基于DSP的颜色特征目标检测跟踪技术研究

VIP免费

3.0 牛悦 2024-11-19 4 4 3.79MB 64 页 15积分

侵权投诉

摘要

在机器视觉领域，目标的检测与跟踪是最基本也是最重要的两个研究方向。

随着人工智能的不断发展与集成电路制造技术的不断提高，越来越多的小型化的

智能机器视觉系统不断出现并得到了广泛应用。

作为新兴的、高效的算法，AdaBoost 与粒子滤波在分别在目标检测与目标跟

踪领域得到了广泛的应用，但在嵌入式系统中，由于计算量太大与硬件资源限制

的原因，这两种算法容易遭遇计算瓶颈从而影响机器视觉系统的实时性。为了提

高目标检测的快速性与准确性，简化基于粒子滤波的目标跟踪算法中的直方图计

算，提高检测和跟踪算法在基于 DSP 的主动视觉系统上的运行速度，本文提出了

一种基于 DSP 的目标检测跟踪系统。该系统通过改进的 EMCV 与启发式搜索方法，

在DSP 上实现了 AdaBoost 检测算法；利用增量式直方图计算算法实现粒子滤波中

颜色直方图与边缘方向直方图的计算，以融合直方图为观测模型在 DSP 上实现并

优化了目标跟踪算法。实验证实了该目标检测跟踪系统中算法的快速性与系统的

鲁棒性。

关键词：目标跟踪目标检测 DSP 粒子滤波 AdaBoost

ABSTRACT

In the field of machine vision, target detection and tracking is the most basic and

most important research direction. With the continuous development of artificial

intelligence and integrated circuit manufacturing technology continues to improve, more

and more miniaturized intelligent machine vision systems continue to emerge and has

been widely used.

As a new and efficient algorithm, AdaBoost, respectively, with the particle filter

has been widely used in the target detection and target tracking, but in embedded

systems, due to large amount of computation and hardware resource limitations, these

two algorithms susceptible to bottlenecks and affecting the performance of real-time

machine vision systems. In order to improve target detection speed and accuracy,

simplify particle filter based target tracking algorithm for histogram calculation, and

improve the speed of detection and tracking algorithm in the DSP-based active vision

systems, This paper proposed DSP-based target detection and tracking system. By

improving the EMCV and heuristic search methods, this system achieved the AdaBoost

detection algorithm on the DSP, Constructed the histogram of color and edge orientation

using the incremental histogram calculation algorithm, integrated the histogram for the

observation model and optimizes the target tracking algorithm on the DSP. The

experiment proves that the target detection and tracking system algorithm is fast and the

robustness of the system.

Key Words: Target Tracking，Target Detection，Dsp，Particle Filter，

AdaBoost

摘要

ABSTRACT

第一章绪论 .................................................................................................................... 1

§1.1 研究背景及意义 ............................................................................................... 1

§1.2 国内外发展状况 ............................................................................................... 1

§1.3 研究内容及结构 ............................................................................................... 3

第二章目标的检测 ........................................................................................................ 4

§2.1 AdaBoost 算法的基本原理 .............................................................................. 4

§2.1.1 Harr 特征 ................................................................................................. 4

§2.1.2 积分图像 ................................................................................................. 5

§2.1.3 分类器的训练 ......................................................................................... 6

§2.2 人脸的检测 ....................................................................................................... 8

§2.2.1 OPENCV 的人脸检测 ............................................................................ 9

§2.2.2 基于边缘能量的启发式搜索 ................................................................. 9

§2.2.3 基于肤色的启发式搜索 ........................................................................ 11

§2.3 小结 ................................................................................................................. 13

第三章目标的跟踪 ...................................................................................................... 15

§3.1 粒子滤波的基本原理 ..................................................................................... 15

§3.3.1 贝叶斯最优估计 ................................................................................... 15

§3.3.2 顺序重要性采样 ................................................................................... 16

§3.3.3 退化问题 ............................................................................................... 17

§3.3.4 重采样 ................................................................................................... 18

§3.2 观测模型的建立 ............................................................................................. 18

§3.3.1 颜色理论 ............................................................................................... 18

§3.3.2 基于颜色特征的观测模型 ................................................................... 19

§3.3.3 基于边缘方向特征的观测模型 ........................................................... 22

§3.3 增量式直方图计算算法 ................................................................................. 24

§3.3.1 增量式直方图计算算法的基本原理 ................................................... 24

§3.3.2 增量式直方图计算算法性能的数学证明 ........................................... 26

§3.4 直方图的融合 ................................................................................................. 24

§3.5 模板的更新 ..................................................................................................... 27

§3.6 小结 ................................................................................................................. 28

第四章基于 DSP 的主动视觉平台 ............................................................................. 27

§4.1 系统的硬件 ..................................................................................................... 29

