安防反恐用多監(jiān)控手段集控動態(tài)目標(biāo)跟蹤控制方法

摘 要：為解決現(xiàn)有跟蹤控制方法中目標(biāo)偏離圖像中心、方位角誤差大的問題，本研究提出一種集控動態(tài)目標(biāo)跟蹤方法。通過整合不同監(jiān)控設(shè)備和傳感器信息，并進(jìn)行信息預(yù)處理和特征提取，來融合有效信息。利用反向投影消除靜態(tài)背景，更新分類器以追蹤目標(biāo)狀態(tài)變化。試驗結(jié)果顯示，當(dāng)目標(biāo)偏離中心時，相機(jī)角度值水平角在58°～95°，垂直角在60°～93°，符合預(yù)期；當(dāng)200s時，方位角誤差趨近0。這種集控方法提高了安防反恐監(jiān)控的感知能力，實現(xiàn)了良好的跟蹤控制效果。

關(guān)鍵詞：安防反恐；監(jiān)控；目標(biāo)跟蹤

中圖分類號：TP 27" " 文獻(xiàn)志碼：A

在當(dāng)今社會，安防反恐工作面臨著前所未有的挑戰(zhàn)。隨著科技的不斷進(jìn)步，恐怖活動和犯罪手段也日趨復(fù)雜和多樣化。傳統(tǒng)的監(jiān)控手段已經(jīng)難以滿足現(xiàn)代安防的需求，因此，亟需探索和應(yīng)用新的技術(shù)來提高安防反恐的效率和準(zhǔn)確性。在這樣的背景下，多監(jiān)控手段集控動態(tài)目標(biāo)跟蹤控制方法應(yīng)運(yùn)而生。通過動態(tài)目標(biāo)跟蹤控制方法，系統(tǒng)能夠自適應(yīng)地調(diào)整跟蹤策略，保證目標(biāo)在復(fù)雜多變的場景中始終受到有效監(jiān)控[1]。引入目標(biāo)跟蹤控制方法，不僅提高了安防反恐的智能化水平，也極大地提高了監(jiān)控的效率和準(zhǔn)確性[2]，它能夠在第一時間發(fā)現(xiàn)潛在的安全隱患，為決策者提供準(zhǔn)確的信息支持，從而做出快速而精準(zhǔn)的反應(yīng)。這對保障人民生命財產(chǎn)安全、維護(hù)社會穩(wěn)定具有重要意義。由于傳統(tǒng)方法缺乏智能分析能力，因此無法對目標(biāo)進(jìn)行實時跟蹤等。當(dāng)專注于目標(biāo)細(xì)節(jié)時，可能會忽略周圍的其他移動目標(biāo)，導(dǎo)致無法全面掌握監(jiān)控區(qū)域內(nèi)的所有情況。在需要快速抓取目標(biāo)細(xì)節(jié)過程中，具有較強(qiáng)的局限性，從而使結(jié)果無法達(dá)到預(yù)期。因此，現(xiàn)階段以安防反恐用多監(jiān)控手段集控動態(tài)目標(biāo)為研究對象，對目標(biāo)進(jìn)行跟蹤控制，結(jié)合實際情況對其進(jìn)行試驗。

1 動態(tài)目標(biāo)跟蹤控制

1.1 多監(jiān)控手段集控信息融合

多監(jiān)控手段集控信息是安防反恐領(lǐng)域中的一個重要環(huán)節(jié)，對不同監(jiān)控設(shè)備和傳感器的信息進(jìn)行有效整合，以提高監(jiān)控過程的整體效能[3]。對各種信息源提供的數(shù)據(jù)和特征進(jìn)行綜合處理，對監(jiān)控設(shè)備采集的信息進(jìn)行預(yù)處理，對原始數(shù)據(jù)進(jìn)行線性變換，使其能夠標(biāo)準(zhǔn)化。其計算過程如公式（1）所示。

z=f（[i-]d） " （1）

式中：i為初始數(shù)據(jù)點(diǎn)；為數(shù)據(jù)均值；d為標(biāo)準(zhǔn)差。對原始數(shù)據(jù)進(jìn)行預(yù)處理，使其質(zhì)量更高。

