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：