韓 菊，曹 峰

(1.太原學院計算機科學與技術(shù)系，山西 太原 030012；2.山西大學計算機與信息技術(shù)學院，山西 太原 030001)

1 引言

由于目標跟隨技術(shù)能夠完成特殊場景中的自主動作，被大量應用于制導、安防和機器人等領(lǐng)域[1]。依托各類傳感器對環(huán)境和目標的感知，利用特征提取分析等技術(shù)完成目標檢測。隨著視頻圖像軟硬件技術(shù)的發(fā)展，大部分目標采用視頻跟隨方式[2]。但是，跟隨過程存在動靜態(tài)混合過程，會引起視頻圖像的清晰度、光照度和尺度變換。另外，長期的目標遮擋也會給目標識別帶來誤差干擾。為了能夠找到一種兼具精度、速度，以及抗擾性的跟隨算法，研究人員已經(jīng)做了很多工作，也取得了一些成果。早期較為著名的跟隨方法包括MeanShift、SVM、TLD和KCF等[3]。它們推動了目標跟隨在實際中的應用，同時也推動了各種改進方法的出現(xiàn)。文獻[4]針對跟隨過程中發(fā)生的部分遮擋情況，采用計算K均值的方法來分辨目標與背景。文獻[5]在TLD基礎(chǔ)上引入了尺度變換處理，并采用置信度評價學習粒子。文獻[6]在KCF基礎(chǔ)上，通過對目標采取HOG與LBP特征提取，改善跟隨過程中的遮擋問題。文獻[7]依據(jù)超像素處理來實現(xiàn)位置與尺度兩個方面的特征跟隨。文獻[8]根據(jù)卷積計算來確定KCF響應和尺度信息。這些改進方法都在傳統(tǒng)方法的基礎(chǔ)上做了某些性能提升，考慮到機器人目標跟隨應用場景，以及跟隨算法的適應性，結(jié)合現(xiàn)有研究成果，本文提出了融合尺度空間的自適應目標跟隨方法。

本文方法融合尺度空間，構(gòu)建包含位置估計與尺度空間估計目標模型，利用位置估計實現(xiàn)快速檢測，利用尺度估計適應尺度變換，同時對位置和尺度參數(shù)的計算進行優(yōu)化。由于位置與尺度模型無法有效處理長時間的目標丟失，所以又針對非規(guī)則模糊圖像和遮擋情況分別設計了目標與背景分類器，從而提高跟隨算法的環(huán)境自適應性。

2 融合尺度空間的機器人跟隨模型

2.1 目標位置確定

考慮到目標位置估算的速度問題，采取高斯核對空間特征進行映射。通過低維向高維的轉(zhuǎn)換實現(xiàn)特征可分性。利用目標附近的a×b圖像區(qū)域，確定學習粒子xi及其標簽yi，這里i∈{0，…，a-1}×{0，…，b-1}。目標位置映射對應的代價約束描述為

(1)

引入學習粒子的核矩陣，可以得到分類器表達式為

ε=(H+αI)-1Y

(2)

其中，I代表單位矩陣；H代表學習粒子的核矩陣，hij=h(xi，xj)=〈m(xi)，m(xj)〉；Y代表由yi構(gòu)成的矩陣。求解出的結(jié)果代入線性組合公式，確定正則后的濾波響應如下

f(k)=F-1{F(ε)F[mT(x)，m(k)]}

(3)

其中，k代表備用學習粒子；F-1代表傅里葉反變換；m(x)代表學習粒子特征向量；m(k)代表備用學習粒子特征向量。通過求解f(k)的最大值，能夠得到當前幀的目標位置。

在計算學習粒子線性組合的時候，需要收集不同時間段內(nèi)的學習粒子。假定將不同時間段內(nèi)學習粒子的平均誤差標記為Δxi，…，Δxt，利用最小二乘便可以計算出所需濾波器數(shù)量?？紤]到位置確定應該具有較好的魯棒性，同時為了簡化處理過程，本文采取DFT變換求解濾波器參數(shù)

(4)

(5)

其中，Yc代表DFT處理后的標簽變量；β代表加權(quán)因子，用于防止濾波器出現(xiàn)擬合過度的情況。

2.2 目標尺度確定

采用高斯函數(shù)與卷積計算對學習粒子進行特征尺度映射，相應的尺度映射代價約束描述為

(6)

其中，fi代表尺度濾波器；xi代表時間序列的學習粒子；ei代表xi的期望高斯輸出；*代表卷積計算?；趶皖l域，利用Parseval定理對代價約束進行處理，求解出尺度濾波器參數(shù)如下

