基于ROS平臺的運動物體跟蹤識別系統的研究

賈余晉，蔡紅專，戴浩，邢世波

（西京學院理學院，陜西西安，710000）

0 引言

ROS（Robot Operating System） 是 Willow Garage公司開發的一個適用于機器人的開源的元操作系統。ROS是一種目前廣泛使用的機器人操作與控制系統軟件框架，該框架使用了當前最流行的面向服務（SOA）的軟件技術，通過網絡協議將節點間數據通信解耦，這樣就能輕松地集成不同語言功能的代碼。同時，簡單快捷的消息傳遞方式也能使系統進行有效的分布式控制。

本文以ROS作為開發環境，通過OpenCV庫對采集的圖像集進行處理，并使用Python語言進行編程，設計了一個運動物體跟蹤系統，具有能夠實時定位移動物體的功能。該系統具有良好的穩定性和抗干擾性，能夠快速準確的識別到選定物體并能夠實時判定選定物體的位置。

1 圖像采集和圖像處理

■1.1 圖像采集

本文圖像采集使用的是外接USB攝像頭，利用usb_cam功能包將攝像頭采集的圖像轉換為ROS圖像，通過話題進行發布，使其他各個節點能夠接收到圖像信息。當節點接收到圖像數據后，可以使用OpenCV的接口功能包Cv_Bridge。Cv_Bridge不僅可以實現圖像在OpenCV格式與ROS格式之間的轉換，還可以通過調用OpenCV庫對圖像進行各種處理。最后將處理后的數據發布話題，使其他節點接收到處理后的圖像數據。

圖1 Cv_Bridge和usb_cam功能包的作用

（1）安裝usb_cam功能包：

$sudo apt-get install ros-kinetic-usb-cam

（2）啟動攝像頭：

$roslaunch usb_cam usb_cam-test.launch

圖2 usb_cam運行計算圖

圖3 usb_cam運行效果圖

■1.2 圖像處理

在進行運動物體跟蹤時，首先要將采集到的彩色圖像進行灰度化處理，這是因為黑白照片數據量小，更容易提取圖像中的特征點，在算法實現時能減少運算量[1]。對RGB圖像進行灰度化，實際上就是對圖像RGB三個分量進行加權平均得到最終的灰度值，其公式為：

灰度化處理后，對跟蹤目標物體進行斑點特征提取。斑點通常是指與周圍有著顏色和灰度差別的區域，它比角點特征更加穩定，同時也具有更好的抗噪能力，更適用于運動物體跟蹤系統。斑點特征提取使用的是SURF算法，該算法使用了基于Hessian行列式(DoH)的近似Harr小波方法來提取斑點特征[2]。這種方法的主要目的是使二階微分模板的構建構建更加簡單，同時提高尺度空間上的檢測效率，從不同尺度上的積分圖像計算出近似Harr小波值可以滿足這種要求。通過上述方法對每個尺度上的每個像素點進行檢測，構建出的Hessian矩陣及其行列式的值分別為：

Dxx，Dxy和Dyy是盒子濾波器得到的近似卷積值。當c(x,y,σ) 的值超過了設置的門限值，則該像素點為關鍵點，反之則為不相關點[3]。得到關鍵點后，對其3×3×3范圍內的像素鄰域進行非極大值抑制，最后再對斑點特征進行插值運算，就可以得到特征點的精準定位了。

2 物體跟蹤系統

■2.1 物體跟蹤系統流程

本次物體跟蹤系統設計基于外接USB攝像頭實現，本次系統設計算法流程圖如圖4所示。

圖4 運動物體跟蹤系統流程

首先使用Cv_Bridge將USB攝像頭采集到的ROS圖像數據轉換成OpenCV的圖像格式，然后創建灰度圖像并提取圖像中的斑點特征。提取完特征點后，對前后兩幀圖像進行灰度值對比，估計出當前幀中跟蹤物體的特征點在下一幀圖像中的位置，過濾掉兩幀圖片中無變化的特征點，余下的點就是跟蹤物體在第二幀圖像中的特征點，特征點聚集的位置就是跟蹤物體的位置。最后檢測移動物體的區域，如果檢測到的區域小于設置值，則忽略；如果檢測到的區域在設置值內，則在畫面上框出識別到的物體，并在畫面上標出當前狀態和時間戳信息[4]。

■2.2 CamShift算法

框選移動物體使用的是CamShift算法，可以在跟蹤的過程中隨著目標的變化實時調整搜索窗口大小。對于圖像序列中的每一幀還是采用MeanShift來尋找最優迭代結果，并通過對算法中零階矩的判斷實現自動調整窗口大小。在算法中尋找搜索窗口的質心用到窗口的零階矩M00和一階矩M10，M01：

零階矩是搜索窗口內所有像素的積分，即所有像素值之和，物理上的意義是計算搜索窗口的尺寸。經過目標的H分量直方圖反向投影后，目標區域的搜索窗口大部分像素值歸一化后應該是最大值255，如果計算出來零階矩大于某一閾值，可以認為此時目標鋪滿了整個搜索窗口[5]。有理由認為在搜索窗口之外的區域還存在目標區域，需要增大搜索窗口的尺寸；反之，當零矩陣比某一閾值小的時候，搜索窗口的尺寸將會變小。這樣的話，無論目標在鏡頭中的大小如何變化，CamShift算法都可以自適應的調整目標區域進行跟蹤。

■2.3 物體跟蹤系統

在ROS環境下建立robot_vision功能包，在功能包script文件中建立motiong_detector.py文件，再在laun ch文件夾中建立motion_detector.launch文件。最后在三個不同終端中運行以下指令：

$roslaunch robot_vision usb_cam.launch

$roslaunch robot_vision motion_detector.launch

$rqt_image_view

即可運行物體跟蹤系統，在畫面中移動識別物體，即可看到矩形框標識出了運動物體的實時位置，效果如圖5所示。

圖5 物體跟蹤的運行效果

3 結語

隨著社會的發展，機器視覺已經融入到了生活的各個角落中，人們的生活更加便利、身處的環境也更加智能。同時，機器視覺的發展為其他行業提供了諸多可能性，比如在當下十分流行的自動駕駛研究領域中，可以通過運動物體跟蹤識別來識別公路上的地線，讓自動駕駛汽車接收到更豐富、更有價值的傳感器信息；在工業生產中，運動物體跟蹤識別也能讓工業機械臂更加精準的定位產品位置，使其工作更加穩定高效。運動物體跟蹤識別作為機器視覺的其中一環，它的成熟發展也為更復雜的機器視覺應用研究提供了思路。