基于LabVIEW的物體目標跟蹤系統(tǒng)設(shè)計

牛杰

(常州信息職業(yè)技術(shù)學院電子與電氣工程學院江蘇常州213164)

基于LabVIEW的物體目標跟蹤系統(tǒng)設(shè)計

牛杰

(常州信息職業(yè)技術(shù)學院電子與電氣工程學院江蘇常州213164)

提出一種基于演化算法的模式匹配目標跟蹤方法。傳統(tǒng)的模式匹配算法大多采用遍歷式搜索策略，因而計算量的降低有限。將演化算法引入匹配技術(shù)中，提出一種改進型圖像匹配算法，并給出了基于LabVIEW軟件的系統(tǒng)實現(xiàn)。實驗結(jié)果表明該方法具有運算速度快、準確度高等特點。

LabVIEW;演化算法;物體跟蹤

0 引言

視覺檢測是計算機學科的一個重要分支，它綜合了光學、機械、電子、計算機軟硬件等方面的技術(shù)，涉及到計算機、圖像處理、模式識別、人工智能、信號處理、光機電一體化等多個領(lǐng)域。自起步發(fā)展至今，已經(jīng)有20多年的歷史，其功能以及應用范圍隨著工業(yè)自動化的發(fā)展逐漸完善和推廣。該技術(shù)一般是用模式匹配的方法，利用視覺手段獲取被測物體圖像與預先已知標準進行比較，從而確定物體狀況。

由于實時獲取的圖像和預存圖像通常是在不同的時間下獲得的，并且在成像過程中存在噪聲和幾何畸變，致使由此獲取的圖像特征必然存在差異，因此，這就要求圖像匹配算法具有智能適應這種復雜多變應用環(huán)境的能力，并具有一定的容錯和抗干擾能力。此外，在保證最優(yōu)匹配精度的前提下，大幅度降低圖像匹配的計算量是人們關(guān)注的研究課題。圖像匹配的計算量取決于它尋找最佳匹配位置時采用的搜索策略。傳統(tǒng)的方法大多采用遍歷式搜索策略，因而計算量的降低有限。

演化算法是模擬自然界的進化過程，為了解決復雜問題而提出一類智能算法，演化算法將生物進化的原理與最優(yōu)化的技術(shù)和計算機技術(shù)結(jié)合起來，創(chuàng)造了一種全新的優(yōu)化設(shè)計方法，它具有自組織、自診斷、自修復等特點，同時還具有良好的并行性、全局優(yōu)化性與穩(wěn)健性等特點。因此演化算法具有非常廣泛的應用前景與重要的研究價值。本文中將演化算法引入匹配技術(shù)中，提出了一種基于改進型演化算法的圖像相關(guān)匹配方法。實驗表明該方法具有運算速度快、正確匹配率高等特點。

1 模板匹配法相關(guān)概念

系統(tǒng)結(jié)構(gòu)模板匹配方法就是計算一個固定的目標模式和一個未知圖像塊的相異程度，用一個閥值決定輸出。模板匹配可以用來確認一幅圖中是否存在某種已知模板圖像。傳統(tǒng)匹配算法一般采取直接利用原始圖像像素值進行匹配。該方法可充分利用圖像的所有信息來區(qū)分不同對象，但處理的信息量很大，計算復雜度高。這類算法的特點是對圖像之間的微小差別非常敏感。一個細微的變化就會對匹配算法的計算結(jié)果產(chǎn)生很大的影響，有可能導致匹配失敗。所以這種算法抗噪聲、抗干擾能力較差，適用于兩幅圖像具有相同外界條件的情況下作精細的匹配。

隨著圖像匹配技術(shù)的發(fā)展和完善，現(xiàn)代的匹配技術(shù)已經(jīng)能夠比較智能地完成匹配和定位功能，因而圖像匹配技術(shù)在各個領(lǐng)域的應用范圍越來越廣泛。尤其是在一些無人干預的情況下自動完成任務(wù)的環(huán)境中，圖像匹配作為定位和識別的核心作用顯得更為重要。

