陳欣佳　劉艷霞　洪曉斌　王慧芳

摘要：針對(duì)目前目標(biāo)檢測(cè)和目標(biāo)跟蹤算法對(duì)無人艇運(yùn)算配置要求高、速度慢等問題，該文一種提出基于SSD-CF的無人艇目標(biāo)檢測(cè)跟蹤方法。利用MobileNets結(jié)構(gòu)結(jié)合SSD目標(biāo)檢測(cè)算法構(gòu)建輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)無人艇的水面目標(biāo)檢測(cè)。目標(biāo)檢測(cè)結(jié)果作為相關(guān)濾波CF目標(biāo)跟蹤算法的初始輸入，并在目標(biāo)跟蹤過程的保障其有效性。通過MODD水面船只視頻數(shù)據(jù)實(shí)驗(yàn)表明，SSD-CF方法融合目標(biāo)檢測(cè)與目標(biāo)跟蹤算法，可有效地降低對(duì)運(yùn)算力的要求，提升目標(biāo)檢測(cè)跟蹤速度和目標(biāo)位置的穩(wěn)定連續(xù)性。

關(guān)鍵詞：無人艇;目標(biāo)檢測(cè);目標(biāo)跟蹤;SSD;MobileNets;相關(guān)濾波

中圖分類號(hào)：TN212

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1674–5124（2019）02–0145–06

0 引言

水面無人艇實(shí)際應(yīng)用廣泛，如水質(zhì)檢測(cè)、海面巡邏監(jiān)控等。隨著人工智能技術(shù)的發(fā)展，現(xiàn)代無人艇海面自主航行領(lǐng)域的各項(xiàng)技術(shù)也在不斷完善。水面目標(biāo)準(zhǔn)確檢測(cè)跟蹤是無人艇的核心技術(shù)。但其目前較好的目標(biāo)檢測(cè)都依賴于深度學(xué)習(xí)卷積網(wǎng)絡(luò)，檢測(cè)速度較慢，且對(duì)于運(yùn)算環(huán)境要求高。目標(biāo)跟蹤算法在給出目標(biāo)之后能較好地穩(wěn)定跟蹤目標(biāo)，但目標(biāo)丟失后無法重新追蹤目標(biāo)。目前目標(biāo)檢測(cè)算法主要分為3類：1）傳統(tǒng)的檢測(cè)算法，主要有Cascade+Harr[1]、SVM+HOG[2]、DPM算法等利用手工特征結(jié)合機(jī)器學(xué)習(xí)類算法，以及在此類算法上的改進(jìn)和優(yōu)化;2）候選窗選擇算法結(jié)合深度學(xué)習(xí)分類的二階段檢測(cè)算法，主要有RCNN、SPP-net[3]、Fast-RCNN、Faster-RCNN[4]等系列方法;3）基于一階段的深度學(xué)習(xí)回歸方法，主要算法有YOLO、SSD[5]等，一次性對(duì)目標(biāo)位置以及目標(biāo)類別進(jìn)行學(xué)習(xí)計(jì)算。二階段的算法相對(duì)于一階段的目標(biāo)檢測(cè)算法精度高但速度慢。結(jié)合深度學(xué)習(xí)的算法大大提高了目標(biāo)檢測(cè)的準(zhǔn)確度，但運(yùn)算環(huán)境的要求比較高，速度也有些下降。

