基于精確背景運(yùn)動補(bǔ)償?shù)臋C(jī)器人運(yùn)動目標(biāo)檢測與跟蹤

馬東，劉超杰，王立玲，王洪瑞

(1.河北大學(xué)電子信息工程學(xué)院，河北保定 071002；2.河北大學(xué)機(jī)器人技術(shù)研究中心，河北保定 071002)

0 前言

近幾年來，隨著機(jī)器人自主導(dǎo)航、無人駕駛和智能監(jiān)控等技術(shù)的不斷發(fā)展[1]，普遍將攝像機(jī)作為機(jī)器視覺領(lǐng)域中重要的視覺傳感器來獲取周圍環(huán)境中的相關(guān)信息，為下一步判斷與決策提供關(guān)鍵依據(jù)。因此，機(jī)器人視覺中的運(yùn)動目標(biāo)檢測[2]和目標(biāo)跟蹤[3]技術(shù)成為了熱點(diǎn)研究方向。目標(biāo)檢測是該技術(shù)的核心[4]，為下一步進(jìn)行目標(biāo)跟蹤提供重要保障。根據(jù)機(jī)器人的狀態(tài)，可以將其視覺背景分為靜態(tài)和動態(tài)2種類型。由于相機(jī)與背景發(fā)生相對運(yùn)動，實(shí)現(xiàn)動態(tài)背景下的運(yùn)動目標(biāo)檢測與跟蹤具有一定挑戰(zhàn)，雖然靜態(tài)背景下的目標(biāo)檢測[5]與跟蹤技術(shù)已經(jīng)相對成熟，但不能直接應(yīng)用于動態(tài)背景。所以，研究動態(tài)背景下的運(yùn)動目標(biāo)檢測與跟蹤方法有著重要的應(yīng)用價(jià)值。

常用于動態(tài)環(huán)境下的運(yùn)動目標(biāo)檢測方法主要有：光流法[6]、目標(biāo)模板匹配法[7]和背景補(bǔ)償法。光流法雖然檢測到的目標(biāo)完整度高，但存在計(jì)算復(fù)雜、易受光照變化影響的缺點(diǎn)，在工程應(yīng)用中不具備實(shí)時(shí)檢測的優(yōu)勢。模板匹配法通過目標(biāo)模板與場景中的物體進(jìn)行匹配完成目標(biāo)檢測，計(jì)算量較小，但不能夠檢測未知的運(yùn)動目標(biāo)。背景補(bǔ)償法主要通過求解全局運(yùn)動參數(shù)計(jì)算背景運(yùn)動量，將運(yùn)動背景轉(zhuǎn)換為靜態(tài)背景，適用于相機(jī)平移、縮放、旋轉(zhuǎn)等視覺場景。文獻(xiàn)[8]提出一種多尺度SIFT特征的目標(biāo)檢測算法，取得了較好的檢測效果，但算法計(jì)算量大，不能滿足實(shí)時(shí)性。文獻(xiàn)[9]采用基于ORB特征匹配的運(yùn)動目標(biāo)檢測算法，雖然保證了算法的實(shí)時(shí)性，但利用RANSAC[10-11]算法去除誤匹配的效果不佳，檢測結(jié)果存在邊緣缺失以及嚴(yán)重空洞問題。文獻(xiàn)[12]提出一種基于子塊運(yùn)動補(bǔ)償?shù)倪\(yùn)動目標(biāo)檢測方法，消除了誤匹配點(diǎn)對求解運(yùn)動參數(shù)的影響，但算法執(zhí)行速度較慢，抗干擾能力較差。

針對上述問題，本文作者提出一種適用于動態(tài)場景下機(jī)器人運(yùn)動目標(biāo)檢測與跟蹤方法。通過改進(jìn)的ORB特征匹配方法精確地進(jìn)行背景運(yùn)動補(bǔ)償[13]完成運(yùn)動目標(biāo)檢測，在運(yùn)動目標(biāo)跟蹤過程中，為避免目標(biāo)受遮擋干擾導(dǎo)致跟蹤失敗，采用基于Kalman濾波擴(kuò)展的KCF算法[14-15]對其進(jìn)行穩(wěn)定跟蹤。

