【文章內(nèi)容簡介】 不同條件有多種不同的分類方式，常見的有以下幾種：電阻式傳感器，變頻功率傳感器，稱重傳感器，電阻應變式傳感器，壓阻式傳感器，熱電阻傳感器，激光傳感器，霍爾傳感器，溫度傳感器，無線溫度傳感器，智能傳感器，光敏傳感器位移傳感器壓力傳感器等。傳感器的數(shù)據(jù)采集及信息處理技術在實際生活生產(chǎn)中扮演者橋梁的作用，在本課題的設計中，DSP2812通過光耦隔離和ADC模塊將將信息傳給傳感器，傳感器再將采集到的信息處理即可。由于受到外力作用，基片會產(chǎn)生形變，造成各電阻值發(fā)生變化，電橋就產(chǎn)生不平衡的輸出。用作壓阻式傳感器的基片材料主要為硅片和鍺片，硅片為敏感材料而制成的硅壓阻傳感器在生活中扮演著越來越重要的角色，特別是以測量壓力和速度的固態(tài)壓阻式傳感器的應用最多。進行溫度測量的熱電阻大都由純金屬材料制成，是根據(jù)熱金屬導體的電阻值隨溫度的增加而增加這一特性來進行溫度測量的，目前用的最多的是鉑和銅，此外，現(xiàn)在開始采用鎳、錳和銠等材料來制造熱電阻。位移傳感器又被稱作線性傳感器，它是將位移轉換成電量的傳感器。對于金屬感應的線性器件，位移傳感器的作用是把各種被測物理量轉換成電量。它分為電感式位移傳感器，霍爾式位移傳感器，電容式位移傳感器，超聲波式位移傳感器，光電式位移傳感器。在這種轉換過程中有許多物理量（如壓力、加速度等），所以常常需要先轉換為位移，之后再將位移變換成電量。因此在基本傳感器里，位移傳感器是非常重要的。在日常生活中，位移的測量一般分為測量實物尺寸和機械位移兩種。機械位移包括線位移和角位移。最常用的位移傳感器主要是模擬式結構型，其中電位器式位移、電感式位移、電容式位移、電渦流式位移、霍爾式位移等都越來越被熟知。將信號直接送入計算機系統(tǒng)是數(shù)字位移傳感器的重要優(yōu)點之一，其發(fā)展迅速，應用也日趨廣泛。 傳感器信息采集及處理作為信息科學的一個重要分支，數(shù)據(jù)采集技術(Data Acquisition)主要研究信息數(shù)據(jù)的采集、處理及控制等作業(yè)。其數(shù)據(jù)的測量與控制問題大量出現(xiàn)在智能儀器、信號處理以及工業(yè)控制等領域。它可將壓力、流量、角度、位移以及溫度等模擬量（Analog Signal）轉換為數(shù)字信號（Digital Signal）, 然后收集到計算機進予以顯示、處理、傳輸與記錄這一過程，這個過程稱為“數(shù)據(jù)采集”。它對應的系統(tǒng)即為數(shù)據(jù)采集系統(tǒng)（Data Acquisition System,簡稱DAS）。而對于基于傳感器信息的采集技術現(xiàn)在有了很大的發(fā)展，隨著人們對信息融合及處理問題認識的不斷深入和應用的逐漸廣泛，信息融合的層次定義也在不斷發(fā)展和完善. 多源信息融合與處理的模型涵蓋了多個層次的、多個環(huán)節(jié)的功能模塊，依照數(shù)據(jù)的抽象層次劃分，這功能可分成低級處理和高級處理過程。信息探測、數(shù)據(jù)關聯(lián)，目標狀態(tài)的估計及屬性分類等模塊都屬于低級處理過程；高級處理過程主要有行為模式檢測、目標身份預估、行為檢測、邏輯推理、態(tài)勢與威脅評估等功能模塊。低級處理主要是數(shù)據(jù)處理，數(shù)值結果是主要產(chǎn)生的；高級處理主要是符號邏輯處理，產(chǎn)生的是語義層次更高的結果。一個完整的信息融合流程有可能會涉及到不止一個處理過程，這其中每個處理過程可能又會涉及到多種融合算法。通過幾十年的理論研究和實踐檢驗，近百個較為成熟的信息融合算法被人們整理出，常用的有：加權平均法、貝葉斯網(wǎng)絡、卡爾曼濾波、聚類分析、表決法、模板法、神經(jīng)網(wǎng)絡等。