基于多DSP和FPGA的實時雙模視頻跟蹤裝置

　　3.1主要算法特點分析

　?。?）背景差分法算法

　　背景差分是利用當前圖像與背景圖像差分來檢測出運動區(qū)域的一種技術(shù)，一般能提供最完全的特征數(shù)據(jù)，但對于動態(tài)場景的變化，如光照等事件的干擾特別敏感?？紤]到攝像機移動緩慢，背景圖像變化比較遲緩，而運動對象相對于背景變化較快，這樣相對于變化較慢的背景圖像來說，可把運動對象看作是一個對背景圖像的隨機擾動。針對本裝置的設(shè)計要求，我們應(yīng)用Kalman濾波器在零均值白噪聲的退化公式即漸消記憶遞歸最小二乘法，來更新和重建背景圖像，得到時域漸消遞歸最小二乘法的遞歸式：

　?。?）顏色濾波去陰影算法

　　如果圖像中具有運動陰影和分割碎塊，分割所得的圖像往往與實際目標不符，產(chǎn)生欠分割或過分割的現(xiàn)象。由于陰影象素的灰度值在一個局部領(lǐng)域中變化不是很大，所以顏色濾波主要是構(gòu)造一個包含陰影的模板，再用這個模板與差分結(jié)果做邏輯與的操作，從而檢出陰影。本算法比較簡單，執(zhí)行速度快，處理中不需要區(qū)分陰影和半陰影，而且可以將移動陰影和背景中的陰影都檢出來，只是模板中的參數(shù)要根據(jù)現(xiàn)實情況和經(jīng)驗來定。由于靜止物體的陰影也是不動的，所以靜止目標可以歸入背景中。由公式（2）可檢測出動目標。

　?。?）形心跟蹤算法

　　形心跟蹤是將整個跟蹤波門內(nèi)的圖像二值化，用求目標形心的辦法獲得目標位置參量。由于形心值是相對于目標面積歸一化的值，因此形心值不受目標面積、形狀以及灰度分布細節(jié)的限制。同時，形心跟蹤的計算頗為簡便。但是，形心跟蹤器受目標的劇烈運動或目標被遮擋的影響較為嚴重，瞄準點漂移是遠距離跟蹤系統(tǒng)的主要誤差之一。這也是我們采用目標軌跡擬合算法來外推運動目標位置，并與相關(guān)跟蹤法并行工作的原因。由于形心算法比較普及，本跟蹤裝置直接采用了改進的形心跟蹤算法，用目標峰值自適應(yīng)檢測算法使系統(tǒng)的計算可靠性和實時性達到最佳結(jié)合值。

　　（4）相關(guān)跟蹤算法

　　相關(guān)跟蹤是對目標圖像和輸入圖像進行相關(guān)運算，通過對搜索區(qū)域每次運算結(jié)果進行處理獲取相關(guān)峰值，從而確定目標在輸入圖像的位置。在圖像目標背景比較復(fù)雜以及背景與目標無明顯灰度差的場合，相關(guān)跟蹤具有較好的抗干擾能力，可以應(yīng)付一定的形變和灰度畸變，能對復(fù)雜場景中的指定目標進行穩(wěn)定跟蹤，并對目標交叉遮擋有較好的記憶效果，因此我們采用基于二維最小絕對差累加和算法的相關(guān)匹配算法進行圖像特征識別，相似性度量為：

　?。?）雙模式組合算法[6]

　　如表1所示，由于形心跟蹤和相關(guān)跟蹤各有優(yōu)缺點，具有較大的互補性[7]

　　。采用形心跟蹤算法的DSP和相關(guān)匹配跟蹤算法的DSP同時工作，按照各自的圖像分割方法分割出目標和背景，抽取目標的特征，輸出目標的跟蹤信息。最后在主控的TMS320c6416進行檢查，把相關(guān)匹配跟蹤模式中采用相關(guān)峰值的相關(guān)度函數(shù)構(gòu)造的目標位置置信度和形心跟蹤模式的置信度進行置信度判決，從而決定選擇跟蹤控制信號，同時對不適當?shù)母櫮K進行重新裝定。