基于AI的家庭智能陪護(hù)機(jī)器人的目標(biāo)跟蹤算法研究

楊玉平

摘要：家庭智能陪護(hù)機(jī)器人在近年來(lái)越來(lái)越火，目標(biāo)跟蹤是智能機(jī)器人的重要關(guān)鍵技術(shù)，目前的應(yīng)用還不是很普遍，效果還不是很好。Mean Shift均值漂移算法是當(dāng)前目標(biāo)跟蹤應(yīng)用較普遍的算法，但也存在受背景干擾較大、反應(yīng)時(shí)間較長(zhǎng)等問(wèn)題。本文提出改進(jìn)的Mean Shift均值漂移算法，通過(guò)改進(jìn)核函數(shù)來(lái)降低背景對(duì)目標(biāo)的干擾、縮短了反應(yīng)時(shí)間，提高了目標(biāo)跟蹤效率。

Abstract： Home intelligence escort robots are getting more and more popular in recent years. Target tracking is an important key technology for intelligent robots， but the current application is not very common， and the effect is not very good. The Mean Shift mean shift algorithm is a common algorithm for current target tracking applications， but it also suffers from large background interference and long response time. In this paper， an improved Mean Shift mean shift algorithm is proposed. By improving the kernel function， the background interference to the target is reduced， the reaction time is shortened， and the target tracking efficiency is improved.

關(guān)鍵詞：目標(biāo)跟蹤;Mean Shift;機(jī)器人

Key words： target tracking;Mean Shift;robot

中圖分類(lèi)號(hào)：TP242? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號(hào)：1006-4311（2019）35-0228-02

0? 引言

目標(biāo)跟蹤算法主要分為兩類(lèi)：生成式模型和判別式模型[1]。生成式模型是指通過(guò)在線(xiàn)學(xué)習(xí)方式建立目標(biāo)模型，然后使用模型搜索重建誤差最小的圖像區(qū)域，完成目標(biāo)定位，這一類(lèi)方法沒(méi)有考慮目標(biāo)的背景信息，圖像信息沒(méi)有得到較好的應(yīng)用。比較著名的有卡爾曼濾波，粒子濾波，mean-shift等;判別式模型是將目標(biāo)跟蹤看作是一個(gè)二元分類(lèi)問(wèn)題，同時(shí)提取目標(biāo)和背景信息用來(lái)訓(xùn)練分類(lèi)器，將目標(biāo)從圖像序列背景中分離出來(lái)，從而得到當(dāng)前幀的目標(biāo)位置[2]。目標(biāo)跟蹤的一般由四個(gè)基本部分構(gòu)成：特征提取、運(yùn)動(dòng)模型、外觀模型、在線(xiàn)更新機(jī)制，如何設(shè)計(jì)一個(gè)合理的在線(xiàn)更新機(jī)制，既能捕捉目標(biāo)（和背景）的變化又不會(huì)導(dǎo)致模型退化，也是目標(biāo)跟蹤研究的一個(gè)關(guān)鍵問(wèn)題[3]。

當(dāng)前目標(biāo)跟蹤算法研究難點(diǎn)和挑戰(zhàn)是在實(shí)際復(fù)雜的應(yīng)用環(huán)境中，有背景相似干擾、光照條件的變化、遮擋等外界因素以及目標(biāo)姿態(tài)變化，外觀變形，尺度變化、平面外旋轉(zhuǎn)、平面內(nèi)旋轉(zhuǎn)、出視野、快速運(yùn)動(dòng)和運(yùn)動(dòng)模糊等情況[4]。而且當(dāng)目標(biāo)跟蹤算法投入實(shí)際應(yīng)用時(shí)，不可避免的一個(gè)問(wèn)題——實(shí)時(shí)性問(wèn)題也是非常的重要，正是有了這些問(wèn)題，才使得算法研究充滿(mǎn)著難點(diǎn)和挑戰(zhàn)[5]。解決這些問(wèn)題的算法有很多，比如MIL多示例目標(biāo)跟蹤算法、MOSSE最小輸出均方誤差濾波算法、TLD學(xué)習(xí)-檢測(cè)目標(biāo)跟蹤框架、KCF鑒別式追蹤方法、DSST“平移濾波+尺度濾波”目標(biāo)跟蹤算法、Mean Shift均值漂移目標(biāo)跟蹤算法等等。其中Mean Shift均值漂移目標(biāo)跟蹤算法用得較多，但也存在一些問(wèn)題。比如目標(biāo)移動(dòng)過(guò)快會(huì)讓機(jī)器人跟蹤產(chǎn)生失誤，對(duì)相似背景的干擾魯棒性也不是很強(qiáng)，對(duì)目標(biāo)發(fā)生遮擋的情況適應(yīng)性較差。因此，本文在在Mean Shift均值漂移目標(biāo)跟蹤算法的基本上作了改進(jìn)，克服了上面的問(wèn)題，使改進(jìn)的Mean Shift算法具有了更好的魯棒性和適應(yīng)性。