傳統(tǒng)的目標(biāo)跟蹤算法有光流法[6]、卡爾曼濾波、粒子濾波[7]、Mean-Shift[8]。隨著機(jī)器學(xué)習(xí)的興起，近幾年在目標(biāo)跟蹤中的成果基本都是使用機(jī)器學(xué)習(xí)的方法。目前跟蹤算法可以被分為生成式和判別式兩大類別。生成式模型的思想是提取目標(biāo)特征學(xué)習(xí)出代表目標(biāo)的模型，搜索圖像進(jìn)行模式匹配，匹配度最大的區(qū)域即為目標(biāo)結(jié)果[9]。判別式模型的思想是將目標(biāo)跟蹤問題作為分類問題，區(qū)分目標(biāo)和背景。目標(biāo)區(qū)域和背景區(qū)域分別為正、負(fù)樣本，通過機(jī)器學(xué)習(xí)算法訓(xùn)練分類器判別目標(biāo)和背景，使用分類器搜索最匹配區(qū)域。判別類模型中目前最突出的發(fā)展是相關(guān)濾波和深度學(xué)習(xí)方法的應(yīng)用。自2010年Bolme等[10]提出MOSSE算法，首次將相關(guān)濾波應(yīng)用到目標(biāo)跟蹤領(lǐng)域中，由于其計(jì)算速度快、準(zhǔn)確度高等特點(diǎn)，吸引了大批研究者，相關(guān)濾波與傳統(tǒng)算法的各種結(jié)合嘗試從不同的角度對(duì)算法進(jìn)行提升。后續(xù)在MOSSE算法基礎(chǔ)上相繼提出了CSK[11]，KCF[12]、DSST、STC、SAMF、CN、SRDCF、Deep-SRDCF、C-COT、ECO等拓展算法。其中部分算法結(jié)合了深度學(xué)習(xí)算法，利用卷積網(wǎng)絡(luò)自動(dòng)提取特征，提升了目標(biāo)跟蹤效果，但也導(dǎo)致運(yùn)算速度下降。

針對(duì)海面障礙目標(biāo)的實(shí)時(shí)準(zhǔn)確檢測(cè)跟蹤需求，使用深度學(xué)習(xí)類目標(biāo)檢測(cè)可以達(dá)到比較好的結(jié)果，但對(duì)于無人艇上位機(jī)運(yùn)算環(huán)境要求較高，因此本文通過MobileNets進(jìn)一步改進(jìn)SSD目標(biāo)檢測(cè)網(wǎng)絡(luò)模型，降低運(yùn)算要求，加快檢測(cè)效率。同時(shí)結(jié)合CF相關(guān)濾波目標(biāo)跟蹤算法，實(shí)現(xiàn)目標(biāo)實(shí)時(shí)跟蹤，最終實(shí)現(xiàn)目標(biāo)的準(zhǔn)確檢測(cè)與實(shí)時(shí)跟蹤。

1 基于SSD-CF目標(biāo)檢測(cè)跟蹤方法

1.1 SSD目標(biāo)檢測(cè)算法

為了實(shí)現(xiàn)無人艇對(duì)水面目標(biāo)的實(shí)時(shí)檢測(cè)跟蹤，首先需要檢測(cè)出目標(biāo)。本文采用SSD（singleshotmultiboxdetector）目標(biāo)檢測(cè)算法進(jìn)行目標(biāo)檢測(cè)。SSD算法的主要思路是均勻地在圖片的不同位置進(jìn)行密集抽樣，同時(shí)采用不同尺度和長(zhǎng)寬比，利用卷積網(wǎng)絡(luò)提取特征后直接進(jìn)行目標(biāo)分類與位置回歸，整個(gè)過程一步完成檢測(cè)，因此算法速度較快。

SSD算法中采用密集取樣生成目標(biāo)位置候選框。在不同分辨率的特征圖上按不同比例生成固定大小的單元格。對(duì)于所有單元格再按{1，2，3，1/2，1/3}不同的長(zhǎng)寬比增加候選框。在不同分辨率的特征圖上只考慮一個(gè)尺度的候選框。如用m個(gè)特征圖來做預(yù)測(cè)，每一個(gè)特征圖中候選框的尺寸大小計(jì)算公式：

其中，smin為0.2，smax為0.95，意味著最底層的尺度是0.2，最高層的尺度是0.95。根據(jù)不同長(zhǎng)寬比ar∈{1，2，3，1/2，1/3}，則可計(jì)算出每一個(gè)候選框的寬wk和高h(yuǎn)k：

對(duì)于長(zhǎng)寬比為1時(shí)，另外增加了一個(gè)尺度s′k=√sksk+1的候選框。最終每張?zhí)卣鲌D上的單元格都有6個(gè)候選框。候選框與標(biāo)注框進(jìn)行匹配，如果面積交并比大于0.5為正例，其他為反例。

