)，實驗證明該系統(tǒng)在延時比較小的情況下，能夠較好地實現(xiàn)智能監(jiān)控和跟蹤。

1 硬件平臺和開發(fā)相關技術介紹

1.1 樹莓派及其開發(fā)語言

樹莓派（Raspberry PI）[1-2]是一款基于ARM的微型電腦主板，以SD/MicroSD卡為內(nèi)存硬盤，具備個人計算機主機的基本功能和接口。樹莓派體積小、適用于各種小型智能設備，具有完整的計算機處理功能，支持大規(guī)模數(shù)據(jù)計算、圖形圖像處理等應用。樹莓派自身帶有GPIO接口、USB接口，可以直接使用編寫好的具有特定功能的程序通過GPIO接口控制相應的硬件設備，也可以通過USB連接各種外設硬件設備。

樹莓派預搭載和采用的語言是Python編程語言，Python是一種面向對象的開源跨平臺程序設計語言，它包含了一組比較完善并容易理解的標準庫，能夠把其他語言制作的各種模塊（尤其是C/C++）很輕松地聯(lián)結在一起，語法簡潔清晰，能夠實現(xiàn)內(nèi)存的自動管理，并常被用于網(wǎng)絡編程。

1.2 OpenCV

OpenCV[3-4]是一個基于BSD許可（開源）發(fā)行的跨平臺計算機視覺庫，可以運行在Linux、Windows、Android和Mac OS操作系統(tǒng)上。它輕量級而且高效——由一系列C函數(shù)和少量C++類構成，同時提供了Python、Ruby、MATLAB等語言的接口，實現(xiàn)了圖像處理和計算機視覺方面的很多通用算法，在該平臺上可以進行各種自研發(fā)的圖像處理算法仿真。

基于樹莓派及其開發(fā)語言特點，本文結合樹莓派運行Python+OpenCV的圖像識別程序，通過粒子濾波算法跟蹤設定的目標，從而指導攝像頭的轉向以及跟蹤，最終實現(xiàn)對視頻邊攝像邊處理的自動跟蹤功能。

2 系統(tǒng)總體設計

2.1 系統(tǒng)設計思路

本文設計了基于樹莓派與OpenCV的智能監(jiān)控跟蹤機器人，主要設計思路及原理如下：在電子可行駛設備上搭載一個智能視頻攝像分析系統(tǒng)，該智能視頻攝像分析系統(tǒng)由樹莓派、智能攝像頭以及各種傳感硬件搭建而成，由攝像頭獲取目標視頻和圖像，樹莓派進行獲取的視頻圖像分析和處理，通過視頻圖像的處理結果指導進行硬件控制，如攝像頭轉向、機器人轉向及行駛，以達到目標跟蹤的目的。

2.2 系統(tǒng)總體架構

智能監(jiān)控跟蹤機器人系統(tǒng)硬件分為上位機與下位機，上位機由樹莓派和攝像頭組成，下位機由C51單片機和各傳感器模塊組成。上位機與下位機之間采用無線網(wǎng)絡通訊。系統(tǒng)的總體架構如圖1所示。

圖1 系統(tǒng)總架構圖

2.3 硬件平臺設計

本系統(tǒng)上位機主要由搭載樹莓派和攝像頭組成，下位機是C51單片機為基礎的電子可行駛設備，C51單片機是指支持C語言編程的8051單片機，其基礎入門，應用廣泛。出于輔助跟蹤移動的考慮，在單片機的基礎上集成紅外線模塊、超聲波模塊，紅外線模塊用于路面識別尋軌，超聲波模塊用于判斷電子車與障礙物的距離。除此之外。出于遙控或新的通訊方式的考慮，本系統(tǒng)加裝藍牙模塊，電子車移動由L293D直流電機驅動實現(xiàn)，L293D電機驅動板適用于Arduino初學者，有強大的驅動庫支持及功能更新，操作簡單方便。電源部分主要分為2個獨立電源，均為移動電源。

2.4 Wi-Fi模塊設計

上位機與下位機的通訊由無線網(wǎng)絡實現(xiàn)，以無線網(wǎng)絡為基礎主要基于日后新模塊升級、加裝以及模塊的自由活動如攝像頭的轉向。樹莓派3B自帶的802.11b/g/n無線網(wǎng)卡能完美地達到系統(tǒng)要求。而下位機C51單片機電子車則需要加裝ESP8266網(wǎng)絡模塊，ESP8266是一個完整且自成體系的Wi-Fi網(wǎng)絡解決方案，即Uart-WiFi網(wǎng)絡芯片，其同樣支持802.11b/g/n且具有功耗低的優(yōu)點。樹莓派同時接受攝像頭采集的視頻和下位機的信息并先后進行處理，最后發(fā)送指令給下位機，使電子車根據(jù)樹莓派的判斷結果數(shù)據(jù)指導前進速度以及轉彎方向等操作。

