基于DM642的形心跟踪算法实现

1、基于DM642芯片的形心跟踪方法实现的框图如下


2、阈值分割（为提高算法的实时性，我们下面的算法至对采集到的图像的奇数场进行处理）

这里采用灰度图像下的阈值化方法进行阈值分割，具体使用的算法是迭代阈值分割。

迭代阈值分割是一种针对复杂图像的分割方法。首先根据图像的全局直方图，将取了阈值后得到的区域看成是子图像，在此对各子图像作直方图选峰值点及区域值，不断重复上述过程，直到找不到新的峰值点或区域变得太小为止。这种算法利用不断更新的子图像直方图，随着循环的增加，越来越细的考虑了图像的局部特性。

其具体实现代码如下：

int DetectThreshold(unsigned int  Image,int intALines,int intAPixels,
int intDLines,int intDPixels)
{
unsigned int data;
//循环变量
int i, j;
//像素值
unsigned char pixel;
//直方图数组
int lHistogram[256];
//阈值，最大灰度值与最小灰度值，两个区域的平均灰度值
unsigned char iThreshold, iNewThreshold, iMaxGrayValue, iMinGrayValue, iMean1GrayValue, iMean2GrayValue;
//用于计算区域灰度平均值的中间变量
int lP1,lP2,lS1,lS2;
//迭代次数
int iIterationTimes;
int numPixels;
//直方图数组赋初值0
for (i = 0; i < 256;i++)
lHistogram[i]=0;
//获得源图像的直方图、最大与最小灰度值
iMaxGrayValue = 0;
iMinGrayValue = 255;
numPixels = 720;
data = Image;
//统计每个灰度级中像素的个数
for(i = intALines; i < intDLines; i++)
{
for(j = intAPixels;j < intDPixels;j+=2)
{
pixel = *(Uint8 *)(data + i*numPixels + j);
//修改最大，最小灰度值
iMinGrayValue = (iMinGrayValue > pixel?pixel:iMinGrayValue);
iMaxGrayValue = (iMaxGrayValue < pixel?pixel:iMaxGrayValue);
lHistogram[pixel]++;
// pixel = *(Uint8 *)(data + (i+288)*numPixels + j);
//	iMinGrayValue = (iMinGrayValue > pixel?pixel:iMinGrayValue);
//	iMaxGrayValue = (iMaxGrayValue < pixel?pixel:iMaxGrayValue);
//	lHistogram[pixel]++;
pixel = *(Uint8 *)(data + i*numPixels + j+1);
//修改最大，最小灰度值
iMinGrayValue = (iMinGrayValue > pixel?pixel:iMinGrayValue);
iMaxGrayValue = (iMaxGrayValue < pixel?pixel:iMaxGrayValue);
lHistogram[pixel]++;
//    pixel = *(Uint8 *)(data + (i+288)*numPixels + j+1);
//		iMinGrayValue = (iMinGrayValue > pixel?pixel:iMinGrayValue);
//	   	iMaxGrayValue = (iMaxGrayValue < pixel?pixel:iMaxGrayValue);
//		lHistogram[pixel]++;
}
}
//迭代求最佳阈值
iNewThreshold = (iMinGrayValue + iMaxGrayValue)/2;
iThreshold = 0;
for(iIterationTimes = 0; iThreshold != iNewThreshold && iIterationTimes < 100;iIterationTimes ++)
{
iThreshold = iNewThreshold;
lP1 =0;  lP2 =0;   lS1 = 1;   lS2 = 1;
//求两个区域的灰度平均值
for (i = iMinGrayValue;i < iThreshold;i++)
{
lP1 += lHistogram[i]*i;   //像素值之和
lS1 += lHistogram[i];    //像素个数
}
iMean1GrayValue = (unsigned char)(lP1 / lS1);  //第一个区域的灰度平均值
for (i = iThreshold+1;i < iMaxGrayValue;i++)
{
lP2 += lHistogram[i]*i;  //像素值之和
lS2 += lHistogram[i];   //像素个数
}
iMean2GrayValue = (unsigned char)(lP2 / lS2); //第一个区域的灰度平均值
iNewThreshold =  (iMean1GrayValue + iMean2GrayValue)/2;  //更新阈值
}
return iThreshold;
}

3、二值化
根据步骤2中得到的阈值，对图像进行二值化处理。

cvThreshold(tempYbuffer, Threshold, intALines,intAPixels,intDLines,intDPixels);

4、确定形心
形心，即图像目标的几何中心，对于准确的定位目标具有很重要的意义[。形心获取通常采用形心识别算法，又称形心跟踪算法，它是波门跟踪算法的一种。采用形心识别算法时要求目标的灰度级一致，无明显的纹理变化，目标灰度与背景灰度差异较大。这样，目标能够从背景中清晰的提取出来。形心算法的计算方法简单，计算量较小，在短时间内就可以完成计算，输出目标的位置，速度上能满足系统的要求。但形心跟踪算法只适用于目标和背景相对简单的系统。在简单背景模式下，形心算法比较有效，不论速度还是精度都能达到要求，但在复杂背景下，由于目标的提取有一定的困难，所以跟踪的性能会有所下降．这是它的局限性。所以形心跟踪算法对简单背景的运动目标有效，而对于背景复杂的目标跟踪效果不够理想。

形心的计算格式如下：



处理函数为：

objectDection(tempYbuffer,&rect);

5、目标跟踪

利用步骤4中得到目标的形心，以形心为中心扩展一个跟踪框，框住目标，如选用40*40pixels或其他矩阵框。接下来对每一帧图像都采取以上步骤，便可以实现简单背景下的目标跟踪。

以下是DM642上形心跟踪的效果图：