0 引言

    PTZ(Pan/Tilt/Zoom)攝像頭是將CCD攝像機(jī)、變焦變倍鏡頭、全景云臺(tái)等部件集成在一個(gè)單元中構(gòu)成的攝像機(jī)系統(tǒng)。傳統(tǒng)的PTZ攝像機(jī)監(jiān)控系統(tǒng)通過(guò)人工操控鍵盤(pán)或者搖桿對(duì)監(jiān)控目標(biāo)進(jìn)行跟蹤，如果目標(biāo)較遠(yuǎn)，通過(guò)手動(dòng)控制鏡頭變焦，這種人工操控的方式跟蹤誤差太大，造成系統(tǒng)攝像不穩(wěn)定、不連續(xù)。近年來(lái)，基于主動(dòng)視覺(jué)的PTZ攝像機(jī)系統(tǒng)逐漸發(fā)展，陳雙葉等人提出基于Camshift算法和卡爾曼濾波器目標(biāo)跟蹤算法的PTZ攝像機(jī)控制方法^[1]，簡(jiǎn)單地采用顏色直方圖作為跟蹤匹配特征，容易受到光照變化、運(yùn)動(dòng)模糊遮擋等因素影響而造成跟蹤失敗。WANG S等人提出的高斯混合模型目標(biāo)檢測(cè)定位方式的PTZ控制方法僅僅解決了鏡頭對(duì)焦問(wèn)題^[2]。而DONG E等人除了應(yīng)用高斯混合模型目標(biāo)檢測(cè)之外，還融合了Kalman濾波器與Camshift算法對(duì)目標(biāo)進(jìn)行跟蹤，從而控制PTZ攝像機(jī)^[3]，相比近年來(lái)先進(jìn)的目標(biāo)跟蹤技術(shù)，這些跟蹤算法相對(duì)落后，其性能容易受眾多因素影響，包括光照變化、遮擋和背景混雜等。在視覺(jué)目標(biāo)追蹤(The Visual Object Tracking，VOT）2014年挑戰(zhàn)結(jié)果^[4]中顯示,基于分類(lèi)相關(guān)濾波器的跟蹤器是目前最優(yōu)秀的目標(biāo)跟蹤算法之一，提供了先進(jìn)的跟蹤性能。HENRIQUES J F等使用了梯度方向直方圖(HOG)特征，提出了核相關(guān)濾波器(Kernelized Correlation Filter，KCF)及雙相關(guān)濾波器(Double Correlation Filter，DCF)跟蹤器^[5]，運(yùn)算速度能達(dá)到300 b/s以上。

    本文采用KCF目標(biāo)跟蹤方法作為控制算法核心對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行跟蹤，并采用粒子濾波框架對(duì)目標(biāo)進(jìn)行運(yùn)動(dòng)狀態(tài)預(yù)測(cè)，根據(jù)跟蹤結(jié)果使用PID算法對(duì)PTZ攝像機(jī)進(jìn)行協(xié)調(diào)控制。

1 PTZ攝像機(jī)系統(tǒng)架構(gòu)

    本文中的PTZ攝像機(jī)系統(tǒng)由云臺(tái)攝像機(jī)、視頻采集卡以及運(yùn)行PTZ控制系統(tǒng)的上位機(jī)組成，如圖1所示。

    由視頻采集卡從攝像頭采集回來(lái)的圖像傳入算法中進(jìn)行跟蹤運(yùn)算，通過(guò)RS232轉(zhuǎn)RS485串口遵循PELCO-D協(xié)議控制PTZ攝像機(jī)轉(zhuǎn)動(dòng)，保持跟蹤目標(biāo)在視頻圖像中。PELCO_D協(xié)議定義了水平旋轉(zhuǎn)、上下旋轉(zhuǎn)、變焦變倍等功能。

2 目標(biāo)跟蹤方法

    在KCF跟蹤算法中，以核嶺回歸分類(lèi)器作為核心，用循環(huán)移位方法致使樣本變換，建立循環(huán)矩陣來(lái)訓(xùn)練該分類(lèi)器，然后把目標(biāo)與周?chē)尘皡^(qū)分開(kāi)來(lái)，從而達(dá)到對(duì)目標(biāo)快速有效檢測(cè)跟蹤的目的。對(duì)樣本進(jìn)行巧妙地變換使訓(xùn)練數(shù)據(jù)矩陣具有循環(huán)特性，就可以通過(guò)離散傅里葉變換對(duì)角化，便能減少幾個(gè)數(shù)量級(jí)的存儲(chǔ)與計(jì)算，這就是文獻(xiàn)[5]提出的核嶺回歸相關(guān)濾波器(Kernelized Correlation Filter，KCF），具有其他核算法沒(méi)有的線性復(fù)雜度。

2.1 嶺回歸分類(lèi)器

    針對(duì)線性嶺回歸判別函數(shù)f(z)=w^Tz，訓(xùn)練的目的是利用樣本x_i找到一個(gè)權(quán)值w_i對(duì)回歸目標(biāo)y_i最小平方誤差：

其中λ是正則化參數(shù)，控制過(guò)度擬合。根據(jù)文獻(xiàn)[6]得到最優(yōu)解：

    由式(4)可知，需要優(yōu)化的變量是α，而并不是w。

    核嶺回歸問(wèn)題的解由文獻(xiàn)[9]給出：

2.2 循環(huán)矩陣

    對(duì)樣本x進(jìn)行移位變換，可以獲得循環(huán)矩陣X，即：

    矩陣X完全由指定的樣本向量x(這里的第一行)循環(huán)移位生成。無(wú)論生成向量x為何值，所有循環(huán)矩陣都能被離散傅里葉變換(DFT)矩陣對(duì)角化^[10]。也就是：

