基于改進(jìn)的Boosting算法的倉庫監(jiān)控區(qū)域目標(biāo)跟蹤研究

馮曙明 張佳禹 楊永成 肖愛華 王大淼

摘 要：目前，智能視頻監(jiān)控系統(tǒng)在倉庫管理中得到廣泛應(yīng)用，對(duì)監(jiān)控系統(tǒng)有關(guān)的核心技術(shù)——目標(biāo)檢測(cè)及跟蹤算法的研究則是實(shí)現(xiàn)智能化監(jiān)控管理的重要基礎(chǔ)性工作。研究了Boosting跟蹤算法及其改進(jìn)策略，結(jié)合現(xiàn)有的多種目標(biāo)跟蹤算法，通過對(duì)比分析算法的用時(shí)、跟蹤運(yùn)動(dòng)目標(biāo)數(shù)、提取前景數(shù)、漂移現(xiàn)象存在、是否丟失目標(biāo)和需創(chuàng)建跟蹤器個(gè)數(shù)這6個(gè)方面，選擇跟蹤效果及綜合性能最佳的改進(jìn)的Boosting算法作為倉庫視頻運(yùn)動(dòng)物體的跟蹤算法，為智能化倉庫管理實(shí)踐提供重要參考依據(jù)。

關(guān)鍵詞：倉庫管理;智能監(jiān)控;目標(biāo)跟蹤;Boosting算法

Abstract：At present， intelligent video surveillance systems are widely used in warehouse management. The research on core technology-target detection and tracking algorithms related to monitoring systems is an important basic work to realize intelligent monitoring and management. This paper mainly studies the boosting tracking algorithm and its improvement strategy. Combining the existing multiple target tracking algorithms， the experiment compares the time of the algorithm， the number of moving targets， the number of extraction foregrounds， the existence of drift phenomenon， the target lost， and the number of created trackers. The improved boosting algorithm with the best tracking performance and comprehensive performance is used as the tracking algorithm for warehouse video moving objects， which provides an important reference for intelligent warehouse management practice.

Key words：warehouse management;intelligent monitoring;target tracking;Boosting algorithm

0 引言

近年來，現(xiàn)代物流業(yè)的飛速發(fā)展，使得倉庫成為物流系統(tǒng)中的關(guān)鍵節(jié)點(diǎn)，保障倉庫物資儲(chǔ)存安全是現(xiàn)代倉庫管理的重要內(nèi)容。隨著計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)、圖像信息處理技術(shù)的不斷更新和完善，利用計(jì)算機(jī)視覺技術(shù)及圖像處理技術(shù)的智能化監(jiān)控倉庫管理將成為未來發(fā)展的必然趨勢(shì)。相較于傳統(tǒng)的監(jiān)控系統(tǒng)，基于視覺處理的智能監(jiān)控系統(tǒng)通過對(duì)移動(dòng)目標(biāo)的特征匹配進(jìn)行不間斷且實(shí)時(shí)穩(wěn)定跟蹤[1]，能夠發(fā)現(xiàn)異常并自動(dòng)預(yù)警。

關(guān)于視頻運(yùn)動(dòng)目標(biāo)跟蹤算法的研究有很多，大致可以分為四類：Meanshift算法、核心搜索算法、相似性度量算法和運(yùn)動(dòng)目標(biāo)建模算法。文獻(xiàn)[2]提出Meanshift算法經(jīng)過特定條件的限制，可以用于目標(biāo)物體跟蹤。文獻(xiàn)[3]針對(duì)Meanshift算法的局限性，利用surf和harris對(duì)算法進(jìn)行改進(jìn)，改進(jìn)后的算法能夠適應(yīng)復(fù)雜環(huán)境下移動(dòng)物體跟蹤的性能。文獻(xiàn)[4]基于粒子濾波算法，利用權(quán)值和蒙特卡洛來分析目標(biāo)粒子概率分布，結(jié)果證明該算法適用于非線性視頻監(jiān)控系統(tǒng)的目標(biāo)跟蹤。文獻(xiàn)[5]提出利用改進(jìn)的帶有記憶機(jī)制的粒子濾波算法來跟蹤外觀及形態(tài)發(fā)生激烈變化的目標(biāo)物體，但目標(biāo)跟蹤的前提是要記錄物體運(yùn)動(dòng)的歷史軌跡，存在高度的空間復(fù)雜性。文獻(xiàn)[6]針對(duì)Kalman濾波在動(dòng)態(tài)環(huán)境下跟蹤失敗的問題，提出改進(jìn)的自適應(yīng)載波跟蹤算法，算法能夠自動(dòng)調(diào)整系統(tǒng)權(quán)重和控制系統(tǒng)狀態(tài)，具有較好的跟蹤性能。文獻(xiàn)[7]為了解決TLD算法的處理速度問題，提出利用Kalman濾波和Maclaurin模型來改進(jìn)LTD追蹤算法，提升了LTD算法的效率。文獻(xiàn)[8]采用自適應(yīng)學(xué)習(xí)率來改進(jìn)背景模型，解決場(chǎng)景中光照突變和陰影區(qū)域?qū)δ繕?biāo)物體追蹤的影響問題。

