喻恒

【摘 要】將KCF目標(biāo)跟蹤算法應(yīng)用于基于姿態(tài)識(shí)別的老人視頻監(jiān)控中，在對(duì)空巢老人看護(hù)現(xiàn)狀和老人姿態(tài)識(shí)別的視頻監(jiān)護(hù)分析的基礎(chǔ)上，提出了將KCF應(yīng)用于姿態(tài)識(shí)別初期的老人目標(biāo)跟蹤和識(shí)別，經(jīng)過實(shí)驗(yàn)，KCF算法可以正確有效地識(shí)別跟蹤人體目標(biāo)，為后期的姿態(tài)特征提取和動(dòng)作識(shí)別打下良好的基礎(chǔ)。

【關(guān)鍵詞】老人監(jiān)護(hù)；目標(biāo)跟蹤；KCF

中圖分類號(hào)：TP391.41 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 2095-2457（2018）25-0142-002

DOI：10.19694/j.cnki.issn2095-2457.2018.25.065

【Abstract】KCF target tracking algorithm is applied to the elderly video surveillances system based on gesture recognition.On the basis of the analysis of the status quo of empty nest elderly care and gesture recognition of the elderly，KCF is applied to target tracking and recognition for elderly people.Through experiments， the KCF algorithm can identify human targets correctly and effectively.It lays a good foundation for later posture feature extraction and action recognition.

【Key words】Elderly monitoring； Target tracking； KCF

0 背景

隨著生活水平的不斷提高，我國(guó)開始逐漸步入老齡化社會(huì)，老年問題也開始受到多方關(guān)注，目前，我國(guó)有65歲及以上老年人達(dá)到15831萬人，我國(guó)大中城市老年空巢家庭率已達(dá)到70%[1]，這些家庭基本上子女是長(zhǎng)期無法在身邊陪伴，而且?guī)缀?0%以上的老人都患有各類慢性疾病，同時(shí)由于養(yǎng)老醫(yī)療服務(wù)和家政服務(wù)發(fā)展緩慢，空巢老人缺乏基本的日常生活照料和專業(yè)的醫(yī)療護(hù)理，而且情感上也缺乏溝通和交流，從而導(dǎo)致空巢家庭生活存在各種安全隱患[2]。據(jù)調(diào)查空巢老人因心腦血管突發(fā)疾病和意外跌倒是造成受到意外傷害中最為主要的原因，特別是空巢老人，如果不能及時(shí)的發(fā)現(xiàn)或搶救，死亡率會(huì)很高，但是在現(xiàn)有養(yǎng)老服務(wù)落后的情況下，安排護(hù)工、家政對(duì)老人進(jìn)行實(shí)時(shí)看護(hù)推廣難度較大，這就導(dǎo)致需要用科學(xué)技術(shù)手段解決以上問題，其中基于老人姿態(tài)監(jiān)測(cè)的監(jiān)護(hù)系統(tǒng)最近越來越受到重視。

1 研究現(xiàn)狀

隨著機(jī)器視覺在應(yīng)用領(lǐng)域的快速發(fā)展，許多科研機(jī)構(gòu)和學(xué)者也開始將基于機(jī)器視覺的行為識(shí)別應(yīng)用于各個(gè)領(lǐng)域。美國(guó)的MIT、卡梅隆大學(xué)等科研機(jī)構(gòu)合作開發(fā)了視頻監(jiān)視和監(jiān)控系統(tǒng)（Video Surveillance and Monitoring，VSAM），該系統(tǒng)能夠?qū)崟r(shí)監(jiān)測(cè)并且辨別識(shí)別出監(jiān)控對(duì)象有危害性的行為[3]。中科院自動(dòng)化研究所研發(fā)的“人的運(yùn)動(dòng)與行為視頻分析”系統(tǒng)，能夠?qū)ΡO(jiān)控的人進(jìn)行檢測(cè)，同時(shí)根據(jù)目標(biāo)的行為特征判斷出異常行為并做出預(yù)警。清華大學(xué)通過檢測(cè)針手肘的角度以及手勢(shì)的運(yùn)動(dòng)特征等[4]，研發(fā)出一套智能教室系統(tǒng)。國(guó)內(nèi)外相關(guān)研究逐漸增多，但是專門針對(duì)老人姿態(tài)的監(jiān)測(cè)系統(tǒng)研究很少，基于姿態(tài)的監(jiān)護(hù)系統(tǒng)即：全方位通過視頻對(duì)老人的生活場(chǎng)所監(jiān)控，并能夠自動(dòng)識(shí)別出老人的姿態(tài)或動(dòng)作狀態(tài)，結(jié)合動(dòng)作特征通過智能算法判斷出老人是否處于異常狀態(tài)，是否急需幫助。

