一種基于嵌入式處理器的低復雜度動態目標檢測與跟蹤方法
【技術領域】
[0001] 本發明涉及動態目標檢測與跟蹤領域，特別涉及使用運算能力有限的嵌入式處理 器來進行視頻動態目標跟蹤的方法。
【背景技術】
[0002] 隨著計算機視覺在嵌入式領域研究的不斷深入，視頻處理在最近十幾年中取得了 巨大的成果，作為其重要的分支之一，視頻跟蹤在智能視頻監控、基于視頻的人機交互、醫 學圖像等領域有著廣泛的應用前景。近年來，嵌入式圖像處理器以其高效，低能耗的特點引 起人們的關注。因此，在嵌入式圖像處理器上實現視頻處理算法具有極高的應用價值。與此 同時，多個嵌入式圖像處理裝置組成的監控網絡，通過信息交互可以極大地提高跟蹤效率， 并且降低監控成本，為推廣智能監控打下了良好的基礎，從而滿足低碳環保的要求。
[0003] 近年來，通信技術、嵌入式技術和傳感器技術的快速發展讓具有感知能力、計算能 力和通信能力的微型傳感器開始進入人們的視野。這些傳感器組成網絡后能夠協調地感 知、采集和處理網絡覆蓋區域內的各種環境或監測對象信息，并發布給需要的用戶。傳感器 網絡將數字信息與現實世界融合在一起，深刻地改變了人與自然的交互方式。同時，這種傳 感器在軍事、工農業控制、生物醫療、環境監測等諸多領域有著廣泛的應用。相比單一的溫 度，濕度等傳感器，多種傳感器構成的傳感器網絡可以接收，分析更豐富的信息，也更加能 反映區域內的實際情況。所以基于視頻傳感器網絡的技術在未來將是一個很好的研究方 向，發展前景十分廣闊。
[0004] 使用視頻傳感器進行目標跟蹤是一個重要的方向，從2003年起，國內外研究機構 和相關組織陸續開始對視頻傳感器在內的多媒體傳感器展開研究。如美國加利福尼亞大 學、波特蘭州立大學、卡耐基?梅隆大學等著名學府均開始成立視頻傳感器網絡研究小組并 啟動了與之相關的科研計劃。與此同時，我國學者也對視頻傳感器網絡方面的研究給予了 高度重視，北京郵電大學智能通信軟件與多媒體北京市重點實驗室、哈爾濱工業大學、中國 科學院計算技術研究所也對該領域開始進行探索。
[0005] 近年來，隨著嵌入式處理器的處理能力的不斷提高，讓使用更復雜信息作為源頭 的視頻傳感器成為可能。視頻傳感器相比傳統傳感器，其信息量大，可以監控的范圍更加寬 廣，能對過去不能監測的多種目標進行檢測、跟蹤。同時，可以方便部署也是視頻傳感器的 一大優點。部署靈活，監控范圍廣，信息量大是其主要優點。
[0006] 然而，由于節點的計算能力有限，加之節點的能量供應極度匱乏，同時大量的信息 無法直接通過網絡進行傳輸，需要節點進行一定程度的計算后方可發送。這限制了視頻傳 感器的發展。
[0007] 視頻跟蹤技術當中根據跟蹤方式的不同，大致可以分為以下四類：
[0008] 第一類是基于區域的跟蹤。該類算法需要先確定包含待跟蹤目標的模板，模板通 常為長方形或者不規則形狀；然后運用相關準則跟蹤目標，最常用的相關準則是SSD。它可 以結合Kalman濾波預測等算法來估計目標在每幀視頻中的位置。它的優點是未發生目標 遮擋時，跟蹤效果佳。缺點主要是耗時大；其次算法要求目標變形不大，而且不能出現嚴重 遮擋。
[0009] 第二類是基于特征的跟蹤。這類算法主要利用直線、曲線、角點等特征來進行相關 算法，它相關的對象是目標的一個或者幾個局部特征。該類算法一般采用Canny算子獲得 目標的邊緣特征或者采用SUSAN算子獲得目標的角點信息。該類算法的優點在于對目標發 生遮擋比較遲鈍，只要還包含有局部特征，就可以成功跟蹤。算法的難點在于怎樣解決目標 跟蹤過程中的運動初始化問題。
[0010] 第三類是基于活動輪廓的跟蹤。活動輪廓模型是基于Snake模型的，使用一條能 量最小的參數化曲線來表示，通過極小化以曲線函數為參數的能量來進行動態迭代，使得 輪廓能夠自動更新。這類算法的計算量不大，如果初期能恰當地分離各個運動目標并初始 化目標輪廓，那么即使部分被遮擋，也能連續地進行跟蹤，但是往往很難初始化輪廓。
[0011] 第四類是基于模型的跟蹤。該算法是利用特定對象的外觀和形狀的先驗知識建立 目標模型，然后在后續的視頻幀中進行匹配和實時更新模型。通常有線圖法、二維輪廓、三 維模型三種方法對目標建立模型。但是實際上很難精確地獲得所有運動目標的幾何模型， 這就限制了基于模型的跟蹤算法的使用，同時由于需要計算的參數多、計算量大，這會耗費 大量的時間，難以滿足跟蹤的實時性。
[0012] 從以上可以看出，在需要進行視頻跟蹤的應用中，尤其是采用運算能力較低的嵌 入式處理器來完成的應用當中，對算法的實時性要求較高，而第二類和第三類方法是滿足 要求的。然而，這兩種方法都存在初始化困難的問題。如果不能很好地解決初始化的問題， 跟蹤就無從談起。初始化方面，現有的方式多半是用多幀圖像中的特征完成整個模型的初 始化，這樣一來對實時性的影響很大。處理多幀數據對于嵌入式處理器來說是不利的，尤其 是在需要頻繁切換的視頻傳感器網絡當中。因此，現有技術中上沒有一種效果和實時性兼 具的跟蹤方法。