1 改進(jìn)的ORB特征提取與匹配

1.1 特征提取

傳統(tǒng)ORB特征提取算法是對FAST特征點(diǎn)檢測算法[16]與BRIEF特征描述子算法[17]的一種結(jié)合與改進(jìn)，具有計(jì)算量小和檢測速度快的優(yōu)勢。雖然ORB算法具有較好的實(shí)時(shí)性，但仍存在以下缺陷：

(1)當(dāng)圖像發(fā)生亮度變化或尺度變化時(shí)，容易導(dǎo)致特征點(diǎn)匹配精度大幅下降。

(2)提取的特征點(diǎn)較少并且分布不均勻，容易出現(xiàn)團(tuán)簇現(xiàn)象。

(3)ORB算法利用圖像金子塔實(shí)現(xiàn)特征點(diǎn)的尺度不變性，由于金字塔層數(shù)有限，只能在一定范圍保證尺度的不變性，擁有很大的局限性。

文中采用一種改進(jìn)的特征提取方法，通過圖像增強(qiáng)算法及小波變換對圖像進(jìn)行特征點(diǎn)檢測預(yù)處理，然后提取SURF特征點(diǎn)并生成ORB描述符。

1.1.1 特征點(diǎn)檢測預(yù)處理

為解決傳統(tǒng)ORB算法提取的特征點(diǎn)較少、易出現(xiàn)團(tuán)簇現(xiàn)象以及低亮度條件下匹配效果不佳對全局運(yùn)動參數(shù)影響較大的問題，文中改進(jìn)方法在檢測特征點(diǎn)之前對圖像進(jìn)行預(yù)處理。首先，采用基于拉普拉斯(Laplacian)算子的圖像增強(qiáng)算法，提高低亮度條件下的匹配精度。由于背景噪聲和圖像邊緣一般屬于高頻部分，因此采用小波分辨率分析的方法提前消除高頻部分保證SURF算子性能，避免邊緣處特征點(diǎn)的干擾。然后，利用小波變換的方法將圖像劃分為不同分辨率的圖像層，采用圖像分塊處理將屬于低分辨率的圖像分成5×5的圖像塊并檢測特征點(diǎn)。設(shè)置點(diǎn)數(shù)閾值ε，若圖像塊中特征點(diǎn)數(shù)量超過ε時(shí)則停止檢測，若低于ε時(shí)，通過檢測高一層分辨率圖像的特征點(diǎn)加以補(bǔ)充，直至滿足點(diǎn)數(shù)閾值。這種方法保證機(jī)器人無論處于復(fù)雜場景還是簡單場景都能提取足夠數(shù)量的特征點(diǎn)，同時(shí)解決了特征點(diǎn)分布聚集的問題。

1.1.2 特征點(diǎn)檢測與描述

SURF是一種高魯棒性的局部特征點(diǎn)檢測器，該算子在保持SIFT算子[18]優(yōu)良性能特點(diǎn)的基礎(chǔ)上，同時(shí)還具有較高的計(jì)算效率。SURF算法采用近似的Hessian矩陣行列式的局部最大值來尋找感興趣點(diǎn)位置。給定圖像中的一個點(diǎn)(x,y)，其Hessian矩陣定義為

(1)

其中：Lxx(x,σ)表示高斯二階偏導(dǎo)?2g(σ)/?x2與圖像函數(shù)的卷積，Lxy(x,σ)和Lyy(x,σ)同理。

根據(jù)矩陣H(x,σ)行列式值的符號確定該點(diǎn)是否為極值點(diǎn)；對式(1)的行列式近似簡化可得：

Δ(H)=DxxDyy-(0.9Dxy)2

(2)

若行列式的結(jié)果符號為負(fù)，則特征值符號為異號，不屬于局部極值點(diǎn);若符號為正，則該點(diǎn)屬于極值點(diǎn)。

在極值點(diǎn)周圍使用3×3×3的模板在3維尺度空間比較各特征值的大小，若某一極值點(diǎn)比周圍26個點(diǎn)的特征值都大，則選定該點(diǎn)為特征點(diǎn)。

