基于嵌入式圖像處理平臺的實時多目標識別算法

人工智能技術(shù)與咨詢?

本文來自《科學技術(shù)與工程》，作者?王旭輝等

摘 要?提出了一種適用于空間觀測任務的實時多目標識別算法，它基于DSP和FPGA組合的圖像處理硬件平臺，運用散點聚類、軌跡跟蹤、特征提取技術(shù)快速識別目標。對算法的功能需求、數(shù)據(jù)流向、運算流程和處理結(jié)果，進行了詳細闡述。實踐結(jié)果表明，該識別算法具有很強的實用性。

關(guān)鍵詞?多目標 運動軌跡 實時濾波 嵌入式平臺

1 功能需求

空間觀測對象復雜多變，且真、偽兩種目標在尺寸、亮度、形態(tài)方面既有區(qū)別又十分相似，觀測的背景也起伏多變。算法針對的工況如下:零散目標數(shù)量多(K級)，但個體像素少(＜100 pix);真目標形態(tài)有變化但不規(guī)則，與偽目標形態(tài)經(jīng)常一致;真目標在亮度方面忽明忽暗有起伏，而偽目標單體灰度起伏小，但群體表現(xiàn)則灰度有高有低;但兩者速度和方向有差異。

由于圖像處理需進行全幅傳輸、存儲和計算，時間消耗大，而用戶對算法實時性要求高，因此必須充分利用圖像傳輸時間，并避免耗時過多的運算，借鑒國外空間寬視場相機［1］的圖像處理方案，對圖像流做一次數(shù)據(jù)量降級處理，從M級降低到K級，且邊傳輸邊流水線式處理;避免了集中處理造成的時間延遲，降低了錯誤信息匯報的風險。

2 整體架構(gòu)

硬件平臺由DSP處理器+FPGA及其外圍器件組成的高速運算電路共同實現(xiàn)［2］，它為軟件編程、各類數(shù)據(jù)流控制及復雜對象的識別算法提供基礎保證。多目標識別算法在物理空間運行上分成兩部分:圖像預處理算法(FPGA)和軌跡識別算法(DSP)，與嵌入式圖像處理硬件構(gòu)成一個完整的圖像處理系統(tǒng)共同完成空間觀測任務，識別算法主要負責對空間監(jiān)測圖像的分析和判讀，重點是濾除背景，對潛在目標進行分類、識別后、剔除偽目標，存儲、記錄真實目標并將其報告給相關(guān)系統(tǒng)。其識別的過程可分為五個步驟:幀內(nèi)空間濾波、幀內(nèi)閾值分割、幀內(nèi)散點聚類、幀間軌跡編排和幀間目標判定。

軟件結(jié)構(gòu)如圖1所示。

圖1 多目標識別算法的軟件結(jié)構(gòu)和分配布局示意圖

3 算法步驟

3.1 圖像預處理

該算法依托FPGA實現(xiàn)，對每幀原始圖像進行流水線式“高通濾波”和“閾值分割”，處理后的次級圖像存到外部“FIFO”中。圖像預處理的依據(jù)源于“空間圖像是低頻背景與高頻奇異點的綜合結(jié)果”［3］，因此部分借鑒彭嘉雄先生的高通濾波器模板，對圖像做類似卷積計算，記矩陣h，維數(shù)5×5，處理公式如下

式中f(i，j)為輸入圖像，G(i，j)為卷積后的結(jié)果，threshold即閾值，閾值的選取有兩種方式:一種是人工干預，從DSP端通信口輸入;另一種是自適應調(diào)整，以圖像均值為基礎，綜合工程經(jīng)驗的“可識別信噪比”倍率。

3.2 聚類

預處理后的次級圖像，由DSP處理器從FIFO中取走做進一步處理——“聚類”，即根據(jù)次級圖像提供的零散點位置、灰度信息，經(jīng)過連通和聚合，初步收集單幀內(nèi)的目標綜合特征，為下一步多幀多目標識別奠定基礎。該聚類算法中“段表”的意義是記錄水平維信息，而“鄰接表”的意義則反映豎直維信息;經(jīng)過兩次循環(huán)遍歷，可以對V型、Ф型和λ型等主流形態(tài)目標進行穩(wěn)定的形心跟蹤，且具有執(zhí)行速度塊、節(jié)省存儲空間等優(yōu)點，算法流程如圖2所示。

