視頻跟蹤算法在Davinci SOC上的實(shí)現與優(yōu)化

　　引言

　　目標跟蹤作為計算機視覺(jué)的一個(gè)極具挑戰性的研究任務(wù)，已被廣泛的應用在人機交互、智能監控、醫學(xué)圖像處理等領(lǐng)域中。目標跟蹤的本質(zhì)是在圖像序列中識別出目標的同時(shí)對其進(jìn)行精確定位。為了克服噪聲、遮擋、背景的改變等對目標識別帶來(lái)的困難，出現了很多的跟蹤算法。

　　因為目標跟蹤算法需要處理的數據量大、運算復雜，需要性能強大的處理器才能實(shí)時(shí)處理。我們選用TI推出的最新產(chǎn)品TMS320DM6446實(shí)現算法。TMS320DM6446是一款高度集成的片上系統，集成了可以運行頻率高達594MHz的C64x+ DSP核和297MHz的ARM926處理器核。另外它還集成了數字視頻所需的許多外部組件，如視頻加速器，網(wǎng)絡(luò )外設及高速外部存儲接口。本設計充分利用DM6446的強大運算能力，在DSP內核上實(shí)時(shí)運行目標跟蹤算法。 設計還在A(yíng)RM處理器上執行多線(xiàn)程應用程序，負責視頻采集，顯示，網(wǎng)絡(luò )通信，外圍器件控制等工作。

　　算法介紹

　　本系統實(shí)現的視頻跟蹤算法可參考文獻[1]-[5]，整個(gè)算法分為基本算法和改進(jìn)算法兩部分。本算法是一種基于模板匹配技術(shù)的跟蹤算法，即在手工選定或自動(dòng)選定了待跟蹤目標后，提取目標的外觀(guān)信息作為模板，在后續的視頻序列中，將候選圖像區域與目標模板進(jìn)行匹配，將最相似的圖像區域作為運動(dòng)目標當前的位置。在本文中，采用結構相似度，即“歸一化互相關(guān)系數”作為候選區域與目標模板相似程度的度量標準，其計算公式如下所示：

　　上式中，f(m,n)和g(m,n)分別為目標模板和候選區域的灰度值矩陣，尺寸為MxN。uf和ug分別為目標模板和候選區域的灰度平均值，然后再求出f(m,n)和g(m,n)的協(xié)方差、f(m,n)的方差、g(m,n)的方差后，求出歸一化互相關(guān)系數。式(1)通過(guò)從灰度值矩陣中減去灰度均值，有效地消除了光照給跟蹤結果帶來(lái)的影響。而對于匹配圖像區域的搜索，為了達到減少匹配次數從而降低計算量的目的，我們借鑒了視頻壓縮領(lǐng)域中的三步搜索法(Three Step Search, TSS) 作為最匹配點(diǎn)的搜索算法[2]。

　　為了增加模板匹配視頻目標跟蹤算法的魯棒性，我們在基本算法的基礎上實(shí)現了改進(jìn)算法的部分。改進(jìn)算法具有自適應遮擋處理與模板漂移抑制的能力，能夠很好地解決前面提到模板匹配的視頻目標跟蹤算法需要解決的難題。具體來(lái)說(shuō)，主要有如下四點(diǎn)改進(jìn)：(1) 抑制漂移的帶掩蔽卡爾曼外觀(guān)濾波算法(Drift-Inhibitive Masked Kalman Appearance Filter, DIMKAF ) [1][3][4] ;(2) 內容自適應漸進(jìn)式遮擋分析算法(Content-Adaptive Progressive Occlusion Analysis, CAPOA)[1][5];(3) 可變掩蔽模板匹配算法(Variant-Mask Template Matching, VMTM)[1][5];(4) 局部最優(yōu)匹配鑒定算法(Local Best Match Authentication, LBMA)[1]。 改進(jìn)后整個(gè)算法的流程圖如下所示：

　　圖 1 跟蹤算法主流程圖