楊 彬， 王同喜

(1.長江大學(xué) 體育學(xué)院，湖北 荊州 434020；2.長江大學(xué) 計算機科學(xué)學(xué)院，湖北 荊州 434020)

運動目標(biāo)跟蹤是視頻監(jiān)控系統(tǒng)中非常重要的一個環(huán)節(jié)，近年來，已經(jīng)逐漸成為一個研究熱點[1-4].在運動目標(biāo)跟蹤中，傳統(tǒng)粒子濾波方法存在粒子退化現(xiàn)象難以有效解決，缺乏通用性，重要密度函數(shù)選擇困難，重采樣設(shè)計難度大等問題.文獻[5]采用人工魚群算法改進重要密度函數(shù)，提出了一種改進的粒子濾波運動目標(biāo)跟蹤方法.該方法提高了重要密度函數(shù)的通用性，取得了令人滿意的目標(biāo)追蹤結(jié)果.文獻[6]提出了一種改進的壓縮感知(compressed sensing，CS)算法，以解決由于運動目標(biāo)紋理變化大，以及目標(biāo)被遮擋而導(dǎo)致跟蹤誤差大、跟蹤丟失等問題.算法采用設(shè)置Sigmoid函數(shù)響應(yīng)閾值.文獻[7]提出基于改進的CamShift目標(biāo)跟蹤算法.通過將背景顏色設(shè)置為初始搜索窗口顏色直方圖模型中最小分量值對應(yīng)的色彩值，增大目標(biāo)與背景區(qū)域之間的顏色差值，解決相似背景的干擾問題.

將Mean-Shift算法用于跟蹤籃球運動視頻目標(biāo)的算法，并設(shè)計一種DSP-FPGA硬件實現(xiàn)框架.實驗證明，提出的方法能夠準(zhǔn)確跟蹤運動目標(biāo).

1 基于Mean-Shift算法目標(biāo)跟蹤

1.1 目標(biāo)跟蹤

目標(biāo)跟蹤即對視頻圖像進行精確定位，并使用跟蹤窗口來鎖定目標(biāo)的位置、速度、加速度等信息，同時記錄目標(biāo)的軌跡，從而了解目標(biāo)的變化和目的，以便完成更高一級的識別任務(wù).目標(biāo)跟蹤系統(tǒng)的工作流程框圖如圖1所示.特征提取和目標(biāo)跟蹤算法是組成目標(biāo)跟蹤的兩個部分.目標(biāo)特征一般分成以下幾種：

(1) 將目標(biāo)的輪廓作為特征;

(2) 將目標(biāo)的紋理作為特征;

(3) 將目標(biāo)區(qū)域的顏色直方圖作為特征.

1.2 Mean-Shift算法

Mean-Shift算法早在1975年即由Fukunaga等提出[8-10]，真正發(fā)展起來是在1995年，Yizong Cheng發(fā)表的一篇關(guān)于Mean-Shift算法的文章，其在Mean-Shift算法中加入了kernel的概念，并加入了權(quán)重系數(shù)，極大地擴大了Mean-Shift算法的應(yīng)用空間、圖像平滑、圖像分割、tracking等一系列應(yīng)用.其中，Mean-Shift算法在量度空間的多維空間數(shù)據(jù)點：

(1)

式中：K(x)為核函數(shù)(又稱窗函數(shù))；h為核函數(shù)的大小(又稱核函數(shù)的寬帶).兩種典型的核函數(shù)包括高斯核KN(x)和Epanechnikov核KE(x).正太核函數(shù)定義如下：

(2)

該核函數(shù)的輪廓函數(shù)kN(x)為：

(3)

為了得到具有支撐特點的核函數(shù)，正太核函數(shù)通常進行對稱截取.

Epanechnikov核函數(shù)定義如下：

(4)

該核函數(shù)的輪廓函數(shù)kE(x)為：

(5)

并且其在邊界不可微.Mean-Shift向量為：

(6)

式中，Y1是新的目標(biāo)中心，g(x)=-k′(x)是核函數(shù)k(x)的影子核.在迭代過程中，目標(biāo)定位完成的判斷依據(jù)是Mean-Shift向量的模值小于給定閾值.

2 目標(biāo)跟蹤算法及其硬件設(shè)計

2.1 籃球運動視頻目標(biāo)跟蹤

將基于Mean-Shift算法的目標(biāo)跟蹤過程分成4步完成：

(1) 首先構(gòu)建一個包含運動目標(biāo)的搜索窗，并初始化其大小和位置.

(2) 計算被跟蹤目標(biāo)的色彩直方圖.將其他的色彩空間的值轉(zhuǎn)化到HSI空間，再對其中的H分量做1D直方圖計算.

(3) 輸入待搜索圖像，并運行算法，獲取新搜索窗位置和大小.

(4) 輸入下一幀待搜索圖像，用上一步獲得的值更新窗位置和大小，轉(zhuǎn)到步驟(2)繼續(xù)運行.

從上述步驟可以看出，Mean-Shift算法是一個迭代尋找局部模式的過程，該迭代過程可以用式(7)表示：

(7)

(8)

(9)

其中，加權(quán)因子

(10)

為了獲得運動目標(biāo)的新位置y1，基于Mean-Shift過程迭代，搜尋鄰域內(nèi)該密度估計的極大值：

(11)

式中，x∈[0,∞)中除有限集點外，設(shè)k′(x)始終存在.

2.2 硬件設(shè)計

提出的實時目標(biāo)跟蹤的硬件系統(tǒng)主要構(gòu)成有：現(xiàn)場可編程陣列FPGA、可編程邏輯芯片組CPLD、核心芯片TMS320C6416T作為數(shù)字信號處理器，使用的開發(fā)板如圖2所示.

首先，為了滿足A / D輸入視頻信號的需求，模擬視頻信號要經(jīng)預(yù)處理圖像傳感器固定、濾波和放大.然后，該信號由具有8 bit的高速率A / D轉(zhuǎn)換器采樣，輸出的信號直接發(fā)送到FPGA，在執(zhí)行其他函數(shù)的同時，該系統(tǒng)繼續(xù)運行預(yù)處理算法.

由FPGA處理過的數(shù)據(jù)經(jīng)DSP芯片讀取后，通過FPGA實現(xiàn)雙口RAM內(nèi)存，并行運行跟蹤算法.特征發(fā)生芯片組(UPD6464)由DSP的多信道緩沖串行端口控制，最后再添加UPD6464特征信號到該模擬信號.這樣，所計算的數(shù)據(jù)信號最終顯示在顯示器上.

3 實驗

為了驗證提出方法的準(zhǔn)確性，進行了實驗驗證.算法2和本文方法是基于本文的高速目標(biāo)跟蹤系統(tǒng)，算法1和3是基于AVT21開發(fā)板的.其中算法1是AVT21開發(fā)板的質(zhì)心跟蹤算法，算法2是基于金字塔相關(guān)性[14]的跟蹤算法，算法3是AVT21開發(fā)板上的相位相關(guān)跟蹤算法.實驗所用的籃球運動視頻圖像序列如圖3所示.

利用重疊Ak評價嵌入式跟蹤器的性能，量化為：

(12)

式中：TTk是跟蹤器的邊界框，GTk是實際邊界框.

由表1可以看出，本文算法獲得了最好的平均重疊，此外，不同大小跟蹤區(qū)域運行速度結(jié)果顯示，本文算法的運行時間快于算法2和算法4，稍慢于算法1質(zhì)心跟蹤算法，均表明嵌入式開發(fā)中算法設(shè)計并非越復(fù)雜越好.

表1 各方法運行結(jié)果對比

4 結(jié)束語

Mean-Shift算法在聚類、圖像平滑、分割、跟蹤等方面有著廣泛的應(yīng)用.本文將Mean-Shift算法用以追蹤籃球運動視頻目標(biāo)，基于Mean-Shift過程進行迭代獲得運動目標(biāo)的新位置，實現(xiàn)運動目標(biāo)追蹤.還設(shè)計了一種硬件系統(tǒng)，具有高速處理器DSP和FPGA.實驗證明，提出的方法能夠準(zhǔn)確跟蹤運動目標(biāo).