在數(shù)據(jù)處理的過程中，關(guān)鍵步驟是將不同來源的數(shù)據(jù)進(jìn)行關(guān)聯(lián)和對齊。這是建立數(shù)據(jù)間時空關(guān)系的基礎(chǔ)，有助于更全面地理解數(shù)據(jù)的本質(zhì)和內(nèi)在規(guī)律。數(shù)據(jù)關(guān)聯(lián)和對齊后，可保證數(shù)據(jù)之間的準(zhǔn)確性和一致性，從而進(jìn)行特征提取，獲得數(shù)據(jù)中最具代表性的部分。在特征提取的過程中，需要充分考慮不同網(wǎng)絡(luò)之間的差異以及監(jiān)控影像中動態(tài)目標(biāo)的特點(diǎn)，保證提取的特征具有足夠的代表性和準(zhǔn)確性。當(dāng)提取監(jiān)控信息特征時，選擇合適的網(wǎng)絡(luò)深度至關(guān)重要。網(wǎng)絡(luò)過深會導(dǎo)致信息過度抽象和丟失，而網(wǎng)絡(luò)過淺則無法充分提取數(shù)據(jù)的內(nèi)在特征[4]。因此，需要根據(jù)具體的應(yīng)用場景和數(shù)據(jù)特點(diǎn)，選擇合適的網(wǎng)絡(luò)深度，以保證能從同一圖像中提取互補(bǔ)特征。

雖然通過特征提取可以獲得很多有用的信息，但在采樣提取特征的過程中，會不可避免地丟失部分細(xì)節(jié)信息。為了解決這個問題，采用編碼器和解碼器間，多個跳躍的連接方式。這種連接方式能夠?qū)⒕W(wǎng)絡(luò)提取的淺層和深層特征進(jìn)行融合，從而有效地補(bǔ)全丟失的信息，提高特征提取的準(zhǔn)確性和完整性。

因此，在網(wǎng)絡(luò)編碼器和解碼器中添加了殘差模塊的UNet，獲取多尺度上下聚合信息，設(shè)定網(wǎng)絡(luò)融合后的模型為e，獲取每個深度網(wǎng)絡(luò)對像素x的輸出概率p（k|x，ej）。將像素x識別為k類的概率，并設(shè)定背景為k2，目標(biāo)為k1。

在數(shù)據(jù)處理實踐中，采用深度網(wǎng)絡(luò)融合的方式，將單張影像的多個通道的特征圖進(jìn)行堆疊，以此構(gòu)建一個更豐富和全面的數(shù)據(jù)集。這種方法能夠充分利用影像中的多通道信息，將不同通道的特征圖進(jìn)行有機(jī)融合，從而提高數(shù)據(jù)的質(zhì)量和價值。通過這種方式，有效地處理不同監(jiān)控設(shè)備之間的信息冗余問題。不同監(jiān)控設(shè)備由于其自身的技術(shù)特性和工作環(huán)境的差異，因此會產(chǎn)生一定的信息冗余或缺失。通過深度網(wǎng)絡(luò)融合，可以將這些信息進(jìn)行有效整合和互補(bǔ)，從而得到一個更準(zhǔn)確和完整的數(shù)據(jù)集。最終，這個數(shù)據(jù)集在經(jīng)過訓(xùn)練后，能夠為目標(biāo)精確跟蹤識別提供有力的數(shù)據(jù)支撐。

