基于無線傳感人臉識別的空間弱小人體目標跟蹤方法*

盧超超，彭 煒

(1.山西警察學院 偵查系，山西 太原 030401；2.大同大學計算機與網(wǎng)絡(luò)工程學院，山西 大同 037009)

無線傳感人臉識別技術(shù)是結(jié)合無線傳感與人臉識別于一體的創(chuàng)新應(yīng)用技術(shù)，該技術(shù)主要依靠無線傳感器與計算機的性能，對采集的人臉圖像進行特征識別，以用于身份認證[1]。 該技術(shù)是人工智能的關(guān)鍵分支，通過無線傳感器采集人臉高清圖像，可以高效精準地識別人臉特征，還能通過二進制描述子識別較多的圖像特征[2]。 基于無線傳感人臉識別的檢查技術(shù)，能夠完成不同人臉特征點[3]的差異化檢測，以識別不同的圖像特征。

在弱小人體目標跟蹤的任務(wù)中，進行空間人臉識別能夠有效避免跟蹤誤差[4]，并提高弱小人體目標跟蹤的效率。 對于復雜的背景環(huán)境，空間弱小人體目標存在一定的運動特性[5-6]，并且具有較小的成像尺寸，因此，對其進行識別與跟蹤十分復雜。 陸福星等人[7]基于背景自適應(yīng)與多特征融合的弱小人體目標跟蹤方法，對采集的紅外圖像進行噪聲點去除，并分割出弱小人體的大面積平穩(wěn)背景。 提取弱小人體目標的灰度特征，消除目標灰度特征集合中的假目標像素，完成弱小人體目標跟蹤。 但該方法對于空間弱小目標的跟蹤存在虛警概率高等問題。 楊其利等人[8]提出了基于全卷積遞歸網(wǎng)絡(luò)的弱小人體目標跟蹤方法，該方法利用全卷積遞歸網(wǎng)絡(luò)提取弱小目標的特征，并通過深度遞歸監(jiān)督進行目標特征參數(shù)的修正，從而完成弱小人體目標的跟蹤。 但是，該方法僅將部分空間弱小人體目標作為跟蹤對象，并且對弱小人體目標數(shù)據(jù)檢測概率不高。Manit 等人[9]提出基于深度遷移學習的人體目標檢測方法，該方法采用近紅外激光掃描方法采集人體目標圖像，并將采集的圖像輸入到深度遷移學習的卷積神經(jīng)網(wǎng)絡(luò)中進行訓練處理。 以訓練結(jié)果為基礎(chǔ)，構(gòu)建人體目標檢測模型。 但是，該方法的檢測精度不足。 Gong 等人[10]提出基于深度學習和多尺度特征融合的人體目標檢測方法，該方法從SSD 網(wǎng)絡(luò)中提取人體移動目標的多尺度特征，并通過特征融合方法，提取細節(jié)特征和敏感位置信息，從而完成目標檢測。 但是，該方法存在虛警率較高的問題。

因此，本文利用無線傳感人臉識別技術(shù)，進行空間弱小人體目標跟蹤，通過無線傳感器采集高清的人臉圖像，結(jié)合人臉識別技術(shù)準確識別出弱小人體目標，提升空間弱小人體目標跟蹤的性能。

1 空間弱小人體目標跟蹤

1.1 無線傳感人臉識別模型構(gòu)建

在人臉識別領(lǐng)域中，應(yīng)用較多的人臉特征表示方法是小波插值方法，小波插值方法是通過提取二維人臉圖片的特征點，并在人臉圖像中添加插值點信息，從而提高識別模型的真實性。 但是，該方法插值點需要計算，才能得到可靠的提取結(jié)果，否則跟蹤區(qū)域的重疊率將會增大。 而在此次研究中采用雙向稀疏表示方法可以很好地解決這一問題。

在無線傳感人臉識別技術(shù)中，以無線傳感器采集到的人臉圖像數(shù)據(jù)為基礎(chǔ)，結(jié)合人臉識別技術(shù)中的稀疏表示方法，完成無線傳感人臉識別模型構(gòu)建[11]。

采用無線傳感器進行人臉圖像采集的流程如圖1 所示。

圖1 無線傳感器人臉圖像采集流程

在稀疏表示方法中，包含正向稀疏表示與逆向稀疏表示，其中正向稀疏表示負責目標模板樣本的線性重構(gòu)，而逆向稀疏矩陣表示近似表示目標模板集。 通過稀疏表示方法，獲得正確的雙向稀疏表示稀疏矩陣，再通過優(yōu)化求解得到觀測似然函數(shù)，確定人臉識別模型。 稀疏表示過程如圖2 所示。

