基于OpenMV的目標(biāo)方位追蹤算法

姚志強(qiáng) 趙恩銘 楊松 楊燕婷 劉光宇 周豹 王辰 朱曉棟

摘 要：提出一種基于OpenMV的目標(biāo)方位追蹤算法.算法以機(jī)器視覺模塊OpenMV為圖像輸入及處理平臺(tái)，通過自帶的攝像頭采集目標(biāo)圖像信息，使用通用加速分割檢測(cè)算法（AGAST）獲取目標(biāo)的特征點(diǎn)，將采集到的特征點(diǎn)與目標(biāo)特征進(jìn)行匹配，達(dá)到追蹤目標(biāo)并檢測(cè)其方位信息的目的.實(shí)驗(yàn)結(jié)果表明，該算法在目標(biāo)方位追蹤上具有較高的準(zhǔn)確率.

關(guān)鍵詞：目標(biāo)追蹤;AGAST;局部不變特征

[中圖分類號(hào)]TP391.4 ? [文獻(xiàn)標(biāo)志碼]A

Abstract：This paper presents an algorithm for target location tracking based on OpenMV.The algorithm takes the machine vision module OpenMV as the image input and processing platform，collects the target image information through the built-in camera，uses the General Accelerated Segmentation Detection Algorithm （AGAST） to obtain the target feature points，matches the collected feature points with the target features，and achieves the purpose of tracking the target and detecting its azimuth information.Experimental results show that the algorithm has high accuracy in target azimuth tracking.

Key words：target tracking;AGAST;local invariant features

目標(biāo)追蹤是機(jī)器視覺中重要的研究方向，在日常生活中有著廣泛的應(yīng)用.[1-2]特征匹配法[3]是目標(biāo)追蹤的主流方法，根據(jù)特征點(diǎn)灰度值與其鄰近點(diǎn)灰度值差異，進(jìn)行圖像匹配.特征點(diǎn)檢測(cè)算法主要有Rosten[4]等人提出的FAST（Features from Accelerated Segment Test）算法和Mair[5]等人提出的AGAST（adaptive and generic accelerated segment test）算法.FAST算法的運(yùn)算量小，實(shí)時(shí)性高，但在圖像發(fā)生變換時(shí)魯棒性較差;AGAST算法準(zhǔn)確率高、追蹤效果好，但計(jì)算復(fù)雜性略有增加.本文以機(jī)器視覺模塊OpenMV為圖像輸入及處理平臺(tái)，通過自帶攝像頭采集目標(biāo)圖像信息，使用通用加速分割檢測(cè)算法（AGAST）獲取目標(biāo)的特征點(diǎn)，將采集到的特征點(diǎn)與目標(biāo)特征進(jìn)行匹配，實(shí)現(xiàn)目標(biāo)方位追蹤算法，達(dá)到追蹤目標(biāo)并檢測(cè)其方位信息的目的.

1 系統(tǒng)總體設(shè)計(jì)

OpenMV是一款基于STM32 H743II ARM Cortex M7處理器和OV5640圖像傳感器的機(jī)器視覺模塊，能夠使用Python語言實(shí)現(xiàn)圖像檢測(cè)、目標(biāo)追蹤、智能尋跡等功能.本文基于OpenMV模塊進(jìn)行目標(biāo)追蹤及方位檢測(cè).如圖1所示，目標(biāo)追蹤由提取特征點(diǎn)、目標(biāo)匹配、非極大值抑制、輸出目標(biāo)方位等過程組成.使用AGAST算法采集目標(biāo)特征點(diǎn)，在進(jìn)行非極大值抑制后將其作為目標(biāo)特征保存到OpenMV中，追蹤目標(biāo)時(shí)，將采集到的特征點(diǎn)與目標(biāo)特征進(jìn)行匹配.當(dāng)匹配到的特征點(diǎn)個(gè)數(shù)達(dá)到設(shè)定的閾值時(shí)，即為匹配成功，輸出目標(biāo)在畫面中的方位.