提取SURF特征點(diǎn)后，使用ORB描述符來描述每個特征點(diǎn)，采用rBRIEF算法在特征點(diǎn)鄰域建立特征描述符。在特征點(diǎn)p附近選擇n個點(diǎn)對，然后把各個點(diǎn)對的灰度值進(jìn)行比較，由準(zhǔn)則函數(shù)：

(3)

可以得到一個長度為n的二進(jìn)制特征符：

(4)

Sθ=RθS

(5)

此時(shí)，得到加上方向后的rBRIEF描述子為

gn=(p,θ)=fn(p)|(xi,yi)∈Sθ

(6)

最后，采用貪婪搜索算法找出方差最大、相關(guān)性較低的256個點(diǎn)對進(jìn)行特征描述。

采用SURF算法提取的特征點(diǎn)擁有較強(qiáng)的尺度不變性、數(shù)量多、高穩(wěn)定性的優(yōu)點(diǎn)，解決了ORB特征點(diǎn)數(shù)量少以及尺度不變性存在較大局限性的問題。

1.2 特征匹配

1.2.1 傳統(tǒng)的特征匹配法

傳統(tǒng)的特征匹配法是通過特征描述子之間的漢明距離建立兩幀相鄰圖像中特征點(diǎn)的對應(yīng)關(guān)系。用V1和V2分別代表第k-1幀和第k幀圖像的特征描述子，D(V1,V2)表示它們之間的漢明距離，若D(V1,V2)的值越小，表示2個特征點(diǎn)越相似，D(V1,V2)值最小的2個特征點(diǎn)匹配成功。對相鄰的兩幀圖像采用改進(jìn)的ORB特征提取方法檢測特征點(diǎn)，傳統(tǒng)特征匹配法的匹配效果如圖1所示。

圖1 傳統(tǒng)特征匹配法匹配效果

1.2.2 改進(jìn)的特征匹配法

從圖1可以看出：傳統(tǒng)的基于漢明距離特征匹配法對相鄰兩幀圖像進(jìn)行特征點(diǎn)匹配時(shí)，容易出現(xiàn)大量誤匹配的問題。若在背景運(yùn)動補(bǔ)償中求解全局運(yùn)動參數(shù)時(shí)采用了錯誤的匹配點(diǎn)對，則會造成嚴(yán)重的誤差，從而對運(yùn)動目標(biāo)檢測的準(zhǔn)確度產(chǎn)生影響。為提高特征點(diǎn)匹配的準(zhǔn)確率，去除誤匹配點(diǎn)對，提出一種基于KNN匹配與對稱約束相結(jié)合的特征匹配改進(jìn)算法。首先采用KNN算法進(jìn)行粗略匹配，然后采用對稱約束的方法消除錯誤的匹配點(diǎn)對，匹配效果如圖2所示。

圖2 改進(jìn)特征匹配法匹配效果

改進(jìn)的特征匹配法具體步驟如下：

(1) 搜尋最近鄰和次近鄰特征點(diǎn)。采用改進(jìn)的ORB特征提取方法檢測特征點(diǎn)并生成特征描述子，以特征向量的漢明距離作為度量。取第k-1幀圖像中的特征點(diǎn)p1,采用KNN算法在第k幀中尋找與特征點(diǎn)p1漢明距離最近特征點(diǎn)pa和次近特征點(diǎn)pb，將p1和pa、pb的漢明距離分別用D(p1,pa)和D(p1,pb)表示。

(2) 匹配特征點(diǎn)對。設(shè)定閾值r，當(dāng)D(p1,pa)/D(p1,pb)

(3) 采用對稱約束去除誤匹配。通過上述兩步可得到一組粗略的匹配點(diǎn)對。所謂對稱約束，即對于第k-1幀中的特征點(diǎn)pi，其在第k幀中的最佳匹配點(diǎn)為qi；反之，對于第k幀中的特征點(diǎn)qi，其在第k-1幀中的最佳匹配點(diǎn)也是pi。即引入反向匹配策略去除誤匹配對，得到最佳匹配集。

