0 引言

    PTZ(Pan/Tilt/Zoom)摄像头是将CCD摄像机、变焦变倍镜头、全景云台等部件集成在一个单元中构成的摄像机系统。传统的PTZ摄像机监控系统通过人工操控键盘或者摇杆对监控目标进行跟踪，如果目标较远，通过手动控制镜头变焦，这种人工操控的方式跟踪误差太大，造成系统摄像不稳定、不连续。近年来，基于主动视觉的PTZ摄像机系统逐渐发展，陈双叶等人提出基于Camshift算法和卡尔曼滤波器目标跟踪算法的PTZ摄像机控制方法^[1]，简单地采用颜色直方图作为跟踪匹配特征，容易受到光照变化、运动模糊遮挡等因素影响而造成跟踪失败。WANG S等人提出的高斯混合模型目标检测定位方式的PTZ控制方法仅仅解决了镜头对焦问题^[2]。而DONG E等人除了应用高斯混合模型目标检测之外，还融合了Kalman滤波器与Camshift算法对目标进行跟踪，从而控制PTZ摄像机^[3]，相比近年来先进的目标跟踪技术，这些跟踪算法相对落后，其性能容易受众多因素影响，包括光照变化、遮挡和背景混杂等。在视觉目标追踪(The Visual Object Tracking，VOT）2014年挑战结果^[4]中显示,基于分类相关滤波器的跟踪器是目前最优秀的目标跟踪算法之一，提供了先进的跟踪性能。HENRIQUES J F等使用了梯度方向直方图(HOG)特征，提出了核相关滤波器(Kernelized Correlation Filter，KCF)及双相关滤波器(Double Correlation Filter，DCF)跟踪器^[5]，运算速度能达到300 b/s以上。

    本文采用KCF目标跟踪方法作为控制算法核心对运动目标进行跟踪，并采用粒子滤波框架对目标进行运动状态预测，根据跟踪结果使用PID算法对PTZ摄像机进行协调控制。

1 PTZ摄像机系统架构

    本文中的PTZ摄像机系统由云台摄像机、视频采集卡以及运行PTZ控制系统的上位机组成，如图1所示。

    由视频采集卡从摄像头采集回来的图像传入算法中进行跟踪运算，通过RS232转RS485串口遵循PELCO-D协议控制PTZ摄像机转动，保持跟踪目标在视频图像中。PELCO_D协议定义了水平旋转、上下旋转、变焦变倍等功能。

2 目标跟踪方法

    在KCF跟踪算法中，以核岭回归分类器作为核心，用循环移位方法致使样本变换，建立循环矩阵来训练该分类器，然后把目标与周围背景区分开来，从而达到对目标快速有效检测跟踪的目的。对样本进行巧妙地变换使训练数据矩阵具有循环特性，就可以通过离散傅里叶变换对角化，便能减少几个数量级的存储与计算，这就是文献[5]提出的核岭回归相关滤波器(Kernelized Correlation Filter，KCF），具有其他核算法没有的线性复杂度。

2.1 岭回归分类器

    针对线性岭回归判别函数f(z)=w^Tz，训练的目的是利用样本x_i找到一个权值w_i对回归目标y_i最小平方误差：

其中λ是正则化参数，控制过度拟合。根据文献[6]得到最优解：

    由式(4)可知，需要优化的变量是α，而并不是w。

    核岭回归问题的解由文献[9]给出：

2.2 循环矩阵

    对样本x进行移位变换，可以获得循环矩阵X，即：

    矩阵X完全由指定的样本向量x(这里的第一行)循环移位生成。无论生成向量x为何值，所有循环矩阵都能被离散傅里叶变换(DFT)矩阵对角化^[10]。也就是：

2.3 核相关分类器训练

    只要满足文献[5]提出的定理1的核函数的核矩阵K具有循环结构，所以：

2.4 目标快速检测

    为了检测出感兴趣物体，通常用回归函数f(z)去评估目标在多个图像中位置信息，从而估计出目标位置。把包含目标图像且比目标尺寸大的图像块作为搜索窗口，对此搜索窗口进行循环移位，形成不同的候选图像块，然后建模成循环结构的循环矩阵。

    假设核矩阵K^z由匹配模板和搜索窗口样本核相关所得。因为匹配模板X和检测样本Z是基于元素向量x和z移位变换的循环结构矩阵，相应的，K^z的每个元素是由κ(p^i-1z，p^j-1x)组成，根据文献[5]的定理1可以验证这个矩阵是一个循环核矩阵。与上一节相似，只需第一行元素来表示核矩阵：

其中k^XZ是前面定义的x与z的核相关运算。可以把回归函数表示为：

    注意到f(z)是一个矩阵元素z向量的所有移位变换形式的输出响应，为了更有效地计等式(13)，得到对角化后的等式：

3 实验分析

    在QT5平台上完成PTZ摄像头系统上位机端的C++实现，运用了OPENCV库。 

3.1 跟踪质量评估

    在实验室环境下，运行结果如图2所示，运动目标被完全遮挡的情况下，跟踪算法仍然很稳定。

3.2 PTZ控制质量实验

    上位机通过RS232转RS485转串口与PTZ摄像头相连，遵循PELCO_D协议控制。控制结果如图3所示。图中中间位PTZ摄像头贴有白色的标识，以便明显看到其转动，图中右下角为摄像头跟踪的图像。结果显示，其能始终保持跟踪目标在图像中。

4 结论

    针对目前现有的主动视觉的PTZ摄像头控制系统的跟踪性能较差、导致跟踪丢失等问题，提出了一种基于核相关视觉目标跟踪器的PTZ摄像机控制方法，并在QT平台上应用OPENCV库实现了PTZ摄像机控制系统的C++版。实验结果验证了本系统的稳定性与鲁棒性。

参考文献 

[1] 陈双叶，王善喜.PTZ摄像机跟踪运动目标的智能控制算法的研究[J].计算机科学，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，许  静，刘  成，朱永利

（华北电力大学 计算机系，河北 保定071003）