1? Mean Shift均值漂移算法理論

Mean shift均值漂移算法是基于核密度估計(jì)的爬山算法，可用于聚類(lèi)、圖像分割、目標(biāo)跟蹤等。在實(shí)現(xiàn)目標(biāo)跟蹤算法過(guò)程中，主要采用了迭代方式來(lái)實(shí)現(xiàn)對(duì)顏色特征的跟蹤。

Mean Shift均值漂移算法的實(shí)現(xiàn)過(guò)程如下：

第1步：跟蹤目標(biāo)的確定。在第一幅畫(huà)面中通過(guò)選擇目標(biāo)范圍的方式來(lái)確定跟蹤目標(biāo)，然后根據(jù)所選的目標(biāo)范圍確定檢索矩陣的大小和位置，并按公式（1）來(lái)統(tǒng)計(jì)目標(biāo)范圍內(nèi)在HSV空間的色度特征，獲得其顏色概率分布。

其中A為目標(biāo)范圍顏色概率分布，f（xi）是R2→{1，…，m}映射函數(shù)，？子是使■的delta函數(shù)，c（*）是核函數(shù)。{xi}i=1，…，n為目標(biāo)范圍內(nèi)像素坐標(biāo)，n為像素的個(gè)數(shù);x為標(biāo)范圍內(nèi)的中心點(diǎn)。B稱(chēng)為歸一化系數(shù)，B可由公式（2）表示。

第2步：檢索矩陣初始化。讀取一幅新的圖像畫(huà)面，將上一幅目標(biāo)范圍的位置和大小作為當(dāng)前檢索矩陣的位置和大小。

第3步：在檢索矩陣中確定待選目標(biāo)，并通過(guò)公式（1）再次統(tǒng)計(jì)待選目標(biāo)的顏色概率分布。

第4步：以當(dāng)前檢索矩陣為初始矩陣，在當(dāng)前畫(huà)面中應(yīng)用Mean Shift均值漂移算法，即通過(guò)公式（3）進(jìn)行運(yùn)算后，獲得新的目標(biāo)所在位置和新的檢索矩陣。

（3）

其中是核函數(shù)的變形。wi為當(dāng)前檢索矩陣中各點(diǎn)的權(quán)重值。

第5步：若由公式（3）計(jì)算得到的Q1滿(mǎn)足‖Q1

2? 對(duì)Mean Shift均值漂移算法的改進(jìn)

基于核函數(shù)的Mean Shift均值漂移算法雖已廣泛成功地運(yùn)用于單目標(biāo)的跟蹤，但該算法也有一些缺點(diǎn)：由于在目標(biāo)范圍采用的是提取單一顏色的概率分布，從而使目標(biāo)顏色比較容易受到周?chē)h(huán)境顏色的干擾;核函數(shù)的構(gòu)造使其作用于目標(biāo)運(yùn)算的效率不是很高，使得對(duì)于較快速移動(dòng)的目標(biāo)識(shí)別度不高，魯棒性不強(qiáng);核函數(shù)在運(yùn)算過(guò)程中用到了像素分配權(quán)重，該權(quán)重根據(jù)像素距離目標(biāo)中心位置而確定，該計(jì)算方式使得一些重要的邊緣信息像素點(diǎn)被賦予較小的權(quán)重值，使得目標(biāo)識(shí)別效果不好?；谝陨显?，本文將對(duì)Mean Shift均值漂移算法的核函數(shù)進(jìn)行改進(jìn)，從而解決上述問(wèn)題。

Mean Shift均值漂移算法的核函數(shù)公式（4）如下：

新改進(jìn)的核函數(shù)公式（5）如下：

其中為改進(jìn)后的自適應(yīng)核函數(shù);c（x）為原始核函數(shù);W（x）為改進(jìn)部分，其公式表達(dá)如公式（6）：

改進(jìn)部分的引入，使得該方法很好的消除了背景的影響，對(duì)目標(biāo)的提取效果的提高有所幫助。改進(jìn)部分對(duì)目標(biāo)的提取過(guò)程可以描述如下：

第1步：從圖像采集傳感器獲取含有目標(biāo)的場(chǎng)景畫(huà)面;

第2步：通過(guò)目標(biāo)范圍的確定，去掉場(chǎng)景畫(huà)面中目標(biāo)2米以外的背景;

第3步：通過(guò)給定閾值及目標(biāo)人物周長(zhǎng)大小，可判定目標(biāo)人物是處于靜止還是運(yùn)動(dòng);