針對(duì)當(dāng)前目標(biāo)跟蹤算法種類多樣且性能各異，本文研究利用4種典型算法對(duì)倉庫某監(jiān)控區(qū)域內(nèi)的運(yùn)動(dòng)目標(biāo)進(jìn)行跟蹤實(shí)驗(yàn)，對(duì)算法的性能進(jìn)行分析，從多項(xiàng)指標(biāo)來對(duì)比各自的功能側(cè)重點(diǎn)，選擇綜合性能最佳的改進(jìn)Boosting算法作為倉庫視頻目標(biāo)跟蹤算法，為倉庫管理實(shí)踐中視頻監(jiān)控效果和準(zhǔn)確性提供重要佐證。

1 改進(jìn)的Boosting目標(biāo)跟蹤算法

1.1 Boosting算法

Boosting算法是一種機(jī)器學(xué)習(xí)算法，它能夠解決高維數(shù)據(jù)準(zhǔn)確性問題，廣泛應(yīng)用于深度學(xué)習(xí)和模式識(shí)別中。該算法可將弱學(xué)習(xí)器通過集成提升至強(qiáng)學(xué)習(xí)器，主要是它在學(xué)習(xí)過程中進(jìn)行了特征選擇，將高維度空間中的每一組弱學(xué)習(xí)器視為一個(gè)特征，對(duì)若干特征進(jìn)行學(xué)習(xí)并加權(quán)累計(jì)到總模型中，從而獲得能夠解決高維空間問題的強(qiáng)學(xué)習(xí)器。

算法通過改變每個(gè)樣本相對(duì)應(yīng)的權(quán)重獲得不同訓(xùn)練集，首先為每個(gè)樣本設(shè)置初始權(quán)重，在此訓(xùn)練樣本分布下訓(xùn)練一個(gè)弱分類器h1（x），然后將該分類器看作一個(gè)特征進(jìn)行學(xué)習(xí)[9]，用它來更新其他樣本權(quán)重，增加h1（x）錯(cuò)分的樣本的權(quán)重，減少正確分類的樣本的權(quán)重，從而突出錯(cuò)分的樣本，并得出一個(gè)新的樣本分布[10]，在新的樣本分布下，訓(xùn)練出新的弱分類器h2（x）并更新樣本權(quán)重，重復(fù)此操作T次，由此得到T個(gè)基礎(chǔ)弱分類器，將T個(gè)分類器按照權(quán)重進(jìn)行累加，獲得最終的強(qiáng)分類器[11]。算法訓(xùn)練過程如表1所示。

1.2 Boosting算法的特征區(qū)域更新改進(jìn)策略

Boosting算法存在精確性不足以及參數(shù)設(shè)置隨機(jī)性較大等缺陷，容易出現(xiàn)跟蹤誤差。本文通過對(duì)跟蹤過程中目標(biāo)的特征進(jìn)行在線更新，當(dāng)特征在跟蹤區(qū)域生成之后，利用特征值服從高斯分布來區(qū)分目標(biāo)或是背景區(qū)域，同時(shí)使用Kalman filter實(shí)時(shí)在線更新分布，估算特征置信度，從而有效降低累計(jì)誤差和跟蹤目標(biāo)丟失等問題[12]，主要過程為：

利用算法中的強(qiáng)分類器得到置信度Conf（x），當(dāng)Conf（x）>threshold1（0.8）時(shí)，將跟蹤的目標(biāo)區(qū)域作為正樣本（x，1），將其他同等背景區(qū)作為負(fù)樣本，當(dāng)追蹤到新樣本（x，y），y∈（0，1）時(shí)，則更新特征（m），如式（1）、式（2）所示。

