崔杰，徐從體

蚌埠醫(yī)學院體育藝術部，安徽蚌埠233030

基于高性能嵌入式平臺的人體運動目標跟蹤技術研究

崔杰，徐從體

蚌埠醫(yī)學院體育藝術部，安徽蚌埠233030

隨著計算機圖像處理方法的飛速發(fā)展，圖像目標跟蹤系統(tǒng)在工業(yè)、安防、人體運動檢測等領域得到越來越廣泛的應用。本文設計并實現了基于TI公司高性能達芬奇片上系統(tǒng)（SoC）的實時圖像采集、處理、顯示和網絡傳輸等功能的嵌入式圖像處理，并針對高斯背景建模的改進算法，提出一種基于光流的Mean-Shift核帶寬估計算法，實現了對人體運動目標的準確跟蹤。

目標跟蹤；人體運動檢測；嵌入式圖像處理

隨著近20年來光電傳感器技術的長足發(fā)展以及計算機速度和容量的大幅提升，越來越多的理論研究變成了現實產品，極大了提高了生產效率、生活質量以及國防裝備水平［1］。作為計算機視覺領域的一個研究分支，計算機圖像目標跟蹤具有較強的實用性，全世界科研工作者在這個領域做了大量的工作。近幾年來，嵌入式圖像處理產品已經廣泛應用于安全防衛(wèi)、工業(yè)以及農業(yè)生產監(jiān)控、交通監(jiān)控以及國防科技等多個方面［2］。因嵌入式圖像處理平臺具有很大的實際意義和應用價值，基于此，本文對嵌入式高性能圖像處理平臺做了較為深入的研究，設計并實現了基于TI公司DM 6467T的身體運動目標跟蹤系統(tǒng)。

1　硬件電路設計

1.1圖像編解碼模塊設計

為了便于本系統(tǒng)與高清液晶監(jiān)視器直接連接從而監(jiān)控系統(tǒng)工作，本系統(tǒng)視頻輸出直接采用HDM I接口輸出。接口將DM 6467T輸出BT.1120格式數據流轉換成HDM I數據流［3］。因此，在顯示電路設計時，采用專用于HDM I顯示的具有高性能HDM I編碼芯片Sil9134可以將視頻輸出到外部監(jiān)視器上直接顯示。將輸出信號經過90歐姆差分阻抗匹配電路后，即可直接將信號輸出到監(jiān)視器上實現圖像顯示功能。

1.2千兆以太網接口模塊設計

本系統(tǒng)的千兆以太網絡模塊設計是基于DM 6467T的EMAC模塊［4］進行擴展設計的。DM 6467T片內外設已經集成了10/100/1000M網絡數據鏈路層，通過GM II接口連接外部的網絡物理層。因此，在EMAC接口掛接一個支持GM II型接口的網絡物理層芯片，并經過網絡變壓器和RJ45接口即可實現10/100/1000M網絡的數據通訊功能。本文跟蹤系統(tǒng)圖像輸入即采用AVT公司的GC660高速GigE攝像頭。

1.3第二代雙倍速同步動態(tài)存儲器（DDR2-SDRAM）模塊設計

DDR2-SDRAM［5］中，在激活一行后，需要等待tRCD個時鐘周期然后才可以進行讀寫操作，而預充電指令需等待tRAS個周期。而tRC是同一個槽從前一次激活指令到后一次激活指令之間需要最小的等待周期，tRRD是不同槽從前一次激活指令到后一次激活指令之間需要最小的等待周期。操作存儲芯片時需要嚴格遵守其時序參數，如果不按照要求操作可能會導致數據錯誤或者根本無法訪問存儲器。

如式所示，定義存儲器效率函數：

tPr ech arg eAll為tRP以及tRAS的時間總和。這部分效率損失大約只有1%左右，占到整個動態(tài)同步隨機存儲器效率損失的極小一部分，而且控制器可以同時對多個槽輪流發(fā)送刷新指令，減少沖突可能，進一步提高效率。

1.4系統(tǒng)監(jiān)控以及低速通訊模塊設計

本系統(tǒng)采用了實時操作系統(tǒng)RT-Thread用來做任務管理。RT-Thread實時操作系統(tǒng)核心是一個高效的硬實時核心，它具備非常優(yōu)異的實時性、穩(wěn)定性、可剪裁性，內核體積可以小到3 k Rom占用、1 k Ram占用［6］。一共設計了四個進程，按照它們的優(yōu)先級排列分別是：電壓監(jiān)控進程、CAN總線守候進程、紅外通訊守候進程、開機初始化進程。

