工廠區(qū)域內人員軌跡魯棒性跟蹤優(yōu)化方法研究

摘 要：傳統(tǒng)跟蹤優(yōu)化方法直接對運動目標進行檢測，并沒有對人員運動軌跡優(yōu)化模型進行構建，因此傳統(tǒng)方法蹤效果較差。本文提出工廠區(qū)域內人員軌跡魯棒性跟蹤優(yōu)化方法研究。通過構建人員運動軌跡優(yōu)化模型來提高運動軌跡跟蹤精度，設計運動目標檢測流程，對運動目標進行檢測，基于魯棒性算法生成可視化運動軌跡，完成工廠區(qū)域內人員軌跡魯棒性跟蹤優(yōu)化方法設計，并進行對比試驗。試驗結果表明，該研究方法在實際應用中跟蹤效果最好，值得推廣。

關鍵詞：人員軌跡；魯棒性；跟蹤優(yōu)化；跟蹤方法

中圖分類號：G 642" " " " " " 文獻標志碼：A

工廠區(qū)域內人員軌跡跟蹤是對人員的位置和移動信息進行采集和處理，從而獲得人員的移動路徑[1]。由于人員行為的復雜性和環(huán)境干擾的多樣性，因此影響了軌跡跟蹤的準確性和魯棒性[2]。國內外學者在工廠區(qū)域內人員軌跡跟蹤方面進行研究[3]，采用基于深度學習的數(shù)據(jù)預處理方法提取有效特征和提高數(shù)據(jù)質量；采用基于機器學習的軌跡建模方法建立人員的移動模式和行為習慣模型。但是現(xiàn)有的研究方法仍存在一定的局限性，例如數(shù)據(jù)處理復雜度高、軌跡建模難度大等。因此，需要進一步研究。針對現(xiàn)有研究的不足和實際應用需求，本文提出一種全新的工廠區(qū)域內人員軌跡魯棒性跟蹤優(yōu)化方法，旨在提高工廠區(qū)域內人員軌跡跟蹤的準確性和魯棒性，為工廠的安全生產和運營管理提供有力支持。

1 工廠區(qū)域內人員軌跡魯棒性跟蹤優(yōu)化方法

1.1 構建人員運動軌跡優(yōu)化模型

在人員運動的跟蹤過程中分析人員運動的原理，并建立人員運動軌跡的優(yōu)化模型[4]。在建立運動模型的過程中，如果人員加速度的方向和速度發(fā)生顯著變化，那么應建立強機動模型，以保證模型移動的準確性。工廠區(qū)域內人員在運動過程中總是保持相似的速度，即使特殊情況發(fā)生短期變化，運動情況也不會改變。假設人員在t時刻運動中的位置為Xt，那么運動模型如公式（1）所示。

（1）

式中：Vt為人員運行速度Pt為人員位置。

利用勻速直線運動的計算方法可以確定改變人員的位置和速度，得到二者之間的關系，如公式（2）所示。

（2）

式中：wt-1為t-1時刻的高斯白噪聲；Pt，Pt-1分別為t和t-1時刻的位置；Vt、vt-1為和t-1時刻的速度；?t為時間變化[5]。利用勻加速并依托于勻加速直線運動，假設人員運動方式在一維空間內的公式，人員位置、速度在勻加速運動模式下的轉換公式如公式（3）所示。

（3）

式中：at、at-1分別為t和t-1時刻的相同加速度平均值，并且在該時間（Pt，Vt，at）確定人員在t時刻的運動位置。結合上述公式，根據(jù)實際情況，可以確定人員在恒定速度和恒定加速度條件下具有較高的運動軌跡跟蹤精度。

根據(jù)公式（3）得到人員運動軌跡優(yōu)化模型，如公式（4）所示。

xt=Fxt-1+wt-1 " " " " " " " " " " " " " "（4）

式中：F為人員運動狀況轉變函數(shù)；xt為t時刻的運動狀態(tài)值；xt-1為t-1時刻運動狀態(tài)值。

1.2 運動目標檢測

在上述人員運動軌跡優(yōu)化模型構建的基礎上，根據(jù)目標跟蹤的性能要求，將模型帶入運動目標檢測過程中，將目標運動圖像作為原始背景的第一幀，并采用平均選擇方法來獲得完整的圖像。具體操作如下：使用幀差法獲取目標圖像背景序列，在保持背景常數(shù)的同時定義目標區(qū)域為0。因為幀差法不需要復雜的數(shù)學模型和大量計算，所以采用幀差法。只需對當前幀圖像與背景模型進行簡單的像素級別比較即可，并且該方法適應性好，其對目標物體的外觀和形狀變化具有較好的適應性，能夠適應不同場景和光照條件下目標物體的變化。幀差法獲取目標圖像背景序列的計算過程如公式（5）所示。

（5）

式中：p為閾值；li為第i幀圖像；Bi（x，y）為背景序列圖像。

當取Bi（x，y）的值時，計算并得到c（x，y）取值次數(shù)，其中像素的值為0。

求和取背景序列圖像平均值，計算過程如公式（6）所示。

（6）

選擇雙參數(shù)，并使用基本差分法獲得Jxyz的不同圖片，如公式（7）所示。

（7）

式中：abs為人員個數(shù)值。

在獲得原始背景圖像后，使用選擇平均法，將當前圖像劃分為背景，并使用基本差分法將其移動到目標區(qū)域中。重新計算以最終實現(xiàn)目標層的背景提取[6]。運動物體檢測主要采用改進的幀差背景方法來獲取目標圖像，并引入背景差方法來獲取運動物體的坐標位置，對運動目標進行檢測。該步驟的詳細流程如圖1所示。

根據(jù)圖1可知，運動目標檢測流程由多個步驟組成，其核心是獲取當前幀圖像，并且在此時運行人員運動軌跡優(yōu)化模型，然后設置目標區(qū)域為0，獲取差分圖像，形態(tài)學操作圖像，檢測運動目標，判斷其與實際是否相符，如果相符，則輸出結果，如果不相符，則重新獲取差分圖像，并且重復執(zhí)行后續(xù)操作。由此可知，改進基本差分背景建模方法，應用到目標圖像中，得到目標圖像的背景圖像。計算當前圖像li（x，y）與下面指定的目標圖像之間的差值K（x，y），如公式（8）所示。

K（x，y）=|li（x，y）-Bi（x，y）| " " " " " " " " "（8）

對圖像進行雙重處理，使用多次重復獲得適當閾值，并最終獲得雙重圖像Hi（x，y），如公式（9）所示。

（9）

為了使目標更完整進行人員檢測，對后形態(tài)學活動的雙重圖像進行處理，同時從物體的圖像中去除不必要的像素，從而完成檢測。為了保證目標檢測的準確性，需要對檢測到的目標進行真實性判斷。如果一致，則結束，如果不一致，則進入迭代直至一致。

1.3 基于魯棒性算法生成可視化運動軌跡

檢測運動目標后，為了提高軌跡跟蹤的魯棒性，設計一種魯棒性強的優(yōu)化算法。該算法采用卡爾曼濾波算法，結合軌跡模型和實時數(shù)據(jù)，對人員軌跡進行實時跟蹤和優(yōu)化。因為卡爾曼濾波有3個主要優(yōu)點，所以將其作為魯棒性算法的一部分。1）狀態(tài)估計。卡爾曼濾波器可以利用歷史觀測數(shù)據(jù)和運動模型，對系統(tǒng)的狀態(tài)進行估計。在人員軌跡跟蹤中，可以利用當前的觀測數(shù)據(jù)和運動模型對人員的位置和速度等狀態(tài)進行預測。2） 適應性。卡爾曼濾波器可以根據(jù)觀測值和模型的準確性調整狀態(tài)估計的權重，適應不同噪聲的估計需求。3）魯棒性。采用卡爾曼濾波器對觀測誤差和模型噪聲建模，能夠提供對噪聲和不確定性的魯棒性處理，減少噪聲對估計結果的影響?；诖?，根據(jù)人員運動模型和當前空間坐標計算運動軌跡，得到人員運動軌跡參數(shù)。在運動軌跡參數(shù)的基礎上建立運動軌跡的跟蹤算法。利用工作人員軌跡的長度S和運行速度參數(shù)Vship，在魯棒性計算公式中，將上述2個參數(shù)作為基線參數(shù)，以獲得初始工作人員位置X0，如公式（10）所示。

（10）

式中：V0為人員操作的速度；P0為人員的初始位置。根據(jù)人員的初始位置計算結果，采用魯棒性算法得到員工操作軌跡的實際時間跟蹤結果。分析人員的初始移動狀態(tài)并獲取其軌跡。由于預測中存在噪聲，因此需要去除噪聲。噪聲狀態(tài)如公式（11）所示。

Pt=FPt-1Ft+Qt-1 " " " " " " " " " " " " " "（11）

式中：Pt為當前噪聲；Ft為人員運動軌跡的測量值；Qt-1為噪聲協(xié)方差。

含噪聲的觀測值公式如公式（12）所示。

Zt=Xt+H " " " " " " " " " " " " " " " " " （12）

式中：H為觀測到的噪聲。

如果人員的觀測值與預測值之比用Kt表示，那么其計算過程如公式（13）所示。

Kt=Pt·（HPt+R）-1 " " " " " " " " " " " " （13）

式中：R為噪聲觀測差值用，根據(jù)結果與實際軌跡的預期相關性，更新人員運動軌跡測量值如公式（14）所示。

xt=x0+Kt " " " " " " " " " " " " " " " " "（14）

在更新人員運動軌跡測量值后，更新目前的噪聲狀況如公式（15）所示。

Pt'=（1-KtH） " " " " " " " " " " " " " " "（15）

在人員運動軌跡測量達到最佳收斂情況后，對人員運動軌跡進行調整。針對軌跡中卡爾曼濾波算法跟蹤精度低的問題，本文采用一種強跟蹤魯棒性算法來提高人員操作軌跡的跟蹤精度，該算法使用了折減系數(shù)和舍入系數(shù)λt表示改善后的噪聲條件，如公式（16）、公式（17）所示。