當(dāng)Conf（x）

當(dāng)threshold2

2 實(shí)驗(yàn)分析

將上述四種算法在某倉庫視頻監(jiān)控圖像（包括倉庫出入口和倉庫內(nèi)）序列上進(jìn)行測(cè)試，驗(yàn)證算法的有效性和綜合性能。實(shí)驗(yàn)環(huán)境說明：

（1） 實(shí)驗(yàn)視頻數(shù)據(jù)共999禎，實(shí)現(xiàn)代碼為每個(gè)目標(biāo)創(chuàng)建跟蹤器，并記錄出每個(gè)移動(dòng)對(duì)象的坐標(biāo)、所在視頻幀等信息，為生成軌跡做準(zhǔn)備。

（2） 這里對(duì)每個(gè)跟蹤器所創(chuàng)建的對(duì)象，如果超過5幀沒有檢測(cè)到目標(biāo)，則認(rèn)為檢測(cè)失敗或者目標(biāo)已經(jīng)離開攝像頭視域，銷毀該對(duì)象，因?yàn)槎嗄繕?biāo)跟蹤創(chuàng)建跟蹤器十分耗費(fèi)CPU資源。

（3） 運(yùn)動(dòng)目標(biāo)數(shù)，是當(dāng)跟蹤器準(zhǔn)確跟蹤運(yùn)動(dòng)目標(biāo)10幀以上才打印出來的，以免漂移現(xiàn)象產(chǎn)生干擾，如表2所示。

從表格1所列數(shù)據(jù)，得到的分析結(jié)果如下：

KCF算法處理最快，但該方法得到運(yùn)動(dòng)目標(biāo)數(shù)目少，創(chuàng)建跟蹤器數(shù)目多，目標(biāo)丟失對(duì)象嚴(yán)重。

MIL算法耗時(shí)最多，但是整體看來，基本沒有漂移現(xiàn)象，跟蹤還算準(zhǔn)確，目標(biāo)數(shù)目大于實(shí)際數(shù)目，說明對(duì)視頻中的跟蹤目標(biāo)存在丟失現(xiàn)象，但是又重新跟蹤了。經(jīng)分析認(rèn)為是原跟蹤器已經(jīng)銷毀，新創(chuàng)建的跟蹤器將原跟蹤器跟蹤的目標(biāo)定義為新的目標(biāo)。

改進(jìn)Boosting算法所用時(shí)間相比MIL有很大改善，得到運(yùn)動(dòng)目標(biāo)數(shù)目與實(shí)際數(shù)目相當(dāng)，因此可以說是相對(duì)準(zhǔn)確了，但是創(chuàng)建跟蹤器個(gè)數(shù)比MIL多，在運(yùn)動(dòng)目標(biāo)跟蹤初始階段容易產(chǎn)生丟失現(xiàn)象，對(duì)于中間的目標(biāo)，相對(duì)穩(wěn)定。

TLD算法沒有展現(xiàn)出良好的性能，對(duì)于運(yùn)動(dòng)目標(biāo)不斷的丟失，不斷的創(chuàng)建跟蹤器，導(dǎo)致得到運(yùn)動(dòng)目標(biāo)數(shù)目比實(shí)際多出很多，提取前景之所以多于無跟蹤器時(shí)，主要是不同跟蹤器對(duì)于同一個(gè)前景重復(fù)提取。

表2最后一行所列的是原始視頻播放的時(shí)間、人工統(tǒng)計(jì)的運(yùn)動(dòng)目標(biāo)數(shù)目、運(yùn)動(dòng)檢測(cè)算法提取的前景數(shù)目等信息，以為跟蹤算法提供比對(duì)參考。如圖1所示。

實(shí)驗(yàn)的實(shí)際效果圖，從視頻中跟蹤運(yùn)動(dòng)的多目標(biāo)，并畫出軌跡，其中圖片中的黑色方框是進(jìn)行前景提取所獲得的運(yùn)動(dòng)目標(biāo)，綠色方框是跟蹤區(qū)域，而紅色線則是畫出來的運(yùn)動(dòng)軌跡。

從圖1中可以看出KCF算法的缺點(diǎn)，即對(duì)于運(yùn)動(dòng)目標(biāo)的跟蹤存在缺失。從黑框與綠框的重合度也可以在一定程度上看出KCF的漂移現(xiàn)象并不是很明顯。