2 基于演化的相關(guān)圖像匹配算法

相關(guān)圖像匹配算法是目前圖像匹配中應用最廣泛的一種方法。它具有很強的噪聲抑制能力，且計算簡單，易于編程和硬件化。在預先給定目標模板的情況下，相關(guān)匹配算法是十分實用的。該方法利用模板，在被搜索圖像中尋找目標。設(shè)模板T的尺寸為K×L，搜索圖像尺寸為M×N，將T疊放在搜索圖像上平移，模板覆蓋下的那塊搜索子圖記為S(i，j)，(i，j)為這塊子圖的左上角像點在搜索圖中的坐標。因此，有1≤i≤M－K+1，1≤j≤N－L+1，比較T和S(i，j)，尋找與T一致的S(i，j)。若兩者一致，表示匹配。

演化算法是由適應度函數(shù)指導優(yōu)化過程的隨機化搜索算法，將其引入相關(guān)定位過程，使相關(guān)匹配由逐點移動模板進行相關(guān)運算變?yōu)殡S機取點進行相關(guān)運算，并通過演化算法的演化功能由適當?shù)倪m應度函數(shù)指導其搜索過程向最優(yōu)點進化，這樣可以大大減少運算量。

2.1 編碼及適應度函數(shù)選擇

個體的編碼圖像相關(guān)匹配是求出目標所在的位置坐標(i，j)，而位置坐標都是自然數(shù)，因此擬選擇自然數(shù)編碼。

適應度是衡量個體適應自然的能力，以及區(qū)分群體中個體優(yōu)差的唯一標準。改變?nèi)后w中個體的結(jié)構(gòu)是通過改變它的適應度來實現(xiàn)的，因此選擇好的適應度函數(shù)至關(guān)重要。本算法使用了和文獻［3］相同的適應度函數(shù):

其中T(u，v)為模板圖像所表示的灰度矩陣，個體在原圖對應位置處的灰度矩陣為S(u+i，v+j)。停機條件是算法實際演化的代數(shù)超過預定的演化代數(shù)Maxgenerations時或者已經(jīng)找到了最優(yōu)解即abs (fitness-1.0)<0.000 001，則停機。

2.2 算法步驟及框架

演化算法求解圖像匹配問題主要包括以下幾步:

①個體的編碼，以及初始化種群;

②計算每個個體的適應值;

③判斷個體的適應值是否滿足停機條件;

④不滿足停機條件就執(zhí)行遺傳算子，選擇部分個體執(zhí)行雜交操作與變異操作;

⑤執(zhí)行雜交與變異操作得到新的個體，再判斷新個體是否滿足停機條件，如果滿足就停機，否則轉(zhuǎn)到第4步;

⑥結(jié)束，確定匹配點。

基于演化的相關(guān)匹配算法的框架如圖1所示。

3 改進型演化算法

演化算法能夠很好地檢測和跟蹤目標，但是在匹配圖像時，根據(jù)模板以及基準圖的大小，種群的規(guī)模基本確定。在模板對比過程中，依然需要消耗一定的時間。本文采用演化算法進行目標匹配，并對該算法進行改進以提高運算速度。具體步驟如下:

1)利用幀差法確定序列圖像中是否存在目標，不存在目標的圖像無需進行檢測。

圖1 圖像匹配算法框架

2)初始搜索點的選擇。在序列圖像的連續(xù)幀中目標的運動方向基本是一致的，根據(jù)目標在前幾幀圖像中的位置和運動方向預測它在下一幀圖像會可能出現(xiàn)的位置，改變初始搜索點進行模板匹配，減少在非匹配點作無用功。

3)多分辨率圖像匹配。采用較低的分辨率來降低原始圖像的尺寸，可以使用不同的因子對原圖像進行二次采樣，將原圖像表示為多種分辨率的格式。若對原圖像二次采樣使用的因子是2，因為圖像的行列都被減少一半，整個圖像尺寸因而減小為原來的1/4。在對目標進行跟蹤時，在較低的分辨率(信息量較小)上進行匹配，當不滿足檢測條件時，才返回到分辨率較高的圖像中繼續(xù)跟蹤。

4 系統(tǒng)實現(xiàn)及結(jié)果分析

4.1 圖像抓取與采集

系統(tǒng)采用NI公司的LabVIEW軟件進行實驗開發(fā)。圖像抓取采集在NI集成了USB攝像頭驅(qū)動后變得比較容易。圖2給出了采集圖像的程序框圖。首先利用IMAQdx Open Camera VI打開攝像頭，然后利用IMAQdx Open Camera VI配置攝像頭數(shù)據(jù)，在Snap VI中完成圖像采集，最后釋放攝像頭資源。

4.2 模板確定與模板匹配

在圖像采集完成后，利用鼠標動態(tài)標定待測模板后實現(xiàn)模板的算法學習。然后調(diào)用模板及圖像送入新型演化算法開始動態(tài)跟蹤識別。匹配信息生成后，系統(tǒng)調(diào)用IMAQ Match Geometric Pattern 2模塊，在該模塊調(diào)用后將識別出的物體高亮顯示。圖3是模式匹配與運動識別的部分程序。圖4～圖6是模式匹配識別實驗結(jié)果。

圖3 模式匹配識別部分程序框圖

圖4 基準圖

圖5 模板圖

圖6 最終匹配結(jié)果

4.3 結(jié)果分析

實驗均為在Intel雙核2.10GHz PC機上對攝像頭拍攝的320×240圖像分辨率圖像檢測所得。實驗時模擬仿真上述匹配算法的同時，與演化算法和相關(guān)圖像匹配算法的運行結(jié)果進行了對比，比較結(jié)果如表1所示。從表1可知，本文匹配算法的平均運行時間比傳統(tǒng)演化匹配算法提高了42.5%，匹配精確率也達到了令人滿意的水平。本文匹配算法的平均運行時間比相關(guān)圖像匹配算法提高了90.4%，匹配精確性高了8個百分點。這些數(shù)據(jù)說明了本文算法在綜合快速性和全局收斂性兩方面均表現(xiàn)出了以上兩種傳統(tǒng)匹配算法無法比擬的優(yōu)勢。

表1 匹配結(jié)果比較

5 結(jié)束語

本文提出了用演化算法來實現(xiàn)快速圖像相關(guān)匹配，并對演化算法實現(xiàn)部分進行了部分改進，實驗證明本文提出改進的演化算法要優(yōu)于LabVIEW工具包算法以及傳統(tǒng)的演化算法，具有一定的推廣價值，可用于實時性要求較高的圖像模板匹配。

［1］Siebel N T.Design and Implementation of People Tracking Algorithms for Visual Surveillance Applications［D］. PhD thesis，The University of Reading，Reading，UK，2003.

［2］Shao，X，Zhao H，Nakamura K，Katabira K，et al.Detection and Tracking of Multiple Pedestrians by Using Laser Range Scanners［C］.Proc//Proc of IEEE International Conference on Intelligent Robots and Systems.San Diego，CA，USA，2007:2174-2179.

［3］楊俊，張玲霞，陳明.基于視覺檢測的城市智能交通管理系統(tǒng)應用研究［J］.測控技術(shù)，2003(2).

［4］Srinivasan P，Shi J B.Bottom-up recognition and parsing of the human body［C］.IEEE Computer Society Conference on Computer Vision and Pattern Recognition.Minneapolis，USA，2007:1-8.

［5］Ren X，Berg AC，Malik J.Recovering human body configurations using pairwise constraints between parts［C］. IEEE International Conference on Computer Vision.Beijing，China，2005:824-831.

［6］朱紅，趙亦，褚靜.基于遺傳算法的快速圖像相關(guān)匹配［J］.紅外與毫米波學報，1999，18(2).

［7］鄢靖豐，張火林，杜彩月.基于改進演化算法的快速圖像相關(guān)匹配［J］.許昌學院學報，2008，27(5).

［8］湯中澤，張春燕，申傳家，等.幀差法和Mean-shift相結(jié)合的運動目標自動檢測與跟蹤［J］.科學技術(shù)與工程，2010(24).

Design of for Moving Objects Tracking System Based on LabVIEW

NIU Jie
(School of Electrical and Electronic Engineering，Changzhou College of Information Technology，Changzhou 213164，China)

The paper proposes a moving objects tracking method based on the evolutionary algorithm.The traditional method usually adopts the ergodic dyadic search strategy and the lessening calculating quantity＇s is limited.This paper introduces the evolutionary algorithm into the match technology，and describes a system with LabVIEW software measurement and control.The experimental results indicate that the method has the characteristics of high speed calculation，high degree of accuracy.

LabVIEW;evolutionary algorithm;moving objects tracking

TP 391.41

A

1672-2434(2011)02-0010-04

2010-12-21

牛杰(1983-)，男，講師，從事研究方向:測量控制、圖像處理