应用开发的关键：层层分解，聚焦核心要素

学习数字图像处理的最终目的还是应用。无论研制产品还是研发项目抑或是研究课题，都要用数字图像处理的理论、方法和技术来解决实际问题。在此过程中，提高效率是非常重要的，因此，在实际应用过程中要面向需求，结合实际；将问题层层分解，理清解决思路；抓住其要害，集中力量进行突破，切忌“眉毛胡子一把抓”。

下面就结合笔者所研究过的一个课题进行详细说明。

课题任务要求：一台智能移动机器人上配备有单目可见光视觉传感器，要求通过该视觉传感器采集的视频序列图像，实现在复杂环境下对纹理清晰的特定目标的实时跟踪。

（注：该问题的解决应从硬件和软件两个方面进行考虑，对硬件的选择、设计和搭建超出了本书所讨论的内容，因此，本文仅从数字图像处理方法的角度进行分析。）

分析讨论：

（1）任务分解：通过对任务要求进行分析可知，该任务的核心是“目标识别跟踪”；在此基础上有两个约束条件：“复杂环境下”和“实时性”；方法实现的平台是“移动机器人”。任务的核心——“目标识别跟踪”是要解决的难点和重点；约束条件“复杂环境下”则要求我们对所采集的图像进行去噪预处理；约束条件“实时性”也是需要解决的问题，这就要求我们尽可能地降低各种算法的运算复杂度；由于实现平台“移动机器人”在行进过程中采集的视频图像存在抖动现象，因此，在对采集的图像进行去噪后需要对其进行增稳处理。通过初步分解，就得到了任务中所要解决的问题以及大致流程（见图7-1）。

(www.xing528.com)

图7-1 任务分解及流程

（2）难点分解：本任务的难点是“目标识别跟踪”。之所以称其为难点，是由于对目标的识别和跟踪过程中，存在视觉传感器与目标物体的相对运动，因此，目标在图像中存在着尺度变化、旋转变化、视角变化、照度变化以及局部遮挡，这给目标识别和跟踪带来了挑战。常用的目标识别与跟踪算法有：基于帧间差分的目标识别与跟踪法、基于光流的目标识别与跟踪法、基于模板匹配的目标识别与跟踪法、基于颜色的目标识别与跟踪法、基于特征点的目标识别与跟踪法。考虑到每种方法的特点以及待跟踪目标具有清晰的纹理，可以采用基于特征点的目标识别与跟踪法，更进一步地说，应采用尺度不变特征点（详见本书4.6节）作为识别与跟踪的特征，这是因为尺度不变特征点对尺度变化、旋转变换、视角变化、照度变化和局部遮挡具有鲁棒性。同时，我们希望目标识别和跟踪算法具有良好的实时性，因此，可以考虑PCA-SIFT和SURF特征点作为目标特征。此外，由于视频序列相邻图像之间存在相关性，目标在相邻帧之间不会有剧烈的变换，因此，可采用隔帧搜索法对目标进行检测并用Kalman滤波或粒子滤波对目标的轨迹进行预测。难点分解的过程如图7-2所示。

图7-2 难点分解过程

（3）算法分解：经过任务分解和难点分解后，读者已经对任务的实现步骤和每个步骤所需的算法有了一个清晰的了解。在此之后，还需对每一个具体的算法进行分解，形成实现步骤，以便于后续的研究以及模块化分工实现。