基于DM6437的運動目標跟蹤系統研究

袁曉東+牛晰

摘 要： 為了克服智能視頻監控系統可視范圍有限，單純硬件改進增加系統成本的問題，提出一種運動目標跟蹤系統，運用混合高斯背景模型的方法實現運動目標的提取，采用卡爾曼濾波器和均值漂移算法相結合實現運動物體的跟蹤算法。使用TI公司達芬奇芯片中的DM6437對該算法進一步優化改進，并實現了運動目標跟蹤系統，通過對運動小車跟蹤測試可知，當小車和背景在RGB色彩空間中反差很大時，跟蹤的效果理想；反差很小時，跟蹤的失敗率會有所提高，整體跟蹤效果良好。

關鍵詞： 智能跟蹤； Kalman濾波器； 均值漂移算法； 達芬奇芯片

中圖分類號： TN911.73?34 文獻標識碼： A 文章編號： 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

視頻監控技術在金融系統、交通系統、公安系統、教育系統和醫療系統中均有較為廣泛的應用。通常由于普通攝像機可視范圍有限，對于大范圍的視頻監控通常使用多角度安裝攝像頭的方式實現，該方式不僅提高了系統的成本，增加了維護量，而且提高了操作的復雜度[1]，為此，本文研究了一種通過達芬奇實現運動目標跟蹤的智能跟蹤系統，并通過TI公司的達芬奇系列芯片中的DM6437控制單臺球機實現了目標跟蹤，經過驗證，跟蹤效果良好。

1 算法原理

常見的目標跟蹤算法包括基于顏色、基于視圖、基于區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動物體的信息，確定運動物體后，使用當前運動物體的特征建立模型，在跟蹤過程中，首先使用卡爾曼濾波器對前幀的結果進行預測，再用均值漂移法快速迭代得出實際位置，最后更新模型，開始下一輪跟蹤過程。本研究中對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

前景提取主要通過高斯模型對像素點的均值與方差進行考察，一旦偏差小于馬氏距離閾值[4]，如式（1）所示，即認為該像素與某個高斯模型匹配，將該像素納入到模型中去，并對模型的均值、方差和權值進行如式（2）所示的方式更新，其他模型僅更新權值即可。

[λ=x-μiTΣi-1x-μi] （1）

[ωk，t=1-αωk，t-1+αMk，t] （2）

考察中如果沒有高斯模型與該像素點匹配，將舍掉這[n]個模型中出現次數最低的一個，并建立新的高斯模型。按“權值/方差”的順序對[n]個高斯模型按降序進行排序并進行歸一化處理，計算前[n]項和。如果計算的和大于背景閾值，則認為前[i]個模型中的點是背景[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，初始化權重為0.001。高斯模型的檢測范圍為：[x]坐標80～240，[y]坐標90～150。超過此范圍則進入跟蹤階段。

1.2 建立運動模型

當確定運動物體后，將利用運動物體的色彩直方圖為物體建立模型，這樣，每個待檢測物體將轉化成一個[n]維向量。假設物體在位置[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；[k]是核函數。

核函數可理解為研究過程中的研究范圍，常用的有單位均勻核函數和單位高斯核函數，這里為了簡化運算過程，選取矩形區域作為核函數，并將物體模型的[R，][G]和B空間均設置為12個量化級。

1.3 運動預測

運動預測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的情況下，卡爾曼濾波器也能夠在不完全并包含噪聲的測量中完成動態系統狀態的估計。要估計物體運動的坐標位置，需要先建立模型，建立模型后就可以開始濾波器的操作，具體操作分為兩個部分，即預測和矯正，第1.4節中確定實際位置的步驟應放在預測與矯正之間。

預測過程如式（4），式（5）所示，矯正過程如式（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“-”表示先驗；上標“^”表示估計；[A]為狀態變換模型；[B]為輸入控制模型；[x]為真實狀態；[z]為測量值；[H]為觀察模型；[K]為卡爾曼增益；[P]為誤差相關矩陣；[Q]為過程噪聲協方差矩陣；[R]為觀測噪聲協方差矩陣。

本文中，[A，B，H，K，P，Q，R]均為預設值，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坐標值，初始化為高斯模型檢測到的運動物體重心坐標，[z]為經過運算得到的預測坐標值，以該坐標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 確定實際位置

由1.3節中的步驟得到的位于位置[y]的物體的模型可用式（9）表示，這樣搜索問題就轉化成一個最優化問題，即尋找最優的位置[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[ρy]來度量：

[ρy≡ρpy，q=u=1mpuyqu] （10）

對式（10）泰勒展開，可由式（10）的最優化問題推導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的過程如下：

（1） 初始化模型，并找到迭代開始向量，即預測到的物體位置坐標向量。

（2） 將該點設置成[y0，]通過迭代式（11）得到[y1。]

（3） 如果[y0]與[y1]重合，或兩點間的距離小于算法設定的閾值，則終止迭代過程，將[y1]作為搜索到的結果；否則，將[y1]作為[y0，]重復步驟（2）。本研究中，均值平移的距離閾值設為2像素。

2 算法實現

研究中通過TI公司的DM6437芯片搭建了一套智能跟蹤系統，系統結構如圖1所示。該系統包括：DM6437板卡，用于采集視頻并可360°旋轉的智能高速球機，用于顯示的終端監視器，用于測試的遙控玩具汽車。

軟件系統搭建采用TI提供的DVSDK中的視頻開發工具包，該工具包將采集到的視頻信號以UYVY格式保存在特定位置[7?8]，經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。

在此基礎上，研究中通過EDMA方式將式（11）的算法在L1D與L1P上實現，進一步增加算法的效率，經優化后，系統的運行效率可達11 f/s左右，能夠實現目標的實時追蹤。跟蹤運行效果如圖3所示。

3 實驗結果

研究中模型在彩色空間建立，所以通過不同顏色的遙控小車從不同方向進入到不同顏色的地面上并駛出測試區域的方式進行試驗，如果鏡頭可以跟蹤直至小車駛離該區域即認為成功，否則為失敗[9]。不同顏色的小車與不同顏色的地面進行組合，每種組合情況各測試10次，統計其跟蹤成功率。小車跟蹤的成功率統計結果如表1所示。

4 結 語

根據試驗結果的數據分析，小車和背景在RGB色彩空間中反差很大時，系統跟蹤準確；而當小車和背景在RGB色彩空間中的反差很小時，跟蹤的失敗率會有所提高[10]。出現這樣的結果主要是因為均值漂移算法中使用了RGB彩色模型，而均值漂移算法以搜索局部極小值為核心思想，所以當背景與運動物體差異小時，容易出現跟蹤失敗的狀況，并且，當亮度變低導致小車與背景在色彩空間中的差異很小時，跟蹤率也會急劇降低。

參考文獻

[1] 王江濤.滑模攤鋪機的動態監控[D].西安：長安大學，2013.

[2] 任阿龍.基于DSP的井下圖像采集系統研究[D].西安：西安石油大學，2011.

[3] 唐杰，孫堅，鐘紹俊，等.基于DM6437的接插件產品在線檢測系統的研究[J].儀表技術與傳感器，2013（3）：91?92.

[4] 羅浩，趙厚奎，尹迪.一種單站純方位目標跟蹤中的最小二乘遞推方法[J].艦船科學技術，2008，30（4）：130?133.

[5] 石章松，董銀文，肖文凱.一種岸上目標跟蹤算法[J].艦船科學技術，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.基于物聯網和視頻分析技術的監獄智能監控系統[J].電子器件，2014，37（6）：1183?1188.