基于DM6437的运动目标跟踪系统研究
袁晓东+牛晰
摘 要： 为了克服智能视频监控系统可视范围有限，单纯硬件改进增加系统成本的问题，提出一种运动目标跟踪系统，运用混合高斯背景模型的方法实现运动目标的提取，采用卡尔曼滤波器和均值漂移算法相结合实现运动物体的跟踪算法。使用TI公司达芬奇芯片中的DM6437对该算法进一步优化改进，并实现了运动目标跟踪系统，通过对运动小车跟踪测试可知，当小车和背景在RGB色彩空间中反差很大时，跟踪的效果理想；反差很小时，跟踪的失败率会有所提高，整体跟踪效果良好。
关键词： 智能跟踪； Kalman滤波器； 均值漂移算法； 达芬奇芯片
中图分类号： TN911.73?34 文献标识码： A 文章编号： 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
视频监控技术在金融系统、交通系统、公安系统、教育系统和医疗系统中均有较为广泛的应用。通常由于普通攝像机可视范围有限，对于大范围的视频监控通常使用多角度安装摄像头的方式实现，该方式不仅提高了系统的成本，增加了维护量，而且提高了操作的复杂度[1]，为此，本文研究了一种通过达芬奇实现运动目标跟踪的智能跟踪系统，并通过TI公司的达芬奇系列芯片中的DM6437控制单台球机实现了目标跟踪，经过验证，跟踪效果良好。
1 算法原理
常见的目标跟踪算法包括基于颜色、基于视图、基于区域和基于形状等几种[2?3]。本研究中首先采用混合高斯背景模型的方法提取运动物体的信息，确定运动物体后，使用当前运动物体的特征建立模型，在跟踪过程中，首先使用卡尔曼滤波器对前帧的结果进行预测，再用均值漂移法快速迭代得出实际位置，最后更新模型，开始下一轮跟踪过程。本研究中对视频先做下采样处理，每帧采样图像大小为320×240。
1.1 前景提取
前景提取主要通过高斯模型对像素点的均值与方差进行考察，一旦偏差小于马氏距离阈值[4]，如式（1）所示，即认为该像素与某个高斯模型匹配，将该像素纳入到模型中去，并对模型的均值、方差和权值进行如式（2）所示的方式更新，其他模型仅更新权值即可。
[λ=x-μiTΣi-1x-μi] （1）
[ωk，t=1-αωk，t-1+αMk，t] （2）
考察中如果没有高斯模型与该像素点匹配，将舍掉这[n]个模型中出现次数最低的一个，并建立新的高斯模型。按“权值/方差”的顺序对[n]个高斯模型按降序进行排序并进行归一化处理，计算前[n]项和。如果计算的和大于背景阈值，则认为前[i]个模型中的点是背景[5]。本文中更新率取0.001，马氏距离阈值取6.25，背景阈值取0.5，初始化权重为0.001。高斯模型的检测范围为：[x]坐标80～240，[y]坐标90～150。超过此范围则进入跟踪阶段。
1.2 建立运动模型
当确定运动物体后，将利用运动物体的色彩直方图为物体建立模型，这样，每个待检测物体将转化成一个[n]维向量。假设物体在位置[x0，]那么物体的模型将可用式（3）表示[6]：
[qu=Ci=1nkxSi-x0h2δbxSi-u] （3）
式中：[C]是归一化参数；[k]是核函数。
核函数可理解为研究过程中的研究范围，常用的有单位均匀核函数和单位高斯核函数，这里为了简化运算过程，选取矩形区域作为核函数，并将物体模型的[R，][G]和B空间均设置为12个量化级。
1.3 运动预测
运动预测采用卡尔曼滤波器完成，卡尔曼滤波器是一种高效率的递归滤波器，在确定模型确切性质的情况下，卡尔曼滤波器也能够在不完全并包含噪声的测量中完成动态系统状态的估计。要估计物体运动的坐标位置，需要先建立模型，建立模型后就可以开始滤波器的操作，具体操作分为两个部分，即预测和矫正，第1.4节中确定实际位置的步骤应放在预测与矫正之间。
预测过程如式（4），式（5）所示，矫正过程如式（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：右上角标“-”表示先验；上标“^”表示估计；[A]为状态变换模型；[B]为输入控制模型；[x]为真实状态；[z]为测量值；[H]为观察模型；[K]为卡尔曼增益；[P]为误差相关矩阵；[Q]为过程噪声协方差矩阵；[R]为观测噪声协方差矩阵。
