camshift算法的运动目标追踪
摘 要运动目标追踪在当下生产、生活中的运用已经十分广泛。在诸如武器、航空航天、医疗卫生、工业控制等行业中，运动目标检测跟踪已经成为一项不可或缺的关键技术。目前的研究大多是针对于静态背景下的运动目标识别追踪，而对于动态变化背景下的目标追踪研究相对较少。本文采用基于mean shift的CAMSHIFT算法，实现了基于二轮摄像头小车平台的运动目标追踪。整个系统包括硬件平台和软件算法两个部分。硬件平台：即二轮小车，采用基于Cortex-M3内核的STM32F103作为CPU，普通USB摄像头获取图像数据，通过WiFi网络和PC端建立通迅连接；上位机软件部分：在MATLAB环境下采用基于mean shift的CAMSHIFT算法，对通过摄像头获取的连续帧图像进行处理，得到所选定跟踪目标的实时位置坐标，从而向二轮小车发送指令来控制小车跟踪目标。本文采用的算法相对于传统的CAMSHIFT跟踪算法，屏蔽了运动目标形变产生的影响，目标定位更精确；WiFi通迅方式相对于其他无线通迅方式，传输速率更快，尤其是在传输图片等数据量较大的情况下，大大提高了系统响应速度。整个系统实现了即快速又准确的跟踪效果。
目 录
摘 要 I
Abstract II
目 录 III
第1章 绪论 1
1.1 课题研究背景及意义 1
1.2 运动目标追踪研究现状 1
1.2.1 跟踪模型研究现状 1
1.2.2 跟踪算法研究现状 3
1.2.3未来研究方向 5
1.3 主要设计任务及章节安排 6
第2章 主要软硬件介绍 8
2.1 引言 8
2.2 软件平台介绍 8
2.2.1 MATLAB简介 8
2.2.2 MATLAB自选工具箱 10
2.3 主要硬件介绍 13
2.3.1控制器部分 13
2.3.2数据传输部分 19
2.4 本章小结 22
第3章 硬件平台设计与实现 23
3.1 引言 23
3.2 硬件平台整体设计 23
3.3 硬件系统连接及开发 24
*好棒文|www.hbsrm.com +Q: ^3^5^1^9^1^6^0^7^2^*
3.3.1 电源模块连接与调试 24
3.3.2 图像采集与数据传输模块连接与调试 26
3.3.3 测速模块连接与调试 30
3.3.4 电机与驱动模块连接与调试 31
3.3.5 电平转换模块连接与调试 33
3.4 本章小结 33
第4章 基于均值漂移的CAMSHIFT算法 34
4.1 引言 34
4.2 实时图像获取 34
4.3 基于mean shift的CAMSHIFT目标跟踪算法 35
4.3.1 算法简介 35
4.3.2 算法实现 36
4.4 移动平台控制 39
4.5 本章小结 39
第5章 实验结果与分析 40
5.1 实验结果 40
5.2 问题与分析 41
第6章 总结与展望 42
6.1 总结 42
6.2 展望 42
参考文献 43
致 谢 45
附录 文献翻译 46
第1章 绪论
1.1 课题研究背景及意义
人类主要依靠视觉信息来感知这个世界，我们获得的外部信息绝大多数都来自于双眼。机器视觉即模仿人的视觉系统，用传感器获取图像来代替人的眼睛，用电脑代替人脑完成对所获取的图像信息进行处理，从而得到所需信息。伴随着物联网技术和人工智能的飞速发展，机器视觉所扮演的角色越来越不可或缺。
视觉跟踪技术：对一连串在时间上连续的图像帧，进行目标检测、识别、滤波、跟踪，获得所选定目标的运动信息，如坐标位置，运动状态等，并根据所得到的目标行为信息进行相应的计算、处理和控制。通过估算目标运动状态来探测和跟踪。视觉跟踪技术是许多计算机视觉应用的重要组成部分，如智能视频监控、友好人机交互等。当前，视觉跟踪技术是计算机理解目标行为的主要手段，也是未来一段时间内计算机领域最炙手可热的研究方向之一。
