覃海華 胡偉平 張永金 李鳳珍 陳俊陽

（廣西科技大學(xué)，廣西 柳州 545006）

目前無人駕駛技術(shù)普遍存在的缺點(diǎn)是行人檢測的速度慢、精度低，行人跟蹤的遮擋問題未能有效處理。張旭[1]提出基于紅外圖像的、姜其政[2]提出基于ORB 的、昝孟恩[3]提出的基于粒子濾波的和郭琦[4]提出基于卷積神經(jīng)網(wǎng)絡(luò)的行人跟蹤方法，這些方法也是不能很好的解決行人跟蹤的一些問題?？傊?，行人軌跡預(yù)測還存在很多問題需要去解決。本文針對行人軌跡跟蹤時(shí)的遮擋問題進(jìn)行處理，目標(biāo)檢測階段采用Anchor-Free 機(jī)制，目標(biāo)軌跡跟蹤采用DeepSort 跟蹤框架，進(jìn)而提升行人軌跡預(yù)測的速度和精度。

一、行人軌跡跟蹤框架

首先，使用Anchor-Free 框架的centerNet 模型檢測到目標(biāo)在圖像中的位置。然后通過卡爾曼濾波預(yù)測檢測到的目標(biāo)的下一幀軌跡。緊接著通過每一個(gè)原標(biāo)記框經(jīng)過reid 網(wǎng)絡(luò)得到的外觀信息特征向量和候選框中已經(jīng)存儲(chǔ)的外觀信息特征向量計(jì)算余弦距離，并計(jì)算馬氏距離，然后使用匈牙利算法進(jìn)行級(jí)聯(lián)匹配。同時(shí)計(jì)算交并比，也使用匈牙利算法進(jìn)行IoU 匹配。整合級(jí)聯(lián)匹配和IoU 匹配的結(jié)果，最后更新每一個(gè)匹配成功的目標(biāo)軌跡。行人軌跡跟蹤框架如圖1 所示。

二、Anchor-Free 機(jī)制

本文主要采用Anchor-Free 機(jī)制中的centerNet 模型，centerNet 模型是基于中心點(diǎn)的檢測模型。centerNet 模型的核心思想是直接檢測物體中心點(diǎn)和尺寸。centerNet 模型預(yù)測目標(biāo)中心點(diǎn)的位置是使用heatmap 思想和centerNet 損失函數(shù)進(jìn)行訓(xùn)練。

目標(biāo)中心點(diǎn)偏移損失函數(shù)公式如（2）：

目標(biāo)長度損失函數(shù)公式如（3）：

總的損失函數(shù)公式如（4）：

三、目標(biāo)跟蹤

（一）卡爾曼濾波

目標(biāo)軌跡跟蹤算法對實(shí)時(shí)性有很大的要求，卡爾曼濾波是一個(gè)非常適合目標(biāo)跟蹤的算法?？柭鼮V波算法推導(dǎo)過程如下：

下一步狀態(tài)的預(yù)測公式如（5）：

下一步預(yù)測協(xié)方差矩陣公式如（6）：

狀態(tài)更新公式如（7）：

濾波增益矩陣公式如（8）：

協(xié)方差陣更新公式如（9）：

（二）匈牙利算法

匈牙利算法是一種易于理解和解決分配問題的算法，目標(biāo)是確定最優(yōu)分配，例如，降低總成本或使團(tuán)隊(duì)效率最大化。匈牙利算法處理可以解決目標(biāo)跟蹤中的候選框與原標(biāo)記框匹配問題，通過匈牙利算法進(jìn)行級(jí)聯(lián)匹配和IoU匹配可以很好的得出預(yù)測軌跡是否和行人實(shí)際軌跡一致。

（三）廣義交并比

級(jí)聯(lián)匹配完美結(jié)合了匈牙利算法的優(yōu)點(diǎn)，通過每個(gè)候選框和原標(biāo)記框的廣義交并比來匹配候選框和原標(biāo)記框，這樣子可以得到目標(biāo)的行動(dòng)軌跡。假設(shè)候選框的面積為A，原標(biāo)記框的面積為B，C 為能包含候選框和原標(biāo)記框的最小矩形框面積，則候選框和原標(biāo)記框的廣義交并比的計(jì)算公式如（10）。

（四）級(jí)聯(lián)匹配

級(jí)聯(lián)匹配使用匈牙利算法對目標(biāo)的運(yùn)動(dòng)信息和目標(biāo)的外部特征信息進(jìn)行初步匹配，然后再次通過匈牙利算法對未被匹配的目標(biāo)軌跡和未被匹配的原標(biāo)記框的廣義交并比進(jìn)行二次匹配。當(dāng)原級(jí)聯(lián)匹配完成時(shí)，未被匹配的目標(biāo)可能出現(xiàn)被遮擋的情況。如果未匹配的目標(biāo)軌跡與完成匹配的目標(biāo)軌跡的交并比大于一個(gè)閾值時(shí)，那么我們就可以判斷有目標(biāo)軌跡發(fā)生了遮擋。

（五）DeepSort 跟蹤框架

在基于DeepSort 的目標(biāo)軌跡跟蹤方法中，使用卡爾曼濾波進(jìn)行目標(biāo)的軌跡預(yù)測，使用匈牙利算法進(jìn)行預(yù)測軌跡和目標(biāo)進(jìn)行級(jí)聯(lián)匹配。在目標(biāo)物體密集的場景中，目標(biāo)跟蹤過程里可能會(huì)發(fā)生目標(biāo)的遮擋問題，從而導(dǎo)致預(yù)測的準(zhǔn)確度下降的結(jié)果。因?yàn)榭柭鼮V波無法解決跟蹤的連續(xù)性間斷問題。所以采用級(jí)聯(lián)匹配效果會(huì)更好，級(jí)聯(lián)匹配優(yōu)先匹配比較頻繁出現(xiàn)的行人，使被遮擋時(shí)間短的行人優(yōu)先匹配，如此就可以避免卡爾曼濾造成的問題了。

四、實(shí)驗(yàn)過程及結(jié)果

為了證明本算法的實(shí)用性，本實(shí)驗(yàn)使用現(xiàn)實(shí)生活中拍攝的視頻。通過分析實(shí)驗(yàn)結(jié)果可知，該算法很好地完成對行人進(jìn)行檢測和跟蹤的任務(wù)，能夠有效地檢測出兩個(gè)并列行走的行人。當(dāng)行人在行走過程中被其他行人遮擋住，沒有檢測到被遮擋行人時(shí)，被遮擋行人不會(huì)被當(dāng)作一個(gè)新的目標(biāo)行人并繼續(xù)使用被遮擋前的編號(hào)，說明本實(shí)驗(yàn)有效地解決了目標(biāo)的遮擋問題。實(shí)驗(yàn)最終結(jié)果用線條畫出了行人將要行走的軌跡，如圖2 所示。

結(jié)論

本文Anchor-Free 機(jī)制的centerNet 模型可以更加快速且精準(zhǔn)地檢測到目標(biāo)，在跟蹤行人方面使用了DeepSORT 跟蹤框架，通過廣義交并比來提高目標(biāo)軌跡的精度，級(jí)聯(lián)匹配對遮擋問題有很好的效果，有效地減少了目標(biāo)被遮擋時(shí)目標(biāo)丟失的情況，提高目標(biāo)軌跡的完整性，從而達(dá)到提升行人軌跡預(yù)測的準(zhǔn)確度和速度。但程序?qū)斎氲囊曨l格式有要求，使用的視頻必須為.mp4格式的視頻。