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

　　（1）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域的一種技術，一般能提供最完全的特征數據，但對于動態場景的變化，如光照等事件的干擾特別敏感。考慮到攝像機移動緩慢，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。針對本裝置的設計要求，我們應用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：

　　（2）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，產生欠分割或過分割的現象。由于陰影象素的灰度值在一個局部領域中變化不是很大，所以顏色濾波主要是構造一個包含陰影的模板，再用這個模板與差分結果做邏輯與的操作，從而檢出陰影。本算法比較簡單，執行速度快，處理中不需要區分陰影和半陰影，而且可以將移動陰影和背景中的陰影都檢出來，只是模板中的參數要根據現實情況和經驗來定。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。

　　（3）形心跟蹤算法

　　形心跟蹤是將整個跟蹤波門內的圖像二值化，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，用目標峰值自適應檢測算法使系統的計算可靠性和實時性達到最佳結合值。

　　（4）相關跟蹤算法

　　相關跟蹤是對目標圖像和輸入圖像進行相關運算，通過對搜索區域每次運算結果進行處理獲取相關峰值，從而確定目標在輸入圖像的位置。在圖像目標背景比較復雜以及背景與目標無明顯灰度差的場合，相關跟蹤具有較好的抗干擾能力，可以應付一定的形變和灰度畸變，能對復雜場景中的指定目標進行穩定跟蹤，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匹配算法進行圖像特征識別，相似性度量為：

　　（5）雙模式組合算法[6]

　　如表1所示，由于形心跟蹤和相關跟蹤各有優缺點，具有較大的互補性[7]

　　。采用形心跟蹤算法的DSP和相關匹配跟蹤算法的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，把相關匹配跟蹤模式中采用相關峰值的相關度函數構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，同時對不適當的跟蹤模塊進行重新裝定。