不同的感知環(huán)境有不同的信息融合算法，有時也可以綜合運用多種算法，將模糊數(shù)學、進化計算、神經(jīng)網(wǎng)絡、小波變換、專家系統(tǒng)等智能技術有效地結合起來，以后也是發(fā)展的熱門。由于較強的自適應能力和自學習能力，神經(jīng)網(wǎng)絡在環(huán)境的變化方面具有泛化能力強、穩(wěn)定性高、高效迅速等優(yōu)勢，但它采用的是典型的黑箱學習模式，當學習完成后，神經(jīng)網(wǎng)絡所獲得的輸Ⅳ輸出關系無法以人容易認讀的方式表示出來，不便于用戶對數(shù)據(jù)處理模型的學習和改進。模糊集合理論是建立在被廣泛接受的產(chǎn)生式規(guī)則“if…then…”表達方式之上，但如何確定和調(diào)整隸屬度函數(shù)和模糊規(guī)則比較困難。若將神經(jīng)網(wǎng)絡技術和模糊集合理論相結合起來，使用神經(jīng)網(wǎng)絡來實現(xiàn)系統(tǒng)的模糊邏輯推理，讓原本的神經(jīng)網(wǎng)絡沒有明確物理含義的權值被賦予了模糊邏輯中推理參數(shù)的物理含義，系統(tǒng)的學習能力和表達能力被很大提高，克服自身的不足，充分發(fā)揮了其準確快速的特點。 有線傳感器的設計有線傳感器與DSP接口框圖示310圖310有線傳感器與DSP接口框圖說明：由于本課題需要19個傳感器，所以需要19個這樣的電路圖，在此不一一列出。如上圖所示，6N137光耦合器是一種高速光耦合器，用于單通道。它的內(nèi)部是由一個850 nm波長AlGaAs LED和一個集成檢測器構成，其中檢測器包含一個光敏二極管、高增益線性運放與一個肖特基鉗位的三極管。可以有效的補償溫度、電流和電壓，高的輸入輸出隔離，LSTTL/TTL兼容，高速(典型為10MBd)，非常小的輸入電流，大約為5mA。其特性為：①轉換速率高達10MBit/s。②擺率高達10kV/us。③扇出系數(shù)為8。④邏輯電平輸出。⑤集電極開路輸出。6N137的結構原理如圖所示，信號從腳2和腳3輸入后，發(fā)光二極管就會發(fā)光，經(jīng)片內(nèi)光通道傳送到光敏二極管，反向偏置的光敏管導通后，經(jīng)電流電壓轉換后送到與門的其中一個輸入端，與門的另外一個輸入端為使能端，當使能端為1（高電平）時與門輸出1，經(jīng)輸出三極管反向后光電隔離器輸出0（低電平）。當輸入信號電流小于觸發(fā)閾值或使能端為0時，輸出1，但這個邏輯是在集電極開路的條件下用的。6N137結構原理圖示311圖311 6N137結構原理圖傳感器設計中另一個重要的模塊是模數(shù)轉換器即A/D轉換器，或簡稱ADC。TMS320f2812的ADC模塊是一個具有12位分辨率，具有流水線結構的模數(shù)轉換器，流水線ADC也稱為分級型ADC，這種流水線結構的ADC通常最高只能達到14bit。，用TMS320F2812搭建數(shù)據(jù)采集系統(tǒng)時，不必外接ADC，避免了復雜的硬件設計。由于ADC可以直接對03V電壓范圍采樣，也可以經(jīng)過信號調(diào)理后對峰值不超過3V的雙極型模擬信號進行采樣。先把被測信號用示波器或其他方法判斷其極性和幅值范圍。若為單極性信號則斷開偏置電路，雙極性時連接到電路上調(diào)節(jié)電壓范圍為03V。由于DSP2812中自帶ADC轉換模塊，所以本課題不需要選用別的ADC。第4章 算法設計在過去幾年中，已經(jīng)出現(xiàn)了多種不同的目標跟蹤算法。這些方法總結起來可以歸納為2類：（1）基于運動的方法：主要依據(jù)一種穩(wěn)健的方法，把一段時間內(nèi)具有運動性一致的點歸為一類，如特征點法和光流法。（2）基于模型的方法：主要依據(jù)高層的知識描述和語義表示，計算量相對較大，如模板匹配法，活動輪廓法和圖像分割法。目標跟蹤算法的關鍵是找到一種表征目標的方法。本章首先對幾種常用的目標跟蹤方法進行簡單介紹，然后找出一種適用于智能環(huán)境下的目標跟蹤算法。波門跟蹤需要自主設計一個波門，波門的尺寸要略大于目標圖像，并且要使波門緊緊套住目標圖像，這樣才能使目標不受波門外的環(huán)境和噪聲的干擾。波門跟蹤可分為自適應式和固定式，前者是在跟蹤目標的過程中，波門的隨著目標的改變而改變，后者是在跟蹤的過程中，波門的大小始終不變。當目標由遠及近變大時，或由于目標姿態(tài)的變化變化導致投影形狀的大小發(fā)生改變時，都要求跟蹤波門也要隨之變化。波門跟蹤算法可分為邊緣跟蹤算法，雙邊緣跟蹤算法，區(qū)域平衡跟蹤算法和矩心跟蹤算法。 1．邊緣跟蹤算法邊緣跟蹤算法是一種很簡便的算法。邊緣是圖像最基本的特征，是圖像中灰度發(fā)生急劇變化的區(qū)域邊界?？梢杂锰荻人阕樱绽顾阕?，Sboel算子等來檢測目標圖像的邊緣。通過計算過零點就可以找到圖像的邊界。這樣就可以選中目標的上﹑下﹑左﹑右等邊界中的其中一個作為跟蹤點，使波門套住其中的一個，以此抑制目標的其他部分。波門跟蹤算法的缺點是易受干擾，跟蹤精度較低。 2．雙邊緣跟蹤算法雙邊緣跟蹤算法是邊緣跟蹤算法的一種特殊改進的算法，即目標位置為2個邊緣的中心，該算法跟蹤精度較高，適用于比較對稱的跟蹤目標。 3．波門內(nèi)目標面積平衡法以跟蹤波門的中心線為基準，可將目標分成4個象限或者2對象限，然后求每對象限內(nèi)的圖像的面積。如果目標在波門中心線，那么波門中心線上下和左右兩側的圖像面積相等，否則不平衡。不平衡所產(chǎn)生的誤差信號用來調(diào)整波門的位置，這種介于平衡和不平衡的交替過程直到目標充滿跟蹤窗時結束。為了使圖像的面積平衡，波門需要不斷地調(diào)整中心線的位置，這樣就會造成算法的不穩(wěn)定，從而使精度和事件響應指標變差。 4．基于分割的矩心跟蹤算法基于自適應分割算法是以自適應閾值分割圖像預處理為基礎確定目標中心位置的算法。首先需要計算波門內(nèi)圖像的自適應閾值T,然后用T對目標圖像進行分割。矩心跟蹤算法計算相對簡單，精度較高，但容易受目標的劇烈運動或者目標被遮住的影響，造成目標丟失。光流是一種簡單實用的圖像運動的表達方式，通常定義為一個圖像序列中的圖像亮度模式的表觀運動，就是空間內(nèi)物體表面上的點的運動速度在視覺傳感器的成像平面上的表達，得出結論光是呈幾何的變化。1998年Negahdaripour將光流重新定義為動態(tài)圖像的幾何變化和輻射度變化的全面表示。光流的研究是利用圖像序列中的像素強度數(shù)據(jù)的時域變化和相關性來確定各自像素位置的“運動”，即研究圖像灰度在時間上的變化與景象中物體結構及其運動的關系。一般情況下，光流由相機運動、場景中目標運動或兩者的共同運動產(chǎn)生的相對運動引起的。光流計算方法大致可分為三類：基于匹配的方法、頻域的方法和梯度的方法。（1）基于匹配的光流計算方法包括基于特征和基于區(qū)域兩種?；谔卣鞯姆椒ú粩嗟貙δ繕酥饕卣鬟M行定位和跟蹤，對大目標的運動和亮度變化具有魯棒性。存在的問題是光流通常很稀疏，而且特征提取和精確匹配也十分困難?；趨^(qū)域的方法先對類似的區(qū)域進行定位，然后通過相似區(qū)域的位移計算光流。這種方法在視頻編碼中得到了廣泛的應用。然而，它計算的光流仍不稠密。（2）基于頻域的方法，也稱為基于能量的方法，利用速度可調(diào)的濾波組輸出頻率或相位信息。雖然能獲得高精度的初始光流估計，但往往涉及復雜的計算。另外，進行可靠性評價也十分困難。（3）基于梯度的方法利用圖像序列亮度的時空微分計算2D速度場（光流）。由于計算簡單和較好的效果，基于梯度的方法得到了廣泛的研究。雖然很多基于梯度的光流估計方法取得了較好的光流估計，但由于在計算光流時涉及到可調(diào)參數(shù)的人工選取、可靠性評價因子的選擇困難，以及預處理對光流計算結果的影響，少量幀中噪聲的存在以及圖像采集地過程中形成的頻譜混疊都將嚴重影響基于梯度的方法的結果精度。光流法可以計算所有圖像中發(fā)生運動物體的光流失量，這為目標分割提供了可能，但是計算量太大，不利于實時性的實現(xiàn)。主動輪廓模型方法是近些年來發(fā)展比較快的一類輪廓匹配跟蹤方法。Michael等人在1988年提出了主動輪廓模型(Active contour models, ACM)的概念，即為Snake模型。該模型是指在目標區(qū)域內(nèi)定義的一組可以發(fā)生形變的曲線，通過不斷求解其能量函數(shù)最小化的過程，使得該曲線不斷調(diào)整自身的形狀，最終和目標區(qū)域的輪廓相一致，該曲線稱為Snake曲線。Snake模型的運算主要是基于Snake曲線能量的，其運算過程實質(zhì)是求解其能量極小化的樣條函數(shù)(Spline Function)，Snake曲線的形狀是受到內(nèi)力所約束的，而運動則是被外力所引導的，因此，使用Snake模型方法可以較為準確地跟蹤目標的輪廓。該方法的基本思想是用一組封閉的輪廓曲線來表征目標，即將曲線作為模板，在相鄰幀的邊緣圖像中匹配并且跟蹤該模板。該方法與基于區(qū)域的跟蹤方法相類似，都存在目標模板匹配和目標模板更新這兩個環(huán)節(jié)，但是此方法是在二維化圖像中匹配目標的輪廓模板，大大減少了計算量，提高了匹配的速度。 KALMAN濾波跟蹤通常在理想的情況下，跟蹤算法對目標的搜索匹配過程是在下一幀圖像的全幀范圍內(nèi)進行的。這種搜索方法的準確性非常高，但如果監(jiān)控場景比較復雜的話，全局搜索的運算會花費大量的時間。因此在實際應用中，特別是DSP嵌入式平臺的應用中，為了加快算法的執(zhí)行速度，多采用局部搜索的匹配方式。但是如果目標運動速度過快的話，這種局部搜索的方法同樣也存在著一些問題。如果目標在下一幀圖像中的位置沒有離開既定的搜索范圍，采用局部搜索法必然能夠檢測并匹配目標；如果目標的速度過快，目標在下一幀圖像中的位置已經(jīng)不在既定的搜索范圍內(nèi)，這時如果仍然采用局部搜索法，必然會導致搜索匹配的失敗。針對這一問題，利用KALMAN濾波器先對目標在相鄰幀圖像中可能出現(xiàn)的位置進行預測，然后再實現(xiàn)目標的搜索匹配和跟蹤。KALMAN濾波器在運動目標跟蹤領域應用廣泛。我們可以把對目標的跟蹤過程看作是一個預測和更新的過程。在對目標的跟蹤過程中，由于目標的狀態(tài)參數(shù)在不斷地變化，因此，跟蹤算法需要不斷地更新目標的屬性參數(shù)。把KALMAN濾波器應用于目標參數(shù)的更新過程，不但可以降低噪聲的影響，而且獲取目標屬性參數(shù)的過程也可以把KALMAN濾波器的預測值做為指導，從而減小了獲取目標屬性參數(shù)過程的時間。目標的運動模型可以認為是勻速模型、勻加速模型或變加速模型。但是在實際的視頻監(jiān)控系統(tǒng)中，視頻圖像的采集速度非?？?25幀/秒或30幀/秒),目標在相鄰兩幀圖像的運動可以看作是勻速運動，因此可以采用勻速模型描述目標的運動，將KALMAN濾波器應用于運動目標的跟蹤。 1．多功能跟蹤算法多功能跟蹤算法包括多特征跟蹤和多模跟蹤，多特征跟蹤是利用多維特征函數(shù)多目標圖像對目標圖像進行分割，提取出其多維特征，從而形成一維統(tǒng)計空間。運用軟件復合的方法將多種跟蹤方式融合于一種跟蹤方式中。多模式跟蹤采用不同跟蹤算法的多個跟蹤器同時工作，按照各自的圖像分割方法分離出背景與目標，選取目標的特征，并輸出目標跟蹤信息。由一個主控機進行信息融合，依據(jù)各自的置信度來選擇性跟蹤信號，讓每個跟蹤器能夠協(xié)同工作，這樣就可以提高跟蹤概率。多模式跟蹤的特點是：自適應能力強，抗干擾性能好，具有鎖定目標短暫丟失后的再捕獲能力。缺點是硬件設計較為復雜。與多模式跟蹤相比，多特征跟蹤的跟蹤速度和抗干擾性較差。 2．智能跟蹤法目前智能跟蹤算法應用較多的主要有神經(jīng)網(wǎng)絡跟蹤算法與模糊與神經(jīng)網(wǎng)絡