圖2 稀疏表示展示圖

1.1.1 正向稀疏表示

②獲取L2范數(shù)，規(guī)范化矩陣C的列。

③對L1范數(shù)問題進行計算:

或采用替換運算:

④分析殘差。

⑤將(y)＝arg min iri(y)輸出。

上述公式中，測量矩陣通過C描述，內(nèi)僅有的非零元素由δi()描述。 圖像數(shù)據(jù)重建問題可通過最小化L1范數(shù)確定，以獲取最稀疏解xi。 通過步驟⑤，可以使單個個體類與測試樣本的相似關(guān)系采用殘差計算得到。

1.1.2 逆向稀疏表示

假設(shè)有n個候選樣本的特征集合為Ct＝[，]∈Rd×n，N＝m×b，目標模板特征為ot∈Rd×N，d＝384。 則目標模板可用候選樣本的線性表達式為:

式中:線性系數(shù)為βt＝[]，其最小約束條件為:

假設(shè)已知y∈Rm×1表示輸入信號，D＝[d1，d2，…，dn]∈Rm×n(m?n)，求解α＝[c1，c2，…，cn]的值，其中ci為對應(yīng)系數(shù)，則逆稀疏等價求解方程為:

定義Y＝[y1，y2，…，yk]∈Rd×k表示候選樣本觀測值，則利用候選樣本集合構(gòu)建逆稀疏模型，假設(shè)當前的目標模板為t∈Rd×1，逆稀疏模型可表示為:

式中:λneg表示逆向稀疏的懲罰因子，d表示樣本個數(shù)，β為逆向稀疏表示系數(shù)。

1.1.3 雙向稀疏表示

在運用雙向稀疏表示過程中，需要確定唯一的一個候選樣本集X，即確保稀疏參數(shù)α是唯一的。從多個候選樣本中構(gòu)建候選樣本集的過程為:

式(8)是目標模板集D對候選樣本的稀疏表示，其中設(shè)候選樣本集的個數(shù)為m，式中U是目標模板集D對于候選樣本集X的稀疏表示矩陣。 同樣對于逆稀疏表示來說，是候選樣本集X對目標模板dj的稀疏表示:

式中:V表示候選樣本集X對于目標模板集D的稀疏表示矩陣。

構(gòu)建雙向稀疏表示目標跟蹤模型:

式中:ψ為懲罰項。

1.2 正交匹配追蹤法

正交匹配追蹤法(Orthogonal Matching Pursuit，OMP)的主要思想為:在進行迭代時，將與現(xiàn)階段冗余向量關(guān)系最密切的列，從測量矩陣φ的列向量內(nèi)尋找出來，之后在測量向量中將其剔除，并開始迭代，直至迭代能夠滿足稀疏度，完成迭代。 該算法屬于貪婪算法，在進行迭代時，盡量使被選列能夠滿足正交。 由于該算法這一特性，能夠減少迭代次數(shù)，且能夠改善殘差值收斂速度。 該算法通過如下步驟計算:

運用K和φ分別表示稀疏度、測量矩陣，并將初始信號設(shè)置為x。 對索引集Λ0＝?，t＝1 和重構(gòu)信號＝0 進行初始化。

①尋找λt＝｜

②更新索引集Λt＝Λt-1∪{λt}，并將所尋找的原子集合進行記載，表示為φt＝[φt-1，φλt]，該子集存在于測量矩陣內(nèi)。

④對殘差rt＝y(tǒng)-φt，t＝t+1 進行更新。

⑤判定t＞K能否滿足，若不能，返回操作步驟①，若能滿足，即迭代結(jié)束。

運行過程中，該算法具有較快的運行速度，因此，通過正交匹配追蹤法，獲取空間弱小人體目標人臉圖像的雙向稀疏表示。

1.3 粒子濾波空間弱小人體目標跟蹤

粒子濾波的計算主要通過弱小空間人體目標人臉圖像樣本均值，改變積分的計算過程，并通過隨機粒子，改變概率密度函數(shù)，以得到狀態(tài)最小方差估算值[12]。

在目標信號內(nèi)，通過式(11)計算人臉圖像狀態(tài)移動模型，通過式(12)計算觀測模型，且目標在k時刻時，通過zk表示空間弱小人體目標人臉圖像的觀測參數(shù)，xk表示人臉圖像的狀態(tài)參數(shù):

式中:h表示一個觀測模型；f表示一個狀態(tài)轉(zhuǎn)移模型；uk-1表示目標跟蹤中產(chǎn)生的噪聲；vk表示目標觀測中產(chǎn)生的噪聲，二者不存在聯(lián)系。