美国和欧洲最先开展对计算机视觉的研究。最早是在军事安全领域，如成像制导，精确打击等技术的需求，美国军方开始了视觉目标检测与跟踪的研究项目。视觉跟技术在军事武器领域，如无人机等，发展成熟之后，人们开始把这项技术应用到民用领域。至今，该技术在诸如驾驶员助手，车载导航，工业机器人，人机交互，视频监控，生物识别，视频游戏，工业自动化和安全等领域的应用层出不穷。可以说视觉跟踪技术很大程度上改变了人类的生活方式。
基于机器视觉的目标跟踪技术已经比较成熟。至今，已提出了多种跟踪模型和许多跟踪算法，如kalman预测跟踪算法，mean shift跟踪算法和粒子滤波算法等。每个算法都有各自特点。针对于不同的环境，如背景环境，目标运动速度等不同条件下，各不同算法都有其优缺点。
1.2 运动目标追踪研究现状
1.2.1 跟踪模型研究现状
为满足不同要求、不同背景下的目标追踪，发展出许多不同特征的跟踪模型。常见的有以下五种典型模型：
单摄像头与多摄像头
基于视觉目标追踪过程中所使用的图像获取工具，即摄像头的数量，将运动目标追踪分为单目视觉跟踪（Monocular camera）和多摄像头跟踪（Multiple cameras）。
单摄像头跟踪的优点在于，相对于多摄像头跟踪，其获取的单个图像处理简单；缺点在于单摄像头视野范围有限，当出现障碍物遮挡时，无法通过对单目视觉图像处理计算出目标运动状态。
因此，在环境复杂、场景范围较大的场合，需采用多摄像头跟踪目标。多摄像头跟踪模型优点在于，通过对同一时间、不同视角的图像处理，能够很好地解决障碍物遮挡的问题，对于背景、光线等影响跟踪效果的干扰因素能起到一定的屏蔽作用。但是，不同视角多图像处理较为复杂。
摄像头静止与摄像头运动
在实际应用的运动目标追踪系统中，摄像头可能是静态的，比如校园安保系统中的监控摄像头，都是固定于某一位置；也可能是动态的，比如视觉导航应用，摄像头往往都是固定在移动平台上，如无人机、汽车等。因此，根据摄像头的运动状态，可以将运动目标追踪分为摄像头静止与摄像头运动两种模型。
单目标跟踪与多目标跟踪
在实际应用中，同一场景下需要跟踪的目标可能不止一个，根据所选定的跟踪目标数量，将跟踪模型分为单目标跟踪和多目标跟踪。单目标跟踪相对较为简单，干扰因素相对较少。而当同一场景中有多个跟踪目标时，问题将更加复杂和困难。多目标跟踪需要从帧图像中得到多个跟踪目标的位置、形状、运动状态等信息。当出现目标形状改变、动态光照以及目标之间相互遮挡等情况时，问题将会变得更加复杂。复杂环境下多目标跟踪是当前视觉追踪研究中的难点和热门话题。
刚体跟踪与非刚体跟踪
目 录
摘 要 I
Abstract II
目 录 III
第1章 绪论 1
1.1 课题研究背景及意义 1
1.2 运动目标追踪研究现状 1
1.2.1 跟踪模型研究现状 1
1.2.2 跟踪算法研究现状 3
1.2.3未来研究方向 5
1.3 主要设计任务及章节安排 6
第2章 主要软硬件介绍 8
2.1 引言 8
2.2 软件平台介绍 8
2.2.1 MATLAB简介 8
2.2.2 MATLAB自选工具箱 10
2.3 主要硬件介绍 13
2.3.1控制器部分 13
2.3.2数据传输部分 19
2.4 本章小结 22
第3章 硬件平台设计与实现 23
3.1 引言 23
3.2 硬件平台整体设计 23
3.3 硬件系统连接及开发 24
*好棒文|www.hbsrm.com +Q: ^3^5^1^9^1^6^0^7^2^*
3.3.1 电源模块连接与调试 24
3.3.2 图像采集与数据传输模块连接与调试 26
3.3.3 测速模块连接与调试 30
3.3.4 电机与驱动模块连接与调试 31
3.3.5 电平转换模块连接与调试 33
3.4 本章小结 33
第4章 基于均值漂移的CAMSHIFT算法 34
4.1 引言 34
4.2 实时图像获取 34
4.3 基于mean shift的CAMSHIFT目标跟踪算法 35
4.3.1 算法简介 35
4.3.2 算法实现 36