1.2 多特征融合法背景消除

多特征融合法背景消除是一種有效的圖像處理方法，可以幫助提取目標(biāo)并消除背景干擾。在實際應(yīng)用中，這種方法廣泛應(yīng)用于視頻監(jiān)控、智能交通、安防反恐等領(lǐng)域，用來實時跟蹤和識別動態(tài)目標(biāo)。首先，該方法利用差分灰度直方圖作為判斷目標(biāo)運(yùn)動狀態(tài)的依據(jù)[5]。差分灰度直方圖可以反映圖像中像素值之間的變化情況，從而準(zhǔn)確判斷目標(biāo)是否處于運(yùn)動狀態(tài)。對連續(xù)幀圖像進(jìn)行差分處理，可以得到一個表示圖像變化的差分圖。其次，使用融合后的圖像作為目標(biāo)，并找出與目標(biāo)梯度特征相似的候選目標(biāo)區(qū)域，可以通過比較目標(biāo)區(qū)域與周圍圖像像素的梯度值來實現(xiàn)。梯度是指像素值的變化率，可以描述圖像的邊緣和紋理信息。通過計算候選目標(biāo)區(qū)域的梯度特征，可以篩選與目標(biāo)特征相近的區(qū)域。再次，針對選定的圖像中的動態(tài)目標(biāo)，對原圖的梯度直方圖進(jìn)行反向投影，從而消除其中的靜態(tài)背景。反向投影是一種將圖像中像素值映射回原始圖像的過程。通過將目標(biāo)的梯度特征映射到原圖上，可以高亮顯示與目標(biāo)相關(guān)的像素點(diǎn)，從而將靜態(tài)背景消除，突出目標(biāo)的輪廓[6]。在運(yùn)動目標(biāo)檢測中，通過計算當(dāng)前幀圖像和背景圖像之間的差值來獲得運(yùn)動目標(biāo)所在的區(qū)域。差值圖像可以準(zhǔn)確地反映目標(biāo)與背景之間的差異。通過設(shè)置適當(dāng)?shù)拈撝?，可以將差值圖像二值化，將運(yùn)動目標(biāo)所在的區(qū)域提取出來。對差分圖進(jìn)行數(shù)字圖像處理，例如連通區(qū)域分析，可以得到目標(biāo)的梯度特征。連通區(qū)域分析是指將圖像中相鄰的像素進(jìn)行分組，形成表示目標(biāo)區(qū)域的連通區(qū)域。通過計算連通區(qū)域的各項特征，例如面積、周長、中心點(diǎn)位置等，可以獲取更詳細(xì)的目標(biāo)信息。最后，將不同特征進(jìn)行融合，可以得到更全面準(zhǔn)確的目標(biāo)特征信息。

梯度特征融合的計算過程如公式（2）所示。

q（i0）=λq（i0）+（1-λ）q（o0） " （2）

式中：λ為色度值。通過梯度特征融合，能夠獲得直方圖的反向投影，從而避免了因單一特征相似而導(dǎo)致的目標(biāo)圖像與背景圖像區(qū)分問題。通過三幀差來獲取動態(tài)目標(biāo)，消除目標(biāo)運(yùn)行對背景產(chǎn)生的影響，獲得更精確的動態(tài)目標(biāo)輪廓，其消除過程如公式（3）所示。

（3）

式中：bi為第i個幀。因此，運(yùn)用幀間差分來檢測視頻圖像序列中相鄰幀之間的變化。在時間t的一個幀f（i，o，t）和下一個時刻f（i，o，t+1）間，通過計算幀間差分得到一個二值圖。設(shè)定決策閾值為Y，若幀間差分值小于Y，則視為背景圖的一部分。對該部分進(jìn)行消除，這樣就完成了背景消除，獲得了目標(biāo)所在區(qū)域。

1.3 主動跟蹤控制動態(tài)目標(biāo)

在跟蹤控制過程中，需要將消除背景后的動態(tài)目標(biāo)圖像投影到坐標(biāo)系中，并進(jìn)一步對其進(jìn)行控制和跟蹤。為了消除X和Y方向上的偏移并對其進(jìn)行精準(zhǔn)控制，須使用旋轉(zhuǎn)云臺光軸的方法，將目標(biāo)位置調(diào)整到Z軸上，形成虛擬成像。通過對目標(biāo)的虛擬成像進(jìn)行定位和旋轉(zhuǎn)，可以使目標(biāo)沿著Z軸方向移動，從而簡化控制過程中X和Y的坐標(biāo)調(diào)整。這種虛擬成像方法能夠有效地消除X和Y方向的偏移，并為后續(xù)控制與跟蹤提供更穩(wěn)定和準(zhǔn)確的基礎(chǔ)[7]。為了消除X和Y方向上的偏移，通過旋轉(zhuǎn)云臺光軸，使目標(biāo)位于Z軸上，形成虛擬成像。具體如圖1所示。

將三維坐標(biāo)轉(zhuǎn)換成球面坐標(biāo)，將Z軸水平方向旋轉(zhuǎn)θ角，再將Z軸沿垂直方向旋轉(zhuǎn)d角，從而消除Y方向上的偏移。通過控制水平和垂直脈沖寬度，從而控制云臺沿水平方向和垂直方向進(jìn)行旋轉(zhuǎn)，以此跟蹤目標(biāo)。在目標(biāo)跟蹤過程中，當(dāng)目標(biāo)狀態(tài)發(fā)生變化時，需要對分類器進(jìn)行更新來繼續(xù)跟蹤[8]。每隔幾幀對分類器進(jìn)行更新，減少跟蹤漂移。在跟蹤結(jié)果周圍采取正負(fù)樣本來實時更新分類器。