SSD算法目標(biāo)損失函數(shù)包含位置損失和置信損失。位置損失是候選框l和標(biāo)注框g位置參數(shù)之間的平滑L1損失函數(shù)。置信損失是softmax損失對(duì)多類別置信c和權(quán)重項(xiàng)α設(shè)置為1的交叉驗(yàn)證。其中N是匹配的默認(rèn)框數(shù)量，其中x∈{1，0}，為指示函數(shù)，表示標(biāo)注框與候選框匹配與否。

SSD算法中使用兩種策略提升算法性能：1）難例挖掘，根據(jù)上面的候選框生成策略會(huì)產(chǎn)生大量的負(fù)訓(xùn)練樣本，通過選擇置信損失較大的候選框作為反例，使得反例不超過正例的3倍;2）數(shù)據(jù)增廣，對(duì)原圖進(jìn)行隨機(jī)裁剪和在目標(biāo)周圍裁剪，隨機(jī)翻轉(zhuǎn)來增加訓(xùn)練集。這兩個(gè)策略都有效提升了算法的準(zhǔn)確度。

1.2 MobileNet-SSD輕量級(jí)目標(biāo)檢測(cè)算法

由于無人艇體積有一定的限制，通常需要裝備各式各樣的感應(yīng)設(shè)備（如雷達(dá)、聲吶、攝相機(jī)等），無人艇上工控機(jī)需要運(yùn)行大量計(jì)算，如果直接使用SSD算法檢測(cè)目標(biāo)，將會(huì)耗費(fèi)大量的計(jì)算資源，并且耗時(shí)較長(zhǎng)。因此需要對(duì)SSD算法網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn)，減少運(yùn)行時(shí)間和參數(shù)數(shù)量。利用MobileNets結(jié)構(gòu)結(jié)合SSD算法，可以實(shí)現(xiàn)輕量級(jí)的目標(biāo)檢測(cè)。MobileNets是基于一個(gè)流線型的架構(gòu)，它使用深度可分離的卷積來構(gòu)建輕量級(jí)的深度神經(jīng)網(wǎng)絡(luò)。MobileNets的核心思想是將普通的卷積操作分解為深度可分離卷積和1*1逐點(diǎn)卷積兩個(gè)步驟。可以在基本保證準(zhǔn)確率的前提下大大減少計(jì)算時(shí)間和參數(shù)數(shù)量。

實(shí)驗(yàn)得出MobileNet-SSD在MODD數(shù)據(jù)集上的平均檢測(cè)速率為0.8f/s，CF目標(biāo)跟蹤的平均檢測(cè)速率為22f/s。CF跟蹤算法提升了視頻目標(biāo)處理速度。MobileNet-SSD目標(biāo)檢測(cè)算法與CF目標(biāo)跟蹤的融合可以有效地實(shí)現(xiàn)實(shí)時(shí)對(duì)海面目標(biāo)的檢測(cè)跟蹤。

實(shí)驗(yàn)三在目標(biāo)存在遮擋圖像范圍的情況下進(jìn)行SSD-CF目標(biāo)檢測(cè)跟蹤算法驗(yàn)證。通過試驗(yàn)無人艇拍攝障礙物視頻，無人艇攝像機(jī)移動(dòng)速度較快，可能會(huì)將目標(biāo)移出圖像范圍，從而導(dǎo)致跟蹤過程中目標(biāo)丟失。

實(shí)驗(yàn)三中視頻序列的初始目標(biāo)位置通過目標(biāo)檢測(cè)算法獲取，由目標(biāo)跟蹤算法實(shí)現(xiàn)實(shí)時(shí)跟蹤。如圖6所示，在視頻第53幀，目標(biāo)部分遮擋的情況下，SSD-CF算法仍能夠準(zhǔn)確定位，在71幀，目標(biāo)超出圖像范圍并在第79幀可以通過檢測(cè)算法重新定位目標(biāo)位置，由跟蹤算法進(jìn)行接下來的持續(xù)跟蹤，體現(xiàn)算法的有效性。實(shí)驗(yàn)結(jié)果表明SSD-CF目標(biāo)檢測(cè)跟蹤算法在目標(biāo)部分遮擋和完全丟失的情況下，通過MobileNet-SSD目標(biāo)檢測(cè)算法可以快速地為CF跟蹤算法提供初始目標(biāo)位置信息，并且在目標(biāo)跟蹤過程中，如果目標(biāo)丟失，檢測(cè)算法能夠重新定位目標(biāo)位置，實(shí)現(xiàn)無人艇對(duì)海面障礙物持續(xù)跟蹤。3結(jié)束語