對于較多測量點內(nèi)，且反復存在的目標，通過人臉圖像進行識別與認定的過程，即為空間弱小人體目標跟蹤，其過程隨機變化，且不容易確定。 由于空間弱小人體目標的狀態(tài)能夠通過移動時刻的“動作”進行判定，即目標在移動時刻可能發(fā)生的觀測幾率P(zk｜xk)與狀態(tài)移動幾率P(xk｜zk-1)可由目標信號的觀測模型與狀態(tài)移動模型改變獲得，所以，經(jīng)運算后驗概率P(xk｜z1:k)可通過k時刻的狀態(tài)估計轉(zhuǎn)化得到，并且可依據(jù)貝葉斯，對遞推進行更新與預(yù)測。 通過式(13)描述目標運動狀態(tài)的預(yù)測形式:

即依據(jù)已停止計算的上一時刻概率密度P(xk-1｜z1:k-1)，對P(xk｜z1:k-1)進行估計，其為目前時刻中，目標的先驗概率。 因此，通過式(14)計算更新后的空間弱小人體目標運動狀態(tài):

式中:P(xk｜z1:k-1)描述上一時刻的先驗概率密度，z1:k為已停止計算的目前時刻觀測值，通過二者，能夠計算得到目前后驗概率P(xk｜z1:k)。

通過粒子濾波，能夠獲取該概率函數(shù)的近似解，即將后驗概率密度采用較多具有某些規(guī)律的隨機樣本加權(quán)和描述的過程。 將N個粒子和與之相應(yīng)的歸一化權(quán)值從空間弱小人體目標運動情況的后驗概率P(xk｜z1:k)內(nèi)選出，則可通過表示目標粒子的后驗概率的分散情況，并通過式(15)計算:

式中:k時刻粒子的權(quán)值可通過式(16)計算:

式中:關(guān)鍵密度函數(shù)由q(·)描述，且通常情況下，關(guān)鍵密度函數(shù)由q()表示。

根據(jù)上述所獲取的雙向稀疏形式，若目標粒子pt可由隨機粒子表示，則背景字典U1∈Rd×n1不能雙向稀疏操作粒子，即經(jīng)雙向稀疏后的目標原子并不具有較大的殘余能量。 所以，若背景粒子pb由p代表，那么，就不能夠通過雙向稀疏的形式操作p，因此，操作后的目標原子具有較高的殘余能量。 殘差能量能夠判斷目標的字典與信號的相似度。

通過式(18)計算經(jīng)過目標字典U2∈Rd×n2重新構(gòu)建后的粒子殘差:

式中:σ2參數(shù)主要用于控制，且其為均方差。 在目標字典中，通過雙向稀疏表示的粒子擁有越低的殘差，則其具有更高的相對權(quán)值，若其與目標原子信號類似性越高，則具有更高幾率發(fā)現(xiàn)待跟蹤目標信號，使得跟蹤軌跡估算更精準。

式中:(k-1)時刻的過完備字典由Uk-1描述；已更新的字典由Uk描述；在k時刻內(nèi)，空間弱小人體目標人臉圖像信號由fk描述，人臉圖像信號經(jīng)Uk-1雙向稀疏操作后的系數(shù)由αk描述。

粒子濾波的整體實現(xiàn)過程為:

①粒子初始化處理:取k＝0，抽取N個樣本點，i＝1，…，N。

③計算權(quán)值:

④權(quán)值歸一化處理:

⑤重采樣處理:根據(jù)權(quán)值的歸一化計算結(jié)果，復制或者舍棄部分樣本，得到N個近似服從p(｜z1:k)分布的樣本，并且令＝1/N，i＝1，。

⑦重復步驟②至步驟⑥。

為了檢驗粒子濾波的效果，選取100 個粒子進行驗證，結(jié)果如圖3 所示。

圖3 粒子濾波結(jié)果

從圖3 中可以看出，粒子濾波的結(jié)果都處在95%的置信區(qū)間中，因此，說明粒子濾波的效果較好。

2 仿真分析

為了提高仿真結(jié)果的準確性，采用OV5017 圖像傳感器采集空間弱小人體目標的人臉圖像，并通過MC35i GPRS 無線通信模塊傳輸?shù)揭暰胺抡孳浖ega 中。 Vega 軟件中弱小人體目標移動示意圖如圖4 所示。

圖4 Vega 軟件中弱小人體目標移動示意圖

根據(jù)空間弱小人體目標動態(tài)情況設(shè)定圖像的目標尺寸小于7×7 像素，大于2×2 像素，目標和鄰域的相對灰度值滿足SCRN≤15%，并依據(jù)設(shè)定情況進行仿真分析。