圖1　電壓監(jiān)控進程流程圖Fig.1M onitoring process for voltage

圖2　CAN總線守候進程流程圖Fig.2Waiting process of CAN bus

圖3　紅外通訊守候進程流程圖Fig.3Waiting process of infrared communication

圖4　開機初始化進程流程圖Fig.4 Initialprocessof boot

1.5多層高速電路PCB設計

由于本系統(tǒng)功能和接口比較多，因此根據布局需要，確定PCB尺寸為：187*137mm。布局上，以DM 6467T為核心，本著方便的原則，將視頻輸入輸出接口等需要經常插拔的接口放置上PCB上方，將低速接口以及調試接口放置在下方。同時，本系統(tǒng)處理核心芯片為BGA封裝，共有529個引腳。引腳信號密度非常高，因此采用6層PCB板進行設計。

本系統(tǒng)上有大量的高速信號，在設計PCB時必須考慮阻抗匹配問題。在PCB設計中，分別是微帶線與帶狀線。兩種模型其阻抗計算公式分別為（3）與（4）。

對于微帶線計算，其阻抗為：

對于帶狀線，其阻抗為：

式中的εr為介電常數，主要同PCB的材料有關，外界的溫度、濕度等對其影響不大。

2　基于高斯混合模型的運動目標檢測算法

2.1改進混合高斯模型（IGMM）的運動檢測算法

2.1.1混合高斯模型（GMM）

假設有一組在維度為d的空間內的點xi，i=1…n，若這些點的分布近似于橢球狀，可以用高斯密度函數g（x；μ；∑）來描述其概率密度分布：

其中μ為密度函數的中心點，∑代表這個概率密度函數的協(xié)方差矩陣，其數值決定了概率密度函數的形狀、寬窄以及走向。

在圖像中利用單高斯分布并不能表征圖像中某一像素特征的分布情況，將每一個像素都用K個高斯分布的組合來建模。某個像素點在N時刻像素值為NX的概率為：

其中wj為第k個高斯分量的權值，（xN；θj）為第k個分量的高斯分布：

在式（7）中K個∑k為第K個分量的協(xié)方差矩陣，這個高斯分布序列按照他們的適合度wk/σk來排序，從中挑選B個適合度最大的高斯分布來進行背景建模。B由下式可得到：

其中T為閾值，其值由背景在整個圖像序列中出現的概率決定，式（6）中的wj需要滿足：

2.1.2混合高斯模型學習系數更新方法在模型的更新中，學習系數α起到了非常關鍵的作用，在處理每一幀圖像的時后，學習系數參與到模型中均值、標準差以及權重系數的更新。定義匹配失敗率CF計數為：

每一次用被測試像素點來匹配模型的時，都記錄下其失敗與否。設置一個時間間隔為5幀，每5幀后據匹配失敗率的大小來調整學習系數，做一次學習系數更新。

3　基于光流的M ean-Shift核帶寬自適應估計算法

3.1基于光流的帶寬估計

光流法是對圖像的運動場進行估計，將相似運動矢量合并形成運動目標檢測的方法［7］。它主要利用灰度的變化信息，能夠從圖像序列的灰度變化中計算速度場，還可以利用一些約束條件從速度場中推出運動參數和物體結構［8］。光流計算進行像素級運動估計，主要基于亮度恒常性假設。在u，v組成的二維空間中，光流基本方程定義了一條約束直線，在直線上的所有u，v均可以滿足（11）式，這是一個病態(tài)方程，需要引入額外的約束才能求得其解。

3.2算法描述

（1）在第i幀選定目標，得到初始跟蹤窗口iW；

（2）計算圖像光流場，進行光流聚類；

（3）對目標區(qū)域進行輪廓提取，利用隨機采樣一致法獲取目標帶寬；

（4）如果計算完成，更新Mean-Shift帶寬，如果沒有完成，則沿用上一步帶寬；

（5）采用Mean-Shift算法，獲取目標新的位置；

（6）令i=i+1，轉到步驟1；

3.3身體運動目標跟蹤實驗結果及分析

視頻序列采用YCbCr顏色空間，其分辨率為1280*720，對每一個色彩分量做8級量化，共有8*8*8個特征。圖5和圖6中，從（a）到（c）分別是第11，57以及159幀處的人體運動目標跟蹤效果圖；圖5中，在第57幀處，對照算法跟蹤誤差開始增大，到第159幀可以看出，對照算法跟蹤窗已經移出人體運動目標，跟蹤失敗。而圖6中，本文算法可以一直有效的跟蹤人體運動目標。