2 基于改進(jìn)ORB算法的運(yùn)動目標(biāo)檢測

2.1 全局運(yùn)動參數(shù)估計(jì)

由于機(jī)器人運(yùn)動會導(dǎo)致其裝載的攝像頭發(fā)生運(yùn)動，所以機(jī)器人的視覺圖像會產(chǎn)生平移、旋轉(zhuǎn)和縮放等變換。因此，文中采用六參數(shù)仿射變換模型求解全局運(yùn)動參數(shù)進(jìn)行背景運(yùn)動補(bǔ)償，其矩陣形式如下：

(7)

2.2 自適應(yīng)外點(diǎn)濾除法

采用特征點(diǎn)匹配對求解全局運(yùn)動參數(shù)時(shí)，通常將前景目標(biāo)中的特征點(diǎn)稱為外點(diǎn)，背景中的特征點(diǎn)稱為內(nèi)點(diǎn)。外點(diǎn)的存在往往使參數(shù)求解出現(xiàn)很大的偏差，因此，文中提出了一種改進(jìn)RANSAC的自適應(yīng)外點(diǎn)濾除法，主要思想是通過計(jì)算特征點(diǎn)在相鄰兩幀圖像間運(yùn)動矢量的方差調(diào)控迭代次數(shù)進(jìn)行外點(diǎn)的消除，只通過背景點(diǎn)求解全局運(yùn)動參數(shù)，提高背景補(bǔ)償?shù)木?，為?zhǔn)確檢測運(yùn)動目標(biāo)做準(zhǔn)備。

具體方法如下所示：

(1) 計(jì)算初始仿射變換矩陣。將已完成匹配的特征點(diǎn)對作為初始的匹配點(diǎn)集，采用最小二乘法求得仿射變換模型的初始矩陣T1；

(4) 濾除外點(diǎn)。整體離散數(shù)據(jù)相對均值的偏移程度通過方差?來描述，因此采用δabs(d-μ)

(5) 獲得最優(yōu)的仿射變換矩陣。由內(nèi)點(diǎn)匹配點(diǎn)集，重新利用最小二乘法估算全局運(yùn)動參數(shù)。通過n次迭代不斷消除外點(diǎn)以提高全局運(yùn)動參數(shù)估算精度，當(dāng)滿足迭代終止條件后，輸出最優(yōu)的仿射變換矩陣T。

2.3 運(yùn)動目標(biāo)提取

(8)

將差分圖像dk(x,y)進(jìn)行閾值二值化處理：

(9)

δ=w0×w1×(μ0-μ1)2

(10)

尋找使類間方差δ值達(dá)到最大時(shí)的閾值作為差分圖像二值化的最佳分割閾值。

最后，將二值圖像bk(x,y)通過形態(tài)學(xué)處理的方法消除殘存的孤立噪點(diǎn)，獲得完整的運(yùn)動目標(biāo)。運(yùn)動目標(biāo)檢測算法的整體流程如圖3所示。

圖3 運(yùn)動目標(biāo)檢測算法流程Fig.3 Moving target detection algorithm flow

3 基于Kalman濾波擴(kuò)展的KCF運(yùn)動目標(biāo)跟蹤算法

傳統(tǒng)的核相關(guān)濾波(Kernel Correlation Filter，KCF)算法是一種鑒別式目標(biāo)跟蹤方法，通過視頻當(dāng)前幀樣本訓(xùn)練一個分類器，再采用訓(xùn)練好的分類器在后續(xù)幀中預(yù)判目標(biāo)的位置。在進(jìn)行運(yùn)動目標(biāo)跟蹤任務(wù)時(shí)，由于傳統(tǒng)的KCF算法需要手動設(shè)置跟蹤窗口，并且當(dāng)目標(biāo)出現(xiàn)遮擋或丟失時(shí)容易出現(xiàn)跟蹤失敗的情況，因此提出一種通過Kalman濾波擴(kuò)展的KCF運(yùn)動目標(biāo)跟蹤改進(jìn)算法。首先采用文中改進(jìn)的運(yùn)動目標(biāo)檢測算法檢測出運(yùn)動目標(biāo)并初始化KCF跟蹤窗口，解決傳統(tǒng)KCF算法手動初始化的問題；然后，當(dāng)跟蹤目標(biāo)出現(xiàn)遮擋或丟失時(shí)，采用Kalman濾波器預(yù)測目標(biāo)位置，實(shí)現(xiàn)目標(biāo)再次出現(xiàn)時(shí)繼續(xù)穩(wěn)定跟蹤運(yùn)動目標(biāo)。改進(jìn)KCF算法流程如圖4所示。

圖4 改進(jìn)KCF算法流程Fig.4 The improved KCF algorithm flow

改進(jìn)算法具體實(shí)現(xiàn)流程如下：

(1) 讀取攝像機(jī)傳感器的視頻圖像序列；

(2) 當(dāng)攝像機(jī)視野中出現(xiàn)運(yùn)動目標(biāo)時(shí)，啟動目標(biāo)檢測算法提取出運(yùn)動目標(biāo)的位置，并采用矩形框標(biāo)記出來；

(3) 通過目標(biāo)的標(biāo)記結(jié)果初始化KCF跟蹤器；

(4) 根據(jù)KCF算法計(jì)算目標(biāo)位置，同時(shí)初始化Kalman預(yù)測器并預(yù)測目標(biāo)位置；

(5) 判斷目標(biāo)遮擋或丟失條件。利用巴氏系數(shù)計(jì)算跟蹤框內(nèi)圖像的相似程度，若目標(biāo)未被遮擋，在連續(xù)幀的跟蹤框內(nèi)圖像的相似度較高；若目標(biāo)被遮擋，相似度會大大降低。因?yàn)橐曨l相鄰兩幀間的差別較小，圖像相似度下降緩慢，無法準(zhǔn)確判斷目標(biāo)是否發(fā)生遮擋。綜合分析，采用相隔3幀的方法計(jì)算跟蹤框內(nèi)圖像的相似度，如式(11)所示：

(11)

其中：Hk-3和Hk分別為第k-3幀和第k幀的LBP特征向量；取第k-3幀到第k幀巴氏系數(shù)的平均值作為第k幀遮擋檢測閾值Ty。

(6) 若d(Hk-3,Hk)≤Ty，表示目標(biāo)未被遮擋，則采用上一幀的跟蹤結(jié)果，更新KCF跟蹤器及Kalman預(yù)測器并繼續(xù)跟蹤運(yùn)動目標(biāo)，輸出其圖像坐標(biāo)。

(7) 若d(Hk-3,Hk)>Ty，說明跟蹤目標(biāo)出現(xiàn)遮擋或丟失的問題，此時(shí)利用Kalman預(yù)測器預(yù)測目標(biāo)在下一幀圖像中可能出現(xiàn)的位置，并且根據(jù)Kalman預(yù)測位置更新KCF跟蹤器和Kalman預(yù)測器，同時(shí)輸出其圖像坐標(biāo)。

(8) 判斷跟蹤是否結(jié)束，若沒有結(jié)束返回步驟(4)繼續(xù)跟蹤任務(wù)。

4 實(shí)驗(yàn)設(shè)計(jì)與分析

4.1 實(shí)驗(yàn)操作平臺

實(shí)驗(yàn)硬件平臺為NAO機(jī)器人,如圖5所示。在機(jī)器人頭部有2個單目攝像機(jī)傳感器，其中一個位于額頭處，用于采集周圍遠(yuǎn)景的視覺信息；另一個位于下頜處，用于采集近景信息，2個攝像機(jī)不能同時(shí)啟用。文中選用機(jī)器人額頭處的單目攝像機(jī)并保證運(yùn)動目標(biāo)出現(xiàn)在視野內(nèi)，調(diào)用NAOqi系統(tǒng)的ALVideoDevice視頻管理模塊，將實(shí)時(shí)視頻數(shù)據(jù)發(fā)送到遠(yuǎn)程PC端進(jìn)行處理。