目前針對(duì)于行為識(shí)別的研究可劃分為行為意圖識(shí)別和姿態(tài)識(shí)別。計(jì)算機(jī)智能的理解或推測(cè)一個(gè)行為的意圖被稱為行為意圖識(shí)別，通過分析提取動(dòng)作的特征參數(shù)識(shí)別出動(dòng)作類別的過程屬于姿態(tài)識(shí)別。其中針對(duì)于行為意圖的識(shí)別更多的應(yīng)用于銀行、煤礦等需要對(duì)人的危險(xiǎn)行為意圖做出判斷預(yù)警的場(chǎng)合，如搶劫、礦井吸煙等，而對(duì)于老人的異常狀態(tài)的檢測(cè)，更多的適用于姿態(tài)識(shí)別。下層的動(dòng)作識(shí)別首先要解決的是目標(biāo)識(shí)別和跟蹤的問題，然后提取有效的姿態(tài)特征和動(dòng)作特征，從而判斷老人的異常狀態(tài)。因此本文要研究的就是針對(duì)室內(nèi)老人目標(biāo)準(zhǔn)確的識(shí)別和實(shí)時(shí)跟蹤。

2 KCF跟蹤算法

綜合近幾年各類跟蹤算法的應(yīng)用，機(jī)器學(xué)習(xí)的方法得到的效果受到普遍認(rèn)同，其中基于判別式的跟蹤方法跟蹤性能良好。該方法利用目標(biāo)及其周圍的背景信息，通過在線學(xué)習(xí)一個(gè)判別式的分類器，對(duì)候選樣本進(jìn)行評(píng)估來定位目標(biāo)區(qū)域[5]。具有代表性的如CSK算法即基于循環(huán)結(jié)構(gòu)的檢測(cè)跟蹤[6]，該算法針對(duì)于傳統(tǒng)跟蹤檢測(cè)的樣本不足，導(dǎo)致跟蹤失敗的情況，通過循環(huán)移位對(duì)訓(xùn)練樣本和候選樣本進(jìn)行處理，人為的增加了采樣密度，通過對(duì)灰度特征的訓(xùn)練獲得可靠的目標(biāo)外觀模型和目標(biāo)位置的檢測(cè)。核相關(guān)濾波跟蹤算法即KCF[7]在CSK算法基礎(chǔ)上改進(jìn)了特征提取的方法，沒有使用灰度特征，而是采用方向梯度直方圖（HOG）作為樣本特征，并進(jìn)一步優(yōu)化了計(jì)算方式，實(shí)現(xiàn)了快速KCF算法，不僅提高了跟蹤精度還獲得了較好的實(shí)時(shí)響應(yīng)。本文主要采用的就是KCF算法。

KCF算法基本流程是通過對(duì)目標(biāo)循環(huán)移位的方式，人為的獲得大量訓(xùn)練樣本，通過HOG特征構(gòu)建目標(biāo)外觀模型，訓(xùn)練一個(gè)正則化最小二乘分類器，利用核函數(shù)進(jìn)行求解，以獲得濾波模板。利用計(jì)算出的濾波模板對(duì)候選樣本進(jìn)行檢測(cè)，，實(shí)現(xiàn)目標(biāo)的識(shí)別與跟蹤。

2.1 正則化最小二乘分類器的求解

KCF算法樣本訓(xùn)練過程就是正則化最小二乘問題，首先需要對(duì)目標(biāo)圖像進(jìn)行循環(huán)移位，獲得大小為m×n的區(qū)域x的樣本集xi（i∈{0，…，m-1}）×{0，…，n-1}。訓(xùn)練分類器f（x）進(jìn)一步尋找到最小化風(fēng)險(xiǎn)參數(shù)ω，使得所有樣本集與ri的平方誤差和最小，ri為樣本集對(duì)應(yīng)的回歸標(biāo)簽[5]。函數(shù)可表示為

min[f（xi）-yi]2+λ‖ω‖2（1）

其中λ‖ω‖2是最小化風(fēng)險(xiǎn)參數(shù)，又稱為懲罰項(xiàng)，λ是正則化參數(shù)，可以防止過擬合，計(jì)算權(quán)值ω，求解如下，得到公式（2）：

w=（XTX+λI）-1XTy（2）

式中矩陣X的每行是樣本的特征向量，y是對(duì)應(yīng)的每個(gè)樣本的回歸值yi組成的列向量，為了方便在后面的頻域計(jì)算，轉(zhuǎn)化為下式。

w=（XHX+λI）-1XHy（3）

其中XH是X的共軛轉(zhuǎn)置。

2.2 目標(biāo)檢測(cè)

目標(biāo)檢測(cè)是尋找移動(dòng)目標(biāo)在當(dāng)前幀位置的過程。在當(dāng)前幀選取與前一幀目標(biāo)中心位置相同的坐標(biāo)，提取基本候選樣本，設(shè)樣本為大小為m×n的圖像塊，建立目標(biāo)外觀模型。通過循環(huán)移位獲取一系列樣本集合，設(shè)為zi（i∈{0，1，…，m-1}×{0，1，…，n-1}）。對(duì)每一個(gè)候選樣本zi進(jìn)行檢測(cè)，由上文提到的方式訓(xùn)練獲得的權(quán)值系數(shù)，再根據(jù)r'i=（xj，zi）計(jì)算檢測(cè)樣本與目標(biāo)的相似度的加權(quán)求和，得到分類器的響應(yīng)值。為了降低運(yùn)算量提高運(yùn)算速度，求解轉(zhuǎn)換為頻域即如式（4）

r=F-1[F（k）·F（α）]（4）

KCF算法相比較其他算法運(yùn)算速度更快，跟蹤效果效果也很穩(wěn)定，實(shí)現(xiàn)過程和計(jì)算方法十分簡(jiǎn)單，因此在老人姿態(tài)識(shí)別系統(tǒng)中，利用KCF算法對(duì)人物目標(biāo)進(jìn)行識(shí)別并進(jìn)行跟蹤，可獲得預(yù)期的效果。