§4.1.1 系统的硬件结构 ................................................................................... 29

§4.1.2 TMS320DM642 处理器 ........................................................................ 29

§4.1.3 主动视觉摄像头及其通信 ................................................................... 31

§4.2 系统的软件 ..................................................................................................... 31

§4.2.1 DSP 的服务端 ....................................................................................... 31

§4.2.2 上位机的客户端 ................................................................................... 31

§4.2.3 目标的搜寻与跟踪策略 ....................................................................... 35

§4.3 小结 ................................................................................................................. 35

第五章系统在主动视觉平台上的实现 ...................................................................... 36

§5.1 OPENCV 在DSP 上的移植 ........................................................................... 36

§5.2 系统在 DSP 上的实现 .................................................................................... 37

§5.2.1 人脸检测的实现 ................................................................................... 37

§5.2.2 目标跟踪的实现 ................................................................................... 37

§5.3 系统在 DSP 上的优化 .................................................................................... 38

§5.3.1 浮点数的定点优化 ............................................................................... 39

§5.3.2 Cache 的优化 ........................................................................................ 41

§5.3.3 EDMA 的使用....................................................................................... 44

§5.3.4 软件流水的优化 ................................................................................... 47

§5.3.5 优化结果 ............................................................................................... 50

§5.4 小结 ................................................................................................................. 55

第六章实验结果与分析 .............................................................................................. 56

§6.1 人脸检测实验 ................................................................................................. 56

§6.2 增量式直方图算法的性能验证实验 ............................................................. 56

§6.3 融合直方图算法的性能验证实验 ................................................................. 56

§6.4 主动视觉综合实验 ......................................................................................... 56

§6.5 小结 ................................................................................................................. 55

第七章成果与展望 ...................................................................................................... 56

§6.1 本课题的主要成果 ......................................................................................... 56

§6.2 展望 ................................................................................................................. 56

参考文献 ........................................................................................................................ 57

在读期间公开发表的论文和承担科研项目及取得成果 ............................................ 61

致谢 .............................................................................................................................. 62

第一章绪论

§1.1 研究背景及意义

所谓机器视觉是用机器代替人眼来做测量和判断，在这一目的上，目标跟踪

与检测技术的出现与发展极大地增强了机器视觉的适用性与实用性。因此在众多

研究方向中，目标的检测与跟踪是重中之重[1]。

现有的目标检测方法可分为基于先验知识的目标检测方法和基于统计模型的

目标检测方法。前者主要使用灰度特征，颜色特征和模板匹配等实现。后者主要

使用特征空间方法，神经网络方法和 AdaBoost 方法等。基于先验知识的目标检测

方法直观，容易针对不同的应用情况进行设计，但鲁棒性不强，容易受噪声和背

景的复杂程度影响。基于统计模型的目标检测方法鲁棒性强，准确率高，但不直

观，算法复杂度高，样本的训练困难。

目标跟踪在自动监控、人机交互、虚拟现实、医学图像处理等领域有着广泛

的应用。一般来说，目标跟踪的难点在于物体的突然运动、环境光照的变化、目

标的形状变化、目标之间的遮挡、目标和背景之间的遮挡、以及摄像头的运动等

方面。在遮挡、变形、光照变化、复杂背景和实时性要求的条件下，实现跟踪的

鲁棒性、快速性具有很大的挑战性。粒子滤波基于蒙特卡洛方法，用粒子集来表

示概率，可以用在任何形式的状态空间模型上，因此其在目标跟踪问题中得到了

广泛的应用。

而随着 DSP 芯片的出现和 DSP 技术的发展和广泛应用，使得计算机视觉技术

和数字图像处理技术也获得了很大发展。DSP 芯片的快速运算能力和嵌入式的编

程正好弥补了计算机视觉和数字图像处理领域数据量大、计算复杂的缺点。基于

DSP 的目标识别与跟踪系统结构简单，体积和功耗小，适用范围将很广，因此，

将目标跟踪算法应用于 DSP 系统具有极大的开发价值。

数字多媒体处理器 TMS320DM642 是TI 公司 C6000 系列的新型高性能 DSP，

容量较大的两级缓存和 EDMA 通道是 DM642 高性能的体现之一，若能合理使用

和管理，将能大幅度提高程序的运行性能。同时，它也是当前使用最广泛的 DSP

之一，因此它是实现目标跟踪算法的理想平台。

§1 .2 国内外发展状况

作为一个模式识别问题，目标的检测包含两个方面的内容：特征提取和分类

方法设计。AdaBoost 算法是 Freund 等提出的一种 Boost 算法，它的目标是自动从

多个弱分类器的空间中挑选出若个分类器组成一个强分类器，AdaBoost 方法对于

人脸检测尤其有效，但最初的检测速度达不到实时检测的需要。2004 年，PaulViola[2]

