基于Mean Shift算法的卡爾曼濾波紅外攝像頭的目標跟蹤系統設計

殷啟明，鄧永和，蔣宇洋，喻順濤，肖悅之

（湖南工程學院 計算科學與電子學院，湘潭 411104）

0 引言

紅外技術通過兩百年來的發展和沉淀，技術趨于成熟，由于紅外成像清晰、成本較低，對場景中的人體目標進行檢測和跟蹤一直以來都受到人們的關注，在各類生產應用場景中得到廣泛應用.在計算機視覺領域中，人體目標的檢測與跟蹤已成為一個重要分支，在機器人視覺、人機對話、智能監控等方面有著良好的發展潛力和潛在的實用價值.由于人體的非剛體性、復雜的姿態變化以及復雜運動導致人體成像的大小變化，再加上背景干擾、目標遮擋以及目標運動的隨意性等特點［1］，使得這一課題的研究更具挑戰性.對Mean Shift 算法應用于紅外跟蹤中的不足提出了解決方法，采用Kalman 濾波和Bhattacharyya 系數遮擋判定因子結合的方法解決了在目標快速運動和遇到遮擋情況下的跟蹤效果差的問題［2］.

1 研究方法

1.1 系統總體設計

設計的紅外攝像頭自動跟蹤系統，能夠對鏡頭下的目標物體進行自動跟蹤拍攝.通過紅外自動跟蹤攝像頭的檢測設備對周圍環境中的數據進行檢測，攝像頭將采集到的數據輸入系統數據處理中心，系統微處理器通過CPU 進行數據化讀取儲存，并且通過控制邏輯判斷是否存在異常數據，最后進行處理與反饋［2］.

紅外跟蹤攝像頭模塊采用的是ov7725 并帶有FIFO（先入先出，對設備運行要求不高）的攝像頭模塊，ov7725 適用RGB（顏色標準）和YUV（顏色編碼方法）.采用STM32 F103zet6 單片機作為主控模塊，TFT/LCD 240-320 作為顯示模塊，搭配的舵機sg90進行移動目標物體的指向工作.當目標物體出現在鏡頭范圍內時，攝像頭獲取環境數據，將環境數據發送給單片機，單片機的微處理中心對環境數據進行處理.攝像頭取閾值進行判斷并構建坐標系，當目標物體發生移動時，將數據傳遞給舵機，發出對應的PWM 波，驅動舵機跟隨移動，完成整個自動跟蹤拍攝工作.硬件設計實物如圖1 所示.

圖1 硬件實物圖

1.2 Mean Shift算法跟蹤目標原理

如圖2 所示，Mean Shift 算法是一個無參數概率密度估計算法，對人體目標的隨意性運動有很強的適應能力，能夠很好地跟蹤非剛體目標.但是對目標物快速運動以及旋轉、形變等姿態運動變化不敏感.Mean Shift 算法的主要優點是能在短時間內收斂、計算量小、計算速度快，特別適合于對實時性要求很高的攝像跟蹤目標系統，Mean Shift 算法系統比較獨立，適合獨立模塊化，適合與其他算法集成［6］.

圖2 Mean Shift算法迭代過程

1.3 卡爾曼濾波對Mean Shift算法優化

卡爾曼濾波是一種數值估計優化算法，在不需要儲存很長的先驗數據的情況下就能更新系統模型，在系統模型的確切性質不完全明了的情況下就能夠估計信號的狀態［7］.可以利用運動目標上一幀的圖像信息對目標運動進行預測，能很好地彌補Mean Shift 算法對目標物的旋轉與形變等運動變化不敏感的缺陷.利用卡爾曼濾波來預測出目標的大體位置，采用Mean Shift 算法與卡爾曼濾波結合的方法，能夠很好地解決運動目標的快速運動問題［8］.

1.4 Bhattacharyya系數遮擋判定因子

對于遮擋問題，使用Bhattacharyya 系數作為遮擋判定因子［9］.當目標被遮擋時，Bhattacharyya 系數迅速減少，此時Mean Shift 算法收斂到與目標最相似的區域，Mean Shift 算法不能較準確地識別目標.當采取遮擋處理后重新獲得了目標，目標匹配的Bhattacharyya 系數迅速恢復，因此可以作為遮擋判定的依據.

