基于SIFT特征匹配算法的目標跟蹤及視頻采集與傳輸研究

汪 鑫，劉嘉敏，李 敏，熊海涵，余月華，周冬芹

(1.重慶大學城市科技學院電氣信息學院，重慶 402167;2.重慶大學光電工程學院，重慶 400000)

當今社會，視頻應用研究在各個領域都發揮著重大的作用。在軍事研究、野外環境監測、環境監測與預報、交通管制、智能家居、公共安全監測等方面都需要對視頻進行采集［1-6］。除此以外，還希望對某些特定的目標信息能不間斷地進行跟蹤，例如長時間監控某個人或者物體。因此，在對視頻圖像進行采集時，希望能完成對目標信息的跟蹤。對于目標檢測，以往都采用圖像差減法、目標二值化塊處理法、矩形框表示法［6］，但是這些方法都無法清晰、完整地分割出目標信息。

隨著無線傳感網絡的發展，大量的信息都借助于無線傳感網絡進行傳輸。因此，本文主要采用一種基于SIFT特征匹配算法的目標跟蹤方法對視頻進行采集［5］，通過無線傳感網絡對信息進行傳輸。

1 SIFT特征匹配算法

SIFT特征描述是一種提取局部特征的算法，其思想是把圖像之間的匹配轉化為特征點向量間的相似性度量［7］。SIFT特征描述分為3個階段:SIFT特征點的檢測、SIFT特征描述符的生產及SIFT特征向量的匹配，如圖1所示。

圖1 SIFT特征描述

1.1 構建DoG尺度空間

要從圖像中檢測出對圖像的尺度變化具有不變性的視覺特征，就要構建尺度空間。圖像在尺度空間中表示為圖像和可變高斯核函數的卷積，采用高斯金字塔算子表示:

式(1)中:I(x，y)是輸入的圖像;G(x，y，σ)是二維高斯函數，如式(2)所示。

其中σ為尺度因子。

1.2 SIFT特征點檢測

在尺度空間中，特征點就是DoG尺度空間內的局部極值點，在進行極值點檢測后就可以初步確定特征點的位置和所在尺度。對輸入圖像I(x，y)和高斯函數 G(x，y，σ)進行卷積，生成對應的尺度空間 L(x，y，σ)，用高斯金字塔表示;將高斯金字塔的相鄰兩層相減，生成高斯差分金字塔D(x，y，σ);在高斯差分金字塔中，檢測同層3×3鄰域和相鄰層3×3鄰域內的極值點。這樣就可以得到具有尺度不變性的特征點［8］。

1.3 特征描述子計算

特征描述子就是圖像特征向量，采用向量的形式來準確描述圖像自身的特征。將坐標軸旋轉到關鍵點的主方向，確保旋轉不變性，再依據關鍵點尺度選取高斯圖像，按式(3)和式(4)計算以關鍵點為中點的16×16的窗口內所有像素點的梯度模值和梯度方向。每一小格表示關鍵點鄰域所在尺度空間的一個像素。

梯度方向直方圖統計公式為:

式(6)中:ck為方向柱的中心;Δk為方向柱的寬度;(x，y)為子塊r(l，m)像素點的坐標。最終形成的128維的向量就是SIFT特征描述符子［9］。

1.4 特征點匹配

參考圖像和待匹配圖像的SIFT特征向量生成后，利用特征向量的歐式距離作為兩幅圖像特征點的相似性判定度量。采用歐式距離的最小值作為匹配成功的判定標準是非常簡單且常見的。

2 視頻采集系統硬件研究

無線傳感網絡視頻采集系統由視頻采集模塊、微處理器模塊、無線通信模塊3個部分組成。視頻采集模塊的主要功能是實現對視頻圖像的采集和數模轉換;微處理器模塊的功能是負責對整個系統的控制;無線通信模塊的功能是將采集、處理后的視頻信息通過無線傳感網絡傳輸出去。

2.1 視頻采集模塊

視頻采集模塊是一個非常重要的部分。本文采用的是一款低電壓、低功耗的CMOS傳感器OV7640，它通過 SCCB(seril camera control bus)接口來實現對器件的控制，支持VGA、CIF等各種尺寸的視頻格式。視頻采集模塊主要由圖像傳感器OV7640、壓縮芯片OV528、存儲芯片24LC64和降壓芯片MIC5207構成的攝像頭系統來對圖像信息進行采集［10］。

OV7640的電路原理如圖2所示。Y0～Y7引腳連接的是CV528圖像壓縮芯片，它將采集的圖像信息進行壓縮，電路如圖3所示。

圖2 OV7640電路原理

攝像頭上電復位后，微處理器模塊向OV528發出采集指令，OV528接收到采集指令后通過SCCB控制總線調用初始化程序，攝像頭通過OV7640進行視頻采集，并將采集的視頻圖像保存為RGB格式，OV7640將采集的圖像信息傳給OV528芯片，OV528對其進行圖像壓縮處理［11-12］。

圖3 圖像壓縮芯片OV528

2.2 微處理器模塊

本文采用的微處理器是ARM公司的STM32F103。它是一款具有突破性的以Cortex-M3為內核的處理器，具有低功耗、高性能、低電壓的特性［13］。

2.3 無線通信模塊

本文采用NRF24L01器件進行無線傳輸。它是一款應用于無線通信的通信芯片，采用GFKS調制技術，基于SW-ARQ協議，能實現點對點或者點對多(最多1對6)的無線通信，通信速率可達2M［14］。