本文中，[A，B，H，K，P，Q，R]均为预设值，分别初始化为[0]矩阵和单位矩阵。[x]表示上一次均值漂移算法确定的真实坐标值，初始化为高斯模型检测到的运动物体重心坐标，[z]为经过运算得到的预测坐标值，以该坐标为中心确定的邻域就是下一次均值漂移算法的迭代范围。
1.4 确定实际位置
由1.3节中的步骤得到的位于位置[y]的物体的模型可用式（9）表示，这样搜索问题就转化成一个最优化问题，即寻找最优的位置[y。]
[puy=Chi=1nhkxSi-yh2δbxSi-u] （9）
式（3）的[q]和式（9）的[p]的相似性可用Bhattacharrya系数[ρy]来度量：
[ρy≡ρpy，q=u=1mpuyqu] （10）
对式（10）泰勒展开，可由式（10）的最优化问题推导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，并找到迭代开始向量，即预测到的物体位置坐标向量。
（2） 将该点设置成[y0，]通过迭代式（11）得到[y1。]
（3） 如果[y0]与[y1]重合，或两点间的距离小于算法设定的阈值，则终止迭代过程，将[y1]作为搜索到的结果；否则，将[y1]作为[y0，]重复步骤（2）。本研究中，均值平移的距离阈值设为2像素。
2 算法实现
研究中通过TI公司的DM6437芯片搭建了一套智能跟踪系统，系统结构如图1所示。该系统包括：DM6437板卡，用于采集视频并可360°旋转的智能高速球机，用于显示的终端监视器，用于测试的遥控玩具汽车。
软件系统搭建采用TI提供的DVSDK中的视频开发工具包，该工具包将采集到的视频信号以UYVY格式保存在特定位置[7?8]，经核心算法处理后保存到特定位置，工具包将该帧回显。DSP程序的核心算法流程图如图2所示。
在此基础上，研究中通过EDMA方式将式（11）的算法在L1D与L1P上实现，进一步增加算法的效率，经优化后，系统的运行效率可达11 f/s左右，能够实现目标的实时追踪。跟踪运行效果如图3所示。
3 实验结果
研究中模型在彩色空间建立，所以通过不同颜色的遥控小车从不同方向进入到不同颜色的地面上并驶出测试区域的方式进行试验，如果镜头可以跟踪直至小车驶离该区域即认为成功，否则为失败[9]。不同颜色的小车与不同颜色的地面进行组合，每种组合情况各测试10次，统计其跟踪成功率。小车跟踪的成功率统计结果如表1所示。
4 结 语
根据试验结果的数据分析，小车和背景在RGB色彩空间中反差很大时，系统跟踪准确；而当小车和背景在RGB色彩空间中的反差很小时，跟踪的失败率会有所提高[10]。出现这样的结果主要是因为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极小值为核心思想，所以当背景与运动物体差异小时，容易出现跟踪失败的状况，并且，当亮度变低导致小车与背景在色彩空间中的差异很小时，跟踪率也会急剧降低。
参考文献
[1] 王江涛.滑模摊铺机的动态监控[D].西安：长安大学，2013.
[2] 任阿龙.基于DSP的井下图像采集系统研究[D].西安：西安石油大学，2011.
[3] 唐杰，孙坚，钟绍俊，等.基于DM6437的接插件产品在线检测系统的研究[J].仪表技术与传感器，2013（3）：91?92.
[4] 罗浩，赵厚奎，尹迪.一种单站纯方位目标跟踪中的最小二乘递推方法[J].舰船科学技术，2008，30（4）：130?133.
[5] 石章松，董银文，肖文凯.一种岸上目标跟踪算法[J].舰船科学技术，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，蒋银忠.基于物联网和视频分析技术的监狱智能监控系统[J].电子器件，2014，37（6）：1183?1188.