2 研究結果與討論

2.1 視頻格式封裝與分時保存

為了確保紅外跟蹤攝像頭的高性能和穩定性，長時間持續穩定工作是關鍵，數據的安全性和連續性體現在視頻完整性和信息連續性.在運行人臉特征檢測跟蹤的模型的同時，對攝像頭捕捉到的圖片幀進行連續的視頻封裝，封裝的視頻為AVI（Audio Video Interleaved）格式，最大的特點就是其強大的兼容性和寬泛的應用場景［10］.

在進行視頻封裝保存的時候，規定保存視頻的路徑（path）為“/sd/yst/avi”，之后每一次寫入視頻之前，系統管理的模塊os 會對這個目錄下文件個數進行統計，最新的視頻保存的文件名為（path +“/”+str（num）+“.avi”）如果文件夾中有76 個視頻文件，則下一個保存的視頻文件名為77.avi.這樣的保存模式可以確定最新的視頻文件，便于計算機進行管理.由于該設計沒有配備UPS 電源，為避免突發性供電缺失導致視頻數據丟失，設置為40 s 保存一下視頻，最大限度地保證視頻內容的時空邏輯的連續性.

如圖3 所示，文件夾中的187.avi 和190.avi 未能正確地顯示出來，是因為在突發斷電的情況下，程序未能及時完成視頻保存工作，導致視頻文件受到損壞，對于該類連續的文件，需要分時進行保存操作，避免一旦斷電，導致長時間錄制的文件被損壞，而分時保存文件在連續性上能夠得到保障，穩定性也會大幅度提高.

圖3 視頻保存

2.2 聯合調試與目標跟蹤

聯合調試是對數據采集、人機交互各環節進行調試，檢測系統運行過程中各個數據獲取的銜接，在整個外圍模塊聯合調試過程中，會因為模塊適應性問題、數據傳輸方式問題，導致相關的數據顯示、獲取、打包出現異常、亂碼提示等錯誤.針對存在的問題，必須進行兼容性測試調整.只有在一次一次的迭代測試過程中，分析各種異常情況，解決各種異常問題，才能成功實現舵機對移動物體做出指向工作，如圖4 所示.

圖4 目標物體跟蹤（左圖）與舵機指向工作（右圖）

在經過調試和測試后，達到了預期的設計效果，當目標在攝像頭有效范圍內發生移動時，目標跟蹤系統可以實時、準確跟蹤視頻畫面中框選的目標，實現人臉目標跟蹤，如圖5 所示.

圖5 人臉目標跟蹤

2.3 Bhattacharyya系數的Mean Shift 搜索

從圖6 中的Bhattacharyya 系數變化曲線中可以看出，當遮擋發生時，Bhattacharyya 系數迅速減少，因此可以作為遮擋判定的依據.

圖6 Bhattacharyya系數變化圖

當遮擋面積比較大或者全遮擋發生時，采用卡爾曼濾波對目標進行一次線性預測，結束后在預測位置進行Mean Shift 搜索，對搜索到的極值點的目標窗口內的Bhattacharyya 系數進行判定，達到了預期效果.

2.4 系統測試

經過測試，設計的紅外攝像頭自動跟蹤系統，能夠對鏡頭下的目標物體進行自動跟蹤拍攝.系統能夠成功地實現應急情況的處理.主要優點有：（1）紅外跟蹤攝像頭能夠對出現在鏡頭下的環境數據進行采集，并將采集到的數據轉化為可傳輸形式.（2）系統建立了可實時傳輸數據的通道，能夠對環境數據進行采集，處理器能夠對數據進行處理、分離和反饋.（3）可實現友好的人機交互，能夠實現數據的展示，將分析處理后的數據顯示在模塊上.

3 結論

以紅外攝像頭的目標跟蹤系統作為研究對象，設計的紅外跟蹤攝像頭系統，通過硬件連接設計、軟件邏輯設計實現整個系統自主化工作.采用了Mean Shift 算法與卡爾曼濾波結合方法，采用Bhattacharyya 系數作為遮擋判定因子，解決快速運動與遮擋問題，實現響應更加快速，工作更加穩定，判斷更加準確，極大程度地提升了該設計的魯棒性、科學性和實用性.