4.4 移动平台控制 39
4.5 本章小结 39
第5章 实验结果与分析 40
5.1 实验结果 40
5.2 问题与分析 41
第6章 总结与展望 42
6.1 总结 42
6.2 展望 42
参考文献 43
致 谢 45
附录 文献翻译 46
第1章 绪论
1.1 课题研究背景及意义
人类主要依靠视觉信息来感知这个世界，我们获得的外部信息绝大多数都来自于双眼。机器视觉即模仿人的视觉系统，用传感器获取图像来代替人的眼睛，用电脑代替人脑完成对所获取的图像信息进行处理，从而得到所需信息。伴随着物联网技术和人工智能的飞速发展，机器视觉所扮演的角色越来越不可或缺。
视觉跟踪技术：对一连串在时间上连续的图像帧，进行目标检测、识别、滤波、跟踪，获得所选定目标的运动信息，如坐标位置，运动状态等，并根据所得到的目标行为信息进行相应的计算、处理和控制。通过估算目标运动状态来探测和跟踪。视觉跟踪技术是许多计算机视觉应用的重要组成部分，如智能视频监控、友好人机交互等。当前，视觉跟踪技术是计算机理解目标行为的主要手段，也是未来一段时间内计算机领域最炙手可热的研究方向之一。
美国和欧洲最先开展对计算机视觉的研究。最早是在军事安全领域，如成像制导，精确打击等技术的需求，美国军方开始了视觉目标检测与跟踪的研究项目。视觉跟技术在军事武器领域，如无人机等，发展成熟之后，人们开始把这项技术应用到民用领域。至今，该技术在诸如驾驶员助手，车载导航，工业机器人，人机交互，视频监控，生物识别，视频游戏，工业自动化和安全等领域的应用层出不穷。可以说视觉跟踪技术很大程度上改变了人类的生活方式。
基于机器视觉的目标跟踪技术已经比较成熟。至今，已提出了多种跟踪模型和许多跟踪算法，如kalman预测跟踪算法，mean shift跟踪算法和粒子滤波算法等。每个算法都有各自特点。针对于不同的环境，如背景环境，目标运动速度等不同条件下，各不同算法都有其优缺点。
1.2 运动目标追踪研究现状
1.2.1 跟踪模型研究现状
为满足不同要求、不同背景下的目标追踪，发展出许多不同特征的跟踪模型。常见的有以下五种典型模型：
单摄像头与多摄像头
基于视觉目标追踪过程中所使用的图像获取工具，即摄像头的数量，将运动目标追踪分为单目视觉跟踪（Monocular camera）和多摄像头跟踪（Multiple cameras）。
单摄像头跟踪的优点在于，相对于多摄像头跟踪，其获取的单个图像处理简单；缺点在于单摄像头视野范围有限，当出现障碍物遮挡时，无法通过对单目视觉图像处理计算出目标运动状态。
因此，在环境复杂、场景范围较大的场合，需采用多摄像头跟踪目标。多摄像头跟踪模型优点在于，通过对同一时间、不同视角的图像处理，能够很好地解决障碍物遮挡的问题，对于背景、光线等影响跟踪效果的干扰因素能起到一定的屏蔽作用。但是，不同视角多图像处理较为复杂。
摄像头静止与摄像头运动
在实际应用的运动目标追踪系统中，摄像头可能是静态的，比如校园安保系统中的监控摄像头，都是固定于某一位置；也可能是动态的，比如视觉导航应用，摄像头往往都是固定在移动平台上，如无人机、汽车等。因此，根据摄像头的运动状态，可以将运动目标追踪分为摄像头静止与摄像头运动两种模型。
单目标跟踪与多目标跟踪
在实际应用中，同一场景下需要跟踪的目标可能不止一个，根据所选定的跟踪目标数量，将跟踪模型分为单目标跟踪和多目标跟踪。单目标跟踪相对较为简单，干扰因素相对较少。而当同一场景中有多个跟踪目标时，问题将更加复杂和困难。多目标跟踪需要从帧图像中得到多个跟踪目标的位置、形状、运动状态等信息。当出现目标形状改变、动态光照以及目标之间相互遮挡等情况时，问题将会变得更加复杂。复杂环境下多目标跟踪是当前视觉追踪研究中的难点和热门话题。
刚体跟踪与非刚体跟踪
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jxgc/zdh/2947.html