圖5　固定核帶寬算法實驗視頻第11，77，159幀的人體運動目標跟蹤效果Fig.5Theobject tracking effectofhumanmotion at frames11，77，159 in videowith fixed kernelbandwidth algorithm

圖6　跟蹤算法實驗視頻第11，77，159幀的人體運動目標跟蹤效果Fig.6Theobject tracking effectofhumanmotion at frames11，77，159 in videow ith trackingalgorithm

圖7是實驗結果，采用高斯核函數，在視頻序列初始時，通過人體運動目標為跟蹤對象，其坐標（420，20），選取核帶寬為20個像素。由跟蹤效果圖可見，固定核帶寬函數的跟蹤算法，隨著目標尺寸逐漸變大，跟蹤窗口趨于目標的一個局部，跟蹤窗口中心偏離目標中心。而本文算法可以調整跟蹤核帶寬，較為準確跟蹤了人體運動目標尺度的變化，跟蹤精度有較多提高，可以應用于常規(guī)視頻中人體運動目標的跟蹤。

圖7　固定和帶寬算法實驗視頻人體運動目標跟蹤BH系數Fig.7 BH coefficient of humanmotion tracking in videow ith fixed and bandw idth algorithm s

4　結論

通過分析國內外嵌入式圖像跟蹤系統(tǒng)的優(yōu)缺點，結合本實驗室的特點確定了系統(tǒng)總體功能和方案設計，并進行了性能指標的分析和可實現性分析。在此基礎上，本文研究了相關的圖像目標跟蹤以及人體運動目標檢測算法。第一，針對高斯混合模型學習系數的更新問題，引入了匹配失敗率計數，通過計數值動態(tài)改變學習率，加快了模型學習速率；第二，針對Mean-Shift核函數帶寬獲取問題，研究了一種利用光流來估計核函數帶寬的方法，改進的跟蹤算法在人體目標跟蹤試驗中擁有較好的跟蹤效果。

［1］Liu H，Mohammed I，Fan Y，et al.An HDM I cable equalizer w ith self-generated energy ratio adaptation scheme［J］. Circuitsand Systems，2009，56（7）：595-599

［2］李武，侯志強，魏國劍，等.跟蹤框自適應的尺度變化目標跟蹤算法［J］.山東大學學報：工學版，2014，44（2）：28-34

［3］王建華，張方華，龔春英，等.電壓控制型BuckDC/DC變換器輸出阻抗優(yōu)化設計［J］.電工技術學報，2007，22（8）：18-23

［4］張波，胡宗波，Author.同步整流器中MOSFET的雙向導電特性和整流損耗研究［J］.中國電機工程學報，2002（3）：89-94

［5］Yang M，Lai C，Lin C.A robust EM clustering algorithm for Gaussian mixture models［J］.Pattern Recognition，2012，45（11）：3950-3961

［6］郭志波，董健，龐成.多技術融合的Mean-Shift目標跟蹤算法［J］.山東大學學報：工學版，2015，45（2）：10-16

［7］田金文，王勇，譚毅華.基于Meanshift的核窗寬自適應目標跟蹤新算法［J］.數據采集與處理，2009（6）：762-766

［8］李勇明，覃劍，曾孝平.基于邊界力的Mean-Shift核窗寬自適應算法［J］.軟件學報，2009（7）：1726-1734

Study on Object Tracking Technology of Human Motion Based on the Embedded Platform with High Performance

CUIJie，XU Cong-ti
DepartmentofSports and Arts/Bengbu MedicalCollege，Bengbu 233030，China

With the rapid developmentof computer technology and image processing algorithm，visualobject tracking system ismore w idely used in industrial，security，body object testing and others.This paper designed and implemented for the treatment to the embedded live images through collection，display and network transm ission based on TI's high performance DaVinci System on Chip（SoC）and put forward a kernel bandw idth estimated algorithm on Mean-Shift on a basis of improved the Gaussian backgroundmodeling algorithm to realize an exact tracking forhumanmotion.

Object tracking；humanmotion detection；embedded image treatment

TN957.52

A

1000-2324（2016）04-0611-05

2016-05-12

2016-06-06

崔杰（1980-），男，碩士，講師，主要研究方向為運動醫(yī)學、體育訓練.E-mail：bbcjie1999@163.com