摘 要： 为了克服智能视频监控系统可视范围有限，单纯硬件改进增加系统成本的问题，提出一种运动目标跟踪系统，运用混合高斯背景模型的方法实现运动目标的提取，采用卡尔曼滤波器和均值漂移算法相结合实现运动物体的跟踪算法。使用TI公司达芬奇芯片中的DM6437对该算法进一步优化改进，并实现了运动目标跟踪系统，通过对运动小车跟踪测试可知，当小车和背景在RGB色彩空间中反差很大时，跟踪的效果理想；反差很小时，跟踪的失败率会有所提高，整体跟踪效果良好。
关键词： 智能跟踪； Kalman滤波器； 均值漂移算法； 达芬奇芯片
中图分类号： TN911.73?34 文献标识码： A 文章编号： 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
视频监控技术在金融系统、交通系统、公安系统、教育系统和医疗系统中均有较为广泛的应用。通常由于普通攝像机可视范围有限，对于大范围的视频监控通常使用多角度安装摄像头的方式实现，该方式不仅提高了系统的成本，增加了维护量，而且提高了操作的复杂度[1]，为此，本文研究了一种通过达芬奇实现运动目标跟踪的智能跟踪系统，并通过TI公司的达芬奇系列芯片中的DM6437控制单台球机实现了目标跟踪，经过验证，跟踪效果良好。
1 算法原理
常见的目标跟踪算法包括基于颜色、基于视图、基于区域和基于形状等几种[2?3]。本研究中首先采用混合高斯背景模型的方法提取运动物体的信息，确定运动物体后，使用当前运动物体的特征建立模型，在跟踪过程中，首先使用卡尔曼滤波器对前帧的结果进行预测，再用均值漂移法快速迭代得出实际位置，最后更新模型，开始下一轮跟踪过程。本研究中对视频先做下采样处理，每帧采样图像大小为320×240。
1.1 前景提取
前景提取主要通过高斯模型对像素点的均值与方差进行考察，一旦偏差小于马氏距离阈值[4]，如式（1）所示，即认为该像素与某个高斯模型匹配，将该像素纳入到模型中去，并对模型的均值、方差和权值进行如式（2）所示的方式更新，其他模型仅更新权值即可。
[λ=x-μiTΣi-1x-μi] （1）
[ωk，t=1-αωk，t-1+αMk，t] （2）
考察中如果没有高斯模型与该像素点匹配，将舍掉这[n]个模型中出现次数最低的一个，并建立新的高斯模型。按“权值/方差”的顺序对[n]个高斯模型按降序进行排序并进行归一化处理，计算前[n]项和。如果计算的和大于背景阈值，则认为前[i]个模型中的点是背景[5]。本文中更新率取0.001，马氏距离阈值取6.25，背景阈值取0.5，初始化权重为0.001。高斯模型的检测范围为：[x]坐标80～240，[y]坐标90～150。超过此范围则进入跟踪阶段。
1.2 建立运动模型
当确定运动物体后，将利用运动物体的色彩直方图为物体建立模型，这样，每个待检测物体将转化成一个[n]维向量。假设物体在位置[x0，]那么物体的模型将可用式（3）表示[6]：
[qu=Ci=1nkxSi-x0h2δbxSi-u] （3）
式中：[C]是归一化参数；[k]是核函数。
核函数可理解为研究过程中的研究范围，常用的有单位均匀核函数和单位高斯核函数，这里为了简化运算过程，选取矩形区域作为核函数，并将物体模型的[R，][G]和B空间均设置为12个量化级。
1.3 运动预测
运动预测采用卡尔曼滤波器完成，卡尔曼滤波器是一种高效率的递归滤波器，在确定模型确切性质的情况下，卡尔曼滤波器也能够在不完全并包含噪声的测量中完成动态系统状态的估计。要估计物体运动的坐标位置，需要先建立模型，建立模型后就可以开始滤波器的操作，具体操作分为两个部分，即预测和矫正，第1.4节中确定实际位置的步骤应放在预测与矫正之间。
预测过程如式（4），式（5）所示，矫正过程如式（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：右上角标“-”表示先验；上标“^”表示估计；[A]为状态变换模型；[B]为输入控制模型；[x]为真实状态；[z]为测量值；[H]为观察模型；[K]为卡尔曼增益；[P]为误差相关矩阵；[Q]为过程噪声协方差矩阵；[R]为观测噪声协方差矩阵。
