基于PIC单片机的智能目标跟踪系统设计方案

admin

<div style="clear:both;">         <div style="clear:both;">                            
          1.MPLAB IDE集成开发环境
          MPLAB 集成开发环境 (IDE) 是一个采用Microchip 的PICmicro 和 dsPIC开发嵌入式应用的免费集成工具箱。MPLAB IDE在32-bit 的MS Windows下运行，是一个简单易用的开发环境，并且包含很多可进行快速应用开发和调试的免费软件。MPLAB IDE同样也充当一个附加的Microchip和第三方软件和硬件工具的图形用户界面。
           
          2.实现目标跟踪算法的应用程序
          应用程序是针对需求编写的仅适用于本系统的专用程序。本系统应用程序流程如图2所示。初始化后打开设备文件(摄像头等)，查询和确认设备性能，设置捕获的图像的宽和高，设置色深，建立内存映射，读取图像数据，对图像进行处理，关闭设备。图像采集有两种方式：内存映射(mmap)和直接读取设备(read)。前者将设备文件映射到内存，绕过I/O访问，使得读取速度更快，但是占用更多系统资源。考虑系统实时性，因此采用内存映射方式。
           

       

        图2系统应用程序流程图

         

          在本系统中，采用MPLAB C32 C编译器将目标跟踪的算法编译实现，由一系列C函数和少量C++类构成,可以实现图像处理和计算机视觉方面的很多通用算法。
           
          3.目标检测和跟踪算法的设计方案：
          ①目标的检测部分：
          对航空图片进行contourlet变换。该变换能满足各向异性的性质。Contourlet变换是使用拉普拉斯滤波器对图象进行多尺度分解，以捕获二维图像中存在的点奇异性，得到原图像的低频图像和高频图像，递归地对低通图像进行分解，得到整个多分辨率图像。对分解后每一尺度上的高频图像使用方向滤波器组，得到各奇异点的多方向性图像。采用contourlet变换提取各尺度下的稳定数值特征，构建相应的特征库，利用目标质心建立目标跟踪点，匹配真正的飞行目标。
           
          ②目标的跟踪部分：
          本系统采用的目标跟踪算法为Mean-Shift算法。Mean-Shift算法是一种计算局部最优的搜索算法，通过计算候选目标与目标模块直接之间相似度的概率密度分布，然后利用概率密度梯度下降的方向来获取匹配搜索的最佳路径，加速运动目标的定位降低搜索的时间。
           
          摄像头驱动程序
          #include "stdafx.h"
          #include "Camera.h"
          #include "CameraDlg.h"
          #ifdef _DEBUG
          #define new DEBUG_NEW
          #undef THIS_FILE
          static char THIS_FILE[] = __FILE__;
          #endif
          // CAboutDlg dialog used for App About
          IplImage*image=NULL;
          CvHistogram *hist = 0;
          int backproject_mode = 0;
          int select_object = 0;
          int track_object = 0;
          int show_hist = 1;
          CvPoint origin;
          CvRect selection;
          CvRect track_window;
          CvBox2D track_box;  // tracking ·????????ò box????????
          CvConnectedComp track_comp;
          int hdims = 48;     // ??·?HIST?????????????????·
          float hranges_arr[] = {0,255};
          float* hranges = hranges_arr;
          int vmin = 10, vmax = 256, smin = 30;
          bool g_StopFlag=0;
          CvScalar hsv2rgb( float hue )
          {
              int rgb[3], p, sector;
              static const int sector_data[][3]=
                  {{0,2,1}, {1,2,0}, {1,0,2}, {2,0,1}, {2,1,0}, {0,1,2}};
              hue *= 0.033333333333333333333333333333333f;
              sector = cvFloor(hue);
              p = cvRound(255*(hue - sector));
              p ^= sector & 1 ? 255 : 0;
              rgb[sector_data[sector][0]] = 255;
              rgb[sector_data[sector][1]] = 0;
              rgb[sector_data[sector][2]] = p;
              return cvScalar(rgb[2], rgb[1], rgb[0],0);
          }
          class CAboutDlg : public CDialog
          {
          public:
                 CAboutDlg();
         