圖4 無線通信模塊NRF24L01

NRF24L01無線通信模塊與STM32微處理器之間的通信通過SPI協議進行。STM32微處理器內部具有SPI通信接口，可以直接與NRF24L01進行連接，電路如圖5所示。

圖5 NRF24L01電路

系統上電后，STM32初始化，并對外部設備進行初始化，然后進入休眠狀態等待觸發信號。只要收到用戶端的控制信號，系統就進入工作模式，攝像頭開始采集數據，并將采集的數據送回微處理器。一幀圖像采集完成后，微處理器將采集的數據存入圖像緩沖區，同時激活無線射頻模塊，開始數據無線傳輸。采集端無線傳感器節點流程如圖6 所示［15-16］。

圖6 采集端無線傳感器節點流程

考慮到數據采集端數據采集的復雜度，所以采用的微處理器是STM32。對于接收端的傳感器節點，采用單片機作為微處理器［17］。51單片機與NRF24L01的連接如圖7所示。

圖7 接收端無線傳感器節點電路

接收端無線通信模塊NRF24L01的流程如圖8所示。

3 實驗與結果

運用SIFT特征匹配算法，對單目標下運動目標進行采集分析。實驗運行環境為Intel Dual 1.8GHz CPU，2G內存，通過Matlab運行實現。應用SIFT算法構建DoG尺度空間、特征點檢測、特征描述子計算以及特征點匹配，將參考圖像和待匹配圖像進行SIFT匹配;利用幀間的差分信息確定目標運動區域，通過SIFT特征點區域的變化來更新背景，對歷史幀進行匹配更新，保留SIFT特征匹配點，去掉不屬于特征點的區域。對運動汽車的跟蹤分析實驗結果證明:該算法對運動的目標物體有很好的匹配跟蹤效果(見圖9)。

圖8 接收端無線傳感器節點流程

圖9 運動汽車跟蹤分析

4 結束語

針對復雜環境下的目標跟蹤，本文提出了利用SIFT匹配算法來有效提取運動目標并進行目標跟蹤，通過SIFT特征點坐標的非負差分的方法來確定運動目標區域。該方法對運動目標進行了高效率匹配，同時設計出實現目標跟蹤視頻采集的硬件電路，并通過NRF24L01無線通信模塊將采集的目標信息進行無線傳輸。實驗結果表明:該算法在復雜背景環境下對運動目標有較好的跟蹤效果。

［1］孫利民，李建中，陳渝，等.無線傳感器網絡［M］.北京:清華大學出版社，2005:3-4.

［2］林偉，卿輝，陳文，等.基于新型電源供電的無線傳感網絡節點設計［J］.壓電與聲光，2011(3):498-500，508.

［3］An-tonio-Javier Gorcia-Sanchez.Wireless sensor networks deployment for monitoring wildlife passages［J］.Sensors，2010(10):7236-7262.

［4］王焱，單欣欣，姜偉，等.無線傳感網絡壞點識別研究與應用［J］. 壓電與聲光，2012(3):452-455，458.

［5］Holman R，Stanley J，Ozkan-Haller T.Applying video sensor networks to near shore environment monitoring［J］.IEEE Tans.On Pervasive Computing，2003，2(4):14-21.

［6］劉建軍，夏勝平，郁文賢.基于SIFT特征的兩個階段procrustes迭代匹配算法［J］.信號處理，2010(6):854-858.

［7］韋虎，張麗艷，劉勝蘭，等.基于SIFT圖像特征匹配的多視角深度圖配準算法［J］.計算機輔助設計與圖形學學報，2010，22(4):654-661.

［8］牛長峰，陳登峰，劉玉樹.基于SIFT特征和粒子濾波的目標跟蹤算法［J］.機器人，2010，32(2):241-247.

［9］陳雷.JPEG圖像壓縮技術及仿真實現［J］.中國科技信息，2011(17):91-92.

［10］王永虹，徐煒，郝立平.STM32系列ARM Cortex-M3微控制器原理與實踐［M］.北京:北京航空航天大學出版社，2008.

［11］廣州周立功單片機發展有限公司.ARM Cortex-M3處理器簡介［Z］.2006，10.

［12］王虎升，李金環.基于STM32的嵌入式語音播報系統設計［J］.北京聯合大學學報，2011(3):11-15.

［13］陳慧敏，栗蘋，張英文，等.CMOS圖像傳感器的研究新進展［J］.半導體光電，2006，27(6):664-667.

［14］何兆紅，王高.CMOS圖像傳感器的最新發展狀況［J］.光機電信息，2002(12):14-16.

［15］Lee B，Wu H.Study on Back off Algorithm for IEEE 802.15.4 LR-WPAN［C］//IEEE International Conference on Advanced Information Networking and Applications.Japan:［s.n.］，403-409.

［16］Mehta V，Sheng W，Chen T，et al.Development and Calibration of a Low Cost Wireless Camera Sensor Network［C］//IEEE International Conference on Intelligent Robots and Systems.USA:［s.n.］，2009:110-115.

［17］Lee D，Lee J，Lee Y，et al.Low-Complexity Aggregation of Collected Images with correlated Fields of view in Wireless Sensor Networks［Z］.IEEE Symposium on Computers and communications.2010:765-771.