圖5 NAO機(jī)器人平臺Fig.5 NAO robot platform

4.2 運(yùn)動目標(biāo)檢測實(shí)驗(yàn)設(shè)計(jì)與分析

為驗(yàn)證文中提出的基于改進(jìn)ORB的背景補(bǔ)償運(yùn)動目標(biāo)檢測算法的有效性，分別設(shè)計(jì)了室內(nèi)環(huán)境下單運(yùn)動目標(biāo)檢測實(shí)驗(yàn)和室外環(huán)境下多運(yùn)動目標(biāo)檢測實(shí)驗(yàn)。將文中改進(jìn)算法分別與直接幀差法和基于傳統(tǒng)ORB的運(yùn)動目標(biāo)檢測算法進(jìn)行對比，并對文中改進(jìn)算法檢測結(jié)果采用矩形框進(jìn)行標(biāo)記。

實(shí)驗(yàn)一：室內(nèi)環(huán)境下單運(yùn)動目標(biāo)檢測。分別選取視頻序列中的第78、84、90幀原圖像，不同算法檢測結(jié)果對比如圖6所示。當(dāng)機(jī)器人運(yùn)動時(shí)，導(dǎo)致獲得的視頻背景也會隨之發(fā)生運(yùn)動，此時(shí)采用直接幀差法檢測視覺中的運(yùn)動目標(biāo)，容易將背景誤檢為前景，不適用于機(jī)器人運(yùn)動背景下的目標(biāo)檢測。采用傳統(tǒng)ORB方法進(jìn)行背景補(bǔ)償檢測運(yùn)動目標(biāo)，由于其在特征提取與匹配階段檢測到的特征點(diǎn)分布不均勻以及存在大量誤匹配的問題，導(dǎo)致求解全局運(yùn)動參數(shù)時(shí)存在較大誤差，檢測運(yùn)動目標(biāo)時(shí)容易將背景像素點(diǎn)誤判為前景，并且得到的目標(biāo)“空洞”現(xiàn)象明顯。文中改進(jìn)的運(yùn)動目標(biāo)檢測算法能夠精確地進(jìn)行背景運(yùn)動補(bǔ)償，有效克服了機(jī)器人運(yùn)動時(shí)導(dǎo)致背景移動的問題，檢測到的運(yùn)動目標(biāo)輪廓清晰、完整度高。

圖6 第78、 84、90幀單目標(biāo)檢測結(jié)果對比

實(shí)驗(yàn)二：室外環(huán)境下多運(yùn)動目標(biāo)檢測。選取第135、160、185幀原圖像，不同算法檢測結(jié)果對比如圖7所示。直接幀差法將背景和前景運(yùn)動目標(biāo)同時(shí)檢測出來，導(dǎo)致檢測到的目標(biāo)圖像受背景噪聲影響。利用傳統(tǒng)ORB方法進(jìn)行背景補(bǔ)償檢測運(yùn)動目標(biāo)時(shí)，檢測到的運(yùn)動目標(biāo)完整度低，并且目標(biāo)輪廓嚴(yán)重缺失，檢測結(jié)果中依然存在背景噪聲干擾。文中改進(jìn)算法幾乎完全消除背景運(yùn)動的干擾，能夠更加清晰地檢測出目標(biāo)，對多個運(yùn)動目標(biāo)也有較理想的檢測效果。