從圖2可以看出，MIL算法相比于KCF算法跟蹤效果已經(jīng)好了很多，運(yùn)動(dòng)目標(biāo)路徑相對(duì)完整，但是相比于KCF，MIL表現(xiàn)出了可能存在的更為嚴(yán)重的漂移現(xiàn)象，如圖2所示。

從圖3可以看出，改進(jìn)Boosting算法相比于KCF、MIL算法已經(jīng)有了相對(duì)明顯的改進(jìn)效果，如圖3所示。

從圖4可以看出，相比于圖（3）漂移現(xiàn)象已經(jīng)產(chǎn)生，接下來就極有可能會(huì)產(chǎn)生跟蹤目標(biāo)的失敗。

從圖1至圖1的視覺效果及表2的各項(xiàng)指標(biāo)判斷分析，改進(jìn)Boosting算法的跟蹤效果和綜合性能都是最佳的。

3 總結(jié)

本文在對(duì)改進(jìn)的Boosting算法進(jìn)行研究的基礎(chǔ)上，采用實(shí)驗(yàn)手段，通過實(shí)際測(cè)試的效果和各項(xiàng)指標(biāo)的對(duì)比，來驗(yàn)證算法的性能。Boosting算法能夠很好的跟蹤運(yùn)動(dòng)目標(biāo)路徑，基本不存在目標(biāo)跟蹤缺失問題，同時(shí)能夠避免運(yùn)動(dòng)目標(biāo)漂移現(xiàn)象的產(chǎn)生。因此，將其作為倉庫智能視頻監(jiān)控算法具有重要的實(shí)踐意義。同時(shí)本文的研究和實(shí)驗(yàn)也存在不足之處，比如沒有考慮到運(yùn)動(dòng)目標(biāo)被遮擋以及復(fù)雜的背景等情況，在考慮這些情況的前提下，如何進(jìn)一步提高算法的魯棒性是未來要研究的內(nèi)容之一。

參考文獻(xiàn)

[1] 王敏.基于視頻監(jiān)控圖像的目標(biāo)檢測(cè)與跟蹤算法研究[D].石家莊：河北大學(xué)，2018.

[2] Ronghua L， Huaqing M. Joint Conditional Random Fields for Multi-object Tracking with a Mobile Robot[J]. Jiqiren/Robot， 2010， 33（3）：391-396.

[3] 楊輝，劉軍，阮松.基于Mean Shift算法視頻跟蹤研究[J]. 計(jì)算機(jī)工程與設(shè)計(jì)， 2013， 34（6）：2062-2066.

[4] 姜丹. 基于視頻監(jiān)控的目標(biāo)檢測(cè)與跟蹤算法研究[D].西安：西安理工大學(xué)，2018.

[5] Dan M， Otsuka K， Yamato J. Memory-Based Particle Filter for Tracking Objects with Large Variation in Pose and Appearance[J]. Ieice Transactions on Information & Systems， 2010， 6313（94）：215-228.

[6] 李理敏，龔文斌，劉會(huì)杰，余金培.基于自適應(yīng)擴(kuò)展卡爾曼濾波的載波跟蹤算法[J].航空學(xué)報(bào)，2012，33（7）：1319-1328.

[7] 魏磊，趙發(fā)勇，王秀英.基于S曲線的步進(jìn)電機(jī)速度與位移控制[J].佳木斯大學(xué)學(xué)報(bào)（自然科學(xué)版），2017，35（5）：811-816.

[8] 石丹.基于背景建模的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤算法的研究[D].西安：西安科技大學(xué)，2016.

[9] 鄒盛瑜.人臉定位算法在視頻監(jiān)控中的設(shè)計(jì)與實(shí)現(xiàn)[D].成都：電子科技大學(xué)，2011.

[10] 曾傳璜，李思強(qiáng)，張小紅.基于AdaCostBoost算法的網(wǎng)絡(luò)釣魚檢測(cè)[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2015，24（9）：129-133.

[11] 李福.流行學(xué)習(xí)在交通標(biāo)志識(shí)別中的應(yīng)用研究[D].西安：西安電子科技大學(xué)，2010.

[12] 孫來兵，陳建美，宋余慶，等.改進(jìn)的基于在線Boosting的目標(biāo)跟蹤方法[J]. 計(jì)算機(jī)應(yīng)用， 2013， 33（2）：495-502.

（收稿日期：2019.09.20）