2.5 攝像頭視頻獲取模塊設計

本系統(tǒng)使用的攝像頭是360D70智能攝像頭內(nèi)核，該攝像頭支持1080P高清分辨率，鏡頭視角對角視角118度，旋轉角度水平360度，垂直260度，可以保證監(jiān)控區(qū)域的無死角監(jiān)控；其次，該攝像頭支持紅外線以及USB接口輸入，便于本項目系統(tǒng)中各個模塊的集成；并且該攝像頭還支持Wi-Fi無線網(wǎng)絡傳輸，并支持WEP、WPA、WPA2的無線安全標準，可以保證傳輸視頻的安全性，在合適的網(wǎng)絡條件下，能夠保證視頻傳輸速度以及穩(wěn)定性。

3 運動目標檢測算法設計

本系統(tǒng)軟件技術中的一個關鍵問題就是關于獲取到的視頻圖像中運動目標的識別以及檢測問題，根據(jù)人類視覺系統(tǒng)的特點，目標跟蹤最基本的跟蹤方法是通過目標的顏色特征和運動邊緣特征來識別，然而由于環(huán)境光線問題，這些方法在實際跟蹤中，容易丟失跟蹤對象。由于在目標跟蹤領域里，考慮到環(huán)境變化因素，往往面臨著非線性動態(tài)系統(tǒng)問題，而粒子濾波算法對于解決非線性動態(tài)系統(tǒng)具有極大的優(yōu)勢。本項目程序采用的是基于多特征融合的粒子濾波目標跟蹤算法，特征上選擇顏色特征以及運動邊緣特征。

3.1 基本粒子濾波算法步驟

粒子濾波的基本原理[5-8]，就是在狀態(tài)空間尋找一組隨機分布的樣本粒子，通過蒙特卡羅方法處理貝葉斯估計中的積分運算通過這些樣本粒子的均值運算從而代替原本的積分運算，對系統(tǒng)的后驗概率密度函數(shù)分布進行近似估計，從而得到系統(tǒng)狀態(tài)的最小均方差估計。當粒子數(shù)量區(qū)域無窮時可以逼近服從任意概率分布的系統(tǒng)狀態(tài)。

基本粒子濾波包括樣本采樣和再采樣，結合貝葉斯濾波體系的時間更新和觀測更新兩步驟進行，具體算法步驟如下：

步驟1：讀取視頻，采集一幀進行目標初始化，初始化過程包括通過背景差分獲取目標輪廓及其中心點，采用顏色和運動特征建立狀態(tài)模型，加入高斯噪聲初始化狀態(tài)分布。

步驟2：計算顏色直方圖分布，計算各粒子對應的Bhattacharyya距離并根據(jù)計算出的Bhattacharyya系數(shù)計算各粒子的權重值。

步驟3：根據(jù)權重重采樣。

步驟4：根據(jù)權重，估計一個狀態(tài)量作為跟蹤輸出。

步驟5：更新模型，計算預測位置目標直方圖和Bhattacharyya系數(shù)，再次進行權重計算。計算最大權重值。

步驟6：根據(jù)目標與畫面中心偏移量控制攝像頭旋轉校準，通過最大權重值判斷目標是否丟失。循環(huán)步驟2到步驟6直到接受停止命令。

3.2 圖像特征的融合

本項目在做圖像跟蹤時，采用了圖像多特征融合機制，主要提取的圖像特征是顏色灰度特征以及運動狀態(tài)輪廓特征。本文運動狀態(tài)輪廓的獲取采用的是擴展邊緣跟蹤算法，通過展開邊緣起始結點，從起始像素沿著跟蹤邊界的移動方向，依據(jù)背景像素、區(qū)域像素、不確定像素進行方向跟蹤擴展邊界，直到得到一個封閉的擴展邊界。

得到的封閉的擴展邊界將作為運動目標的初始狀態(tài)輪廓，并提取該輪廓內(nèi)部的圖像像素顏色灰度分布，以該區(qū)域塊內(nèi)的灰度分布信息作為比對模板，進行不同時刻攝像頭獲取圖像的目標跟蹤比對模板。當目標形態(tài)超過允許的閾值范圍，有了大幅度的形態(tài)變化的時候，需要進行再一次的運動目標輪廓獲取，重新獲取灰度分布比對模板。

4 系統(tǒng)的應用開發(fā)與實現(xiàn)

本系統(tǒng)在系統(tǒng)框架的基礎上進行最后的開發(fā)與實現(xiàn)，系統(tǒng)實現(xiàn)主要分為兩個部分，機器人硬件控制模塊以及服務器端視頻獲取和處理模塊。主要工作原理為：機器人硬件攝像頭獲取拍攝到的環(huán)境視頻，并將視頻通過網(wǎng)絡傳輸?shù)椒掌鞫耍掌鞫烁鶕?jù)獲取到的視頻，確定跟蹤對象，并將跟蹤數(shù)據(jù)傳回到樹莓派控制中心，由樹莓派控制中向向機器人小車發(fā)送執(zhí)行信號，跟蹤識別到的信號。在跟蹤過程中主要通過攝像頭的轉向以及小車的轉向相結合的跟蹤模式，攝像頭負責鏡頭視角對角視角118度的跟蹤，小車會根據(jù)紅外線測定與運動目標的距離，跟蹤2m以內(nèi)的目標。

4.1 基于樹莓派的機器人控制的實現(xiàn)

機器人控制模塊基本圖1的系統(tǒng)總框架來實現(xiàn)，樹莓派控制器負責所有數(shù)據(jù)的中心處理，紅外模塊用于探測與跟蹤目標的距離設定，根據(jù)樹莓派處理得到的視頻數(shù)據(jù)信息，傳給C51單片機，并給小車的相應硬件模塊發(fā)指令，控制小車的前進后退以及轉向等。機器人小車控制模塊的實現(xiàn)如圖2所示。

圖2 機器人控制模塊實現(xiàn)

4.2 視頻數(shù)據(jù)處理和顯示的實現(xiàn)

本系統(tǒng)中，服務器端的視頻處理模塊是通過軟件編程實現(xiàn)，本系統(tǒng)采用Python語言，基于OpenCV對視頻數(shù)據(jù)進行處理，目標跟蹤采用基于顏色灰度以及邊緣特征多特征融合的粒子濾波算法，并通過樹莓派的無線數(shù)據(jù)連接傳輸將視頻傳輸?shù)斤@示設備上，方便用戶對跟蹤對象的實時監(jiān)控。圖3為視頻數(shù)據(jù)的顯示部分。

5 系統(tǒng)測試結果

本文對所實現(xiàn)的基于樹莓派與OpenCV的智能監(jiān)控跟蹤機器人系統(tǒng)進行了跟蹤測試，分別對物體跟蹤以及人像跟蹤進行了兩組測試，每組測試進行三次，每次跟蹤180s，三次測試的測試數(shù)據(jù)如表1所示。

圖3 視頻數(shù)據(jù)處理和顯示的實現(xiàn)

表1的測試數(shù)據(jù)項，跟蹤延遲是指系統(tǒng)攝像頭獲取目標并進行轉向與實際轉向直接的時間延遲；由于180s內(nèi)不能一次性地連續(xù)跟蹤，在失去目標時，系統(tǒng)會再次獲取目標繼續(xù)跟蹤，獲取目標次數(shù)代表180s內(nèi)有多少次獲取目標；表1中的最大速度代表移動物體的最大行走速度，當超過這個速度時，機器人小車將無法跟蹤到移動目標，也就是超出了機器人的最大跟蹤速度。

根據(jù)表1的測試數(shù)據(jù)可以看出：對人像跟蹤的最大速度可以達到平均3m/s，而人行走的一般速度在1.1-1.5m/s，可以達到人的快速走路以及小跑的跟蹤；系統(tǒng)平均有1-2s左右的延遲，延時比較低，效果較好！從整體數(shù)據(jù)指標可以看出，該系統(tǒng)對人像目標的跟蹤效果比對物體跟蹤的效果更好。

6 結語

本文設計并實現(xiàn)了一個基于樹莓派與OpenCV的智能監(jiān)控跟蹤機器人系統(tǒng)，將圖像目標輪廓及像素特征融合的改進粒子濾波目標跟蹤算法引入系統(tǒng)，并設計了系統(tǒng)軟硬件的整體架構，實現(xiàn)了系統(tǒng)各級模塊的搭建。最后系統(tǒng)分別對物體跟蹤及人像跟蹤進行了多次實驗測試，測試結果表明該系統(tǒng)能夠實現(xiàn)對物體和人像的智能跟蹤，對人像跟蹤的跟蹤效率更加高效，延遲更小。該系統(tǒng)接下來進一步需要解決的問題是：機器人跟蹤時的最短距離控制，減少由于目標運動速度太快造成的目標丟失的次數(shù)，可以考慮利用系統(tǒng)紅外線模塊進行距離反饋來實現(xiàn)。