等提出了积分图像的计算，在此基础上提出一种基于 harr 型特征的 AdaBoost 算法，

基于 DSP 的颜色特征目标检测跟踪技术研究

并实现了快速的正面人脸检测系统，使得 AdaBoost 算法迅速发展起来。之后还有

Li 等人提出了 FloatBoost 算法[3]，在同等精确度的基础进一步减少了所需要特征的

个数。

随着计算机计算能力的快速增长和计算成本的不断降低，粒子滤波己经成为

研究非线性、非高斯动态系统最优估计问题的一个热点和有效方法[4]，在经济学领

域，它被应用在经济数据预测；在军事领域，它被应用于雷达跟踪空中飞行物，

空对空、空对地的被动式跟踪；在交通管制领域，它被应用在对车或人视频监控；

它还可以用于机器人的全局定位。粒子滤波不断有改进的算法提出，例如

Comaniciu 等提出基于均值平移的颜色跟踪算法[5]，Nummiaro 等提出基于颜色的

自适应粒子滤波跟踪算法[6]，Pérez 等提出一种基于颜色的粒子滤波算法实现对多

个目标进行跟踪[7]，Okuma 等提出一种基于 AdaBoost 的粒子滤波算法多目标实时

跟踪算法[8]。

每个物体都有其自身的特征，在跟踪问题中，通常采用目标的颜色特征、边

界特征、纹理特征以及运动特征。引入更多的特征来描述目标，就能提高跟踪的

准确性，但这样会增加计算复杂度，无法满足跟踪的实时性[9]。因此，如何提高算

法的实时性与准确性是当前研究的另一个重要方面。一般来说颜色特征对运动目

标变形、旋转、尺度变化具有一定的鲁棒性，但仅使用颜色特征往往不能把要跟

踪的运动目标和场景中有相似颜色特征的运动目标或背景有效地区分开来，因此

为了提高跟踪的精度和稳定度，算法或特征的融合已经成为必然。

随着集成电路和嵌入式技术的发展，DSP 以其特有的稳定性、可重复性、超

强的数据处理能力，促进了图像处理领域的发展。文献[10]通过 DSP 对人脸与人眼

的实时检测，在移动设备上实现了裸眼 3D 画面的显示，文献[11]则用多种算法在

DSP 上实现了目标的实时跟踪。可以预计，DSP 将应用于越来越多的实际场合中，

基于 DSP 目标检测与跟踪技术也将成为一个重要的研究方向。

但是，当将多特征描述目标的跟踪系统应用于资源受限的嵌入式系统上时，

这一影响尤其明显。而将直方图用于表达目标特征时，由于粒子间的重叠，算法

消耗大量时间做重复计算，严重占用了 DSP 系统资源。文献[12-15]在直方图的快

速计算上做出了有益的尝试，但对目标跟踪问题没有针对性，也没有探讨与粒子

滤波的结合机制以及在 DSP 上的实现方法。为了更好地利用 DSP 的片上资源，提

高程序运行的性能与效率，急需对粒子滤波算法中的直方图计算做出改进。

另一方面，引入新的 DSP 编程方法，也可以提高算法的运行性能，例如将

OpenCV 移植至 DSP 系统。OpenCV 是Intel 公司支持的开源计算机视觉库。它由

一系列 C 函数和少量 C++ 类构成，实现了图像处理和计算机视觉方面的很多通

文档加载中……请稍候！
如果长时间未打开，您也可以点击刷新试试。

下载文档到电脑，查找使用更方便

15 积分 4人已下载

立即下载 VIP免费下载

摘要：

摘要在机器视觉领域，目标的检测与跟踪是最基本也是最重要的两个研究方向。随着人工智能的不断发展与集成电路制造技术的不断提高，越来越多的小型化的智能机器视觉系统不断出现并得到了广泛应用。作为新兴的、高效的算法，AdaBoost与粒子滤波在分别在目标检测与目标跟踪领域得到了广泛的应用，但在嵌入式系统中，由于计算量太大与硬件资源限制的原因，这两种算法容易遭遇计算瓶颈从而影响机器视觉系统的实时性。为了提高目标检测的快速性与准确性，简化基于粒子滤波的目标跟踪算法中的直方图计算，提高检测和跟踪算法在基于DSP的主动视觉系统上的运行速度，本文提出了一种基于DSP的目标检测跟踪系统。该系统通过改进的EMCV与启...

展开>> 收起<<

基于DSP的颜色特征目标检测跟踪技术研究.pdf

共64页,预览7页

还剩页未读，继续阅读

基于DSP的颜色特征目标检测跟踪技术研究

相关推荐

开通VIP享超值会员特权

作者详情

相关内容

推荐作者

热门标签

举报选择: