余樂，鄭力新
（華僑大學(xué) 工業(yè)智能化技術(shù)與系統(tǒng)福建省高校工程研究中心，福建 泉州 362021）
摘要：為了實現(xiàn)工業(yè)相機對動態(tài)目標(biāo)的準(zhǔn)確、實時跟蹤，提出了基于卡爾曼濾波的算法。通過創(chuàng)建背景模型來估計出當(dāng)前背景，進而得到前景區(qū)域，并對前景區(qū)域進行相關(guān)處理，最后通過計算補集得到更新后的背景。此方法能根據(jù)不同場景信息調(diào)整前景與背景閾值,減弱背景區(qū)域造成的噪聲影響，實時地根據(jù)場景變化快速、自動更新背景，并對每一位置的像素進行背景估計。通過在VS2010平臺上結(jié)合JAI軟件開工具包（Software Development Kit，SDK）調(diào)用Halcon函數(shù)庫實現(xiàn)了卡爾曼濾波動態(tài)跟蹤，其中JAI SDK用于開發(fā)千兆網(wǎng)相機,幾乎支持所有千兆網(wǎng)相機。實驗結(jié)果表明，該算法能夠?qū)崿F(xiàn)對目標(biāo)的實時動態(tài)跟蹤，實時性強，準(zhǔn)確度高。
關(guān)鍵詞：動態(tài)跟蹤；卡爾曼濾波；Halcon；JAI SDK
0引言
動態(tài)目標(biāo)跟蹤是在視頻流的每一幅圖像中確定出感興趣的運動目標(biāo)的位置，并把不同幀中的同一目標(biāo)對應(yīng)起來，是機器視覺領(lǐng)域的熱點研究之一，廣泛應(yīng)用在交通監(jiān)控、車輛跟蹤中。在機器視覺研究領(lǐng)域，隨著技術(shù)不斷發(fā)展，目標(biāo)跟蹤越來越受到研究者的重視，具有廣闊的應(yīng)用前景。
本文設(shè)計一種在C#編程環(huán)境下通過工業(yè)相機獲取實時畫面并同步根據(jù)背景估計的前一個狀態(tài)、當(dāng)前圖像值以及該像素在前一個狀態(tài)中的分類，決定卡爾曼濾波器的參數(shù)，進行卡爾曼濾波和相關(guān)圖像形態(tài)學(xué)處理的方法，實現(xiàn)實時運動目標(biāo)跟蹤。
1研究現(xiàn)狀
可變部分模型（Deformable Parts Model,DPM）［1］是一個非常成功的目標(biāo)檢測與跟蹤算法，它的核心思想是模板匹配。而國內(nèi)動態(tài)目標(biāo)跟蹤研究和使用較多的是相鄰幀差法、背景差分法等［2］。相鄰幀差法根據(jù)目標(biāo)與背景灰度的不同，將下一幀圖像與上一幀圖像變量做比較，將每兩幀連續(xù)圖像對應(yīng)像素相減，以去除不動的物體及背景，再求出與上一幀圖像差異之處，也就是移動的物體區(qū)域，此方法具有很強的自適應(yīng)性，但在運動目標(biāo)快速運動過程中不能準(zhǔn)確實時跟蹤。背景差分法是構(gòu)建一個背景圖像模型，將當(dāng)前幀圖像與該背景圖像進行差分來得到運動目標(biāo)區(qū)域，背景差分法較幀差法能更準(zhǔn)確、快速地提取運動目標(biāo)，但該方法易受光照影響且背景更新效果差。另外，當(dāng)場景中有目標(biāo)由運動狀態(tài)轉(zhuǎn)入比較長時間的靜止?fàn)顟B(tài)之后，由于背景的實時更新，很可能將該目標(biāo)納入背景圖像當(dāng)中，當(dāng)這個目標(biāo)再從靜止?fàn)顟B(tài)突然運動時，采用當(dāng)前幀與背景相減的方法就會出現(xiàn)錯誤的跟蹤檢測結(jié)果［36］。因此，在綜合上述方法及其問題的基礎(chǔ)上提出卡爾曼濾波算法。卡爾曼濾波背景估計根據(jù)像素是背景還是前景選取不同的系數(shù)，從而不會出現(xiàn)上述錯誤［7］；采用工業(yè)相機實時拍攝，因其具有快門速度非常高、拍照速度快等特點，可以抓拍快速運動的物體。