(7)

(8)

基于尺度濾波器，備用學習粒子k的響應可以表示為

(9)

3 自適應跟隨檢測

融合尺度空間的跟隨方法可以根據(jù)學習粒子完成目標的快速跟隨。同時由于約束條件的邊界性，能夠很好的保證目標跟隨的魯棒性。盡管融合尺度空間優(yōu)化了基于位置跟隨的魯棒性，可是其過程中仍然會形成過多的學習矩形區(qū)域，從而影響算法處理性能。為增強目標與背景的識別精度，本文首先采用尺度掃描來獲得矩形區(qū)域，目標粒子尺度選擇方式描述如下

(10)

其中，μ代表尺度系數(shù)；m代表尺度掃描的區(qū)域數(shù)量；M代表尺度層數(shù)。通過尺度選擇，能夠得到m數(shù)量的矩形區(qū)域，再將區(qū)域內(nèi)的目標特征進行分類。分類器公式描述如下

(11)

fi代表矩形區(qū)域i；二值參數(shù)x∈{0，1}用于描述正負粒子的標簽?？紤]到目標的非規(guī)則性，為了消除矩形邊緣與內(nèi)部的相互影響，將矩形區(qū)域采取g×g均分，并為每個子區(qū)域賦予權(quán)重

(12)

(o0，x，o0，y)和(oi，x，oi，y)分別代表矩形區(qū)域和子區(qū)域i對應中心位置。引入權(quán)重后的分類器表達式更新為

(13)

G代表g×g均分后子區(qū)域數(shù)量；fji代表子區(qū)域j中的i特征值。此時，由于權(quán)重的不同，邊緣特征將會獲得相對小的分數(shù)，進而降低目標邊緣受背景的影響，更加準確的分辨出目標和背景。

機器人對目標進行跟隨的過程中，可能會出現(xiàn)目標被遮擋的情況。如果目標被完全遮擋，則目標消失很容易導致跟隨失敗。如果目標被部分遮擋，隨著時間流逝很容易使跟隨誤差增加，進而導致跟隨失敗。因此，要完成機器人的自適應跟隨，就需要對目標遮擋采取有效的處理。根據(jù)遮擋造成的影響程度，這里將其劃分成輕重兩級。對于隸屬輕級別的情況，維持跟隨狀態(tài)與模型的更新。對于隸屬重級別的情況，需要立即采取重檢，且無需進行模型更新。在輕重級別劃分時，直接依據(jù)模型的最大響應來確定劃分閾值可能會導致誤差不可控。當出現(xiàn)累計誤差時，跟隨模型可能已經(jīng)發(fā)生偏移，此時得到的閾值將失去有效性。于是，這里綜合響應峰值與響應波動進行衡量，描述如下

(14)

其中，F(xiàn)max為模型最大響應；Fmin為模型最小響應；ave(·)為均值求解。通過λ值的計算，有利于體現(xiàn)圖像區(qū)域內(nèi)各點響應相對峰值的情況。在目標存在遮擋或者消失的時候，將引起較大的波動效果，λ受到影響而顯著降低。所以利用λ便可以有效判斷出目標是否受到遮擋。當出現(xiàn)遮擋，為了能夠維持較好的跟隨性能，這里通過對目標和背景的分布狀態(tài)進行區(qū)分。此過程可以看做是學習粒子的特征至分類的映射?；趯傩悦枋龅膶W習粒子為Xn=(fn，sn)，n∈[1，a×b]，f為粒子特征集合；s為粒子分類集合；映射過程描述為f→s。利用SNB對學習粒子進行分類處理。通過隨機方式選取f內(nèi)的i組子集，其間需要滿足子集大小一致的限定條件，任意子集可以描述如下

fi={fi，1，fi，2，…，fi，j}

(15)

其中，j表示子集內(nèi)的特征數(shù)量。如果所有子集內(nèi)的屬性均滿足相互獨立，則f的似然估計可以描述如下

(16)

其中，nf、ns依次表示特征總數(shù)量和分類總數(shù)量。根據(jù)似然估計，推導得出分類器如下

(17)