2.3 核相關(guān)分類(lèi)器訓(xùn)練

    只要滿足文獻(xiàn)[5]提出的定理1的核函數(shù)的核矩陣K具有循環(huán)結(jié)構(gòu)，所以：

2.4 目標(biāo)快速檢測(cè)

    為了檢測(cè)出感興趣物體，通常用回歸函數(shù)f(z)去評(píng)估目標(biāo)在多個(gè)圖像中位置信息，從而估計(jì)出目標(biāo)位置。把包含目標(biāo)圖像且比目標(biāo)尺寸大的圖像塊作為搜索窗口，對(duì)此搜索窗口進(jìn)行循環(huán)移位，形成不同的候選圖像塊，然后建模成循環(huán)結(jié)構(gòu)的循環(huán)矩陣。

    假設(shè)核矩陣K^z由匹配模板和搜索窗口樣本核相關(guān)所得。因?yàn)槠ヅ淠０錢(qián)和檢測(cè)樣本Z是基于元素向量x和z移位變換的循環(huán)結(jié)構(gòu)矩陣，相應(yīng)的，K^z的每個(gè)元素是由κ(p^i-1z，p^j-1x)組成，根據(jù)文獻(xiàn)[5]的定理1可以驗(yàn)證這個(gè)矩陣是一個(gè)循環(huán)核矩陣。與上一節(jié)相似，只需第一行元素來(lái)表示核矩陣：

其中k^XZ是前面定義的x與z的核相關(guān)運(yùn)算。可以把回歸函數(shù)表示為：

    注意到f(z)是一個(gè)矩陣元素z向量的所有移位變換形式的輸出響應(yīng)，為了更有效地計(jì)等式(13)，得到對(duì)角化后的等式：

3 實(shí)驗(yàn)分析

    在QT5平臺(tái)上完成PTZ攝像頭系統(tǒng)上位機(jī)端的C++實(shí)現(xiàn)，運(yùn)用了OPENCV庫(kù)。 

3.1 跟蹤質(zhì)量評(píng)估

    在實(shí)驗(yàn)室環(huán)境下，運(yùn)行結(jié)果如圖2所示，運(yùn)動(dòng)目標(biāo)被完全遮擋的情況下，跟蹤算法仍然很穩(wěn)定。

3.2 PTZ控制質(zhì)量實(shí)驗(yàn)

    上位機(jī)通過(guò)RS232轉(zhuǎn)RS485轉(zhuǎn)串口與PTZ攝像頭相連，遵循PELCO_D協(xié)議控制。控制結(jié)果如圖3所示。圖中中間位PTZ攝像頭貼有白色的標(biāo)識(shí)，以便明顯看到其轉(zhuǎn)動(dòng)，圖中右下角為攝像頭跟蹤的圖像。結(jié)果顯示，其能始終保持跟蹤目標(biāo)在圖像中。

4 結(jié)論

    針對(duì)目前現(xiàn)有的主動(dòng)視覺(jué)的PTZ攝像頭控制系統(tǒng)的跟蹤性能較差、導(dǎo)致跟蹤丟失等問(wèn)題，提出了一種基于核相關(guān)視覺(jué)目標(biāo)跟蹤器的PTZ攝像機(jī)控制方法，并在QT平臺(tái)上應(yīng)用OPENCV庫(kù)實(shí)現(xiàn)了PTZ攝像機(jī)控制系統(tǒng)的C++版。實(shí)驗(yàn)結(jié)果驗(yàn)證了本系統(tǒng)的穩(wěn)定性與魯棒性。

參考文獻(xiàn) 

[1] 陳雙葉，王善喜.PTZ攝像機(jī)跟蹤運(yùn)動(dòng)目標(biāo)的智能控制算法的研究[J].計(jì)算機(jī)科學(xué)，2015(S2)：135-139.

[2] WANG S，TIAN Y，XU Y.Automatic control of PTZ camera based on object detection and scene partition[C].IEEE International Conference on Signal Processing，Communications and Computing.IEEE，2015.

[3] DONG E，YAN S，TONG J，et al.Design and implementation of a moving object tracking system[C].IEEE International Conference on Mechatronics and Automation.IEEE，2015.

[4] KRISTAN M，PFLUGFELDER R，LEONARDIS A，et al.The visual object tracking VOT2014 challenge results[C].Lecture Notes in Computer Science，2014：191-217.

[5] HENRIQUES J F，CASEIRO R，MARTINS P，et al.High-speed tracking with kernelized correlation filters[J].IEEE Transactions on Pattern Analysis & Machine Intelligence，2014，37(3)：1-1.

[6] RIFKIN R，YEO G，POGGIO T.Regularized least-squares classification[J].Nato Science Series Sub Series III Computer and Systems Sciences，2003，190(1)：93-104.

[7] MULLER K R，MIKA S，TSUDA K.An introduction to kernel-based learning algorithms[J].IEEE Transactions on Neural Networks，2001，12(2)：181-201.

[8] SCH?魻LKOPF B，SMOLA A.Learning with kernels：Support vector machines，regularization，optimization，and beyond[M].MIT Press，2002.

[9] RIFKIN R，YEO G，POGGIO T.Regularized least-squares classification[J].Acta Electronica Sinica，2003,190(1)：93-104.

[10] GRAY R M.Toeplitz and circulant matrices：a review[M].Now Publishers，2006.

作者信息:

潘振福，許  靜，劉  成，朱永利

（華北電力大學(xué) 計(jì)算機(jī)系，河北 保定071003）