[0013] 在需要進行視頻跟蹤的應用中，尤其是采用運算能力較低的嵌入式處理器來完成 的應用當中，對算法的實時性要求較高，而第二類和第三類方法是滿足要求的。然而，這兩 種方法都存在初始化困難的問題。如果不能很好地解決初始化的問題，跟蹤就無從談起。初 始化方面，現有的方式多半是用多幀圖像中的特征完成整個模型的初始化，這樣一來對實 時性的影響很大。處理多幀數據對于嵌入式處理器來說是不利的，尤其是在需要頻繁切換 的視頻傳感器網絡當中。因此，本領域的技術人員致力于開發一種基于運算能力較低的嵌 入式處理器的效果和實時性兼具的跟蹤方法。
【發明內容】
[0014] 有鑒于現有技術的上述缺陷，本發明所要解決的技術問題是如何找到基于運算能 力較低的嵌入式處理器的效果和實時性兼具的跟蹤方法。
[0015] 為實現上述目的，本發明提供了 一種基于嵌入式處理器的低復雜度動態目標檢測 與跟蹤方法，包括以下步驟：
[0016] A.視頻輸入；
[0017] B.視頻幀預處理；
[0018] C.建立背景模型；
[0019] D.更新背景模型；
[0020] E.獲取目標中心坐標；
[0021] F.定位跟蹤。
[0022] 進一步地，所述步驟A包括：
[0023] A1.視頻設備初始化，完成對視頻輸入設備的使能；
[0024]A2.處理器端初始化圖像輸入，準備進行圖像的獲取；
[0025] A3.處理器對視頻輸入設備發出指令，開始捕捉圖像。
[0026] 進一步地，所述步驟C包括：
[0027] C1.對每個像素點建立其背景模型樣本集。
[0028] 進一步地，所述步驟D包括：
[0029] D1.對下一幀圖像的每一個像素點同背景模型中的像素點進行比較，如果大
[0030] 于給定閾值，則認為是一個匹配，同時匹配數增加，而對于背景模型中的每
[0031] 個元素比較之后，計算其匹配數，若小于給定閾值，則認為其是動態的前景，
[0032] 若大于給定閾值，則認為其是背景。
[0033] 進一步地，所述步驟E包括：
[0034]E1.對于每一幀當中的前景，取其中心位置，作為目標的中心坐標。
[0035] 進一步地，所述步驟F包括：
[0036]F1.對獲得的坐標進行處理，同時將處理的結果發送給同時觀測到目標的下一個 節點，當節點完成計算之后，返回相關數值完成最終坐標計算，實現跟蹤。
[0037] 本發明的目的在于提供一種適用于嵌入式處理器的低復雜度視頻跟蹤方法，采用 該方法可以提高嵌入式處理器進行視頻目標跟蹤的效率，從而增強整個視頻傳感器網絡的 效率。
[0038] 本發明所提供的基于嵌入式處理器的低復雜度動態目標檢測與跟蹤方法，采用第 一幀圖像抽取其樣本集的方法建立背景模型。一方面減少了背景模型建立時的計算量，另 一方面幀數的減少提高了算法的實時性；本發明提供的基于嵌入式處理器的低復雜度動態 目標檢測與跟蹤方法，由于結合了背景模型更新當中的保守策略和較為主動的策略，從而 提升了其檢測的效率，降低了錯誤檢測的概率。
[0039] 本發明所述方法具有如下技術效果：
[0040] 1、本發明通過對于背景模型更新當中的保守策略和較為主動的策略的使用，減少 了動態目標檢測當中的錯誤率，提高了檢測的實時性；
[0041] 2、采用多個節點的對比檢測方式聯動，共享信息參與計算，均衡了各個節點的負 擔。
[0042] 3、仿真和實驗結果表明，本發明能夠獲得較好的跟蹤效果和較高的實時性，同時 能夠在運算能力較低的嵌入式處理器上運行，顯示了較好的魯棒性、實時性和低復雜度。
[0043] 以下將結合附圖對本發明的構思、具體結構及產生的技術效果作進一步說明，以 充分地了解本發明的目的、特征和效果。
【附圖說明】
[0044]圖1是本發明的一個較佳實施例的流程圖；
[0045]圖2是本發明的一個較佳實施例的關于視頻輸入格式的說明；
[0046]圖3是本發明的一個較佳實施例的針對典型室內場景設計的環境示意圖；
[0047]圖4是本發明的一個較佳實施例的關于角度計算的示意圖。
【具體實施方式】
[0048] 在嵌入式端設計算法限制較多，最大的問題在于用有限的計算資源達成目的。PC 端可以使用的視頻跟蹤算法盡管有足夠精簡的，但對于嵌入式來說仍然無法直接使用，需 要針對嵌入式處理器特性進行改進。因此，如何利用有限的計算資源來完成跟蹤與定位的 目的就成了最大的挑戰。
[0049] 100.視頻跟蹤算法
[0050] 使用嵌入式處理器進行動態目標跟蹤可以分為三大部分。圖像輸入，目標檢測及 動態跟蹤。具體流程如圖1所示。
[0051] 圖像的輸入部分，需要從攝像頭導入逐幀的數據，同時完成對于原始數據的預處 理，如高斯平滑，以減少圖像噪點及模糊對于后續處理的干擾。
[0052]目標檢測部分，首先要建立背景模型，用第一幀即可完成背景模型的建立，隨后可 以逐幀導入檢測。第二幀輸入開始，可