無人艇的自主航行依靠于目標(biāo)的準(zhǔn)確檢測(cè)和快速跟蹤，采用傳統(tǒng)的深度學(xué)習(xí)算法耗費(fèi)的運(yùn)算資源比較大。MobileNet-SSD目標(biāo)檢測(cè)算法，在一定程度上提高了檢測(cè)速度，降低運(yùn)算環(huán)境要求;同時(shí)，檢測(cè)算法對(duì)視頻的每一幀都獨(dú)立檢測(cè)，可能存在位置漂移，提出使用CF目標(biāo)跟蹤對(duì)于目標(biāo)檢測(cè)結(jié)果進(jìn)行后續(xù)跟蹤，并利用MobileNet-SSD在跟蹤過程目標(biāo)丟失，重新定位目標(biāo)位置，降低運(yùn)算量。因此，本文提出的SSD-CF算法提高目標(biāo)位置跟蹤速度，可避免直接使用目標(biāo)檢測(cè)算法進(jìn)行目標(biāo)定位，節(jié)約運(yùn)算資源，提高跟蹤目標(biāo)的位置穩(wěn)定性，實(shí)現(xiàn)無人艇的水面目標(biāo)持續(xù)跟蹤需求。下一步工作將結(jié)合圖像檢測(cè)跟蹤結(jié)果與其他傳感器信息，分析目標(biāo)運(yùn)動(dòng)狀態(tài)，進(jìn)行無人艇避障決策研究。

參考文獻(xiàn)

[1]VIOLAP， MICHAELJ.Rapidobjectdetectionusingaboostedcascadeofsimplefeatures[C]//Proceedingsofthe2001IEEEComputerSocietyConference， 2001.

[2]DALALN， BILLT.Histogramsoforientedgradientsforhumandetection[C]//IEEEComputerSocietyConference，2005.

[3]HEKM， ZHANGXY， RENSQ， etal.Spatialpyramidpoolingindeepconvolutionalnetworksforvisualrecognition[C]//Europeanconferenceoncomputervision.Springer， 2014.

[4]RENSQ.Fasterr-cnn： Towardsreal-timeobjectdetection

withregionproposalnetworks[J].IEEETransactionsonPatternAnalysisandMachineIntelligence.2015，39（6）： 1137-1149.

[5]LIUW.Ssd： Singleshotmultiboxdetector[C]//Europeanconferenceoncomputervision， 2016.

[6]魯永杰，王思明.一種改進(jìn)的運(yùn)動(dòng)目標(biāo)跟蹤方法[J].中國測(cè)試，2015（7）：95-98.

[7]BREITENSTEINMD.Robusttracking-by-detectionusingadetectorconfidenceparticlefilter[C]//IEEE12thInternationalConferenceonComputerVision， 2009.

[8]COMANICIUD， VISVANATHANR， PETERM.Real-timetrackingofnon-rigidobjectsusingmeanshift[C]//ProceedingsIEEEConferenceonComputerVisionandPatternRecognition， 2000.

[9]朱文青，劉艷，卞樂，等.基于生成式模型的目標(biāo)跟蹤方法綜述[J].微處理機(jī)，2017，38（1）：41-47.

[10]BOLMEDS.Visualobjecttrackingusingadaptivecorrelationfilters[C]//2010IEEEConferenceonComputerVisionandPatternRecognition， 2010.

[11]HENRIQUESJF.Exploitingthecirculantstructureoftracking-by-detectionwithkernels[C]//Europeanconferenceoncomputervision， 2012.

[12]HENRIQUESJF， CASEIROR， MARTINSP， etal.High-speedtrackingwithkernelizedcorrelationfilters[J].IEEETransactionsonPatternAnalysisandMachineIntelligence， 2015， 37（3）： 583-596.

[13]KRISTANM， SULICKV， KOVACICS， etal.Fastimage-basedobstacledetectionfromunmannedsurfacevehicles[J].IEEETransactionsonCybernetics， 2016， 46（3）： 641-654.