          目标检测与跟踪算法程序
          #include "stdafx.h"
          #include "ParticleMeanShift.h"
          #include "ParticleMeanShiftDlg.h"
          #include "cvx_defs.h"
          #ifdef _DEBUG
          #define new DEBUG_NEW
          #undef THIS_FILE
          static char THIS_FILE[] = __FILE__;
          #endif
          #include <it/io.h>
          #include <it/distance.h>
          #include <stdio.h>
          #include <math.h>
          #include <it/wavelet2D.h>
          #include <it/mat.h>
          //extern "C"{#include "contourlet.h"};
          //#ifdef __cplusplus
          //extern "C" {#include "contourlet.h}
          //#endif
          #include "contourlet.h"
          #include "dfb.h"
          #include "ezbc.h"
          #define BUFFER_SIZE (1*1024*1024)
          int iFlag_choose=0;
          // 9/7 contourlet low subband norm [level]
          double norm_low[6] = {
            1.000000,
            0.982948,
            1.030575,
            1.051979,
            1.058014,
            1.058312
          };
          // 9/7 contourlet high subbands norms [level][dfb_levels][subband]
          double norm_high[6][5][16] = {
            // DFB
            {
              {1.000000},
              {1.338955, 0.768281},
              {1.788734, 1.031742, 1.031699, 0.588007},
              {2.350204, 1.388625, 1.473061, 0.755227, 1.521047, 0.718018, 0.760509, 0.466449},
              {2.990107, 1.859578, 2.009466, 0.993439, 2.153701, 1.040220, 1.071638, 0.565028,
               2.310007, 1.015735, 1.043946, 0.511974, 1.108749, 0.539535, 0.580279, 0.383226}
            },
            // Highest frequencies
            {
              {0.759782},
              {1.068118, 0.710115},
              {1.557636, 0.922336, 0.885625, 0.513870},
              {2.066849, 1.199964, 1.312638, 0.679034, 1.314328, 0.611044, 0.667065, 0.406727},
              {2.591734, 1.650462, 1.726335, 0.866216, 1.933047, 0.919827, 0.946988, 0.519211,
               2.004114, 0.871491, 0.880225, 0.441114, 0.979973, 0.469240, 0.495562, 0.338999}
            },
            {
              {0.709848},
              {1.006673, 0.691288},
              {1.505208, 0.880912, 0.857108, 0.490243},
              {2.004624, 1.154857, 1.268061, 0.637940, 1.281535, 0.585212, 0.641248, 0.383733},
              {2.461666, 1.619596, 1.693704, 0.813626, 1.870790, 0.884116, 0.917510, 0.470455,
               1.949415, 0.851772, 0.859531, 0.412020, 0.943970, 0.448550, 0.476647, 0.313942}
            },
            {
              {0.753806},
              {1.067996, 0.730151},
              {1.591337, 0.929780, 0.908668, 0.518957},
              {2.142259, 1.210500, 1.324341, 0.681005, 1.369928, 0.613891, 0.670235, 0.410106},
              {2.646395, 1.724389, 1.779619, 0.850579, 1.943830, 0.929273, 0.975566, 0.504108,
               2.089051, 0.907208, 0.903755, 0.431151, 0.981607, 0.471800, 0.507208, 0.336407}
            },
            {
              {0.775910},
              {1.098225, 0.747825},
              {1.631322, 0.953360, 0.932293, 0.532706},
              {2.204255, 1.236997, 1.351154, 0.702051, 1.409039, 0.627751, 0.684257, 0.422790},
              {2.703611, 1.755877, 1.805906, 0.865382, 1.966184, 0.947038, 0.995714, 0.521175,
               2.134306, 0.924937, 0.917630, 0.439011, 0.993215, 0.481139, 0.517305, 0.348460}