通過分類器處理，便可以更好的完成遮擋情況下的目標和背景分類。

4 實驗與結(jié)果分析

4.1 實驗環(huán)境

實驗基于OTB視頻集來模擬機器人對目標的跟隨效果，OTB中包含11類變換屬性，能夠模擬較為復雜的應用場景。實驗平臺選擇Intel(R)Core(TM)i5-8250U，頻率1.8GHz，內(nèi)存8GB。采用MatlabR2014仿真軟件驗證跟隨算法的性能。實驗過程中，設置正則系數(shù)α=0.01，學習率u=v=0.075，尺度系數(shù)μ=1.13，尺度層數(shù)M=28。

4.2 評估指標

為了對跟隨性能進行定量分析，通過距離精度來衡量跟隨精確度。該指標能夠反映目標位置的誤差，其公式描述如下

(18)

其中，N代表測試視頻包含的總幀數(shù)；Nframe代表跟隨誤差符合約束條件的幀數(shù)。對于每一幀視頻，采用距離來判定位置誤差，其計算公式描述如下

(19)

其中，(x＇，y＇)代表跟隨估計的目標位置；(x，y)代表標記的目標位置。

通過成功率指標進一步衡量跟隨效果，該指標能夠反映目標的重疊率，其公式描述如下

(20)

其中，N代表測試視頻包含的總幀數(shù)；Noverlap代表跟隨過程中重疊率符合約束條件的幀數(shù)。關(guān)于重疊率，公式描述如下

(21)

其中，A′代表跟隨估計的目標區(qū)域；A代表標記的目標區(qū)域。

基于評估指標，選擇文獻[7]和文獻[8]的跟隨方法作為實驗對比，進而驗證所提方法的性能優(yōu)勢。

4.3 定量結(jié)果分析

從OTB數(shù)據(jù)集中隨機選取10個視頻序列，通過調(diào)節(jié)誤差門限，得到各跟隨方法的距離精度變化情況，結(jié)果如圖1所示。由曲線可知，誤差門限的合理設定，將直接影響測試的距離精度。如果門限設置過小，會導致一些正常跟隨被誤判；如果門限設置過大，又會導致一些非正常跟隨被覆蓋。門限的不合理設置，均會對精度產(chǎn)生影響。另外，經(jīng)過曲線對比能夠發(fā)現(xiàn)，在距離精度達到穩(wěn)定后，本文方法具有明顯優(yōu)勢。

針對選取的10個視頻序列，通過調(diào)節(jié)重疊門限，得到各跟隨方法的成功率變化情況，結(jié)果如圖2所示。由曲線可知，重疊門限的合理選取直接影響成功率大小，同時也能夠得到在任意重疊門限情況下，本文方法的成功率都高于其它方法。

圖2 成功率隨重疊門限的變化

從OTB數(shù)據(jù)集中隨機選取10個視頻序列，根據(jù)距離精度結(jié)果設置誤差門限為15，測試得到各跟隨方法的距離精度，結(jié)果如表1所示。由測試數(shù)據(jù)可知，文獻[7]方法的平均距離精度為73.17%，文獻[8]方法的平均距離精度為77.46%，本文所提方法的平均距離精度為86.51%。在測試選取的10個視頻序列中，本文方法的距離精度均高于其它方法，且平均精度分別高于文獻[7]和文獻[8]方法13.34%、9.05%。

表1 距離精度

針對選取的10個視頻序列，根據(jù)成功率結(jié)果設置誤差門限為0.45，測試得到各跟隨方法的成功率，結(jié)果如表2所示。由測試數(shù)據(jù)可知，文獻[7]方法的平均成功率為77.66%，文獻[8]方法的平均成功率為79.46%，本文所提方法的平均成功率為88.76%，本文方法的平均成功率分別高于文獻[7]和文獻[8]方法的11.10%、9.30%。

表2 成功率

通過10個視頻序列測試得到各方法的平均運行速度，結(jié)果如表3所示。比較發(fā)現(xiàn)，雖然本文方法的運行速度較文獻[7]方法慢了一點，但是仍然滿足目標跟隨的實時性要求，具有良好的跟隨速度。

表3 運行速度

5 結(jié)束語

為了提高智能機器人跟隨效果，本文采用目標位置融合尺度空間的方法構(gòu)建跟隨模型，針對目標和背景的區(qū)分設計了目標區(qū)域特征分類與權(quán)重分類器，針對目標遮擋設計了基于波動的似然估計分類器。通過OTB數(shù)據(jù)集對機器人跟隨效果進行模擬仿真，得到所提方法的平均距離精度為86.51%，平均成功率為88.76%。表明融合尺度空間自適應跟隨方法魯棒性好，顯著提升了尺度變換與遮擋等復雜場景下的精度與速度。