2卡爾曼濾波理論
卡爾曼濾波是一種利用線性系統(tǒng)狀態(tài)方程，通過系統(tǒng)輸入輸出觀測數(shù)據(jù)，對系統(tǒng)狀態(tài)進行最優(yōu)估計的算法。估計背景的過程中，認(rèn)為背景是穩(wěn)定狀態(tài)的，觀測值是存在噪聲影響的。通過前一時刻ti－1狀態(tài)值估計后一時刻ti狀態(tài)值估計值，系統(tǒng)方程［8］為：
ti時刻狀態(tài)最優(yōu)估計值：
其中，A(ti)表示系統(tǒng)矩陣，H(ti)為測量矩陣，z(ti)表示系統(tǒng)當(dāng)前測量值，K(ti)為卡爾曼增益，其值分別為：
A=1a1,2
0a2,2H=10
3基于卡爾曼跟蹤算法的實現(xiàn)
卡爾曼濾波利用反饋控制系統(tǒng)估計運動狀態(tài)：利用前一狀態(tài)值和當(dāng)前狀態(tài)測量值，估計出當(dāng)前最優(yōu)狀態(tài)值和背景，進而獲得運動物體的區(qū)域。也就是說，卡爾曼濾波可以分為預(yù)測和更新兩個步驟［9］。其實現(xiàn)流程如圖1所示。
Halcon是德國MVtec公司開發(fā)的一套完善的標(biāo)準(zhǔn)的機器視覺算法包，擁有應(yīng)用廣泛的機器視覺集成開發(fā)環(huán)境。應(yīng)用范圍幾乎沒有限制，涵蓋醫(yī)學(xué)、遙感探測、監(jiān)控及工業(yè)領(lǐng)域的各類自動化檢測。Halcon支持Windows、Linux和Mac OS X操作系統(tǒng)環(huán)境，整個函數(shù)庫可以用C、C++、C#、Visual Basic和Delphi等多種普通編程語言訪問。Halcon為大量的圖像獲取設(shè)備提供接口，保證了硬件的獨立性。它為百余種工業(yè)相機和圖像采集卡提供接口，包括GenlCam、GigE和IIDC 1394。
在Halcon平臺下，從已獲取的前一狀態(tài)（如同前一幀圖像獲得的背景值）通過creat_bg_esti()函數(shù)創(chuàng)建背景模型，估計出當(dāng)前背景，即當(dāng)前狀態(tài)估計值，然后結(jié)合當(dāng)前測量值（如同視頻中當(dāng)前幀圖像）運用run_bg_esti()函數(shù)對當(dāng)前圖像估計其背景（即此處的當(dāng)前狀態(tài)最優(yōu)估計值）并返回前景區(qū)域，估計出來的最優(yōu)背景值作為下一次循環(huán)的前一狀態(tài)［10］，循環(huán)往復(fù)。返回前景后前景區(qū)域處理流程如圖2所示。
在創(chuàng)建初始化背景及進行背景估計時，為了提高對每個像素的運算處理速度，對相機鏡頭獲取的圖片進行了縮放處理，在縮小的1/2圖像基礎(chǔ)上估計背景和提取前景。通過對前面循環(huán)返回的背景區(qū)域不斷地進行更新，根據(jù)跟蹤目標(biāo)具有一定大小的特點，可以選取一定面積的區(qū)域作為濾波特征，消除微小運動對提取目標(biāo)的影響，濾波后將目標(biāo)區(qū)域用最小外接矩形框住用以跟蹤運動物體。
本文算法的具體實現(xiàn)過程是：通過調(diào)用Halcon提供的函數(shù)庫，在Visual Studio 2010平臺下結(jié)合JAI SDK進行二次開發(fā)，通過工業(yè)相機鏡頭獲取實時圖像畫面，通過開發(fā)完成的算法實現(xiàn)實時動態(tài)目標(biāo)跟蹤。
4實驗結(jié)果與分析
本文使用的工業(yè)相機為加拿大生產(chǎn)的千兆網(wǎng)相機PointGrey BFLYPGE13E4MCS，16 MB大幀緩存，數(shù)據(jù)更安全更可靠；相機鏡頭為日本產(chǎn)Computar M1614MP2。焦距16 mm，系統(tǒng)矩陣參數(shù)a1,2=a2,2=0.7。卡爾曼增益K之前景適應(yīng)時間Gain1=0.001，卡爾曼增益K之背景適應(yīng)時間Gain2=0.01，且Gain2≥10Gain1。卡爾曼增益K根據(jù)z(ti)是否屬于前景區(qū)域在Gain1與Gain2之間切換。
本次實驗通過相機的第一幀圖像獲取初始背景圖像，通過卡爾曼濾波算法自動更新背景。根據(jù)不同場景設(shè)置不同前景與背景閾值，在不同場景環(huán)境下的實驗效果圖如圖3所示。
5結(jié)論
本次實驗利用卡爾曼濾波算法準(zhǔn)確估計出背景，解決了背景估計中可能會出現(xiàn)的把目標(biāo)當(dāng)背景的現(xiàn)象。對于場景的變化、陰影等帶來的影響有很好的處理效果，對于快速變化的運動目標(biāo)也能準(zhǔn)確跟蹤。針對不同場景可以實時調(diào)節(jié)前景與背景閾值、相機曝光時間等參數(shù)。實驗表明，本算法可以實現(xiàn)對動態(tài)目標(biāo)的實時跟蹤。本算法實驗還存在一些問題：只有當(dāng)前景與背景灰度相差較大時準(zhǔn)確率較高，而當(dāng)前景目標(biāo)的灰度與背景灰度相近時，前景目標(biāo)有時候難以被提取。由于條件限制，實驗在室內(nèi)進行，這也是后期將繼續(xù)探究的工作。
參考文獻
［1］ Tang Siyu. Detection and tracking of occluded people［J］. Internationat Journal of computer Vision, 2014, 110(1): 5869.
［2］ 于成忠. 基于背景差法的運動目標(biāo)檢測［J］. 東南大學(xué)學(xué)報, 2005, 35(11): 159161.
［3］ SAEED I A K. Real time, dynamic target tracking using image motion［C］.Taipei:IEEE International Conference on Mechatronics,2005:241246.
［4］ 孫歡. 交通監(jiān)控系統(tǒng)中幀差法與背景差分法優(yōu)劣分析［J］. 電子科技, 2012, 25(10): 13.
［5］ 林佳乙. 基于背景差分法和幀間差分法的視頻運動檢測［J］.儀器儀表學(xué)報, 2008, 29(4): 111114.
［6］ 許俊波. 目標(biāo)檢測與跟蹤方法研究［D］.武漢:中國地質(zhì)大學(xué), 2007.
［7］ 朱錚濤.基于卡爾曼濾波的背景估計及其算法實現(xiàn)［J］. 微計算機信息,2007,23(10): 291293.
［8］ Wang Hongman, Huo Lingling, Zhang Jing. Target tracking algorithm based on dynamic template and Kalman filter［C］. 2011 IEEE 3rd International Conference on Communication Software and Networks, 2011:330333.
［9］ 胡鵬.Kalman濾波在視頻目標(biāo)跟蹤中的應(yīng)用研究［D］.重慶:重慶大學(xué),2010.
［10］ 武岫緣. 一種改進的目標(biāo)監(jiān)測與跟蹤算法［J］. 微型機與應(yīng)用, 2013, 32(22): 4143.