圖7 第135、160、185幀多目標(biāo)檢測結(jié)果

表1和表2分別表示實(shí)驗(yàn)一與實(shí)驗(yàn)二采用不同匹配算法進(jìn)行特征匹配的結(jié)果。表3是3種算法分別對單運(yùn)動目標(biāo)和多運(yùn)動目標(biāo)平均單幀檢測耗時(shí)的比較情況。從表1和表2可以看出：傳統(tǒng)ORB方法只采用基于漢明距離的特征匹配方法容易產(chǎn)生大量的誤匹配對，匹配正確率較低，導(dǎo)致估計(jì)全局運(yùn)動參數(shù)時(shí)出現(xiàn)較大誤差，影響運(yùn)動目標(biāo)檢測效果；文中改進(jìn)ORB方法采用基于KNN匹配與對稱約束相結(jié)合的特征匹配方法，匹配正確率有明顯提升，能夠準(zhǔn)確地進(jìn)行背景補(bǔ)償，提高目標(biāo)檢測的準(zhǔn)確度。從表3中可以看出：直接幀差法單幀檢測時(shí)間最短，但檢測存在嚴(yán)重背景噪聲干擾；文中改進(jìn)方法因引入了對稱約束和外點(diǎn)濾除方法，影響了算法運(yùn)行效率，雖然相較于傳統(tǒng)ORB方法單幀檢測時(shí)間有所增加，但在提高目標(biāo)檢測完整度的同時(shí)仍能滿足實(shí)時(shí)處理的需求。

表1 實(shí)驗(yàn)一不同算法平均單幀匹配對數(shù)目對比

表2 實(shí)驗(yàn)二不同算法平均單幀匹配對數(shù)目對比

表3 3種算法平均單幀檢測耗時(shí)對比 單位：ms

4.3 運(yùn)動目標(biāo)跟蹤實(shí)驗(yàn)設(shè)計(jì)與分析

為驗(yàn)證改進(jìn)的KCF運(yùn)動目標(biāo)跟蹤算法的有效性，設(shè)計(jì)目標(biāo)存在遮擋干擾的實(shí)驗(yàn)場景，并將改進(jìn)算法與傳統(tǒng)KCF算法進(jìn)行對比。圖8和圖9分別選取視頻序列中的第124、142、160、178、185、196幀作為對比幀。傳統(tǒng)KCF算法的跟蹤效果如圖8所示，當(dāng)目標(biāo)被遮擋時(shí)，跟蹤窗口停留在遮擋區(qū)域，在目標(biāo)受遮擋重新出現(xiàn)在機(jī)器人視野中后，傳統(tǒng)KCF算法無法繼續(xù)跟蹤目標(biāo)，導(dǎo)致跟蹤失敗。

改進(jìn)KCF算法的跟蹤效果如圖9所示，當(dāng)目標(biāo)出現(xiàn)遮擋情況時(shí)，啟用Kalman預(yù)測器預(yù)測目標(biāo)位置，使跟蹤窗口能夠繼續(xù)跟蹤運(yùn)動目標(biāo)，同時(shí)利用預(yù)測結(jié)果更新KCF跟蹤器，實(shí)現(xiàn)目標(biāo)重新出現(xiàn)時(shí)繼續(xù)對目標(biāo)穩(wěn)定跟蹤。

圖9 改進(jìn)KCF算法跟蹤效果

圖10 目標(biāo)跟蹤誤差

5 結(jié)論

文中提出一種適用于機(jī)器人平臺動態(tài)場景下，基于精確背景補(bǔ)償?shù)倪\(yùn)動目標(biāo)檢測與跟蹤方法。通過改進(jìn)ORB算法有效提高了特征匹配正確率，從而獲得最優(yōu)的全局運(yùn)動參數(shù)，提高背景補(bǔ)償?shù)木?；同時(shí)結(jié)合幀差法完成運(yùn)動目標(biāo)檢測，采用Kalman濾波擴(kuò)展的KCF算法對目標(biāo)進(jìn)行跟蹤。以NAO機(jī)器人為研究平臺設(shè)計(jì)了3組實(shí)驗(yàn)對算法性能進(jìn)行驗(yàn)證，可以看出文中改進(jìn)方法能夠快速準(zhǔn)確地檢測出運(yùn)動目標(biāo)，有效解決了傳統(tǒng)ORB算法以及直接幀差法對動態(tài)場景下運(yùn)動目標(biāo)檢測準(zhǔn)確率低的問題，并實(shí)現(xiàn)了目標(biāo)在遮擋干擾情況下的穩(wěn)定跟蹤。