第4步：通過(guò)對(duì)目標(biāo)人物的周長(zhǎng)進(jìn)行濾波，對(duì)其他干擾信息也進(jìn)行濾波排除，對(duì)目標(biāo)人物進(jìn)行聯(lián)通性分析，獲得表面更平滑的高質(zhì)量目標(biāo)人物。

第5步：根據(jù)人體比例關(guān)系，將目標(biāo)人物上身作為改進(jìn)自適應(yīng)核函數(shù)的改進(jìn)部分目標(biāo)提取對(duì)象。目標(biāo)人物上身像素由1值表示，背景像素由0值表示。

3? 改進(jìn)算法的實(shí)驗(yàn)數(shù)據(jù)對(duì)比及應(yīng)用

3.1 實(shí)驗(yàn)對(duì)比結(jié)果

為了充分說(shuō)明本文提出的改進(jìn)算法的效果，通過(guò)實(shí)驗(yàn)與文獻(xiàn)[2]、文獻(xiàn)[3]、文獻(xiàn)[4]進(jìn)行了實(shí)驗(yàn)數(shù)據(jù)對(duì)比，對(duì)比數(shù)據(jù)如表1所示。

在實(shí)驗(yàn)過(guò)程中，為了充分對(duì)比幾種算法的優(yōu)劣，選取了1000個(gè)不同的實(shí)際場(chǎng)景，對(duì)各種算法在不同的場(chǎng)景中的反應(yīng)時(shí)間及跟蹤成功率進(jìn)行了對(duì)比。同時(shí)為了排除個(gè)別場(chǎng)景的特殊性帶來(lái)的數(shù)據(jù)異常，使實(shí)驗(yàn)數(shù)據(jù)更具有說(shuō)服力，我們將反應(yīng)時(shí)間取的均值。從表中可以看出，本算法反應(yīng)時(shí)間最快，文獻(xiàn)[2]的算法反應(yīng)時(shí)間最慢，同時(shí)本算法的跟蹤成功率也不亞于其他跟蹤算法。

3.2 實(shí)驗(yàn)應(yīng)用結(jié)果

在對(duì)算法進(jìn)行對(duì)比研究后，我們將算法進(jìn)行了具體代碼化，并用于實(shí)際的陪護(hù)機(jī)器人目標(biāo)跟蹤，收到了良好的效果。如圖1所示，是實(shí)驗(yàn)中采用的攝像頭。圖2是實(shí)驗(yàn)中做成的陪護(hù)機(jī)器人成品。

4? 結(jié)語(yǔ)

家庭智能陪護(hù)機(jī)器人在近年來(lái)越來(lái)越火，不論是對(duì)老人的陪護(hù)還是對(duì)小孩的看護(hù)，都起到了重要的作用。但是我們可以看到：目前很多陪護(hù)機(jī)器人都是比較小型的，且是靜止的。雖然有部份陪護(hù)機(jī)器人配有輪式的行走機(jī)構(gòu)，行動(dòng)上也比較靈活，但是基本都是避障功能使用的效果，使陪護(hù)機(jī)器人顯得更人性化一些，并沒(méi)有起到多大的實(shí)質(zhì)性作用。目標(biāo)跟蹤能使陪護(hù)機(jī)器人在使用過(guò)程中跟隨用戶(hù)，更好地為用戶(hù)服務(wù)，不僅是形式上人性化，更是讓功能具有人性化。當(dāng)下陪護(hù)機(jī)器人產(chǎn)品的目標(biāo)跟蹤實(shí)現(xiàn)并不多，且效果也并不好。因此，本文著重陪護(hù)機(jī)器人目標(biāo)跟蹤算法的研究。

參考文獻(xiàn)：

[1]姜道偉，袁亮，巨剛.基于圖像技術(shù)與粒子濾波融合新算法的機(jī)器人多目標(biāo)跟蹤[J].組合機(jī)床與自動(dòng)化加工技術(shù)，2016（12）：31-34.

[2]李朕陽(yáng)，郎朗，陳孟元.基于SR-CKF的移動(dòng)機(jī)器人動(dòng)態(tài)目標(biāo)跟蹤算法[J].電子測(cè)量與儀器學(xué)報(bào)，2016，30（8）：1198-1205.

[3]伍明，李琳琳，魏振華，等.一種未知環(huán)境下機(jī)器人多目標(biāo)跟蹤算法[J].智能系統(tǒng)學(xué)報(bào)，2015（3）：448-453.

[4]夏天維，侯翔.基于自適應(yīng)Kaltman濾波的機(jī)器人運(yùn)動(dòng)目標(biāo)跟蹤算法[J].計(jì)算機(jī)測(cè)量與控制，2015，23（1）：173-175.

[5]成新田，唐振民.一種尺度自適應(yīng)的機(jī)器人目標(biāo)跟蹤算法[J].計(jì)算機(jī)科學(xué)，2014，41（12）：280-282，292.