Pt\"=λt-1FPt-1+Qt-1 " " " " " " " " " " " （16）

（17）

在公式（16）、公式（17）中引入衰減因子ct，其可以有效地控制算法的收斂速度，從而增強軌跡跟蹤算法的收斂性，利用強跟蹤方法來改進算法，進一步提升人員運動軌跡跟蹤的精度。

使用運動軌跡跟蹤算法獲取人員軌跡數(shù)據(jù)。由于缺少在當前軌跡數(shù)據(jù)中顯示的時間信息，因此不能監(jiān)測人員的圓周運動或停滯問題，也不可能準確地表達人員的運動狀態(tài)。本文添加時間維度，使最初的人員運動軌跡產生在三維空間中。以時間坐標軸為Z軸，結合人員的二維軌跡數(shù)據(jù)，利用OpenGL三維建模技術創(chuàng)建三維空間坐標軸。利用軌跡三維坐標，將軌跡跟蹤結果顯示在XOY平面上。創(chuàng)建人員移動場景，并在此基礎上展示實際移動情況。以建模形式呈現(xiàn)視覺移動軌跡指標，并在關鍵結構信息的基礎上組合多個用戶性能場景，通過場景間分析獲得人員整體運行軌跡。

2 試驗論證

為驗證本文所提工廠區(qū)域內人員軌跡魯棒性跟蹤優(yōu)化方法在跟蹤魯棒性方面的優(yōu)勢，將傳統(tǒng)方法一與傳統(tǒng)方法二作為對照組，進行對比試驗。為了與本文方法進行比較，設置對比方法，以評估本文方法的優(yōu)劣。選擇傳統(tǒng)方法作為對照組，將本文方法與常用方法進行比較，有助于驗證本文方法的創(chuàng)新性，并展示本文方法相對于傳統(tǒng)方法的優(yōu)點。

2.1 試驗準備

本文使用MOT數(shù)據(jù)集和實際監(jiān)控視頻集作為訓練和測試的數(shù)據(jù)集。本試驗采用的計算機配置了NVIDIA TSLA K40c圖形卡。在此基礎上構建試驗環(huán)境。為了評估模型檢測性能，本文采用魯棒性作為評價指標。在真實的監(jiān)控視頻數(shù)據(jù)環(huán)境下，將傳統(tǒng)方法一、傳統(tǒng)方法二與本文方法進行對比。以3種方法的跟蹤魯棒性為評價指標，對比它們的引用性能。跟蹤魯棒性的計算過程如公式（18）所示。

（18）

式中： N為跟蹤閾值；F為方法的跟蹤魯棒性； fi為跟蹤失敗的索引數(shù)；δ為初始化參數(shù)。通過上述公式計算方法的跟蹤魯棒性。試驗中，利用上述3種方法分別對5組試驗區(qū)域進行測試，并對其進行記錄，其測試結果見表1。

2.2 對比試驗

從表1可以看出，在上述結果中傳統(tǒng)方法一和傳統(tǒng)方法二的魯棒性平均為25.25%和34.86%，分別平均比本文方法高17.95%和26.94%，因此本文設計的方法在實際應用中跟蹤效果最好，值得推廣。

3 結語

本文對工廠區(qū)域內人員軌跡的魯棒性跟蹤優(yōu)化方法進行深入研究。針對現(xiàn)有研究的不足和實際應用的需求，提出了一種全新的軌跡跟蹤優(yōu)化方法。試驗結果表明，本文方法在提高軌跡跟蹤的準確性和魯棒性方面具有顯著優(yōu)勢，為工廠的安全生產和運營管理提供了有力支持，為相關領域的發(fā)展提供一定的理論和實踐支持。

參考文獻

[1]徐智超，文曉燕，張雷.融入模糊補償?shù)臋C械臂軌跡跟蹤預測控制[J].組合機床與自動化加工技術，2023（9）：72-76，81.

[2]張炳力，佘亞飛.基于深度強化學習的軌跡跟蹤橫向控制研究[J].合肥工業(yè)大學學報（自然科學版），2023，46（7）：865-872.

[3]陳濤，朱華中，劉安東，等.帶有時變輸出約束的機械臂自適應軌跡跟蹤控制[J].小型微型計算機系統(tǒng)，2023，44（7）：1428-1433.

[4]閔超，詹煒，張豫麒，等.基于匈牙利算法和LSTM網絡的儲糧害蟲軌跡跟蹤及行為研究[J].中國糧油學報，2023，38（3）：28-34.

[5]張鐵，曹亞超，鄒焱飚，等.具有線性位置解的3-CRU并聯(lián)人員軌跡跟蹤[J].華中科技大學學報（自然科學版），2023，51（6）：16-22.

[6]聶振邦，于海斌.基于參考軌跡的移動人員避碰決策及軌跡跟蹤方法[J].計算機集成制造系統(tǒng)，2023，29（9）：2879-2889.