本文中，[A，B，H，K，P，Q，R]均为预设值，分别初始化为[0]矩阵和单位矩阵。[x]表示上一次均值漂移算法确定的真实坐标值，初始化为高斯模型检测到的运动物体重心坐标，[z]为经过运算得到的预测坐标值，以该坐标为中心确定的邻域就是下一次均值漂移算法的迭代范围。
1.4 确定实际位置
由1.3节中的步骤得到的位于位置[y]的物体的模型可用式（9）表示，这样搜索问题就转化成一个最优化问题，即寻找最优的位置[y。]
[puy=Chi=1nhkxSi-yh2δbxSi-u] （9）
式（3）的[q]和式（9）的[p]的相似性可用Bhattacharrya系数[ρy]来度量：
[ρy≡ρpy，q=u=1mpuyqu] （10）
对式（10）泰勒展开，可由式（10）的最优化问题推导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，并找到迭代开始向量，即预测到的物体位置坐标向量。
（2） 将该点设置成[y0，]通过迭代式（11）得到[y1。]
（3） 如果[y0]与[y1]重合，或两点间的距离小于算法设定的阈值，则终止迭代过程，将[y1]作为搜索到的结果；否则，将[y1]作为[y0，]重复步骤（2）。本研究中，均值平移的距离阈值设为2像素。
2 算法实现
研究中通过TI公司的DM6437芯片搭建了一套智能跟踪系统，系统结构如图1所示。该系统包括：DM6437板卡，用于采集视频并可360°旋转的智能高速球机，用于显示的终端监视器，用于测试的遥控玩具汽车。
软件系统搭建采用TI提供的DVSDK中的视频开发工具包，该工具包将采集到的视频信号以UYVY格式保存在特定位置[7?8]，经核心算法处理后保存到特定位置，工具包将该帧回显。DSP程序的核心算法流程图如图2所示。
在此基础上，研究中通过EDMA方式将式（11）的算法在L1D与L1P上实现，进一步增加算法的效率，经优化后，系统的运行效率可达11 f/s左右，能够实现目标的实时追踪。跟踪运行效果如图3所示。
3 实验结果
研究中模型在彩色空间建立，所以通过不同颜色的遥控小车从不同方向进入到不同颜色的地面上并驶出测试区域的方式进行试验，如果镜头可以跟踪直至小车驶离该区域即认为成功，否则为失败[9]。不同颜色的小车与不同颜色的地面进行组合，每种组合情况各测试10次，统计其跟踪成功率。小车跟踪的成功率统计结果如表1所示。
4 结 语
根据试验结果的数据分析，小车和背景在RGB色彩空间中反差很大时，系统跟踪准确；而当小车和背景在RGB色彩空间中的反差很小时，跟踪的失败率会有所提高[10]。出现这样的结果主要是因为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极小值为核心思想，所以当背景与运动物体差异小时，容易出现跟踪失败的状况，并且，当亮度变低导致小车与背景在色彩空间中的差异很小时，跟踪率也会急剧降低。
参考文献
[1] 王江涛.滑模摊铺机的动态监控[D].西安：长安大学，2013.
[2] 任阿龙.基于DSP的井下图像采集系统研究[D].西安：西安石油大学，2011.
[3] 唐杰，孙坚，钟绍俊，等.基于DM6437的接插件产品在线检测系统的研究[J].仪表技术与传感器，2013（3）：91?92.
[4] 罗浩，赵厚奎，尹迪.一种单站纯方位目标跟踪中的最小二乘递推方法[J].舰船科学技术，2008，30（4）：130?133.
[5] 石章松，董银文，肖文凯.一种岸上目标跟踪算法[J].舰船科学技术，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，蒋银忠.基于物联网和视频分析技术的监狱智能监控系统[J].电子器件，2014，37（6）：1183?1188.