設(shè)定在 t時刻目標(biāo)位置附近采集若干正樣本，其余目標(biāo)位置區(qū)域采集負(fù)樣本，然后對分類器進(jìn)行更新。其更新過程如公式（4）所示。

（4）

式中：μ為目標(biāo)樣本的均值。選擇分類器中最大響應(yīng)值cmax為目標(biāo)位置，結(jié)合每次移動的像素數(shù)，選取正負(fù)樣本對分類器參數(shù)進(jìn)行更新后，就可以對下一幀樣本進(jìn)行準(zhǔn)確分類，得到像素最終類別如公式（5）所示。

（5）

式中：wi為像素分類識別權(quán)重。通過分類器進(jìn)行分類，得到不同類別的目標(biāo)，結(jié)合周圍環(huán)境變化以提高跟蹤的準(zhǔn)確性。

2 試驗測試與分析

2.1 搭建試驗環(huán)境

試驗采用的硬件平臺為Pem Dual，設(shè)置一臺內(nèi)存為1.3G的主機(jī)。采用了標(biāo)定好的YR45相機(jī)進(jìn)行實時跟蹤。試驗用到的軟硬件平臺環(huán)境及參數(shù)見表1。

設(shè)置正樣本的采樣數(shù)為50，移動的像素數(shù)為4。尺度變量為0.03，學(xué)習(xí)參數(shù)為0.02。通過參數(shù)調(diào)整，能夠在真實場景下對動態(tài)目標(biāo)進(jìn)行跟蹤控制，以此來驗證本文跟蹤控制方法的效果。針對這個問題，通過目標(biāo)發(fā)生偏離時，YR45相機(jī)需要轉(zhuǎn)動的角度值來分析試驗結(jié)果。根據(jù)這些角度值，當(dāng)設(shè)定水平角為50°～105°，垂直角為60°～95°時，能夠?qū)δ繕?biāo)進(jìn)行有效主動跟蹤。

2.2 結(jié)果與分析

為了驗證本文方法的有效性，試驗選用標(biāo)定好的YR45相機(jī)，在真實場景下對行人進(jìn)行跟蹤。在相同的場景下，對不同動態(tài)目標(biāo)進(jìn)行跟蹤。通過控制攝像機(jī)得到目標(biāo)在監(jiān)控視野中的位置，確定目標(biāo)在相機(jī)監(jiān)控視野的中心位置，獲得水平與垂直方向旋轉(zhuǎn)角度值見表2。

在跟蹤過程中，當(dāng)目標(biāo)偏離圖像中心時，計算得出T1至T8的相機(jī)角度值水平角均在58°～95°，垂直角均在60°～93°，結(jié)果符合預(yù)期。說明運(yùn)用本文跟蹤控制方法能使攝像機(jī)準(zhǔn)確地調(diào)整角度與位置，使目標(biāo)重新回到圖像中心，主動跟蹤運(yùn)動目標(biāo)。通過有效地控制相機(jī)，可以避免運(yùn)動目標(biāo)發(fā)生漂移或丟失等情況。當(dāng)動態(tài)目標(biāo)一直保持在攝像機(jī)監(jiān)控范圍內(nèi)時，能夠為安防反恐領(lǐng)域提供一種更有效的技術(shù)手段，提高了監(jiān)控的效率。

同時，為了驗證本文方法的適用性，在相同的仿真設(shè)置條件下進(jìn)行動態(tài)目標(biāo)跟蹤半實物仿真試驗。在半實物仿真試驗中，動態(tài)目標(biāo)的狀態(tài)信息更新頻率為12.3Hz。為避免目標(biāo)信息反饋遲滯導(dǎo)致的后果，須對目標(biāo)狀態(tài)信息進(jìn)行濾波處理，以提高狀態(tài)信息的準(zhǔn)確性。設(shè)置3個小組，根據(jù)不同時間內(nèi)的目標(biāo)動態(tài)變化情況，對角距離誤差進(jìn)行計算，預(yù)期當(dāng)200s時，誤差趨近0的情況下，能夠得到較優(yōu)跟蹤效果。3個小組的的具體變化情況如圖2所示。

