原创《基于DM6437的运动目标跟踪系统》：本论文主要论述了DM6437论文范文相关的参考文献,对您的论文写作有参考作用。
摘 要： 为了克服智能视频监控系统可视范围有限,单纯硬件改进增加系统成本的问题,提出一种运动目标跟踪系统,运用混合高斯背景模型的方法实现运动目标的提取,采用卡尔曼滤波器和均值漂移算法相结合实现运动物体的跟踪算法.使用TI公司达芬奇芯片中的DM6437对该算法进一步优化改进,并实现了运动目标跟踪系统,通过对运动小车跟踪测试可知,当小车和背景在RGB色彩空间中反差很大时,跟踪的效果理想；反差很小时,跟踪的失败率会有所提高,整体跟踪效果良好.
关键词： 智能跟踪； Kalman滤波器； 均值漂移算法； 达芬奇芯片
中图分类号： TN911.73?34 文献标识码： A 文章编号： 1004?373X（2017）07?0052?03
Research on moving target tracking system based on DM6437
YUAN Xiaodong, NIU Xi
（Zhengzhou University of Aeronautics, Zhengzhou 450000, China）
Abstract： Since the visible range of the intelligent video monitoring system is limited, and the improvement of the pure hardware can increase the cost of the system, a moving target tracking system is put forward. The method of using the mixed Gaussian background model is used to extract the moving target. The Kalman filter and mean?shift algorithm are combined to realize the moving target tracking algorithm. The DM6437 of Leonardo Da Vinci chip made by TI Company is used to optimize and improve the algorithm further, and implement the moving target tracking system. The moving car was performed with tracking test. The conclusion shows that the tracking effect is satiied when the car and background he strong contrast in RGB color space, and the tracking failure rate will be improved and the overall tracking effect is good when the car and background he poor contrast.
Keywords： intelligent tracking； Kalman filter； mean?shift algorithm； Leonardo Da Vinci chip
视频监控技术在金融系统、交通系统、系统、教育系统和医疗系统中均有较为广泛的应用.通常由于普通攝像机可视范围有限,对于大范围的视频监控通常使用多角度安装摄像头的方式实现,该方式不仅提高了系统的成本,增加了维护量,而且提高了操作的复杂度[1],为此,本文研究了一种通过达芬奇实现运动目标跟踪的智能跟踪系统,并通过TI公司的达芬奇系列芯片中的DM6437控制单台球机实现了目标跟踪,经过验证,跟踪效果良好.
1 算法原理
常见的目标跟踪算法包括基于颜色、基于视图、基于区域和基于形状等几种[2?3].本研究中首先采用混合高斯背景模型的方法提取运动物体的信息,确定运动物体后,使用当前运动物体的特征建立模型,在跟踪过程中,首先使用卡尔曼滤波器对前帧的结果进行预测,再用均值漂移法快速迭代得出实际位置,最后更新模型,开始下一轮跟踪过程.本研究中对视频先做下采样处理,每帧采样图像大小为320×240.
1.1 前景提取
前景提取主要通过高斯模型对像素点的均值与方差进行考察,一旦偏差小于马氏距离阈值[4],如式（1）所示,即认为该像素与某个高斯模型匹配,将该像素纳入到模型中去,并对模型的均值、方差和权值进行如式（2）所示的方式更新,其他模型仅更新权值即可.
[λ等于x-μiTΣi-1x-μi] （1）
[ωk,t等于1-αωk,t-1+αMk,t] （2）
考察中如果没有高斯模型与该像素点匹配,将舍掉这[n]个模型中出现次数最低的一个,并建立新的高斯模型.按“权值/方差”的顺序对[n]个高斯模型按降序进行排序并进行归一化处理,计算前[n]项和.如果计算的和大于背景阈值,则认为前[i]个模型中的点是背景[5].本文中更新率取0.001,马氏距离阈值取6.25,背景阈值取0.5,初始化权重为0.001.高斯模型的检测范围为：[x]坐标80～240,[y]坐标90～150.超过此范围则进入跟踪阶段.
1.2 建立运动模型
当确定运动物体后,将利用运动物体的色彩直方图为物体建立模型,这样,每个待检测物体将转化成一个[n]维向量.假设物体在位置[x0,]那么物体的模型将可用式（3）表示[6]：
[qu等于Ci等于1nkxSi-x0h2δbxSi-u] （3）
DM6437论文参考资料：
结论：基于DM6437的运动目标跟踪系统为大学硕士与本科DM6437毕业论文开题报告范文和相关优秀学术职称论文参考文献资料下载，关于免费教你怎么写DM6437方面论文范文。
