0 引言

    PTZ(Pan/Tilt/Zoom)攝像頭是將CCD攝像機、變焦變倍鏡頭、全景云臺等部件集成在一個單元中構成的攝像機系統。傳統的PTZ攝像機監控系統通過人工操控鍵盤或者搖桿對監控目標進行跟蹤，如果目標較遠，通過手動控制鏡頭變焦，這種人工操控的方式跟蹤誤差太大，造成系統攝像不穩定、不連續。近年來，基于主動視覺的PTZ攝像機系統逐漸發展，陳雙葉等人提出基于Camshift算法和卡爾曼濾波器目標跟蹤算法的PTZ攝像機控制方法^[1]，簡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、運動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檢測定位方式的PTZ控制方法僅僅解決了鏡頭對焦問題^[2]。而DONG E等人除了應用高斯混合模型目標檢測之外，還融合了Kalman濾波器與Camshift算法對目標進行跟蹤，從而控制PTZ攝像機^[3]，相比近年來先進的目標跟蹤技術，這些跟蹤算法相對落后，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。在視覺目標追蹤(The Visual Object Tracking，VOT）2014年挑戰結果^[4]中顯示,基于分類相關濾波器的跟蹤器是目前最優秀的目標跟蹤算法之一，提供了先進的跟蹤性能。HENRIQUES J F等使用了梯度方向直方圖(HOG)特征，提出了核相關濾波器(Kernelized Correlation Filter，KCF)及雙相關濾波器(Double Correlation Filter，DCF)跟蹤器^[5]，運算速度能達到300 b/s以上。

    本文采用KCF目標跟蹤方法作為控制算法核心對運動目標進行跟蹤，并采用粒子濾波框架對目標進行運動狀態預測，根據跟蹤結果使用PID算法對PTZ攝像機進行協調控制。

1 PTZ攝像機系統架構

    本文中的PTZ攝像機系統由云臺攝像機、視頻采集卡以及運行PTZ控制系統的上位機組成，如圖1所示。

    由視頻采集卡從攝像頭采集回來的圖像傳入算法中進行跟蹤運算，通過RS232轉RS485串口遵循PELCO-D協議控制PTZ攝像機轉動，保持跟蹤目標在視頻圖像中。PELCO_D協議定義了水平旋轉、上下旋轉、變焦變倍等功能。

2 目標跟蹤方法

    在KCF跟蹤算法中，以核嶺回歸分類器作為核心，用循環移位方法致使樣本變換，建立循環矩陣來訓練該分類器，然后把目標與周圍背景區分開來，從而達到對目標快速有效檢測跟蹤的目的。對樣本進行巧妙地變換使訓練數據矩陣具有循環特性，就可以通過離散傅里葉變換對角化，便能減少幾個數量級的存儲與計算，這就是文獻[5]提出的核嶺回歸相關濾波器(Kernelized Correlation Filter，KCF），具有其他核算法沒有的線性復雜度。

2.1 嶺回歸分類器

    針對線性嶺回歸判別函數f(z)=w^Tz，訓練的目的是利用樣本x_i找到一個權值w_i對回歸目標y_i最小平方誤差：

其中λ是正則化參數，控制過度擬合。根據文獻[6]得到最優解：

    由式(4)可知，需要優化的變量是α，而并不是w。

    核嶺回歸問題的解由文獻[9]給出：

2.2 循環矩陣

    對樣本x進行移位變換，可以獲得循環矩陣X，即：

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

2.3 核相關分類器訓練

    只要滿足文獻[5]提出的定理1的核函數的核矩陣K具有循環結構，所以：

2.4 目標快速檢測

    為了檢測出感興趣物體，通常用回歸函數f(z)去評估目標在多個圖像中位置信息，從而估計出目標位置。把包含目標圖像且比目標尺寸大的圖像塊作為搜索窗口，對此搜索窗口進行循環移位，形成不同的候選圖像塊，然后建模成循環結構的循環矩陣。

    假設核矩陣K^z由匹配模板和搜索窗口樣本核相關所得。因為匹配模板X和檢測樣本Z是基于元素向量x和z移位變換的循環結構矩陣，相應的，K^z的每個元素是由κ(p^i-1z，p^j-1x)組成，根據文獻[5]的定理1可以驗證這個矩陣是一個循環核矩陣。與上一節相似，只需第一行元素來表示核矩陣：

其中k^XZ是前面定義的x與z的核相關運算。可以把回歸函數表示為：

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

3 實驗分析

    在QT5平臺上完成PTZ攝像頭系統上位機端的C++實現，運用了OPENCV庫。 

3.1 跟蹤質量評估

    在實驗室環境下，運行結果如圖2所示，運動目標被完全遮擋的情況下，跟蹤算法仍然很穩定。

3.2 PTZ控制質量實驗

    上位機通過RS232轉RS485轉串口與PTZ攝像頭相連，遵循PELCO_D協議控制。控制結果如圖3所示。圖中中間位PTZ攝像頭貼有白色的標識，以便明顯看到其轉動，圖中右下角為攝像頭跟蹤的圖像。結果顯示，其能始終保持跟蹤目標在圖像中。

4 結論

    針對目前現有的主動視覺的PTZ攝像頭控制系統的跟蹤性能較差、導致跟蹤丟失等問題，提出了一種基于核相關視覺目標跟蹤器的PTZ攝像機控制方法，并在QT平臺上應用OPENCV庫實現了PTZ攝像機控制系統的C++版。實驗結果驗證了本系統的穩定性與魯棒性。

參考文獻 

[1] 陳雙葉，王善喜.PTZ攝像機跟蹤運動目標的智能控制算法的研究[J].計算機科學，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 計算機系，河北 保定071003）