由圖2可知，在跟蹤控制情況下，對動態(tài)目標(biāo)進(jìn)行協(xié)同跟蹤控制，當(dāng)200s時，3個小組的方位角誤差值均趨近0，結(jié)果符合預(yù)期。說明運(yùn)用本文跟蹤控制方法能夠顯著提高跟蹤性能，優(yōu)化控制所用時間，能夠在相同任務(wù)下，保持一定的跟蹤控制效果，提升跟蹤效率。利用本文跟蹤控制方法能夠在跟蹤過程中獲得大量信息，增加對安防反恐用多監(jiān)控手段集控過程中的感知能力，使在復(fù)雜環(huán)境下的監(jiān)控跟蹤更具實際意義。

綜上所述，本文目標(biāo)跟蹤控制方法在目標(biāo)跟蹤性能方面優(yōu)勢很明顯，這個方法能夠更準(zhǔn)確地預(yù)測和跟蹤目標(biāo)的運(yùn)動軌跡，在相同條件下，具有較高的跟蹤精度。在應(yīng)對復(fù)雜場景和動態(tài)環(huán)境方面，本文方法都能夠有效應(yīng)對，并保持較高的跟蹤性能，能夠根據(jù)實時環(huán)境信息進(jìn)行實時調(diào)整和優(yōu)化，計算效率更高，跟蹤控制效果較好。

3 結(jié)語

本文從目標(biāo)跟蹤控制入手，結(jié)合安防反恐用多監(jiān)控手段集控方法，探究了安防反恐用多監(jiān)控手段集控動態(tài)目標(biāo)跟蹤控制方法。但這個方法中還存在一些不足，例如數(shù)據(jù)的安全與隱私問題、損失函數(shù)的驗證問題、誤判問題等。動態(tài)目標(biāo)跟蹤控制方法使監(jiān)控系統(tǒng)能夠自適應(yīng)地調(diào)整跟蹤策略，保證目標(biāo)在復(fù)雜多變的場景中始終受到有效監(jiān)控。這不僅有助于及時發(fā)現(xiàn)潛在的安全隱患，還能為決策者提供準(zhǔn)確的信息支持。后續(xù)，需要加強(qiáng)技術(shù)研發(fā)與合作，通過不斷優(yōu)化和完善多監(jiān)控手段集控動態(tài)目標(biāo)跟蹤控制方法，共同推動安防反恐事業(yè)邁向新的高度。

參考文獻(xiàn)

[1]史揚(yáng)杰，程馨慧，奚小波，等.農(nóng)業(yè)機(jī)械導(dǎo)航路徑跟蹤控制方法研究進(jìn)展[J].農(nóng)業(yè)工程學(xué)報，2023，39（15）：1-14.

[2]李奇，劉強(qiáng)，王天宏，等.基于EKF在線辨識的多堆燃料電池系統(tǒng)最大效率點(diǎn)跟蹤控制方法[J].中國電機(jī)工程學(xué)報，2022，42（2）：673-684.

[3]劉樂，高杰，劉鵬，等.基于滑模觀測器的交流異步電機(jī)預(yù)設(shè)性能位置跟蹤控制[J].中國電機(jī)工程學(xué)報，2022，42（9）：3432-3443.

[4]朱志遠(yuǎn)，朱紫輝，周曉勤，等.三軸電磁-壓電混合驅(qū)動快速刀具伺服的軌跡跟蹤控制[J].光學(xué)精密工程，2023，31（15）：2236-2247.

[5]遲瑞娟，熊澤鑫，姜龍騰，等.基于模型預(yù)測的插秧機(jī)路徑跟蹤控制算法[J].農(nóng)業(yè)機(jī)械學(xué)報，2022，53（11）：22-30，99.

[6]李新凱，虎曉誠，馬萍，等.基于改進(jìn)DDPG的無人駕駛避障跟蹤控制[J].華南理工大學(xué)學(xué)報（自然科學(xué)版），2023，51（11）：44-55.

[7]劉博，孟中杰.軟管連接約束下的加油機(jī)/無人機(jī)編隊跟蹤控制[J].航空學(xué)報，2023，44（17）：263-273.

[8]張康，王麗梅.考慮同步誤差影響的直驅(qū)H型平臺輪廓跟蹤控制方法[J].電工技術(shù)學(xué)報，2022，37（8）：1982-1990.