前言

文本簡述一個基于二軸云臺的目標跟蹤系統的設計思路，并在之后會實踐記錄，

機器學習之前的目標檢測研究：

模板匹配：計算目標影像部磁區域與模板影像的相似度，存在檢測閾值，
全域特征：通過顏色、輪廓形狀等方式識別
區域特征：影像ROI（興趣區域）的部分特診
影像幀差：對影像相鄰幀做差分運算，來獲得目標輪廓，適用于背景變化小的環境，

基于云臺的目標識別演算法的要求：

準確性
實時性
正確性

一、系統總覽

整個系統分為硬體層、驅動層、作業系統層，

·上位機及其功能：

STM32F427控制電路作為移動平臺的主要硬體控制電路，主要功能：

集成電壓模塊為系統提供電源
與底盤電機電調通信控制電機
與二軸云臺通信控制云臺
位姿解算和位姿資訊顯示
與上位機Jetson nano或PC串口通信

·下位機及其功能：

Jetson nano主控板或PC負責上層演算法并進行資訊傳輸，主要功能有：

將接受的平臺控制資訊串口傳輸到STM32控制電路，
驅動工業相機獲取影像，
解算跟蹤目標所需的控制資訊，串口發送給STM32控制電路，控制云臺的目標跟蹤運動，

二、基本方案設計

云臺結構設計：

采用二軸云臺，控制偏航角（Yaw）和俯仰角（Pitch）兩個自由度，同時還需要姿態控制，IMU采用MPU6050,云臺電機采用RM6020，CAN通信，

機器視覺運算需求分析：

攝像頭要滿足像素高、色彩還原度高、幀率高，嵌入式系統由于需要大量的系統資源，需要GPU加速，可以采用Nvidia的Jetson TX2,擁有256顆CUDA核心(Jetson nano只有128顆CUDA核心)，但總體來說需要對工業相機的選擇，演算法的優化，GPU加速均有關系，

三、目標識別演算法與跟蹤演算法

運用HOG特征結合SVM的目標識別和跟蹤演算法

HOG（Histogram of Oriented Gradient，方向梯度直方圖）特征，演算法思想是通過提取影像中區域目標及輪廓的梯度方向來區分目標和背景，程序如下：
- 灰度化，三通道轉化為一通道
- 高斯濾波，平滑圖片
- γ矯正處理，圖片過暗，可以拉高影像整體亮度，調整影像亮度平均
- 梯度運算，分別得到縱向和橫向梯度，統計每個cell單元的梯度直方圖，
- 將影像劃分為多個Block，提取到的目標HOG特征資料統計，具有易于向量分類的特征，
SVM分類器（Support Vector Machine,支持向量機），屬于有監督學習演算法，

改進的HOG+CamShift跟蹤演算法

CamShift演算法是一種視頻影像序列演算法，以顏色直方圖為特征進行，對影像序列做MeanShift運算，選出初始目標的預測框尺寸和位置資訊，作為后一幀影像搜索視窗的初始值，實作跟蹤，

CamShift演算法流程
- 顏色空間轉換，RGB到HSV，只需要H分量，
- 計算反向投影，算出對應概率
- 計算搜索框質心

YOLOv3目標檢測

優勢：準確率高，幀率高，性能好，
- 推薦采用yolov3,在darknet框架下，
- 自制資料集
- 移植到linux系統或者ros系統

此方法詳情可查看：

??????Darknet——yolo3訓練自己的資料集+在ros環境下實作目標檢測實戰教程（二）——訓練自己的權重檔案

四、云臺控制跟蹤

PID演算法及改進
- 比例控制：考慮當前誤差
- 積分控制：消除穩態誤差
- 微分控制：考慮將來的誤差，預測變化
  - 添加死區控制，即電機實際轉速與目標轉速在設定的死區范圍，就無需PID控制，避免震蕩情況，
  - 增量式PID演算法由于積分項的截斷效應大，容易產生靜態誤差，同時避免超調現象，偏差對積分項進行分段處理，
串口通訊協議
- 包含：
  
  幀頭 8bit
  模塊 8bit
  資料識別位 8bit
  資料位元組數 8bit
  資料段 0-255bit
  丟包檢測 8bit
  校驗位 crc16
- 發包：上層將目標檢測之后的預測框，以影像中心為原點，將X,Y坐標，寬度，高度封裝成資料包發送給下位機，以發出的包數與收到的包數計算丟包率，
- 解包：先判斷幀頭，資料識別位， 資料位元組數，然后取出高低位進行CRC校驗，幀結尾的CRC校驗是對一幀資料進行冗余校驗的結果，檢測資料傳輸的正確性，

幀頭	8bit
模塊	8bit
資料識別位	8bit
資料位元組數	8bit
資料段	0-255bit
丟包檢測	8bit
校驗位	crc16

轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/323272.html

標籤：其他

上一篇：Ubuntu 18下OpenCV3.4的安裝與使用示例

下一篇：OpenCV4.5.4 DNN人臉識別模塊使用介紹--如何快速搭建一個人臉識別系統

基于二軸云臺目標跟蹤系統設計

文章目錄

前言

機器學習之前的目標檢測研究：

基于云臺的目標識別演算法的要求：

一、系統總覽

整個系統分為硬體層、驅動層、作業系統層，

·上位機及其功能：

·下位機及其功能：

二、基本方案設計

云臺結構設計：

機器視覺運算需求分析：

三、目標識別演算法與跟蹤演算法

運用HOG特征結合SVM的目標識別和跟蹤演算法

改進的HOG+CamShift跟蹤演算法

YOLOv3目標檢測

四、云臺控制跟蹤

PID演算法及改進

串口通訊協議