人臉特征識別結(jié)果如圖5 所示。

圖5 人臉特征識別結(jié)果

以測試集中的數(shù)據(jù)為基礎(chǔ)，設(shè)定不同目標數(shù)量，分析本文方法的目標識別率，并選取參考文獻[8]提出的全卷積遞歸網(wǎng)絡(luò)方法與參考文獻[9]提出的深度遷移學習方法作為對比方法。 識別率計算公式為:

式中:Sed表示識別到的目標結(jié)果，SGoal表示全部人體目標。

識別率測試結(jié)果如圖6 所示。

圖6 不同方法目標識別率

根據(jù)圖6 所示，隨著目標數(shù)量的上升，三種方法的弱小人體目標識別率逐漸上升，其中，全卷積遞歸網(wǎng)絡(luò)方法始終保持最低的目標識別率，在目標數(shù)量為50 個時，識別率僅有65%，而深度遷移學習方法的目標識別率高于全卷積遞歸網(wǎng)絡(luò)方法，而本文方法的目標識別率明顯高于兩種傳統(tǒng)方法，當目標數(shù)量為50 個時，其目標識別率為82%，當目標數(shù)量為250 個時，本文方法的目標識別率最高，為97%，表明本文方法具有最高的目標識別率，能夠有效識別小目標的特征。

分析本文方法在弱小人體目標運動情況下的跟蹤能力，比較三種方法在同一速度、不同信噪比時，對目標圖像中位置跟蹤的誤差，結(jié)果如表1 所示。

表1 不同信噪比時三種方法的位置跟蹤平均誤差

根據(jù)表1 可知，隨著信噪比逐漸增加，三種方法的位置跟蹤平均誤差有所降低，其中，全卷積遞歸網(wǎng)絡(luò)方法的跟蹤誤差要同時大于深度遷移學習方法與本文方法，而深度遷移學習方法在SNR ＝1 時，平均誤差為18.26，本文方法誤差僅為9.23。 因此，在任何信噪比下，本文方法的位置跟蹤平均誤差較低。

對比不同方法在目標跟蹤過程中的檢測概率與虛警概率，檢測概率越高、虛警概率越低說明跟蹤效果越好。

檢測概率的計算公式為:

式中:K表示檢測門限值，μ表示檢測噪聲均值，σ表示檢測噪聲方差，Q表示檢測的概率密度。

虛警概率的計算公式為:

式中:λf表示錯誤預(yù)警次數(shù)，λtotal表示全部的預(yù)警次數(shù)。

檢測概率與虛警概率的對比結(jié)果如圖7 所示。

當目標不存在于跟蹤區(qū)域時，則發(fā)生虛警，若目標存在于跟蹤區(qū)域，則跟蹤有效。 因此，根據(jù)圖7 可知，三種方法的檢測概率都要大于虛警概率，說明三種方法都具有較好的跟蹤能力。 其中，深度遷移學習方法的檢測概率最低，虛警概率最高，達到35%，全卷積遞歸網(wǎng)絡(luò)方法的檢測概率在80%左右，本文方法的檢測概率可達到99%左右，且虛警概率最低，說明本文方法在跟蹤過程中性能較為穩(wěn)定。

圖7 不同方法的檢測概率與虛警概率

重疊率是指跟蹤區(qū)域與人為標記真實目標區(qū)域之間的關(guān)系，重疊率越大，跟蹤效果越好，反之越差。重疊率公式為:

式中:S1為跟蹤區(qū)域，S2為人為標記真實目標區(qū)域。

三種方法的跟蹤區(qū)域重疊率對比結(jié)果如圖8所示。

圖8 跟蹤區(qū)域重疊率對比結(jié)果

觀察圖8 所示的目標跟蹤序列結(jié)果可知，本文方法重疊率在各個視頻序列中比較穩(wěn)定，其重疊率大概維持在0.70～0.98 之間，故本文方法性能明顯優(yōu)于其他兩種經(jīng)典算法，其穩(wěn)定性和精準性大大提高。

3 結(jié)論

本文研究了基于無線傳感人臉識別的空間弱小人體目標跟蹤方法，有效結(jié)合SRC 算法、正交匹配追蹤法(OMP)和粒子濾波算法，共同實現(xiàn)空間弱小人體目標跟蹤，估算目標運動軌跡。 仿真結(jié)果表明，本文方法在弱小人體目標跟蹤方面優(yōu)勢顯著，可將虛警概率控制在一定范圍內(nèi)，最高虛警率不超過20%。 在未來研究階段，可根據(jù)現(xiàn)階段研究基礎(chǔ)，繼續(xù)對空間其他目標的跟蹤與識別進行研究，擴大研究成果的應(yīng)用范圍。