選用如圖7所示的圖像，通過對(duì)比FAST算法與AGAST算法在角度變換、尺度變換和視角變換的重復(fù)率來驗(yàn)證算法的有效性，實(shí)驗(yàn)結(jié)果如圖8所示.

從圖8中可以看出，與FAST算法相比，本文使用的AGAST特征檢測(cè)算法在準(zhǔn)確匹配到目標(biāo)的同時(shí)，對(duì)于各種變換都具有良好的不變性，具有較高的魯棒性，能夠滿足目標(biāo)追蹤及方位檢測(cè)的要求.

3.2 目標(biāo)方位檢測(cè)性能

為驗(yàn)證目標(biāo)方位識(shí)別的準(zhǔn)確性，從角度、視角和尺度三個(gè)方面進(jìn)行對(duì)比實(shí)驗(yàn)，測(cè)試方位檢測(cè)算法在不同變換下輸出方位的絕對(duì)誤差，絕對(duì)誤差越小，表示算法的穩(wěn)定性越高.

圖9為FAST算法與AGAST算法在不同變換下對(duì)圖7所示圖片的絕對(duì)誤差比較圖.可以看出，AGAST算法在各種變化下依然具有良好的魯棒性，整體上優(yōu)于FAST算法，尤其在視角變換較大的情況下，依然能夠保持較低的絕對(duì)誤差.因此，基于AGAST算法進(jìn)行目標(biāo)方位檢測(cè)能夠取得更好的效果，可有效降低各種變換對(duì)目標(biāo)追蹤的影響.

4 結(jié)束語

提出一種基于OpenMV的目標(biāo)方位追蹤算法，解決了基于OpenMV的目標(biāo)追蹤算法沒有目標(biāo)方位信息的問題.采用AGAST算法提取目標(biāo)特征點(diǎn)，通過改進(jìn)傳統(tǒng)的目標(biāo)追蹤算法從而獲取目標(biāo)所在方位.實(shí)驗(yàn)結(jié)果表明，基于OpenMV的AGAST算法能夠有效追蹤目標(biāo)并能準(zhǔn)確識(shí)別目標(biāo)方位，與FAST算法相比，具有重復(fù)率高的優(yōu)勢(shì)，對(duì)旋轉(zhuǎn)變化、尺度變化和視角變化都具有良好的魯棒性.

參考文獻(xiàn)

[1]王力超，羅建，劉丙友，等.基于機(jī)器視覺的智能小車導(dǎo)航系統(tǒng)研究[J].牡丹江師范學(xué)院學(xué)報(bào)：自然科學(xué)版，2019（1）：29-33.

[2]曹萍萍，劉升.Android平臺(tái)人臉識(shí)別方法研究[J].牡丹江師范學(xué)院學(xué)報(bào)：自然科學(xué)版，2018（4）：27-30.

[3]楊曉敏，吳煒，卿粼波，華驊，何小海.圖像特征點(diǎn)提取及匹配技術(shù)[J].光學(xué)精密工程，2009，17（09）：2276-2282.

[4]Rosten E.Machine learning for very high-speed corner detection[J].ECCV'06，May，2006.

[5]Mair E，Hager G D，Burschka D，et al.Adaptive and Generic Corner Detection Based on the Accelerated Segment Test[J].European Conference on Computer Vision-eccv，2010.

[6]Rosten E，Drummond T .Fusing points and lines for high performance tracking[C]// Tenth IEEE International Conference on Computer Vision.IEEE，2005.

[7]張巖，李建增，李德良，等.快速魯棒性非線性尺度不變的特征匹配算子[J].西北工業(yè)大學(xué)學(xué)報(bào)，2016，34（6）：1108-1119.

[8]葛林，于鳴，任洪娥.基于快速尺度空間的無人機(jī)影像自適應(yīng)穩(wěn)像方法[J].電光與控制，2019，26（2）：32-37.

[9]劉佳，顧爽，張小瑞，等.基于加速分割檢測(cè)的移動(dòng)增強(qiáng)現(xiàn)實(shí)跟蹤注冊(cè)算法[J].計(jì)算機(jī)應(yīng)用研究，2018，35（10）：3121-3125.

編輯：琳莉