3.3 軌跡編排

聚類后獲得的潛目標信息存儲在SDRAM中，由于偽目標和真目標在幾何特征上的差異尚不足以判斷目標真?zhèn)?，還需要根據(jù)多幀積累后的運動軌跡和速度差異，去“偽”存“真”。這一過程也由DSP實現(xiàn)?！败壽E編排”完成“軌跡矩陣初始化”、“軌跡新建”、“軌跡更新”和“軌跡刪除”四項主要功能。進入目標搜索模式后的首幀先進行“軌跡矩陣初始化”:初始化的內(nèi)容分兩步先完成矩陣內(nèi)全部變量清零，然后根據(jù)最新單幀潛目標信息組(及前面聚類成果)里的數(shù)據(jù)構(gòu)建初始軌跡矩陣;從第二幀開始，即當“初始軌跡矩陣”成型后，逐幀根據(jù)潛目標和已分類目標的特征，或更新、或新建、或刪除軌跡，不斷更新軌跡矩陣中的軌跡條數(shù)、軌跡長度、軌跡生命值等變量。改動軌跡管理矩陣的條件見表1。

表1 軌跡新建、更新及刪除條件

圖2 散點聚類功能的處理流程圖

其中軌跡管理器采用的是結(jié)構(gòu)體和數(shù)組的結(jié)合，單條軌跡長度限定為固定值，在充滿軌跡長度數(shù)組極限前，軌跡點數(shù)不斷遞增;充滿軌跡長度數(shù)組后用最新點替代最舊點，本文采用這種封閉式的數(shù)據(jù)結(jié)構(gòu)，是出于可靠性的考慮，避免使用開放式指針及鏈表可能帶來的“溢出泄漏”風險。針對空間目標特性的不連續(xù)情況，將軌跡的生命值區(qū)分為“活躍態(tài)”、“休眠態(tài)”和“終結(jié)態(tài)”;這三種狀態(tài)分別對應的判定條件為:不斷更新，間歇更新和永不更新。圖像中出現(xiàn)的噪點因其出現(xiàn)的偶然和隨機性，僅存在于“休眠態(tài)”，數(shù)幀之后因不再更新，最終會轉(zhuǎn)入“終結(jié)態(tài)”;而新出現(xiàn)的潛目標，在經(jīng)歷連續(xù)更新“額定門限幀數(shù)”后，由“休眠態(tài)”轉(zhuǎn)入“活躍態(tài)”。由于本任務幀頻較高及視場張角較大的特點，幀與幀時間間隔內(nèi)目標移動的范圍較小，可以用“相鄰原則”來更新標號。完整的“軌跡編排”流程如圖3所示。

3.4 統(tǒng)計分析

圖3 軌跡編排功能的處理流程圖

對“軌跡管理器”中處于“活躍態(tài)”的軌跡按“軌跡條數(shù)”進行兩次遍歷，分別統(tǒng)計速度和方向，進而更新置信度，然后根據(jù)置信度最值確認真實目標(這里選取速度和方向做特征量的原因是真、偽目標在灰度特征上的差異不顯著)。在實際工程使用中，為降低虛警率，置信度在不滿足“軌跡長度累計總量門限”時，暫不對外告警;在置信度配置方面，由于系統(tǒng)安裝平臺的晃動對“方向”有貢獻，因此在置信度設置時，速度的權(quán)重高于方向。具體流程如圖4所示。

4 測試結(jié)果

圖4 軌跡統(tǒng)計功能的處理流程圖

對該算法的驗證在地面模擬時，以光學模擬為主，背景主要包含兩種光源的起伏，并隨機添加針狀噪聲，真、偽目標源在9 000幀里面累計數(shù)量按100顆仿真，單幀內(nèi)最多按32顆計算。偽目標的空間分布和亮度幅值以亮星星表為依據(jù)。圖5列出的是對9 000幀中的某一幀圖像做預處理后的效果，初步驗證了FPGA中圖像預處理算法對背景的剔除功能。

對軌跡識別算法的考核是假設真目標做水平方向往復運動，偽目標做垂直方向運動，在仿真時，為模擬真實情況，對安裝平臺做正弦方式晃動。圖6列出了軌跡管理矩陣中9 000幀的全部歷史記錄。其中藍色的為真目標軌跡，結(jié)果表明軌跡算法能對運動有差異的真?zhèn)文繕俗龀稣_判斷，保持在測試過程中，近99.4%的時間內(nèi)穩(wěn)定匯報真實目標信息。

5 結(jié)論

提供的算法充分考慮了工程實際情況和多目標實時識別的特點，結(jié)合嵌入式硬件處理平臺已經(jīng)參與并完成對地面模擬目標和空間真實目標的驗證，為空間觀測領(lǐng)域的圖像處理和識別提供了一種具有實用價值的嵌入式開發(fā)系統(tǒng)。

圖5 圖像預處理后的效果

圖6 多目標識別過程中的軌跡圖(尺寸5×5;目標數(shù)量100;累計9 000幀;含平臺抖動)

【轉(zhuǎn)載聲明】轉(zhuǎn)載目的在于傳遞更多信息。如涉及作品版權(quán)和其它問題，請在30日內(nèi)與本號聯(lián)系，我們將在第一時間刪除！