            },
            // Lowest frequencies
            {
              {0.782607},
              {1.107343, 0.753079},
              {1.643244, 0.959912, 0.939323, 0.536721},
              {2.203433, 1.234178, 1.349443, 0.704742, 1.411630, 0.628675, 0.683316, 0.427423},
              {2.846164, 2.127241, 1.898790, 1.298897, 2.080579, 1.299276, 1.085920, 0.808484,
               2.180500, 1.169607, 0.982991, 0.594266, 1.034878, 0.563380, 0.533165, 0.393168}
            }
          };
          int func(CParticleMeanShiftDlg*dlg);
          int func1(CParticleMeanShiftDlg*dlg);
          int func2(CParticleMeanShiftDlg*dlg);
          int func3(CParticleMeanShiftDlg*dlg);
          int func4(CParticleMeanShiftDlg*dlg);
          #define region 32
          #define calc_point(kalman)                    \
                                             cvPoint( cvRound(kalman[0]),  \
                                                            cvRound(kalman[1]))
          #define phi2xy(mat)                                                  \
            cvPoint( cvRound(img->width/2 + img->width/3*cos(mat->data.fl[0])),\
              cvRound( img->height/2 - img->width/3*sin(mat->data.fl[0])) )
          #define CVCLOSE_ITR 1
          #define CVCONTOUR_APPROX_LEVEL 2
          /////////////////////////////////////////////////////////////////////////////
          // CAboutDlg dialog used for App About
          IplImage *image = 0, *hsv = 0, *hue = 0, *mask = 0, *backproject = 0, *histimg = 0,*showbackproject;
          CvHistogram *hist = 0;
          CvHistogram *histtemp = 0;
          int backproject_mode = 0;
          int select_object = 0;
          int track_object = 0;
          int show_hist = 1;
          CvPoint origin;
          CvRect selection;
          CvRect track_window;
          CvBox2D track_box;  // tracking ·????????ò box????????
          CvConnectedComp track_comp;
          int hdims = 48;     // ??·?HIST?????????????????·
          float hranges_arr[] = {0,255};
          float* hranges = hranges_arr;
          int vmin = 10, vmax = 256, smin = 30;
          bool g_StopFlag=0;
          CvScalar hsv2rgb( float hue )
          {
              int rgb[3], p, sector;
              static const int sector_data[][3]=
                  {{0,2,1}, {1,2,0}, {1,0,2}, {2,0,1}, {2,1,0}, {0,1,2}};
              hue *= 0.033333333333333333333333333333333f;
              sector = cvFloor(hue);
              p = cvRound(255*(hue - sector));
              p ^= sector & 1 ? 255 : 0;
              rgb[sector_data[sector][0]] = 255;
              rgb[sector_data[sector][1]] = 0;
              rgb[sector_data[sector][2]] = p;
              return cvScalar(rgb[2], rgb[1], rgb[0],0);
          }
         
          部分跟踪结果图
          图3是本系统在实际环境中对飞行目标进行连续跟踪的效果图，飞行目标为18个像素，并且对连续跟踪的视频流共截取了6幅图像，分别是第10帧，第30帧，第50帧，第60帧，如图所示：
           

                 

        Frame10(odd field)                Frame30(odd field)

                   

            Frame50(odd field)               Frame60(odd field)

        图3部分跟踪结果图

           
          三．总结
          本设计通过PIC32单片机实现了对运动目标的检测跟踪，目的是以PIC32单片机做为硬件平台，将算法在PIC32单片机中运行，使其完成对运动目标的准确捕获和稳定跟踪。通过利用USB摄像头完成了图像采集的功能，然后将采集到的图像送入PIC32单片机进行数据处理，利用云台控制器控制云台的转动，使摄像头对准运动目标，进而实现了目标准确跟踪，并且使整个系统趋于小型化智能化。

李小路

谢谢分享！