3 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證算法在基于視頻的家庭老人目標(biāo)跟蹤性能，采用標(biāo)準(zhǔn)庫Benchmark視頻庫進(jìn)行測(cè)試，從中選取50組人物視頻模擬老人的目標(biāo)場(chǎng)景，對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析?？紤]到家庭視頻監(jiān)控中的目標(biāo)識(shí)別環(huán)境，以及針對(duì)于老人目標(biāo)移動(dòng)緩慢、家庭空間限制情況，可分析目標(biāo)尺度變化很小，只有桌椅家電對(duì)目標(biāo)的遮擋，以及靠近窗戶、打開電燈等遮擋物和光照亮度變化的情況。因此實(shí)驗(yàn)主要測(cè)試分析存在遮擋物和光照變化的人物目標(biāo)識(shí)別與跟蹤情況。

實(shí)驗(yàn)采用Windows10系統(tǒng)下運(yùn)行Matlab2016b，主機(jī)參數(shù)：Intel COREi7，2.4GHz四核，2GB內(nèi)存，由綠色框表示對(duì)目標(biāo)跟蹤的結(jié)果。通過對(duì)50組視頻目標(biāo)跟蹤測(cè)試，選取具有代表性的圖1，圖2的實(shí)驗(yàn)測(cè)試結(jié)果，可以看出在遮擋物存在和光照亮度變化情況下，對(duì)于人物目標(biāo)在視頻中的跟蹤比較準(zhǔn)確，沒有目標(biāo)丟失和目標(biāo)識(shí)別錯(cuò)誤的情況，能夠達(dá)到監(jiān)控目的，為后期的目標(biāo)姿態(tài)特征提取、識(shí)別提供了基礎(chǔ)。

4 結(jié)論

針對(duì)空巢老人看護(hù)目前存在的問題，提出基于老人姿態(tài)識(shí)別的家庭視頻監(jiān)護(hù)，將KCF跟蹤算法應(yīng)用于監(jiān)護(hù)系統(tǒng)對(duì)老人目標(biāo)的識(shí)別和跟蹤。KCF算法通過頻域轉(zhuǎn)換進(jìn)一步降低了運(yùn)算量，提高了運(yùn)算速度，更加滿足人物目標(biāo)跟蹤識(shí)別的實(shí)時(shí)性要求。經(jīng)過實(shí)驗(yàn)分析KCF算法在復(fù)雜環(huán)境下目標(biāo)跟蹤具有精確度高、準(zhǔn)確度好、響應(yīng)迅速等特點(diǎn)，為老年人姿態(tài)識(shí)別系統(tǒng)的目標(biāo)跟蹤問題，提供了一個(gè)有效的方法，同時(shí)為后期的姿態(tài)識(shí)別奠定了基礎(chǔ)。

【參考文獻(xiàn)】

[1]王躍生.中國(guó)城鄉(xiāng)老年人居住的家庭類型研究——基于第六次人口普查數(shù)據(jù)的分析[J].中國(guó)人口科學(xué)，2014（1）：20-32.

[2]趙明利，宋葆云等.我國(guó)城市空巢老人安全現(xiàn)狀評(píng)估及對(duì)策[J]，全科護(hù)理，2011，9（3）：547-548.

[3]Collins R T，Lipton A，Kanade T，et al.A System for Video Surveillance and Monitoring[M].Carnegie Mellon University，the Robotics Institute Pittsburg， 2000：120-122.

[4]Ren H，Xu G.Human Action Recognition in Smart Classroom[C]//Automatic Face and Gesture Recognition， 2002.Proceedings.Fifth IEEE International Conference on. IEEE， 2002：417-422.

[5]高美鳳，張曉玄.尺度自適應(yīng)核相關(guān)濾波目標(biāo)跟蹤[J].激光與光電子學(xué)進(jìn)展.2018，55（04）290-296.

[6]Henriques J F.Caseiro R.Martins P，et al.Exploiting the circulant structure of tracking-by-detection with kernels[C].European Conferenceon Computer Vsion.2012：702-705.

[7]Henriques J F.Caseiro R.Martins P，et al.High-speed tracking with kernelized correlation filters[J].IEEE Transactionson Pttern Aanalysisand Machine Intelligence 2015.37（3）：583-596.

[8]曲中鑫，老人監(jiān)護(hù)系統(tǒng)中的姿態(tài)識(shí)別算法研究[D].哈爾濱工業(yè)大學(xué)，2015.