基于DSP-FPGA的嵌入式篮球运动视频目标跟踪算法实现*

杨 彬， 王同喜

(1.长江大学 体育学院，湖北 荆州 434020；2.长江大学 计算机科学学院，湖北 荆州 434020)

运动目标跟踪是视频监控系统中非常重要的一个环节，近年来，已经逐渐成为一个研究热点[1-4].在运动目标跟踪中，传统粒子滤波方法存在粒子退化现象难以有效解决，缺乏通用性，重要密度函数选择困难，重采样设计难度大等问题.文献[5]采用人工鱼群算法改进重要密度函数，提出了一种改进的粒子滤波运动目标跟踪方法.该方法提高了重要密度函数的通用性，取得了令人满意的目标追踪结果.文献[6]提出了一种改进的压缩感知(compressed sensing，CS)算法，以解决由于运动目标纹理变化大，以及目标被遮挡而导致跟踪误差大、跟踪丢失等问题.算法采用设置Sigmoid函数响应阈值.文献[7]提出基于改进的CamShift目标跟踪算法.通过将背景颜色设置为初始搜索窗口颜色直方图模型中最小分量值对应的色彩值，增大目标与背景区域之间的颜色差值，解决相似背景的干扰问题.

将Mean-Shift算法用于跟踪篮球运动视频目标的算法，并设计一种DSP-FPGA硬件实现框架.实验证明，提出的方法能够准确跟踪运动目标.

1 基于Mean-Shift算法目标跟踪

1.1 目标跟踪

目标跟踪即对视频图像进行精确定位，并使用跟踪窗口来锁定目标的位置、速度、加速度等信息，同时记录目标的轨迹，从而了解目标的变化和目的，以便完成更高一级的识别任务.目标跟踪系统的工作流程框图如图1所示.特征提取和目标跟踪算法是组成目标跟踪的两个部分.目标特征一般分成以下几种：

(1) 将目标的轮廓作为特征;

(2) 将目标的纹理作为特征;

(3) 将目标区域的颜色直方图作为特征.

1.2 Mean-Shift算法

Mean-Shift算法早在1975年即由Fukunaga等提出[8-10]，真正发展起来是在1995年，Yizong Cheng发表的一篇关于Mean-Shift算法的文章，其在Mean-Shift算法中加入了kernel的概念，并加入了权重系数，极大地扩大了Mean-Shift算法的应用空间、图像平滑、图像分割、tracking等一系列应用.其中，Mean-Shift算法在量度空间的多维空间数据点：

(1)

式中：K(x)为核函数(又称窗函数)；h为核函数的大小(又称核函数的宽带).两种典型的核函数包括高斯核KN(x)和Epanechnikov核KE(x).正太核函数定义如下：

(2)

该核函数的轮廓函数kN(x)为：

(3)

为了得到具有支撑特点的核函数，正太核函数通常进行对称截取.

Epanechnikov核函数定义如下：

(4)

该核函数的轮廓函数kE(x)为：

(5)

并且其在边界不可微.Mean-Shift向量为：

(6)

式中，Y1是新的目标中心，g(x)=-k′(x)是核函数k(x)的影子核.在迭代过程中，目标定位完成的判断依据是Mean-Shift向量的模值小于给定阈值.

2 目标跟踪算法及其硬件设计

2.1 篮球运动视频目标跟踪

将基于Mean-Shift算法的目标跟踪过程分成4步完成：

(1) 首先构建一个包含运动目标的搜索窗，并初始化其大小和位置.

(2) 计算被跟踪目标的色彩直方图.将其他的色彩空间的值转化到HSI空间，再对其中的H分量做1D直方图计算.

(3) 输入待搜索图像，并运行算法，获取新搜索窗位置和大小.

(4) 输入下一帧待搜索图像，用上一步获得的值更新窗位置和大小，转到步骤(2)继续运行.

从上述步骤可以看出，Mean-Shift算法是一个迭代寻找局部模式的过程，该迭代过程可以用式(7)表示：

(7)

(8)

(9)

其中，加权因子

(10)

为了获得运动目标的新位置y1，基于Mean-Shift过程迭代，搜寻邻域内该密度估计的极大值：

(11)

式中，x∈[0,∞)中除有限集点外，设k′(x)始终存在.

2.2 硬件设计

提出的实时目标跟踪的硬件系统主要构成有：现场可编程阵列FPGA、可编程逻辑芯片组CPLD、核心芯片TMS320C6416T作为数字信号处理器，使用的开发板如图2所示.

首先，为了满足A / D输入视频信号的需求，模拟视频信号要经预处理图像传感器固定、滤波和放大.然后，该信号由具有8 bit的高速率A / D转换器采样，输出的信号直接发送到FPGA，在执行其他函数的同时，该系统继续运行预处理算法.

由FPGA处理过的数据经DSP芯片读取后，通过FPGA实现双口RAM内存，并行运行跟踪算法.特征发生芯片组(UPD6464)由DSP的多信道缓冲串行端口控制，最后再添加UPD6464特征信号到该模拟信号.这样，所计算的数据信号最终显示在显示器上.

3 实验

为了验证提出方法的准确性，进行了实验验证.算法2和本文方法是基于本文的高速目标跟踪系统，算法1和3是基于AVT21开发板的.其中算法1是AVT21开发板的质心跟踪算法，算法2是基于金字塔相关性[14]的跟踪算法，算法3是AVT21开发板上的相位相关跟踪算法.实验所用的篮球运动视频图像序列如图3所示.

利用重叠Ak评价嵌入式跟踪器的性能，量化为：

(12)

式中：TTk是跟踪器的边界框，GTk是实际边界框.

由表1可以看出，本文算法获得了最好的平均重叠，此外，不同大小跟踪区域运行速度结果显示，本文算法的运行时间快于算法2和算法4，稍慢于算法1质心跟踪算法，均表明嵌入式开发中算法设计并非越复杂越好.

表1 各方法运行结果对比

4 结束语

Mean-Shift算法在聚类、图像平滑、分割、跟踪等方面有着广泛的应用.本文将Mean-Shift算法用以追踪篮球运动视频目标，基于Mean-Shift过程进行迭代获得运动目标的新位置，实现运动目标追踪.还设计了一种硬件系统，具有高速处理器DSP和FPGA.实验证明，提出的方法能够准确跟踪运动目标.